دانلود رایگان ترجمه مقاله شناسایی فیشینگ: یک مدل عصبی فازی کارآمد بدون استفاده از مجموعه قوانین (نشریه IEEE 2015)

این مقاله انگلیسی ISI در نشریه IEEE در ۶ صفحه در سال ۲۰۱۵ منتشر شده و ترجمه آن ۱۷ 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:

شناسایی فیشینگ: یک مدل عصبی فازی کارآمد بدون استفاده از مجموعه قوانین

عنوان انگلیسی مقاله:

Phishing Identification: An Efficient Neuro-Fuzzy Model Without Using Rule Sets

 
 
 
 
 

 

مشخصات مقاله انگلیسی 
فرمت مقاله انگلیسی pdf و ورد تایپ شده با قابلیت ویرایش 
سال انتشار ۲۰۱۵
تعداد صفحات مقاله انگلیسی ۶ صفحه با فرمت pdf
رشته های مرتبط با این مقاله مهندسی کامپیوتر، مهندسی فناوری اطلاعات
گرایش های مرتبط با این مقاله  اینترنت و شبکه های گسترده، امنیت اطلاعات
چاپ شده در مجله (ژورنال) دهمین کنفرانس آسیایی کنترل – ۱۰th Asian Control Conference (ASCC)
کلمات کلیدی فیشینگ، مبتنی بر URL، عصبی فازی
ارائه شده از دانشگاه دانشگاه حمل و نقل هوشی مین
رفرنس دارد  
کد محصول F1615
نشریه آی تریپل ای – IEEE

 

مشخصات و وضعیت ترجمه فارسی این مقاله 
فرمت ترجمه مقاله pdf و ورد تایپ شده با قابلیت ویرایش 
وضعیت ترجمه انجام شده و آماده دانلود
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش  ۱۷ صفحه (۱ صفحه رفرنس انگلیسی) 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 
ضمیمه ندارد   
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
۱- مقدمه
II- کارهای مربوطه
III- طرح سیستم
A- URL
B- ویژگی های URL
C- ویژگی های پارامترهای گوگل
D- طرح مدل سیستم
IV- ارزیابی
A- فاز آموزش
B- فاز آزمون
C- مقایسه با تکنیک (۱۰)
D- مقایسه با تکنیک (۱۱)
V- نتیجه گیری

 

بخشی از ترجمه
 چکیده
اینترنت مزایای فراوانی برای انسان به همراه داشته است، اما می تواند خطرات احتمالی ای نیز به دنبال داشته باشد. جرایم اینترنتی به سرعت در حال رشد هستند، فیشینگ یکی از انواع جدید جرایم آنلاین است. سایت فیشینگ یک سایت جعلی است که هدف آن سرقت اطلاعات شخصی مانند رمز عبور، اطلاعات حساب بانکی و کارت اعتباری و غیره است. اکثر این صفحات فیشینگ از لحاظ لینک و آدرس نشانه وب یا مکان یکنواخت منبع (URL) مشابه صفحات واقعی هستند. تکنیک های بسیاری برای شناسایی سایت های فیشینگ پیشنهاد شده است. با این حال، به دلیل تکنیک های ناکارآمد حفاظت، تعداد قربانیان این موضوع در حال افزایش است. در این مقاله، یک مدل عصبی فازی برای شناسایی موثر فیشینگ توسعه می دهیم. مدل، عوامل ذهنی را حذف می کند تا کارآیی هایی مانند مجموعه قوانین اگر-پس ، پارامترهای تابع عضویت و غیره را بهبود بخشد. بعلاوه، ویژگی های کارآمد جهت شناسایی فیشینگ برای مدل عصبی فازی مورد استفاده قرار گرفت. اثربخشی تکنیک پیشنهادی در پایگاه داده های مقیاس بزرگ بررسی شد که از سایت های فیشینگ و سایت های قانونی جمع آوری شد. نتایج نشان داد که تکنیک پیشنهادی م یتواند بیش از ۹۹% از سایت های فیشینگ را شناسایی کند.
 
۱- مقدمه
فیشر از تعدادی تکنیک برای فریب دادن قربانیانش استفاده می کند که هدف آن سرقت اطلاعات شخصی شامل پیام های ایمیل، پیام های فوری، پست های انجمن، تماس های تلفنی و شبکه های اجتماعی است. این فعالیت های فیشینگ منجر به خسارت شدید اقتصادی در سراسر جهان می شود. بر طبق مجله ی Fortune در سال ۲۰۱۱، ۸۳% از آمریکایی ها و ۸۵% از اروپایی ها مرتبا به صورت آنلاین خرید می کنند. در همین حال، سایت های فیشینگ نیز به سرعت از لحاظ کیفیت و کمیت در حال رشد هستند. بنابراین، خطر سرقت اطلاعات کاربر بسیار بالا است. به این دلایل، شناسایی مشکلات فیشینگ بسیار فوری، پیچیده و مهم است.
در این مقاله، یک روش کارآمد برای شناسایی سایت های فیشینگ که بر ویژگی های URL (Primary Domain, SubDomain, PathDomain) و پارامترهای گوگل (PageRank, BackLink, GoogleIndex) متمرکز است ارائه شده است. پس، یک مدل عصبی فازی پیشنهادی سیستمی است که خطا را کاهش و عملکرد را افزایش می دهد. مدل عصبی فازی از مدل های محاسباتی برای اجرا بدون استفاده از مجموعه قوانین اگر-سپس (if-then) استفاده می کند. تکنیک پیشنهادی دقت شناسایی بالای ۹۹% با سیگنال نادرست پایین را بدست آورد.
باقی مقاله به صورت زیر سازمان دهی شده است: بخش II کارهای مرتبط را ارائه می دهد. طرح سیستم در بخش III نشان داده شده است. بخش IV دقت روش 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

The Internet has brought enormous benefits to mankind, but it could be many potential risks. Internet crimes are growing rapidly, phishing is one of the new type of online crime. Phishing site is a fake-site aimed to steal personal information such as password, banking account and credit card information, etc. Most of these phishing pages look similar to the real pages in terms of interface and uniform resource locator (URL) address. Many techniques have been proposed to identify phishing sites. However, the numbers of victims have been increasing due to inefficient protection technique. In this paper, we develop a neuro-fuzzy model for phishing identification efficiently. The model eliminates the subjective factors to improve efficiency such as if-then rule sets, the parameters of membership functions, etc. Moreover, the efficiency features to identify phishing were used for the neuro-fuzzy model. The effectiveness of the proposed technique is examined with large-scale datasets collected from phishing sites and legitimate sites. The results show that the proposed technique can identify over 99% phishing sites.

۱ Introduction

Phisher use a number of techniques to fool their victims aimed to steal personal information including email messages, instant messages, forum post, phone calls and social networking. These activities of phishing cause severe economy loss all over the world. According to Fortune Magazine, in 2011, 83% of Americans and 85% of Europeans regularly shopped online. Meanwhile, phishing sites are also growing rapidly in quality and quantity. Therefore, the risk of stealing user information is extremely high. For of these reasons, identifying phishing problem is very urgent, complex and extremely important problem.

In this paper, an efficient method is proposed to identify the phishing sites that focuses on the features of URL (PrimaryDomain, SubDomain, PathDomain) and Google’s parameters (PageRank, BackLink, GoogleIndex). Then, a proposed neurofuzzy model is a system which reduces the error and increases the performance. The neuro-fuzzy model uses computational models to perform without using if-then rule sets. The proposed technique achieved identification accuracy above 99% with low false signals.

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

 

نوشته های مشابه

دیدگاهتان را بنویسید

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

دکمه بازگشت به بالا