Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l.   11 ,  No.   1 ,  Febr uar y   2021 , pp.  59 6 ~ 601   IS S N: 20 88 - 8708 ,  DOI: 10 .11 591/ ije ce . v11 i 1 . pp 59 6 - 601          596       Journ al h om e page :  http: // ij ece.i aesc or e.c om   D iffer ential  evolu tion detecti on m odels  f or  SMS   s pam        Sa r ab   M. H am eed   Depa rt m ent   o f  C om pute r  Scie n ce,  Col le ge   of   Science ,   Univer si t y   of  Baghda d ,   Ir aq       Art ic le  In f o     ABSTR A CT    Art ic le  history:   Re cei ved   N ov   23 , 201 9   Re vised  Jun   17 ,   20 20   Accepte d  J u n   27 ,  20 20       W it h  the   growth   of  m obil e  phone s ,   short  m essage   service  (SM S)   bec ame  an   essenti a l  t ext  co m m unic at ion  ser vic e .   How eve r ,   t he  low  cost  and  ea se  use   of   SM S   le d  to  an  inc rea se  in  SM S  Spam .   In  t his  pape r,   the   c har acte rist ics     of  SM S  spam   h as  studie d  and  a   set  of  f ea tu res  has  int roduc ed  t o  get   r id  o f   SM S   spam .   In  a ddit ion,   th e  pro ble m   of   SMS   sp am  det ec t ion  was  addr essed  as  a  c luste r ing   ana l y sis  tha t   req uire s  a   m eta heur isti c   a lgori th m   to  find    the   cl uster ing  str uct ure s.   Thr ee   d iffe ren ti a l  evol ut ion  var ia nts  v iz   DE/ra nd/ 1 ,   jDE/ ran d /1,   jDE /be st/1 ,   are   ado pte d  for  solving   the   SM S  spam  proble m .   Expe riment al   r e sults  il lustr at e   th at   th e  jDE /be st/ 1  produc es  best   result s  over   othe r  var i ant s in te rm s of  ac cur a c y ,   f al se - posit ive   rat e  and  f al se - n e gat iv e  rate.   Moreove r,  it surpass es  the   b ase l i ne  m et hods.   Ke yw or d s :   D iffe re ntial  evoluti on   F eat ur e  ex tr act ion   M achine lea rn i ng   SMS s pam  cla ssificat ion   SMS s pam  d et ect ion   This   is an  open   acc ess arti cl e   un der  the  CC  B Y - SA   l ic ense .     Corres pond in g  Aut h or :   Sara b  M.  Ham eed ,   Dep a rtm ent o f C om pu te r  Scie nce ,  C ollege  of  Science ,   Un i ver sit y o f B aghda d ,   Ba ghda d,   Ir a q .   Em a il :  sarab .m @sc. uoba ghda d. e du.iq       1.   INTROD U CTION     Th e  us age   of  s hort  m essaging  serv ic e  (S MS )   becam e  increasing   rap i dly  as  a  resu lt   of   it s  cheap   c os t   and  ease  of   use .  This  directe d  to  a n  i ncr eas e  in  the  am ount   of   s pam ,  wh i ch  is  un s olici te d  a nd   unde sire d  SMS   sent  to  a  la r ge  nu m ber   of   rec ei ver s.  The  pr e ci se  de finiti on  of   s pam   do es  no t  e xist.  Esse ntial ly ,  sp am   r egards   as an  un desira ble em ai l, h owever, it  is not a ll  u ndesi ra ble e - m ails ar e sp a m .     SMS sp am  h as a sign ific ant inf l uen ce  on   use rs  beca us e u s ers  view  eac h  SMS they get, so  SMS sp am   aff ect s  the  use rs  im m ediat e ly   [1 ,   2].  In   add it io n,   to  di sturbin g,   us ers   require  a  de gr ee  of   sec rec y  with     their  m ob il e  phones  a nd  un a ff ect ed   by  s pa m   and   vir us es  intru si ons  [ 3 - 5] .  Ther e f or e,   c on si der a ble  at te ntio n    to  the   SMS  s pam   pr oble m   is  pro vid e d  t o  de velo p  a   set   of  a ppro a c he s  to  bypas s  th is  pro blem .  Am ong    the  ap proach e s  dev el op e d  to  com bat  the  SMS  sp am   i s  a  cl assifi cation   of  m essa ges  into  SM S   sp am     and  ham .  The   chall en ge  is  t hat  the  m essages  a re  s hort  and  co ntains  f ew  words  a nd  these  wor ds   m ay   be  abbre viate d [6 ,   7].   Detect ing   SM S  sp am   turn s  to  be  of  sig nifi cant  worth  due  to  the  huge  loss  that  co uld  resu lt   from     the  SMS   s pam .   Tw o  ty pe s  of  m et ho ds  that  a re  c ollaborat iv e  base d  an d  c onte nt - base d  m et hods   ca n  be   use d  t o  detect   SMS  s pam .  Coll abo r at ive  base d  de pends  on   us a ge   and   us e r  ex per ie nce.  Wh il e  the  co ntent - base d  m et ho d  co nce ntrates  on  exa m ining   the  te xtu al   co ntent  of   m essages  [8 ,   9].  Zai nal  and   Jal i   perf orm ed    a  stud y  of   t he  disti nguish i ng  con t ro l  of   t he  f eat ur es  a nd  ex a m ining   it ' s  info rm at ion al   or   i m pact  ci rcu m s ta nce   in  SMS  sp am   m essages  cl assifi cat ion   [ 10 ] .   Kaya  and   E rtu ğrul  intr oduce d  a  m e tho d  ba sed  on  local   te rn a ry   patte rn s  t o  ext ract  two  disti nc t  featur es  set   low  a nd   up   fe at ur es  f r om   S MS  m essages  and   se ve ral  m achine  le arn in g  m et h od s  wer e  a ppli ed  f or   cl assify ing   SMS  s pam .  The  eval uation  resu lt s  ove r   three  s epa rate   SMS  dataset s g ai ne d ac cu racy 9 3.3 18%,  87. 15 % , a nd 94.1 0% [11] .    Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Diff erenti al ev olu ti on  detect ion m odel s for   SM S   s pam   ( Sa ra b M.  Ha mee d)   597   Su la im an  and   Jal i  intro duce d  a  m et ho d  for   detect ion   SM S  sp am   based   on   well - kn own  cha racters   us e d  at   tra ns m it ti ng   SMS,   S MS  le ngth  a nd   keyw ords .  Fi ve   dif fer e nt  al gorithm s  an d  th ree  diff e re nt  da ta set s  wer e   us e d  to  ver ify   t he  pro po s ed   m et ho d.    T he  resu lt s  i nd ic at ed   that  t he  pro po se d  m et ho d  co uld  pro du ce     a reas on a ble  de te ct ion  r at e  [ 12] .   Chou dh a ry  an d  Jai n  prese nted  a n  ap proac h  for  detect ing   s pam   m essages  us in g  te n  feat ures  a nd   fiv e   m achine   le ar nin g  al gorithm s  viz  naï ve  Ba ye s,  lo gisti c  re gressi on,  J 48,  de ci sion   ta ble  an d  ra ndom   fores t.  SMS   Sp am   Corpus   was  us ed   as  a n  evaluati on  dat aset   and  the  re su lt s  sho wed  that  the  rand om  forest  is  the  be st  on e   with  detect ion  rate eq uals  96. 1% [13] .   Abd ulh a m id  et   al .  prese nted  a  re view  of  th e  possible   way s  an d  c halle ng es  of  s pam   detect ion   a nd   fu t ur e  resea rc h  directi on  t hat  ca n  help   sp eci al ist   re searche rs  t o  know  the   are as  that  need  f ur th e r     i m pr ovem ent  [1 ] .   Kali ya r  et   al .   pr opos e d  a   general  m od e l  to  disti nguis h  SMS  sp am   m essages  ba se d  on  sever al   m achine  le arn i ng   al gorithm s.  The  pro po se d  SMS   sp am   fil te ring  m od el   was  ab le   to  filt er  m e ssages   from   sever al   fa m ilies:   Sing apore,  Am erican,  an d  I nd ia n  En glish.  T he  r esults  sh owe d  the  pr op os e d  m od el   achieve d  a  h i gh  pr eci sio n usi ng In dian  E ngli sh  SMS  [14 ] .   Sh a raff   pr ese nt ed  a  com par at ive  stud y  of   the  eff ect   of  featur e  sel ect ion   te ch niques   on   sev era l   cl assifi ers.   The   resu lt s  showe d  that  the  featur e  s el ect ion   t echn i qu e  im pacts  the  per f orm ance  of   the  c la ssifie r   and  can   assist   in  e nh a ncin g  t he   perf or m ance  of   so m e  cl assifi ers  [ 15 ] .   O jugo  a nd  Eb oka  de velo ped  SMS  sp am   detect ion   m et ho d  base d  on  B ay esi an  Netw ork .  A   set   of  fea tures  is  determ inist ic al ly   sel e ct e d  f ro m   SMS  us i ng  the  ge netic   al go rithm   (G A ).   The  res ults  sho wed   t hat  the  fe at ur e  sel ect ion   te chn iq ue  im pacts  the  perfor m ance   of the classi fie r  [ 16] .   A  tw o - f old   c ontrib utio n  is  c oupled   in  t his   pa per.  Fir st,  we  raise  the   f ollow i ng  quest ion :  How  t o  desig n  a n   ef fici ent  featu re  e xtracti on  m od el   to  i m pr ove  the  accu racy.   Seco nd,  to  e nsure  m or e  ef fic aci ou s   perform ance,  we  ex plo it   m ulti ple  var ia nts  of   diff e ren t ia l  evo luti on  (D E )  m od el s  that  of fe r  posit iv e   coope rati on   w it h  a  set   of   f eat ur es  for  S MS  sp am   to  correct ly   div i de  the  sea rch  sp ace  int o  two  a nd    non - overla pp i ng classe s   SMS  sp am  an d ham .   The  rest  of  t his  pa per  is  or ga nized  a s  f ollo ws.   Sect io n  2  el aborates  on  an  a ppr oach  f or   detect in g  SMS  sp am   by  su ggest in g  of   a  featur e  set .  I n  Sect io n  3,  th e  resu lt s  a nd   di scus sio n  of   th e  pro po se d  a ppr oac h  are  r ep or te d.  Finall y,  the  c oncl udin g  rem a rk s   an d  f uture   w ork  f or   othe r  re searc h  dir ect ion s  a re  pr ov i ded    in secti on  4 .       2.   RESEA R CH MET HO D     This  sect ion   cl arifies   the  m e t hodolo gy  us e d  fo r  SMS  s pa m   detect ion   wh ic h   co ns ist s  of  tw o  sta ges .   The  first  sta ge   at tem pts  to  extract  fr om   SM S  sp eci fic  feat ur es  that  m ay  be  us e d  to  cha racteri ze  SMS  sp am .   Ba sed  on  the  extracte d  feat ures,  three  dif fere ntial   evo luti on  al og irt hm s   ar e  us ed  in  the  s econd  sta ge  to  detect   SMS   sp am .  Con si der   a n  SM S  co ll ect ion     of    te xt  m essages,  i.e.   = { 1 , … , } .  Each  m essage ,   ,  1 ≤ ≤   con sist s  of   w ords ,  num ber s,  et c.  and   it s  siz e  is  lim it ed  to  160  c har act er s.   Figure  1  dem on st rates  so m e   sam ples o f  SM S sp am  and  ha m   in  [ 17 ] .            Figure  1.  Sam ple o f  SMS s pa m  an d  ham   fr om   SMS   s pam   c ollec ti on       Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  1 1 , No .  1,   Febr uar y  2021  :    59 6   -   6 0 1   598   The  idea  pro po sed  he re  for  de al ing   with  the  SMS  sp am   pr oble m   is  based   on   var ia nt  D E  al gorithm s.   Up   t o  the  best   of   our  knowle dg e ,  this  is  t he  fir st  tim e  t o  use   DE  al go rithm s  as  cl us te rin g  f or   SMS   sp am .     The  SMS  s pam   detect ion  ta sk   is  t o  i den ti fy  w heth er    is  SMS  s pam   or   ham   us i ng  cl us te r ing   is     ℂ ∶   →   {     , ℎ  } .   Detect in g  di sti nctive  feat ures  t hat  hav e   hi gh  discri m inatory  pow er  to   disti nguish   bet ween   SMS  s pa m   and   ham   to  be  cr ucial   in  S MS  sp am   detect ion .  T o  s upport  the  cl us te ri ng   a  set   of    featur es   = { 1 , 2 , … , }   s houl d be e xtract ed fr om   .     This r esea rch  i nv e sti gates  th e   chall en ge   of   S MS  s pam   detect ion   t hat  is   ho w  t he  disti nctive featu res     are  ide ntifie d  t o  cl assify   the  s pam   SMS  m es sages.  I n  this,   the  feat ur es   o f   the  ham   and  SMS  s pam   m e ssages  are  extracte d  t o  form   featur es  set   rep rese nting   a  sig n  for  the  corres ponding   m essage.  These  featu res  a re  us e d  to  trai n  DE   f or  identify in g  t he   centr oid s   of  t he  SMS   sp am   and  ham .  The n,  the  trai ne d  ce ntr oid s  a re  give n  to   the te sti ng stag e to  detect  SM S sp am  o r  h am .    The  first  sta ge   of   the  pro pose d  SMS  sp a m   detect ion   m od el   is  pr epr oc c es sin g.   A f te r  retrievi ng     the  SMS   m es sage  from   a  data  s ource,   te xt  pr e process ing  that  is  ve ry  im po rtant  i s  ap plied   to  m ak e     the  m essages  t o  be  a naly zed.   Sever al   ste ps   are  invol ved   in   pr e processi ng  in  orde r  to  pr epar e  t he  m ess age  t o  an  SMS  sp am   detect ion.  Fir stl y,  the  m ess age  is  c onver t ed  to  l ow e rcas e  to  eva de  dif fer e ntiat ion   be tween     the  sam e  wo rds  that  are  di ff e ren t  in  case .  S econdly ,  the  punct uation   is  r e m ov ed .  A fter  that,  the  m essa ges  ar e   tok e nized  base d  on  delim i te d  wh it es - pace  to  identify   the  t ok e ns.  The n,   s top   w ords  a re  exclu ded   from   the  set   of   t ok e ns   recogn iz e d  in  t he  f or m er  ste p  to  ob ta in  a  m essa ge  as  a  li st  of  keyw ords.   Fin al ly ,  the  tok e ns  are   stemm ed  to r ec ognize thei r root s .   On ce  a pp ly in g  pr e processin g  to  the  colle ct ion   of  m essages ,   the  m essage  rep rese ntati on  sta ge  shoul d  be per form ed  to r e present t he m essage b y  dis ti nct term s.  Each term  then  is  involve d  a  w ei gh t cal c ulate d usin g  te rm - fr equ e n c y  inv e rse - se nte nce - fr e quency.   Af te rwo rd,  ea ch  m essage  is  r epr ese nted   as  a   vecto r  of  wei ghts o f   te rm s.  In   ad di ti on ,  s om e  featur es  a re  e xtracted  from   the  ra w  dat a  to  f ur t her   i m pr ov e  the  m essage  represe ntati on   as ex plaine d  in  what f ollo ws:   -   The  le ng t h  of  the  m essage  is  co ns ide red  one  featu re  t o  be   ad ded  to   re present  the   m ess age  si nce  SM S   sp am s leng th t ends to  b e  lo nger th a n ham .     -   The  prese nce  of   a  num ber   is  con si der e d  a s  on e  featu re  to  be  ad de d  to  re pr ese nt  th e  m essage  sin ce    the s pam m er pref e rs usin g  t he  phon e  num ber  to  claim  a lotte ry or  pr iz e.   The  ext racted  f eat ur e  set   can  be  us e d  by  the  DE  to  de fine  t he  centr oid   of   each  cl us te r .  T he  pro posed   DE  SM S s pam  d et ect ion c on s ist s o f  t wo stag es:  trainin g  a nd test in g  sta ge s . T he go al   of th e trai ning sta ge  is to   tun e  t he  val ue   of   t w o  cen troid   vecto rs  accor ding  to   a  set   = { 1 , 2 , … , }   of  tra ining  m essages.     Wh il e  the   goa l  of   t he  te sti ng  sta ge   is  to  c la ssify  the  inc om ing   m essage  into  SM S  spam   or   ham   based   on    the  tw o  cent roi d  vect or s  pro du ce d  from   the  trai n in g  sta ge .  The   f ollow i ng   subsect io ns  il lustrate   how   DE  i s   util iz ed  f or the  cl us te rin g pur pose  base d on th e extracte d feat ur es .      2.1 .     DE  based  c lusteri n g fo r  SMS sp am  de tection   Af te r   ext racti ng  the   m essage  featu res   set ,  an  op ti m iz ation   m od el   base d  on  DE  t hat  us es   thes e   featur e s  to  identify   the  centro ids  f or  cl ust ering   of  SM S  sp am   and   ha m   is   pr opose d .  Th ree  dif fe ren ti al   evo l ution  var i ants  nam ely  DE/ra nd / 1,  jD E/ran d/1 ,   j DE/ best/1  a re  util iz ed.   T he  det ai le d  ex planat ion   of    the m ai n  char a ct erist ic  co m po nen ts  o f  the  pr opos e d  m od el s  is provide d  i n wh at   f ollow s .      2.2.1 .  I ndivid ua l repre sent ati on and p opu lation ini tializ at i on     In   t he  pro pos ed  m od el s,  cl us te r  ce ntr oids  are  e nc od e d  in  the   in div i du al .   Eac h  in div id ual     is  represe nted   as   a  ve ct or  of    ge nes   that  c or res ponds   to   the   2   c luster  centr oids.  T he   m at he m at ic al   form ulatio n  of the  i nd i vidu al   is as f ollo ws :     = { 1 , 2 , … , } ,     ∀ ∈ { 1 , … , } ,   ∈   [  ,  ]        : i s the m ini m u m  v al ue  featu r e    can  g et ,  a nd      :  i s the m axi m um  v al ue  feat ure     can  ge t.   DE  is   a  popul at ion - base d  op tim iz at ion   al gorithm   and  sta rts  wit h  a  po pula ti on  ℙ   of    so luti ons.    Fo rm al ly  sp eakin g,   ℙ   can  b e  for m ulate d  as  f ollow s:     ℙ = { 1 , 2 , … , }     w he re    is t he p opulati on size.   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Diff erenti al ev olu ti on  detect ion m odel s for   SM S   s pam   ( Sa ra b M.  Ha mee d)   599   2.2.2 .  Mut at io n and cr os s ov er op er ati on s     This  op e rati on  is  consi der e d  a s  the  m ai n  op e rati on   t hat  is  re sp onsi ble  f or   m ai ntaining   th e  popula ti on   div e rsity   in  ev olu ti on.  T he  m ut a ti on   eq ua ti on s  for  DE/r and / 1,   jDE/ra nd/1  a nd  jDE/ be st/ 1  are  i n   ( 1 ) ,  ( 2 ) ,    and  ( 3 )   res pect ively  [ 18 - 20] .     DE/ra nd / 1       = 1 + ( 2 − 3 )   (1)     j D E/ran d/1      = 1 + ( 2 − 3 )   (2)     j D E/best/ 1        =  + ( 1 − 2 )   (3)     w he re   1 , 2   an d   3   are  ra ndom   nu m ber s  in   [ 1,N]  an d  they   a re  m utu al ly   diff e re nt,      is  the   in div i du al   i n    the curre nt  popula ti on .     is a ra ndom  n um ber  i n (0,1 )  a nd      = + ×                      < 1         is l ower   boun d of   m utati on .     is u pper   boun d  of m utati on .   1   is t he   pro bab il it y t o  al te r    fa ct or .      The  cr os s over  op e rati on  ai m   is  to  com bin e  the  ta rg et     ve ct or   with  the  dono r  vect or     to  pro duce     the  tria l  vect or   .  E qu at io n  ( 4 )   [ 21 ]   il lustrate s  the  c ro ss over  oper at ion   f or  DE/ rand/1  a nd  ( 5 )   [ 22 ]   dem on strat es t he  c ro s sover  ope rati on  for j D E/ran d/1  a nd  jDE/best/ 1.       , = { ,      1 ≤       = , 2 ,      1 >       ≠ , 2   (4)     , = { ,      1 ≤       = , 2 ,      1 >       ≠ , 2   (5)     wh e re       is  a   ra ndom   nu m ber  in   ( 0,1]  that   dete rm ines  t he  value   of   the   tria l  ve ct or    whi ch   is  i nh e rite d  from     the do nor  .   1   is a ra ndom  num ber s in ( 0,1]   2   is a ra ndom  num ber s in [ 1,n]   a nd      =                                  < 2       2   is t he pr obabil it y t o  al te r  CR   factor.       2.2.3 .   E valua tion   DE selec tio n opera tio n    Accor ding  to   the  SMS   s pam   pro blem ,  the  fo rm ulati on   of   t he  obj ect ive  f unct ion  re quires   m axi m iz ing  the  accu racy  that  m eans  the  nu m ber   of   m essage s   that   are  co rr ect ly   detect ed  as  SMS  sp am   (  )   and    the  num ber   of  m essages  ar e  correct ly   cl assifi ed  as  ha m (  )   sho uld   be  m axi m iz ed .  In  oth e r  wor ds     the  num ber   of  m essages  th at   are  m isclassifie d  as  SM S   sp am   (  )   an d  t he  nu m ber   of  m ess ages  are  m isc la ssifie d  as  ham   (  )   sh ould  be  m ini m iz ed.   Each  in div i du a l  is  evaluated  usi ng   the  obj e ct ive  functi on  a s   in  ( 6 ) .   T he  c om pu ta ti on   of   t he  ob j ect ive  f un ct io n  f or  ea ch  in div id ual  is  as  fo ll ows.  First,  the  ce ntro i ds ,   ℂ = {     , ℎ  }   enco de d  in  t he   ind i vidual  are  extracte d  an d  t he  cl us te rs  are   form ed.   The n,   the  cl us te r   is  at ta ined  by  assigni ng   t he  m essages    to  a   cl us te r  co rr es pondin g  to  the   cl os est   centr oid .  E uclidea n  s qu a re d  distance m et ric   is ad opte d for  the co m pu ta ti on  of the  dis ta nc e b et wee n  a  m essage a nd the   centr oid .            ( ) =  +   +  +  +    (6)     Af te r  e valu at ion   t he  in div i dual s,  DE  sel ec ti on   ope rati on   is  app li ed  as   s how n  in  ( 7 ) ,  t he  res ultant  vecto r  from   th is  op erati on  is   the  vector   w it h  the  higher  obj ect ive  f unct ion   that  will   be  passed   to  th e  next   gen e rati on.     = {         ( ) >    ( )                                                                                      ℎ     (7)   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  1 1 , No .  1,   Febr uar y  2021  :    59 6   -   6 0 1   600   3.   E X PERI MEN TAL RES UL TS A ND DIS CUSSIO N   SMS  Sp am   Coll ect ion   [17c]  is  a  public  data set   colle ct ed  for  SMS  sp am   research   t hat  co nt ai ns   5,574   En glish,  real  and   non - en co de d  m essages.  E ach  m essage  is  la beled  to  in dicat e  wh et her  a  giv e n  m ess age  is     a  le gitim a te   (h a m )  or   SMS  sp am .  It  con ta ins  ab ou t  86. 6 7%   of   ham   and  13 . 33%  of  S MS  sp am .  Evaluati on   m et rics  represe nted  by  acc ur a cy (  )   [23], f al se ne gative rate  (  )   [24]  an d  false posit ive  rate  (  )   [ 25]   are  us e d  for  as sessing  the  propose d  SMS  s pam .  Evaluati on   of  the  pro pose d  SMS  s pa m   detect ion   m od el   is   perform ed  by  app ly in g  the  k - f old   cr os s - validat ion   a ppr oa ch.   I n  this  paper,  3 -   f old   c ros s - validat io n  a ppr oac h  and   2 - fo l d  cro ss - validat ion  are  adopted   to  sh ow  th e  i m pact  of   trai nin g  a nd  te sti ng   dataset   on     the  perform ance  of   the   pr opos e d  m od el .   T he  e val uation  is  prese nted   in   te rm s  of  a verage  a ccu racy (  ) ,    false  ne gative   r at e  (  )   and   false  posit ive  rate  (  )   over  k - f old.   Ta bl e  1  re ports  the  set ti ng   pa ram e te rs  of   DE  m od el s.  Tables  2  an d  3  pr ese nt  the  res ults  of   the  pro po s ed  a ppro a c h  unde r  3 - f old  and   2 - fo l d  f or  var io us   cl assifica ti on .  Fr om   tho se  t wo   ta bles,  w hi ch  pr esent  th e  aver a ge  pe r form ance  of   the  thr ee  va riant  D E   al gorithm s  DE/rand/1,  jDE/ra nd / 1,   jDE/best /1  agai ns t  k - m eans  baseli ne  m et ho d  i n  te r m s  of    ,     a nd      ov e r  te n  dif f eren t  r uns,  it   is  cl ear  that  the  th ree  va ria nt  DE  m od el s   hav e   su cce ss fu ll y   cl us te re d    the  m essages  i nto   SMS  s pam   and   ham   fo r  the  dif fe ren t  k - fo l d  ap proac he s  against  k - m e ans  th rou gh   re du ci ng      a nd     a nd  inc r easi ng  the   acc ur acy .   Also,  it   ca n  be   ob se r ve d  that  t he   jD E/best/ 1  pro du ces  the   best  resu l t  ov e r oth er  var ia nt  DE   m od el s .       Table  1.   DE  p a ram et ers  s et ti ng   Para m eter   Valu e   Po p u latio n  size,    100   Maxi m u m  nu m b er  of  gen eration s   100   Cro ss o v er  p rob ab il ity ,     0 .9   Mutatio n  pro b ab ility,     0 .5   Lower bo u n d  of   m u tatio n ,    0 .1   Up p er  b o u n d  o f   m u tatio n ,    0 .9   p rob ab ilit y  to alter   ,  1   0 .1   p rob ab ility  to  alter    ,   2   0 .1       Table  2.  C om par at ive  r esults  o btaine d  o ver    10  i ndepe ndent   r un s  for t  he  p r opos e d  m od el   against    K - m eans  r e gardin g 3 - f ol d   Mod el            DE/r an d /1   0 .96 4 1   0 .01 1 6   0 .19 2 5   jDE/r an d /1   0 .96 6 0   0 .01 2 2   0 .17 4 2   jDE/bes t/1   0 .96 6 7   0 .01 1 6   0 .17 3 8   k - m eans   0 .86 0 0   0 .06 8 2   0 .60 2 4     Table  3.  C om par at ive  r esults  o btaine d  o ver    10  i ndepe ndent   r un s  for t he  p r opos e d  m od el   against  K - m eans  r e gardin g 2 - f ol d   Mod el            DE/r an d /1   0 .96 4 8   0 .01 2 8   0 .18 0 1   jDE/r an d /1   0 .96 5 2   0 .01 2 0   0 .18 1 4   jDE/bes t/1   0 .96 7 1   0 .01 0 7   0 .17 5 6   k - m eans   0 .82 9 0   0 .09 9 1   0 .63 5 0         4.   CONCL US I O N     In   t his  pa per,  the  pr ob le m   of   SMS  sp am   detect ion   w as  ad dresse d  as  a  cl ust ering   a naly sis.  Fin di ng   the clusterin g  s tructu res  that  pr ovide  high  discrim inati on  b et ween   SMS s pa m  an d  ham  h as  b een c onside r ed  as  NP - ha rd   w hich  nee ds   a  m etah eu risti c  al gorithm .  Thr ee  DE  var ia nts  w ere  util iz ed  to   disti nguish   i nc om ing  m essages  int o  SMS  s pam   and   ham .  Exp e ri m ental   resu lt s  rev eal   t hat  the   DE/ best/1  s ur passes   ot her  va riants   and   k - me ans  in  te rm s  of   acc ur acy ,  false - ne gative  rate,  a nd  false - posit iv e  rate.  F uture  work  sho uld   in cl ud e  a n  inv est igati on  t o  c onsider  m ul ti - obj ect ive e voluti onary al gorithm s  t hat  m a y pro du ce  b et t er r e su lt s .       REFERE NCE S     [1]   S.  M.  Abdulha m id ,   et   al .,  “ A  Revi ew  on  Mo bil e  SM S  Spam  Filt eri ng  Tech nique s, ”   in   I EEE  Acce ss ,   vol .   5,     pp.   15650 - 1566 6,   2017 .   [2]   G.   Rawa shdeh ,   et   a l. ,  “ Com par at ive   B et wee n  O pti m iz ation  Fea t ure   Selecti on  b y  Us ing  Cla ss ifi e rs  Algorit hm s  o n   Spam   Emai l, ”   In te rnational   Jour nal  of   Elec tri cal and  Computer  E ngine ering   ( IJE CE) ,   vol.  9,   n o.   6,   pp.   5479 - 548 5 ,  2019 .   [3]   N.  Desai   and  M.   Narve kar ,   “ No r m al iz a ti on  of   Nois y   Te xt   Dat a, ”   Proce dia   Computer  Sc ie nc e ,   vol .   45,   pp.   127 - 132 ,   2015.     [4]   N.  Jiang ,   e t  al.,   “ Understa n ding  SM S  Spam   in  La rge   C el lu la r   Ne twork:  Char ac t er isti cs,   Strategi es  and  D efe nses, ”   Inte rnational   W orkshop on  R ec e nt  Ad vanc es   in I ntrusion De tection ,   pp .   328 - 347 ,   201 3 .    [5]   H.  Saje di ,   et   a l . ,  “ SM S  Spam   Filt eri ng  Us ing  Mac hine   L ea rn i ng  Te chni qu es:   A  Survey , ”   M achi ne  Learning  Re search ,   vol .   1 ,   no.   1,   pp.   1 - 14 ,   2016 .    Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Diff erenti al ev olu ti on  detect ion m odel s for   SM S   s pam   ( Sa ra b M.  Ha mee d)   601   [6]   T.   M .   Mahm oud  and  A.   M .   M ahf ouz,  “ SM S  Spam   Filt eri ng  Te chn ique   B a se d  on  Artifici al   I m m une  Sy stem , ”   Inte rnational   Jo urnal  of  Comput er  Scienc e   Iss ue s ,   vol. 9,  no.   2,   p p.   589 - 597 ,   201 2.   [7]   N.  Sjari f ,   et   a l . ,   “ SMS  Spam   Me ss age   Detect ion   Us ing  Te rm   Fre quency - Inve rse   Docum ent   Frequ ency   and  R andom   Forest  Algorit h m , ”   Proc edi a  Co mputer  Scienc e ,   vol.   161 ,   pp .   509 - 515 ,   2019 .   [8]   X.  Qian,   “ SM S  Spam   Dete ct ion  Us ing  Nonconte nt  Feat ure s , ”   IE EE   Intelli g ent   S yste ms ,   vol.   27 ,   n o.   6,   pp.   44 - 51 ,  2012.   [9]   A.  Kara m i   and  L.   Zhou ,  “ Im proving  Stat ic   SM S  Spam   Dete ction   b y   Us ing  New  Conte nt - b ase d  Feat ur es, ”   T he  20 th   Ame ricas  Conf ere nce on  In formation  S yste ms   ( AMCIS) ,   2014 .   [10]   K.  Za in al   and  M .   Z.   Jal i,   “ A  Revi ew  of  Feat ure   E xtra c ti on  Optimi za t ion  in  S MS   S pam  Mess age s  C la ss ifi c at ion , ”   i n  Berr y   M.,  et  al.   ( e ds) ,   “ Soft  Co m puti ng  in  Dat a   Scie nc e  ( SC DS ), ”   Comm unic a tions   in  Computer   and  Informatio n   Sci en ce ,   vol .   65 2 ,   pp .   158 - 170 ,   201 6 .   [11]   Y.  Ka y a  and  O.  F.  Ert uğru l,  “ A  Novel  Feat ure   Ext r ac t ion   Approac h  in  SM S  Spa m   filte ring  for  Mobi le  Com m unic at ion: One - Dim ensiona l Te rn ar y   Pat te r ns, ”   S e curity  an d  communic at io n  net works ,   201 6.   [12]   N.  F.  Sulai m an  and  M.  Z.   Jali ,   “ A  New  SM S   Sp am  Dete ct ion  M et hod  Us ing  both  Conte nt - Based   and  Non  Conte nt - Based  Fea ture s , ”   Adv an ce d   Computer  and  Comm unic ati on   Eng in ee ring Te chnol o gy ,   pp .   505 - 514 ,   2016 .      [13]   N.  Choudhar y   and   A.   K.   Jain ,   “ Towa rds  Filt e ring  of  SM S  Spam   Mess age s  Us ing  M ac hine  Learni ng  B ase d  Te chn ique ,”   i n  Singh  D.,   et   al . ,   (ed s) ,   “ Advan ce d  Inform at i cs  for  Com puti ng  Resea rch ,”   Co mm unic ati ons  i n  Computer  and  I nformation  Sc ience ,   vol .   712 ,   p p .   18 - 30 ,   2017 .   [14]   R.   K.  Kaliy a r,   et  al . ,  “ SM S  Spam  Filt eri ng  on  Mu lt iple  Bac kg roun d  Data sets  Us ing  Mac hine   L ea r ni ng  Te chn ique s :  A   Novel  Approa ch , ”   2018  I EEE  8th  Int ernati onal   Adv an ce Computi ng  Conf ere nc e  ( IACC) ,   pp.   59 - 65 ,   2018 .   [15]   A.  Shara ff ,   “ Spam   Dete c ti on   i n  SM S  Based  on  Feat ur e  Sel e ct ion   Techni qu e s , ”   i n   Abraha m   A.,  et  al.,   (ed s ) ,   “ Emerging  Te c hnologi es  in  D at a  Mining  and   Inform at i on  Secur i t y ,”   Adv an ce s  in  Int el li g e nt  Syste ms   and  Computing ,   vo l.  813,   pp .   555 - 56 3,   2019 .   [16]   A.  A.  Ojugo  a nd  A.  O.  Ebok a ,   “ Mem et ic   Al gorit hm   for  Short  Mess agi ng  Servic e  Spam   Filt er  Us ing  Text  Norm al iz ation  a nd  Sem ant ic   Approac h, ”   Inte rn ati onal  Journal   of  Info rm ati cs  and  Comm unic ati on  Technol og y    ( IJ - ICT ) ,   vol. 9,  no. 1,   pp.   9 - 18 ,   2 020 .    [17]   T.   A.   Alm ei da ,   et   al. ,  “ Contributions  to  the   Stud y   of   SM S  Spam   filte ring:   New  Coll e ct ion   and  Resul ts ,”   i n  Proce ed ings o f   t he  2011  ACM  S y mpos ium  on  Document   Eng ineering  ( DO CENG’1 1 ) ,   pp.   259 - 262 ,   2011 .    [18]   M.  Georgi ouda kis ,   et   a l. ,  “ On  the   Perform anc e  of  Diffe r ent i al   Evol u ti on  Vari an ts  in  Constrai n ed  Struct ur al  Optimiza ti o n, ”   Proce dia   Manuf act uring ,  vol .   44 ,   pp .   371 - 378 ,   2 020.   [19]   T.   E lt a ei b   and   A.  Mahm ood ,  “ Diffe ren tial  E volut ion :  A  Surve y   and  Ana l y sis , ”   App li ed   Sci en ce s ,   vo l.  7 ,     p.   1945 ,   2018 .   [20]   M.  Georgi ouda kisa  and  V.  Pl evr is,  “ On  the   Perform anc e  of   Diffe ren t ia l  E volut ion  Vari an ts  in  Constrai n ed   Struct ura l  Optim iz a ti o n, ”   Proce d ia  Manufa ct urin g ,   vol .   44 ,  pp .   37 1 - 378 ,   2020 .   [21]   S.  Das  and  P.  N.  Sugantha n,   “ Diffe ren t ia l  Evo lut ion:   A  Surve y   of  th e  Sta te - of - the - Art, ”   IE EE  Tr ansacti ons  on  Ev olutionar y  Co mputati on ,   vol .   15,   pp .   4 - 31 ,   20 11.   [22]   J.  Brest,   e t  al.,   “ Dy n amic  optim iz at ion  using  Self - Adapti v e  Diffe ren t ia l  Evo lut ion, ”   2009  I E EE   Congress   on  Ev olutionar y  Co mputati on ,   Tron dhei m ,   pp .   415 - 422 ,   2009 .   [23]   K.  S .   Redd y   an d  E.   S .   Redd y ,   “ Inte gra te d  App roa ch  to  Det ec t   Spam   in  Socia l  Media   Networ ks  Us ing  Hy b ri d  Feat ure s, ”   In te rn ati onal Journ al of  E le c tric al   and   Computer  Eng i nee ring ( IJE C E) ,   vol .   9 ,   no .   1 ,   pp .   562 - 569 ,   2019 .    [24]   A.  Boukhal f a,  e t  al . ,   “ LSTM  D ee p  Learni ng  Method  for  Network  Intrusion  Dete c ti on  S y ste m , ”   Inte rnation al   Journal  of   Elec t rical   and   Computer  Eng ine ering   ( IJE CE) ,   vol. 10 ,   n o .   3 ,   pp .   3315 - 3322 ,   2020 .   [25]   S.  Sheikhi ,   et   al. ,   “ An  Eff ec ti v e   Model  for  S M S  Spa m   Dete ct i on  Us ing  Conte nt - b ase d  Feat ur e s  and  Avera ged  Neura l  Network , ”   Inte rnat ional   J ournal  of  Engi n ee ring,  Tr ansact ions  B:  Appl i cations ,   vol.   33 ,   no .   2,   pp .   221 - 228 ,  2020 .       BIOGR AP H Y   O F  AU TH OR       Sarab  M.   Ha m ee d   re ce iv ed  B . Sc.   degr ee   in  co m pute r  scie n ce   f rom   univ ersity   o f  Baghda d ,   in  1992,   M.  Sc.   fro m   unive rsit y   of  Baghda d,   in  199 9  and  Ph.  D.  fro m   unive rsit y   of  te chno log y   in   2005.   She  is  cur ren tly   assit ant  profe ss or  at   depa rtment  of  c om pute r  scie nc e ,   unive rsit y   of  B aghda d.   Her  r ese arc h   intere st   inc lud es  computer   and   data  s ec uri t y   and  soft   computing  in     the   se cur ity   fi el d .     Evaluation Warning : The document was created with Spire.PDF for Python.