تشخیص جرایم سایبری در ارتباطات برخط با رویکرد داده کاوی
Publish place: Inactive Defense Magazine، Vol: 11، Issue: 1
Publish Year: 1399
Type: Journal paper
Language: Persian
View: 1,164
This Paper With 8 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
JR_SAPD-11-1_006
Index date: 14 July 2020
تشخیص جرایم سایبری در ارتباطات برخط با رویکرد داده کاوی abstract
در سالهای اخیر سایتهای شبکه های اجتماعی برخط محبوبیت چشمگیری را به دست آوردهاند. جرایم سایبری از رسانههای اجتماعی به عنوان پلتفرم جدید در پذیرش انواع مختلف جرایم رایانهای مانند فیشینگ، اسپمینگ، اشاعه بدافزار و اذیت و آزار سایبری استفاده میکنند. در این تحقیق، با کمک استفاده از اطلاعات مفید در پیام ها، عملکرد تشخیص آزار و اذیتهای سایبری را بهبود داده می شود. انتخاب بهترین مشخصهها با قدرت جداکنندگی بالا بین توئیتهای مزاحمتهای سایبری و غیر مزاحمت های سایبری یک فعالیت پیچیده است که نیازمند تلاش قابل ملاحظهای در ساخت مدل یادگیری ماشین میباشد. در این راستا عملکرد پنج روش طبقه بندی بیزساده، ماشین بردار پشتیبان، درخت تصمیم، k- نزدیکترین همسایگی و شبکه عصبی را تحت پنج تنظیم مختلف به منظور انتخاب بهترین تنظیم برای مشخصه های پیشنهادی مقایسه شده است و با استفاده از الگوریتم های خفاش و ژنتیک و ازدحام ذرات پارامترهای C و سیگما را بهبود داده شده است و مقایسهای بین پنج روش طبقه بندی با پارامترهای پیش فرض و پارامترهایی که با الگوریتمهای بهینه ساز به دست آورده شده و مشخص شده است که الگوریتم خفاش از بین الگوریتم های دیگر بهینهساز بهترین عملکرد را داشته است. با توجه به پژوهشی که انجام شده بیشترین دقت را با مدل SVM به 56/86 و بیشترین صحت را به 14/87 بوده است.
تشخیص جرایم سایبری در ارتباطات برخط با رویکرد داده کاوی Keywords:
تشخیص جرایم سایبری در ارتباطات برخط با رویکرد داده کاوی authors
محمد راستگو
دانشگاه امام رضا ع
مهرداد جلالی
دانشیار گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد مشهد
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :