Geri Dön

Intelligent detection: A classification-based approach to e-mail (text) filtering

Başlık çevirisi mevcut değil.

  1. Tez No: 746257
  2. Yazar: SARA AZZOUZ REGUIG
  3. Danışmanlar: DR. ÖĞR. ÜYESİ OĞUZ ATA
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: Altınbaş Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgi Teknolojileri Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 109

Özet

Bugün, oltalama e-postası, büyük finansal ölümlere neden olan dünyanın en büyük tehditlerini içeriyor. Mücadele yöntemlerinin yükseltilmesine rağmen, sonuçları henüz tatmin edici bulunmadı. Ayrıca, geçtiğimiz yıllarda, oltalama e-postalarının endişe verici oranda arttığı tespit edildi. Bu tür bir sorunla mücadele etmek için gereken kimlik avını algılamak için daha etkili bir teknoloji var. İstenmeyen e-posta filtreleme genellikle bir ikili sınıflandırma sorunu olarak kabul edilir, yani gelen e-postalar istenmeyen e-posta olmayanlar ve istenmeyen e-postalar olarak ikiye ayrılır. Bu makaledeki temel amacımız, istenmeyen e-postaların tespiti için önerilen ve derin bilgi yöntemlerinin uygulanmasıdır. Modeller değerlendirilirken doğruluk, değerlendirme süresi, hata, verimlilik gibi bir takım değerlendirme ölçütleri dikkate alınır. Bu yazıda, istenmeyen e-postaların yanlış sınıflandırılmasını azaltmak için gelen e-postaların üç klasöre bölünmesi vardır ve bu, altı spam e-posta filtreleme modeli karşılaştırılarak yapılmıştır, yani bu klasör, atılan e-postaları, gelen kutusu veya bu tür e-postaları içeren yasal klasörü içerir. okunabilir ve şüpheli klasörde şüpheli e-postaların varlığı var, mevcut bilgilere dayanarak kararlar almak için e-postanın yapısına bakarak başladık. Ardından, spam filtreleme için yaklaşımlar öneriyoruz ve bu sınıflandırmanın temeli derin öğrenme modelleridir. Araştırma hedefimiz, Derin Öğrenmeyi kullanarak istenmeyen e-postaları analiz etmek için farklı algoritmalar önermek ve karşılaştırmaktır. Birkaç model değerlendirildi: Naive Bayes, Karar Ağacı, KNN, SVM, SVM çekirdeği ve LIBLINEAR farklı değerlendirme ölçütleri dikkate alınarak. Derin öğrenme modelleri, talimat verilmesi gerekmeyen iyi bilinen mühendislik metodolojisine kıyasla daha yaratıcıdır. Modeller değerlendirilirken doğruluk, değerlendirme süresi, hata, verimlilik vb. gibi çeşitli değerlendirme ölçütleri dikkate alınır. Bu çerçeve çeşitli doğrulukları içerir ve elde edilen bu doğruluk KNN – %88,84, NB– %94,55, Karar Ağacı – %93,06, SVM – %96,73, SVM LIBLINEAR – %96,93, SVM çekirdeği (RBF) %96,73'tür.

Özet (Çeviri)

Today, the phishing email includes in the biggest threats of the world which caused huge financial fatalities. Despite the upgrading of its combating methods, its results not found satisfied yet. It has also been found that in past years, there is increasement of phishing email with alarming rate. There is more effective technology for detection of phishing needed for combating such kind of issue. Spam email filtering is usually considered a binary classification problem, i.e., the incoming emails are divided into non-spam and spam. Our main aim with this paper is the application of proposed and deep erudition methods for detection of spam email. A number of evaluation metrics like accuracy, evaluation time, error, efficiency, etc. are regarded while evaluating the models. In this paper, there is division of incoming emails for reduction of misclassification of spam emails into three folders and this has been done by comparing six spam email filtering models i.e. This folder contains discarded emails, the inbox or folder of legitimate that contains such emails which are readable, and there is presence of suspicious emails in suspect folder, to make decisions based on the available information, we started by looking at the email's structure. Then, we propose approaches for spam filtering and basis of this classification is deep learning models. Our research goal is to suggest and compare different algorithms for analyzing spam using Deep Learning. Several models were evaluated: Naïve Bayes, Decision Tree, KNN, SVM, SVM kernel and LIBLINEAR considering different evaluation metrics. Deep learning models are more inventive as compared to well-known engineering methodology where no instructions need to be given. Several evaluation metrics like accuracy, evaluation time, error, efficiency, etc. are considered while models evaluation. This framework includes various accuracies, and this obtained accurateness are KNN – 88.84%, NB– 94.55%, Decision Tree – 93.06 %, SVM – 96.73%, SVM LIBLINEAR – 96.93%, SVM kernel (RBF) 96.73%.

Benzer Tezler

  1. Car damage analysis for insurance market using convolutional neural networks

    Sigorta sektörü için evrişimsel sinir ağları kullanarak araç hasarı analizi

    CİHAT TOLGA ARTAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Mühendislik Bilimleriİstanbul Teknik Üniversitesi

    İşletme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TOLGA KAYA

  2. A novel two phased approach combining deep learning and machinelearning classifiers for effective detection of turkish phishing web sites

    Türkçe kimlik avı web sitelerinin etkin tespiti için derin öğrenme ve makine öğrenmesi sınıflandırıcılarını birleştiren yeni, iki aşamalı bir yaklaşım

    İHSAN DENİZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAdana Alparslan Türkeş Bilim Ve Teknoloji Üniversitesi

    Siber Güvenlik Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÇAĞATAY NEFTALİ TÜLÜ

  3. New proposed methods for synthetic minority over-sampling technique

    Sentetik azınlık aşırı örnekleme tekniği için yeni önerilen yöntemler

    HAKAN KORUL

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilim ve Teknolojiİstanbul Teknik Üniversitesi

    Veri Mühendisliği ve İş Analitiği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN

  4. Machine learning approach for external fraud detection

    Dış saldırıların belirlenmesi için makine öğrenimi yaklaşımı

    AJI MUBALAIKE

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilişim Uygulamaları Ana Bilim Dalı

    PROF. DR. ERTUĞRUL KARAÇUHA

    PROF. DR. EŞREF ADALI

  5. Acoustic anomaly detection in industrial plants

    Endüstriyel tesislerde akustik anomali tespiti

    TAHA BERKAY DUMAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GÖKHAN İNCE