چکیده: امنیت و حفظ یکپارچگی مالی در صنعت مخابرات، به ویژه با حجم عظیم و روزافزون داده‌های جزئیات تماس (CDR)، اهمیتی حیاتی دارد. تشخیص به موقع تقلب‌های مخابراتی یک چالش پیچیده است که به دلیل ماهیت نامتوازن داده‌ها (تعداد اندک موارد تقلب در مقایسه با تراکنش‌های قانونی)، دشواری بیشتری می‌یابد و نیازمند رویکردهای یادگیری ماشین قدرتمند است. این پژوهش با هدف توسعه یک سیستم تشخیص تقلب کارآمد و مقاوم در برابر عدم توازن، یک رویکرد یادگیری ترکیبی مبتنی بر ادغام الگوریتم‌های AdaBoost و Random Forest را پیشنهاد می‌دهد. این مدل ترکیبی سعی دارد تا با بهره‌گیری از قدرت AdaBoost در بهبود عملکرد مدل‌های پایه ضعیف و قابلیت Random Forest در کاهش واریانس و Overfitting، دقت پیش‌بینی را در محیط داده‌ای نامتوازن به حداکثر برساند. برای غلبه بر مشکل عدم توازن کلاس‌ها در داده‌های CDR، از تکنیک‌های پیش‌پردازش و مدیریت داده‌ها مانند SMOTE استفاده شده است. مدل پیشنهادی بر روی مجموعه داده‌های واقعی CDR ارزیابی گردید. نتایج ارزیابی نشان می‌دهد که مدل ترکیبی AdaBoost-RF عملکرد به‌مراتب بهتری نسبت به مدل‌های پایه منفرد (RF و AdaBoost) دارد و با دستیابی به مقادیر برتر در معیارهای کلیدی ارزیابی مانند F1-Score=0.86، Recall=0.87، Precision=0.86، PR-AUC=0.87 و ROC-AUC=0.98 (در مقایسه با بدون تعادل‌سازی: F1-Score=0.85 و Recall=0.84)، کارایی خود را در شناسایی موفقیت‌آمیز بیش از 87% موارد تقلب به اثبات می‌رساند. این امر، راهکاری قوی و عملی برای مبارزه با تقلب در شبکه‌های مخابراتی ارائه می‌دهد.