چکیده فارسی :

پروسه ای فیشینگ وب سایت  را می­ توان 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 می­ گیرند. 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.

چکیده انگلیسی :

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 minimise 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.