Biannual Journal Monadi for Cyberspace Security (AFTA)

fa ارائه مدل ترکیبی الگوریتم K نزدیک‌ترین همسایه با الگوریتم بهینه‌سازی ازدحام ذرات برای تشخیص رایانامه‌های هرزنامه A New Hybrid Approach of K-Nearest Neighbors Algorithm with Particle Swarm Optimization for E-Mail Spam Detection رمز و امنیت اطلاعات Cryptology and Information Security پژوهشی Research Article <div style="text-align: justify;">در دنیای امروزی، رایانامه یکی از روش‌های ارتباطات سریع است و یکی از معضلات رایانامه، هرزنامه‌ها هستند که در سال‌های اخیر رشد فراوانی داشته‌اند. هرزنامه نهتنها باعث آسیبرساندن به منافع کاربران، مصرف زمان و پهنای باند می‌شوند، بلکه بهعنوان تهدیدی برای بهره‌وری، قابلیت اطمینان و امنیت شبکه شده‌اند. هرزنامه‌نویس‌ها همیشه سعی می‌کنند راه‌هایی برای فرار از فیلترهای موجود بیابند؛ بنابراین فیلترهای جدید برای تشخیص هرزنامه‌ها نیاز به توسعه دارند. بیشتر این فیلترها از ترکیبی از چندین روش مانند روش‌های سیاه و سفید، استفاده از واژه‌های کلیدی، فیلترهایی بر پایه قانون، روش‌های یادگیری ماشین و غیره برای شناسایی دقیق‌تر هرزنامه‌ها بهره می‌برند. در این مقاله، مدلی جدید با استفاده از دو الگوریتم قدرتمند K نزدیکترین همسایه و الگوریتم بهینه‌سازی ازدحام ذرات برای شناسایی هرزنامه‌ها ارائه شده است که از الگوریتم بهینه‌سازی اجتماع ذرات برای انتخاب ویژگی و از الگوریتم K نزدیکترین همسایه برای دسته‌بندی استفاده شده است. شبیه‌سازی برروی مجموعهداده spambase اجرا شده و کارایی مدل پیشنهادی با استفاده از معیارهای صحت<a href="#_ftn1" name="_ftnref1" title="">[1]</a>، دقت<a href="#_ftn2" name="_ftnref2" title="">[2]</a>,  فراخوانی<a href="#_ftn3" name="_ftnref3" title="">[3]</a> و F-measure ارزیابی شده است. نتایج نشان می‌دهد که مدل پیشنهادی در مقایسه با مدل‌های مشابه و از خود الگوریتم‌های پایه بهتر عمل کرده و کارایی بهتری دارد.</div> <div><div style="text-align: justify;"></div> <hr align="left" size="1" width="33%" > <div id="ftn1" style="text-align: justify;"><a href="#_ftnref1" name="_ftn1" title="">[1]</a> Accuracy</div> <div id="ftn2" style="text-align: justify;"><a href="#_ftnref2" name="_ftn2" title="">[2]</a> Precision</div> <div id="ftn3" style="text-align: justify;"><a href="#_ftnref3" name="_ftn3" title="">[3]</a> Recall</div> </div> <div style="text-align: justify;">Emails are one of the fastest economic communications. Increasing email users has caused the increase of spam in recent years. As we know, spam not only damages user’s profits, time-consuming and bandwidth, but also has become as a risk to efficiency, reliability, and security of a network. Spam developers are always trying to find ways to escape the existing filters, therefore new filters to detect spams need to be developed. Most of these filters take advantage of a combination of several methods, such as black or white lists, using keywords, rule-based filters, machine learning methods and so on, to identify spams more accurately. many approaches about email spam detection exhausted up to now. In this paper, we propose a new approach for spam detection based on Particle Swarm Optimization Algorithm and K-Nearest Neighbor optimization, and we measure performance based on Accuracy, Precision, Recall, And f-measure. The results show that the proposed approach has a better performance than other models and the basic algorithms. </div> الگوریتم K نزدیک‌ترین همسایه, الگوریتم بهینه‌سازی ازدحام ذرات, رایانامه هرزنامه, تشخیص هرزنامه, بهینه‌سازی K-Nearest Neighbor optimization, Particle Swarm Optimization Algorithm, E-mail Spam, Spam Detection, Optimization 57 72 http://monadi.isc.org.ir/browse.php?a_code=A-10-315-1&slc_lang=fa&sid=1 Atefeh Mortazavi عاطفه مرتضوی ati.mortazavi67@gmail.com 1003194753284600952 1003194753284600952 No Department of Computer Engineering, Urmia Branch, Islamic Azad University, Urmia, IRAN دانشگاه آزاد اسلامی واحد ارومیه farhad Soleimanian Gharehchopogh فرهاد سلیمانیان قره چپق farhad@iaurmia.ac.ir 1003194753284600953 1003194753284600953 Yes Department of Computer Engineering, Urmia Branch, Islamic Azad University, Urmia, IRAN دانشگاه آزاد اسلامی واحد ارومیه