تشخیص جرایم سایبری با استفاده از کاهش بعد به روش انتخاب ویژگی همراه با طبقه بندی ترکیبی به روش رای گیری اکثریت

امروزه امنیت سایبری به دلیل همه گیر شدن استفاده از فضای سایبری به یک مسئله بسیار مهم و حیاتی تبدیل شده است و برای تشخیص جرائم سایبری روش ها و راهکارهای مختلفی ارائه شده است. روش-های ارائه شده باید بتوانند تشخیص حمله یا نرمال بودن یک ترافیک در فضای سایبری را با دقت بالا انجام دهند. تکنیک های داده کاوی و استفاده از الگوریتم های طبقه بندی کارآمدی خود را در این زمینه نشان داده است ولی بیشتر روش های ارائه شده تمرکز بر استفاده از طبقه بندی تکی را دارند و کاهش بعد در این زمینه زیاد مورد توجه قرار نگرفته است. طبقه بندی ترکیبی می تواند کارآیی الگوریتم های طبقه-بندی را افزایش دهد. همچنین با توجه به اینکه داده های امروزی دارای حجم و ابعاد بسیار بالا هستند، کاهش بعد می تواند از پیچیدگی داده کاسته و مدل ساخته شده توسط الگوریتم های داده کاوی را کارآمدتر کند. بنابراین در این مقاله هدف این است از الگوریتم های طبقه بندی ترکیبی به روش رای-گیری اکثریت همراه با کاهش بعد به روش انتخاب ویژگی جهت تشخیص جرائم سایبری استفاده کنیم. نتایج شبیه سازی در محیط نرم افزار رپیدماینر نشان می دهد وقتی از الگوریتم های طبقه بندی کا نزدیکترین همسایه، استنتاج قوانین و ماشین بردار پشتیبان به همراه روش کاهش بعد به روش انتخاب ویژگی استفاده می شود نتایج بهتری حاصل شده است که در مقایسه به روش های پایه در حدود یک درصد بهبود حاصل شده است.