دانلود پایان نامه مدل تشخیص فیشینگ URL ها بر اساس یادگیری ماشینی

1. مقدمه 2. کارهای مرتبط 3. روش 4. نتایج و آنالیز 5. بحث و بررسی 6. نتیجه گیری و کارهای آتی

چکیده – مقدمه: حمله های فیشینگ همیشه تهدیدات قابل توجهی برای امنیت اینترنت بوجود آورده اند. یکی از معمول ترین شکل های فیشینگ، از طریق URL ها می باشد، جایی که مهاجمان URL های تقلبی را به شکل URL های معتبر در می آورند تا کاربران گول بخورند و برروی آنها کلیک کنند. فنون یادگیری ماشینی، امیدهایی برای شناسایی URL های فیشینگ بوجود آورده اند، اما اثربخشی آنها براساس رویکرد استفاده شده می تواند تغییر کند. اهداف: هدف این پژوهش، پیشنهاد دو روش یادگیری ماشینی، «شبکه های عصبی کانوالی» (CNN) و «خود توجهی چندسره» (MHSA)، برای شناسایی URL های فیشینگ است. علاوه بر آن، ارزیابی و مقایسه اثربخشی این رویکرد در مقایسه با روش ها و مدل های دیگر است. روش تحقیق: یک مجموعه داده از URL ها گردآوری شد و به آنها برچسب فیشینگ یا معتبر داده شد. عملکرد چندین مدل استفاده کننده از روش های یادگیری ماشینی مختلف، شامل CNN و MHSA، برای دسته بندی این URL ها با استفاده از معیارهای مختلف، مانند دقت، صحت، فراخوانی و نمره F1، ارزیابی شد. نتایج: نتایج نشان می دهند که ترکیب مدل های CNN و MHSA عملکرد بهتری نسبت به دیگر مدل های انفرادی دارد و به دقت 98.3% می رسد. که در مقایسه با روش های نوین موجود، بهبود قابل توجهی در شناسایی URL های فیشینگ فراهم می کند. نتیجه گیری: ترکیب CNN و MHSA رویکردی موثر برای آشکارسازی URL های فیشینگ است. این روش نسبت به روش های نوین موجود عملکرد بهتری دارد و روشی دقیق و مطمئن تر برای آشکارسازی URL های فیشینگ فراهم می کند. نتایج این مطالعه، پتانسیل استفاده از روش های ترکیبی در بهبود دقت و اطمینان روش های آشکارسازی URL فیشینگ مبتنی بر یادگیری ماشینی را نشان می دهند.

Background: Phishing attacks continue to pose a significant threat to internet security. One of the most common forms of phishing is through URLs, where attackers disguise malicious URLs as legitimate ones to trick users into clicking on them. Machine learning techniques have shown promise in detecting phishing URLs, but their effectiveness can vary depending on the approach used. Objectives: The objective of this research is to propose an ensemble of two machine learning techniques, Convolutional Neural Networks (CNN) and Multi- Head Self-Attention (MHSA), for detecting phishing URLs. The goal is to evaluate and compare the effectiveness of this approach against other methods and models. Methods: a dataset of URLs was collected and labeled as either phishing or legitimate. The performance of several models using different machine learning techniques, including CNN and MHSA, to classify these URLs was evaluated using various metrics, such as accuracy, precision, recall, and F1-score. Results: The results show that the ensemble of CNN and MHSA outperforms other individual models and achieves an accuracy of 98.3%. Which comparing to the existing state-of-the-art techniques provides significant improvements in detecting phishing URLs. Conclusions: In conclusion, the ensemble of CNN and MHSA is an effective approach for detecting phishing URLs. The method outperforms existing state-ofthe- art techniques, providing a more accurate and reliable method for detecting phishing URLs. The results of this study demonstrate the potential of ensemble methods in improving the accuracy and reliability of machine learning-based phishing URL detection.