تشخیص هرزنامه با استفاده از انتخاب ویژگی شبکه عصبی مصنوعی و الگوریتم سینوس و کسینوس

تشخیص هرزنامه از ایمیل های عادی یکی از چالش های مهم سرویس های پست الکترونیک و استفاده کنندگان از ایمیل است. هرزنامه ها ترافیک شبکه اینترنت را هدر داده و دارای لینک های مخربی می باشند که در بیشتر موارد کاربران را به سمت صفحات فیشینگ هدایت می نمایند. یکی از چالش های مهم هرزنامه نقش آنها در انتشار انواع بدافزار در شبکه است و از این جهت شناسایی آنها از اهمیت زیادی برخوردار است. تشخیص هرزنامه با استفاده از روش های داده کاوی یک فرآیند مهم و کاربردی است اما چالش مهم روش های داده کاوی مانند شبکه عصبی مصنوعی در تشخیص هرزنامه از ایمیل آن است که این روش ها خطای قابل توجه ای در خروجی دارند و دلیل اصلی آن یادگیری برروی همه ویژگی های هرزنامه است. در این پژوهش برای کاهش دادن خطای تشخیص هرزنامه از ایمیل عادی یک روش مبتنی بر انتخاب ویژگی با استفاده از الگوریتم جستجوی سینوس و کسینوس ارائه شده است. در روش پیشنهادی بردارهای ویژگی توسط الگوریتم جستجوی سینوس و کسینوس به روزرسانی شده و بهینه ترین آنها برای آموزش شبکه عصبی مصنوعی استفاده می شود. پیاده سازی روش پیشنهادی در محیط متلب و بر روی مجموعه داده Spambase نشان می دهد شاخص دقت، صحت و حساسیت در روش پیشنهادی به ترتیب برابر 98.64%، 97.92% و 98.36% است و در این شاخص ها از شبکه عصبی مصنوعی چند لایه، شبکه بیزین، درخت تصمیم گیری جنگل تصادفی در تشخیص هرزنامه بهتر عمل می نماید. آزمایشات نشان می دهد الگوریتم جستجوی سینوس و کسینوس با انتخاب ویژگی برای شبکه عصبی مصنوعی چند لایه خطای آن را در حدود 2.18 برابر کاهش میدهد.

کلیدواژه ها:

هرزنامه ، الگوریتم سینوس و کسینوس ، الگوریتم های فراابتکاری ، داده کاوی