Detection of phishing urls with deep learning based on the GAN-CNN-LSTM network and swarm intelligence algorithms
GAN-CNN-LSTM ağı ve swarm zeka algoritmalarını tabanlı derin öğrenme ile phishing url'lerinin tespiti
- Tez No: 823918
- Danışmanlar: PROF. DR. AYHAN AKBAŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Çankırı Karatekin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 57
Özet
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.
Özet (Çeviri)
Phishing attacks are one of the challenges of the Internet and its users. Phishing attacks are an example of social engineering attacks based on deceiving users. In phishing attacks, fake pages that are very similar to legitimate pages are created on the Internet. In phishing attacks, the victim is directed to fake pages, and their valuable information is stolen. Most of the targets of phishing attacks include online payment services, banking, and online sales, so the losses of these attacks are significant. One way to detect phishing attacks is to use machine learning and deep learning methods. The challenge of machine learning and deep learning methods is intelligent feature selection. The lack of feature extraction and intelligent feature selection reduces the accuracy of learning methods in detecting phishing attacks. This paper presents a combined method with deep learning, machine learning, and swarm intelligence algorithms to detect phishing attacks. In the first phase, the dataset is balanced by deep learning based on the GAN network. In the second step, the convolutional neural network extracts the primary features from the links and code of web pages. In the third step, the White Shark Optimizer (WSO) algorithm selects the essential features. In the last step, the LSTM neural network classifies the samples. The proposed method has been evaluated on ISCX-URL-2016 and Phishtank datasets for feature extraction and selection. The proposed method's accuracy, precision, and sensitivity in the ISCX-URL-2016 data set are 97.94%, 97.82%, and 97.76%, respectively. In the Phishtank dataset, the proposed method has accuracy, precision, and sensitivity of 96.78%, 95.67%, and 95.71%. The proposed method is more accurate than LSTM, CNN, CNN-LSTM, CNN+GA, DNN, VAE-DNN, and AE-DNN methods in detecting phishing.
Benzer Tezler
- Oltalama saldırılarının derin öğrenme tabanlı URL ve içerik analizi ile hibrit tespiti
Detection of phishing attacks by using deep learning based hybrid URL and content analysis
MEHMET KORKMAZ
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BANU DİRİ
PROF. DR. ÖZGÜR KORAY ŞAHİNGÖZ
- Detection of phishing web pages by combining semantical and visual information
Kimlik avcısı web sayfalarının anlamsal ve görsel bilgiyle tespiti
AHMAD HANI ABDALLA ALMAKHAMREH
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET SELMAN BOZKIR
- Derin öğrenme tabanlı oltalama saldırıları tespit sistemi
Deep learning based development of pishing attack detection
FERDİ GÜL
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiSiber Güvenlik Ana Bilim Dalı
DOÇ. DR. ÖNDER DEMİR
- Sahte internet sitelerinin URL özellikleri temelinde tespit edilmesi amacıyla özellik seçme metotlarının ve öğrenme algoritmalarının analizi
Analysis of feature selection methods and learning algorithms for phishing websites detection based on URL
MUSTAFA AYDIN
Doktora
Türkçe
2022
Bankacılıkİstanbul ÜniversitesiEnformatik Ana Bilim Dalı
PROF. DR. SEVİNÇ GÜLSEÇEN
PROF. DR. KUTLUK KAĞAN SÜMER
- An attention based deep neural network architecture for identification of phishing URLS through character level n-gram embeddings
Kimlik avcısı URL tespitinde karakter n-gram düzeyinde özyerleşiklerden yararlanan dikkate dayalı bir derin sinir ağı mimarisi
FIRAT COŞKUN DALGIÇ
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MURAT AYDOS
DOÇ. DR. AHMET SELMAN BOZKIR