تحلیل زمان ساخت مدلها با الگوریتم های کارا یادگیری ماشین جهت کاهش نامه های الکترونیکی ناخواسته

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 587

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

CSITM02_302

تاریخ نمایه سازی: 25 بهمن 1394

چکیده مقاله:

هرزنامهها اغلب برای بسیاری از کاربران مزاحم یا مزاحمت ایجاد می کنند. چرا که نه تنها به کاهش قابلیت اطمینان ایمیل می شوند گاهی اوقات کاربران توسط هرزنامه تحت تاثیر تلف شدن پهنای باند شبکه، تلف شدن زمان، هزینه و گاهی اوقات عدمدریافت بعضی پیا ها توسط کاربران می باشند. هرزنامه های که بصورت پست الکترونیکی هستند صرفاً فقط بعنوان زباله نیستند و از آنجایی که شامل فایل پیوست ویروس و عوامل نرم افزارهای جاسوسی هستند می توانند برای یک سیستم و دریافت کنندگان آن خطرناک باشند و با عث از بین رفتن اطلا عات باشد. بنابراین ما نیاز به ابزارهای جهت تشخیص اسپم یا هرزنامه داریم.بسیاری ازتکنیک های تشخیص هرزنامه ها بر اساس روش های یادگیری ماشین پیشنهاد شده است. همانطور که مقدار اسپم به طرز چشم گیری با استفاده از ابزارهای پستی فراوان افزایش یافته است نیاز به روش های جهت تشخیص اسپم و همچنین مقابله با آن را داریم. با این که در حال حاضر و با توجه به تکنولوژی های موجود امکان حذف کامل این نوع از نامه های الکترونیکی ناخواسته وجود ندارد، ولی می توان با استفاده از برخی روش های موجود تعداد آنان را کاهش داد

نویسندگان

سیدمحسن هاشمی

آموزشکده فنی و حرفه ای سما ، دانشگاه آزاد اسلامی واحد سوسنگرد، سوسنگرد، ایران

عارف سیاحی

آموزشکده فنی و حرفه ای سما ، دانشگاه آزاد اسلامی واحد سوسنگرد، سوسنگرد، 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 :
  • Andro utsopoulo s, I., et al., 2000, An experimental comparison ...
  • Drucker, H., Wu, S., &Vapnik, V. N. (1999). Support vector ...
  • Carreras, X., & Marquez, L. (2001). Boosting trees for anti-spam ...
  • Duda, R. O., Hart, P. E., & Stork, D. G. ...
  • Salem, M. B., & Stolfo, S. J. (2010). Detecting masqueraders: ...
  • Abu-Nimeh, S., Nappa, D., Wang, X., & Nair, S. (2008, ...
  • Breiman, L. (2001). Random forests. Machine learning, 45(1), 5-32 ...
  • Liang, J., Yang, S., &Winstanley, A. (2008). Invariant optimal feature ...
  • Pourhashemi S.M., Osareh A.. Shadgar B., (2013), E-mail spam filtering ...
  • Cheng Hua Li, Jimmy Xiangji Huang, (2012), Spam filtering using ...
  • Zhou, Y, (2007). Adaptive spam filtering using dynamic feature spaces. ...
  • Spam Abuse Corporation, _ :/spam. abuse .net/o verview/what isspam. shtml>, ...
  • Tretyakov, _ 2004, Machine Learning Techniques in Spam Filtering. Data ...
  • Zhu, Y., Tan, Y., 2011 June, A Lo ca _ ...
  • Besavaraju, M., Prabhakar, R., 2010 August, A Novel Method of ...
  • Michelakis, E., et al., 2004 July 30-31, A Learning- Based ...
  • Beiranvand, A.. et al., 2012 March, Spam Filtering By Using ...
  • httpss :/lbs-repos. it.demokritos. gr/skel/i-confi g/do wnloads/Lin gSpam ...
  • Lan, M., Tan, C. L., 2007. Supervised and Traditional Term ...
  • D. Patterson, F. Liu, D. Turner, A. Concepcion, and R. ...
  • M. Hall, E. Frank, G. Holmes, B. Pfahringer, P. Reutemann ...
  • Weka: Data Mining Software in Java _ : _ .cs.waikatc ...
  • I.H.Witten, E.Frank, M.A. Hall Data Mining Practical Machine Leamrning Tools ...
  • McCallum, Andrew, and Kamal Nigam. "A comparison of event models ...
  • Dumais, Susan. "Using SVMs for text categorization ." IEEE Intelligent ...
  • نمایش کامل مراجع