استفاده از الگوریتم بیزین ساده در شبکه ظرف شهد برای دسته بندی، شناسایی و فیلتر ایمیل ناخواسته

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 672

فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

CITCONF03_602

تاریخ نمایه سازی: 12 تیر 1395

چکیده مقاله:

ایمیل ناخواسته یا هرزنامه یکی از مشکلات جدی کاربران در مکاتبات الکترونیکی است. پایین آمدن راندمان کاری، اشغال فضای دیسک و حملات جعل هویت، بعضی از پیامدهای هرزنامه می باشد. 90 % حجم ایمیل های مبادله شده را هرزنامه ها تشکیل می دهند. همزمان با پیدایش هرزنامه، محققین نیز روش هایی برایبرخورد با این پدیده معرفی نموده اند. در میان کارهای انجام شده روش های مبتنی بر الگو ریتم های یادگیری ماشینی حجم گسترده تری از کارهای مرتبط در این زمینه را به خود اختصاص داده است. ولی چالش روبه رو ما آن است که الگوریتم های یادگیری ماشین به شدت به داده های آموزشی خود و به روز بودن آن وابسته هستند. چالش دیگر تمرکز بیشتر کارها بر روی قسمت بدنه پیام است، که موجب افزایش هزینه محاسباتی می شود. در این پژوهش سعی بر معرفی و توسعه مدلی برای دسته بندی و شناسایی هرزنامه، بر پایه الگوریتم بیزین با استفاده از کلیه کلمات موجود در هرزنامه ها می باشیم که برای مقابله با حجم انبوه نامه های ناخواسته می تواند مفید و کاربردی باشد. همچنین از ظرف عسل می توان برای شناسایی هرزنامه استفاده کرد. ظرف عسل پیشنهاد شده قدرت فریبندگی بالایی ارائه می دهد. دقت شناسایی هرزنامه با توجه با بکارگیری کلیه کلمات موجود در پیام ها و استفاده از الگوریتم بیزین ساده برای فیلترینگ و شناسایی هرزنامه، بالا است. نتایج حاصل بدست آمده نشان می دهد که روش پیشنهادی در استخراج ویژگی ها به وسیله الگوریتم بیزین روشی کارآمدی در کشف ایمیل های هرزنامه است.

نویسندگان

علی رزق جو

گروه مهندسی کامپیوتر، پردیس علوم و تحقیقات اردبیل، دانشگاه آزاد اسلامی، اردبیل، ایران

مسعود بکروی

گروه مهندسی کامپیوتر، واحد اردبیل، دانشگاه آزاد اسلامی، اردبیل، ایران. -

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :
  • GOSTEV, A. 2008. Kaspersky Security Bulletin Statistics. ...
  • _ ARTAIL, H, SAFA, H, SRAJ, M, KUWATLY, I. & ...
  • PHAM, V. H. & DACIER, M. 2011. Honeypot trace forensics: ...
  • G. BROWN 2010. Ensemble Learning, In: Encyclopedia of Machine Learning, ...
  • E. M. D. SANTOS, R. SABOURIN AND P. MAUPIN. 2008. ...
  • Paliouras G, Androuts opoulos I .2006. Spam Filtering with Naive ...
  • ATEFEH HEYDARI, MO HAMMAD ALI TAVAKOLI, NAOMIE SALIM, ZAHRA HEYDARI. ...
  • THIAGO S. GUZELLA, WALMIR M. CAMINHAS 2009. A review of ...
  • نمایش کامل مراجع