• فهرست مطالب:

مقدمه
تعریف مسئله
سبب از بین رفتن زمان شما می گردد
Spam‌ محدود شخصی را از بین می برد
نابود کردن اصل end to end
تامین کننده های سرویس اینترنتی ISP
تحقیقات و کار های انجام شده برای جلوگیری از Spam
قانون داشتن
روش های تحقیق
الگوریتم شبکه های عصبی مصنوعی
نتایج
فاز تعلیم و آموزش
مشخص کردن ارزش پارامتر ها
فاز آزمایش کردن
نتایج و بحث ها
نحلیل نتایج
نتیجه و کار های آینده

• بخشی از ترجمه:

نتیجه و کار های آینده
در این تحقیق ما یک ساختار برای فیلترینگ Spam ارئه کردیم این ساختار پیشنهادی شامل یک درکی از طراحی برای یادگیری و تفاوت بین ارسال کننده های قانونی و غیر قانونی می باشد. این الگوریتم ادراکی منجر به استفاده از ویژگی های یادگیری پیوسته و همچنین دارای نرخ انتخاب مورد نظر میباشد.
• پیاده سازی الگوریتم ادراکی به یک فیلترینگ، در این صورت سرور توانایی درک اطلاعات قفل شده توسط آدرس های IP که در لیست سیاه تعریف شده است را دارد.
• تقابل و عملکرد بیشتر روی تکنیک های فیلترینگ برای مشخص کردن حالت های فعال سازی، همچنین تعداد تکرار ها و نرخ یادگیری برای اینکه بیشتر بتوان اطلاعات نامناسب را در لیست سیاه قرار داد.
• در نظر گرفتن ساختار فیلترینگ در یک بازه زمانی بلند مدت
• یکپارچه کردن فیلترینگ سرور برای ثبت وقایع متفاوت در فیلترینگ ایمیل سرور.

• بخشی از مقاله انگلیسی:

CONCLUSION AND FUTURE WORK

In this research, we presented a new technique for filtering spam that cannot be easily overcome by spammers. The technique consisted of a single perceptron that was designed to learn and distinguish legitimate and illegitimate sending server parameter values and messages. The perceptron algorithm due to the incorporation of a continuous learning feature also produces favourable detection rates. As future work, the researchers intend to: . Implement the perceptron algorithm in a filtering server so as to enable the perceptron to block server identification values such as IP addresses that will be listed in the Spamhaus’ blacklist . Conduct further performance tests on my filtering technique to determine the preferred activation function, learning rate and maximum iteration count required for my technique to achieve higher blocking statistics. . Observe the filtering technique over a longer period of time . Incorporate the use of Mail filtering server logs to track and record various events on each mail-filtering server at each filtering level

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله

نوشته دانلود ترجمه مقاله تشخیص اسپم با استفاده از شبکه عصبی مصنوعی اولین بار در ترجمه فا پدیدار شد.

• فهرست مطالب:

چکیده
مقدمه
سابقه مطالعات
الگوریتم مورد استفاده در این مقاله
Naïve Bayes
تعیین درخت
ویژگی های انتخاب
طبقه بندی و پیشگویی
کار های انجام شده
ساختار پیشنهادی
آنالیز و تحلیل
آزمایش اول
آزمایش دوم
نتیجه گیری

• بخشی از ترجمه:

نتیجه گیری
در طبقه بندی ایمیل های Spam امروزه کار های زیادی برای شناخت این ایمیل¬های نامطلوب بررسی شده است. امروزه خیلی از محقیقین برای پیدا کردن بهترین طبقه بندی کننده برای یافتن ایمیل های Spam تلاش زیادی می کنند. بنابراین فیلتر¬های با دقت بالا نیاز است تا ایمیل¬های نامطلوب را حذف کند. در این مقاله ما به بررسی و یافتن طبقه بندی کننده هایی برای یافتن بهترین دسته برای ایمیل¬های Spam با استفاده از ساختار جمع¬آوری اطلاعات پرداختیم. بنابراین ما انواع مختلفی از الگوریتم¬های طبقه¬بندی با ورودی¬های مختلف آزمایش کردیم. با آنالیز طبقه¬بندی کننده¬ها به این نتیجه رسیدیم که موقعی که ما روش انتخاب ویژگی را در مراحل طبقه¬بندی به کار بردیم، دقت کار به طرز قابل توجهی افزایش پیدا کرد. با توجه به نتایج به دست آمده دقت روش درخت رندم هنگامی که الگوریتم انتخاب ویژگی را به کار برده¬ایم ۷۱۵/۹۹ درصد است و هنگامی که الگوریتم انتخاب ویژگی را به کار نبرده¬ایم دقت آن ۹۳/۹۰ درصد است. بنابراین در این مقاله ما به بیشترین دقت که در حدود ۷۱۵/۹۹ درصد است رسیدیم. همان¬طور که می¬دانیم رسیدن به دقت ۱۰۰ درصد تقریبا مشکل می¬باشد اما روش درخت رندم و جنگل رندم به دقتی بیشتر از ۹۹ درصد رسیده¬اند. بنابراین واضح است که روش درخت رندم همانند طبقه¬بندی کننده¬ها به خوبی در تشخیص Spam و دقت آن کار می¬کند. هنگامی که الگوریتم انتخاب ویژگی را برای کل مراحل به کار بردیم به دقت خیلی خوبی رسیدیم.

• بخشی از مقاله انگلیسی:

VI.CONCLUSION

In Spam mail classification is major area of concern these days as it helps in the detection of unwanted emails and threats. So now a day’s most of the researchers are working in this area in order to find out the best classifier for detecting the spam mails. So a filter is required with high accuracy to filter the unwanted mails or spam mails. In this paper we focussed on finding the best classifier for spam mail classification using Data Mining techniques. So we applied various classification algorithms on the given input data set and check the results. From this study we analyze that classifiers works well when we embed feature selection approach in the classification process that is the accuracy improved drastically when classifiers are applied on the reduced data set instead of the entire data set. The results gained were promising Accuracy of the classifier Random Tree is 99.715% with best-first feature selection algorithm and accuracy is 90.93% only when we don’t apply this subset selection algorithm. So, here in this study we achieve highest accuracy = 99.715%. As we all know that it is very difficult to achieve 100% accuracy but Random Tree and Random Forest (accuracy>99%) is very nearby to that. Therefore it is find that tree like classifiers works well in spam mail detection and accuracy improved incredibly when we first apply feature selection algorithm into the entire process.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله

نوشته دانلود ترجمه مقاله تشخیص اسپم در بین اطلاعات به دست آمده پست الکترونیک اولین بار در ترجمه فا پدیدار شد.

• فهرست مطالب:

چکیده
1- مقدمه
2- پیشینه مربوطه
2-1- روش های گوناگون فیلتر هرزه نامه در مقالات موجود
2-2- الگوریتم پردازش داده درخت تصمیم
3- یک روش فیلتر جدید بر پایه دسته بندی تحلیل داده درخت تصمیم
3-1- مرحله 1: آموزش قانون
3-1-1- فرآیند آموزش قانون
3 -1-2- ثبت قوانین و ساخت پایگاه داده قوانین
3-2- مرحله 2: دسته بندی پست¬های الکترونیک ناشناخته
4- نتایج آزمایشی
4-1- دسته بندی ایمیل های آموزشی
4-2- ساخت درخت تصمیم و آموزش قوانین
1.قوانین بدست آمده دسته «جنسی»
2. قوانین بدست آمده دسته « مالی و جستجوی شغل»
3. قوانین بدست آمده دسته بازاریابی و آگهی
4. قوانین بدست آمده دسته «کلی»
4-3- تحلیل درستی و عملکرد
5- نتیجه
ضمیمه

• بخشی از ترجمه:

5-نتیجه
در این مقاله یک روش فیلتر اسپم بر اساس روش تحلیل داده درخت تصمیم پیشنهاد داده ایم. قوانین وابستگی میان نشانه های اصلی سرپیام ایمیل ها را کشف کرده ایم و این قوانین را برای توسعه روش فیلتر اسپم دو مرحله ای اعمال نمودیم. بر خلاف روشهایی که محتوی کامل ایمیل را بررسی می کنند، ما ایمیل ها را با توجه به اطلاعات اصلی سرپیام ها، بدون بررسی محتوی کامل ایمیل ها، تشخیص میدهیم. مطابق با نتایج تجربی، بازده روش پیشنهادی در این مقاله را میتوان از داده های زیر بدست آورد: میزان درستی 5/96 % ، میزان دقت 67/96 % و میزان فراخوانی 35/96 %. واضح است که این داده ها از دیگر روش ها که محتوی ایمیل را بررسی می کنند کمتر نیستند. این نشان میدهد روش ما بطور موثر ایمیل های اسپم را تنها با بررسی سرپیام ایمیل ها فیلتر کند، که حجم محاسبات را کاهش داده و منابع سیستم زیادی را مصرف نمی کند.

• بخشی از مقاله انگلیسی:

5 Conclusion

In this paper, we propose an efficient spam filtering method based on decision tree data mining technique. We dig out the association rules among basic attributes in the header session of e-mails, and apply these rules to develop an efficient two-phase spam filtering method. Different from those methods of checking the complete content of e-mail, we judge e-mail simply by its basic header data without screening overall content of e-mail and analyzing the key words. According to the experimental results, the efficiency of the spam filtering method proposed in this paper can be evaluated in the following datums: the rate of accuracy is 96.5%, the rate of precision is 96.67%, and the rate of recall is 96.35%. Obviously, these datums are not lower than that of other present filtering methods of checking e-mail content. It shows that our method can efficiently filtrate the spam e-mails by checking only the header session of e-mails, which will reduce the cost of computation and do not consume too many system resources.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله

نوشته دانلود ترجمه مقاله متد موثر در فیلترینگ اسپم مبتنی بر طبقه بندی ایمیل ها اولین بار در ترجمه فا پدیدار شد.

• فهرست مطالب:

مقدمه
1- معرفی
2- گردآوری نوشته ها
3 – پیش پردازش نوشته ها
4- دسته بندی پیام های پست الکترونیک
4-1- روش دسته بندی Naive Bayesian
4-2- دسته بندی مبنی بر حافظه
5- معیارهای ارزیابی عملکرد دسته بندی
6- نتایج تجربی
6-1- سناریو 1: پیام های هرزه نامه علامتدار (λ=1)
6-2- سناریو 2: اخطار دادن به فرستنده درباره پیام های مسدود شده (λ=9)
6-3- سناریو 3: حذف پیام های مسدود شده λ=999
6-4- موقعیت بهترین عملکرد
7- نتیجه گیری
تقدیر و تشکر

• بخشی از ترجمه:

7- نتیجه گیری
در این مقاله ارزیابی کامل دو روش یادگیری فیلتر نمون هرزه نامه را با استفاده از یک مجموعه نوشته که به صورت عمومی وجود دارد و یک مقیاس حساسیت هزینه مناسب انجام داده ایم. هر دو روش به یک دقت دسته بندی بالا می رسند و نسبت به الگوی واژه کلیدی ضد هرزه نامه عملکرد بهتری دارند. روش پیشنهادی ما ساخت فیلتر هرزه نامه را براحتی امکان پذیر می نماید، زمانیکه پیامهای هرزه نامه علامت گذاری شده اند یا مکانیزم اضافی جهت مطلع ساختن فرستنده گان پیام های مسدود شده موجود باشد. اما زمانی که چنین مکانیزمی وجود نداشته باشد روش مبنی بر حافظه مناسب تر است.
ما روش یادگیری پیشنهادی را در موقعیت های متفاوت امتحان کرده ایم، همچنین روش پیشنهادی نشانه انتخابی شامل روش های استخراج اصطلاحات برای تغییر لغات به نشانه های عبارتی را نیز طراحی نموده ایم.

• بخشی از مقاله انگلیسی:

7. Conclusions

We performed a thorough evaluation of two learning methods on the task of anti-spam filtering, using a corpus that we made publicly available, and suitable cost-sensitive evaluation measures. Both methods achieved very high classification accuracy and clearly outperformed the anti-spam keyword patterns of a widely used e-mail reader. Our findings suggest that it is entirely feasible to construct learning-based anti-spam filters when spam messages are simply to be flagged, or when additional mechanisms are available to inform the senders of blocked messages. When no such mechanisms are present, a memory-based approach appears to be more viable, but great care is needed to configure the filter appropriately. We are currently examining alternative learning methods for the same task, including attribute-weighted versions of the memory-based algorithm. We also plan to explore alternative attribute selection techniques, including term extraction methods to move from word to phrasal attributes.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله

نوشته دانلود ترجمه مقاله مقایسه کارایی Naive Bayesian و memory-based در آموزش فیلترینگ اسپم ایمیل اولین بار در ترجمه فا پدیدار شد.