استفاده از شبکه عصبی و الگوریتم ژنتیک جهت تشخیص هرزنامه با رویکرد کاهش بعد

امروزه محبوبیت روزافزون و کم هزینه بودن نامه های الکترونیکی باعث افزایش سوء استفاده از این وسیله ارتباطی شده است. هرزنامه ها باعث مشکلاتی از قبیل اتلاف وقت، هدررفت منابع، اتلاف پهنای باند و ... می شوند. تاکنون روشهای زیادی ارائه شده است که تا حدودی موفق بوده اند. در این روش ها برای تشخیص بین هرزنامه بودن و نبودن آن، کلمات نامه ها، به عنوان خصیصه هایی برای تمایز بین نامه ها به کار گرفته می شود. افزایش تعداد خصیصه ها باعث افزایش زمان اجرای دسته بند و کاهش کارایی می شود و گاهی نیز عملا اجرای الگوریتم های دسته بند را غیرممکن می سازد. برای رفع این مشکل محققین جهت فیلترسازی هرزنامه ها و افزایش کارایی از الگوریتم های کاهش خصیصه استفاده می کنند تا همزمان با کاهش ابعاد خصيصه، کمترین مقدار ممکن از اطلاعات مفید از دست برود. در این پژوهش از آنالیز مولفههای اصلی برای کاهش ابعاد داده در مورد ویژگی های هرزنامه، استفاده شده است. نتایج عملی از به کارگیری روش فوق در خصوص مجموعه داده Spambase نشان داده است که روش پیشنهادی به نرخ تشخیص ۹۵٫۲۹ رسیده که نسبت به روشهای ارائه شده ی اخیر ۱٪ بهبود داشته است.