Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l.   8 , No .   6 ,  Decem ber   201 8 , p p.   5326 ~ 5332   IS S N: 20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v8 i 6 . pp 5326 - 53 32          5326       Journ al h om e page :  http: // ia es core .c om/ journa ls /i ndex. ph p/IJECE   A Novel  Approach   f or Phi shin g Emails R eal Time  Classi fication  Using K - Means A lgorithm       Vidya  Mhask e - Dham dhere,  Sandeep  Van ja le   Bhara t i  Vid y ap e et h  De emed  Uni ver si t y   Co ll eg e of  Engi n ee rin g,   I ndia       Art ic le  In f o     ABSTR A CT    Art ic le  history:   Re cei ved   Ja n   27 , 2 01 8   Re vised  Jun   14 , 201 8   Accepte d  J un  28 , 201 8       The   d ange rs  p hishing  be comes  conside rab l y   bigge r  prob le m   in  onl in e   net working,   for   exa m ple ,   Facebook,  twit t er  an d  Google+ .   The  phishing  is  norm al l y   compl et ed  b y   email   m ocki ng  or  te xt ing  and  i t  fre qu ent l y   guid es   cl i ent   to   enter  point s  of  in te re st  at   a  phon y   si te   whos e  look   and  fe el   ar e   pra cticall y   indi s ti nguishable  to   t he  honest  to  go odness.  Non - te c hnic a l  user   resists  le arn ing  of  ant i - phishing   te chnic.   Also  not  per m ane nt l y  remem ber   phishing  le arn in g.   Software   sol uti ons  such  as  aut hen ti c at ion  a nd  sec urity   war nings  are   sti l l  depe nd ing  on  end  user  action .   In  thi s  pape r  we   are   m ai n l y   foc us  on  a  novel   appr oac h  of  real  ti m e  phishing  email   cl assificat i on  using  K - m ea ns  al gorit h m .   For  thi s  w e  uses  160  em ai ls  of  la st  y e ar  computer   engi ne eri ng  stud ent s.  we  ge t  Tru e  posi ti ve  of  le gi ti m at e  and  phishing  as  67%   and  80%  and  tr ue  nega t ive   is  3 0  %  and  20% .   which   is  ver y   hi gh  so  we  ask   sam e  users  rea sons   which  I  m ai nl y   cate gori es  into  thre e  cate gori e s,  look   an d   fee l   of em ai l ,   email t e chnica l   par amete rs,   and   email struc tur e.   Ke y word:   Em a il  an d websi te s p his hing   Ph ishi ng  detect ion  tec hn i ques   us er  aw a re ness  on em ai l  Ph ishi ng       Copyright   ©   201 8   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   Vidya M hask e - D ham dh ere ,   Bharati  V i dyap eet h  Deem ed Un i ver sit y ,   Coll ege  of   En gi neer in g, P un e ,  Ind ia .   Em a il :  Vidya.dham dh ere@ gm ai l.com       1.   INTROD U CTION   User s   m igh t  reach  to  phishi ng   sit es  thr ou gh   so m e  so ci al   netw orkin g  s it es  li ke  Faceb ook,  Twitt er .   Atta cker s   ty pical ly   ta rg et   spe ci fic  cl us te r  of  in divuals  org anizat ion s   to  ge t  intel le ct ual  inf or m at ion ,  business   secrets  or  m ilitar y  data  rat her   than  gain .  This   var ia ti on  of  ge ner al   ph is hing  is  cal le d  S pe ar  phishi ng.  W haling  m ay   be  a  kind   of   s pea r  phis hing  w he re  ta r get  of  gro up  m ay   be  a  la rger  fis h  li k e  m i li ta ry  of fices  pe rsonal   bu si ness  an d  gove rn m ent  agen ci es .  antip hish i ng   te ch ni qu e s  li ke  blackli st,  wh it el ist ,  heurist ic   and  visu al  si m il arity  pr im aril y  based   appr oach es  be ca m e  le ss  eff ect ive  in  detect ing   w ork  ph ishin g  websi te s.  The   lim it at ion   of   blackli sti ng   is  th at   ph ishi ng  sit es  that  are  not  li ste d  in  blac klist   don’ t  seem   to  be  detect ed .  T hese   kind  of no n - ba cklist ed ph is hi ng sit es are  r e f err e d  to  as  Ze r o - day   ph is hing  sit es.       2.   RELATE D  W ORK    Aleja ndr o,   Ed uard o  [1 ]   aut hors  us e s  neural  fr am ewo r k  app r oac h.   to   get  to  the  t wo   te ch nique s   util iz es  RF  (Random   Fo rest)   and   LSTM  (a   lon g/ her e  a nd  now  m e m or y  m ast er m ind   on  dataset s  ph is h  ta nk   and  Com m on   Crawl,  w hich  giv es   res ult  as   preci sion  rate   of  93.5 %   an d  98. 7 %.   RF   a nd  L STM  util izes  14   highli gh ts  of   l exical   and   qu a ntifia ble  exam inati on   of   ur l  resem bles  sp ace  exist  in  Alexa  ra nk,  sub dom ai n   le ng th , URL l e ng t h,   way le ng th, URL E ntr opy, ' @' and  ' -   '  ch aracte r  tal ly  in URL.   Ann dita,  Dh i r endra  [ 2 ]   util i zes  gather i ng   le arn in g  ap proac h  has  bee n  util iz ed  for   ph is hing  em ail   id entifi cat ion.  The  m od el   incorp or at es  of  th ree  sta ges  pre processi ng,  hig hlig ht  ins pecti ng ,  c har act eri zat ion  arr a ng e .  Add  up  to  97  m ess ages  util iz ed  out  of  that  96  eff ect ively   or de r  an d  one  m i scl assify .  Enc oura ge   forw a r d  ne ur al   syst e m   to  gro up   trie d  em ail  in to  phish  or   ham   e m a il   in  l i gh t  of   se par at e d  em ail  head er   and  Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       A Novel A pproach   f or Phis hi ng E ma il s Re al  Time Cl as sif ic ation U sin g  . ..  ( Ms.Vidya M haske - D ham dh e r e)   5327   body.  Disti ngui sh in g  proof  ra te   is  98%.   A ut hor  has  c onsid ered  I D  rate,  a ckno wled gm ent  rate,  redress  rate,   m isc la ssific at i on r at e  or er ror  r at e,  pr eci si on of c har act eriz at ion .   Ankit  K um ar  Jai n  B.B .  Gup ta   [3 ]   these  a uthor  has  desi gn   a  nove l  ap proac h  to  prot ect   against  ph is hing  at ta ck s  at   cl ie nt  side .   75%  of  phis hin g  we b  sit es  use d  for  5  t op  le vel  dom ai ns   s pecifica ll y  .com ,  .tk,  .pw,  . c f,   . net .  webpa ges  usu al ly   con ta in   a  log in  page  an d  wh e n  a  us e r  op e ns   the  f ake   webpag e  a nd  inputs   per s onal   inf orm at ion .  on li ne   us ers  w ont  ab le   to  diff ere ntiat e  between   ph ishin g  an d  confide  we bpages . on e  of   the  eff ect ive  s olu ti ons  to  a  phishi ng   at ta ck  is  to  integrate  secur it y  m easu res  with  the  ne t  br owse r  w hic h  m ay  raise  t he   al te rs   w hen e ve r  a   phishi ng  we b  sit e  is  acce sse d  by   an  phishe r.   a   novel   ap proac h  cat e gorized   in  to   4  ste ps .   1.   Creat e phishi ng  web sit es.   2.   Wr it es ass ociat e em a il  an d  i nc lud es  the lin k o f ph is hing  web sit es an d  se nd  to au t horized  users.   3.   The  us er  open s  the  em a i l  and   visit s  the  ph i sh in g  w ebsite s .  The  phishin g  web   sit es  as k  the  us e r  to  in put   per s onal  in for m at ion .   4.   Af te r  g et ti ng  use rs pers onal  i nfor m at ion  use d for m on ey  or  anothe r  a dv a nt ages.   Ex per im ental   resu lt s  sho w  th at   86 %   co rr ect   posit ive  rate  and  48%  false   ne gative  rate.   Anal ysi s  is  done   on   three  pa ram eter s  nam el y  no   li nk,  null   hype rlink s ,  an d  qua ntit at ive  relat ion   o  hype rlink s  po inti ng    to a m ai n  dom ai n.   Hassa n  Y .  A ,   Abdelfett ah  Be lgh it h   [4 ]   these  a uthor  ha s  i m ple m ente d  Ca se  Ba se d  Re ason i ng   Ph ishi ng D et ec ti on   Syst em  ( CB R_PDS ),   wh i ch   three sta ges , w hic h  are L ure, H oo k  an d  Ca tc h.  Th e L ur e  is al l   arou nd   create d  e m ail  that  looks  true  a nd   a uth ori ty .it   will   g uid e  to  cl ie nt  to  phony  sit e.  The  H o ok  is  phony  sit e   that  cop y  real  sit e  in  wh ic h  c li ent  can  unc over  his  qual ifi cat ion s.  T he  C at ch  inco r porat es  the  util iz at i on   of  delic at e  data  gather e d  by  dec ei tful  act ivit y.  Fo r  t hese  572  ph is hing  em ail   dataset s   is  us ed.   T his  CB R_P D S   fr am ewo r k  give   preci sio n  95. 62 %.  m ai n   dra wb ac k  is   that p hish i ng  sit es  ha ve  a   short   li fecyc le ,  wh ic h  m eans  a   cl assifi er  sho uld   be  trai ne d  fr e quently   to  keep   tra ck  of  alm os t  ph is hing  w ebsite s  in  order   to     enh a nce t he  ac cur acy .   Ma rj a n  A bd ey adan,  Ra ya t  P isheh   [ 5]  has   desi gn  inter ne t   phishin g  at ta cks  detect io n  li fe   cy cl e  includi ng   t hr e e  ph ase s:  earl y  sta ge,   m id   ph is hing  sta ge ,  post  phishi ng  sta ge .in  the   beg i nn i ng   ti m es,  the  ph is her   gets  re ady  for  ph is hin g  a nd  m akes  an  em ail  or   a  s pam   and   sen d  it   to  the  cl ie nts.  in  the  m id  phishin g  sta ges,   the  cas ualti es  get  the  phony  m essages  and   unco ve r   their  tou c hy  a nd   si gn i ficant  data.in  the  t hir d  cy cl e   of  phishi ng,  ta king   da ta   is  confer re d.   T he  high  rate  of   w eb  use   am on g  phone  cl ie nts   has  m ade  nu m ero us   bu si ness an d  m on ey   relat ed  a dm inist rati on s  be   giv e n  t hro ugh  the  w e b.    Data  r obbe ry  of  phishi ng  is   secu rity   chall eng e   w hic h  is   norm al ly   do ne   by  se ndin g  sp am   m essages  an d  e m ai ls.i n  the  dataset   util iz ed  by  the  w rite rs,   ho nest  to  good ness,   s uspic iou s ,  m or e,  phishi ng   a ddres ses  are   app ea re d  by  es tim a ti on s  o f  01,  0, - 1  se par at el y.  fo r  id entif yi ng   phishi ng   sit es  us es  featu res  li ke  age   of   so urc e   sit e,  nearness  of   IP   a ddress   in  the  c onne ct ion ,  li ng uisti c  m ist ake,  the   nearness   of  @  cha racter  i n  th e   connecti on  on  FP,   F N ,T N, T P   of   pro posed  st rategy  are  99. 62%, 032% ,0. 5% ,99.5%  an d  99.7%.t he  pr ec isi on   of  pr e par i ng in for m at ion  arc hiv e s 94%.   Me la d  Mo ham ed,   N ur li nda  B asi r,   Ma di ha h  Mohd  Sa udi  [ 6]  auth ors  has  pr e par i ng  strat egies  ou gh t   to  be   inte nd e d  to  pull   in   cl ie nt s  co ns ide rati on  kee ping  in   m ind   in   the   en d  goal   to  upgr ade  t heir  m indful ness  and  in flue nce   t hem   to  ho l d  ga ined  le a rn i ng  for  lo nger   tim e.  P rep a rin g  e xer ci ses   acco r dingly ,  m us t  con si der  inf or m at ion   ob ta ining ,   I nform at ion   m a intenance   an d  in f or m at ion   exc ha ng e  aspects .  Ph ish ers  a re  ge ner al ly  ta rg et   hosti le   to  phis hing  f ra m e  wo r ks   th r ough  ig nora nce  and   m ind le ssne ss  el e m ents  of  inter net  us e rs .  A nti - ph is hing  pr e pa rin g  m at erial   can  be  co nvey ed  to  le a rn e rs  thr ough  m any   cha nn el s,   f or  exam ple,  m essages ,   publica ti on, cl assroom s an d a m us e m ents.    Accor ding  to   inf or m at ion   sec ur it y   F orum   (ISF) ,”   sec ur it y   m ind f uln ess   is  a  proce dure   of  le arn in g  by   wh ic h,   st ud e nt   unde rstan d  the  sig nifican c e  of   data  sec ur it y  issues,  t he  sec ur it y  le vel  re qu ire d  by  the  associat ion  an d  pe ople ’s  se cur it y  duti es.  Thr ee   key  se gm ents  of   sec ur it y  le vel  m i ndf uln ess ,  the y  are,   con ti nu o us  or   con sist e nt  process,  le ar ni ng  co nvey ance   te chn iq ues  a nd   pe op le ’ s  c onduct   i m pact.  The  adv a ntage   of  i ns erte d  pr e par i ng  over   ot her  c onve ntion al   pr epar i ng  strat eg ie s  is  that,  it   ca n  le ar ning  i nto  oth e r  relat ed  fiel ds.  Po ste d  arti cl es   an d  ti ps   a bout   ph is hi ng  is  a no t her   ty pe   of   internet  prepa rin g  strat egies   su c h  m at erial s  and   fr e qu e ntly   publ ished  by  gove rn m ent’s  an d  differe nt  ass ociat ion s  a nd  gro up s  f or   e xam ple  ,Fed e ral  Tra de   Com m issi on   and   A nti - phis hing  Wo r king   Group. a nti - phishin g  Ph il   de m on strat es  how  we b  base d  am us em ents  ca n  e nab l e  cl ie nts  to  re cognize  phishi ng  sit es  by   showi ng  them   w her e   to  s earc h  f or   ph is hing  sig ns  in  we b  pro gram s.it   add it ion al ly   dem on strat e  to  cl ie nts   generall y  acce pted  m et hods   to   accuratel y  la nd  to  honest  to  goodne ss  local es  thr ough  we b  in dex e s.  Amusem ent  arch it ect   hav e  detai le d  that   False   Posi ti ve  (F P )  li m i te d  to  14 %   f rom   30 %  an d  False   Ne gativ e  (FN)  rate  li kew ise   li m ited  t o    17% fr om  3 4% .   Mouna  Jouinia ,  Lat ifa   Be n,   A rf a   Ra baia,  A ni s   Be n  [ 7]  has  pro po se d  a  secur it y  risk  gro upin g  m od el ,  wh ic h  e nab le s   us  t o  thi nk abo ut the da ng e rs cl ass aff ect   rat her tha n  a  risk  aff ect  as  a r is k diff e rs.   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber  2 01 8   :   5326   -   5332   5328   1.   Mutuall y restri ct ive - eve ry  da ng e r  s houl d fit  in  at  m os t on e   cl ass.   2.   Ex hau sti ve - All da ng e r  e xam ples   3.   Un am big uo us - al l cl asses m us t be clear  and e xact with  goa l.   4.   Re peatable - res ults in sim il ar ch aracte rizat ion   5.   Accepte d -   al l cl assifi cat ion  a r e sens i ble.   6.   Useful - It can  be util iz ed  to  p i ck up k nowle dge int o  the  f ie l d of re qu e st.   The  c rite ria or der li st go t  fro m   the outl ine a re:   1.   Secu rity  d an ge r  s ource: t he  b e ginnin g o f  r is k ei ther  inte rior  or outsi de.   2.   Secu rity   dange r  op e rati ons - t he   sp eci al ist s  th at   reas on  da ng ers  a nd  we  rec ognized  th ree  pr im ary  cl asse s:  Hu m an,   natu ra l. Me cha nical .   3.   Secu rity   risk  insp i rati on - the  obj ect ive  of   a ggress or s  on  a  fr am ewo r k  w hich  ca n  be  noxi ous   or   non - m al evo le nt sec ur it y ris k  e xp e ct at ion .   The  m od el  r ecognize d  t he  da ng e r  im pacts:   Destr uction of   data, corr upti on of d at a, T heft /l os s o f  data ,   Discl osure  of   data,  f or es wea rin g  of   util iz at i on,  Ele vatio n  of   be ne fit  and   il le gal  us e.74. 3%   of   the  m isfor tu nes  are  cause  by  infecti ons,  un a ppr ov e d  acce s s,  ta blet  or   ve r sat il e  equ ipm e nt  rob ber y  an d  bu r glary  of  exclusi ve   data.70%   of  e xt or ti on  is  e xec uted   by  i ns ide r s  instea d  of  by   outsi de.  90%   of  secu rity   co nt ro ls  a re  ce nter ed  on  ou te r  th reats.   Nar e nda  S he kolka r,   c haita li   Sh a hetc. [ 8] h a s  us e d  Lin k  Guard  al gorithm   f or  phishi ng d et ect ion .   Lin k  Gu a r d  w orks  by  br ea king  dow n  the  c on tr ast s  betwee n  the  visu al   co nnect ion   a nd  the  real  li nk .it   first   con ce ntrates  th e  DNS  nam es  from   the  gen ui ne  an d  the  visua l  connecti on   . it   at   that  po int  looks  at   the  re al   an d  visu al   D NS   na m es, if  these  na m es are not t he   sam e, at   that po i nt it  is phis hing  of cla ss.   Nayee m   Kh an ,   Jo ha ri  Abd ullah,  A dnan  S ha hid   K ha n  [ 9]  t hese  aut hor  ha s  desig n  m e thodo l og ie s  f or   def e ndin g  m al i ci ou s scr i pt at t acks u si ng  m ac hin e lea r ning classi fies algo rit hm  N aï ve  Ba yes.  Securit y i s  base d  on to  c orrelat iv e m e tho dolo gi es, signat ure  ba sed  a nd h e ur i sti c b ased i de nt ific at ion  appr oa ches. The   sig natu re - base d   ap proac h  de pends  on   the  identific at ion   of   one  of  a   kin d  str i ng   de sign s  in  the  pa ired  co de.   Heurist ic  base d  rec ogniti on   de pe nds  on  the  ar rangem ent  of   m ast er  cho ic e  gu i delin es  to  identify   the  at ta cks. it   w il l  j us t  recog nize ad ju ste d or   va riat ion  e xisti ng m alw are .   The  draw bac k  of   util iz ing   this  appr oach   i s  that  it  ta k es  a  lon g  tim e  i n  perf or m ing   check i ng   a nd  exam inati on ,  wh ic h  ra dical ly   back s  off  the  secu rity   ex ecuti on.  A nother  iss ue  of  the  ap proac h  is  that  it   pr ese nts  num e rous  false  posit ive.  False   pos it ive  ha pp e ns   wh e n  a   f ram e work  wrongly   recog nizes  c ode  or  a   record   as m al i gn a nt  wh e n rea ll y i t i s n ot.   Naive  Ba ye s  cl assifi er  cons ider  preci sio n,  pr epa rin g  tim e,  li near it y,  the  qu a ntit y  of   par am et ers,   nu m ber   of  hi ghli gh ts   are   use d.   70  highli ghts  of   Java Scr ipt’s  as   ap pea red  in  t he  Re f eren ce   sect io n.  T he   pro po se d  a ppr oach   a cc om plishe d  a  preci sion   of   100%   in  rec ogniti on  for  al rea dy  ob s cu re  m al ev olent   JavaSc ript  bas ed  on  le ar ning .  E xp l or at or y  ou tc om es  dem on st rate  that  ROC - 1  was  a ccom plished   by   KNN   cl assifi es  with  no   false  po sit i ve.   T he  wr a pp er  te chn i qu e  as su m ed  an  essenti al   pa rt  in  hig hlig ht  determ inati on ,   wh ic h prom pts h ig h p recisi on contraste d wit h othe r  e xam in ed  sta ti c m et ho do l og ie s .   Ra ti nd er  Kaur   and   Ma ni nde r  Sin gh[10]   ha s  propose d  novel  hybr i d  f r a m ewo r k  that   coord i nates  inco ns ist ency  for  identify in g  and   breaki ng   dow n  zero   day  at ta ks .the  fr a m ewo r k  is  act ualiz ed  an d  assesse d  against  di ff e re nt  sta nd a r d  m easur em ents    Tru e  Po sit ive  Ra te (TPR),Fal se  Po sit ive  Da te (F PR) ,  F -   M easur e ,   Total   Acc ur a c y(ACC)  a nd  Re cei ver   Op e r at ing   C har act e risti c(ROC). t he   outc om e  indi cat es  high  discov e ry  r at e  with  alm os t  zero   false  posit ive.to  gu a r d  again st  zero  day  at ta cks,   the  ex plorat ion  group  has  propos e d  diff e re nt  pr oc edures.   T her e   are  pa rtit ion e d  int o  Stat ist i cal   base d,  Sig natu red  ba sed ,   be ha vio r   bas ed  a nd  Hybr i d  st rategi es.   Anu pam a  Ag ga rw al y,  As hw i n  Ra j a desi ng a n,   [11]  ha s   pre sent  P hishAri   exp a ns i on   w orks  f or  c hrom e  pro gr am   is   com po sed  in  Ja va Script.  Ph is hAri  us e  d  f or   detect ion   phishin g  real  ti m e   on  Twitt er.  T witt er   Stream ing   AP I   12   an d  the  Ch ann el   w ork  gi ven   AP I   to  gather   s uch   T wee ts.  The  API  ta kes  t he  tweet s  ID   a s   info  an d  ret ur ns   ba ck  a  stri ng   showi ng  w eather  t he  tw eet   is  ph is hing  or   sa fe.  Ph is he rs  ha ve  a  te ndency  to  hav e  a  gr eat   de al  o f  @  ta gs  i n t heir  tweet s  wi th the g oal that  their t weet is s trai gh tf orwa rd.   Detect ing   phis hing  via  we b - ba sed   netw or king is test  as  r es ul ts   1.   Vast  volum e  of   i nfor m at ion - onli ne  netw orkin g  e nab le s  cl ie nts  to  ef fortl essly   sh are   their  val ues   of   inf or m at ion ,   2.   Con st raine d  s pace -   T witt ers   140 - cha racter   restrict ion   t he   substance  due  to  wh ic h  cl ie nts  util iz es   sh ort ha nd  do c um entat io ns .   3.   Qu ic k  c hange - web b a sed  n et work i ng c hang es quickly  m aking   phishi ng lo cat ion  tr oubles om e.   4.   Shor te n URL’s -   ph is hing  UR Ls are  abbre vi at ed  to t he o bj e ct ive U RL.   It  is  har d  to  disti nguish   phis hi ng   on  T witt er  dissi m il ar  to  m essages  on  account  of  the  f ast   sp rea d  of   ph is hing  join s  in  the  syst e m ,  sh ort   siz e  of   t he   su bs ta nce,  util iz at ion   of   UR L  conf us io n.   t ww et s   s ubsta nc e  and  it s  at tribu te s  lik e  le ngth,  has h  ta gs ,  m entions   the  T witt er  cl ie nt  po sti ng   the  tweet   for   exam ple  age  of   th e   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       A Novel A pproach   f or Phis hi ng E ma il s Re al  Time Cl as sif ic ation U sin g  . ..  ( Ms.Vidya M haske - D ham dh e r e)   5329   record ,  num ber   of   t weets  an d  the  su pp or te r  fo ll ower  rati on.  Ra ndom   fo re st  cl assifi ers  w orks  be st  to  ph ishin g  tweet  r e organ i zat ion   on d at as et  w it h hig h pre ci sion   of 92. 52%.   Rou t hu  S riniv a sa,  Sye d  Ta qi  Ali  [ 12 ]   has   de sign  he uri sti c  appr oach  of  ph ishsh ie ld .  It   ta kes  i nput  a s   address  a nd   outp ut  the  sta ndin g  of  ad dr e s s  a  ph is hing  or  le gitim at e  w ebsite .  The  he ur ist ic   us e  to  ob s er ve   ph is hing  a rea  un it   footer  li nks  with  nu ll   pri ce,  zer o  li nks  in  bo dy  of  HT ML,  co pyri gh t   co ntent,  ti tl e   con te nt   and   web sit e  id entit y.t o  dev el op   to ol  Ph is hSheil d,   aut hor   use d  Net  Be ans   8. 02, IDE,J A VA   c om plier,  Jsoup  ,A P I  a nd   fire bug  t oo l .  Js oup  is  us e d  f or   pa rsing  the  HT ML  con te nts  of   we bp a ges  a nd   e xtracti ng  HTML   con te nt  li ke  lin ks   in  f oote r,   cop y rig ht,  ti tl e ,  CS.  firebu g  open  s upply  Fir efox  exte ns io n  that  is  e m p loye d  for  debu gg i ng,  e diti ng   a nd  m on it or in g  of  nay  web sit e’ s  CSS ,  HTML ,  Dom ,  XH R  an d  JavaSc ript.  t he   m a in   adv a ntage  of   P hish s heild  a pp l ic at ion   is  that  it   will   ob ser ve  ph is hing  sit es  that  tric ks   the  use rs  by  s ub sti tuti on   con te nt  with   im ages,  that  m os t  of   t he  pr e vai li ng   a nti  phishi ng  te ch niques  no t  ca pa ble  to  ob s er ve,   t houg h  they   will  take lot  of  execu ti on  ti m e . th e   acc uracy  ra te  o btai ned f or  ph is hs he il d  is  96%.   Abd ulghani  A li   Ah m ed,   Nuru l  Am irah  A bdullah  [ 13]   these  aut hor  ha s  i m ple m ente d  real  tim e  ph is hing  detect ion   o f  web sit es  Using  Te r m   Fr eq uen cy   – I nverse  Ar c hi ve  F reque ncy  (TF_I DF ).   the   ph is he r   m akes  a  s ha dow  sit e  that   ap pe ars  t o  be  li ke   the  genuine   sit e.  U sers   re gula rly   ha ve  nu m erous  cl ie nt  acc ounts   on d i ff e ren t si t es inclu ding s oc ia l sy stem , em ai l and  fur t he rm or e r e pr ese nt  b an king.     The  phis hing  sit es  by  util iz in g  TF - I DF   syst e m   reco ve r  da ta   and   co ntent   m ining   eff ect i vely   dim inishes  th e   false p os it ive  r at e. To ta l  97   phishi ng   we bpa ge wit h  ar ound  6 %  false  po sit ive  rate.  preve nion   strat e gies  for  sit e  m ock ing   are  s urvive d  an d  order e d  into  dif f eren t  m et ho dolog ie s:  co ntent  base d,   he uri sti c  based   a nd  bo yc ott - base d   ap proac hes.   T his  a ppr oach  util iz es  a  m ix  of   sta te le ss  pa ge  asses s m ent,  sat e  fu ll   page  assessm ent  an d  exam inati on  of  arc hiv e  post i nfo rm ation  t o  re gister  pro xy f il e   syst e m .   Boyc ott  base d  ap proac h  is  r ecov e rin g  t he  URLs  from   phishin g  pa ges   with  a  s pecific   en d  go al   t o  keep   up  an d  m ake  the  blackli st.  The   sec ur it y  danger   of   the   web   pag e s  wit h  a  sp eci fic  e nd  goal   is  highli gh t  of  crit eria,  for   ex a m ple,  tim e   of   internet   us e s ,  create   web   se r ver   re view ,  no .  of   ti m e   visit i ng   sit e   pa ge.   Nati on   that  facil it ie s  t he  sit e,  nam e  of   ass ociat ion   t ha t  facil it at ing   the  pr ese nt  sit e  and  haza rd  rati ng.  S om e  hig hl igh ts  can  be  num erous,   f or   e xam ple,  URLs,  area ,  per s onal it y ,  secur it y  and   e ncr ypti on ,  s ource  cod e ,  pa ge  sty le   and   su bst ance,  w e b ad dr es s  bar  a nd s ocial  hum an  facto r.   This  e xam inatio n  co nce ntrate s  just  on  URLs   an d  area  nam e  highli ghts.  highli gh ts   of  URL   an d  s pace  nam es  are  che cked  util iz ing   a  few   crit eria,  for   e xam ple,  IP   ad dr es s,  lo ng   URL  a ddress,  includei ng   a  pr efix  or  add it io n,   di ver t ing   util iz ing  t he  i m ages, use  of  double  slash   and U RL  h a vi ng the im age of  @ .   Qian  C ui   [ 14]   has  desi gn  novel  trac king   ph is hing  at ta cks  us in g  cl ust ering  al gorit hm .in  this  ap proac h  unde rtakes   to  i ntrin sic   c har ac te risti cs  of   phis hing  sit es,  su c h  as  the  pr ese nc e  of   s pecific  s or t  of  inter net  f or m s,   or  so m e  unusu al   struct ur es   in  URLs. 90%  of  the   at ta cks  are  rep eat s   of  pr e vious   at ta cks.  Als o  90%  of  t he   act ual  at ta cks  in  li st  can   m e chan ic al ly   rem ov e .  The re  are   18   cl us te r  act ive  for  one  m on t h  an d  in  ge ner al  aver a ge  per io d  of   ti m e  of   cl us te r  is  25   days.   Atta ck  insta nc e  s  will   be  cl ust ered   in  s uc h  the  sim plest  way  that  ever y  on e  of  the  insta nces  of  a  si m il ar  at ta c k  in  th e  sam e  cl us te r,   ass ocia te   degree  at ta ck  cat eg or y,  showi ng   few   var ia ti ons  of   t he  D om ,  an d  lot  of   var ia ti on s   in  te rm s  of  do m ai n  nam es  and  ulti m a te ly  sci entifi c  disci pline  addresses  of t he  m achine serv ing  t he  at ta cks .     A  co ntent - bas ed   m et ho do l ogy  victim iz at ion   a  Term   Fr eq uen cy   a nd   Inv erse  D oc u m ent  Fr eq uen cy   (TF - I DF )   anal ysi s  to  spot  th e  phishin g  ta r get.  T he  keyw ord  e xtracted   by  the  T F - IDF   al gorithm ic   ru le   on  a  giv e n  pa ges  a r e  su bm it te d  to  look  en gin e s  li ke  Goo gle  an d  outp ut  the  possible  ta g  get   of   ph is hing  at ta cks  with  99% tr ue po sit ive .   S.  Ca r olin   Jee val,  Eli j a h  Bl essing  Ra j si ngh  [ 15 ]   has  pres ent  ph is hing  U RL  detect io n  us in g  a pr i or i   associat ion r ul e m ining  al gori thm . Th e pro pose d  te ch nique s co m pr om ise  o f  tw o  sta ge s.   1.   URL  LO OK an d feel  stage   2.   Highli ght ex tract ion   phase.   It  was  disco ve red   t hat  77.75%  of  ph is he d  URLs  a re  with  unc ommon   c harac te rs,9. 4%  o  phish ed  URL s   con ta ine d  IP   a ddress,6 4%  of  phishe d  URL   are  ob se r ved  as  sub do m ai n  us e d,   66.5%  of  phis hing  UR L  ar e   fou nd w it ho ut  top  le vel  dom ai n.  a pr i or i  giv e   99% e xactnes s level.       3.   METHO DOL OGY    Accor ding  to   [ 16 - 17 ]   f or  us e r  phis hing  a wa ren es s  trai ni ng  is  essenti al .  use r  a war e ness  trai ning  ca n  be do f ollo wing  4 ways.   1.   Ar ti cl es   2.   pr ese ntati on   3.   Audio an d vid eo   4.   Qu iz   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber  2 01 8   :   5326   -   5332   5330   In   pa per   a utho r  has   us e  prese ntati on   m et ho d  and  Q uiz  m eth od   [16 - 17] .  Q uizzes  are  us e d  f or   te sti ng   us er ’s  kn ow le dg e  a bout  phis hing  em ail  and   web sit es  in  fi rst  trai ning  ap proac h.   in  sec ond  trai ni ng   a ppr oach  pr ese ntati on   is  us e d,   th oro ugh  with  sho ws  ph is hing  em ai l s  an d  le gitim ate  e m ai ls  and   exp la in  w hy  pa r ti cular   e m ai l  is  ph ishi ng  or  le gitim ate.   F or  that  us e   real  ti m e  e m a il s  receive d  by  auth or  on  his   e m ai l  id.  Eve n  with  this  trai ning  do’s  a nd   don’t   al so   ex plain.to   identify   ph is hi ng   or  le giti m at e  e m ails  visu al iz at ion ,  te c hn ic al   par am et er and em ai l head er a nd bo dy, th e se  three cate gorie s ar e  us e d w h ic h  is s how n  i n b el ow  ta ble.       Table  1 Diff e r ent Facto rs  i n Dete rm ine D ec isi on s  a bout  E m ai l Legit i m a t e  a nd P his hing  Em a il s.       Ju d g m en t cr it eria   Ph ish in g     Legiti m at e   Un ab le to id en tif y   Visu alizatio n   (L o o k  and  Feel)   Dif f erent Co lu res us ed  in e m ails   Presen t  in  e m ail       Plain  text e m ail     Presen t in e m ail     Org. log o  or tr ad e m a rks  in e m ail   sig n atu re     Presen t in e m ail     Fo o tn o te o f  e m ail     Presen t in e m ail     Co p y  r ig h t of  e m ai l sig n atu re     Presen t in e m ail     Techn ical  p ara m et ers us ed   in  e m ail     There  is h ttp s  in  U RL     Presen t in e m ail     There  is n o  http s i n  URL     Presen t in e m ail     E m ail  is e m b ed d ed  URL  o r  link     Presen t in e m ail     E m ail  is no  e m b ed d ed  URL  o r  lin k       Presen t in e m ail   Verificatio n  pro ce ss  of  data       Presen t in e m ail   Manu ally   URL ch ecki n g   Presen t in e m ail       Sen d er  e m a il add r ess  is un k n o wn   Presen t in e m ail       E m ail  head er  an d  bo d y     Perso n alized e m a il   Presen t in e m ail         Oth er  p erso n al dat a       Presen t in e m ail     Ty p in g   m istak e  /gr a m m a tical  er ror   Presen t in e m ail         Pro m o tin g   o f f ers/o p p o rtun ities   Presen t in e m ail         Use o f  urg en t or f o rcefu l lang u ag e   Presen t in e m ail           Ex per im ent:  -   f or   this trai ning  total  1 6 em ai ls  are s how n  to  179 use rs, w hic h  is s how n  i n b el ow   ta ble. Out  of 16 em ai ls on ly  5 em a il s ar e legi tim a te  an d 1 1  a re  ph is hing  with  us ers  ide ntific at ion   resu lt  is  sh ow n  in  table  2.       Table  2  trai ning em ai l cl assificati on   done by  us ers .   E m ail  exa m p le   Legiti m at e   Legiti m at e   Un ab le to id en tif y   Bu sin ess   in v est m e n t   7   172   0   Co m p en satio n  sala ry  inc rease   52   123   4   E m ail  verif icatio n   f o r m  I T  dep t.   58   112   9   BC UD log in  no tif i catio n   129   44   6   E m ail  up d ate   52   123   4   LI C p o licy  ben ef it   148   22   9   E m ail  verif icatio n   f ro m  un iv ersity   24   148   7   I m p o rtant e m ail  f ro m   u n iv ersity   27   150   2   I m p o rtant e m ail  f ro m  un iv ersity   14   161   4   Dep o sit f u n d  f ro m   u n iv ersity   62   114   3   Ban k  tr an sf er  alter  f ro m  Citi ban k   41   129   9   Part  ti m e job   40   136   3   CICI ban k  cr ed it  c ard   37   135   7   y o u r  ap p o in t m en t f o r  u n iv ersity  work   110   62   7   y o u r  ap p o in t m en t  o f  un i v ersity  of  pu n e f o r  ex a m  work   146   28   5   y o u r  g u id e to saf e I CICI ban k  tr an sactio n   149   28   2       4.   E X PERI MEN T RES ULTS   In trainin g 6 7 % use rs  c orrec tl y i den ti fy leg it i m at e e m ail an d 8 0 %  ph is hin g em ails ar e i den ti fie d.   If   we  c om par e  befor e  a nd   a fter  trai ning  ap proach   on ly   28%   us ers  le giti m a te   e m a il   cor rec tl y  identific at ion   is  i m pr ovem ent  a nd   39%  phishi ng   em ai l  identific at ion   im pr ovem ent,  wh ic h   is  ver y  le ss  so  that  we  requir ed  to   so lve  this  pro bl e m   m achine learn i ng alg or it hm s ar e require d.   Af te r  trai ning  we  ta ke  rev ie w   of   us e rs  w hy  they   inco rr ect ly   cl assify   le gitim at e  e m ai l   as  ph is hing  an d  ph is hing  em ai l   as  le gitim a te .  They  giv e  reas on   li ke  m ulti c olor  are  use d  i n  em ail,  e m ail   e m bed de d  U RL  is  giv e n,   se nd e r  is  unknown ,  e m ai l   sign at ure  is  no t  p r oper ,  do m ai n  and   s ubdom ai n  is  no t  reg ist er.    Acc ordin g  to r eas on  giv e n by  par ti ci pa nt  wh i c h  is s how n  in  T a ble 3.   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       A Novel A pproach   f or Phis hi ng E ma il s Re al  Time Cl as sif ic ation U sin g  . ..  ( Ms.Vidya M haske - D ham dh e r e)   5331   T able  3 .  Re as on  Give n  b y Pa r ti ci pan t   Sr. n o   E m ail  title   E m ail  is  p h ish in g  or  leg iti m ate   Co u n t o f   Co rr ectly   class if y   Co u n t o f   in co rr ectl y  classi fy   Co rr ectly  classif y   as leg iti m at e or ph ish in g  Reaso n  gi v en  by  p articipan ts   1   Bu sin ess   in v est m en t   Ph ish in g   172   7   1 .  E m a il head er  na m e  is no t f in an ce c o m p an y  na m e  or b an k  na m e.   2 .f o r  m o re  in f o r m a tio n  click h ere  lin k  is giv en   3 .  e m ail  sig n atu re  an d  head er  is  m is m a tch   4 .  Fo r  co n tact no  e m a il is  and  con tact nu m b e r  is g iv en .   5 .  E m a il is  co lo rf u l.   2   Co m p en sati o n  salary   in crea se   Ph ish in g   152   52   1 .  Do m ain  na m e is  no t r eg ister do m ai n .   2 .  E m a il sta rt  is in f o r m all y .   3 .  Fo r  co n f o r m atio n  link  is giv en .  Details are   n o t giv en  in  m ail.   4 .  Fo rcing  us er  to   d o  no t sh are  salary in crea se d etai ls to   an y o n e.   5 .  E m a il sen d er  is   u n k n o wn .     3   E m ail   v erifi catio n   f o r m  I T   d ep t.   Ph ish in g   112   58   1.     Un iv ersity  nev er  c o n tact to stu d en t di rectl y .   2.   Do m ain  is no t r eg i ster do m ain .   3.   Co lleg e  e m ail  id is n o t verif ied  f o r m   u n iv ersity .   4   BC UD  lo g in   n o tif icatio n   Legiti m at e     129   44   1 .  E m a il sta rt  is in f o r m al.   2 .  Fo r  q u ery con ta ct nu m b e r  an d  e m a il id is g iv en .   3 .  Sen d er  is k n o wn .   4 .  Fo r  u p d atin g  of   BC UD us er  an d  pa ss wo rd lin k  is no t giv en .   5   E m ail   u p d ate     123   52   1 .E m ail  sen d er  is u n k n o wn   2 .  E m a il sig n atu re  is d o u b t f u l.   3 .  Ask in g  us er  to  c o n f i g u re  y o u r  e m ai l to o u tlo o k  web access.   6   LI C p o licy   b en ef it   Legiti m at e     148   22   1.   LI C b en ef it  m an d a te f ro m ,  cancel ch e q u e,  NEFT  details   ask in g .   2.   E m ail  id an d   co n tact nu m b e r  is g iv en   f o r  q u ery .   3.   LI C p o licy  nu m b er  is giv en .   7   E m ail   v erifi catio n   f ro m   u n iv ersity   Ph ish in g   148   24   1.   Do m ain  na m e  is n o t r eg ister do m ain .   2.   Inf o r m all y   e m a il st arted.   3.   E m ail  sig n atu re  is  m i ss in g .   4.   E m ail  e m b ed d ed  li n k  I s g iv en .   8   I m p o rtant  e m ail  f ro m   u n iv ersity   Ph ish in g   150   27   1 .  Un iv ersity  nev er  co n tact to staf f  and  stu d en t directly .   2 .  E m a il e m b ed d ed  link  is giv en .   3 .  E m a il head er  an d  sig n atu re  is  m is m a tch .   9   Dep o sit  f u n d  f ro m   u n iv ersity   Ph ish in g   161   14   1 .  In e m ail lastl y   I  d o  no t take call is  written.   2 .  Do m ain  is no t  r eg ister do m ain .   3 .  Sen d er  th e un k n o wn .   10   Ban k   trans f er  alter  f ro m   Citi b an k   Ph ish in g   114   62   1.   Ask in g  us er  to  op en  attach m en t of  f ile.   2.   Sen d er  is u n k n o wn .   3.   E m ail  sig n atu re  is  in f o r m al.   11   Citi b an k   credit  ca rd   Ph ish in g   129   41   1.   Ban k  cr ed it car d  st ate m en t is  alwa y s  co m in g  as e m ail f i le  attach m en t.   2.   Ask in g  us er  to  click o n  link .   12   Part  ti m e  jo b   Ph ish in g   136   40   1.     Jo b  pro f ile des criptio n  is giv en  in e m a il,  which  is  m is m a tch   with  job  title.   2.   Jo b  app licatio n  lin k  is   g iv en .   3.   Ap p licatio n  f o r m  i s n o t attached  to e m a il.   13   ICICI  b an k   credit ca rd   Legiti m at e   135   37   1.   Lif e f ree  IC ICI  b a n k  cr ed it car d  of f er  is g iv en .   2.   Fo r  credit  card app licatio n  click h ere li n k  is giv en .   3.   Ask in g  us er  to  app ly  thro u g h  giv en  link  oth erwise of f er  is n o t  g iv en .   14   y o u r  ap p o in t m en t f o r  u n iv ersity   wo rk   Legiti m at e   110     62   1.     Fo r  ap p o in t m en t l etter  cli ck  here lin k  is giv en .   2.   All ins tructio n s are  giv en  in e m ail  cle arly.   3.   Fo r  q u ery   e m a iled   an d  con tact nu m b e r  is g iv en .   15   y o u r  ap p o in t m en t of   u n iv ersity   o f   Pu n e f o r  ex a m  work   Legiti m at e   146   28   1.     Receiv er  f u ll na m e is giv en  in e m ai l.   2.     Fo r  ap p o in t m en t l etter  d o wn lo ad  link  is giv en  also  said  that  y o u  can get it sa m e f ro m   y o u r  BC U D log in .   16   y o u r  g u id e  to  saf e  ICICI  b an k   trans actio n   Legiti m at e   149   28   1.   E m ail   g reeting  inf o r m all y .   2.     ICICI  ban k  saf e tr an sactio n  gu id elin es are  giv en .   3.   Cu sto m er  ca re  an d  cus to m er  se rvice  call details  a re  g iv en .         Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber  2 01 8   :   5326   -   5332   5332   5.   CONCL US I O N   User   a wa ren e ss  ab ou t  em ail  and   websi te s  ph is hing  is  on e  of  the  ne cessary  aspect s.  Existi ng   li te ratur e  surve y  us er  ed ucati on   was  done   on - li ne  or   offli ne .  User   e du cat i on   ought  to  prov i de  cease le s sly .  In  existi ng   us e r,  18  to  t wen t y  25   ye a rs,   ge nd e r,   a nd  c ount ry,  that  w asn' t  sp are  pa ram et er  analysis  the  perform ance  of   us e r. to  fin d  this  analy sis  gap   we  hav e  a   te nd e ncy  to  area  unit   progressin g  to  em br a c e   add it io nal  pa r a m et er  li ke  age  within  t he  c om plete l y  diff e ren t  r ang e ,  e du cat i on,  prof es sio n,   daily    work ne t us a ge s.   If   we  ha ve  a  te nd e ncy  to  co m par e  bef ore  and   on ce  coa chi ng   a ppro ac h  28  %  us ers  le git i m at e   e m a il  pro per ly   identific at ion   is  i m pr ovem ent  and   39 %  ph is hing   e m ai l   identific at ion   i m pr ove m ent,  that  is  e xtrem el y  le ss  so   that  w e  hav e  a  te nd e ncy  to  nee de d  to  re s olv e  thi s  dow ns ide  m achine  le ar ning  al gorithm s  area  unit   require d       REFERE NCE S   [1] .   Alej andr o  Corr e a  Bahnsen y ,   Ed uar do  Contre r as  Bohorquez _,   Se rgi o  Villegas.   “ Cla ss if y ing  Phis hing  URLs  Us ing  Rec urre n t  Neur a l  Networks” ,   97 8 - 1 - 5386 - 2701 - 3/17/ $31. 00   c   20 17   IEEE .   [2] .   Anandit a ,   Dhire ndra   Prata p  Yad av,   Pri y ank a  Pal iwal ,   Div y a  Ku m ar,   Raj esh  Tripathi,  “ A  Novel  Ensemble  Base d   Ide nti f ic a ti on  of   Phis hing  E - Mail s” ,  Confe ren ce   ICMLC  2 - 17,   Februa r y   24 – 26 ,   2 017,   Singapore,  Singapore .   2017   ACM   [3] .   Ank it   Kum ar  Jai n  and  B .   B .   Gup ta ,   “ A  novel   app roa ch  to  pro te c t  aga inst   phishing   attac ks  at  clien t   side  using   aut o - updat ed   white - lis t” ,   EURA SI P Jo urnal  on  Inform ati on  S ec urit y   (2 016)  2016  DO I 10.1186/s13635 - 016 - 0034 - 3 .   [4] .   Hass an  Y.  A.  Abutai r_,   Abde l fet t ah  Bel gh it h,   “ Us ing  Case - B ase d  Rea soning   for  Phis hing  D et e ct ion ” ,   Th e  8 th   Inte rnational   Co nfe renc e  on   Am bie nt   Syste ms ,   N e tworks  and  Te c hnologi es  ANT2017 ,  Proc edi a   C omputer  Scienc e   109C  (2017)  28 1 – 28   Published b y   El sev ie r   B. V   [5] .   Marja n  Abde y a z dan1,   and  Ali  R a y at   Pis heh2 ,   “ Detect ing  int e rne t  phishing  attac ks  using  dat a   m ini n g  m et hods”,   3 r d   Inte rnational   co nfe renc e  on   In novat i ve   Engi n e ering  Techno lo gie s  ( ICIET'2016)   Augus t  5 - 6,   2016  Bangkok  (Tha i la nd)   [6] .   Mela d  Moham ed  Al - Dae ef,   Nurl ida   Basir ,   Madiha h  Mohd  Sa udi,   “ Secur ity   Aw are ness   Tra i ning:   A  Revi ew” ,   Proce ed ings o f   t he  World  Congr ess on  Engi n ee ri ng  2017   Vol   I  W CE  2017,   Jul y   5 - 7,   2017 ,   London ,   U.K   [7] .   Mouna  Jouinia ,   La tifa   Ben  Arfa  Raba i aAnis  Ben  Aiss a,   “ Cla ss ifi ca t ion  of  sec urity   thr ea ts  in  infor m at ion   s y stems ” ,  5th  Int ernati onal   Confe ren ce on Ambie nt   Syst ems ,   Ne tworks  and  Technol ogi es  ( ANT - 2014 ) ,   2014   El sevi er   [8] .   Nare ndra .   M.  S hekoka r,  Chaitali  Shah,   Mruna l  Maha ja n ,   Shruti   Rac hh, ”  An  Id ea l  Appro ac h  fo r   Detect ion  and   Preve nti on   of   Ph ishing  Att ac ks ” ,   El sev ie r,   Proce d ia  Computer  S cienc e   49  (2015)   8 2  –   91   [9] .   Na y ee m   Khan,  Johari  A bdullah,   and  Adnan   Sha hid  Khan,   “ Defe nding  Mal iciou s  Script   Att ac ks   Us ing  Mac hine   Le arn ing  Cla ss i fie rs”,   Hindawi   Wirel ess  Com municat ions  and  Mobil e  ComputingV olume   2 017,   Artic l e  ID   5360472,   doi . or g/10. 1155/2017 / 5360472.   [10] .   Rat inder  Kaur  a nd  Mani nder   Si ngh, ”   A  H y brid  Rea l - ti m e  Z ero - da y   Attack  Det e ct ion  and   Anal ysis  Sy st em”,   I .   J .   Computer  Net wo rk  and  Informati on  Sec uri ty,  201 5,   9 ,   19 - 31   [11] .   Published  Onlin e  Augus t  2015   i n  MECS   ( htt p :/ / ww w.m ec s - pre ss . org / )   [12] .   Routhu  Sriniva s a  Rao   and  S y e d  Ta q i  Ali , ”   Ph ishShie ld:  A  De sktop  Applica ti o n   to   De te c t  Ph i shing  We bpages   through  Heuristi c  Approach ”,   Eleve nth   Inte rn at i onal   Mult i - Conf ere nc e  on  In for m at ion  Proce ss i ng - 2015  (IMCIP - 2015)  1877 - 050 9  ©  2015   The A uthors.   Publishe d  b y   E lsevier   [13] .   Anupam a  Aggarwaly ,   As hwin  Ra ja des ing an_ ,   Ponnurangam  Kum ara guru,   “ Phis hAri:   Aut om at ic   Realti m e  Phis hing  Detect i on  on  Twi tt e r ”,   I EE E - 2012   [14] .   Abdulghani   Ali  Ahm ed,   Nurul  Am ira h  Abdulla h ,   “ Rea l  T ime  Detect ion   of  Phis h ing  W ebsit es” ,   9 78 - 1 - 5090 - 0996 - 1/16/ $31. 00   ©20 16  IEEE   [15] .   Qian  Cui ,   “ Tra c king  Phis hing  A tt a cks  over   Ti m e ” ,   2017   Inte rnational   World  Wide   We b  Conf ere nce   Comm it t e e   (IW 3C2  April  3 – 7,   2017 ,   Perth ,   Aus tra li a .     978 - 1 - 4503 - 4913 - 0/17 /04. htt p :/ /dx . doi . org/10. 1145/303 8912. 3052654.   [16] .   S.  Carol in   Jee v a1*  and  El i ja h   Ble ss ing  Raj si ngh2,   “ Inte l li ge nt  phishing  url   det e ction  usin g  associa t ion  r ul e   m ini ng”,   Hum .   Cent .   Comput.   I nf.   S ci.  ( 2016)   6:10  Spinge r op en ace ss ©  2016   [17] .   Vid y a  Mhaske  Dham dher e ,   Prasanna   Joeg,   “ To  Stud y   of  phishing  at tacks  and  user   beha vior” ,   IE EE ,   2 ND   Inte rnational   Co nfe renc e  on   Inv e nti v e  Computat i on  Technol og ie s ,   2017 .       Evaluation Warning : The document was created with Spire.PDF for Python.