Publisher of Iranian Journals and Conference Proceedings

Please waite ..
ناشر تخصصی کنفرانسهای ایران
ورود |عضویت رایگان |راهنمای سایت |عضویت کتابخانه ها
عنوان
مقاله

مروری بر روش های تشخیص هرزنامه با استفاده از الگوریتم های یادگیری ماشین

سال انتشار: 1395
کد COI مقاله: COMPUTER03_012
زبان مقاله: فارسیمشاهده این مقاله: 850
فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 11 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله مروری بر روش های تشخیص هرزنامه با استفاده از الگوریتم های یادگیری ماشین

زهرا مشایخی - دانشجوی کارشناسی ارشد موسسه آموزش عالی جهاد دانشگاهی خوزستان
علی هارون آبادی - استادیار دانشگاه آزاد اسلامی واحد تهران مرکز
محمدعلی نیزاری - مربی موسسه آموزش عالی جهاد دانشگاهی خوزستان

چکیده مقاله:

هرزنامهها که با عنوان ایمیل انبوه ناخواسته شناخته میشوند، به طور فزآیندهای در حال تبدیل شدن به یک بخش مضر در ترافیکهای ایمیلی هستند. هرزنامهها به یک مشکل همه گیر تبدیل شدهاند که میتوانند تاثیر منفی برروی قابلیت استفاده از پست الکترونیکی ایجاد نمایند. علاوه بر اتلاف وقت کاربران و تلاش مورد نیاز برای اسکن و حذف مقدار عظیمی از هرزنامههای دریافت شده، پهنای باند شبکه و فضای ذخیره سازی توسط اینگونه ایمیلها مصرف شده، سرعت سرورهای ایمیل را نیز پایین میآورند و همچنین یک رسانه برای توزیع مطالب توهین آمیز و مضر فراهم میشود. فیلترسازی یک راه ساده و کارآمد برای مبارزه علیه هرزنامهها است. خوشبختانه روشهای بسیاری برای طبقهبندی ایمیلها در دستههای هرزنامه و معتبر ارایه شده است که کار خود را به صورت خودکار انجام میدهند. در سالهای اخیر الگوریتمهای دسته بندی یادگیری ماشین برای فیلتر کردن خودکار هرزنامهها، توجه بسیاری از محققان را به خود جلب کرده است. در این مقاله ویژگیهای هرزنامهها و روشهای تشخیص آنها مورد بررسی قرار میگیرند و سپس در بخش نهایی مقالاتی که در این زمینه وجود دارند نیز بیان خواهند شد.

کلیدواژه ها:

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا COMPUTER03_012 میباشد و برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/605107/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
مشایخی، زهرا و هارون آبادی، علی و نیزاری، محمدعلی،1395،مروری بر روش های تشخیص هرزنامه با استفاده از الگوریتم های یادگیری ماشین،همایش ملی علوم و مهندسی کامپیوتر آینده پژوهشی-سرزمین پایدار،مشهد،https://civilica.com/doc/605107

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1395، مشایخی، زهرا؛ علی هارون آبادی و محمدعلی نیزاری)
برای بار دوم به بعد: (1395، مشایخی؛ هارون آبادی و نیزاری)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

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 :

  • نصرتی. لیلی، "تشخیص ایمل‌های ناخواسته با استفاده از تغییرات محتوا"، ...
  • نصرتی. وحید، "ارائه روشی جهت انتخاب ویژگی در الگوریتم های ...
  • FPGAmulti agent expert system critical management [مقاله کنفرانسی]
  • El-Alfy. E S and Al-Qunaieer. F S, A fizzy similarity ...
  • Ronald. B, Sherlekar A and Pandic A, Hybrid spam e-mail ...
  • Prince. M B, Dahl. _ M, Holloway. L, Keller. A ...
  • Devi. K S and Ravi. A, New Feature Selection Algorithm ...
  • Gautam. A, Gouda. M, Kuipers. B and Liu. A, Zmail: ...
  • Meizhen. W, Zhitang. L and Sheng. Z, Fuzzy decision tree ...
  • Guzella. T S and Caminha, W M, A review of ...
  • Santhi. G, Wenisch. SM and Sengutuvan. _ A Content Based ...
  • Samiei. M, Li. Y, Bin. G and Bab. P, A ...
  • Cody. S, Cukier. W and Nesselroth E, Genres Of Spam: ...
  • Cltk. A and Gingor. T, Time-Efficiet Spam E-mail Filtering Using ...
  • Chang. M, and Poon. C. K, Using phrases as features ...
  • Hu. Y, Guo. C, Zhang. X, Guo. Z, Zhang. J ...
  • Almeida. T A and Yamakami. A, Content-based spam filtering, In ...
  • Su. M C, Lo. H H and Hsu F H, ...
  • Ying, K C, Lin. S W, Lee. Z J and ...
  • Awad. W A and Elseuofi. S M, Machine Learning methods ...
  • Singh. S, Chand. A and Lal. S P, Improving Spam ...

مدیریت اطلاعات پژوهشی

صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

نظرات خوانندگان

4.50
2 تعداد پژوهشگران نظر دهنده
5 1
4 1
3 0
2 0
1 0

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: پژوهشگاه دولتی
تعداد مقالات: 6,851
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مقالات پیشنهادی مرتبط

مقالات مرتبط جدید

طرح های پژوهشی مرتبط جدید


طرح های پژوهشی فوق اخیرا در حوزه مرتبط با این مقاله به سیویلیکا افزوده شده اند.

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره 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.

پشتیبانی