کشف فیشینگ در ایمیل با استفاده از رده بند SVM و تیوری مجموعه های راف

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 کشف فیشینگ در ایمیل با استفاده از رده بند SVM و تیوری مجموعه های راف دارای ۱۲ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد کشف فیشینگ در ایمیل با استفاده از رده بند SVM و تیوری مجموعه های راف  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی کشف فیشینگ در ایمیل با استفاده از رده بند SVM و تیوری مجموعه های راف،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن کشف فیشینگ در ایمیل با استفاده از رده بند SVM و تیوری مجموعه های راف :

تعداد صفحات :۱۲

چکیده مقاله:

ایمیل فیشینگ یکی از مسایل عمده دنیای امروزی وب می باشد که سبب به بارآمدن زیان های مالی زیادی برای سازمان ها و کاربران می گردد. یک حمله فیشینگ به وسیله ارسال ایمیلی شروع شده که به نظر این ایمیل از یک سازمان معتبری ارسال شده است تا بتواند کاربران را ترغیب به کلیک بر روی لینک داخل ایمیل کند. این ایمیل یک کانالی برای لینک های فیشینگ می باشد، زیرا بسیاری از این حملات به وسیله ملاقات یک لینک موجود در ایمیل آغاز می شود. پژوهش های زیادی در زمینه کشف فیشینگ در ایمیل توسط محققان صورت گرفته است. پژوهشگران نشان داده اند که یکی از روش های بالقوه برای کشف فیشینگ در ایمیل استفاده از روش های رده بندی می باشد. استفاده از رده بندی و ویژگی های داده ها در مرحله آموزش به خوبی سیستم های پیش گیری یا رده بند را مورد توجه همگان قرار داده است. مشکل عمده زمان آموزش و عدم توجه به گستره ویژگی ها نیاز به توسعه یا بهبود مدل را ایجاب می کند. استفاده از تکنیک های انتخاب ویژگی در ترکیب با الگوریتم SVM به منظور ایجاد مدل جدیدی برای افزایش سرعت کشف فیشینگ و انتخاب یک تابع ترکیبی هسته جدید برای کاهش نرخ اعلان خطا و در نتیجه کارایی بالاتر از ویژگی های روش پیشنهادی است. در این مقاله برای افزایش کارایی ماشین بردار پشتیبان در تشخیص فیشینگ، تیوری مجموعه های راف به منظور انتخاب ویژگی به کار برده شده است. ازمایش و ارزیابی مدل ارایه شده بر روی مجموعه داده های NSL-LDD که نسخه اصلاح شده KDD-CUP99، انجام گردید. نتایج تجربی حاکی از آن است که مدل پیشنهادی عملکرد قابل توجهی در افزایش دقت و بازخوانی تشخیص فیشینگ و کاهش نرخ اعلان خطا داشته و قادر به ارایه تشخیص های دقیق تری نسبت به مدل های پایه خود می باشد.