ابوذر نظری نیا - دانشجوی کارشناسی ارشد دانشگاه آزاد اسلامی خرم آباد،

سرقت های آنلاین زیان قابل توجه ای به کاربران و زیرساخت های تجارت الکترونیک وارد می نمایند و در این حملات هکر وبسایت های جعلی را برای سرقت اطلاعات کاربران استفاده می نماید. چالش مهم روش های کشف دانش مانند شبکه عصبی مصنوعی در آن است که برای افزایش دقت تشخیص حملات فیشینگ نیاز به فاز انتخاب ویژگی و بهبود خطای خروجی با انتخاب بهینه پارامترهای خود دارند و در این پژوهش یک مکانیزم دو لایه برای تشخیص سرقت های آنلاین ارایه شده است. در روش پیشنهادی در فاز انتخاب ویژگی از الگوریتم کرم شبتاب و در فاز یادگیری برای انتخاب پارامترهای شبکه عصبی از الگوریتم بهینه سازی علف هرز استفاده شده است. پیاده سازی الگوریتم پیشنهادی در محیط متلب و بر روی داده های فیشینگ نشان می دهد الگوریتم کرم شبتاب بر حسب تکرار می تواند ویژگی های بهینه را برای تشخیص سرقت های آنلاین استخراج نماید و خطای تشخیص فیشینگ در حدود 37 % کاهش می یابد و از طرفی خطای تشخیص سرقت های آنلاین با انتخاب بهینه وزن و بایس شبکه عصبی مصوعی توسط الگوریتم بهینه سازی علف هرز بر حسب تکرار نزولی بوده و تا 25 % کاهش را نشان می دهد. نتایج پیاده- سازی نشان می دهد روش پیشنهادی از درخت تصمیم گیری، شبکه بیزین، ماشین بردار پشتیبان خطی و شبکه عصبی مصنوعی دارای دقت و حساسیت بیشتری است.

سرقت اطلاعات، فیشینگ، الگوریتم کرم شبتاب، الگوریتم بهینه سازی علف هرز