چکیده

در این مقاله راهکاری برای تشخیص صفحات وب فیشینگ، مبتنی بر شبکه ­های عصبی ارائه شده است. در روش پیشنهادی جهت شناسایی سریع­تر صفحات وب فیشینگ از روش­ انتخاب ویژگی مبتنی بر درختⁱ، استفاده شده است که ماحصل آن دست­یابی به مجموعه­ بهینه ­ای از ویژگی­ های یک صفحه وب می­باشد (ویژگی ­های بهینه، شامل 5 ویژگی برگرفته از 10 ویژگی پایه استخراج شده از یک صفحه وب می­باشد). نتایج آزمایش ­ها نشان می­دهد که روش انتخاب ویژگی مبتنی بر درخت و طبقه ­بندی شبکه ­های عصبی بهترین عملکرد را دارد­، به نحویکه با استفاده از کل ویژگی­ها (48 ویژگی یک صفحه وب) و ویژگی­های پایه (10 ویژگی مهم و تاثیرگذار برگرفته از 48 ویژگی استخراج شده از یک صفحه وب) به ترتیب با دقت 97.19% و 95.44% از وب­سایت­های فیشینگ را شناسایی می­کند. بر اساس آزمایش­های انجام گرفته، روش پیشنهادی در مقایسه با روش­های طبقه ­بند SVM, Random Forest Naive Bayes, C4.5, Jrip, و PART که از تمام 48 ویژگی استفاده کرده­اند عملکرد بهتری داشته است.