چکیده: در عصر داده‌های بزرگ و توسعه روزافزون شبکه‌های مخابراتی نسل جدید، این صنعت با چالش‌های امنیتی و مالی فزاینده‌ای از جمله "تقلب مخابراتی" مواجه است. تقلب‌هایی که سالانه میلیاردها دلار زیان به اپراتورها و مصرف‌کنندگان وارد می‌کنند. ماهیت پویای الگوهای کلاهبرداری، سیستم‌های سنتی مبتنی بر قوانین ثابت را بی‌اثر ساخته و نیاز به رویکردهای هوشمند و منعطف مبتنی بر یادگیری ماشین را بیش از پیش ضروری ساخته است. این پژوهش با درک عمیق از اهمیت داده‌های رکورد جزئیات تماس (CDR) و چالش بحرانی "عدم توازن داده‌ها" در این حوزه، به توسعه یک معماری پیشرفته تشخیص تقلب متمرکز شده است. هدف اصلی، ارائه یک مدل ترکیبی است که با بهره‌گیری از قدرت دسته‌بندی‌کننده‌هایی چون درخت تصمیم (DT)، نزدیک‌ترین همسایه (KNN) و رگرسیون لجستیک (LR)، نه تنها دقت تشخیص را افزایش دهد، بلکه با تمرکز بر کاهش خطای مثبت کاذب (FPR)، کارایی عملیاتی سیستم‌های امنیتی مخابراتی را بهبود بخشد. نتایج کلیدی حاصل‌شده شامل دستیابی به F1-Score=84.58%، ROC-AUC=95.12% (بهبود ۲.۳۵% نسبت به DT) و FPR=0.0158 (کاهش چشمگیر نسبت به مدل‌های پایه) است که تعادل بهینه Precision (85.97%) و Recall (83.24%) را در داده‌های نامتوازن تضمین می‌کند و ارزش اقتصادی مدل را در کاهش زیان‌های عملیاتی برجسته می‌سازد.