تئوري بازي در تشخيص هرزنامه

Spam Detection by Gam theory

امروزه در بسياري از سيستم هايي كه عمل طبقه بندي بر روي آن صورت مي پذيرد، رقيب تغييراتي را بروي داده ها، به منظور كاهش دقت كلاسه بندي كننده انجام مي دهند. مهمترين مثال از اين نوع، تشخيص هرزنامه الكترونيكي مي باشد. اسپمرها بطور معمول برروي هرزنامه ها تغييراتي را صورت مي دهند تا فيلتر، آنها را بصورت نامه هاي درست تشخيص دهد. در اين مقاله رفتار بين رقيب (اسپمرها) و فيلتر هرزنامه (كلاسه بندي كننده) بعنوان دو بازيكن، براي بازي پي در پي بررسي مي گردد. در اين روش فيلترها با يادگيري رفتار رقيب به وجود هرزنامه پي مي برند، رقيب نيز با يادگيري پارامترهاي فيلتر به فريب كلاسه بندي كننده مي انديشد. همچنين به كمك الگوريتم استراتژي تكاملي نقطه تعادل بازي را محاسبه مي نماييم. نتايج آزمايشات مويد اين مطلب است كه روش پيشنهادي در مقايسه با روشهاي ديگر تشخيص هرزنامه به مراتب دقيق تر وكارآمدتر مي باشد

There are number of datamining applications that are fighting with Adversaries, Spam filtering to intrusion detection is as an example. For reducing the classifier accuracy, Adversary intentionally manipulate data. Consequently, in all these applications initially successful classifiers will decline easily. In this paper, we model the interaction between the classifier and the adversary as a two players sequential game then we model the interaction as an optimization problem and solve it using evolutionary strategy. Finally, simulation results show the good performance of the proposed algorithm, and improves accuracy spam detection on several real world data sets.