Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Implementation of a New Function for Preventing Short Reconnection in a WLAN Triage System Kapitel lesen Erstes Kapitel lesen

2018 | OriginalPaper | Buchkapitel

Phishing Detection Research Based on PSO-BP Neural Network

verfasst von : Wenwu Chen, Xu An Wang, Wei Zhang, Chunfen Xu

Erschienen in: Advances in Internet, Data & Web Technologies

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In order to effectively detect phishing attacks, this paper proposes a method of combining Particle Swarm Optimization with BP neural network to build a new phishing website detection system. PSO optimizes neural network parameters to improve the convergence performance of neural network detection model. Experimental results show that this algorithm can improve the prediction speed and the accuracy of detecting phishing websites by 3.7% compared with the conventional BP neural network algorithm.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Evaluation of Mouse Operation Authentication Method Having Shoulder Surfing Resistance
Nächstes Kapitel Evaluation of Index Poisoning Method in Large Scale Winny Network
Literatur
1.
Phishing Activity Trends Report 1st Half. Methodology (2017)
2.
3.
Sinha, S., Bailey, M., Jahanian, F.: Shades of grey: on the effectiveness of reputation-based “blacklists”. In: International Conference on Malicious and Unwanted Software, pp. 57–64. IEEE (2008)
4.
Zhang, Y., Hong, J.I., Cranor, L.F.: Cantina: a content-based approach to detecting phishing web sites. In: International Conference on World Wide Web, WWW 2007, Banff, Alberta, Canada, DBLP, pp. 639–648, May 2007
5.
Xiang, G., Hong, J., Rose, C.P., et al.: CANTINA+: a feature-rich machine learning framework for detecting phishing web sites. ACM Trans. Inf. Syst. Secur. 14(2), 21 (2011)CrossRef
6.
Wenyin, L., Huang, G., Xiaoyue, L., et al.: Detection of phishing webpages based on visual similarity. In: Special Interest Tracks and Posters of the 14th International Conference on World Wide Web, pp. 1060–1061 (2005)
7.
Ma, J., Saul, L.K., Savage, S., et al.: Beyond blacklists: learning to detect malicious web sites from suspicious URLs. In: ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, Paris, France, 28 June–1 July 2009, DBLP, pp. 1245–1254 (2009)
8.
Choi, H., Zhu, B.B., Lee, H.: Detecting malicious web links and identifying their attack types. In: Usenix Conference on Web Application Development, p. 11 (2011)
9.
Ma, J., Saul, L.K., Savage, S., et al.: Identifying suspicious URLs: an application of large-scale online learning. In: International Conference on Machine Learning, pp. 681–688. ACM (2009)
10.
Sadeghi, B.H.M.: A BP-neural network predictor model for plastic injection molding process. J. Mater. Process. Technol. 103(3), 411–416 (2000)CrossRef
11.
Kennedy, J., Eberhart, R.: Particle Swarm Optimization. Springer, US (2011)
12.
Ma, J., Saul, L.K., Savage, S., et al.: Learning to detect malicious URLs. ACM Trans. Intell. Syst. Technol. 2(3), 1–24 (2011)
13.
Sahoo, D., Liu, C., Hoi, S.C.H.: Malicious URL detection using machine learning: a survey (2017)
14.
Lakshmi, V.S., Vijaya, M.S.: Efficient prediction of phishing websites using supervised learning algorithms. Procedia Eng. 30(9), 798–805 (2012)CrossRef
15.
Marchal, S., Francois, J., State, R., et al.: PhishScore: hacking phishers’ minds. IEEE (2014)
16.
Chang, J.H., Lee, K.H.: Voice phishing detection technique based on minimum classification error method incorporating codec parameters. IET Sig. Process. 4(5), 502–509 (2010)CrossRef
17.
Chang, J., Venkatasubramanian, K.K., West, A.G., et al.: Analyzing and defending against web-based malware. ACM Comput. Surv. 45(4), 49 (2013)CrossRef
18.
Rao, R.S., Ali, S.T.: PhishShield: a desktop application to detect phishing webpages through heuristic approach. Procedia Comput. Sci. 54, 147–156 (2015)CrossRef
19.
Shekokar, N.M., Shah, C., Mahajan, M., et al.: An ideal approach for detection and prevention of phishing attacks. Procedia Comput. Sci. 49, 82–91 (2015)CrossRef
20.
Jain, A.K., Gupta, B.B.: A novel approach to protect against phishing attacks at client side using auto-updated white-list. EURASIP J. Inf. Secur. 2016(1), 9 (2016)CrossRef
21.
Kim, D., Achan, C., Baek, J., et al.: Implementation of framework to identify potential phishing websites, p. 268. IEEE (2013)
22.
Garera, S., Provos, N., Chew, M., et al.: A framework for detection and measurement of phishing attacks. In: ACM Workshop on Recurring Malcode, pp. 1–8. ACM (2007)
23.
Olivo, C.K., Santin, A.O., Oliveira, L.S.: Obtaining the threat model for e-mail phishing. Appl. Soft Comput. J. 13(12), 4841–4848 (2013)CrossRef
24.
Herzberg, A., Jbara, A.: Security and identification indicators for browsers against spoofing and phishing attacks. ACM Trans. Internet Technol. 8(4), 1–36 (2008)CrossRef
25.
Pan, Y., Ding, X.: Anomaly based web phishing page detection. In: 2006 Computer Security Applications Conference, ACSAC 2006, pp. 381–392. IEEE (2006)
26.
Fu, A.Y., Liu, W., Deng, X.: Detecting phishing web pages with visual similarity assessment based on earth mover’s distance (EMD). IEEE Trans. Dependable Secure Comput. 3(4), 301–311 (2006)CrossRef
Metadaten
Titel
Phishing Detection Research Based on PSO-BP Neural Network
verfasst von
Wenwu Chen
Xu An Wang
Wei Zhang
Chunfen Xu
Copyright-Jahr
2018
Buch
Advances in Internet, Data & Web Technologies

Print ISBN: 978-3-319-75927-2

Electronic ISBN: 978-3-319-75928-9

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-3-319-75928-9_91