DOI: https://doi.org/10.33395/sinkron.v10i1.15651
تاريخ النشر: 2026-01-04
المؤلف: Wahyu Suryaning Tyas وآخرون
الموضوع الرئيسي: كشف البريد المزعج والاحتيال
نظرة عامة
تتناول هذه الورقة البحثية التهديد المتزايد لهجمات التصيد الاحتيالي من خلال اقتراح نموذج للكشف عن التصيد الاحتيالي يعتمد على عنوان URL ويستخدم خوارزميات التعزيز، مع التركيز بشكل خاص على تأثير اختيار الميزات على أداء التصنيف وكفاءة الحوسبة. تقيم الدراسة ثلاث خوارزميات تعزيز – تعزيز التدرج، XGBoost، وAdaBoost – على مجموعة بيانات تحتوي على 10,000 حالة مع 50 ميزة، مع الاحتفاظ في النهاية بـ 48 ميزة بعد إعداد البيانات. تشير النتائج إلى أن XGBoost يحقق أعلى دقة بنسبة 98.8%، مما يظهر قدرته على تعلم أنماط URL المعقدة بشكل فعال. بالإضافة إلى ذلك، تستخدم الدراسة ثلاث تقنيات لاختيار الميزات: كسب المعلومات، مربع كاي، وReliefF، حيث وجدت أن ReliefF هو الأكثر فعالية، حيث يقلل مجموعة الميزات إلى 37 مع الحفاظ على دقة التصنيف.
تسلط النتائج الضوء على أن دمج XGBoost مع ReliefF لا يعزز فقط أداء الكشف ولكن أيضًا يحسن كفاءة الحوسبة من خلال تقليل تعقيد النموذج دون التضحية بدقة التنبؤ. تملأ هذه الدراسة فجوة حاسمة في أبحاث الكشف عن التصيد الاحتيالي من خلال التأكيد على أهمية أبعاد الميزات فيما يتعلق باستقرار التعميم، متجاوزة المقارنات التقليدية بين المصنفات. تشير النتائج إلى أن اختيار الميزات القائم على المسافة أمر حيوي للحفاظ على الأنماط التمييزية غير الخطية في البيانات عالية الأبعاد. بينما توفر الدراسة إطارًا قويًا للكشف عن التصيد الاحتيالي، فإنها تعترف بالقيود بسبب الطبيعة الثابتة لمجموعة البيانات، مما يشير إلى أن الأبحاث المستقبلية يمكن أن تستكشف البيانات الديناميكية وتمثيلات الميزات الأكثر ثراءً لتعزيز قدرات الكشف ضد التهديدات المتطورة للتصيد الاحتيالي.
مقدمة
تتناول مقدمة هذه الورقة البحثية التهديد المتزايد لهجمات التصيد الاحتيالي، التي تستغل ثقة المستخدم للحصول على معلومات حساسة من خلال رسائل ومواقع خادعة. يتم التأكيد على أهمية هذه القضية من خلال الزيادة الكبيرة في الحوادث المبلغ عنها للتصيد الاحتيالي، حيث وثقت بيانات تبادل مكافحة التصيد الاحتيالي في إندونيسيا (IDADX) ارتفاعًا من 6,106 تقارير في الربع الرابع من عام 2022 إلى 26,675 في الربع الأول من عام 2023. العواقب الاقتصادية شديدة، حيث بلغ متوسط خسائر خروقات البيانات العالمية 4.45 مليون دولار أمريكي في عام 2023، وأفادت مكتب التحقيقات الفيدرالي بخسائر تتجاوز 10 مليارات دولار أمريكي في عام 2021. تسلط الدراسة الضوء على عدم كفاية طرق الكشف التقليدية عن التصيد الاحتيالي، التي تكافح ضد متغيرات الهجوم المتطورة، مما يستلزم تطوير حلول تكيفية.
لزيادة دقة الكشف عن التصيد الاحتيالي، تقترح هذه الدراسة تطبيق خوارزميات التعلم الآلي بالتزامن مع تقنيات اختيار الميزات. تقيم أداء ثلاث خوارزميات تعزيز – تعزيز التدرج، XGBoost، وAdaBoost – بينما تحلل تأثير طرق اختيار الميزات المختلفة على دقة النموذج. تهدف الأبحاث إلى سد فجوة في الأدبيات الحالية من خلال التحقيق المنهجي في العلاقة بين أبعاد الميزات واستقرار التعميم في نماذج الكشف عن التصيد الاحتيالي المعتمدة على التعزيز. من المتوقع أن تسهم النتائج في هذا المجال من خلال إظهار أن اختيار الميزات الفعال يمكن أن يقلل الأبعاد دون التضحية بالدقة، مما يعزز تصميم أنظمة الكشف عن التصيد الاحتيالي القوية والقابلة للتوسع.
نقاش
في هذه الدراسة، استخدم المؤلفون برنامج Orange Data Mining لتحليل تأثير اختيار الميزات والنماذج المعتمدة على التعزيز على أداء الكشف عن التصيد الاحتيالي بشكل منهجي. تتكون منهجية البحث من أربع مراحل: إعداد البيانات، المعالجة المسبقة، النمذجة، وتقييم أداء النموذج. تم استخدام مجموعة بيانات متوازنة تحتوي على 10,000 حالة، تضم 50 ميزة، مع تعيين سمة CLASS_LABEL كمتغير مستهدف. تضمنت مرحلة المعالجة المسبقة تطبيع Min-Max لتوحيد مقاييس الميزات، وهو أمر حيوي لتعزيز استقرار النموذج ودقته. تضمنت مرحلة النمذجة ثلاث خوارزميات تعزيز – تعزيز التدرج، XGBoost، وAdaBoost – تم اختيارها لفعاليتها في التعامل مع الأنماط المعقدة وغير الخطية النموذجية في بيانات التصيد الاحتيالي. من الجدير بالذكر أن XGBoost تفوق على الخوارزميات الأخرى، محققًا دقة بنسبة 98.8%، ويعزى ذلك إلى آليات التنظيم الخاصة به والتعامل الفعال مع البيانات عالية الأبعاد.
استكشفت الدراسة أيضًا ثلاث طرق لاختيار الميزات: كسب المعلومات، مربع كاي (χ²)، وReliefF، لتحديد الميزات الأكثر صلة بالتصنيف. أشارت النتائج إلى أنه بينما حافظ كسب المعلومات ومربع كاي على دقة عالية، إلا أنهما اختارا عددًا أكبر من الميزات، مما قد يزيد من التكاليف الحوسبية والازدواجية. بالمقابل، حقق ReliefF أداءً مشابهًا مع عدد أقل من الميزات، مما يظهر فعاليته في التقاط التفاعلات بين الميزات وتعزيز كفاءة النموذج. لم يحسن دمج ReliefF مع XGBoost الدقة فحسب، بل ضمن أيضًا تعميمًا قويًا عبر ظروف بيانات متنوعة، مما يبرز أهمية كفاءة الميزات في النماذج المعتمدة على التعزيز. تسهم هذه الأبحاث في مجال الكشف عن التصيد الاحتيالي من خلال إظهار أنه يمكن تحقيق أداء عالٍ دون الاعتماد على مجموعات ميزات واسعة، مما يوفر حلاً قابلاً للتوسع للتطبيقات في الوقت الحقيقي في الأمن السيبراني.
DOI: https://doi.org/10.33395/sinkron.v10i1.15651
Publication Date: 2026-01-04
Author(s): Wahyu Suryaning Tyas et al.
Primary Topic: Spam and Phishing Detection
Overview
This research paper addresses the growing threat of phishing attacks by proposing a URL-based phishing detection model that utilizes boosting algorithms, specifically focusing on the impact of feature selection on classification performance and computational efficiency. The study evaluates three boosting algorithms—Gradient Boosting, XGBoost, and AdaBoost—on a dataset of 10,000 instances with 50 features, ultimately retaining 48 features after data preparation. The results indicate that XGBoost achieves the highest accuracy of 98.8%, demonstrating its capability to learn complex URL patterns effectively. Additionally, the study employs three feature selection techniques: Information Gain, Chi Square, and ReliefF, finding that ReliefF is the most effective, reducing the feature set to 37 while maintaining classification accuracy.
The findings highlight that integrating XGBoost with ReliefF not only enhances detection performance but also improves computational efficiency by reducing model complexity without sacrificing predictive accuracy. This study fills a critical gap in phishing detection research by emphasizing the importance of feature dimensionality in relation to generalization stability, moving beyond traditional classifier comparisons. The results suggest that distance-based feature selection is crucial for preserving non-linear discriminative patterns in high-dimensional data. While the study provides a robust framework for phishing detection, it acknowledges limitations due to the static nature of the dataset, suggesting future research could explore dynamic data and richer feature representations to further enhance detection capabilities against evolving phishing threats.
Introduction
The introduction of this research paper addresses the escalating threat of phishing attacks, which exploit user trust to obtain sensitive information through deceptive messages and websites. The urgency of this issue is underscored by a significant increase in reported phishing incidents, with the Indonesia Anti-Phishing Data Exchange (IDADX) documenting a rise from 6,106 reports in Q4 2022 to 26,675 in Q1 2023. The economic ramifications are severe, with global data breach losses averaging USD 4.45 million in 2023 and the FBI reporting over USD 10 billion in losses in 2021. The study highlights the inadequacies of conventional phishing detection methods, which struggle against evolving attack variants, thereby necessitating the development of adaptive solutions.
To enhance phishing detection accuracy, this study proposes the application of machine learning algorithms in conjunction with feature selection techniques. It evaluates the performance of three boosting algorithms—Gradient Boosting, XGBoost, and AdaBoost—while analyzing the impact of various feature selection methods on model accuracy. The research aims to fill a gap in existing literature by systematically investigating the relationship between feature dimensionality and generalization stability in boosting-based phishing detection models. The findings are expected to contribute to the field by demonstrating that effective feature selection can reduce dimensionality without sacrificing accuracy, thereby promoting the design of robust and scalable phishing detection systems.
Discussion
In this study, the authors employed Orange Data Mining software to systematically analyze the impact of feature selection and boosting-based models on phishing detection performance. The research methodology consisted of four stages: data preparation, preprocessing, modeling, and model performance evaluation. A balanced dataset of 10,000 instances, containing 50 features, was utilized, with the CLASS_LABEL attribute designated as the target variable. The preprocessing stage involved Min-Max normalization to standardize feature scales, which is crucial for enhancing model stability and accuracy. The modeling phase incorporated three boosting algorithms—Gradient Boosting, XGBoost, and AdaBoost—chosen for their effectiveness in handling complex, non-linear patterns typical in phishing data. Notably, XGBoost outperformed the other algorithms, achieving an accuracy of 98.8%, attributed to its regularization mechanisms and efficient handling of high-dimensional data.
The study further explored three feature selection methods: Information Gain, Chi-Square (χ²), and ReliefF, to identify the most relevant features for classification. Results indicated that while Information Gain and Chi-Square maintained high accuracy, they selected a larger number of features, potentially increasing computational costs and redundancy. In contrast, ReliefF achieved comparable performance with fewer features, demonstrating its effectiveness in capturing inter-feature interactions and enhancing model efficiency. The integration of ReliefF with XGBoost not only improved accuracy but also ensured robust generalization across diverse data conditions, highlighting the importance of feature efficiency in boosting-based models. This research contributes to the field of phishing detection by demonstrating that high performance can be achieved without relying on extensive feature sets, thus offering a scalable solution for real-time applications in cybersecurity.