تشخيص جرايم سايبري در ارتباطات برخط با رويكرد داده‌كاوي

در سال هاي اخير سايت هاي شبكه‌هاي اجتماعي برخط محبوبيت چشمگيري را به‌دست آورده اند. جرايم سايبري از رسانه هاي اجتماعي به عنوان پلتفرم جديد در پذيرش انواع مختلف جرايم رايانه اي مانند فيشينگ، اسپمينگ، اشاعه بدافزار و اذيت و آزار سايبري استفاده مي كنند. در اين تحقيق، با كمك استفاده از اطلاعات مفيد در پيام‌ها، عملكرد تشخيص آزار و اذيت هاي سايبري را بهبود داده مي‌شود. انتخاب بهترين مشخصه ها با قدرت جداكنندگي بالا بين توئيت هاي مزاحمت هاي سايبري و غير مزاحمت‌هاي سايبري يك فعاليت پيچيده است كه نيازمند تلاش قابل ملاحظه اي در ساخت مدل يادگيري ماشين مي باشد. در اين راستا عملكرد پنج روش طبقه‌بندي بيزساده، ماشين بردار پشتيبان، درخت تصميم، k نزديك ترين همسايگي و شبكه عصبي را تحت پنج تنظيم مختلف به‌منظور انتخاب بهترين تنظيم براي مشخصه‌هاي پيشنهادي مقايسه شده است و با استفاده از الگوريتم‌هاي خفاش و ژنتيك و ازدحام ذرات پارامترهاي C و سيگما را بهبود داده شده است و مقايسه اي بين پنج روش طبقه‌بندي با پارامترهاي پيش فرض و پارامترهايي كه با الگوريتم هاي بهينه‌ساز به‌دست آورده شده و مشخص شده است كه الگوريتم خفاش از بين الگوريتم‌هاي ديگر بهينه ساز بهترين عملكرد را داشته است. با توجه به پژوهشي كه انجام شده بيشترين دقت را با مدل SVM به 56/ 86 و بيشترين صحت را به 14/ 87 بوده است.