تشخیص هرزنامه با استفاده از انتخاب ویژگی شبکه عصبی مصنوعی و الگوریتم سینوس و کسینوس
- سال انتشار: 1399
- محل انتشار: پنجمین همایش بین المللی افق های نوین در مهندسی برق، کامپیوتر و مکانیک
- کد COI اختصاصی: MHCONF05_078
- زبان مقاله: فارسی
- تعداد مشاهده: 681
نویسندگان
کارشناس ارشد کامپیوتر، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی، واحد ملارد، ملارد، ایران
عضو هیئت علمی گروه کامپیوتر، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی، واحد ملارد، ملارد، ایران
عضو هیئت علمی گروه کامپیوتر، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی، واحد ملارد، ملارد، ایران
چکیده
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 کاویمقالات مرتبط جدید
- استفاده از اینترنت اشیا در بهبود مدیریت بار و افزایش کارایی شبکه های برق
- بهینه سازی توان در سیستم های چند هسته ای با استفاده از یادگیری تقویتی و تخصیص منابع
- بررسی مدارهای مجتمع آنالوگ کم مصرف برای کاربردهای پزشکی
- Physical Layer Security in ۵G Networks Using ArtificialInterference
- یک روش جدید در سیستم های توصیه گر برای پیش بینی سلیقه کاربران با استفاده ازالگوریتم بهینه سازی نهنگ
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.