عنوان الإطروحه |
Enhancing Phishing Detection using an Ensemble Model and Hyperparameter Tuning
|
تاريخ مناقشة الاطروحه |
2025-07-29 |
اسم الطالب |
عرين محمود سالم الرحيبه
|
المشرف |
نجاح مثقال علي الشنابله |
|
المشرف المشارك |
|
اعضاء لجنة المناقشة |
| ليث محمد قاسم ابو عليقه |
| يوسف كيلاني |
|
الكلية |
كلية الامير الحسين بن عبدالله لتكنولوجيا المعلومات |
القسم |
علم الحاسوب |
الملخص بالعربية |
أصبحت ممارسة الاصطياد عبر الإنترنت خطرًا شديدًا على المستهلكين والمؤسسات التي تعمل على الإنترنت، حيث يستخدم المجرمون هذه الاستراتيجية للحصول على معلومات شخصية هامة. تشير بيانات البحث إلى أن عدد هجمات الاصطياد يظهر اتجاهًا تصاعديًا مستمرًا. تستمر التقنيات المستخدمة في الخداع في أن تصبح معقدة، مما يؤدي إلى تحديات أكبر في الاكتشاف. تتطلب الحاجة لمكافحة هذه المشكلة تنفيذ خوارزميات متقدمة. إن اكتشاف وكشف السلوكيات الضارة يكون فعالًا جدًا عند استخدام تقنيات التعلم الآلي. تتشارك معظم هجمات الاصطياد سمات شائعة يمكن اكتشافها من خلالها و التي تعمل بها خوارزميات التعلم الآلي. تعتمد هذه الرسالة على أحد عشر خوارزمية للتعلم الآلي، بما في ذلك نموذجين شعبيين من نماذج التجميع، لتقييم بيانات مواقع الاصطياد وتحديد أنواع المواقع مع تقييم خصائصها الطبيعية. تم تنفيذ إجراء التوحيد على مجموعة البيانات، والذي قام بتوحيد جميع الميزات للعمل ضمن نطاق موحد من القيم. بناءً على النتائج، تفوق خوارزمية التكديس على الطرق الأخرى أثناء التنبؤات حيث حققت فعالية بنسبة 0.985 مع 10 قيم من التحقق المتبادل. |
الملخص بالانجليزي |
The practice of phishing online has grown into a severe risk for consumers and institutions that operate on the internet, as criminals use this tactic to obtain important personal information According to research data, the number of phishing attacks shows an ongoing upward trend. The techniques used for deception continue to become sophisticated, thus leading to higher detection challenges. Combatting this issue requires the implementation of advanced algorithms. The detection and exposure of destructive behaviors is highly effective when using machine learning techniques. Most phishing attacks share detectable common attributes through which machine learning algorithms work. This thesis employs eleven machine learning algorithms (RF, SVM, NB,KNN,CatBoost,XGB,GB,LightGBM,and AdaBoost) including two popular ensemble models(Stacking and Bagging), to assess phishing website data and identify website types while evaluating their normality characteristics. The normalization procedure was implemented on a benchmark phishing dataset, which standardized all features to operate within a uniform range of values. Based on the results, the stacking model outperformed other methods during predictions since it attained 0.985 accuracy, 0.987 precision, 0.986 recall, and a 0.985 F1 score with 10 cross-validation values |
رقم ISN |
9239 |
|
للحصول على الرسالة كملف يرجى تزويد المكتبة برقم ISN
|
|