Dergiler / Politeknik Dergisi / 2022 / Cilt: 25 - Sayı: 3

Tekdüzen Kaynak Bulucu Yoluyla Kimlik Avı Tespiti için Makine Öğrenmesi Algoritmalarının Özellik Tabanlı Performans Karşılaştırması

Feature-Based Performance Comparison of Machine Learning Algorithms for Phishing Detection through Uniform Resource Locator

Sayfa
1261–1270
Yayın Tarihi
2022-10-01
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Araştırma sonucunda birden fazla modelde %99.8 doğruluk oranına ulaşılarak, makine öğrenmesi algoritmalarının bu alandaki başarımı kanıtlanmıştır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Günümüzde kimlik avı (oltalama/phishing) saldırılarına çok sık rastlanmaktadır.
📊
Temel Bulgular & Veri:Bu çalışmanın amacı, URL adreslerinin farklı makine öğrenmesi algoritmaları kullanarak zararlı olup olmadığını sınıflandırmaktır.
💡
Sonuç & Katkı:Araştırma sonucunda birden fazla modelde %99.8 doğruluk oranına ulaşılarak, makine öğrenmesi algoritmalarının bu alandaki başarımı kanıtlanmıştır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Siber güvenlik · kimlik avı · makine öğrenmesi

Özet

Günümüzde kimlik avı (oltalama/phishing) saldırılarına çok sık rastlanmaktadır. Bu tür saldırılar insanların kişisel bilgilerini ele geçirmek ya da insanları dolandırmak amacıyla gerçekleştirilmektedir. Kimlik avı saldırılarının birden fazla türü bulunmaktadır. Bu türlerden birisi de tekdüzen kaynak bulucu (uniform resource locater – URL) yoluyla gerçekleştirilen ve yaygın olarak rastlanılan saldırılardır. Bu çalışmanın amacı, URL adreslerinin farklı makine öğrenmesi algoritmaları kullanarak zararlı olup olmadığını sınıflandırmaktır. Çalışmada destek vektör makineleri, rastgele orman, Gauss Naive Bayes, lojistik regresyon, k-en yakın komşu, karar ağaçları, çok katmanlı algılayıcılar ve XGBoost algoritmaları olmak üzere sekiz farklı makine öğrenmesi algoritması kullanılmıştır. Eğitim ve test amaçlı kullanılmak üzere USOM, Alexa ve Phishtank üzerinden veriler elde edilmiştir. Bu verilere çeşitli veri ön-işleme adımları uygulanarak özellik çıkarımı gerçekleştirilmiştir. Araştırma sonucunda birden fazla modelde %99.8 doğruluk oranına ulaşılarak, makine öğrenmesi algoritmalarının bu alandaki başarımı kanıtlanmıştır.

Abstract

Recently, phishing attacks are very common. Such attacks are carried out with the aim of obtaining personal information of individuals or defrauding individuals. There are multiple types of phishing attacks. One of these types is the common attacks carried out through the uniform resource locator (URL). The purpose of this study is to classify whether URL addresses are malicious or not using different machine learning algorithms. Eight different machine learning algorithms including support vector machines, random forest, Gaussian Naive Bayes, logistic regression, k-nearest neighbor, decision trees, multilayer perceptrons and XGBoost algorithms were used in the study. Data were obtained from USOM, Alexa, and Phishtank to be used for training and testing purposes. Feature extraction was performed by applying various data pre-processing steps to these data. As a result of the research, the accuracy of 99.8% in more than one model has been achieved, and the success of machine learning algorithms in this area has been proven.

🔖

Bu Makaleye Atıf Yap

SAVAŞ, T., SAVAŞ, S. (2022). Tekdüzen Kaynak Bulucu Yoluyla Kimlik Avı Tespiti için Makine Öğrenmesi Algoritmalarının Özellik Tabanlı Performans Karşılaştırması. Politeknik Dergisi, Cilt: 25 - Sayı: 3, 1261–1270. https://ajindex.com/articles/862654

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (15)

  1. Savaş, S. and Topaloğlu, N., “Data analysis through social media according to the classified crime”, Turkish Journal of Electrical Engineering & Computer Sciences, 27(1): 407-420, (2019)
  2. FBI, “Internet Crime Report”, (2020)
  3. Korkmaz, A. and Büyükgöze, S., “Sahte Web Sitelerinin Sınıflandırma Algoritmaları İle Tespit Edilmesi”, Avrupa Bilim ve Teknoloji Dergisi, (16): 826-833, (2019)
  4. Sönmez, Ü., “Bilişim Sistemleri Aracılığıyla Dolandırıcılık Suçu”, Dicle Üniversitesi Adalet Meslek Yüksekokulu Dicle Adalet Dergisi, 1(2): 47-68, (2017)
  5. Bassett, G., et al., “Data Breach Investigations Report (DBIR 2021)”, (2021)
  6. Rosenthal, M. Must-Know Phishing Statistics: Updated 2021. 2021 [cited 2021; Available from:
  7. McCarthy, J., et al., “A proposal for the Dartmouth summer conference on artificial intelligence”, Dartmouth Workshop, (1955)
  8. Jain, A.K. and Gupta, B. B., “PHISH-SAFE: URL Features-Based Phishing Detection System Using Machine Learning. in Cyber Security”, Singapore: Springer Singapore, (2018)
  9. Kadı, C., “Zararlı Web Sayfalarının Tespiti ve Sınıflandırılması için Yeni Bir Sistem Önerisi”, Yüksek Lisans Tezi, Fen Bilimleri Enstitüsü, Gazi University: Ankara, (2018)
  10. Sanglerdsinlapachai, N. and Rungsawang, A., “Using domain top-page similarity feature in machine learning-based web phishing detection”, 2010 Third International Conference on Knowledge Discovery and Data Mining, IEEE, (2010)
  11. Shirazi, H., Bezawada, B., and Ray, I., “"Kn0w Thy Doma1n Name": Unbiased Phishing Detection Using Domain Name Based Features”, in Proceedings of the 23nd ACM on Symposium on Access Control Models and Technologies, Association for Computing Machinery: Indianapolis, Indiana, USA, 69–75, (2018)
  12. Jain, A.K. and Gupta, B. B., “A machine learning based approach for phishing detection using hyperlinks information”, Journal of Ambient Intelligence and Humanized Computing, 10(5): 2015-2028, (2019)
  13. Zhang, D., et al., “A domain-feature enhanced classification model for the detection of Chinese phishing e-Business websites”, Information & Management, 51(7): 845-853, (2014)
  14. Alkhozae, M.G. and Batarfi, O. A., “Phishing websites detection based on phishing characteristics in the webpage source code”, International Journal of Information and Communication Technology Research, 1(6), (2011)
  15. Hong, J., et al., “Phishing url detection with lexical features and blacklis