چکیده: صنعت مخابرات، به دلیل حجم عظیم تراکنش‌ها و ارزش اقتصادی بالای خدمات، همواره هدف اصلی فعالیت‌های تقلب‌آمیز بوده است. یکی از شایع‌ترین و مخرب‌ترین انواع تقلب در این حوزه، سوءاستفاده از دستگاه‌های SIM Box است که منجر به دور زدن نرخ‌گذاری قانونی تماس‌های بین‌المللی می‌شود. این اقدام نه تنها زیان‌های مالی قابل توجهی به اپراتورها تحمیل می‌کند، بلکه کیفیت شبکه را کاهش داده و امنیت کلی سیستم را به خطر می‌اندازد. تشخیص و مقابله با این تقلب‌ها، چالش بزرگی است؛ زیرا فعالیت‌های متقلبانه معمولاً در میان رکوردهای قانونی تماس (CDR) پنهان شده و الگوهای رفتاری مشابهی با مصرف‌کنندگان عادی دارند. بنابراین، توسعه سیستم‌های تشخیص تقلب بلادرنگ، دقیق و مقیاس‌پذیر، ضرورتی اجتناب‌ناپذیر است. چالش اصلی در ساخت این سیستم‌ها، ماهیت نامتوازن داده‌هاست؛ جایی که تعداد نمونه‌های تقلب (کلاس اقلیت) بسیار کمتر از تماس‌های قانونی (کلاس اکثریت) است. مدل‌های یادگیری ماشین سنتی در چنین شرایطی، عملکرد ضعیفی در شناسایی موارد نادر تقلب نشان می‌دهند و اغلب به سمت کلاس اکثریت می‌کنند. برای غلبه بر این محدودیت، این مطالعه یک رویکرد ترکیبی نوآورانه برای تشخیص تقلب SIM Box با استفاده از رکوردهای جزئی تماس پیشنهاد می‌کند. مدل پیشنهادی، قدرت تشخیص ناهنجاری غیرنظارتی Isolation Forest را با دقت بالای طبقه‌بندی نظارتی XGBoost ترکیب می‌نماید. ابتدا، Isolation Forest برای غربالگری رفتارهای ناهنجار و تولید امتیاز ناهنجاری (anomaly score) استفاده می‌شود و سپس، این امتیاز به عنوان ویژگی تقویتی به XGBoost تزریق می‌گردد تا عملکرد در داده‌های نامتوازن بهبود یابد. مدل Isolation Forest، الگوریتمی غیرنظارتی است که بر پایه جداسازی سریع ناهنجاری‌ها با درختان تصادفی عمل می‌کند و به دلیل کارایی بالا در داده‌های بزرگ CDR، انتخاب مناسبی برای مرحله اولیه است. XGBoost، به عنوان طبقه‌بند قدرتمند، با قابلیت مدیریت وزن کلاس اقلیت و بهینه‌سازی گرادیان، الگوهای تقلب را با وضوح بیشتری یاد می‌گیرد. این رویکرد چندمرحله‌ای، نه تنها از مزایای هر دو مدل بهره می‌برد، بلکه با افزودن ویژگی anomaly score، تعادل مناسبی میان precision و recall برقرار می‌سازد. نتایج تجربی روی داده‌های عمومی Telecom CDR Fraud Dataset (از Kaggle) نشان‌دهنده برتری مدل ترکیبی است. مدل پیشنهادی به precision 81%، recall 97%، F1-score 89% و ROC-AUC 97.33% دست یافت که نسبت به مدل‌های تکی Isolation Forest و XGBoost تنها، بهبود قابل توجهی در دقت و تعادل کلاس‌ها نشان می‌دهد. این دستاوردها، پتانسیل عملیاتی مدل را برای سیستم‌های هشدار تقلب بلادرنگ تأیید می‌کنند.