| ชื่อบทความ |
การจำแนกประเภทยูอาร์แอลฟิชชิงโดยใช้การเรียนรู้ของเครื่องร่วมกับการปรับแต่งไฮเปอร์พารามิเตอร์ด้วยการค้นหาแบบกริด
|
| ชื่อบทความ(English) |
Machine Learning-Based Phishing URL Classification with Grid Search Hyperparameter Tuning
|
|
|
|
| ประเภทบทความ |
บทความวิจัย
|
| ชื่อผู้แต่ง |
ตรียภรณ์ กองอ้น(1) และ นิติเศรษฐ์ หมวดทองอ่อน(1*) (Triyaporn Kongaon(1) and Nithizethe Mhuadthongon(1*))
|
| หน่วยงาน |
สาขาวิชาวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยสุโขทัยธรรมาธิราช นนทบุรี 11120 ประเทศไทย(1) (School of Science and Technology, Sukhothai Thammathirat Open University, Nonthaburi 11120, Thailand(1)) *Corresponding author: Nithizethe.Mhu@stou.ac.th
|
| ชื่อวารสาร |
วารสารแม่โจ้เทคโนโลยีสารสนเทศและนวัตกรรม ปีที่ 12 ฉบับที่ 2 พฤษภาคม – สิงหาคม 2569
|
| บทคัดย่อ |
การใช้งานอินเทอร์เน็ตที่เพิ่มขึ้นอย่างต่อเนื่องก่อให้เกิดรูปแบบใหม่ของการขโมยข้อมูล ซึ่งถือเป็นรูปแบบของอาชญากรรมทางไซเบอร์ การโจมตีแบบฟิชชิงเป็นวิธีการหนึ่งที่มุ่งหลอกลวงผู้ใช้งานให้เปิดเผยข้อมูลส่วนบุคคลต่าง ๆ โดยการฟิชชิงผ่านยูอาร์แอลเป็นรูปแบบการโจมตีที่พบได้มากที่สุด งานวิจัยนี้มีวัตถุประสงค์เพื่อนำเสนอแนวทางในการตรวจจับเว็บไซต์ฟิชชิง โดยพัฒนาแบบจำลองการเรียนรู้ของเครื่องสำหรับการจำแนกยูอาร์แอลฟิชชิงร่วมกับการปรับค่าไฮเปอร์พารามิเตอร์ด้วยวิธีการค้นหาแบบกริดผ่านอัลกอริทึม 5 วิธีการ เพื่อให้ได้มาซึ่งแบบจำลองที่ให้ผลการจำแนกเว็บไซต์ฟิชชิงดีที่สุด ได้แก่ โครงข่ายประสาทเทียม การถดถอยโลจิสติกนาอีฟเบส์ ซัพพอร์ตเวกเตอร์แมชชีนที่ใช้อัลกอริทึม SMO และต้นไม้ตัดสินใจ โปรแกรม Weka ถูกใช้เป็นเครื่องมือในการจำลองและทดสอบ โดยทำการวัดประสิทธิภาพด้วยวิธีการตรวจสอบไขว้แบบ 5 ส่วน จากผลงานวิจัยพบว่า แบบจำลองซัพพอร์ตเวกเตอร์แมชชีนที่ใช้อัลกอริทึม SMO ให้ผลลัพธ์ดีที่สุด โดยมีค่าความถูกต้องเท่ากับ 95.55% ค่าความแม่นยำเท่ากับ 95.60% ค่าความระลึกเท่ากับ 95.60% และค่าความถ่วงดุลเท่ากับ 95.50% ผลงานวิจัยแสดงให้เห็นว่าแบบจำลองที่พัฒนาขึ้นสามารถจำแนกยูอาร์แอลฟิชชิงได้อย่างแม่นยำ สามารถใช้เป็นต้นแบบสำคัญสำหรับการพัฒนาระบบตรวจจับฟิชชิงแบบอัตโนมัติในอนาคตได้อย่างมีประสิทธิภาพ
|
| คำสำคัญ |
การเรียนรู้ของเครื่อง; ยูอาร์แอลฟิชชิง; ซัพพอร์ตเวกเตอร์แมชชีน; ไฮเปอร์พารามิเตอร์; การค้นหาแบบกริด
|
| ปี พ.ศ. |
2569
|
| ปีที่ (Vol.) |
12
|
| ฉบับที่ (No.) |
2
|
| เดือนที่พิมพ์ |
พฤษภาคม - สิงหาคม
|
| เลขที่หน้า (Page) |
161-181
|
| ISSN |
ISSN 3027-7280 (Online)
|
| DOI |
|
| ORCID_ID |
0009-0000-3031-9985
|
| ไฟล์บทความ |
https://mitij.mju.ac.th/ARTICLE/R69059.pdf
|
| | |
| เอกสารอ้างอิง | |
| |
นิสธิวัฒน์ เจนศิริศักดิ์, ดารารัตน์ ทาสาจันทร์ และ ปวีณา วันชัย. (2568). การวิเคราะห์ความรู้สึก จากบทวิจารณ์ภาษาไทยของผู้บริโภคที่มีต่อสมาร์ตโฟน ในระดับมุมมอง. วารสาร วิทยาศาสตร์ลาดกระบัง 34(1). 20-42.
|
| |
รัชนีวรรณ ไพศาลวรเกียรติ. (2564). การเปรียบเทียบตัวแบบการถดถอยลอจิสติกและเทคนิค เหมืองข้อมูลสำหรับพยากรณ์การเป็นโรคเบาหวาน. วิทยานิพนธ์ปริญญามหาบัณฑิต ภาควิชา คณิตศาสตร์ คณะวิทยาศาสตร์. มหาวิทยาลัยนเรศวร, ประเทศไทย.
|
| |
Abutaha, M., Ababneh, M., Mahmoud, K., & Baddar, S. A.-H. (2021). URL Phishing
Detection using Machine Learning Techniques based on URLs Lexical Analysis. 2021 12th International Conference on Information and Communication Systems (ICICS), 147–152. https://doi.org/10.1109/ICICS52457.2021.9464539.
|
| |
Ademola P.A. and Boniface K. (2021). Phishing Attack in Communication Networks is exposed using a Multi-Stage Machine Learning Approach. ECTI TRANSACTIONS ON COMPUTER AND INFORMATION TECHNOLOGY.
https:://doi.org/ 10.37936/ecti-cit.2021153.240565.
|
| |
Ahammad, S. H., Kale, S. D., Upadhye, G. D., Pande, S. D., Babu, E. V., Dhumane, A. V., & Bahadur, Mr. D. K. J. (2022). Phishing URL detection using machine learning methods. Advances in Engineering Software, 173, 103288. https://doi.org/10.1016/j.advengsoft.2022.103288.
|
| |
Aljofey, A., Jiang, Q., Qu, Q., Huang, M., & Niyigena, J.-P. (2020). An Effective Phishing
Detection Model Based on Character Level Convolutional Neural Network
from URL. Electronics, 9(9), 1514. https://doi.org/10.3390/electronics9091514.
|
| |
Anggreani, D., Hamdani, & Nurmisba. (2024). Grid Search Hyperparameter Analysis in Optimizing The Decision Tree Method for Diabetes Prediction. Indonesian Journal of Data and Science, 5(3), 190–197. https://doi.org/10.56705/ijodas.v5i3.190.
|
| |
Ashok, A., Rathis, D., Raghavendra, R., & Umadevi, V. (2024). A Comparative Analysis of Traditional Machine Learning, Deep Learning and Boosting Algorithms on Phishing URL Detection. 2024 IEEE International Conference on Computer
Vision and Machine Intelligence (CVMI), 1–6.
https://doi.org/10.1109/CVMI61877.2024.10782525.
|
| |
Chaiyaphop Jamjumrat. (2022), รู้จักกับ Decision Tree มันคือต้นไม้อะไร ทำงานอย่างไร?
สืบค้นจาก https://www.borntodev.com/2022/09/15/รู้จักกับ-decision-tree.
|
| |
Elgeldawi, E., Sayed, A., Galal, A.R. and Zaki, A.M. (2021) Hyperparameter Tuning for
Machine Learning Algorithms Used for Arabic Sentiment Analysis. Informatics, 8, Article 79. https://doi.org/10.3390/informatics8040079.
|
| |
Ghalechyan, H., Israyelyan, E., Arakelyan, A., Hovhannisyan, G., & Davtyan, A. (2024). Phishing URL detection with neural networks: An empirical study. Scientific Reports, 14(1), 25134. https://doi.org/10.1038/s41598-024-74725-6.
|
| |
Hannousse, Abdelhakim, Yahiouche, Salima. (2021). Web page phishing detection.
Retrieved from https://www.kaggle.com/datasets/shashwatwork/web-page-
phishing-detection-dataset/data.
|
| |
Haq, Q. E. U., Faheem, M. H., & Ahmad, I. (2024). Detecting Phishing URLs Based on
a Deep Learning Approach to Prevent Cyber-Attacks. Applied Sciences, 14(22), 10086. https://doi.org/10.3390/app142210086.
|
| |
Justus, A. I., Durodola, O., Alade, O., J Awotunde, O., T Olanrewaju, A., Falana, O., Ogungbire, A., Osinuga, A., Ogunbiyi, D., Ifeanyi, A., E Odezuligbo, I., & E Edu, O. (2024). Hyperparameter Tuning in Machine Learning: A Comprehensive Review. Journal of Engineering Research and Reports, 26(6), 388–395. https://doi.org/10.9734/jerr/2024/v26i61188.
|
| |
Pasith Thanapatpisarn. (2022), Decision Tree โมเดลต้นไม้ กับความเรื่องมากในการ ตัดสินใจ!!! Part1, สืบค้นจาก https://datascihaeng.medium.com/decision-tree- part01- 47ef24539fba.
|
| |
Rashid, J., Mahmood, T., Nisar, M. W., & Nazir, T. (2020). Phishing Detection Using
Machine Learning Technique. 2020 First International Conference of Smart
Systems and Emerging Technologies (SMARTTECH), 43–46.
https://doi.org/10.1109/SMART-TECH49988.2020.00026
|
| |
Safi, A., & Singh, S. (2023). A systematic literature review on phishing website detection techniques. Journal of King Saud University - Computer and Information Sciences, 35(2), 590–611. https://doi.org/10.1016/j.jksuci.2023.01.004.
|
| |
Salloum, S., Gaber, T., Vadera, S., & Shaalan, K. (2021). Phishing Email Detection Using Natural Language Processing Techniques: A Literature Survey. Procedia Computer Science, 189, 19–28. https://doi.org/10.1016/j.procs.2021.05.077.
|
| |
Sanjay Dutta. (2024). Understanding the ROC Curve: When and How to Use It in
Binary Classification. Retrieved from https://medium.com/@sanjay_dutta/ understanding-the-roc-curve-when-and-how-to-use-it-in-binary-classification-724b97f641f4.
|
| |
Stephen Oladele. (2024). Top 12 Dimensionality Reduction Techniques for Machine Learning. Retrieve from https://encord.com/blog/dimentionality-reduction-techniques-machine-learning.
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|