تشخيص جرايم سايبري با استفاده از كاهش بعد به روش انتخاب ويژگي همراه با طبقه بندي تركيبي به روش راي گيري اكثريت

Cybercrimes Detection Using Dimension Reduction by Feature Selection Method Along with Ensemble Classification by Majority Voting Method

امروزه امنيت سايبري به دليل همه گير شدن استفاده از فضاي سايبري به يك مسئله بسيار مهم و حياتي تبديل شده است و براي تشخيص جرائم سايبري روش ها و راهكارهاي مختلفي ارائه شده است. روش-هاي ارائه شده بايد بتوانند تشخيص حمله يا نرمال بودن يك ترافيك در فضاي سايبري را با دقت بالا انجام دهند. تكنيك هاي داده كاوي و استفاده از الگوريتم هاي طبقه بندي كارآمدي خود را در اين زمينه نشان داده است ولي بيشتر روش هاي ارائه شده تمركز بر استفاده از طبقه بندي تكي را دارند و كاهش بعد در اين زمينه زياد مورد توجه قرار نگرفته است. طبقه بندي تركيبي مي تواند كارآيي الگوريتم هاي طبقه-بندي را افزايش دهد. همچنين با توجه به اينكه داده هاي امروزي داراي حجم و ابعاد بسيار بالا هستند، كاهش بعد مي تواند از پيچيدگي داده كاسته و مدل ساخته شده توسط الگوريتم هاي داده كاوي را كارآمدتر كند. بنابراين در اين مقاله هدف اين است از الگوريتم هاي طبقه بندي تركيبي به روش راي-گيري اكثريت همراه با كاهش بعد به روش انتخاب ويژگي جهت تشخيص جرائم سايبري استفاده كنيم. نتايج شبيه سازي در محيط نرم افزار رپيدماينر نشان مي دهد وقتي از الگوريتم هاي طبقه بندي كا نزديكترين همسايه، استنتاج قوانين و ماشين بردار پشتيبان به همراه روش كاهش بعد به روش انتخاب ويژگي استفاده مي شود نتايج بهتري حاصل شده است كه در مقايسه به روش هاي پايه در حدود يك درصد بهبود حاصل شده است.