fa یک مدل جدید برای تشخیص ایمیل هرزنامه با استفاده از ترکیب الگوریتم بهینه‌‌سازی مغناطیسی با الگوریتم جستجوی هارمونی رمز و امنیت اطلاعات Cryptology and Information Security پژوهشی Research Article <div style="text-align: justify;"><strong><span style="color:black;"><span style="font-family:B Nazanin;"><span style="font-size:10.0pt;">متأسفانه در میان خدمات اینترنت، کاربران با یک‌سری پیام‌‌های ناخواسته که حتی به علایق و حیطه کاری آنان مرتبط نیست و حاوی مطالب تبلیغاتی یا حتی مخرب هستند، مواجه می‌‌شوند. هرزنامه شامل مجموعه گسترده‌ای از رایانامه‌های تبلیغاتی آلوده و مخرب است که با اهداف خراب‌کارانه موجب زیان، از بین رفتن داده‌‌ها و سرقت اطلاعات شخصی می‌‌شود. در اغلب موارد، ایمیل‌‌های هرزنامه حاوی بدافزارهایی هستند که به‌طورمعمول در قالب اسکریپت یا فایل‌های ضمیمه برای کاربران ارسال می‌شوند و کاربر با بارگیری و اجرای فایل ضمیمه‌شده، رایانه خود را به بدافزار آلوده می‌کند. در این مقاله یک روش جدید برای تشخیص ایمیل هرزنامه برمبنای ترکیب الگوریتم جستجوی هارمونی با الگوریتم بهینه‌‌سازی مغناطیسی پیشنهاد می‌‌شود. روش پیشنهادی به‌منظور انتخاب ویژگی‌‌های تأثیرگذار استفاده و سپس طبقه‌‌بندی با استفاده از الگوریتم </span></span></span></strong><strong><span dir="LTR"><span style="color:black;"><span style="font-family:Times New Roman Bold,serif;"><span style="font-size:8.0pt;">K</span></span></span></span></strong><strong><span style="color:black;"><span style="font-family:B Nazanin;"><span style="font-size:10.0pt;"> نزدیکترین همسایه انجام می‌‌شود. در روش پیشنهادی با استفاده از الگوریتم بهینه‌‌سازی مغناطیسی، بهترین ویژگی‌‌ها را برای الگوریتم جستجوی هارمونی پیدا می‌‌کنیم و ماتریس هارمونی برمبنای آنها تشکیل می‌شود؛ سپس الگوریتم جستجوی هارمونی برمبنای به‌روزرسانی و نرخ تغییرات گام در هر مرحله بردارهای هارمونی را تغییر می‌‌دهد تا در میان آنها بهترین بردار به‌عنوان بردار ویژگی‌‌ها انتخاب شود. نتایج ارزیابی‌‌ها برروی مجموعه‌داده </span></span></span></strong><strong><span dir="LTR"><span style="color:black;"><span style="font-family:Times New Roman Bold,serif;"><span style="font-size:8.0pt;">Spambase</span></span></span></span></strong><strong><span style="color:black;"><span style="font-family:B Nazanin;"><span style="font-size:10.0pt;"> نشان می‌‌دهد که روش پیشنهادی با تعداد تکرارهای بیشتر، درصد صحت بیشتری دارد و با دویست بار تکرار، دقت تشخیص آن برابر با 17/94 درصد است. </span></span></span></strong></div> <div style="text-align: justify;"><strong>Unfortunately, among internet services, users are faced with several unwanted messages that are not even related to their interests and scope, and they contain advertising or even malicious content. Spam email contains a huge collection of infected and malicious advertising emails that harms data destroying and stealing personal information for malicious purposes. In most cases, spam emails contain malware that is usually sent to users in the form of scripts or attachments, and the user infects the computer with malware by downloading and executing the attached file. In this paper, a new model for detecting spam e-mail is proposed based on the hybrid of the Harmony Search Algorithm (HAS) with the Magnetic Optimization Algorithm (MOA). The proposed model is used to select the effective features and then the classification is performed using the K Nearest Neighbor&#39;s (KNN) algorithm. In the proposed model, using the MOA was found the best features for the HSA, and the harmony matrix is formed based on them. Then the HSA changes based on the update and rate of step-change in each step of the harmony vectors so that the best vector is selected as the vector of characteristics among them. The results show that the accuracy of the proposed model on the Spam base dataset with 200 iterations is 94.17% and also the accuracy of the diagnostic model of the proposed model is more than other models.</strong></div> تشخیص ایمیل هرزنامه, انتخاب ویژگی, الگوریتم جستجوی هارمونی, الگوریتم بهینه‌‌سازی مغناطیسی, درصد صحت Email Spam Detection, Feature Selection, Harmony Search Algorithm, Magnetic Optimization Algorithm, Accuracy 50 39 http://monadi.isc.org.ir/browse.php?a_code=A-10-315-2&slc_lang=fa&sid=1 farhad Soleimanian Gharehchopogh فرهاد سلیمانیان قره چپق bonab.farhad@gmail.com 10031947532846001085 10031947532846001085 Yes Deptarment of Computer Engineering, Urmia Branch, Islamic Azad University, Urmia, Iran. گروه مهندسی کامپیوتر، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه، ایران Mohammad Sakhidek Hovshin محمد سخی دل mohammad.sakhidel@gmail.com 10031947532846001086 10031947532846001086 No Deptarment of Computer Engineering, Urmia Branch, Islamic Azad University, Urmia, Iran. گروه مهندسی کامپیوتر، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه، ایران