نگار دانش پژوه - دانشجوی کارشناسی ارشد، گروه آموزشی مهندسی کامپیوتر، موسسه آموزش عالی کارون
محمد رضا نوری مهر - استادیار، گروه مهندسی کامپیوتر، واحد اهواز، دانشگاه آزاد اسلامی، اهواز بزرگراه گلستان فرهنگ شهر

امروزه، اینترنت نه تنها برای کاربران خاص، بلکه برای سازمان هایی که فرآیندهای شغلی شان را به صورت برخط 3 انجام می دهند ضرورت و اهمیت پیدا کرده است. بسیاری از سازمان ها، مبادلات و فروش سرویس ها و خدمات خود را به صورت برخط ارایه می دهند. با این حال، کاربران اینترنتی ممکن است در معرض تهدید های عمدهی آنلاینی قرار گیرند که ممکن است آسیب های مالی، سرقت هویت و از دست دادن اطلاعات را برای آن ها به همراه داشته باشد. فیشینگ را می توان نوعی تهدید برخط تعریف کرد که به عنوان بخشی از مداخله در یک وب سایت معتبر و با هدف بدست آوردن اطلاعات خصوصی کاربران مانند نام کاربری، رمز عبور، شماره های امنیتی اجتماعی مطرح می شود. تاکنون الگوهای مختلفی برای مقابله با حملات فیشینگ ارایه شده اند اما با وجود تمام این تلاش ها، خطر این حملات، هنوز از میان نرفته است. به همین دلیل، تشخیص صفحات فیشینگ، از اهمیت زیادی در مقابله با این حملات برخوردار است که این پژوهش سعی در تحقق آن دارد. ماشین بردار پشتیبان به عنوان نمونه ای از تکنیک های داده کاوی در سیستم های تشخیص فیشینگ به شمار میرود 4SVM یک روش یادگیری بانظارت است که با استفاده از داده های آموزش فرایند طبقه بندی را انجام می دهد. در این تحقیق از آنالیز مولفه اساسی برای فرایند استخراج ویژگی و از توانایی الگوریتم بهینه سازی ازدحام ذرات به عنوان یک تکنیک بهینه سازی، برای تعیین مقادیر بهینه پارامترهای ماشین های بردار پشتیبان و از هسته 5RBF در دسته بندی داده فیشینگ از غیرفیشینگ استفاده شده است. نتایج عملی از بکارگیری روش فوق در خصوص مجموعه داده ی گرفته شده از UCI نشان داده است که روش پیشنهادی به نرخ تشخیص 96/64 درصد رسیده و در مقایسه با روش 6/45SVM-6FFA درصد بهبود داشته است.

تشخیص فیشینگ، ماشین بردار پشتیبان، استخراج ویژگی، بهینه سازی ازدحام ذرات، نرخ دقت، نرخ تشخیص