دوره 18، شماره 4 - ( 12-1400 )
جلد 18 شماره 4 صفحات 80-69 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
abdi Z, mazoochi M, pourmina M. Representing a method to identify and contrast with the fraud which is created by robots for developing websites’ traffic ranking. JSDP 2022; 18 (4) : 5
URL: http://jsdp.rcisp.ac.ir/article-1-1032-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-1032-fa.html
عبدی زهرا، مازوچی مجتبی، پورمینا محمدعلی. ارائه راه‌کار برای مقابله با فریب ایجاد‌شده به‌وسیله ربات‌ها به‌‌منظور بهبود رتبه‌بندی ترافیکی تارنماها. پردازش علائم و داده‌ها. 1400; 18 (4) :69-80
پژوهشگاه ارتباطات و فناوری اطلاعات
چکیده: (1535 مشاهده)
با گسترش اینترنت و فضای وب، برقراری ارتباط و کسب اطلاعات در بین افراد از شکل سنتی و اولیه خود فاصله گرفته و به درون تارنماها کشیده شده است. همچنین فضای جهانی وب، فرصت بزرگی را برای کسب و کارها فراهم می‌کند تا ارتباط خود را با مشتری بهبود ببخشند و بازار خود را در دنیای برخط گسترش دهند. کسب و کارها برای بررسی میزان بازدید و محبوبیت سایت‌هایشان از معیاری به نام رتبه‌بندی ترافیکی استفاده می‌کنند. رتبه‌بندی ترافیکی میزان بازدیدکنندگان یک سایت را اندازه گرفته و براساس همین آمار، رتبه‌ای را به سایت اختصاص می‌دهد. یکی از مهم‌ترین چالش‌های موجود در رتبه‌بندی، ایجاد ترافیک جعلی تولید‌شده به‌وسیله برنامه‌های کاربردی به نام ربات است. ربات‌ها اجزای نرم‌افزاری مخرب مورد استفاده برای تولید هرزنامه‌ها، راه‌اندازی حملات مختل‌کننده سامانه، فیشینگ، سرقت هویت و خروج اطلاعات و دیگر فعالیت‌های غیر قانونی هستند تاکنون روش‌های مختلفی برای شناسایی و کشف ربات صورت گرفته است. در این پژوهش، شناسایی ربات‌ها از طریق تحلیل و پردازش لاگ دسترسی وب سرور و استفاده از روش‌های داده‌کاوی، انجام می‌شود. نتایج تجربی نشان می‌دهد که روش پیشنهادی در این پژوهش با کشف ویژگی‌های جدید و معرفی شرط جدید در برچسب‌گذاری نشست‌ها، باعث بهبود دقت در شناسایی ربات‌ها و در نتیجه ایجاد بهبود در رتبه‌بندی ترافیکی تارنماها نسبت به کارهای پیشین شده است.
شماره‌ی مقاله: 5
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات گروه امنیت اطلاعات
دریافت: 1398/4/5 | پذیرش: 1398/10/21 | انتشار: 1401/1/1 | انتشار الکترونیک: 1401/1/1
دریافت: 1398/4/5 | پذیرش: 1398/10/21 | انتشار: 1401/1/1 | انتشار الکترونیک: 1401/1/1
فهرست منابع
1. [1] رجب‌نیا جواد، ذبیحی مهدیه، وفایی‌جهان مجید، "تشخیص روبات‌های وب با استفاده از سیستم استنتاج فازی مبتنی بر درخت تصمیم"، هفتمین کنفرانس داده‌کاوی ایران، 1392.
2. [1] J. Rajab Nia, M. Zabihi, M. VafahiJahan, "web robot detection with fuzzy inference system based on decision trees," The Seventh Iran Data Mining Conference, 2013.
3. [2] B. W.N.Lo, R.. SharmaSedhain, "How Reliable Are Website Rankings? Implications For E-Business Advertising And Internet Search," Issues in Information Systems, Volume VII, No. 2, pp. 233-238, 2006.
4. [3] What is fake traffic?, [Online], https://sedo-us1.custhelp.com/app/answers/detail/a_id/678/~/what-is-fake-traffic, February 2017.
5. [4] D.S. Sisodia, Sh. Verma, O.P. Vyas, "A Comparative Analysis of Browsing Behavior of Human Visitors and Automatic Software Agents," American Journal of Systems and Software, vol. 3, no. 2, pp. 31-35, 2015.
6. [5] A. Stassopoulou, M.D. Dikaiakos," Web robot detection: A probabilistic reasoning approach," Computer Networks, Vol. 53, pp. 265-278, 2009. [DOI:10.1016/j.comnet.2008.09.021]
7. [6] D. Doran, S.S. Gokhale, "Web Robot Detection Techniques: Overview And Limitations," springer Data Mining and Knowledge Discovery, Vol. 22, pp. 183-210, 2010. [DOI:10.1007/s10618-010-0180-z]
8. [7] P.N. TAN, V. KUMAR,"Discovery of Web Robot Sessions Based on their Navigational Patterns," Data Mining and Knowledge Discovery, vol. 6, pp. 9-35, 2002.
9. [8] CH. Bomhardt, W. Gaul, L. Schmidt-Thieme, "Web Robot Detection - Preprocessing Web Logfiles for Robot Detection," In Proceedings of SISCLADAG.Bologna, Ital, pp. 113-124, 2005. [DOI:10.1007/3-540-27373-5_14]
10. [9] D. Stevanovic, A. An, N. Vlajic, "Feature evaluation for web crawler detection with data mining techniques," Elsevier, Expert Systems with Applications, Vol. 39, pp. 8707-8717, 2012. [DOI:10.1016/j.eswa.2012.01.210]
11. [10] D. Stevanovic, N. Vlajic, A. An, "Detection of malicious and non-malicious website visitors using unsupervised neural network learning," Elsevier, Applied Soft Computing 13, pp. 698-708, 2012. [DOI:10.1016/j.asoc.2012.08.028]
12. [11] M. Zabihimayvan, M. VafaeiJahan, J. Hamidzadeh,"A Density Based Clustering Approach for Web Robot Detection," IEEE, 4th International Conference On Computer And Knowledge Engineering (ICCKE), pp. 23-28, 2014. [DOI:10.1109/ICCKE.2014.6993362]
13. [12] D.S. Sisodia, Sh. Verma, .O.P. Vyas, "Agglomerative Approach for Identification and Elimination of Web Robots from Web Server Logs to Extract Knowledge about Actual Visitors," Journal of Data Analysis and Information Processing, Vol. 3, pp. 1-10, 2015. [DOI:10.4236/jdaip.2015.31001]
14. [13] J. Hamidzadeh, M. Zabihimayvan, R. Sadeghi, "Detection of Web site visitors based on fuzzy rough sets," Springer, pp. 2175-2188, 2017. [DOI:10.1007/s00500-016-2476-4]
15. [14] user-agent-string. [online], http://user-agent-string.info/list-of-ua/bots-ip , ,(December 2017)
Bot vs.Browsers. [Online], http://www.botsvs-browsers.com, December 2017.
16. [15] User-Agents. [Online], http://www.user-agents.org, December 2017.
17. [16] S.S. Aksenova, "Machine Learning with WEKA :WEKA Explorer Tutorial for WEKA Version 3.4.3," 2004 .
18. [17]http://www.secrepo.com/maccdc2012/http.log.gz
19. [18] http://www.cs.waikato.ac.nz/ml/weka/
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
