تجمیعی از دسته بندها برای مسئله تشخیص صفحات وب مخرب

امروزه با گسترش روزافزون تکنولوژی اینترنت که در حقیقت به عنوان یک نیاز روزمره ضروری در جنبه های مختلفی از زندگی افراد مانند آموزش، بانکداری، خرید و فروش، ارتباطات، سرگرمی و ... نمایان شده است. اغلب کاربران از سرویس های مختلف اینترنت استفاده می کنند که این سرویس ها از طریق برنامه های کاربردی فراهم می شوند. به این دلیل که این زبان ها می توانند به آسانی و سهولت تغییر پیدا کنند، به عنوان ابزاری برای انجام حملات توسط مهاجمان به کارگرفته می شوند. از این رو، کشف و شناسایی مؤثر و دقیق اینگونه حملات، از استراتژی های خیلی مهم و حیاتی در حوزه امنیت شبکه است. در این مقاله، ما یک مدل شناسایی صفحات وب مخرب مبتنی بر یادگیری تجمیعی ارائه می دهیم. هدف اصلی ما از بکارگیری ایده تجمیع در فرآیند یادگیری این است که فرصت آموزش بیشتری به نمونه های داده ای که به درستی دسته بندی نشده اند، داده شود. این امر موجب کاهش نرخ خطای دسته بندها و در نتیجه منجر به بهبود دقت دسته بندی صفحات وب مخرب می شود. نتایج به دست آمده از اجزای این مدل نشان می دهد که مدل پیشنهادی با الگوریتم دسته بندی Random tree به عنوان دسته بند پایه تجمییع، کارآیی بهتری از لحاظ نرخ کشف از دیگر الگوریتم های دسته بندی تست شده برای مسئله شناسایی صفحات وب مخرب را دارد.

کلیدواژه ها:

صفحات وب مخرب ، حملات سمت مشتری مبتنی بر وب ، یادگیری ماشین ، یادگیری تجمیعی ، دسته بندی