فایل ورد کامل شناسایی هرزنامه های SMS با استفاده از ویژگی های غیرمحتوایی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل شناسایی هرزنامه های SMS با استفاده از ویژگی های غیرمحتوایی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۱۸ صفحه

چکیده

پیام‌های کوتاه متنی که از طریق خدمات پیام کوتاه (SMS) فرستاده می‌شود، ابزار مهم ارتباطی میان میلیون‌ها نفر در جهان محسوب می‌شود. خدمات SMS برای اپراتورهای مخابرات (مخابراتی) ضرورت محسوب می‌شود و پیام‌های آنها را با استفاده از پروتکل‌های مخابراتی استاندارد منتقل می‌کند (http://en.wikipedia.org/wiki/SMS). در عین حال، پیام‌رسانی SMS به هدفی برای سوء استفاده به واسطه توزیع ناخواسته پیام تبدیل می‌شود ـ سوء کاربرد پیام‌های SMS برای رسیدن به برخی اهداف آسیب‌رسان هستند. در آسیا، بیش از ۳۰ درصد پیام‌های متنی به عنوان اسپم شناخته شده که عمدتاً به واسط هزین پایین ارسال آنها است (http://en.wikipedia.org/wiki/Mobile_phone_spam).

آزمایش های بیشتر

برای بررسی سهولت و استواری رویکرد پیشنهادی، از دیگر دادگان دنیای واقعی برای تشخیص اسپم زننده ها در شبکه های اجتماعی بصورت تصویری آنلاین استفاده می شود. این دادگان هشت طرح استاتیک، هشت طرح شبکه ای، و دو طرح موقتی دارند. بصورت تصادفی ۷۹ اسپم زننده ها بعنوان نمونه های مثبت و ۷۹ کاربرهای قانونی بعنوان نمونه های منفی برای آزمایش انتخاب می شوند، و در ادامه ۷۸ اسپم زننده بعنوان نمونه های مثبت و ۵۶۲ کاربرهای عادی بعنوان نمونه های منفی انتخاب می شوند. به همین ترتیب، دو آزمایش صورت می گیرد. اولین آزمایش عملکرد AUC برای هر دو الگوریتم های k-NN و SVM با توجه به مجموعه طرح های مثل هم مقایسه می شوند، و دومین آزمایش ترکیب مجموعه طرح های مختلف برای عملکرد AUC می باشد. شکل ۴ نتایج آزمایشی را نشان میدهد.

عنوان انگلیسی:SMS Spam Detection Using Noncontent Features~~en~~

Abstract

Short Message Service text messages are indispensable, but they face a serious problem from spamming. This service-side solution uses graph data mining to distinguish spammers from nonspammers and detect spam without checking a message’s contents. (see http://en.wikipedia.org/wiki/SMS). At the same time, SMS messaging has become a perfect target for abuse via spamming— misusing SMS messages to achieve some harmful purpose. Spamming is as serious a problem for SMS as it is for email and social networking services. In Asia, up to 30 percent of short text messages are recognized as spam, mainly due to the low cost of sending them (http://en.wikipedia.org/wiki/ Mobile_phone_spam).

Additional Experiments

To further examine our approach’s feasibility and robustness, we ran experiments on another real-world dataset that’s been used to detect spammers in online video social networks.16 This dataset has eight static features, eight network features, and two temporal features. We randomly sampled 79 spammers as positive examples and 79 legitimate users as negative examples for training, and then we sampled 78 spammers as positive examples and the remaining 562 normal users as negative examples for testing. Similarly, we conducted two experiments. The first compared the AUC performance of the k-NN and SVM algorithms based on the same feature set, and the second examined the effects of different feature sets on AUC performance. Figure 4 shows the experimental results.

$$en!!