چکیده: حملات فیشینگ، یکی از بزرگترین تهدیدات امنیت سایبری در دنیای امروز، با هدف فریب کاربران برای افشای اطلاعات شخصی یا کلاهبرداری مالی از آن‌ها انجام می‌شوند. امروزه تشخیص و مسدود کردن URLهای فیشینگ به دلیل خسارات مالی و امنیتی فراوانی که می‌توانند به بار بیاورند، بسیار حائز اهمیت است. یکی از روش‌های رایج برای انجام این حملات، استفاده از URLهای جعلی است که ظاهراً به وب‌سایت‌های معتبر مانند بانک‌ها یا فروشگاه‌های آنلاین هدایت می‌شوند. روش‌های سنتی تشخیص فیشینگ، مبتنی بر تکنیک‌های دستی هستند که نیازمند صرف منابع انسانی فراوان و به‌روزرسانی مداوم الگوها است. در مقابل روش‌های مبتنی بر هوش مصنوعی قادرند بدون دخالت انسان و به طور خودکار URLهای فیشینگ تولید کنند. در این تحقیق، به بررسی روش‌های تولید خودکار URLهای فیشینگ با استفاده از روش‌های یادگیری عمیق، به ویژه شبکه‌های مولد رقابتی می‌پردازیم. شبکه‌های GAN، دو شبکه عصبی را شامل می‌شوند که با یکدیگر رقابت می‌کنند. یک مولد که داده‌های جعلی مانند URLهای فیشینگ تولید می‌کند، یک تمییز دهنده که وظیفه‌اش تشخیص داده‌های واقعی از جعلی را بر عهده دارد. در معماری شبکه GAN پیشنهادی، مولد از شبکه GRU و تفکیک کننده از شبکه CNN استفاده می‌کند. این روش مزایای متعددی نسبت به روش‌های سنتی تولید URLهای فیشینگ دارد. اولاً، می‌تواند URLهای فیشینگ را به طور خودکار و با سرعت بالا تولید کند. ثانیاً، می‌تواند URLهایی تولید کند که بسیار شبیه به URLهای واقعی باشند و تشخیص آنها برای انسان دشوار باشد. اما هدف اصلی این تحقیق، استفاده از این روش برای تولید یک لیست‌سیاه شامل URLهای کاندید فیشینگ برای دامنه مورد نظر است. این لیست‌سیاه می‌تواند به عنوان ابزاری قدرتمند برای محافظت از کاربران در برابر حملات فیشینگ مورد استفاده قرارگیرد. در نهایت شبکه GAN ارائه شده بر روی داده‌های ما که URLهای استخراج شده از دامنه سه بانک‌ هستند آزمایش شده و نتایج حاکی از آن است که این الگوریتم قادر به تولید یک لیست‌سیاه قدرتمند با میانگین شباهت دامنه بالای ۶۸٪ برای همه دامنه‌ها و تعداد ۷۲ URL برای دامنه ملت، ۵۲ URL برای تجارت و ۳۰ URL برای سپه است.