02802nam a2200169   4500001000700000100004100007101000800048200012200056311009700178330209700275461007102372606002302443606002402466606002502490606004302515710007402558377877  a20201217u           y0pory50      ba  aeng  aPhishing web site detection using diverse machine learning algorithmsbRecurso eletrónicofAmmara Zamir …[et al.]  aTradução parcial do resumo inserto no artigo. Ficheiro de 538 KB em formato PDF (16 p.).  aEste artigo tem como objetivo apresentar uma estrutura para detetar sites de phishing usando o modelo de empilhamento. Phishing é um tipo de fraude para aceder às credenciais dos utilizadores. Os invasores acedem a informações pessoais e confidenciais dos utilizadores, para fins monetários. O phishing afeta diversos campos, como comércio eletrónico, negócios online, bancos e marketing digital, e é normalmente realizado através do envio de e-mails de spam e do desenvolvimento de sites semelhantes aos sites originais. Conforme as pessoas navegam no site visado, os phishers sequestram as suas informações e dados pessoais. Os recursos do conjunto de dados de phishing são analisados ​​usando técnicas de seleção de recursos, incluindo ganho de informações, taxa de ganho, Relief-F e eliminação recursiva de recursos (RFE) para seleção de recursos. Duas características são propostas combinando os atributos mais fortes e mais fracos. A análise de componentes principais com diversos algoritmos de aprendizagem de máquina, incluindo floresta aleatória [RF], rede neural [NN], ensacamento, máquina de vetor de suporte, Naïve Bayes e K-nearest Neighbour ou kNN) é aplicada nas características propostas e restantes. Posteriormente, dois modelos de empilhamento: Stacking1 (RF + NN + Bagging) e Stacking2 (kNN + RF + Bagging) são aplicados combinando classificadores de pontuação mais alta para melhorar a precisão da classificação. Os recursos propostos desempenharam um papel importante na melhoria da precisão de todos os classificadores. Os resultados mostram que RFE desempenha um papel importante para remover o recurso menos importante do conjunto de dados. Além disso, Stacking1 (RF + NN + Bagging) superou todos os outros classificadores em termos de precisão de classificação para detetar sites de phishing com 97,4% de precisão. Esta pesquisa é nova a esse respeito, pois nenhuma pesquisa anterior coloca o foco no uso de feed forward NN e ensemble learners para detetar sites de phishing.  d2020vVol. 38, n.º 1tThe Electronic Libraryx0264-0473pp. 65-80  aCRIME VIA INTERNET  aCRIME INFORMÁTICO  aFRAUDE INFORMÁTICA  aTÉCNICA DE INVESTIGAÇÃO CRIMINAL  aPHISHING WEB SITE DETECTION USING DIVERSE MACHINE LEARNING ALGORITHMS