NHẬN DẠNG THƯ RÁC xác định thư rác

Get Started. It's Free
or sign up with your email address
Rocket clouds
NHẬN DẠNG THƯ RÁC xác định thư rác by Mind Map: NHẬN DẠNG THƯ RÁC  xác định thư rác

1. Khai thác thư rác để xác định nguồn gốc chung cho ứng dụng pháp y

1.1. Giới thiệu

1.1.1. Trong những năm gần đây, email Spam đã trở thành một vấn đề lớn đối với xã hội không chỉ bởi vì số lượng email spam khổng lồ và ngày càng tăng đáng kinh ngạc mà còn bởi vì ngày càng có nhiều email spam liên quan đến tội phạm mạng

1.1.2. Mặc dù các loại email spam này đã vi phạm luật pháp và gây thiệt hại, rất khó để các nhân viên thực thi pháp luật ngăn chặn chúng vì những lý do sau:

1.1.2.1. 1) Khối lượng email spam đáng ngại khiến con người hầu như không thể thu thập bằng chứng từ đó

1.1.2.2. 2) bọn tội phạm tạo và phân phối email spam đang sử dụng các kỹ thuật khác nhau để ngụy trang danh tính thực sự của chúng và gây khó khăn cho việc theo dõi chúng

1.2. Kết quả thực nghiệm

1.2.1. Tập dữ liệu

1.2.2. Kết quả của cụm phân cấp kết tụ

1.2.3. Kết quả kết quả

1.2.3.1. Xác nhận cấp độ đầu tiên: So sánh hình ảnh trang web

1.2.3.2. Verification cấp độ thứ hai: WHOIS and database server

1.2.3.3. False Positive Identification (Nhận dạng dương tính giả)

1.2.4. Kết quả của trọng số

2. THƯ RÁC VÀ CÁC PHƯƠNG PHÁP LỌC THƯ RÁC

2.1. Một số khái niệm cơ bản

2.1.1. Định nghĩa thư rác

2.1.1.1. Thư rác (spam email) is những bức thư điện tử do not ask, unexpectedly and been sent hàng loat to recipients.

2.1.2. Phân loại thư rác

2.1.2.1. Trẻ em

2.1.2.2. Dựa vào quan hệ với người gửi thư rác

2.1.2.3. Làm một phần cứng

2.1.2.4. Dựa trên động lực của người gửi

2.2. Các phương pháp lọc thư rác

2.2.1. Lọc thư rác thông qua việc đưa ra luật lệ nhằm hạn chế, ngăn chặn việc gửi thư rác

2.2.2. Lọc thư rác dựa trên địa chỉ IP

2.2.3. Lọc dựa trên chuỗi hỏi/đáp

2.2.4. Phương pháp lọc nội dung

3. Collective Opinion Spam Detection: Bridging Review Networks and Metadata (Phát hiện thư rác ý kiến tập thể: Kết nối mạng đánh giá và siêu dữ liệu)

3.1. Phương pháp

3.1.1. Khung FraudEagle

3.1.2. Phương pháp đề xuất SpEagle

3.1.2.1. Từ siêu dữ liệu đến các tính năng cho đến các mục

3.1.2.2. Bán kết

3.1.2.3. Trọng số

3.2. Đánh giá

3.2.1. Đánh giá số liệu.

3.2.2. Phương pháp so sánh

3.2.3. Kết quả phát hiện

3.3. Kết luận

3.3.1. SpEagle sử dụng một nhiệm vụ phân loại dựa trên mạng xem xét, chấp nhận kiến thức trước về phân phối lớp của các nút, được ước tính từ siêu dữ liệu.

3.3.2. SpEagle hoạt động theo kiểu không giám sát, nhưng có thể dễ dàng tận dụng các nhãn (nếu có). Do đó, chúng tôi giới thiệu một phiên bản bán giám sát có tên SpEagle +, giúp cải thiện hiệu suất đáng kể.

3.3.3. Chúng tôi tiếp tục thiết kế một phiên bản nhẹ của SpEagle có tên SpLite, sử dụng một bộ tính năng đánh giá rất nhỏ làm thông tin trước đó, cung cấp khả năng tăng tốc đáng kể.

4. Collective Opinion Spam Detection: Bridging Review Networks and Metadata (Phát hiện thư rác ý kiến tập thể: Kết nối mạng đánh giá và siêu dữ liệu)

4.1. Phương pháp

4.1.1. Khung FraudEagle

4.1.2. Phương pháp đề xuất SpEagle

4.1.2.1. Từ siêu dữ liệu đến các tính năng cho đến các mục

4.1.2.2. Bán kết

4.1.2.3. Trọng số

4.2. Đánh giá

4.2.1. Đánh giá số liệu.

4.2.2. Phương pháp so sánh

4.2.3. Kết quả phát hiện

4.3. Kết luận

4.3.1. SpEagle sử dụng một nhiệm vụ phân loại dựa trên mạng xem xét, chấp nhận kiến thức trước về phân phối lớp của các nút, được ước tính từ siêu dữ liệu.

4.3.2. SpEagle hoạt động theo kiểu không giám sát, nhưng có thể dễ dàng tận dụng các nhãn (nếu có). Do đó, chúng tôi giới thiệu một phiên bản bán giám sát có tên SpEagle +, giúp cải thiện hiệu suất đáng kể.

4.3.3. Chúng tôi tiếp tục thiết kế một phiên bản nhẹ của SpEagle có tên SpLite, sử dụng một bộ tính năng đánh giá rất nhỏ làm thông tin trước đó, cung cấp khả năng tăng tốc đáng kể.