Сочинение на тему Анализ статьи Мехди Дадхаха “Фишинговые атаки”

Эта статья была написана Мехди Дадхах из Департамента компьютерных и информационных технологий, Технологический институт Фулад, Исфахан, Иран, Шахабоддин Шамширбанд и Айнуддин Вахид Абдул Вахаб из Департамента компьютерных систем и информационных технологий, Университет Малайи, Куала-Лумпур, Малайзия в 2016 году. Предметом данной статьи является обзор литературы по существующему гибридному подходу, основанному на алгоритмах классификации, способных идентифицировать различные типы фишинговых сайтов. Автор утверждает, что, согласно McRae и Vaughn (2007), под фишингом подразумевается «ловля паролей», что означает «охоту» за паролями пользователей с помощью приманки, но «f» заменили на «ph» для увлекательной концепции.

Автор, упомянутый в соответствии с Батлером (2007), имена пользователей, пароли и данные кредитных карт с помощью методов социальной инженерии, как правило, являются самой высокой информацией, которая будет атакована фишинговыми атаками. Автор заявил, что главная цель фишинг-атаки заключается в создании поддельного URL-адреса, полученного с веб-сайта банка или правительственного учреждения, по электронной почте. В этой статье рассматриваются предыдущие статьи и попытки дифференцировать типы фишинговых атак и четко определить процедуры для противодействия им. Автор обсудил фишинговые атаки, основанные на вредоносном программном обеспечении, веб-троянах, фарминге, фишинг-инъекциях, атаках типа «человек посередине», фишинг с использованием поддельных программ, перехват доменов, фишинг с использованием копий и фишинг с помощью изменения настроек системы пользователя. Авторы заявили, что для решения этих проблем пользователи должны обнаруживать фишинговые веб-сайты и нечеткие классификаторы, обеспечивающие надежную защиту и осведомленные о проблеме фишинг-атак, и должны следить за решением этих проблем.

В этой статье авторы объяснили разработанные методы, такие как печать входа (Agarwal, 2009), экспертные системы, основанные на функциях веб-страниц для обнаружения фишинговых веб-сайтов (Aburrous, 2010a), обнаружение фишинговых гиперссылок с использованием генетических алгоритмы (Shreeram, 2010), обнаружение фишинговых атак по классификации гиперссылок (Chen and Guo, 2006), основанное на атрибутах предотвращение фишинговых атак (Atighetchi and Pal, 2009), изображения для контентного анализа фишинга (Dunlop, 2010), профилактика антифишинг с использованием кодового слова (Mishra and Jain, 2012), идентификация фишинговой страницы в соответствии со степенью сходства между содержанием веб-страницы и классификацией домена (Sanglerdsinlapachai and Rungsawang, 2010), отношения для обнаружения фишинга (Liu, 2010), страница фишинга идентификация путем сравнения степени привязки строки URL к белому списку (Reddy, 2011), обнаружения фишинговых URL с использованием алгоритмов ранжирования (Khonji, 2011) и алгоритмов извлечения данных (Larose, 2014; Ramya, 2011) ; Aburrous, 2010).

Авторы упомянули, что предложенный в этой статье подход содержит 27 функций противодействия фишинговым атакам с использованием развертывания экспертной системы. Этот метод имеет обширный набор правил и не определяет, как меры, связанные с человеческими факторами, которые извлекаются из веб-сайтов (Mohammad, 2014; Larose, 2014; Ramya, 2011). Автор упомянул об обнаружении известных фишинговых веб-сайтов и, согласно последним исследованиям Aburrous, 2010, Larose, 2014 Mohammad, 2014 и Ramya, 2011, об их особенностях; с использованием IP-адреса, длинного URL-адреса, статуса HTTPS, длины регистрации домена, URL-адреса запроса, URL-адреса привязки, отправки информации по электронной почте, записи DNS, PR, перенаправления веб-сайта, сервера из обработчика (SFH), настройки строки состояния с использованием всплывающих окон. окна, отключение правой кнопки мыши, добавление префикса или суффикса, URL имеет символ «@», а ненормальный URL практичен в существующем подходе, и эти функции помогают идентифицировать фишинговые веб-сайты или отличные от фишинговых журналов. Автор объяснил, что инструменты интеллектуального анализа данных IBM SPSS Modeler предоставляют возможность применять набор алгоритмов классификации к набору данных и текущие подходящие средства для выполнения действий, связанных с интеллектуальным анализом данных. Автор уточнил, что коэффициент ошибок каждого алгоритма для классификации данных можно оценить после применения четырех алгоритмов к обучающему набору, разработанному с помощью инструментов интеллектуального анализа данных «IBM SPSS Modeler».