توضیحات
Nowadays Fraudulent messages by criminal intent have become a complex problem in internet communications
Many people rely on these kinds of emails and lost their fund as a result. We consider e-mail messages to be of three types: ham, spam, and scam. “Ham”, refers to legitimate e-mail messages. “Spam” messages are unsolicited pieces of email. The “Scam” messages are a subset of spam messages which are intelligent in design, such that they attempt to coax the individual to perform some action of illegal purpose beyond a simple “click me”. While most spams are harmless, scams are engineered by criminals; they earn a considerable amount of money from internet users who read scam messages stories and believe them. In 2003, the FTC reported the American public lost over $400 million to fraudulentactivities. Scams communicated via e-mail and the Internet is on the rise as well. Brightmail reports that over three billion scam emails are now sent monthly over the Internet, noting a 50% increase from January to April 2004 alone. In March 2004, Zachary Hill was arrested by the FTC and the Department of Justice for identity theft and illegally attracting people via e-mail to fake websites masquerading as AOL and PayPal. During the tenure of his scam, Hill obtained at least 471 credit card numbers, 152 bank account and routing numbers, and 541 user names and passwords [2]. Many approaches have been proposed for the task of spam detection. The mostly used approaches are based on Bayesian Classifier and Naïve Bayes [9,16]. Naïve Bayes is simple and its accuracy is acceptable. Also K-Nearest Neighbor has been used to its simplicity and speed. Other approaches like Support Vector Machines, Decision Trees, Artificial Neural Networks, and many other machine learning methods or combinations of them have been used. A description of such approaches is discussed in section 3. However, all these approaches perform well on static datasets, but scam messages changes dynamically and such approaches are not suitable for detecting them. While a simple spam filter can filter out spams very good, most scams can pass through most spam filters because scammers are more intelligent because they want to reach their criminal intent and earn internet users’ frauds. So the opportunity for building better detection and investigative tools has again attracted the interest of many researchers in the world. Whereas many solutions have been proposed for the spam problem, no perfect attempt has been done on detection of Internet Frauds and hidden criminal aspects in emails
by :Maryam Mokhtari1, Mohammad Saraee1, Alireza Haghshenas
File Information :English Language/11 Page/size:238K
امروزه پیام های کلاهبرداری با قصد مجرمانه به یک مشکل پیچیده در ارتباطات اینترنتی تبدیل شده است
بسیاری از مردم به این نوع ایمیل ها اعتماد می کنند و در نتیجه سرمایه خود را از دست می دهند. ما پیام های ایمیل را سه نوع می دانیم: ham، spam و scam. “Ham” به پیام های ایمیل قانونی اشاره دارد. پیام‌های «هرزنامه»، ایمیل‌های ناخواسته هستند. پیام‌های «کلاهبرداری» زیرمجموعه‌ای از پیام‌های هرزنامه هستند که از نظر طراحی هوشمندانه هستند، به طوری که سعی می‌کنند فرد را وادار به انجام برخی اقدامات غیرقانونی فراتر از یک «کلیک من» ساده کنند. در حالی که بیشتر هرزنامه ها بی ضرر هستند، کلاهبرداری ها توسط مجرمان طراحی می شوند. آنها مقدار قابل توجهی از کاربران اینترنتی که داستان های پیام های کلاهبرداری را می خوانند و آنها را باور می کنند، به دست می آورند. در سال 2003، FTC گزارش داد که مردم آمریکا بیش از 400 میلیون دلار به دلیل فعالیت های کلاهبرداری از دست داده اند. کلاهبرداری از طریق ایمیل و اینترنت نیز در حال افزایش است. Brightmail گزارش می دهد که اکنون بیش از سه میلیارد ایمیل کلاهبرداری ماهانه از طریق اینترنت ارسال می شود که تنها از ژانویه تا آوریل 2004 50 درصد افزایش یافته است. در مارس 2004، زاخاری هیل توسط FTC و وزارت دادگستری به دلیل سرقت هویت و جذب غیرقانونی افراد از طریق ایمیل به وب سایت های جعلی با نام های AOL و PayPal دستگیر شد. هیل در طول مدت کلاهبرداری خود، حداقل 471 شماره کارت اعتباری، 152 شماره حساب بانکی و مسیریابی، و 541 نام کاربری و رمز عبور به دست آورد [2]. رویکردهای زیادی برای تشخیص هرزنامه پیشنهاد شده است. رویکردهایی که بیشتر مورد استفاده قرار می گیرند بر اساس طبقه بندی کننده بیزی و بیز ساده [9،16] هستند. Naïve Bayes ساده است و دقت آن قابل قبول است. همچنین K-Nearest Neighbor به سادگی و سرعت آن استفاده شده است. روش‌های دیگری مانند ماشین‌های بردار پشتیبان، درخت‌های تصمیم، شبکه‌های عصبی مصنوعی و بسیاری دیگر از روش‌های یادگیری ماشین یا ترکیبی از آنها استفاده شده‌اند. شرح چنین رویکردهایی در بخش 3 مورد بحث قرار گرفته است. با این حال، همه این رویکردها در مجموعه داده های ثابت به خوبی عمل می کنند، اما پیام های کلاهبرداری به صورت پویا تغییر می کنند و چنین رویکردهایی برای شناسایی آنها مناسب نیستند. در حالی که یک فیلتر هرزنامه ساده می‌تواند به خوبی اسپم‌ها را فیلتر کند، بیشتر کلاهبرداری‌ها می‌توانند از اکثر فیلترهای هرزنامه عبور کنند، زیرا کلاهبرداران هوشمندتر هستند زیرا می‌خواهند به هدف مجرمانه خود برسند و کلاهبرداری کاربران اینترنتی را به دست آورند. بنابراین فرصت برای ساخت ابزارهای تشخیص و تحقیق بهتر، مجدداً توجه بسیاری از محققان جهان را به خود جلب کرده است. در حالی که راه حل های زیادی برای مشکل هرزنامه ارائه شده است، هیچ تلاش کاملی برای کشف کلاهبرداری های اینترنتی و جنبه های مجرمانه پنهان در ایمیل ها انجام نشده است.
کاری از :Maryam Mokhtari1, Mohammad Saraee1, Alireza Haghshenas
اطلاعات فایل :زبان انگلیسی /11صفحه /حجم :238 K
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.