ارسل ملاحظاتك

ارسل ملاحظاتك لنا







يجب تسجيل الدخول أولا

E-commerce Transactions Of Behaviors Anomaly Detection System

المصدر: المجلة العراقية لتكنولوجيا المعلومات
الناشر: الجمعية العراقية لتكنولوجيا المعلومات
المؤلف الرئيسي: Maolood, Abeer Tariq (Author)
مؤلفين آخرين: Ahmed, Saifaldeen Salim (Co-Author)
المجلد/العدد: مج9, ع1
محكمة: نعم
الدولة: العراق
التاريخ الميلادي: 2018
الشهر: تشرين الأول
الصفحات: 137 - 154
DOI: 10.34279/0923-009-001-012
ISSN: 1994-8638
رقم MD: 961321
نوع المحتوى: بحوث ومقالات
اللغة: الإنجليزية
قواعد المعلومات: HumanIndex
مواضيع:
كلمات المؤلف المفتاحية:
كشف الشذوذ | الخوارزمية المعدلة | سلوكيات العملاء | Anomaly Detection | PMK-Means | Customer’s Behaviors
رابط المحتوى:
صورة الغلاف QR قانون

عدد مرات التحميل

13

حفظ في:
المستخلص: تقترح هذه المقالة تصميم نظام للكشف عن الحالات الشاذة لمواقع التجارة الإلكترونية. ويتكون هذا النظام المقترح من مرحلتين المرحلة الاولى هي مرحلة العنقدة والمرحلة الثانية هي مرحلة التصنيف في المرحلة الأولى اقترحت (SVM) كخطوة عنقدة وخوارزمية (k-means) المعدلة عن خوارزمية (PMK-means) خوارزمية لمرحلة التصنيف كخطوة ثانية لحل المشاكل والمعاملات او الحركات غير الطبيعية او المشبوهة لبيانات التجارة الإلكترونية. وسيتم تطبيق هذا التعديل المقترح كمرحلة ما قبل المعالجة، والهدف الرئيسي هو توليد مجموعات من لتصنيف مجموعة البيانات (SVM) مجموع معاملات التجارة الالكترونية لمجموعة البيانات الشاذة. ثم تطبيق خوارزمية والكشف عن الشذوذ.

This article proposes designing a system to detect anomalies for e commerce sites. The proposed system consists of two phases the first clustering phase and the second classification phase, in the first stage, the algorithm was proposed modify k-means (PMK-means) algorithm as clustering phase and support vector machine (SVM) algorithm as classification phase to solve the problems and abnormal transactions of e commerce data. This proposed modify kmeans will be applied as a preprocessing stage, the main objective is to generate a collection of clusters from the ecommerce transactions of anomaly dataset. Then applythe SVM algorithm to classifications the dataset and anomaly detection.

ISSN: 1994-8638