Abstract
Spam ist ein Problem, welches es seit der Kommunikation über das Internet gibt. Es beschreibt das Erhalten unerwünschter Nachrichten in oftmals hoher Menge. Spam macht heutzutage einen großen Teil des weltweiten E-Mail-Verkehrs aus. Unternehmen und Privatpersonen können geschadet werden, indem enthaltene Links Personen fehlleiten und sie finanziell schaden oder private Informationen stehlen können.
Diese Thesis behandelt das Problem von Spam im E-Mail-Kontext. Dabei werden verschiedene Verfahren analysiert, die basierend auf dem Nachrichteninhalt E-Mails als Spam detektieren können. Dabei werden Bayes-Klassifikatoren näher betrachtet und in einem Test bewertet. Es wird ein Datensatz an Spam und Nicht-Spam angelegt, welcher genutzt wird, um Bayes-Verfahren (welche auf maschinellem Lernen aufbauen) anzulernen. Außerdem werden verschiedene Optimierungsansätze eingebaut, deren Einfluss auf den Spamfilter untersucht werden. Als Ansätze wird die Stoppwort-Filterung, die Floating Point Underflow (FPU)-Anpassung und die Tokenisierung gewählt.
Nach Durchführung der Tests zeigt sich, dass sowohl die Stoppwort-Filterung, als auch die FPU-Anpassung einen positiven Einfluss auf die Qualität der Klassifikation haben. Ihr Einsatz erhöht die Rate an richtig als Spam erkannten Nachrichten und erhöht die Wahrscheinlichkeit, dass als Nicht-Spam identifizierte Nachrichten auch tatsächlich nicht Spam sind, signifikant. Die Tokenisierung hingegen kann keine zufriedenstellende Leistungssteigerung hervorbringen, wobei dies auf die Definition der Tokenisierungsregeln zurückzuführen und nicht für alle Regeln allgemeingültig ist.
Es zeigt sich, wie wichtig ein gut gewählter Datensatz für die Leistung des Spamfilters ist. Ein großer Datensatz mit hoher Informationsdichte und einer Vielzahl an Datenquellen ist wichtig für den produktiven Einsatz eines Bayesschen Spamfilters.
Ausgangslage und Forschungsfrage
Spam-E-Mails sind mehr als nur lästig: Sie belasten Posteingänge, senken Produktivität und sind ein häufiger Einstiegspunkt für Phishing und weitere Angriffe. Gleichzeitig ist das Ziel eines Filters ambivalent: Nicht nur Spam muss erkannt werden, auch legitime Nachrichten dürfen nicht fälschlich im Spam-Ordner landen. In der Praxis ergänzt inhaltsbasierte Klassifikation technische Schutzmaßnahmen wie Domain-Authentifizierung (z.B. DMARC) statt sie zu ersetzen. [1] Auch das Nachrichtenformat selbst ist standardisiert (z.B. RFC 5322) und bildet die Basis für formale Validierungen. [2]
Die zentrale Frage der Thesis lautet, welche Spam-Klassifikatoren sich für die inhaltsbasierte E-Mail-Klassifikation eignen und wie sich Bayes-basierte Verfahren durch gezielte Optimierungen verbessern lassen. Der Fokus liegt auf Naive-Bayes-Varianten als praxisnaher Kompromiss aus Implementationsaufwand und Klassifikationsleistung.
Nicht behandelt werden fein-granulare Angriffs- oder Infrastrukturdetails von Mail-Providern. Ebenso steht nicht die Umgehung von Authentifizierungsstandards im Vordergrund, sondern die robuste inhaltsbasierte Erkennung als zusätzlicher Baustein.