Master of Science thesis Fighting Spam

er dog, at ønskede uopfordrede emails også holdes ude, hvilket gør, at systemer, der
benytter sig af whitelists ofte vil være meget lukkede. Et sted, hvor whitelists næsten altid
med fordel kan benyttes, er i kombination med andre spamløsninger. Whitelists kan
nemlig generelt benyttes til at skabe en fornuftig overgangsfase, hvor kun få brugere
endnu er med i spamløsningen. Hermed gives der mulighed for at modtage email fra
brugere, som endnu ikke er en del af systemet, ved at placere disse på whitelisten.
3.1.1.c Intelligente og naive filtre
I stort set enhver email-klient er det muligt at blokere for emails fra bestemte afsendere
eller for emails, som indeholder bestemte ord eller sætninger. Denne simple
regelbaserede form for filtrering kaldes normalt mønstergenkendelses-filtrering (patternmatching).
Filtreringsmetoden er meget ineffektiv, da spammere med vilje introducerer
f.eks. stavefejl i deres spammails for at slippe igennem disse filtre. Blokering af
afsenderadresser har stort set ingen effekt, da spammere næsten altid benytter falske
afsenderadresser, og sjældent den samme i to forskellige spammails. Udover at være
ineffektivt er der risiko for, at filteret fanger og blokerer legitime emails. Man kunne
f.eks. forestille sig at man for at slippe for spam med erotisk indhold har tilføjet ordet
anal til mængden af strenge filteret skal reagere på. Dette vil dog betyde at udover
spammails indeholdende ordet anal , vil alle legitime mails, som f.eks. indeholder
ordene analyse eller kanal , pludselig også blive fanget af filteret (idet anal indgår i
disse ord). For at opnå en effektiv filtrering, som kun i få tilfælde fejlagtigt vil
klassificere en legitim mail som spam, er det derfor nødvendigt at introducere mere
avancerede filtre.
Heuristisk Filtrering er baseret på mønstergenkendelses-filtrering hvor reglerne, for
hvornår en email betragtes som spam, er dannet gennem lang tids erfaring. Filtreringen
foregår så ved at evaluere hver ny email på baggrund af det tilpassede regelsæt og give
meddelelsen en score baseret på statistiske beregninger, som herefter bruges til at
afgøre, om emailen skal kategoriseres som værende spam eller ej. Da regelsættet i den
heuristiske filtrering er dannet ud fra analyser af mange tusinder af emails, såvel legitime
som spammails, er det relativt pålideligt.
En anden type avanceret filtrering er den såkaldte Bayesiske filtrering (Bayesian) [7]. Her
analyseres først et stort antal af hhv. legitime emails og spammails. Hele emailen (header,
emnelinie, domænenavn, etc.) analyseres i hvert tilfælde, og der tildeles spamsandsynligheder
til hvert eneste ord, domæne eller anden token i emailen. Disse
sandsynligheder kan så efterfølgende benyttes til at afgøre, hvorvidt en modtaget email
kan klassificeres som spam eller ej. Derudover kan filteret oplæres af den enkelte
bruger, ved at denne tilføjer nye kendte spammails til filteret. Hvis en bruger opdager at
filteret fejlagtigt har klassificeret en email som spam, kan denne rette fejlen og filteret vil
så lære af fejlen, og på den måde blive bedre.
3.1.1.d Duplikat detektion ved samarbejde
At danne filtre ud fra tidligere modtagne emails er effektivt, som beskrevet i foregående
afsnit. Problemet kan dog være, at det der karakteriserer spammails, kan ændres fra dag
til dag. Her vil selv et intelligent filter komme til kort, da et sådant filter ikke vil kunne
16