تشخیص و پیش بینی از وب سایتهای فیشینگ با استفاده از روش های استخراج طبقه بندی

قیمت: 44,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

تشخیص و پیش بینی از وب سایتهای فیشینگ با استفاده از روش های استخراج طبقه بندی

عنوان لاتین

Detection and Prediction of Phishing Websites using Classification Mining Techniques

فیشینگ یک مساله امنیتی جدی وب است، که شامل تقلید از وب سایت‌های مشروع (قانونی) برای فریب دادن کاربران آنلاین به منظور سرقت اطلاعات حساس آنها است. فیشینگ را می توان به عنوان یک مساله طبقه‌ بندی نمونه در داده‌ کاوی مشاهده کرد، که در آن طبقه‌بندی از تعداد زیادی از ویژگی‌ های وب سایت ساخته شده‌است. خواسته های بالا در شناسایی بهترین مجموعه از ویژگی‌هایی وجود دارد که در هنگام استخراج صحت پیش‌ بینی طبقه‌ بندی ها افزایش می‌یابد. این مقاله به بررسی ویژگی‌های انتخاب با هدف تعیین مجموعه موثر ویژگی‌ها در عملکرد طبقه‌ بندی می‌پردازد. ما دو روش انتخاب ویژگی های شناخته‌ شده را برای تعیین حداقل مجموعه‌ای از ویژگی‌های تشخیص فیشینگ با استفاده از داده کاوی مقایسه می‌کنیم. تست‌های آزمایشگاهی بر روی تعداد زیادی از مجموعه داده های ویژگیها با استفاده از روشهای بدست آوردن اطلاعات و ارتباط مجموعه ویژگیها انجام گرفته‌اند. علاوه بر این، دو الگوریتم داده کاوی یعنی PART و IREP در مجموعه‌های مختلف ویژگی‌های انتخاب‌شده آموزش داده شده‌اند؛ تا مزایا و معایب فرآیند انتخاب ویژگی را نشان دهند. ما قادر بوده‌ایم تا دانش جدید را در قالب قوانین شناسایی کنیم، که ارتباطات حیاتی در میان ویژگی‌های مهم را نشان می‌دهند.

Phishing is serious web security problem that involves mimicking legitimate websites to deceive online users in order to steal their sensitive information. Phishing can be seen as a typical classification problem in data mining where the classifier is constructed from large number of website’s features.There are high demands on identifying the best set of features that when mined the predictive accuracy of the classifiers is enhanced. This paper investigates features selection aiming to determine the effective set of features in terms of classification performance. We compare two known featuresselectionmethod in order to determine the least set of features of phishing detection using data mining. Experimental tests on large number of features data set havebeen doneusing Information Gain and Correlation Features set methods. Further, two data mining algorithms namely PART and IREP have been trained on different sets of selected features to show the pros and cons of the feature selection process. We have been able to identify new knowledge in the forms of rules that show vital correlations among significant features.