ارائه معیاری برای محاسبه خطر امنیتی لینک ها برای جلوگیری از کلاهبرداری های اینترنتی

سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 88

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JICTP-3-11_010

تاریخ نمایه سازی: 10 مرداد 1402

چکیده مقاله:

لینک های مخرب از طرق مختلفی مثل ایمیل، پیامک، یا شبکه های اجتماعی توسط نفوذگران به منظور کلاهبرداری یا سوء استفاده ارسال می گردند. روش های مختلفی تا کنون برای شناسایی لینک های مخرب ارائه شده اند که همگی دارای خطا هستند، از طرفی هکرها با شناسایی چگونگی عملکرد این روش ها، فنون خود را تغییر داده و قادرند لینک مخرب خود را به عنوان لینک مفید به قربانی ارائه دهند. هدف این مقاله ارائه روشی جدید به منظور شناسایی و مقابله با لینک های مخرب است. به این منظور، پس از بررسی تحقیقات ارائه شده قبلی در زمینه شناسایی لینک های مخرب و معیارهای خطر امنیتی،  مفهوم خطر امنیتی برای لینک ها، باز تعریف شده و معیار جدیدی به منظور محاسبه آن ارائه شده است. این معیار از روش نزدیک ترین همسایه ها به منظور تخمین میزان خطر امنیتی استفاده می کند. بر اساس این معیارها، برای هر لینک ارائه شده نمره امنیتی قابل محاسبه است به نحوی که کاربر می تواند در مورد استفاده یا عدم استفاده از این لینک تصمیم بگیرد که این خود سبب کاهش کلاهبرداری های اینترنتی خواهد شد. آزمایش های انجام گرفته روی دو مجموعه داده واقعی مربوط به لینک های مخرب و مفید شناخته شده قبلی، نشان دهنده کارایی معیار پیشنهادی از نظر قدرت تشخیص است. یعنی این معیار قادر است درصد بالایی از لینک های مخرب موجود در مجموعه داده ها را شناسایی کند.

نویسندگان

محمود دی پیر

دانشیار گروه نرم افزار، دانشکده رایانه و فناوری اطلاعات، دانشگاه هوایی شهید ستاری، تهران، ایران.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Ghaleb, F. A., Alsaedi, M., Saeed, F., Ahmad, J., and ...
  • Hajaj, C., Hason, N., and Dvir, A., “Less is more: ...
  • Kim, S., Kim, J., and Kang, B. B., “Malicious URL ...
  • Raja, A. S., Pradeepa, G., and Arulkumar, N., “Mudhr: Malicious ...
  • Madhubala, R., Rajesh, N., Shaheetha, L., and Arulkumar, N., “Survey ...
  • Liang, Y., Wang, Q., Xiong, K., Zheng, X., Yu, Z., ...
  • Vinayakumar, R., Alazab, M., Soman, K. P., Poornachandran, P., and ...
  • Rakesh, R., Muthuraijkumar, S., Sairamesh, L., Vijayalakmi, M., Kannan, A., ...
  • Chiramdasu, R., Srivastava, G., Bhattacharya, S., Reddy, P., Gadekallu, T., ...
  • He, S., Li, B., Peng, X., Xin, J., Zhang, E., ...
  • Kuyama, M., Kakizaki, Y., Sasaki, R. “Method for detecting a ...
  • Patil, D.R., Patil, J.B., “Malicious URLs detection using decision tree ...
  • Ding, C., “Automatic Detection of Malicious URLs using Fine-Tuned Classification ...
  • Vinayakumar, R., Soman, K.P., Poornachandran, P., “Evaluating deep learning approaches ...
  • Yuan, J., Liu, Y., and Yu, L., “A novel approach ...
  • ]۱۶[ گرامی، محسن، اکبری امیری، زهرا، یزدانیان، وحید، (۱۴۰۱). "تشخیص ...
  • ]۱۷[ بختیاری، سعید، "تشخیص بدافزار با استفاده از داده کاوی ...
  • Gates, C. S., Li, N., Peng, H., Sarma, B., Qi, ...
  • Deypir, M., and Horri, A., “Instance based security risk value ...
  • Deypir, M., “Entropy-based security risk measurement for Android mobile applications,” ...
  • Li, T.; Kou, G.; Peng, Y, “Improving malicious URLs detection ...
  • Kuyama, M., Kakizaki, Y., Sasaki, R. “Method for detecting a ...
  • نمایش کامل مراجع