دانلود مقاله ترجمه شده تشخیص فیشینگ بر مبنای روش داده کاویِ دستی بندی انجمنی


چطور این مقاله مهندسی کامپیوتر و IT را دانلود کنم؟

فایل انگلیسی این مقاله با شناسه 2001357 رایگان است. ترجمه چکیده این مقاله مهندسی کامپیوتر و IT در همین صفحه قابل مشاهده است. شما می توانید پس از بررسی این دو مورد نسبت به خرید و دانلود مقاله ترجمه شده اقدام نمایید

قیمت :
1,160,000 ریال
شناسه محصول :
2001357
سال انتشار:
2014
حجم فایل انگلیسی :
1 Mb
حجم فایل فارسی :
348 کیلو بایت
نوع فایل های ضمیمه :
Pdf+Word
کلمه عبور همه فایلها :
www.daneshgahi.com

عنوان فارسي

تشخیص فیشینگ بر مبنای روش داده کاویِ دستی بندی انجمنی

عنوان انگليسي

Phishing detection based Associative Classification data mining

نویسنده/ناشر/نام مجله

Expert Systems with Applications

این مقاله چند صفحه است؟

این مقاله ترجمه شده مهندسی کامپیوتر و IT شامل 12 صفحه انگلیسی به صورت پی دی اف و 35 صفحه متن فارسی به صورت ورد تایپ شده است

چکیده فارسی

چکیده

 پروسه ی فیشینگ وب سایت  را می­توان یکی از چالش های امنیتی مهم برای انجمن های آنلاین دانست، چرا که در چنین جوامعی، روزانه با حجم زیادی از تراکنش ها روبرو هستیم که به صورت آنلاین صورت می­گیرند. فیشینگ وب سایت را میتوان به عنوان تقلید از یک وب سایت متعبر تشریح کرد با این هدف که اطلاعاتی حساس اعم از نام کاربری و رمز عبور را از کاربران به سرقت برد. لیست های سیاه، لیست های سفید و بکار گیری متد های جستجو، مثال هایی از راه حل هایی برای کمینه سازی ریسک این مسئله می­باشند. یک روش هوشمندانه که بر مبنای داده کاوی می­باشد، دسته بندی انجمنی(AC) نام دارد که می­تواند به صورت کارآمد، فیشینگ وب سایت را با میزان صحت بالایی تشخیص دهد. بر اساس مطالعات تجربی، AC میتواند دسته بند هایی که شامل قوانین "اگر...سپس" هستند را استخراج و با میزان صحت بالایی آنها را پیش بینی سازد. در این مقاله، ما این مسئله را با استفاده از متد AC که دسته بند چند برچسبه بر مبنای دسته بندی مشارکتی یا انجمنی (MCAC) نام دارد ارائه خواهیم داد. همچین قصد داریم ویژگی هایی که بین وب سایت های فیشینگ با وب سایت های قانونی تمایز قائل میشود را نیز بدست آوریم. علاوه بر این، قصد داریم روش های هوشمندی که برای مدیریت مسائل فیشینگ وجود دارد را نیز بررسی کنیم. نتایج آزمایشی با استفاده از داده های واقعی جمع آوری شده از منابع مختلف  نشان داده است که AC و به طور خاص MCAC میتواند وب سایت های فیشینگ را با میزان صحت بالایی نسبت به سایر الگوریتم های هوشمند تشخیص دهد. علاوه بر این، MCAC میتواند دانش مخفی جدیدی را ایجاد کند که سایر الگوریتم ها قادر به یافتن آن نیستند و این باعث بهبود کارائی پیش بینی دسته بند ها شده است.

واژگان کلیدی: دسته بندی، داده کاوی، فیشینگ وب سایت، امنیت اینترنت

1-مقدمه

امروزه، اینترنت نه تنها برای کاربران خاص، بلکه برای سازمان هایی که پروسه های شغلی شان را به صورت آنلاین انجام می­دهند ضرورت و اهمیت پیدا کرده است. بسیاری از سازمان ها، مبادلات و فروش سرویس ها و خدمات خود را به صورت آنلاین ارائه میدهند(Liu,Ye 2001). با این حال، کاربران اینترنتی ممکن است در معرض تهدید های عمده ی آنلاینی قرار گیرند که ممکن است آسیب های مالی، سرقت هویت و از دست دادن اطلاعات را برای آنها به همراه داشته باشد. بنابراین، متناسب بودن اینترنت به عنوان یک کانال برای مبادلات تجاری، امری سؤال برانگیز و چالش برانگیز است.

فیشینگ را می­توان نوعی تهدید آنلاین 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 می­شود. وب سایت های فیشینگ، به وسیله ی افرادی سود جو ایجاد شده تا این هدف که وب سایت های معتبر را مورد تقلید قرار دهند. این وب سایت ها دارای سطوح بالایی از تشابه با وب سایت های اصلی بوده با این هدف که بتواند کاربران را فریب دهند. گزارشی که توسط  شرکت گارتنر منتشر شده است نشان داده است که حملات فیشینگ به سرعت در حال رشد هستند. همچنین این شرکت تخمین زده است که سرقت هایی که به وسیله ی حملات فیشینگ صورت میگیرد، سالیانه حدود 2.8 میلیارد دلار به بانک ها و شرکت های کارت های اعتباری در ایالات متحده خسارت وارد می­کند. در سال 2011 میلادی، ندیر واحد تجاری-تکنولوژیک-امنیتی سیسکو، نگرانی های خود را در این مورد منتشر کرد که حملات اصلی امروزی، بر روی دسترسی به حساب های مالی شرکت هایی که دارای اطلاعات مالی حیاتی هستند متمرکز است....

داده کاوی فیشینگ وب سایت امنیت اینترنت داده کاویِ دستی بندی انجمنی :کلمات کلیدی

چکیده انگلیسی


Abstract

Website phishing is considered one of the crucial security challenges for the online community due to the massive numbers of online transactions performed on a daily basis. Website phishing can be described as mimicking a trusted website to obtain sensitive information from online users such as usernames and passwords. Black lists, white lists and the utilisation of search methods are examples of solutions to minimize the risk of this problem. One intelligent approach based on data mining called Associative Classification (AC) seems a potential solution that may effectively detect phishing websites with high accuracy. According to experimental studies, AC often extracts classifiers containing simple ‘‘If-Then’’ rules with a high degree of predictive accuracy. In this paper, we investigate the problem of website phishing using a developed AC method called Multi-label Classifier based Associative Classification (MCAC) to seek its applicability to the phishing problem. We also want to identify features that distinguish phishing websites from legitimate ones. In addition, we survey intelligent approaches used to handle the phishing problem. Experimental results using real data collected from different sources show that AC particularly MCAC detects phishing websites with higher accuracy than other intelligent algorithms. Further, MCAC generates new hidden knowledge (rules) that other algorithms are unable to find and this has improved its classifiers predictive performance

 
Keywords: Classification Data mining Forged websites Phishing Internet security
کتابخانه الکترونیک
دانلود مقالات ترجمه شده
جستجوی مقالات
با انتخاب رشته مورد نظر خود می توانید مقالات ترجمه شده آن رو به صورت موضوع بندی شده مشاهده نمایید