ارائه روشی مبتنی بر الگوریتم های بهینه سازی شاهین و جنگل تصادفی برای تشخیص حملات فیشینگ

یکی از رایج ترین حملات سایبری، حملات فیشینگ است. در این نوع حملات، مهاجمین با ارسال لینک های جعلی برای کاربران و ترغیب آنها به استفاده از وبسایت های جعلی، اطلاعات مهم و محرمانه آنها را سرقت میکنند. حملات فیشینگ زیان قابل توجه ای دارند و اعتماد کاربران را در خرید آنلاین و سرویس های تحت وب، مخدودش میکنند. یک روش کاربردی برای تشخیص حملات فیشینگ استفاده از یادگیری ماشین است. در این مقاله، یک روش ترکیبی برای کاهش خطای طبقه بندی صفحات به دو دسته جعلی و اصلی ارایه میشود . در روش پیشنهادی، ابتدا ویژگی های موثر در یادگیری با استفاده از الگوریتم شاهین انتخاب شده و بردار ویژگی حاصل توسط شبکه عصبی مصنوعی ارزیابی میشود. سپس طبقه بند جنگل تصادفی بر اساس بردار ویژگی انتخاب شده در مرحله قبل به طبقه بندی صفحات میپردازد. مزیت روش پیشنهادی استفاده از هوش گروهی نوین در ترکیب با روش های یادگیری ماشین در تشخیص فیشینگ است. نتایج ارزیابیهای انجام گرفته نشان میدهد که روش پیشنهادی نسبت به روشهای انتخاب ویژگی موجود مانند الگوریتم کفتار و روش مبتنی بر تحلیل مولفه اصلی دارای دقت بیشتری در تشخیص حملات فیشینگ است.