تشخیص جرایم سایبری در ارتباطات برخط با رویکرد داده‌کاوی

در سال های اخیر سایت های شبکه‌های اجتماعی برخط محبوبیت چشمگیری را به‌دست آورده اند. جرایم سایبری از رسانه های اجتماعی به عنوان پلتفرم جدید در پذیرش انواع مختلف جرایم رایانه ای مانند فیشینگ، اسپمینگ، اشاعه بدافزار و اذیت و آزار سایبری استفاده می کنند. در این تحقیق، با کمک استفاده از اطلاعات مفید در پیام‌ها، عملکرد تشخیص آزار و اذیت های سایبری را بهبود داده می‌شود. انتخاب بهترین مشخصه ها با قدرت جداکنندگی بالا بین توئیت های مزاحمت های سایبری و غیر مزاحمت‌های سایبری یک فعالیت پیچیده است که نیازمند تلاش قابل ملاحظه ای در ساخت مدل یادگیری ماشین می باشد. در این راستا عملکرد پنج روش طبقه‌بندی بیزساده، ماشین بردار پشتیبان، درخت تصمیم، k نزدیک ترین 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 مقایسه ای بین پنج روش طبقه‌بندی با پارامترهای پیش فرض و پارامترهایی که با الگوریتم های بهینه‌ساز به‌دست آورده شده و مشخص شده است که الگوریتم خفاش از بین الگوریتم‌های دیگر بهینه ساز 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.

Detection of Cybercrimes in Online Connections by the Data Mining Approach

At recent years, online social network sites have been popular dramatically. Cybercrimes use from social media as a new platform at acceptation of some types of computer crimes like phishing, spamming, malware spread and cyber harassment. In this research, we will improve the function of detecting cybercrime with the help of useful information in the messages. Choosing the best features with high separation. Strength between cyber harassment tweets and none cyber harassment is a complex activity which extremely needs substantially effort in making Machine Learning Model. In this way, we compare function of five classification methods Naive Bayes, Support Vector Machine, Decision Tree, kNearest Neighbor and Neural Network under five different tuning in order to selecting the best adjustment for suggested features. Also, we have improved C and Sigma parameters by using the bat, genetics and particle swarm algorithms. Additionally, we have compared five classification methods with default parameters and parameters obtained with optimization algorithms. Finally, we have shown that bat algorithm has had the best performance among other optimization algorithms. According to the research we did the most accuracy with the SVM model to 86.56 and the highest precision to 87.14.