فلش‌کارت‌های آموزشی PhreshPhish: آموزش جامع ایجاد و استفاده از یک مجموعه داده بزرگ و باکیفیت برای شناسایی حملات فیشینگ

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره PhreshPhish: آموزش جامع ایجاد و استفاده از یک مجموعه داده بزرگ و باکیفیت برای شناسایی حملات فیشینگ

موضوع کلی: امنیت سایبری

موضوع میانی: شناسایی و مقابله با فیشینگ

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر امنیت سایبری و تهدیدات آنلاین
• 2. فیشینگ چیست؟ تعاریف، تاریخچه و تکامل
• 3. انواع حملات فیشینگ: از اسپیر فیشینگ تا ویشینگ
• 4. پیامدهای فیشینگ: خسارات مالی، اعتباری و امنیتی
• 5. روش‌های سنتی شناسایی و مقابله با فیشینگ
• 6. نقش یادگیری ماشین در امنیت سایبری
• 7. مقدمه‌ای بر مجموعه داده‌ها در یادگیری ماشین امنیتی
• 8. معرفی مقاله PhreshPhish: انگیزه و اهداف
• 9. مروری بر مشارکت‌های کلیدی PhreshPhish
• 10. چالش‌های ساخت مجموعه داده‌های بزرگ و باکیفیت فیشینگ
• 11. منابع داده‌های فیشینگ: فیدهای عمومی و خصوصی
• 12. جمع‌آوری URLهای فیشینگ از طریق ربات‌های خزنده
• 13. طراحی و پیاده‌سازی یک خزنده وب برای فیشینگ
• 14. استراتژی‌های شناسایی URLهای جدید فیشینگ (Real-World Data)
• 15. مقابله با مکانیزم‌های ضد-خزنده
• 16. جمع‌آوری داده از منابع قانونی برای نمونه‌های غیرفیشینگ
• 17. مقیاس‌پذیری زیرساخت جمع‌آوری داده
• 18. ملاحظات قانونی و اخلاقی در جمع‌آوری URL
• 19. معماری خط لوله ورود داده (Data Ingestion Pipeline)
• 20. استفاده از پروکسی‌ها و VPNها در فرآیند خزش
• 21. نظارت بر کمپین‌های فیشینگ فعال
• 22. استراتژی‌های به‌روزرسانی مداوم داده‌ها (Data Refreshing)
• 23. شناسایی خودکار دامنه‌های مشکوک
• 24. جمع‌آوری اطلاعات Whois برای دامنه‌های فیشینگ
• 25. جمع‌آوری داده‌های DNS مربوط به سایت‌های فیشینگ
• 26. تعریف "کیفیت بالا" در مجموعه داده‌های فیشینگ
• 27. فیلتر کردن URLهای نامعتبر و خطاهای نحوی
• 28. شناسایی و حذف URLهای تکراری
• 29. مدیریت سایت‌های فیشینگ منقضی شده یا از دسترس خارج شده
• 30. فرآیند برچسب‌گذاری (Labeling) خودکار و دستی
• 31. استفاده از برون‌سپاری (Crowdsourcing) برای برچسب‌گذاری: مزایا و معایب
• 32. تضمین دقت برچسب‌ها و توافق بین برچسب‌گذاران
• 33. ایجاد حقیقت زمین (Ground Truth) برای داده‌های فیشینگ
• 34. توازن مجموعه داده‌ها: نمونه‌های مثبت و منفی
• 35. تکنیک‌های غنی‌سازی داده (Data Enrichment)
• 36. مدیریت URLهای کوتاه شده (URL Shorteners)
• 37. تحلیل محتوای پویا و جاوااسکریپت در صفحات فیشینگ
• 38. رندر کردن صفحات وب برای تحلیل عمیق
• 39. تولید اسکرین‌شات‌های وب‌سایت برای تحلیل بصری
• 40. تجزیه و تحلیل ساختار HTML و DOM Tree
• 41. استخراج محتوای متنی از صفحات فیشینگ
• 42. تحلیل گواهینامه‌های SSL/TLS
• 43. بررسی امتیازات و شهرت دامنه‌ها
• 44. شناسایی محتوای مخرب و بدافزار در صفحات فیشینگ
• 45. ابزارهای مدیریت و ذخیره‌سازی مجموعه داده‌های بزرگ
• 46. مقدمه‌ای بر مهندسی ویژگی در شناسایی فیشینگ
• 47. ویژگی‌های مبتنی بر URL: طول، کاراکترهای خاص، ساب‌دامنه‌ها
• 48. ویژگی‌های لغوی URL: کلمات کلیدی، نام‌های برند
• 49. ویژگی‌های آماری URL: آنتروپی، توزیع کاراکتر
• 50. ویژگی‌های مبتنی بر دامنه: سن دامنه، ثبت‌کننده، شهرت
• 51. تحلیل شباهت املایی URL (Typosquatting Detection)
• 52. ویژگی‌های مبتنی بر محتوای HTML: تعداد تگ‌ها، فرم‌ها، لینک‌ها
• 53. شناسایی تگ‌های iframe و اسکریپت‌های مخرب
• 54. ویژگی‌های بصری: طرح‌بندی صفحه، استفاده از لوگوهای برند
• 55. استخراج ویژگی‌های بصری با استفاده از تکنیک‌های پردازش تصویر
• 56. ویژگی‌های مبتنی بر شبکه: IP، ASN، موقعیت جغرافیایی سرور
• 57. تحلیل گواهینامه SSL: صادرکننده، مدت اعتبار، نوع
• 58. تحلیل Favicon برای شناسایی برند
• 59. مهندسی ویژگی از جاوااسکریپت صفحات
• 60. شناسایی تکنیک‌های ابهام‌سازی (Obfuscation) در کد
• 61. تحلیل Redirectها و Shortenerها
• 62. ترکیب انواع مختلف ویژگی برای افزایش دقت
• 63. انتخاب ویژگی (Feature Selection) و کاهش ابعاد
• 64. مقیاس‌گذاری ویژگی‌ها (Feature Scaling)
• 65. استخراج ویژگی‌های پیشرفته از متن با NLP
• 66. مقدمه‌ای بر یادگیری با نظارت در شناسایی فیشینگ
• 67. الگوریتم‌های سنتی یادگیری ماشین: رگرسیون لجستیک، SVM
• 68. درخت‌های تصمیم و جنگل‌های تصادفی برای طبقه‌بندی
• 69. مقدمه‌ای بر شبکه‌های عصبی و یادگیری عمیق
• 70. استفاده از شبکه‌های عصبی کانولوشنال (CNN) برای ویژگی‌های بصری
• 71. شبکه‌های عصبی بازگشتی (RNN) برای تحلیل توالی URL و متن
• 72. معماری‌های پیشرفته یادگیری عمیق در شناسایی فیشینگ
• 73. متدولوژی‌های آموزش مدل (Model Training)
• 74. اعتبار سنجی متقابل (Cross-Validation) برای ارزیابی مدل
• 75. معیارهای ارزیابی عملکرد مدل: دقت، فراخوانی، F1-Score
• 76. درک منحنی‌های ROC و AUC
• 77. تنظیم چارچوب ارزیابی و بنچمارک
• 78. مقایسه مدل‌ها با استفاده از مجموعه داده PhreshPhish
• 79. تحلیل خطاهای مدل: False Positives و False Negatives
• 80. بهینه‌سازی فراپارامترها (Hyperparameter Tuning)
• 81. روش‌های دسته‌ای (Ensemble Methods) برای بهبود عملکرد
• 82. انتقال یادگیری (Transfer Learning) در شناسایی فیشینگ
• 83. استراتژی‌های مقابله با عدم تعادل داده (Imbalanced Data)
• 84. تحلیل و تفسیر پذیری مدل‌ها (Model Interpretability)
• 85. ارزیابی پایداری مدل در برابر تغییرات داده
• 86. سیستم‌های شناسایی فیشینگ در زمان واقعی (Real-time Detection)
• 87. حملات خصمانه (Adversarial Attacks) علیه مدل‌های فیشینگ
• 88. تکنیک‌های دفاعی در برابر حملات خصمانه
• 89. ملاحظات استقرار و پیاده‌سازی مدل در محیط واقعی
• 90. مهندسی MLOps برای سیستم‌های شناسایی فیشینگ
• 91. جنبه‌های اخلاقی و مسئولیت‌پذیری هوش مصنوعی در امنیت
• 92. آینده پژوهش در شناسایی فیشینگ مبتنی بر هوش مصنوعی
• 93. ساخت یک خط لوله کامل شناسایی فیشینگ
• 94. ادغام با سیستم‌های امنیتی موجود (SIEM, SOAR)
• 95. نقش هوش انسانی و تحلیلگران امنیتی در مقابله با فیشینگ
• 96. تحلیل کمپین‌های فیشینگ پیشرفته و هدفمند (Targeted Phishing)
• 97. شناسایی فیشینگ مبتنی بر هویت (Identity-based Phishing)
• 98. استفاده از بلاکچین برای افزایش امنیت و تایید هویت
• 99. مروری بر رویکردهای یادگیری بدون نظارت و نیمه‌نظارتی
• 100. جمع‌بندی و چشم‌انداز آینده PhreshPhish و مقابله با فیشینگ