دانلود ترجمه مقاله تشخیص اسپم (هرزنامه) با استفاده از ویژگی‌های غیرمحتوایی

1. رویکردهای ضداسپم 2. استخراج ویژگی 3. ویژگی‌های آماری 4. مشخصه های موقتی 5. مشخصه های شبکه ای 6. الگوریتم های طبقه بندی 7. نتایج آزمایشی 8. سنجش عملکرد 9. مقایسه با رویکرد مبنا 10. مقایسه بین مجموعه طرح های مختلف 11. آزمایش های بیشتر

پیام‌های کوتاه متنی که از طریق خدمات پیام کوتاه (SMS) فرستاده می‌شود، ابزار مهم ارتباطی میان میلیون‌ها نفر در جهان محسوب می‌شود. خدمات SMS برای اپراتورهای مخابرات (مخابراتی) ضرورت محسوب می‌شود و پیام‌های آنها را با استفاده از پروتکل‌های مخابراتی استاندارد منتقل می‌کند. در عین حال، پیام‌رسانی SMS به هدفی برای سوء استفاده به واسطه توزیع ناخواسته پیام تبدیل می‌شود ـ سوء کاربرد پیام‌های SMS برای رسیدن به برخی اهداف آسیب‌رسان هستند. در آسیا، بیش از 30 درصد پیام‌های متنی به عنوان اسپم شناخته شده که عمدتاً به واسطۀ هزینۀ پایین ارسال آنها است. این میزان انبوه پیامک‌های ناخواسته به اعتماد کاربران نسبت به ارائه دهندگان خدمات مخابراتی لطمه وارد می‌کند. بنابراین، راهبردهای فیلترنمودن اسپم‌ها در طراسر دنیا مورد آزمایش قرار گرفته است. در چین، سه اپراتور مخابراتی بزرگ ـ China Mobile، China Telecome و China Unicom برآن شد تا محدودیت‌هایی برای پیام‌های متنی وضع کند تا تعداد تلفن معین بتوانند حداکثر 200 پیام در ساعت بفرستند که تعداد آنها از 1000 پیام در روز در عرض یک هفته فراتر نرود. در پاسخ، اسپم‌گذاران پیامکی راهبردهای خود را با شیوه‌های به طور فزاینده نوآورانه تطبیق داده‌اند. در نتیجه، رویکردهای کارآمدتری برای شناسایی و فیلتر پیامک‌‌های اسپم به صورت خودکار و دقیق مورد نیاز است. در اینجا راه حل مبتنی بر خدمات ارائه می‌کنیم که از گراف داده‌کاوی برای شناسایی اسپم‌گذاران احتمالی از فرستندگان معمولی استفاده می‌کند.

Short text messages sent via the Short Message Service (SMS) are an important means of communication between millions of people worldwide. SMS services are a must-have for telecommunications (telecom) operators, and they transmit their messages using standardized communication protocols. At the same time, SMS messaging has become a perfect target for abuse via spamming— misusing SMS messages to achieve some harmful purpose. Spamming is as serious a problem for SMS as it is for email and social networking services. In Asia, up to 30 percent of short text messages are recognized as spam, mainly due to the low cost of sending them. This massive amount of SMS spam seriously harms users’ confidence in their telecom service providers. Thus, spam-filtering strategies have been tested around the world. In China, three major telecom operators— China Mobile, China Telecom, and China Unicom—have tried to impose limits on text messaging so that a given phone number can send no more than 200 messages per hour and no more than 1,000 messages per day on weekdays.1,2 In response, SMS spammers have been adapting their strategies in increasingly innovative ways. Consequently, more effective approaches are needed to detect and filter SMS spam automatically and accurately. Here, we present a service-side solution that uses graph data mining to distinguish likely spammers from normal senders.