دانلود ترجمه تشخیص وب سایت های جعلی

در این پست با عنوان دانلود ترجمه تشخیص وب سایت های جعلی ، مقاله ای در خصوص روشهای تشخیص وب سایت های جعلی را ترجمه کرده و در اختیار پژوهشگران عزیز قرار داه ایم

ترجمه مقاله با عنوان:

An Associative Classification Data Mining Approach for Detecting Phishing Websites

یک روش داده کاوی دسته بندی انجمنی برای تشخیص وب سایتهای فیشینگ (جعلی)

سال انتشار : 2013

دانلود ترجمه تشخیص وب سایت های جعلی

[highlight] ترجمه چکیده مقاله [/highlight]

چکیده: وب سایتهای Phishing وب سایتهای جعلی هستند که توسط افراد متقلب به تقلید صفحات وب از وب سایتهای واقعی ایجاد می شوند. قربانیان حملات Phishing ممکن است اطلاعات حساس مالیشان را برای مهاجمان افشا کنند که ممکن است از این اطلاعات برای فعالیتهای مالی و بزهکاری استفاده کنند.

روشهای گوناگونی برای شناسایی وب سایتهای  phishingپیشنهاد شده است، که در میان آنها، روشهایی که از تکنیکهای داده کاوی بهره می گیرند نشان داده شده اند که کاراتر بودند. هدف اصلی داده کاوی این است تا مجموعه بزرگی از دادهها را تحلیل نمایند تا ارتباط نامشخص را شناسایی کنند و الگوهای مفید قابل فهم را استخراج نمایند.

دسته بندی انجمنی (AC) روش داده کاوی امیدوارکننده ای است که قانون و دسته بندی انجمنی را ترکیب می نماید تا مدلهای دسته بندی (کلاسیفایر یا دسته بند) را بسازد. این مقاله، الگوریتم AC جدیدی به نام دسته بندی انجمنی   Phishing (PAC) را برای شناسایی وب سایتهای  phishingپیشنهاد می نماید. PAC متدلوژی جدیدی را در ساخت دسته بند بکار می برد که دسته بندهایی با اندازه مناسب را نتیجه می دهد.

الگوریتم تاثیر و کارایی الگوریتم معروفی به نام MCAR را توسط معرفی روش پیش بینی جدید و پذیرفتن قانون روش هرس کردن متفاوت بهبود می دهد. آزمایشهای انجام شده PAC را با 4 الگوریتم داده کاوی معروف مقایسه می کند که عبارتند از الگوریتم پوشش (Prism)، درخت تصمیم (C4.5)، دسته بندی انجمنی (CBA) و MCAR.

آزمایشها بر روی دیتابیسی انجام می شود که شامل 1010 وب سایت می باشد. هر وب سایت با استفاده از 17 ویژگی نشان داده می شود که درون 4 دسته طبقه بندی می شوند. ویژگی ها از محتواهای وب سایت و URL استخراج شده اند. نتایج برروی هر مجموعه ویژگی نشان می دهد که PAC یا هم ارز یا موثرتر از الگوریتم های دیگر است. زمانیکه تمام ویژگی ها درنظرگرفته می شوند، PAC بهتر از الگوریتمهای دیگر اجرا می شود و بدرستی 99.31 از وب سایتهای مورد تست را شناسایی می کند. علاوه براین، PAC تعداد کمتری از قانونها را نسبت به MCAR تولید می نماید و بنابراین موثرتر است.

چکیده لاتین مقاله : 

 [/highlight]

Phishing websites are fake websites that are created by dishonest people to mimic webpages of real websites. Victims of phishing attacks may expose their financial sensitive information to the attacker whom might use this information for financial and criminal activities.

Various approaches have been proposed to detect phishing websites, among which, approaches that utilize data mining techniques had shown to be more effective. The main goal of data mining is to analyze a large set of data to identify unsuspected relation and extract understandable useful patterns. Associative Classification (AC) is a promising data mining approach that integrates association rule and classification to build classification models (classifiers). This paper, proposes a new AC algorithm called Phishing Associative Classification (PAC), for detecting phishing websites.

PAC employed a novel methodology in construction the classifier which results in generating moderate size classifiers. The algorithm improved the effectiveness and efficiency of a known algorithm called MCAR, by introducing a new prediction procedure and adopting a different rule pruning procedure. The conducted experiments compared PAC with 4 well-known data mining algorithms, these are: covering algorithm (Prism), decision tree (C4.5), associative Classification (CBA) and MCAR. Experiments are performed on a dataset that consists of 1010 website. Each Website is represented using 17 features categorized into 4 sets. The features are extracted from the website contents and URL. The results on each features set show that PAC is either equivalent or more effective than the compared algorithms. When all features are considered, PAC outperformed the compared algorithms and correctly identified 99.31% of the tested websites. Furthermore, PAC produced less number of rules than MCAR, and therefore, is more efficient

تعداد صفحات مقاله : 12 صفحه

تعداد صفحات فایل ترجمه: 27 صفحه  (با فونت B Nazanin اندازه 14)

برای خرید فایل ترجمه مقاله فوق از بر روی دکمه خرید کلیک کرده و بصورت آنلاین ترجمه را خریداری و دانلود نمایید.