%0 Journal Article %A Safara, Fatemeh %A Sabahno, Mahdieh %T Improving the accuracy of Website Phishing Detection through Spotted Hyena Optimization Algorithm and Artificial Neural Network %J Journal of Command and Control %V 3 %N 4 %U http://ic4i-journal.ir/article-1-190-fa.html %R %D 2020 %K : Spotted Hyena Optimization Algorithm, Meta-heuristic Algorithms, Feature Selection, Phishing Websites, Classification., %X ایجاد صفحات جعلی در محیط وب یا فیشینگ از جمله حملات سایبری است که نیازمند ملاحظات فرماندهی و کنترل می باشد. در حملات فیشینگ افراد به سمت صفحات جعلی که توسط فیشر یا سارق ساخته شده هدایت می­شوند و اطلاعات مهم آن­ها توسط فیشر به سرقت می رود. الگوریتم­های یادگیری ماشین و داده­کاوی، الگوریتم­های رایج برای طبقه­بندی و تشخیص وب­سایت­های جعلی هستند. طبقه­بندی وب­سایتها بر اساس ویژگی­هایی که از آن سایت استخراج می­شود صورت می­گیرد. بنابراین انتخاب ویژگی تأثیر زیادی در نتایج طبقه­بندی دارد. امروزه الگوریتم­های فراابتکاری متعددی جهت انتخاب ویژگی و بهینه سازی عملکرد الگوریتم­های طبقه بندی ارائه شده اند. در مقاله حاضر، الگوریتم فراابتکاری کفتار به منظور انتخاب ویژگی­های مناسب برای طبقه­بندی وب­سایت­های جعلی مورد استفاده قرار گرفته است. در این راستا، بهبودی بر الگوریتم فراابتکاری کفتار پیشنهاد شده و الگوریتم کفتار بهبودیافته (ISHOA)، ویژگی­های مناسب را از میان کل ویژگیهای موجود انتخاب کرده و به شبکه عصبی مصنوعی ارسال می کند تا در جهت طبقه بندی وب­سایتها مورد استفاده قرار گیرند. نتایج پیاده سازی الگوریتم پیشنهادی نشان می­دهد که این الگوریتم با دقت نهایی 64/98% نسبت به الگوریتم استاندارد بهینه سازی کفتار عملکرد بهتری داشته است. علاوه بر این، نتایج حاکی از برتری ISHOA نسبت به سه الگوریتم فراابتکاری بهینه سازی ذرات، کرم شب تاب و خفاش است. همچنین، الگوریتم پیشنهادی با تعدادی از الگوریتم­های طبقه­بندی ارائه شده در پژوهش­های پیشین روی مجموعه داده مشابه، مقایسه شده و برتری آن نشان داده شده است. %> http://ic4i-journal.ir/article-1-190-fa.pdf %P 72-91 %& 72 %! %9 Research %L A-10-322-1 %+ Islamic Azad University %G eng %@ 2645-7245 %[ 2020