پیش بینی وب سایت های فیشینگ بر اساس شبکه عصبی چند لایه پرسپترون و الگوریتم بهینهسازی ذرات

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

 پیش بینی وب سایت های فیشینگ بر اساس شبکه عصبی چند لایه پرسپترون و الگوریتم بهینهسازی ذرات دارای ۱۴ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد پیش بینی وب سایت های فیشینگ بر اساس شبکه عصبی چند لایه پرسپترون و الگوریتم بهینهسازی ذرات  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 پیش بینی وب سایت های فیشینگ بر اساس شبکه عصبی چند لایه پرسپترون و الگوریتم بهینهسازی ذرات،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن پیش بینی وب سایت های فیشینگ بر اساس شبکه عصبی چند لایه پرسپترون و الگوریتم بهینهسازی ذرات :

تعداد صفحات :۱۴

چکیده مقاله:

امروزه گسترش و فراگیر شدن اینترنت باعث شده است که بسیاری از شرکتها و موسسات مالی خدمات خود را به صورت آنلاین به کاربران ارایه نمایند. سادگی و سهولت خدمات فروش آنلاین به کاربران باعث شده است که وبسایتهای زیادی خدمات آنلاین را به مشتریان ارایه دهند. سرقتهای اینترنتی یا حملات فیشینگ یکی از چالشهای اصلی خدمات آنلاین به شمار میرود که میتواند تجارات آنلاین را تهدید نماید. در سرقتهای اینترنتی یک هکر با ساخت یک وبسایت جعلی که شبیه وب سایت اصلی است کاربران را به سمت آن هدایت مینماید و با روشهای مهندسی اجتماعی کند سعی میآنها را به سمت وبسایت جعلی سوق دهد سپس از اعتماد کاربران سوء استفاده نموده و اطلاعات با ارزش نظیر حسابهای بانکی و مالی آنها را سرقت نماید. سرقتهای اینترنتی دارای مجموعهای از الگوهای پنهان میباشد که کشف آنها توسط روش های نظیر داده کاوی و تکنیکهای آن باعث شناسایی اینگونه از حملات می شود. در این مقاله یک روش جدید مبتنی بر الگوریتم بهینهسازی ذرات و شبکه عصبی مصنوعی چند لایه به عنوان تکنیک دادهکاوی برای تشخیص سرقتهای اینترنتی ارایه شده است. نتایج پیادهسازی ما در محیط برنامهنویسی متلب با استفاده از مجموعه داده مرتبط با حملات فیشینگ نشان می دهد که روش پیشنهادی با دقت %۷۳,۹۴ ، حملات ۹۳,۴۶% ۸۳,۳۴% صحت و ۹۴,۲۰% تشخیص ، حساسیتفیشینگ را شناسایی نماید و نسبت به روشهای مانند ماشین بردار پشتیبان، شبکه عصبی مصنوعی و درخت تصمیمگیری حساسیت بیشتری دارد.