تشخيص هرزنامه در شبكه هاي اجتماعي براساس رفتار كاربران مبتني بر نظريه فازي

Detection of The Spam on the Social Networks Based on User Behavior using Fuzzy Theory

وجود حجم عظيم اسپم ها و حملات مرتبط در شبكه هاي اجتماعي مثل فيس بوك. توئيتر و غيره» اين شبكه ها را با مشكلات زيادي روبرو كرده است. از طرفي ارائه روشي بهينه كه بتوان اسپم ها را با دقت قابل قبولي تشخيص داده و تا حدودي مشكلات رسانه هاي اجتماعي را كاهش دهد پيچيده است؛ بنابراين وجود يك روش مطمئن و كارآمد در اين عرصه بسيار ضروري و حائز اهميت است. در اين پژوهش با بكارگيري يك سيستم فازي. روشي مطرح شده است كه تا حد بسيار مطلوبي مي تواند اسپم ها را در شبكه اجتماعي شناسايي نموده و به ميزان قابل توجهي از اين سربار اطلاعاتي فارغ گردد. بطور كلي روش مطرح شده داراي مراحلي است كه عبارتند از: 1) ورود ديتاست مربوط به شبكه اجتماعي 2) اعمال پيش پردازش بر روي داده ها و حذف داده هاي بلا استفاده 3) تفكيك داده هاي آزمايشي و آموزشي 4) اعمال سيستم فازي FXM جهت توليد قوانين 5) اعمال سيستم فازي توليد شده بر روي داده ها و تشخيص اسپم. در نهايت پس از شبيه سازي روش پيشنهادي مشاهده گرديد كه ميزان دقت روش ارائه شده 99.9/ بوده است كه نسبت به روشهايي كه تا كنون مطرح شده است بهبود قابل توجهي داشته است.

The huge volume of spam and related attacks on social networks such as Facebook, Twitter, etc. has had many problems with these networks. On the other hand, it is complicated to provide an optimal way to detect spam with acceptable accuracy and to some extent reduce social media problems. Therefore, the existence of a reliable and efficient method in this field is very important. In this research, using a fuzzy system, a method has been developed that can identify spam in the social network to a very good degree and can significantly improve this information burden. In general, the proposed method has the following steps: 1) Data entry on the social network 2) Pre-processing on data and removal of unused data 3) Breakdown of experimental data and training 4) Implementation of FCM fuzzy system Generate rules 5) Apply fuzzy system generated on the data and detect spam. Finally, after simulating the proposed method, it was observed that the accuracy of the presented method was 99.9%, which improved significantly compared to the methods that have been proposed so far.