آمار

تعداد نشریات39
تعداد شماره‌ها1,170
تعداد مقالات8,436
تعداد مشاهده مقاله6,300,815
تعداد دریافت فایل اصل مقاله3,552,800
راستگو, محمد, جلالی, مهرداد. (1399). تشخیص جرایم سایبری در ارتباطات برخط با رویکرد داده‌کاوی. پدافند الکترونیکی و سایبری, 11(1), 63-70.
محمد راستگو; مهرداد جلالی. "تشخیص جرایم سایبری در ارتباطات برخط با رویکرد داده‌کاوی". پدافند الکترونیکی و سایبری, 11, 1, 1399, 63-70.
راستگو, محمد, جلالی, مهرداد. (1399). 'تشخیص جرایم سایبری در ارتباطات برخط با رویکرد داده‌کاوی', پدافند الکترونیکی و سایبری, 11(1), pp. 63-70.
راستگو, محمد, جلالی, مهرداد. تشخیص جرایم سایبری در ارتباطات برخط با رویکرد داده‌کاوی. پدافند الکترونیکی و سایبری, 1399; 11(1): 63-70.

تشخیص جرایم سایبری در ارتباطات برخط با رویکرد داده‌کاوی

پدافند غیرعامل
مقاله 6، دوره 11، شماره 1 - شماره پیاپی 41، خرداد 1399، صفحه 63-70    اصل مقاله (1.07 M)
نوع مقاله: مقاله پژوهشی
نویسندگان
محمد راستگو1؛ مهرداد جلالی* 2
1دانشگاه امام رضا ع
2دانشیار گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد مشهد
تاریخ دریافت: 10 مهر 1398،  تاریخ بازنگری: 03 دی 1398،  تاریخ پذیرش: 28 بهمن 1398 
چکیده
در سال­های اخیر سایت­های شبکه‌های اجتماعی برخط محبوبیت چشمگیری را به‌دست آورده­اند. جرایم سایبری از رسانه­های اجتماعی به عنوان پلتفرم جدید در پذیرش انواع مختلف جرایم رایانه­­ای مانند فیشینگ، اسپمینگ، اشاعه بدافزار و اذیت و آزار سایبری استفاده می­کنند. در این تحقیق، با کمک استفاده از اطلاعات مفید در پیام‌ها، عملکرد تشخیص آزار و اذیت­های سایبری را بهبود داده می‌شود. انتخاب بهترین مشخصه­ها با قدرت جداکنندگی بالا بین توئیت­های مزاحمت­های سایبری و غیر مزاحمت‌های سایبری یک فعالیت پیچیده است که نیازمند تلاش قابل ملاحظه­ای در ساخت مدل یادگیری ماشین می­باشد. در این راستا عملکرد پنج روش طبقه‌بندی بیزساده، ماشین بردار پشتیبان، درخت تصمیم، k- نزدیک­ترین همسایگی و شبکه عصبی را تحت پنج تنظیم مختلف به‌منظور انتخاب بهترین تنظیم برای مشخصه‌های پیشنهادی مقایسه شده است و با استفاده از الگوریتم‌های خفاش و ژنتیک و ازدحام ذرات پارامترهای C و سیگما را بهبود داده شده است و مقایسه­ای بین پنج روش طبقه‌بندی با پارامترهای پیش فرض و پارامترهایی که با الگوریتم­­های بهینه‌ساز به‌دست آورده شده و مشخص شده است که الگوریتم خفاش از بین الگوریتم‌های دیگر بهینه­ساز بهترین عملکرد را داشته است. با توجه به پژوهشی که انجام شده بیشترین دقت را با مدل SVM به 56/86 و بیشترین صحت را به 14/87 بوده است.
کلیدواژه‌ها
جرم؛ سایبری؛ الگوریتم داده کاوی؛ ماشین بردار پشتیبان
مراجع
  1. A. Ebrahimi and S. Abolghasen, “Comprehensiveness to crime database in order to predict and identify crimes by using data mining techniques,” Electronic industries Journal, Term 6, 1394. (In Persian)##
  2. B.  Javad’zade, “Analyzing the centrality of social networks in cyber scope dealing with soft threats approach,” Scientific–Promotional quarterly passive defense, sixth year, no. 1, pp. 69-78, 1394. (In Persian)## 
  3. A. Abadi,  “Electronic crimes detection by using data mining methods,” second national conference of computer engineering research, Ltamedan, Ekbatan research group,1395.(In Persian)##
  4. A. Buczak and M.  Gifford, “Fuzzy association rule mining for community crime pattern discovery,” In ACM SIGKDD Workshop on Intelligence and Security Informatics, ACM, 2010.##
  5. T. Davidson, D. Warmsley, and M. Macy, “Automated hate speech detection and the problem of offensive language,” arxiv preprint arxiv:1703. 04009, 2017.##
  6. H. Deylami and Y. Singh, “Cybercrime detection techniques based on support vector machines,” Artificial Intelligence Research, vol. 2(1), no.1, 2012.##
  7. D. Karlis and L. Meligkotsidou, “Finite mixtures of multivariate Poisson distributions with application,” Journal of statistical Planning and Inference, vol. 137(6), pp.     1942-1960, 2007.##
  8. J. Khan and S. Shaikh, “Computing in social networks with relationship algebra,” Journal of Network and Computer Applications, vol. 31, no. 4, pp. 862-878, 2008.##
  9. B. Moon, J. McCluskey, and C. McCluskey, “A general theory of crime and computer crime: An empirical test,” Journal of Criminal Justice, vol. 38, no. 4, pp. 767-772, 2010.##
  10. Data.world, “Hate Speech and Offensive Language,” https://data.world/thomasrdavidson/hate-speech-and-offensive-language, 2017.##
  11. M. Malmasi, H. Shervin, and M. Zampieri, “Detecting Hate Speech in Social Media,” arxiv preprint arxiv:1712. 06427, 2017.##
  12. A. Gaydhani, V. Dama, and S. Kendra, “Detecting hate speech and offensive Language on Twitter using machine learnimg : An N-gram and TFIDF based approach,” avxiv:1809. 08651v1, 2018.##
  13. P. Tasi and P. Shyang, “Bat Algorithm Inspried Algorithm for Solving Numerical Optimization Problems,” Applied Mechanics and Materials, vol. 148-149, 2012.##
آمار
تعداد مشاهده مقاله: 1,130
تعداد دریافت فایل اصل مقاله: 523