000			02925nam a2200217 4500
001			377877
090			_a377877
100			_a20201217u y0pory50 ba
101			_aeng
200			_aPhishing web site detection using diverse machine learning algorithms _bRecurso eletrónico _fAmmara Zamir …[et al.]
311			_aTradução parcial do resumo inserto no artigo. Ficheiro de 538 KB em formato PDF (16 p.).
330			_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.
461			_d2020 _vVol. 38, n.º 1 _tThe Electronic Library _x0264-0473 _pp. 65-80
606			_aCRIME VIA INTERNET _9322772
606			_aCRIME INFORMÁTICO _9301395
606			_aFRAUDE INFORMÁTICA _9237019
606			_aTÉCNICA DE INVESTIGAÇÃO CRIMINAL _9343118
710			_aPHISHING WEB SITE DETECTION USING DIVERSE MACHINE LEARNING ALGORITHMS _9351625