دانلود رایگان ترجمه مقاله یک رویکرد عصبی فازی برای شناسایی فیشینگ (نشریه IEEE 2014) (ترجمه ارزان – نقره ای ⭐️⭐️)

ieee2

 

 

این مقاله انگلیسی ISI در نشریه IEEE در ۶ صفحه در سال ۲۰۱۴ منتشر شده و ترجمه آن ۱۶ صفحه میباشد. کیفیت ترجمه این مقاله ارزان – نقره ای ⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

یک رویکرد عصبی فازی برای شناسایی فیشینگ

عنوان انگلیسی مقاله:

A Novel Neuro-Fuzzy Approach for Phishing Identification

 
 
 
 
 

 

مشخصات مقاله انگلیسی (PDF)
سال انتشار ۲۰۱۴
تعداد صفحات مقاله انگلیسی ۶ صفحه با فرمت pdf
رشته های مرتبط با این مقاله مهندسی فناوری اطلاعات
گرایش های مرتبط با این مقاله اینترنت و شبکه های گسترده، رایانش امن
چاپ شده در مجله (ژورنال) کنفرانس بین المللی کنترل ، اتوماسیون و علوم اطلاعات – International Conference on Control, Automation and Information Sciences
ارائه شده از دانشگاه دانشکده فناوری اطلاعات، ویتنام
رفرنس دارد  
کد محصول F1543
نشریه آی تریپل ای – IEEE

 

مشخصات و وضعیت ترجمه فارسی این مقاله (Word)
وضعیت ترجمه انجام شده و آماده دانلود
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش  ۱۶ صفحه با فونت ۱۴ B Nazanin
ترجمه عناوین تصاویر و جداول ترجمه شده است ✓ 
ترجمه متون داخل تصاویر ترجمه نشده است  
ترجمه متون داخل جداول ترجمه نشده است 
درج تصاویر در فایل ترجمه درج شده است  
درج جداول در فایل ترجمه درج شده است  
درج فرمولها و محاسبات در فایل ترجمه  به صورت عکس درج شده است  
منابع داخل متن به صورت عدد درج شده است 
کیفیت ترجمه کیفیت ترجمه این مقاله متوسط میباشد 

 

فهرست مطالب

چکیده
I- مقدمه
II- کارهای مرتبط
III- طرح سیستم
A- URL
B- ویژگی های URL
C- ویژگی های رتبه بندی دامنه ها
D- طرح مدل سیستم
E- مدل شبکه عصبی فازی
IV- ارزیابی
A- فاز آموزش
B- فاز آزمون
C- مقایسه با تکنیک [۱۱]
D- مقایسه با تکنیک [۱۲]
V- نتیجه گیری و کارهای آتی

 

 

بخشی از ترجمه
 چکیده
همراه با رشد اینترنت، معاملات تجارت الکترونیک نقش مهمی در جامعه مدرن ایفا می کند. در نتیجه، فیشینگ اقدامی عمدی توسط فرد یا گروهی از افراد برای سرقت اطلاعات شخصی مانند کلمه عبور، اطلاعات حساب بانکی، کارت اعتباری و غیره می باشد. اکثر این صفحات وب فیشینگ از لحاظ رابط و آدرس وب یا مکان یکنواخت منبع (URL) همانند صفحات اصلی هستند. تکنیک های بسیاری برای شناسایی صفحات وب پیشنهاد شده است، مانند تکنیک های مبتنی بر فهرست سیاه (Blacklist)، تکنیک های مبتنی بر اکتشاف، و غیره. با این وجود، به دلیل تکنیک های حفاظت ناکارآمد، تعداد قربانیان در حال افزایش می باشد. شبکه های عصبی و سیستم های فازی می توانند ترکیب شوند تا مزایای مشترکی داشته باشند و مشکلات مجزایشان را برطرف کنند. این مقاله مدل عصبی فازی جدید بدون استفاده از مجموعه قوانین برای شناسایی فیشینگ را معرفی می کند. بویژه، تکنیک پیشنهادی ارزش اکتشافات از توابع عضویت را محاسبه می کند. سپس، وزن ها توسط شبکه عصبی آموزش داده می شوند. تکنیک پیشنهادی بدون مجموعه داده از ۱۱۶۶۰ سایت فیشینگ و ۱۰۰۰۰ سایت قانونی ارزیابی می شود. نتایج نشان می دهد که تکنیک پیشنهادی می تواند بیش از ۹۹% از سایت های فیشینگ را شناسایی کند.
 
۱- مقدمه
” فیشینگ” از کلمه “ماهی گیری” (fishing) ایجاد می شود. فیشرها، که سایت های فیشینگ ایجاد می کنند از تکنیک هایی برای فریب دادن قربانیان استفاده می کنند که شامل پیام های ایمیل، پیام های فوری، پست های انجمن، تماس های تلفنی و شبکه اجتماعی می شود. این فعالیت های فیشینگ منجر به خسارت اقتصادی شدید در سراسر جهان می گردد. برطبق مطالعه ای توسط Gartner [1]، ۵۷ میلیون کاربر اینترنت آمریکا رسید ایمیل مرتبط به کلاهبرداری های فیشیگ را شناسایی کرده اند و ۲ میلیون نفر از بین آنان برای دادن اطلاعات حساس شان فریب خوردند. در همین حال، سایت های فیشینگ به سرعت از لحاظ کیفیت و تعداد در حال افزایش هستند. بنابراین، خطر سرقت اطلاعات کاربر بسیار بالا است. به این دلایل، شناسایی مشکلات فیشینگ در جامعه مدرن بسیار فوری، پیچیده و مهم است. اخیرا، مطالعات بسیاری وجود داشته است که برخلاف فیشینگ بر اساس ویژگی های سایت مانند URL وب سایت، محتوای وب سایت، URL وب سایت و محتوا، کد منبع وب سایت یا رابط وب سایت را ادغام می کند. با این حال، هر یک از این مطالعات نقاط ضعف و قدرت مختص خود را دارند. هنوز روش کافی ای وجود ندارد. در این مقاله، رویکرد جدیدی پیشنهاد شده است تا سایت های فیشینگ را شناسایی کند که بر ویژگی های URL (دامنه اصلی ، زیردامنه ، دامنه مسیر ) و رتبه بندی سایت(PageRank, AlexaRank, AlexaReputation) متمرکز هستند. پس، یک شبکه عصبی فازی سیستمی است که خطا را کاهش و عملکرد را افزایش می دهد. مدل عصبی فازی از مدل های محاسباتی استفاده می کند تا بدون مجموعه قوانین اجرا شود. راه حل پیشنهادی برای به درستی شناسایی بالای ۹۹% با سیگنال کاذب پاین دست یافت.
باقی مقاله به شرح زیر می باشد: بخش II کارهای مرتبط را ارائه می کند. طرح سیستم در بخش III نشان داده شده است. بخش IV درستی مدل را ارزیابی می کند. در نهایت بخش V از مقاله نتیجه گیری می کند و کارهای آتی را مورد بررسی قرار می دهد.

 

بخشی از مقاله انگلیسی

Abstract

Together with the growth of Internet, e-commerce transactions play an important role in the modern society. As a result, phishing is a deliberate act by an individual or a group of people to steal personal information such as password, banking account, 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 identify phishing websites, such as Blacklist-based technique, Heuristic-based technique, etc. However, the number of victims has 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 identification. Specifically, the proposed technique calculates the value of heuristics from membership functions. Then, the weights are trained by 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 identify over 99% phishing sites.

۱ Introduction

The word ”phishing” is produced from the word ”fishing”. Phishers, creating phishing sites, use a number of techniques to fool their victims, including email messages, instant messages, forum posts, phone calls and social networking. With these activities of phishing, it causes severe economy loss all over the world. According to a study by Gartner [1], 57 million US Internet users have identified the receipt of email linked to phishing scams and about 2 million of them are estimated to have been tricked into giving away sensitive information. Meanwhile, phishing sites are also growing rapidly in quality and quantity. Therefore, the risk of stealing user information is extremely high. Because of these reasons, identifying phishing problem is very urgent, complex and extremely important problem in modern society. Recently, there have been many studies that against phishing based on the characteristics of site, such as URL of website, content of website, combining both the website URL and content, source code of website or interface of website, etc. However, each of studies has its own strengths and weaknesses. There is still not a sufficient method. In this paper, a new approach is proposed to identify the phishing sites that focuses on the features of URL (PrimaryDomain, SubDomain, PathDomain) and the ranking of site (PageRank, AlexaRank, AlexaReputation. Then, a proposed neuro-fuzzy network is a system which reduces the error and increases the performance. The proposed neuro-fuzzy model uses computational models to perform without rule sets. The proposed solution achieved identification accuracy above 99% with low false signals.

The rest of this paper is organized as follows: Section II presents the related works. System design is shown in section III. Section IV evaluates the accuracy of the method. Finally, Section V concludes the paper and figures out the future works.

 

 

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

یک رویکرد عصبی فازی برای شناسایی فیشینگ

عنوان انگلیسی مقاله:

A Novel Neuro-Fuzzy Approach for Phishing Identification

 
 
 
 
 

 

 

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *