Security Phishing Detection Using Dom-Tree Structure and Cant-Minerpb Algorithm
| العنوان بلغة أخرى: |
أمن كشف التصيد باستخدام هيكل د.و.م شجرة خوارزمية ج. النملة - الحفارة پ.ب |
|---|---|
| المؤلف الرئيسي: | السرحان، أسماء محمد ارحيل (مؤلف) |
| مؤلفين آخرين: | جبري، رياض سعد الدين (مشرف) |
| التاريخ الميلادي: |
2016
|
| موقع: | عمان |
| الصفحات: | 1 - 89 |
| رقم MD: | 1133689 |
| نوع المحتوى: | رسائل جامعية |
| اللغة: | الإنجليزية |
| الدرجة العلمية: | رسالة ماجستير |
| الجامعة: | الجامعة الاردنية |
| الكلية: | كلية الدراسات العليا |
| الدولة: | الاردن |
| قواعد المعلومات: | Dissertations |
| مواضيع: | |
| رابط المحتوى: |
عدد مرات التحميل
4
| المستخلص: |
الخداع وسرقة المعلومات السرية للمستخدمين عن طريق تحميل موقع وهمي على شبكة الانترنت يدعي أنه أخر. مثل هذا الموقع على شبكة الإنترنت يحتوي على ميزات خاصة التي تساعد على تصنيفها تلقائيا على أنها مواقع للتصيد. ومع ذلك، ليس هناك ميزة واحدة ليتم استخدامها لتحديد مواقع التصيد على شبكة الإنترنت. بعد ذلك لمواقع التصيد خصائص ومجموعة من الميزات التي تأتي عادة في مستوى مفصل جدا من التجريد. المستوى الأفضل من التجريد من هذه الميزات يؤدي إلى نتائج مختلفة تماما عندما تستخدم الميزات مع تصنيف التلقائي للموقع على شبكة الإنترنت إذا كان موقع تصيد أو لا. في هذه الرسالة، عدة مستويات من التجريد البيانات لنفس مجموعة من الميزات لمشكلة الكشف عن التصيد. الميزات يتم الجمع بينها وإدراجها في بنية شجرة باستخدام التمثيل د.و.م للعثور على أفضل مستوى من الخصائص التفصيلية التي تساعد في التقاط خصائص التصيد. ثم وضعت المصنفات على أساس الأمثل لمستعمرة النمل، والمعروفة باسم ج. النملة-الحفارة ﭖ. ب. أن حققنا 94.4 معدل دقة% في ج. النملة-الحفارة ﭖ. ب. في حين كان معدل الدقة حوالي 93%. أظهرت النتائج تطبيق خوارزميات مع مستويات مختلفة من التجريد البيانات وطيات مختلفة تحسنت النتائج وفقا ل0% على الأقل وعلى الأكثر 3%. دراسة واختبار مستويات مختلفة من التجريد البيانات كخطوة ما قبل المعالجة هي خطوة هامة لأي إشراف مشكلة تعلم الآلة العديد من مراحل ما قبل المعالجة الأخرى على مختلف تطبيقات استخراج البيانات والمهام. |
|---|
عناصر مشابهة
-
Enhancing the Performance of Detecting Phishing
بواسطة: الرياطي، شرين خليل موسى منشور: (2016) -
Fighting Internet Fraud : Anti-Phishing Effectiveness for Phishing Websites Detection
بواسطة: Al Najim, Abd Allah M. منشور: (2009) -
How to Detect Phishing Website Using Three-Model Ensemble Classification
بواسطة: الشريف، يسري ماجد منشور: (2020) -
Detecting Malicious Phishing Websites Using Lexical Analysis and Machine Learning
بواسطة: مياس، يوسف عبدالرحمن محمود منشور: (2022) -
Machine and Deep Learning Approaches for Detecting Phishing Emails
بواسطة: العمرات، رولا سليمان إبراهيم منشور: (2023)
