Cara Filter Teknologi Digital Dan Keuntungan nya

Belum lama ini, sebagian Banyak produk anti-spam hanya menggunakan daftar kata kunci untuk mengidentifikasi spam. Satu set kata kunci yang bagus bisa menangkap banyak spam. Namun, filter anti-spam berbasis kata kunci membutuhkan pembaruan manual dan dapat dengan mudah dibodohi dengan sedikit mengubah pesan. Spammer hanya memeriksa teknik anti-spam terbaru dan menemukan cara untuk memotongnya. Pada hasil Anda meninggalkan sejumlah besar false positive.

Kebutuhan akan teknik baru yang efektif untuk memerangi spam bangkit. Pengalaman menunjukkan bahwa metode baru ini dapat menyesuaikan diri dengan taktik spammer yang akan berubah seiring waktu.

Penyaringan Bayesian didasarkan pada prinsip bahwa sebagian besar peristiwa tergantung dan bahwa probabilitas suatu peristiwa yang terjadi di masa depan dapat disimpulkan dari kejadian peristiwa ini di masa lalu. Pendekatan ini digunakan untuk mengidentifikasi spam. Jika sebagian teks terjadi sebagian besar dalam email spam tetapi tidak dalam surat yang sah, maka masuk akal untuk menganggap bahwa email ini mungkin spam.

Untuk memfilter email menggunakan teknologi Bayesian, Anda perlu membuat basis data kata-kata yang dikumpulkan dari spam dan surat yang sah. Kemudian nilai probabilitas diberikan untuk setiap kata; probabilitas didasarkan pada perhitungan yang memperhitungkan seberapa sering kata itu muncul dalam spam dibandingkan dengan surat yang sah.

Setelah database yang sah dan spam dibuat selama periode pelatihan awal, probabilitas kata dapat dihitung dan filter Bayesian siap digunakan. Ketika surat baru tiba, itu dipecah menjadi kata-kata dan kata-kata yang paling signifikan dipilih. Dari kata-kata ini, filter Bayesian menghitung kemungkinan pesan baru berupa spam atau tidak. Jika probabilitas lebih besar dari ambang spam, katakan 0,9, pesan tersebut diklasifikasikan sebagai spam.

Tip! G-Lock SpamCombat memungkinkan Anda menetapkan tombol pintas untuk operasi umum. Misalnya, Anda dapat menetapkan F8 untuk menandai pesan sebagai fungsi SPAM dan F9 untuk menandai pesan sebagai Bersih. Lain kali ketika Anda melatih filter Bayesian Anda cukup menggunakan dua tombol pada keyboard F8 dan F9 Anda.

Penting untuk dicatat bahwa analisis spam dan surat sah dilakukan pada surat yang diterima pengguna tertentu (organisasi, perusahaan, dll.), Dan karenanya filter Bayesian disesuaikan dengan orang, perusahaan, atau organisasi tertentu ini. Misalnya, lembaga keuangan mungkin menerima banyak email dengan kata “hipotek” dan akan mendapatkan banyak positif palsu jika menggunakan filter anti-spam yang ketinggalan zaman. Filter Bayesian menganalisis seluruh pesan dengan kata “hipotek”, dan menyimpulkan apakah email ini adalah spam atau mendasarkan secara sah BUKAN hanya pada satu kata kunci “hipotek”. Pendekatan Bayesian untuk memfilter spam sangat efektif – tingkat deteksi spam lebih dari 99,7% dapat dicapai dengan jumlah positif palsu yang sangat rendah!

Mari kita rangkum manfaat apa yang kita dapatkan menggunakan filter Bayesian untuk menangkap spam:

1) Pendekatan yang jauh lebih cerdas karena memeriksa semua aspek pesan, sebagai lawan dari pengecekan kata kunci yang mengklasifikasikan email sebagai spam berdasarkan satu kata.

2) Mengadaptasi sendiri – secara konstan belajar dari spam baru dan email masuk baru yang valid, filter Bayesian berevolusi dan beradaptasi dengan teknik spam baru.

3) Peka terhadap pengguna – mempelajari kebiasaan email perusahaan dan memahami bahwa, misalnya, email dengan kata “hipotek” tidak selalu spam.

4) Multi-bahasa dan internasional – menjadi adaptif dapat digunakan untuk bahasa apa pun. Filter Bayesian juga memperhitungkan penyimpangan bahasa tertentu atau beragam penggunaan kata-kata tertentu di bidang yang berbeda, bahkan jika bahasa yang sama digunakan.

5) Sulit dibodohi, tidak seperti filter kata kunci – spammer tingkat lanjut yang ingin mengelabui filter Bayesian dapat menggunakan lebih sedikit kata-kata yang biasanya menunjukkan spam, atau lebih banyak kata yang umumnya menunjukkan email yang valid (seperti nama kontak yang valid, dll. ). Melakukan yang terakhir tidak mungkin karena spammer harus mengetahui profil email masing-masing penerima – dan seorang spammer tidak pernah bisa berharap untuk mengumpulkan informasi semacam ini dari setiap penerima yang dituju.

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>