نوقشت في جامعة تكريت/ كلية علوم الحاسوب والرياضيات رسالة ماجستير للباحثة (صبا حسين رشيد) الموسومة: Analyzing Phishing Websites Behavior by Using AWS Cloud Machine Learning Techniques هذا وقد بينت الباحثة في دراستها ان العدد المتزايد للهجمات الإلكترونية حول العالم إلى تعريض أمن العديد من أنظمة وشبكات المعلومات للخطر. من بين أكثر الهجمات الإلكترونية خطورة هو التصيد الإلكتروني والذي يشكل تهديدًا كبيرًا للأمن السيبراني. وبالتالي، هناك حاجة ملحة لطرق مبتكرة يمكنها اكتشاف ومعالجة هذه الأنواع من الهجمات باستخدام تقنيات التعلم الآلي. ومع ذلك، فإن بعض تلك التقنيات تواجه تحديات مختلفة مثل معالجة البيانات الضخمة، ومنصات الحوسبة السريعة، والنشر العالمي ويوفر التعلم الآلي السحابي حلاً فعالاً لهذه التحديات، حيث يوفر موارد غير محدودة لبناء أنظمة سريعة ودقيقة باستخدام نماذج الحوسبة السريعة وتخزين البيانات الضخمة والنشر عبر الإنترنت.
تقترح هذه الرسالة نظامًا للتعلم الآلي على السحابة يتكون من طريقتين للكشف عن التصيد الاحتيالي لموقع الويب وتحليله باستخدام تقنيات Amazon Web Services (AWS). يستخدم النظام ست خوارزميات للتعلم الآلي، وExtreme Gradient Boosting (XGBoost)، وLinear Learner (LL)، وk-Nearest Neighbor (k-NN) للطريقة الأولى، (DT) Decision Tree، (RF)Random Forest ، و (SVM) Support Vector Machine للطريقة الثانية، تم بناء الطريقتين ونشرهما في AWS Sage Maker حيث تم استخدام مجموعة بيانات Dataset من بيانات Mendeley تحتوي على 11,430 عينة URL و89 عمودا لتدريب واختبار النظام المقترح، والذي تم حفظه في AWS Simple Storage Service (S3) مع نتائج وملفات النظام الخاصة بعمله. تم الحصول على موارد النظام من AWS Elastic Compute Cloud (EC2)، وتمت مراقبة أدائه باستخدام AWS CloudWatch. تُظهر النماذج المقترحة نتائج رائعة في اكتشاف مواقع التصيد الاحتيالي، مع أوقات تنبؤ عالية السرعة. حققت RF درجة دقة بلغت 96.5٪ في 0.20 ثانية، وحصلت XGBoost على 96.4٪ في 0.035 ثانية، ووصلت LL إلى 94.4٪ في 0.036 ثانية، وحققت SVM 94.4٪ في 0.17 ثانية، وحصلت DT على 93٪ في 0.16 ثانية، وحققت k-NN 83.7 ٪ في 0.050 ثانية. توضح النتائج القدرات الاستثنائية لـ AWS في تطوير نماذج سريعة ودقيقة يمكنها اكتشاف التصيد الاحتيالي على مواقع الويب في الوقت الفعلي.
