۲-۹-۴- رویکرد چهارم: روش­های فازی
ویژگی­ها و عوامل زیادی وجود دارند که می­توانند وبگاه قانونی را از نوع تقلّبی آن متمایز کنند که از آن جمله می­توان خطاهای نگارشی و نشانی طولانی URL را نام برد. به وسیله­ مدلی که در (Aburrous et al., 2010a) براساس عملگرهای منطق فازی ارائه شده است، می­توان عوامل^[۱۱۳] و نشانگر­های^[۱۱۴] دام­گستری را به متغیرهای فازی تبدیل کرد و در نتیجه شش سنجه^[۱۱۵] و معیار^[۱۱۶] حمله­ی دام­گستری را با یک ساختار لایه­ای^[۱۱۷] به دست آورد.
روش (Aburrous et al., 2008) آن است که نشانگر­های اصلی دام­گستری را با بهره گرفتن از متغیرهای زبانی بیان کند. در این مرحله توصیف­کننده­ های زبانی مانند «بالا»، «پایین» و «متوسط» به هر شاخص دام­گستری، نسبت داده می­شوند. تابع عضویت برای هر شاخص دام‌گستری طراحی می­ شود. در نهایت میزان ریسک دام­گستری وبگاه محاسبه می­ شود و مقادیر «کاملاً قانونی»، «قانونی»، «مشکوک»، « دام­گستری شده»، «حتماً دام­گستری شده»، به آن نسبت داده می­شوند.

روش پیشنهادی در(Aburrous et al., 2010b)، یک مدل هوشمند بر اساس الگوریتم­های داده ­کاوی دسته­بندی^[۱۱۸] و انجمنی^[۱۱۹] است. قواعد تولید شده از مدل دسته­بندی تجمعی^[۱۲۰]، نشان‌دهنده‌ی رابطه‌ی بین ویژگی­های مهمی مانند URL، شناسه دامنه، امنیت و معیارهای رمزنگاری^[۱۲۱] در نرخ تشخیص دام­گستری است. نتایج این تحقیق نشان می­دهد که استفاده از روش دسته­بندی تجمعی در مقایسه با الگوریتم­های سنتی دسته­بندی عملکرد بهتری دارد. الگوریتم‌های تجمعی، مهم­ترین ویژگی­ها و مشخصه­های وبگاه­های دام­گستری شده در بانکداری الکترونیکی و چگونگی ارتباط این مشخصه­ها با یکدیگر را شناسایی می‌کنند.
۲-۱۰- نتیجه ­گیری
در این فصل پس از مرور مفهوم بانکداری الکترونیکی، مزایا و چالش­های آن، زیرساخت­های مورد نیاز و امنیت بانکداری الکترونیکی را بررسی کردیم. پس از آن به شرح مفهوم دام­گستری و بخشی از مباحث مربوط به آن پرداختیم. همچنین روش­های قبلی ارائه شده برای تشخیص دام­گستری را دسته­بندی و مرور کردیم. استفاده از نظریه­ فازی برای تشخیص دام­گستری، تلاش می­ کند از مزایای روش­های قبلی بهره برده و ضمن افزایش دقت و صحت نتایج و از بین بردن افزونگی­ها، درصد بیشتری از وبگاه­های دام­گستری شده را تشخیص داده و از این­گونه حملات به نحو مطلوب­تری جلوگیری به عمل آورد، به همین دلیل در فصل بعد به بررسی مفاهیم اصلی نظریه­ مجموعه­های فازی و نظریه­ مجموعه­های ژولیده خواهیم پرداخت.
فصل سوم- نظریه­ مجموعه­های فازی و مجموعه­های ژولیده
سیستم فازی
۳-۱- مقدمه
مشخص کردن وبگاه­های دام­گستری­شده کاری پیچیده و در عین حال پویا است که عوامل و معیارهای فراوانی در آن مؤثر هستند. همچنین به دلیل عدم قطعیت و ابهام موجود در این تشخیص، مدل منطق فازی^[۱۲۲] می ­تواند ابزار کارآمدی در ارزیابی و شناسایی وبگاه­های دام­گستری شده باشد چراکه روشی طبیعی برای کار کردن با عوامل کیفی را در اختیار ما قرار می­دهد.
در سامانه‌های عملی، اطلاعات مهم از دو منبع سرچشمه می‌گیرند: یکی افرادِ خبره که دانش و آگاهی­شان را درباره سامانه با زبان طبیعی تعریف می‌کنند. منبع دیگر اندازه گیری­ها و مدل‌های ریاضی هستند که از قواعد فیزیکی مشتق شده‌اند. لذا مسئله­ مهم، ترکیبِ این دو نوع از اطلاعات در طراحی سامانه‌ها است. در انجام این امر سؤالی کلیدی وجود دارد و آن اینکه چگونه می‌توان دانش بشری را در چارچوبی مشابه مدل‌های ریاضی فرمول­بندی کرد. به عبارتِ دیگر سؤال اساسی این است که چگونه می‌توان دانش بشری را به فرمولی ریاضی تبدیل کرد. اساساً آنچه سامانه‌های فازی انجام می‌دهد، همین تبدیل است.
نظریه­ مجموعه­های ژولیده نیز همچون فازی با مسائل شامل عدم قطعیت و ابهام سرو کار دارد. اصولاً مجموعه­ ژولیده، تقریبی از مفهومی مبهم^[۱۲۳] به کمک یک زوج مفهوم صریح^[۱۲۴] به نام «تقریب بالا»^[۱۲۵] و «تقریب پایین»^[۱۲۶] است. امروزه این نظریه در هوش مصنوعی، سامانه­های خبره، داده ­کاوی، علوم شناختی، یادگیری ماشین، کشف دانش و تشخیص الگو کاربردهای فراوانی دارد. در این فصل ابتدا با بررسی نظریه­ مجموعه‌های فازی به تعریف سامانه­ی فازی پرداخته و ویژگی­ها و مبانی ریاضی مورد نیاز در طراحی سامانه­ی فازی را بیان خواهیم کرد. سپس به طور اجمالی نظریه­ مجموعه­های ژولیده و ترکیب آن را با مجموعه­های فازی را شرح خواهیم داد.
۳-۲- نظریه‌ی مجموعه‌های فازی
محققانی که با مواد فیزیکی سر و کار دارند باید توجه خود را به استانداردهای بسیار دقیق، روشن و حتمی معطوف کنند. متر به عنوان استانداردی برای اندازه گیری پذیرفته شده است اما در شرایطی ممکن است ریزترین تقسیم بندی به‌کار برود ولی درآزمایشگاه به معیاری بازهم کوچکتر نیاز باشد. به عبارت دیگر به‌طور حتم و یقین در همه‌ی معیار‌های اندازه‌گیری ، بدون توجه به دقت و شفافیت، امکان خطا وجود دارد. دومین پدیده­ محدود کننده­ حتمیت^[۱۲۷] مورد انتظار، کاربرد زبان محاوره­ای برای توصیف و انتقال دانش و آگاهی است. همه‌ ما تجربه‌ی سوء تفاهمات ناشی از بکارگیری واژه‌ها در غیر معنی اصلی خود در زندگی عادی و روزمره‌ی خویش را داریم. درک ما از مفهوم واژه‌ها با شالوده‌های فرهنگی و ارتباطات شخصی ما گره خورده است. بدین لحاظ،‌ اگر چه ممکن است در اصل معنی واژه‌ها تفاهم داشته و قادر به ارتباط نسبی و قابل قبول در اغلب موارد با همدیگر باشیم، لیکن توافق کامل و بدون ابهام در بسیاری از مواقع بسیار مشکل و بعید به نظر می‌رسد. به عبارت دیگر، زبان طبیعی و محاوره ای غالباً دارای مشخصه‌ی ابهام و عدم شفافیت است (Ross, 2004).
عسگر لطفی زاده در سال ۱۹۶۵ نظریه­ جدید مجموعه­های فازی را که از نظریه‌ی احتمالات متمایز بود ابداع کرد(Ross, 2004). زاده علاقه‌ی فراوانی به حل مسائل سامانه‌های پیچیده به روش مدل سازی داشت. تجربه‌های گوناگون علمی و عملی او گویای این واقعیت بود که روش‌های معمول ریاضی قادر به این طریق از مدل‌سازی نبودند.
به‌رغم مجموعه‌های کلاسیک با مرز‌های قطعی مجموعه‌های فازی دارای مرز‌های قطعی و شفافی نیستند. عنصر یاد شده ممکن است در یک مجموعه دارای درجه‌ی عضویتی بیشتر و یا کمتر از عناصر دیگر باشد. هر مجموعه‌ی فازی با تابع عضویت خاص خود قابل تعریف است و هر عضو در داخل آن با درجه‌ی عضویتی بین صفر تا یک مشخص می‌شود. در ابتدا، نظریه‌ی پیشنهادی مجموعه‌های فازی مورد استقبال زیاد قرار نگرفت. لیکن در دهه ۱۹۷۰ چندین اثر مهم و پایه ای توسط این پژوهشگران منتشر شد که توجه بسیاری از محققان را به خود جلب کرد. به‌عنوان نمونه نظریه‌ی بسیار مهم کنترل فازی و سپس کاربرد موفقیت آمیز آن در صنعت در این برهه از زمان ارائه شد. امروزه علاوه بر کاربرد‌های مهندسی، در دنیای تجارت، سرمایه، اقتصاد، جامعه شناسی و سایر زمینه‌های علمی بویژه سامانه‌های تصمیم‌یار از از نظریه‌ی فازی استفاده‌های فراوان می‌شود. کاربرد نظریه‌ی فازی همچنین در سامانه‌های خبره^[۱۲۸]، سامانه‌های پایگاه داده و بازیابی اطلاعات^[۱۲۹]، تشخیص الگو و خوشه‌بندی، سامانه‌های روباتیک^[۱۳۰]، پردازش تصویر و سیگنال‌ها^[۱۳۱]، بازشناسی صحبت^[۱۳۲]، تجزیه و تحلیل ریسک^[۱۳۳]، پزشکی، روانشناسی، شیمی، اکولوژی^[۱۳۴] و اقتصاد به وفور یافت می‌شود (فسنقری، ۱۳۸۵).
با دقت در زندگی روزمرّه خواهیم دید که ارزش­گذاری گزاره‌ها در مغز انسان و نیز اکثر جملاتی را که در زبان گفتاری به‌کار می‌بریم ذاتاً فازی و مبهم هستند. از این‌رو به‌منظور شبیه سازی و به دست آوردن مدل ریاضی برای منطق زبانی، منطق فازی به ما اجازه می‌دهد به تابع عضویت  مقداری بین صفر و یک را نسبت داده، ابهام را جایگزین قطعیت کنیم.
با دانستن اصول اولیه مربوط به منطق قطعی و مجموعه‌های قطعی، با تکیه بر اصول فازی، به تعریف منطق و مجموعه‌های فازی می‌پردازیم. به‌گونه ای که روابط و تعاریف مجموعه‌های فازی در حالت خاص باید همان روابط و تعاریف مجموعه‌های قطعی باشد.
اگر X مجموعه­ مرجعی باشد که هر عضو آن را با x نمایش دهیم مجموعه فازی A در X به‌صورت زوج‌های مرتب زیر بیان می‌شود:

تابع عضویت و یا درجه‌ی عضویت است که مقدار عددی آن، میزان تعلق x به مجموعه‌ی فازی  را نشان می‌دهد. برد این تابع، اعداد حقیقی غیر منفی است که در حالت معمولی به صورت فاصله‌ی بسته‌ی [۱و۰] در نظر گرفته می‌شود. بدیهی است در صورتی‌که برد این تابع تنها اعداد صفر و یک باشد همان مجموعه­ قطعی را خواهیم داشت.
در تمامی کاربردهای فازی به تعریف تابع عضویت نیاز داریم. لذا در ذیل به چند نمونه از توابع عضویت معروف اشاره شده است (تشنه لب و همکاران، ۱۳۸۹):
الف) تابع عضویت زنگوله‌ای (گوسی): تابع عضویت زنگوله‌ای برای دو حالت پیوسته و گسسته در شکل (۳-۱) نشان داده شده و معادله‌ی مربوط به حالت پیوسته در رابطه­ (۳-۲) تعریف شده است:

که در آن d پهنای زنگوله،  عنصری از مجموعه‌ی مرجع و c مرکز محدوده‌ی عدد فازی است. برای حالت گسسته فرمول خاصی وجود ندارد و تنها پس از رسم نقاط مربوط به عدد فازی، شکلی مشابه با قسمت ب در شکل ۳-۱، به دست می‌آید.
الف) تابع عضویت زنگوله ای برای حالت پیوسته
ب) تابع عضویت زنگوله ای برای حالت گسسته

c
d
x

c
x
۱
۱
شکل ۳-۱ تابع عضویت زنگوله ای
ب) تابع عضویت مثلثی: تابع عضویت عدد مثلثی (شکل ۳-۲) با رابطه­ زیر تعریف می‌شود: