Inbound &amp;amp;amp; Outbound Email Traffic Analysis and Its SPAM Impact

Khanna, Seema; Chaudhry, Harish; Bindra, Gundeep Singh

doi:10.1109/cicsyn.2012.42

Cited by 5 publications

(4 citation statements)

References 3 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…These are Rule-based static filtering systems that can be extremely efficient to downright inefficient (poor accuracy) depending upon how versatile the rules are and how frequently these are being updated [65], [66].…”

Section: Heuristic Filtering Modelsmentioning

confidence: 99%

“…Rules are developed mostly using Regular Expressions as depicted in Table 3. Scores are assigned for each of the matched rules and the total value is calculated to check if it tops a pre-set threshold value, which indicates that the email is indeed spam [65], [66].…”

Section: ) Regular Expression (Regex) Based Filtering Systemsmentioning

confidence: 99%

“…In these systems, a thorough analysis is done on the host message to find out patterns in message texts, these are then matched with predefined and confirmed spam patterns and a score is recorded. A decision of spam or ham is taken after comparing the cumulative score against a threshold value [69]. The typical example of content based filtering systems is the 'Rule Based Expert Systems'.…”

Section: ) Regular Content Filtering Systemsmentioning

confidence: 99%

See 2 more Smart Citations

A Comprehensive Survey for Intelligent Spam Email Detection

et al. 2019

View full text Add to dashboard Cite

The tremendously growing problem of phishing e-mail, also known as spam including spear phishing or spam borne malware, has demanded a need for reliable intelligent anti-spam e-mail filters. This survey paper describes a focused literature survey of Artificial Intelligence (AI) and Machine Learning (ML) methods for intelligent spam email detection, which we believe can help in developing appropriate countermeasures. In this paper, we considered 4 parts in the email's structure that can be used for intelligent analysis: (A) Headers Provide Routing Information, contain mail transfer agents (MTA) that provide information like email and IP address of each sender and recipient of where the email originated and what stopovers, and final destination. (B) The SMTP Envelope, containing mail exchangers' identification, originating source and destination domains\users. (C) First part of SMTP Data, containing information like from, to, date, subject-appearing in most email clients (D) Second part of SMTP Data, containing email body including text content, and attachment. Based on the number the relevance of an emerging intelligent method, papers representing each method were identified, read, and summarized. Insightful findings, challenges and research problems are disclosed in this paper. This comprehensive survey paves the way for future research endeavors addressing theoretical and empirical aspects related to intelligent spam email detection. INDEX TERMS Machine learning, phishing attack, spear phishing, spam detection, spam email, spam filtering.

show abstract

Section: Heuristic Filtering Modelsmentioning

confidence: 99%

Section: ) Regular Expression (Regex) Based Filtering Systemsmentioning

confidence: 99%

Section: ) Regular Content Filtering Systemsmentioning

confidence: 99%

See 1 more Smart Citation

A Comprehensive Survey for Intelligent Spam Email Detection

et al. 2019

View full text Add to dashboard Cite

show abstract

“…Eşleşen kuralların her biri için puanlar hesaplanır. Hesap sonucunda elde edilen toplam değerin, önceden belirlenmiş bir eşik değerin üstünde olup olmadığı kontrol edilir ve ilgili e-postanın gerçekten spam olup olmadığına karar verilir [13].…”

Section: Sezgisel Filtreleme Modelleriunclassified

İstenmeyen Epostaların Tespiti için Kullanılan Yöntemlerin İncelenmesi

Eryilmaz¹,

Kılıç²

2020

DÜMF Mühendislik Dergisi

View full text Add to dashboard Cite

İstenmeyen e-posta tespiti, yapay zekâ, makine öğrenmesi, derin öğrenme ÖZET İstenmeyen elektronik postalar alıcıya rızası dışında gönderilen ve genellikle kötü niyetli veya tanıtım amaçlı olan kişilerin başvurduğu bir yöntemdir. Elektronik postalar, kullanımının kolaylığı, maliyetlerinin ucuz olmasından dolayı propaganda, reklam, oltalama yapmak isteyen kişi veya topluluklar tarafından etkin bir biçimde kullanılmaktadır. Amaçlarını gerçekleştirmek isteyen kişi veya topluluklar hiç tanımadıkları e-posta hesaplarına gereksiz ve istenmeyen postalar gönderirler. Bu çalışmada, istenmeyen elektronik postaların filtrelenmesi için literatürde bulunan yöntemler incelenmiştir. Bu istenmeyen e-posta filtreleme yöntemleri temel olarak yapay zekâ tabanlı olmayan ve yapay zekâ tabanlı olan şeklinde iki ana başlık altında incelenmiştir. Yapay zekâ tabanlı olmayan yöntemlerin istenmeyen e-posta tespitinde etkili sonuçlar verdiği ancak literatürde bu yöntemleri atlayabilen tekniklerin olduğu görülmektedir. İstenmeyen e-posta tespitinde yapay zekâ tabanlı makine öğrenmesi algoritmaları kullanan sistemlerin popülaritesinin arttığı ve araştırmaların bu yönde ivme kazandığı görülmektedir. Özellikle derin öğrenme yöntemleri yüksek performansları nedeniyle spam tespitinde tercih edilmeye başlamıştır. Literatürde klasik makine öğrenme yöntemlerinden olan Bayes, Destek Vektör Makinesi, Yapay Sinir Ağı, Rastgele Orman, Çok Katmanlı Algılayıcı, K-En Yakın Komşu gibi algoritmalarının kullanıldığı spam tespit yöntemlerinde yüksek başarım sağladığı görülmektedir. Uzun Kısa Süreli Bellek ve Evrişimsel Sinir Ağı algoritmalarını kullanan derin öğrenme temelli spam tespit yöntemlerinin başarım oranlarını daha da artırdığı farklı veri kümeleri kullanılarak gösterilmiştir. Ayrıca spam tespit sistemlerinde bulunan açık problemler ve Türkçe özelinde bu çalışmaların hangi aşamada olduğu da bu çalışmada irdelenmiştir ve çeşitli öneriler yapılmıştır.

show abstract

Using Python and Machine Learning Algorithms to Create a Spam Classifier

Grace¹,

Nisha²

2022

2022 Fifth International Conference on Computational Intelligence and Communication Technologies (CCICT)

View full text Add to dashboard Cite

Inbound &amp; Outbound Email Traffic Analysis and Its SPAM Impact

Cited by 5 publications

References 3 publications

A Comprehensive Survey for Intelligent Spam Email Detection

A Comprehensive Survey for Intelligent Spam Email Detection

İstenmeyen Epostaların Tespiti için Kullanılan Yöntemlerin İncelenmesi

Using Python and Machine Learning Algorithms to Create a Spam Classifier

Contact Info

Product

Resources

About