BibTex RIS Kaynak Göster

Destek Vektör Makineleri ile Yaramaz Elektronik Postaların Filtrelenmesi

Yıl 2013, Cilt: 6 Sayı: 1, - , 24.06.2016

Öz

Elektronik postanın (e-posta) hızlı ve kolay bir haberleşme aracı olması, insanlar tarafından iletişimde yoğun şekilde kullanılmasına neden olmaktadır. E-postanın bu özellikleri; reklam yapmak, fikirlerini insanlara duyurmak ve çeşitli istismar çalışmaları yapmak isteyen insanlar için bir cazibe merkezi olmasını sağlamaktadır. Bu tür girişimler de bir güvenlik zafiyeti oluşturmaktadır. Temelleri Vladimir N. Vapnik tarafından atılan bir makine öğrenme algoritması olan destek vektör makineleri 1995’den itibaren sınıflandırma ve eğri uydurma problemlerinde başarılı sonuçlar vermiştir. Bu çalışmada, destek vektör makineleri kullanılarak yaramaz (istenmeyen) e-postaların filtrelenmesi işlemi gerçekleştirilmiştir.

Kaynakça

  • [1] C.Altunyaprak, "Bayes Yöntemi Kullanılarak İstenmeyen Elektronik Postaların Filtrelenmesi", YL Tezi, Bilgisayar Mühendisliği Bilimleri, Muğla Üniversitesi, Muğla, 2006.
  • [2] Ü. Aydoğan, "Destek Vektör Makinalarında Kullanılan Çekirdek Fonksiyonların Sınıflama Performanslarının Karşılaştırılması",YL Tezi, Biyoistatistik Anabilim, Hacettepe Üniversitesi, Dalı, İstanbul, 2010.
  • [3] N. Cristianini and J. S. Taylor, , An Introduction to Support Vector Machines and Other Kernel-Based Learning Methods, Cambridge: Cambridge University Press, 2000 [4] C. Xiao-li , L. Pei-yu , Z. Zhen-fang and Y. Qiu," A method of spam filtering based on weighted support vector machines", IEEE International Symposium on IT in Medicine & Education ITIME '09. 2009, pp. 947- 950
  • [5] (2013, Nisan), A Practical Guide to Support Vector Classification,Available:http://www.csie.nt u.edu.tw/~cjlin/papers/guide/guide.pdf
  • [6] (2013, Nisan), Ling-Spam data set, Available: http://csmining.org/index.php/ling-spamdatasets.html
  • [7] M.R. Islam, M.U. Chowdhury, W. Zhou," An Innovative Spam Filtering Model Based on Support Vector Machine", Computational Intelligence for Modelling, Control and Automation and International Conference on Intelligent Agents, Web Technologies and Internet Commerce, International Conference on 2005, pp. 348- 353.
  • [8] P.N. Tan, M. Steinbach, V. Kumar, Introduction to Data Mining, Pearson Education. Indiana: Addison-Wesley, 2006.
  • [9] S. Tolun, "Destek Vektör Makineleri: Banka Başarısızlığının Tahmini Üzerine Bir Uygulama", Doktora Tezi, İşletme Bölümü, İstanbul Üniversitesi, İstanbul., 2008.
  • [10] Vapnik, V. (1995) The Nature of Statistical Learning Theory, NewYork: SpringerVerlag, 187.
  • [11] J. Zhiyang, L. Weiwei, G. Wei, X. Youming, "Research on Web Spam Detection Based on Support Vector Machine", Communication Systems and Network Technologies (CSNT) 2012, , pp.517- 520.
  • [12] Z. Wang, X. Sun, X. Li, D. Zhang,, "An Efficient SVM-Based Spam Filtering Algorithm", Machine Learning and Cybernetics, International Conference on 2006 , pp. 3682- 3686

Spam e-mail Filtering Using Support Vector Machine

Yıl 2013, Cilt: 6 Sayı: 1, - , 24.06.2016

Öz

Electronic mail (e-mail) is a communication medium that is fast and easy to use, making people to use it frequently. These features of e-mail cause it to be the center of attraction for the people who want to advertise, share their ideas with others or involve in malicious activities. Thus, these kind of activities create security threats. Support vector machines are machine learning algorithms that are developed by Vladimir N. Vapnik and produce successful results in several application domains such as clustering and curve fitting problem. In this study, we carry out unwanted (spam) e-mail filtering using support vector machine.

Kaynakça

  • [1] C.Altunyaprak, "Bayes Yöntemi Kullanılarak İstenmeyen Elektronik Postaların Filtrelenmesi", YL Tezi, Bilgisayar Mühendisliği Bilimleri, Muğla Üniversitesi, Muğla, 2006.
  • [2] Ü. Aydoğan, "Destek Vektör Makinalarında Kullanılan Çekirdek Fonksiyonların Sınıflama Performanslarının Karşılaştırılması",YL Tezi, Biyoistatistik Anabilim, Hacettepe Üniversitesi, Dalı, İstanbul, 2010.
  • [3] N. Cristianini and J. S. Taylor, , An Introduction to Support Vector Machines and Other Kernel-Based Learning Methods, Cambridge: Cambridge University Press, 2000 [4] C. Xiao-li , L. Pei-yu , Z. Zhen-fang and Y. Qiu," A method of spam filtering based on weighted support vector machines", IEEE International Symposium on IT in Medicine & Education ITIME '09. 2009, pp. 947- 950
  • [5] (2013, Nisan), A Practical Guide to Support Vector Classification,Available:http://www.csie.nt u.edu.tw/~cjlin/papers/guide/guide.pdf
  • [6] (2013, Nisan), Ling-Spam data set, Available: http://csmining.org/index.php/ling-spamdatasets.html
  • [7] M.R. Islam, M.U. Chowdhury, W. Zhou," An Innovative Spam Filtering Model Based on Support Vector Machine", Computational Intelligence for Modelling, Control and Automation and International Conference on Intelligent Agents, Web Technologies and Internet Commerce, International Conference on 2005, pp. 348- 353.
  • [8] P.N. Tan, M. Steinbach, V. Kumar, Introduction to Data Mining, Pearson Education. Indiana: Addison-Wesley, 2006.
  • [9] S. Tolun, "Destek Vektör Makineleri: Banka Başarısızlığının Tahmini Üzerine Bir Uygulama", Doktora Tezi, İşletme Bölümü, İstanbul Üniversitesi, İstanbul., 2008.
  • [10] Vapnik, V. (1995) The Nature of Statistical Learning Theory, NewYork: SpringerVerlag, 187.
  • [11] J. Zhiyang, L. Weiwei, G. Wei, X. Youming, "Research on Web Spam Detection Based on Support Vector Machine", Communication Systems and Network Technologies (CSNT) 2012, , pp.517- 520.
  • [12] Z. Wang, X. Sun, X. Li, D. Zhang,, "An Efficient SVM-Based Spam Filtering Algorithm", Machine Learning and Cybernetics, International Conference on 2006 , pp. 3682- 3686
Toplam 11 adet kaynakça vardır.

Ayrıntılar

Diğer ID JA37KR26AB
Bölüm Makaleler(Araştırma)
Yazarlar

E. U. Küçüksille Bu kişi benim

N. Ateş Bu kişi benim

Yayımlanma Tarihi 24 Haziran 2016
Yayımlandığı Sayı Yıl 2013 Cilt: 6 Sayı: 1

Kaynak Göster

APA Küçüksille, E. U., & Ateş, N. (2016). Destek Vektör Makineleri ile Yaramaz Elektronik Postaların Filtrelenmesi. Türkiye Bilişim Vakfı Bilgisayar Bilimleri Ve Mühendisliği Dergisi, 6(1).
AMA Küçüksille EU, Ateş N. Destek Vektör Makineleri ile Yaramaz Elektronik Postaların Filtrelenmesi. TBV-BBMD. Haziran 2016;6(1).
Chicago Küçüksille, E. U., ve N. Ateş. “Destek Vektör Makineleri Ile Yaramaz Elektronik Postaların Filtrelenmesi”. Türkiye Bilişim Vakfı Bilgisayar Bilimleri Ve Mühendisliği Dergisi 6, sy. 1 (Haziran 2016).
EndNote Küçüksille EU, Ateş N (01 Haziran 2016) Destek Vektör Makineleri ile Yaramaz Elektronik Postaların Filtrelenmesi. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi 6 1
IEEE E. U. Küçüksille ve N. Ateş, “Destek Vektör Makineleri ile Yaramaz Elektronik Postaların Filtrelenmesi”, TBV-BBMD, c. 6, sy. 1, 2016.
ISNAD Küçüksille, E. U. - Ateş, N. “Destek Vektör Makineleri Ile Yaramaz Elektronik Postaların Filtrelenmesi”. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi 6/1 (Haziran 2016).
JAMA Küçüksille EU, Ateş N. Destek Vektör Makineleri ile Yaramaz Elektronik Postaların Filtrelenmesi. TBV-BBMD. 2016;6.
MLA Küçüksille, E. U. ve N. Ateş. “Destek Vektör Makineleri Ile Yaramaz Elektronik Postaların Filtrelenmesi”. Türkiye Bilişim Vakfı Bilgisayar Bilimleri Ve Mühendisliği Dergisi, c. 6, sy. 1, 2016.
Vancouver Küçüksille EU, Ateş N. Destek Vektör Makineleri ile Yaramaz Elektronik Postaların Filtrelenmesi. TBV-BBMD. 2016;6(1).

https://i.creativecommons.org/l/by-nc/4.0Makale Kabulü

 

Çevrimiçi makale yüklemesi yapmak için kullanıcı kayıt/girişini kullanınız.

Dergiye gönderilen makalelerin kabul süreci şu aşamalardan oluşmaktadır:

1.       Gönderilen her makale ilk aşamada en az iki hakeme gönderilmektedir.

2.       Hakem ataması, dergi editörleri tarafından yapılmaktadır. Derginin hakem havuzunda yaklaşık 200 hakem bulunmaktadır ve bu hakemler ilgi alanlarına göre sınıflandırılmıştır. Her hakeme ilgilendiği konuda makale gönderilmektedir. Hakem seçimi menfaat çatışmasına neden olmayacak biçimde yapılmaktadır.

3.       Hakemlere gönderilen makalelerde yazar adları kapatılmaktadır.

4.       Hakemlere bir makalenin nasıl değerlendirileceği açıklanmaktadır ve aşağıda görülen değerlendirme formunu doldurmaları istenmektedir.

5.       İki hakemin olumlu görüş bildirdiği makaleler editörler tarafından benzerlik incelemesinden geçirilir. Makalelerdeki benzerliğin %25’ten küçük olması beklenir.

6.       Tüm aşamaları geçmiş olan bir bildiri dil ve sunuş açısından editör tarafından incelenir ve gerekli düzeltme ve iyileştirmeler yapılır. Gerekirse yazarlara durum bildirilir.

 88x31.png   Bu eser Creative Commons Atıf-GayriTicari 4.0 Uluslararası Lisansı ile lisanslanmıştır.