geração (semi)automática de metadados - Universidad Autónoma ...

APLICANDO CONCEPTOS DE TEORÍA DE LA
INFORMACIÓN PARA EL FILTRADO DE CORREO SPAM
José R. Méndez, Ignacio Cid, Daniel Glez-Peña, Florentino Fdez-Riverola
Universidad de Vigo
Escuela Superior de Ingeniería Informática, Edificio Politécnico, Campus Universitario As Lagoas s/n,
32004, Ourense, España
{moncho.mendez | icgomez | dgpena | riverola}@uvigo.es
RESUMEN
En los últimos años, debido a la proliferación de gran cantidad de mensajes spam en Internet, la utilidad de los sistemas
de correo electrónico se ha visto gravemente afectada. Durante estos años, se han logrado grandes avances en la
investigación para la creación de filtros antispam, como la construcción de filtros capaces de detectar spam en imágenes o
la creación del sistema SPAMHUNTING. Este trabajo presenta un estudio preliminar sobre la viabilidad de aplicar
conceptos pertenecientes a la teoría de la información propuesta por Shannon, con el objetivo de mejorar la precisión de
los filtros actuales. La propuesta se evalúa empleando como base el sistema SPAMHUNTING, llegando a la conclusión de
que es posible, en ciertos casos, mejorar el comportamiento de los filtros existentes.
PALABRAS CLAVES
filtros antispam, teoría de la información, SpamHunting,
1. INTRODUCCIÓN
Conferência IADIS Ibero-Americana WWW/Internet 2007
El fenómeno del spaming consiste en el envío indiscriminado de mensajes publicitarios y/o molestos a
usuarios de correo electrónico y nuevos medios de comunicación. La mensajería instantánea, los foros de
noticias, los blogs y los mensajes a móviles son ejemplos de servicios comúnmente afectados por los envíos
spam. La inmensa mayoría de los productos ofertados en estos mensajes son fraudulentos o incluso ilegales,
y se anuncian empleando estos medios debido a los bajos costes de este tipo de envíos. El empleo de Internet
(una gran red financiada por todos sus usuarios) como infraestructura de comunicaciones y el pago de
cantidades importantes de dinero a profesionales de la red (ComputerWorld, 2007) son el secreto de la
viabilidad de este floreciente negocio.
La forma más habitual de spam consiste en el envío de mensajes de correo electrónico basura. De hecho,
gran parte del volumen de mensajes enviados por Internet son spam, limitando la funcionalidad que ofrece
este servicio a los usuarios finales. Además, este tipo de actividad ilicita provoca problemas de privacidad del
correo electrónico (una vez que un spammer posee una dirección de correo electrónico de un usuario de
Internet, ya no cesará de enviarle mensajes spam), mayores costes económicos para los proveedores de
servicios de Internet y usuarios finales, así como una pérdida importante de tiempo para estos usuarios.
Finalmente, el spam constituye un canal importante para la publicidad de drogas y productos ilegales, así
como para la captación de personas con la finalidad de realizar actividades ilícitas.
La teoría de la información (Shannon, 1997) proporciona una nueva perspectiva para evaluar los sistemas
de información, cuyo objetivo primario es obtener una medida cuantitativa de información contenida en un
cierto dato o conocimiento. Para evaluar la información obtenida por un filtro antispam al conocer el valor de
una cierta variable (término o palabra), se considera especialmente la probabilidad asociada a sus valores. En
este sentido, los valores que tienen una menor probabilidad de aparición aportan una mayor cantidad de
información.
Este trabajo presenta un estudio acerca de la viabilidad de aplicar conceptos relacionados con la teoría de
la información de Shannon, con el objetivo de mejorar el desarrollo de filtros antispam. Como base de esta
investigación se ha escogido un modelo híbrido de Inteligencia Artificial conocido con el nombre de
295