ترجمه مقاله رویکرد کارآمد برای ردیابی فیشینگ با استفاده از مدل عصبی فازی

قیمت خرید این محصول

۲۹,۰۰۰ تومان

دانلود مقاله انگلیسی

عنوان فارسی

رویکرد کارآمد برای ردیابی فیشینگ با استفاده از مدل عصبی فازی

عنوان انگلیسی

An Efficient Approach for Phishing Detection Using Neuro-Fuzzy Model

صفحات مقاله فارسی

20

صفحات مقاله انگلیسی

7

سال انتشار

2015

رفرنس

دارای رفرنس در داخل متن و انتهای مقاله

فرمت مقاله انگلیسی

pdf و ورد تایپ شده با قابلیت ویرایش

فرمت ترجمه مقاله

pdf و ورد تایپ شده با قابلیت ویرایش

فونت ترجمه مقاله

بی نازنین

سایز ترجمه مقاله

14

نوع مقاله

ISI

نوع ارائه مقاله

ژورنال

شناسه ISSN مجله

2301-3702

کد محصول

F1642

وضعیت ترجمه عناوین تصاویر و جداول

ترجمه شده است✓

وضعیت ترجمه متون داخل تصاویر و جداول

ترجمه نشده است☓

وضعیت ترجمه منابع داخل متن

درج نشده است☓

وضعیت فرمولها و محاسبات در فایل ترجمه

به صورت عکس، درج شده است

ضمیمه

ندارد

بیس

نیست ☓

مدل مفهومی

ندارد ☓

پرسشنامه

ندارد ☓

متغیر

ندارد ☓

رفرنس در ترجمه

در انتهای مقاله درج شده است

رشته و گرایش های مرتبط با این مقاله

مهندسی کامپیوتر و فناوری اطلاعات، امنیت اطلاعات، اینترنت و شبکه های گسترده، مهندسی الگوریتم ها و محاسبات

مجله

مجله مهندسی اتوماسیون و کنترل - Journal of Automation and Control Engineering

دانشگاه

ویتنام

کلمات کلیدی

فیشینگ، عصبی فازی، شبکه عصبی

کلمات کلیدی انگلیسی

phishing - neuro-fuzzy - neural network

doi یا شناسه دیجیتال

https://doi.org/10.12720/joace.3.6.519-525

ترجمه این مقاله با کیفیت متوسط انجام شده است. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.

۰.۰ (بدون امتیاز)

امتیاز دهید

فهرست مطالب

چکیده
I. مقدمه
II. کارهای مرتبط
III. طرح سیستم
A. شبکه عصبی فازی بدون مجموعه قوانین
B. URL
C. ویژگی URL
D. ویژگی رتبه بندی دامنه
E. طرح مدل سیستم
F. مدل شبکه عصبی فازی
IV . ارزیابی
A. فاز آموزش
B. فاز آزمون
C. مقایسه با تکنیک (10)
D. مقایسه با تکنیک (11)
V . .نتیجه گیری و کارهای آتی

نمونه چکیده متن اصلی انگلیسی

Abstract

Nowadays, online transactions are becoming more and more popular in modern society. As a result, Phishing is an attempt by an individual or a group of people to steal personal information such as password, banking account and credit card information, etc. Most of these phishing web pages look similar to the real web pages in terms of website interface and uniform resource locator (URL) address. Many techniques have been proposed to detect phishing websites, such as Blacklist-based technique, Heuristic-based technique, etc. However, the numbers of victims have been increasing due to inefficient protection technique. Neural networks and fuzzy systems can be combined to join its advantages and to cure its individual illness. This paper proposed a new neuro-fuzzy model without using rule sets for phishing detection. Specifically, the proposed technique calculates the value of heuristics from membership functions. Then, the weights are generated by a neural network. The proposed technique is evaluated with the datasets of 11,660 phishing sites and 10,000 legitimate sites. The results show that the proposed technique can detect over 99% phishing sites.

نمونه چکیده ترجمه متن فارسی

چکیده

امروزه، تعاملات آنلاین در جامعه مدرن معروف تر و معروف تر می شود. در نتیجه،فیشینگ تلاشی از جانب فرد یا گروهی از افراد برای سرقت اطلاعات شخصی مانند کلمه عبور، اطلاعات حساب بانکی، و کارت اعتباری و غیره می باشد. اکثر این صفحات وب فیشینگ مانند صفحات اصلی در قالب رابط وب سایت و ادرس وب (URL) هستند. تکنیک های بسیاری برای ردیابی وب سایت های فیشینگ پیشنهاد شده است مانند تکنیک های مبتنی بر بلک لیست، تکنیک مبتنی بر اکتشاف و غیره. با این حال، تعداد قربانیان به دلیل تکنیک محافظت ناکارآمد در حال افزایش است. شبکه های عصبی و سیستم های فازی می تواند برای داشتن مزایای مشترک و از بین بردن مشکلات مجزا با هم ترکیب شوند. این مقاله مدل عصبی فازی بدون استفاده از مجموعه قوانین برای ردیابی فیشینگ پیشنهاد می کند. بویژه، تکنیک پیشنهادی ارزش اکتشافی از توابع عضویت را محاسبه می کند. سپس، وزن ها توسط شبکه عصبی ایجاد می شوند. تکنیک پیشنهادی با مجموعه داده های 11660 سایت فیشینگ و 10000 سایت قانونی ارزیابی می شوند. نتایج نشان می دهد که تکنیک پیشنهادی می تواند بیش از 99% از سایت فیشینگ را ردیابی کند.