افزایش دقت شناسایی صفحات جعلی وب با استفاده از الگوریتم بهینه سازی کفتار و شبکه عصبی مصنوعی

ایجاد صفحات جعلی در محیط وب یا فیشینگ از جمله حملات سایبری است که نیازمند ملاحظات فرماندهی و کنترل می باشد. در حملات فیشینگ افراد به سمت صفحات جعلی که توسط فیشر یا سارق ساخته شده هدایت می شوند و اطلاعات مهم آن ها توسط فیشر به سرقت می رود. الگوریتم های یادگیری ماشین و داده کاوی، الگوریتم های رایج برای طبقه بندی و تشخیص وب سایت های جعلی هستند. طبقه بندی وب سایتها بر اساس ویژگی هایی که از آن سایت استخراج می شود صورت می گیرد. بنابراین انتخاب ویژگی تاثیر زیادی در نتایج طبقه بندی دارد. امروزه الگوریتم های فراابتکاری متعددی جهت انتخاب ویژگی و بهینه سازی عملکرد الگوریتم های طبقه بندی ارایه شده اند. در مقاله حاضر، الگوریتم فراابتکاری کفتار به منظور انتخاب ویژگی های مناسب برای طبقه بندی وب سایت های جعلی مورد استفاده قرار گرفته است. در این راستا، بهبودی بر الگوریتم فراابتکاری کفتار پیشنهاد شده و الگوریتم کفتار بهبودیافته (ISHOA)، ویژگی های مناسب را از میان کل ویژگیهای موجود انتخاب کرده و به شبکه عصبی مصنوعی ارسال می کند تا در جهت طبقه بندی وب سایتها مورد استفاده قرار گیرند. نتایج پیاده سازی الگوریتم پیشنهادی نشان می دهد که این الگوریتم با دقت نهایی 64/98% نسبت به الگوریتم استاندارد بهینه سازی کفتار عملکرد بهتری داشته است. علاوه بر این، نتایج حاکی از برتری ISHOA نسبت به سه الگوریتم فراابتکاری بهینه سازی ذرات، کرم شب تاب و خفاش است. همچنین، الگوریتم پیشنهادی با تعدادی از الگوریتم های طبقه بندی ارایه شده در پژوهش های پیشین روی مجموعه داده مشابه، مقایسه شده و برتری آن نشان داده شده است.