CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

بهبود تشخیص ناهنجاری در سیستم های ارایه دهنده سرویس های ایمیل با استفاده از طبقه بندی مبتنی بر محتوا با ماشین بردار پشتیبان

اعتبار موردنیاز : ۱ | تعداد صفحات: ۹ | تعداد نمایش خلاصه: ۶۲ | نظرات: ۰
سال انتشار: ۱۳۹۶
کد COI مقاله: COMPUTER04_012
زبان مقاله: فارسی
حجم فایل: ۶۱۰.۳۵ کیلوبایت (فایل این مقاله در ۹ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۹ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله بهبود تشخیص ناهنجاری در سیستم های ارایه دهنده سرویس های ایمیل با استفاده از طبقه بندی مبتنی بر محتوا با ماشین بردار پشتیبان

  ابراهیم فردهفتخوانی - کارشناسی ارشد فناوری اطلاعات، امنیت اطلاعات، موسسه آموزش عالی مهرآستان،گیلان
  غلامحسین اکباتانی فرد - استادیار گروه کامپیوتر، واحد لاهیجان، دانشگاه آزاد اسلامی، لاهیجان، ایران

چکیده مقاله:

از جایی که ایمیلها دارای ویژگیهایی نظیر تعداد کلمات متن پیام، تعداد کلمات عنوان پیام و... میباشند هدف این پژوهش یافتن ویژگیهای استخراج شده از ایمیلها و انتخاب مناسبترین و بهترین آنها به منظور تشخیص ناهنجاریها در ایمیلهای ارسالی و برقراری ارتباطات است. روند کار پژوهش این گونه است که در گام اول ویژگیهای مختلف برای هر کاربر براساس ایمیلهای مبادله شده استخراج میشود و سپس براساس الگوریتم ژنتیک، بهترین ویژگیها برای تشخیص ناهنجاری توسط طبقه بند ماشین بردار پشتیبان انتخاب میشود. در این پژوهش برای بررسی کارایی سیستم پیشنهادی و تولید یک مدل رفتاری برای شخص عملکرد و ارتباطات یک کاربر در مجموعه داده به مدت یک ماهه بخشبندی و بررسی شد. به منظور بررسی کارایی سیستم پیشنهادی نتایج مطلوبی که از شبیه سازی حاصل شد به این صورت می باشد که روش پیشنهادی با دسته بندهای KNN و ANN مورد مقایسه قرار گرفت. در آزمایش خطای تشخیص ناهنجاری توسط دسته بند SVM بهوسیله ی الگوریتم ژنتیک 18 ویژگی اصلی درنظر گرفته شد و انتخاب 10 ویژگی به بالا میزان خطای سیستم حدود 5.2 درصد بدست آمد اما با انتخاب 8 ویژگی میزان هزینه نهایی به کمترین حالت خود رسید. همچنین در آزمایش خطای تشخیص ناهنجاری توسط دستهبند KNN به وسیله ی الگوریتم ژنتیک تعداد تکرار الگوریتم ژنتیک 100 مرتبه در نظر گرفته شد و با انتخاب 14 ویژگی به بالا میزان خطای سیستم به 6.8 درصد رسید که انتخاب 8 ویژگی سبب کاهش همزمان حجم محاسبات و خطای تشخیص میگردد. در نهایت در آزمایش خطای تشخیص ناهنجاری توسط دسته بند ANN به وسیله ی الگوریتم ژنتیک، با یک لایه و تعداد نرونها از 5 الی 10 بررسی شد و کمترین میزان خطا با 5 نرون نتیجه شد و حدود 6.5 درصد خطا با انتخاب 14 ویژگی بهدست آمد. در نتیجه میتوان گفت ماشین بردار پشتیبان هم از نظر میزان محاسبات و هم از نظر میزان خطای تشخیص ناهنجاری از دو دسته بند دیگر عملکرد بهتری دارد و طبق نتایج بهدست آمده دیگر میتوان گفت با استفاده از دسته بند ماشین بردار پشتیبان و انتخاب 70 درصد دادهها به عنوان دادههای آموزش میتوان به خوبی ناهنجاریهای یک سرویس ایمیل را تشخیص داد.

کلیدواژه‌ها:

تشخیص ناهنجاری، سرویس ایمیل، طبقه بند، SVM ، ماشین بردار پشتیبان و الگوریتم ژنتیک

کد مقاله/لینک ثابت به این مقاله

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://www.civilica.com/Paper-COMPUTER04-COMPUTER04_012.html
کد COI مقاله: COMPUTER04_012

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:
فردهفتخوانی, ابراهیم و غلامحسین اکباتانی فرد، ۱۳۹۶، بهبود تشخیص ناهنجاری در سیستم های ارایه دهنده سرویس های ایمیل با استفاده از طبقه بندی مبتنی بر محتوا با ماشین بردار پشتیبان، دوازدهمین سمپوزیوم پیشرفت های علوم و تکنولوژی کمیسیون دوم:سرزمین پایدار تازه های کامپیوتر و فناوری اطلاعات، مشهد، موسسه آموزش عالی خاوران، https://www.civilica.com/Paper-COMPUTER04-COMPUTER04_012.html

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: (فردهفتخوانی, ابراهیم و غلامحسین اکباتانی فرد، ۱۳۹۶)
برای بار دوم به بعد: (فردهفتخوانی و اکباتانی فرد، ۱۳۹۶)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: موسسه غیرانتفاعی
تعداد مقالات: ۳۶۹
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.

مدیریت اطلاعات پژوهشی

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

مقالات مرتبط جدید

شبکه تبلیغات علمی کشور

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.