عنوان المقالة:مصنّف يستند إلى ميزات التصيّد الهجيني باستخدام مجموعة فرعية لميزات العودية وخوارزميات التعلم الآلي Phishing hybrid feature-based classifier by using recursive features subset selection and machine learning algorithms
Machine learning classifiers enriched the anti-phishing schemes with effective phishing classification models. However, they were constrained by their deficiency of inductive factors like learning big and imbalanced data, deploying rich sets of features, and learning classifiers actively. That resulted in heavyweight phishing classifiers with massive misclassifications in real-time phishing detection. To diminish this deficiency, this paper proposed a new Phishing Hybrid Feature-Based Classifier (PHFBC) which hybridized two machine learning algorithms (Naïve Base) and (Decision Tree) with a statistical criterion of Phishness Indication Ratio (PIR). In conjunction, a Recursive Feature Subset Selection Algorithm (RFSSA) was also proposed to characterize phishing holistically with a selected subset of features. Outcomes of performance assessment via simulations, real-time validation, and comparative analysis demonstrated that PHFBC was highly distinctive among its competitors in terms of classification accuracy and minimal misclassification of novel phishes on the Web.
الملخص الانجليزي
المصنف القائم على الميزات (PHFBC) والذي قام بتهجين خوارزميتين للتعلم الآلي (قاعدة ساذجة) و (شجرة القرارات) مع معيار إحصائي لنسبة مؤشر التصيد (PIR). بالتزامن ، تم اقتراح خوارزمية تحديد مجموعة فرعية متكررة (RFSSA) أيضًا لوصف التصيد الاحتيالي كليًا بمجموعة فرعية محددة من الميزات. أظهرت نتائج تقييم الأداء من خلال عمليات المحاكاة والتحقق من الصحة في الوقت الحقيقي والتحليل المقارن أن PHFBC كان متميزًا للغاية بين منافسيها من حيث دقة التصنيف والحد الأدنى من سوء تصنيف التصور الجديدة على الويب
الدكتورة هبة زهير زيدان | Dr. Hiba Zuhair | 4950