GAN-CNN-LSTM ağı ve swarm zeka algoritmalarını tabanlı derin öğrenme ile phishing url'lerinin tespiti

Kimlik avı saldırıları, İnternet ve kullanıcılarının karşılaştığı zorluklardan biridir. Kimlik avı saldırıları, kullanıcıları aldatmaya dayalı sosyal mühendislik saldırılarına bir örnektir. Oltalama saldırılarında, internette yasal sayfalara çok benzeyen sahte sayfalar oluşturulur. Oltalama saldırılarında kurban sahte sayfalara yönlendirilir ve değerli bilgileri çalınır. Kimlik avı saldırılarının hedeflerinin çoğu çevrimiçi ödeme hizmetleri, bankacılık ve çevrimiçi satışları içerir, bu nedenle bu saldırıların kayıpları önemli düzeydedir. Kimlik avı saldırılarını tespit etmenin bir yolu, makine öğrenimi ve derin öğrenme yöntemlerini kullanmaktır. Makine öğrenimi ve derin öğrenme yöntemlerinin zorluğu, akıllı özellik seçimidir. Özellik çıkarımının ve akıllı özellik seçiminin olmaması, kimlik avı saldırılarını tespit etmede öğrenme yöntemlerinin doğruluğunu azaltır. Bu belge, kimlik avı saldırılarını algılamak için derin öğrenme, makine öğrenimi ve sürü zekası algoritmaları ile birleştirilmiş bir yöntem sunmaktadır. İlk aşamada, veri kümesi GAN ağına dayalı derin öğrenme ile dengelenir. İkinci adımda, evrişimli sinir ağı, birincil özellikleri web sayfalarının bağlantılarından ve kodundan çıkarır. Üçüncü adımda, White Shark Optimizer (WSO) algoritması temel özellikleri seçer. Son adımda, LSTM sinir ağı örnekleri sınıflandırır. Önerilen yöntem, özellik çıkarımı ve seçimi için ISCX-URL-2016 ve Phishtank veri kümeleri üzerinde değerlendirilmiştir. Önerilen yöntemin ISCX-URL-2016 veri setindeki doğruluğu, kesinliği ve duyarlılığı sırasıyla %97,94, %97,82 ve %97,76'dır. Phishtank veri setinde, önerilen yöntem %96.78, %95.67 ve %95.71 doğruluk, kesinlik ve duyarlılığa sahiptir. Önerilen yöntem oltalama tespitinde LSTM, CNN, CNN-LSTM, CNN+GA, DNN, VAE-DNN ve AE-DNN yöntemlerinden daha doğru sonuç vermektedir.