استفاده از شبکههای خودرمزنگار موازی به منظور تشخیص صفحات جعلی اینترنتی

امیری, نوشین; نادری, ایمان

فراخوان حمایت از طرحهای فناورانه: جوش اتوماتیک به کمک ربات پرتابل

تعداد نشریات	38
تعداد شماره‌ها	1,244
تعداد مقالات	9,010
تعداد مشاهده مقاله	7,870,906
تعداد دریافت فایل اصل مقاله	4,720,778

	استفاده از شبکههای خودرمزنگار موازی به منظور تشخیص صفحات جعلی اینترنتی
مجله نوآوری های فناوری اطلاعات و ارتباطات کاربردی
دوره 1، شماره 2، بهمن 1398، صفحه 41-50 اصل مقاله (1.12 M)
نوع مقاله: مقاله پژوهشی
نویسندگان
نوشین امیری^* ¹؛ ایمان نادری²
¹دانشگاه آزاد اسلامی واحد دورود
²دانشگاه آزاد اسلامی واحد بروجرد
تاریخ دریافت: 13 فروردین 1399، تاریخ بازنگری: 19 مرداد 1399، تاریخ پذیرش: 05 بهمن 1399
چکیده
به کمک صفحات جعلی اینترنتی تلاش میشود، اطلاعات محرمانه یک کاربر مانند رمز حسابهاا باان ی و راذروا ه پسات اک ترونک ای باه سرقت برده شود. این صفحات جعلی درواقع مشابه با صفحات وب سایتها معتبر موجود مانند درراهها پرداخت اینترنتای، یااهو و رورا ساخته میشوند و به رونها کاربران به سمت این صفحات کشانده میشوند. به این ناو حملاه اینترنتای، حملاه فکشاکن رفتاه مای شاود. تشخکص برخط صفحات جعلی به کمک نرمافزارها هوشمند میتواند جلو به سرقت رفتن اطلاعات کاربران را ررفته و امنکت را در فضاا وب افزایش دهد. در این مقاکه یک روش جدید مبتنی بر شب هها عصبی مصنوعی از نو خود رمزنگار معرفی شده است. در روش پکشنهاد از دو شب ه خود رمزنگار مواز استفاده شده است که ی ی از آن ها، با صفحات معموکی و دیگر با صفحات جعلی آموزش داده شده است. در زمان تشخکص، بر اساس بردارها رمز شده به دست آمده از هر دو شب ه مواز و یک لایه شب ه عصبی مصنوعی معموکی مانند سافت م س، نو صفحه اینترنتی ورود مشخص میشود. در کاربردها عملی هرراه چنکن صفحها جعلی شناخته شود، به سرعت از طریق مروررار باه کاربر اخطار داده شده یا دسترسی مسدود میشود. نتایج آزمایش روش پکشنهاد به کماک ممموعاه داده Phishing Websites و معکارهاا صحت متوسط، دقت و فراخوانی، به خوبی نشان میدهند که شب هها خود رمزنگار مواز عمل ارد قاو تار نسابت باه ساایر روش هاا یادرکر ماشکن در تشخکص صفحات جعلی اینترنتی دارد.
کلیدواژه‌ها
صفحات جعلی اینترنتی؛ حمله فیشینگ؛ یادگیری ماشین؛ شبکههای عصبی خود رمزنگار موازی
عنوان مقاله [English]
Fake Webpages Detection Using Parallel Autoencoder Neural Networks
نویسندگان [English]
Noshin Amiri¹؛ Iman Naderi²

²Islamic Azad University, Borojerd Branch
چکیده [English]
Fake web pages attempt to steal a user's confidential information such as bank account password and email password. These fake pages are actually made similar to the pages of reputable websites such as online payment portals, Yahoo and Google, and in such a way users are drawn to these pages. This type of Internet attack is called phishing attacks. Online detection of fake pages with the help of a smart software can prevent the theft of user information and increase security in the web space. In this paper, a new approach based on autoencoder neural networks is introduced. The proposed method employs two Parallel Autoencoder (PAE) networks, one of which is trained with regular pages and the other with fake pages. At the time of detection, the type of input web page is determined based on the encoded vectors obtained from both AEs in the parallel network and a layer of conventional artificial neural network such as Softmax. In practical applications, whenever such a fake page is detected, it is promptly warned or blocked through the browser. Experimental results of the proposed method with the help of “Phishing Websites” dataset and accuracy, precision and recall criteria show that PAE networks perform better than other machine learning methods in detecting fake web pages.
کلیدواژه‌ها [English]
Fake Webpage, Phishing Attack, Machine Learning, Parallel Autoencoder Neural Networks

مراجع
[1] H. Bahrami, “Improving IWO Algorithm in Generation Optimization Problems using Experiment Design,” M.Sc. Thesis, Ferdosi Univ., Mashhad, 2010. (In Persian)## [2] M. Moghimi, H. Albaripoor, and M. R. Amin-Naseri, “Expert System Designing for Phishing Attacks Detection in E-Banking,” Journal of Iranian Association of Electrical and Electronics Engineers, vol. 12(2), 2015. (In Persian)## [3] B. Bahreini, A. Malahzadeh, and M. Soleimani, “Antenna Array Designing using IWO algorithm for MIMO systems in 5.8 GHz frequency,” 18th Iran Electrical Engineering Conference, 2010. (In Persian)## [4] M. Alsharnouby, F. Alaca, and S. Chiasson, “Why phishing still works: user strategies for combating phishing attacks,” Int. J. Hum-Comput. St., vol. 82, pp. 69-82, 2008.## [5] H. Rahimi, I. Rahmi, and J. H. Abawajy, “An approach for profiling phishing activities,” Cumpot. Secur., vol. 45, pp. 27-41, 2014.## [6] W. D. Yu, S. Nargundkar, and N. Tiruthani, “A phishing vulnerability analysis of web based systems,” Cumput. Commun., pp. 326-331, 2008.## [7] B. Vucetic and J. Yuan, “Space-time coding,” JWS, 2003.## [8] K. R. Sahu and J. Dubey, “A Survey on Phishing Attacks,” Int. J. Comut. Appl., vol. 88, 2014.## [9] N. Abdelhamid, A. Aladdin, and T. Fadi, “Phishing detection based associative classification data mining,” Expert. Sys. Appl., vol. 41 pp. 5948-5959, 2014.## [10] C. L. Tan, C. Kang Leng, and W. KokSheik, “PhishWHO: Phishing webpage detection via identity keywords extraction and target domain name finder,” Decis. Support Syst., vol. 88, pp.18-27, 2016.## [11] N. A. G. Arachchilage and S. Love, “Security awareness of computer users: A phishing threat avoidance perspective,” Comput. Human Behav., vol. 38, pp. 304-312, 2014.## [12] Y. Li, L. Yang, and J. Ding, “A minimum enclosing ball-based support vector machine approach for detection of phishing websites,” OPTIC (Stuttg), vol. 127.1, pp. 345-351, 2016.## [13] K. Parsons, A. McCormac, M. Pattinson, M. Butavicius, and C. Jerram, “The design of phishing studies: Challenges for researchers,” Comput. Secur., vol. 52, pp.194-206, 2016.## [14] M. Zabihimayvan and D. Doran, “Fuzzy rough set feature selection to enhance phishing attack detection,” Fuzz-IEEE, pp. 1-6, 2019.## [15] T. Lam and H. Kettani, “PhAttApp: A Phishing Attack Detection Application,” 3rd International Conference on Information System and Data Mining, pp. 154-158, 2019.## [16] B. Gupta and A. K. Jain, “Phishing Attack Detection using a Search Engine and Heuristics-based Technique,” J. Inf. Technol-Uk, vol. 13, pp. 94-109, 2020.## [17] P. Yang, G. Zhao, and P. Zeng, “Phishing website detection based on multidimensional features driven by deep learning,” IEEE ACCESS, vol. 7, pp. 15196-15209, 2019.## [18] UCI Machine Learning Repository, “Phishing Websites Dataset,” 2015. archive.ics.uci.edu/ml/datasets/phishing+websites.##
آمار تعداد مشاهده مقاله: 336 تعداد دریافت فایل اصل مقاله: 219

اخبار و اعلانات

آمار

استفاده از شبکههای خودرمزنگار موازی به منظور تشخیص صفحات جعلی اینترنتی