تشخیص جرایم سایبری در شبکه اجتماعی با تکنیک داده کاوی

در سال های اخیر سایت های شبکه های اجتماعی برخط محبوبیت چشمگیری را به دست آورده اند. جرایم سایبری از رسانه های اجتماعی به عنوان پلتفرم جدید در پذیرش انواع مختلف جرایم رایانه ای مانند فیشینگ، اسپمینگ، اشاعه بدافزار و اذیت و آزار سایبری استفاده می کنند. در این تحقیق، با کمک استفاده از اطلاعات مفید در پیام ها، عملکرد تشخیص آزار و اذیت های سایبری را بهبود می دهیم. انتخاب بهترین مشخصه ها با قدرت جداکنندگی بالا بین توئیت های آزار و اذیت سایبری و غیر آزار و اذیت سایبری یک فعالیت پیچیده است که نیازمند تلاش قابل ملاحظه ای در ساخت مدل یادگیری ماشین می باشد. در این راستا عملکرد پنج روش طبقه بندی بیزساده، ماشین بردار پشتیبان، درخت تصمیم ، k- نزدیک ترین همسایگی و شبکه عصبی را تحت پنج تنظیم مختلف به منظور انتخاب بهترین تنظیم برای مشخصه های پیشنهادی مقایسه می نماییم و با استفاده از الگوریتم های خفاش و ژنتیک و ازدحام ذرات پارامترهای C و سیگما را بهبود داده ایم و مقایسه ای بین پنج روش طبقه بند با پارامترهای پیش فرض و پارامترهایی که با الگوریتم های بهینه ساز بدست آوردیم پرداختیم و نشان داده ایم که الگوریتم خفاش از بین الگوریتم های دیگر بهینه ساز بهترین عملکرد را داشته است.

Keywords:

جرم , سایبری , الگوریتم داده کاوی , ماشین بردار پشتیبان