چارچوب یادگیری آنلاین تطبیقی برای تشخیص پویای هرزنامه با الگوریتم زنبور عسل

تشخیص هرزنامه های الکترونیکی به دلیل ماهیت پویا و در حال تکامل حملات سایبری همواره با چالش مواجه بوده است. روش های سنتی مبتنی بر یادگیری ماشین پس از آموزش اولیه قادر به تطبیق با الگوهای جدید هرزنامه نیستند و این مسئله منجر به کاهش تدریجی دقت آنها در محیط های واقعی می شود. در این مقاله یک چارچوب یادگیری آنلاین تطبیقی برای تشخیص پویای هرزنامه ارائه می شود که از الگوریتم زنبور عسل پویا برای انتخاب ویژگی به صورت افزایشی و یک شبکه عصبی مصنوعی با قابلیت شروع گرم برای دسته بندی استفاده می کند. روش پیشنهادی بر روی مجموعه داده استاندارد Spambase با ۴۶۰۱ نمونه و ۵۷ ویژگی مورد ارزیابی قرار گرفته است. داده ها به سه بخش آموزش اولیه (۳۲۲۰ نمونه)، جریان داده تدریجی (۶۹۰ نمونه در ۶ بلاک ۱۰۰تایی) و تست نهایی (۶۹۱ نمونه) تقسیم شدند. نتایج تجربی نشان می دهد که روش پیشنهادی با دقت اولیه ۹۲.۱۹ درصد بر روی داده های تست پس از پردازش جریان داده، پویا به دقت نهایی ۹۰.۸۰ درصد می رسد. میانگین زمان هر به روزرسانی ۱۶.۱۲ ثانیه بوده که برای کاربردهای آنلاین قابل قبول است همچنین الگوریتم زنبور عسل پویا موفق شد که تعداد ویژگی های بهینه را از ۲۵ به ۳۱ افزایش دهد تا با الگوهای جدید هرزنامه تطبیق یابد. نتایج این پژوهش نشان می دهد چارچوب پیشنهادی علی رغم کاهش دقت نسبت به مدل ثابت قابلیت بازیابی و تطبیق با داده های جدید را داشته و برای سناریوهای واقعی که الگوهای هرزنامه به طور مداوم تغییر می کنند بسیار حائز اهمیت است.

کلیدواژه ها:

تشخیص ، هرزنامه ، یادگیری آنلاین ، تطبیقی ، الگوریتم زنبور عسل ، پویا ، انتخاب ویژگی افزایشی ، جریان داده پویا ، Spambase