Spam emaıl tespiti üzerinde pattern-matchıng algoritmalarının karşılaştırılması

E-posta, tüm dünyadaki insanlar arasında mesajların aktarımı için en uygun yaklaşımlardan biridir. Özellikleri, özellikle de güvenilirliği, hızı ve düşük maliyeti, onu iş ve toplumun çoğu alanında insanlar arasında popüler ve yararlı kılar. Öte yandan, bu popülerlik siber uzayda e-posta saldırıları (spam) gibi yeni zararlı eylemler de yarattı. Spam, World Wide Web'in (WWW) boğulması için anonim göndericilerin oluşturduğu benzer mesajların birçok kopyasının tartışmasız nedenlerinden biridir, bu da e-posta hesabı sahibinin zaman / alan israfına yol açması ve büyük bir virüs ve kötü amaçlı yazılım tehdidi bulundurmasıdır. e-posta sağlayıcılarına. Makine öğrenimi ve içerik tabanlı filtreleme gibi istenmeyen posta sorunlarının üstesinden gelmek için çeşitli filtreler kullanılmasına rağmen, spam göndericiler bu savunma mekanizmalarını atlayabilir. Bu tez çalışmasında, spam e-posta tespiti için dizgi eşleme algoritmalarının kullanımını araştırıyoruz. Özellikle, bu çalışma altı en iyi bilinen dizgi eşleme algoritmalarını, yani En Uzun Ortak Alt Sıra (LCS), Levenshtein Mesafesi (LD), Jaro, Jaro-Winkler, Bi-gram ve Terim Frekansı'nın verimliliğini inceler ve karşılaştırır. Enron corpus ve CSDMC2010 spam veri kümesi olan iki farklı veri kümesinde Ters Belge Sıklığı (TFIDF). Bi-gram algoritmasının spam tespitinde en iyi performansı gösterdiğini gözlemledik; Enron corpus üzerinde çeşitli eşik değerleri için% 99,80 ve% 99,85'lik bir doğruluk elde etmiştir. Ayrıca, tüm eşik değerleri için CSDMC2010 veri kümesinde% 99,95 doğruluk elde etti.