داده کاوی جرایم مالی در حوزه سایبری با استفاده از الگوریتم های شبکه عصبی و درخت تصمیم Journal Article

پژوهش های اطلاعاتی و جنایی بهار 1401 ،سال هفدهم - شماره 1 ، الف (Ministry of Science/ISC (‎20 page(s) - From 195 to 214 )

Keywords: سایبر جرائم مالی داده‌کاوی درخت تصمیم شبکۀ عصبی الگوریتم اطلاعات مجرمان پلیس شناسایی

fa en

Abstract:

زمینه و هدف: بی تردید جوامع بشری همواره با پدیده جرایم مالی به عنوان مهمان ناخوانده روبرو بوده وهمواره در معرض آسیب و متضرر از آن است. این پژوهش با استفاده از ابزارهای داده کاوی و با هدف افزایش کارایی و دقت جرایم مالی، با الگوریتم های شبکه عصبی و درخت تصمیم انجام یافته است. بیان مساله: مسأله پیش رو حاکی از این است که گسترش جرایم شبکه‌ای و به موازات آن افزایش داده‌های ثبت شده از جرایم، ما را با حجم زیادی از داده‌ها روبه‌رو کرده که هر کدام حاوی پیام‌ها و اطلاعات زیادی است. اگر این داده‌ها به درستی تحلیل شوند می‌توانند سازمان‌های پلیسی را در شناسایی و ردگیری و همچنین پیش‌بینی و پیشگیری از جرایم یاری نماید. روش و یافته ها : این پژوهش با داده کاوی بیش از 4500رکورد از جرایم مالی سایبری با استفاده از ابزارهای داده کاوی به بهبود افزایش کارایی و دقت جرایم مالی می پردازد. نوع روش داده کاوی در این مقاله به صورت پیش بینی می باشد. این تحقیق با تحلیل و بررسی داده ها و متغیرهای جرم که از دیتابیس پلیس فتای کشور گرفته شده، با استفاده از الگوریتم های درخت تصمیم و شبکه عصبی اقدام به ایجاد روش جدید جهت افزایش کارایی و دقت در جرایم مالی نموده است به طوریکه کارایی با استفاده از الگوریتم شبکه عصبی در روش پیشنهادی 70. 11 درصد و در الگوریتم درخت تصمیم 87. 78 درصد می باشد. نتیجه گیری: با استفاده از ابزارهای موجود در حوزه داده‌کاوی می‌توان با بهره‌گیری مناسب و بهینه از منابع انسانی پلیس، جرایم را کشف کرد و یا از وقوع آن پیشگیری نمود. امید است بتوان سازمان‌های پلیسی را در شناسایی مجرمین و مهمتر از آن در پیش‌بینی و پیشگیری از جرایم سایبری به ویژه جرایم مالی یاری کرد.

Introduction & Objective: Undoubtedly, human societies have always faced the phenomenon of financial crimes as uninvited guests and are always exposed to harm. This research has been done using data mining tools and with the aim of increasing the efficiency and accuracy of financial crimes, with neural network and decision tree algorithms. Statement of Problem: The forthcoming issue indicates that the spread of cybercrime and, in parallel, the increase of recorded crime data, has confronted us with a large amount of data, each of which contains a large number of messages and information. If analyzed correctly, this data can help police organizations identify and track, as well as predict and prevent crime.Methods and Findings: This study improves the efficiency and accuracy of financial crimes by data mining more than 4500 records of cyber financial crimes using data mining tools. The type of data mining method in this article is predictive. This study, by analyzing the data and crime variables taken from the FATA police database, using decision tree algorithms and neural networks, has created a new method to increase efficiency and accuracy in financial crimes, so that efficiency using From the neural network algorithm in the proposed method is 70. 11% and in the decision tree algorithm is 87.78%.Conclusion: Using the existing tools in the field of data mining, it is possible to detect crimes or prevent their occurrence by using appropriate and optimal human resources of the police. It is hoped that police organizations can be assisted in identifying criminals and, more importantly, in predicting and preventing cybercrime, especially financial crime.

Download citation file :
(پژوهیار, , , )

Download PDF
Downlaod HTML

Shortlink:

Page: