چکیده: در دنیای پرسرعت ارتباطات امروزی، صنعت مخابرات با چالش‌های متعددی روبرو است که یکی از برجسته‌ترین آن‌ها، پدیده کلاهبرداری تلفنی می‌باشد. کلاهبرداری‌های مخابراتی، که اغلب از طریق سوءاستفاده از سوابق جزئیات تماس رخ می‌دهند، سالانه میلیاردها دلار خسارت مالی به اپراتورها و مشترکان وارد می‌کنند. این نوع تقلب‌ها، از تماس‌های بین‌المللی مشکوک تا الگوهای غیرعادی مصرف خدمات، نه تنها منابع مالی را تهدید می‌کنند، بلکه اعتماد عمومی به سیستم‌های ارتباطی را نیز خدشه‌دار می‌سازند. با توجه به حجم عظیم داده‌های تولیدشده در شبکه‌های مخابراتی، استفاده از تکنیک‌های یادگیری ماشین برای تشخیص خودکار این الگوهای نادر، امری ضروری و اجتناب‌ناپذیر است. یکی از چالش‌های اصلی در این حوزه، عدم توازن شدید داده‌ها است؛ جایی که بیش از ۹۰ درصد سوابق مربوط به تماس‌های عادی بوده و موارد کلاهبرداری تنها حدود ۱۰ درصد را تشکیل می‌دهند. این عدم تعادل، مدل‌های یادگیری ماشین را به سمت سوگیری به نفع کلاس اکثریت سوق می‌دهد و معیارهای سنتی مانند Accuracy را بی‌فایده می‌سازد. بنابراین، تمرکز بر معیارهایی مانند F1-Score (هارمونیک میانگین Precision و Recall) و ROC-AUC، که بر تشخیص صحیح موارد نادر تأکید دارند، حیاتی است. این مطالعه بر آن است تا عملکرد مدل GBM را در تشخیص کلاهبرداری مخابراتی ارزیابی کند، با بهره‌گیری از تکنیک‌های نمونه‌برداری برای مقابله با عدم توازن داده‌ها. داده‌های مورد استفاده، شامل ۱۰۱,۱۷۴ سابقه CDR از دادگان عمومی Kaggle، پس از مراحل پیش‌پردازش مورد تحلیل قرار گرفتند. تحلیل اکتشافی داده‌ها نیز روابط ضعیف خطی ویژگی‌ها را برجسته کرد و لزوم مدل‌های غیرخطی مانند GBM را تأیید نمود. در نهایت، نتایج حاصل از آموزش مدل‌های پایه و مدل‌های تعدیل‌شده با تکنیک‌های SMOTE، ADASYN و Tomek lixnks نشان داد که مدل مبتنی بر SMOTE، با دستیابی به F1-Score برابر ۰.۸۵ و ROC-AUC برابر ۰.۹745، بهترین عملکرد را در تشخیص موارد کلاهبرداری ارائه داد. این بهبود چشمگیر، نرخ مثبت کاذب (FPR) را نیز در سطح قابل قبولی (کمتر از ۵ درصد) حفظ کرد و پتانسیل عملیاتی‌سازی این رویکرد را در سیستم‌های واقعی مخابراتی برجسته ساخت.