Bayesian স্প্যাম ফিল্টার তার বিষয়বস্তু উপর ভিত্তি করে স্প্যাম হচ্ছে একটি বার্তা সম্ভাব্য হিসাব। সাধারণ সামগ্রী-ভিত্তিক ফিল্টারের বিপরীতে, বায়াসিয়ান স্প্যাম ফিল্টারিং স্প্যাম থেকে এবং ভাল মেইল থেকে শিখতে পারে, যার ফলে খুব শক্তিশালী, অভিযোজন এবং কার্যকরী স্প্যাম-এন্ট্রি স্প্যাম হয় যা সর্বাধিক কোনও মিথ্যা ইতিবাচক ফেরত দেয়।
আপনি জাঙ্ক ইমেল সনাক্ত করবেন না?
আপনি কিভাবে স্প্যাম সনাক্ত সম্পর্কে চিন্তা করুন। একটি দ্রুত নজর প্রায়ই যথেষ্ট। আপনি স্প্যাম কেমন দেখছেন তা জানেন, এবং আপনি জানেন যে কোনও ভাল মেইল কেমন দেখায়।
স্প্যামের সম্ভাব্যতা ভাল মেইলের মত দেখাচ্ছে … শূন্য।
বিষয়বস্তু ভিত্তিক ফিল্টার স্কোরিং Adapt না
স্বয়ংক্রিয় স্প্যাম ফিল্টার এমন কাজ করলেও কি এটি দুর্দান্ত হবে না?
স্কোর-ভিত্তিক স্প্যাম ফিল্টারগুলি কেবলমাত্র এটির চেষ্টা করুন। তারা শব্দ এবং স্প্যাম সাধারণত অন্যান্য বৈশিষ্ট্য জন্য সন্ধান। প্রতিটি চরিত্রগত উপাদান একটি স্কোর বরাদ্দ করা হয়, এবং পুরো বার্তা জন্য একটি স্প্যাম স্কোর পৃথক স্কোর থেকে গণনা করা হয়। কিছু স্কোরিং ফিল্টারও বৈধ মেলের বৈশিষ্ট্যগুলি সন্ধান করে, একটি বার্তা এর চূড়ান্ত স্কোর কমিয়ে দেয়।
স্কোরিং ফিল্টার পদ্ধতির কাজ কাজ করে, কিন্তু এটি অনেক ত্রুটি রয়েছে:
- বৈশিষ্ট্যের তালিকা ফিল্টারের ইঞ্জিনিয়ারদের জন্য উপলব্ধ স্প্যাম (এবং ভাল মেল) থেকে তৈরি করা হয়। কোনও স্প্যাম স্প্যামের ভাল ধারণা পেতে পারে, শত শত ইমেল ঠিকানাগুলিতে মেল সংগ্রহ করা উচিত। এই ফিল্টার দক্ষতা দুর্বল, বিশেষ করে কারণ ভাল মেইল বৈশিষ্ট্য প্রতিটি ব্যক্তির জন্য আলাদা হবে , কিন্তু এই অ্যাকাউন্টে নেওয়া হয় না।
- বৈশিষ্ট্য জন্য চেহারা কম বা কম পাথরের মধ্যে সেট । যদি স্প্যামারগুলি অভিযোজিত করার প্রচেষ্টা করে (এবং তাদের স্প্যাম ফিল্টারগুলিতে ভাল মেলের মত দেখাচ্ছে), ফিল্টারিং বৈশিষ্ট্যগুলিকে ম্যানুয়ালি tweaked করতে হবে - এমনকি একটি বড় প্রচেষ্টা।
- প্রতিটি শব্দ বরাদ্দ করা স্কোর সম্ভবত একটি ভাল অনুমান উপর ভিত্তি করে, কিন্তু এটা এখনও নির্বিচারে। এবং বৈশিষ্ট্যগুলির তালিকাটি পছন্দ করে, এটি স্বাভাবিকভাবেই স্প্যামের পরিবর্তিত জগতের সাথে না পৃথক ব্যবহারকারীর প্রয়োজনগুলির সাথে মানিয়ে নেয়।
Bayesian স্প্যাম ফিল্টার নিজেদেরকে টিকাক্স, ভালতর এবং ভালতর
Bayesian স্প্যাম ফিল্টার স্ক্রিং কন্টেন্ট-ভিত্তিক ফিল্টার একটি ধরনের হয়। তাদের পদ্ধতির সহজ স্কোর স্প্যাম ফিল্টার সমস্যা নিয়ে দূরে থাকে, যদিও, এবং এটি তাই মূলত। স্কেটিং ফিল্টার দুর্বলতা ম্যানুয়াল বৈশিষ্ট্য এবং তাদের স্কোর ম্যানুয়ালি নির্মিত তালিকা হয়, এই তালিকা মুছে ফেলা হয়।
পরিবর্তে, Bayesian স্প্যাম ফিল্টার নিজেদের তালিকা তৈরি করে। আদর্শভাবে, আপনি এমন একটি (বড়) গুচ্ছের সাথে শুরু করুন যা আপনি স্প্যাম হিসাবে শ্রেণীবদ্ধ করেছেন এবং ভাল মেলের আরেকটি গোষ্ঠী। ফিল্টার স্প্যামে উপস্থিত বিভিন্ন বৈশিষ্ট্যগুলির সম্ভাব্যতা এবং ভাল মেলের মধ্যে হিসাব করার জন্য বৈধ মেল এবং সেইসাথে স্প্যাম বিশ্লেষণ করে।
কিভাবে একটি Bayesian স্প্যাম ফিল্টার একটি ইমেইল পরীক্ষা করে
একটি Bayesian স্প্যাম ফিল্টার তাকান বৈশিষ্ট্য হতে পারে:
- শব্দ, শরীরের শব্দ, অবশ্যই, এবং
- তার শিরোনাম (প্রেরক এবং বার্তা পাথ, উদাহরণস্বরূপ!), কিন্তু
- অন্যান্য দিক যেমন এইচটিএমএল / সিএসএস কোড (রং এবং অন্যান্য বিন্যাস), বা এমনকি হিসাবে
- শব্দ জোড়া, বাক্যাংশ এবং
- মেটা তথ্য (উদাহরণস্বরূপ, একটি নির্দিষ্ট ফ্রেজ প্রদর্শিত হয়)।
উদাহরণস্বরূপ, "কার্টেসিয়ান" শব্দটি স্প্যামে প্রদর্শিত হয় না তবে প্রায়ই আপনার প্রাপ্ত বৈধ ইমেলের মধ্যে, "কার্টেসিয়ান" স্প্যামকে নির্দেশ করে যে এটি শূন্যের কাছাকাছি। অন্য দিকে, "টোনার" একচেটিয়াভাবে, এবং প্রায়শই, স্প্যামে উপস্থিত হয়। "টোনার" এর স্প্যামে খুব বেশি সম্ভাবনা রয়েছে, যা 1 (100%) এর বেশি নয়।
যখন একটি নতুন বার্তা আসে, এটি Bayesian স্প্যাম ফিল্টার দ্বারা বিশ্লেষণ করা হয়, এবং স্প্যাম হিসাবে সম্পূর্ণ বার্তা সম্ভাব্যতা পৃথক বৈশিষ্ট্য ব্যবহার করে গণনা করা হয়।
একটি বার্তা "Cartesian" এবং "টোনার" উভয় ধারণ করে। একা এই শব্দগুলি থেকে স্প্যাম বা বৈধ মেল আছে কিনা তা এখনো স্পষ্ট নয়। অন্যান্য বৈশিষ্ট্যগুলি (আশা এবং সর্বাধিক সম্ভবত) একটি সম্ভাব্যতা নির্দেশ করে যা ফিল্টারকে স্প্যাম বা ভাল মেল হিসাবে বার্তাটি শ্রেণীবদ্ধ করতে দেয়।
Bayesian স্প্যাম ফিল্টার স্বয়ংক্রিয়ভাবে শিখতে পারেন
এখন আমরা একটি শ্রেণীবিভাগ আছে, বার্তা ফিল্টার নিজেকে আরও প্রশিক্ষণের জন্য ব্যবহার করা যেতে পারে। এই ক্ষেত্রে, ভাল কার্টটি ইঙ্গিত করে "কার্টেসিয়ান" এর সম্ভাব্যতা হ্রাস করা হয় (যদি "কার্টেসিয়ান" এবং "টোনার" উভয় বার্তা স্প্যাম হিসাবে পাওয়া যায়), বা স্প্যাম চিহ্নিতকারী "টোনার" এর সম্ভাব্যতা পুনঃবিবেচনা করা উচিত।
এই স্বয়ংক্রিয় অভিযোজিত কৌশল ব্যবহার করে, Bayesian ফিল্টার করতে পারেন তাদের নিজস্ব এবং ব্যবহারকারীর সিদ্ধান্ত উভয় থেকে শিখুন (যদি সে নিজে ফিল্টারগুলি দ্বারা ভুল বুঝে যায়)। Bayesian ফিল্টারিং এর অভিযোজনযোগ্যতা নিশ্চিত করে যে তারা পৃথক ইমেল ব্যবহারকারীর জন্য সবচেয়ে কার্যকর। যদিও অধিকাংশ লোকের স্প্যামটিতে একই রকম বৈশিষ্ট্য থাকতে পারে তবে বৈধ মেলটি প্রত্যেকের জন্য চরিত্রগতভাবে আলাদা।
কিভাবে স্প্যামার অতীত Bayesian ফিল্টার পেতে পারেন?
বৈধ মেলগুলির বৈশিষ্ট্যগুলি স্পষ্টতই বেইজিংয়ের স্প্যাম ফিল্টারিং প্রক্রিয়ার জন্য গুরুত্বপূর্ণ। যদি ফিল্টারগুলি প্রত্যেক ব্যবহারকারীর জন্য বিশেষভাবে প্রশিক্ষিত হয় তবে স্প্যামারদের প্রত্যেকের (অথবা এমনকি বেশিরভাগ লোকের) স্প্যাম ফিল্টারগুলির কাছাকাছি কাজ করার জন্য আরও কঠিন সময় থাকবে এবং ফিল্টারগুলি প্রায় স্প্যামারদের দ্বারা প্রায় সবকিছুই মানিয়ে নিতে পারে।
স্প্যামাররা কেবল তাদের প্রশিক্ষিত বায়াসিয়ান ফিল্টারগুলিকে কেবল তখনই শেষ করে তুলবে যদি তারা তাদের স্প্যাম বার্তাগুলিকে পুরোপুরি সাধারণ ইমেলের মতো দেখতে পারে।
স্প্যামার সাধারণত যেমন সাধারণ ইমেইল পাঠান না। আসুন এই অনুমান করা যাক কারণ এই ইমেলগুলি জাঙ্ক ইমেল হিসাবে কাজ করে না।সুতরাং, সম্ভাবনাগুলি তারা কখনই তা করবে না, সাধারণ, বিরক্তিকর ইমেলগুলি এটিকে স্প্যাম ফিল্টারগুলি তৈরি করার একমাত্র উপায়।
স্প্যামাররা বেশিরভাগ সাধারন চেহারার ইমেলগুলিতে স্যুইচ করে তবে, আমরা আবার আমাদের ইনবক্সে অনেকগুলি স্প্যাম দেখতে পাব, এবং পূর্ব-বায়িজিয়ান দিনের (অথবা আরও খারাপ) ইমেলটি হতাশাজনক হয়ে উঠতে পারে। এটি বেশিরভাগ স্প্যামের জন্য বাজারকেও বিনষ্ট করেছে, যদিও এটি দীর্ঘদিন ধরে চলবে না।
শক্তিশালী নির্দেশক একটি Bayesian স্প্যাম ফিল্টার এর অ্যাকিলিস 'হিল হতে পারে
বায়াসিয়ান ফিল্টারের মাধ্যমে এমনকি তাদের স্বাভাবিক সামগ্রীর সাথে কাজ করার জন্য স্প্যামারদের জন্য একটি ব্যতিক্রম অনুমান করা যেতে পারে। এটি Bayesian পরিসংখ্যান প্রকৃতির যে একটি শব্দ বা চরিত্রগত যা খুব ভাল বারে প্রদর্শিত হয় তা এত গুরুত্বপূর্ণ হতে পারে যে স্প্যামের মতো কোনও বার্তা ফিল্টারের দ্বারা হ্যাম হিসেবে রেট করা থেকে বিরত থাকে।
যদি স্প্যামাররা আপনার নিশ্চিত-আগুনের ভাল-মেইল শব্দের নির্ণয় করার উপায় খুঁজে পায় - আপনি কোন বার্তাগুলি খুলেছেন তা দেখতে এইচটিএমএল রিটার্ন রসিদগুলি ব্যবহার করে, উদাহরণস্বরূপ- তারা একটি জাঙ্ক মেলে তাদের অন্তর্ভুক্ত করতে পারে এবং একটি ভাল- প্রশিক্ষিত Bayesian ফিল্টার।
জন গ্রাহাম-কামিং দুই বেইসিয়ান ফিল্টার একে অপরের বিরুদ্ধে কাজ করার মাধ্যমে এটি চেষ্টা করেছেন, "খারাপ" কোনটি "ভাল" ফিল্টারের মধ্য দিয়ে কোন বার্তাগুলি পাওয়া যায় তা অভিযোজিত করে। তিনি বলেন, এটি কাজ করে, যদিও প্রক্রিয়া সময় গ্রাসকারী এবং জটিল। আমরা মনে করি না আমরা এই ঘটনার বেশিরভাগই দেখব, অন্তত বৃহত্তর স্কেলে নয়, এবং ব্যক্তির ইমেল বৈশিষ্ট্যগুলির জন্য উপযুক্ত নয়। স্প্যামাররা (কিছু করার জন্য) সংস্থার জন্য কিছু কীওয়ার্ড খুঁজে বের করতে পারে (এর পরিবর্তে আইএমবির কিছু লোকের জন্য "আলমাদেন" মত কিছু?) পরিবর্তে।
সাধারণত, স্প্যাম সর্বদা (উল্লেখযোগ্য) নিয়মিত মেল থেকে আলাদা হবে অথবা এটি স্প্যাম হবে না।
নিচের লাইন: বেইজিং ফিল্টারিংয়ের শক্তি তার দুর্বলতা হতে পারে
Bayesian স্প্যাম ফিল্টার হয়কন্টেন্ট ভিত্তিক ফিল্টার যে:
- হয়বিশেষ করে ব্যক্তিগত ইমেইল ব্যবহারকারীর স্প্যাম এবং ভাল মেইল চিনতে প্রশিক্ষিত, স্প্যামারদের জন্য তাদের মানিয়ে নিতে অত্যন্ত কার্যকর এবং কঠিন তৈরীর।
- ক্রমাগত এবং অনেক প্রচেষ্টা বা ম্যানুয়াল বিশ্লেষণ ছাড়া করতে পারেনখাপ খাওয়ানো স্প্যামারদের সর্বশেষ কৌশল।
- একাউন্টে পৃথক ব্যবহারকারীর ভাল মেইল গ্রহণ এবং একটি খুব আছেমিথ্যা ইতিবাচক কম হার.
- দুর্ভাগ্যবশত, যদি এটি Bayesian এন্টি-স্প্যাম ফিল্টারগুলিতে অন্ধ বিশ্বাসের কারণ হয়, এটি রেন্ডার করেমাঝে মাঝে ভুল এমনকি আরও গুরুতর ভুল। বিপরীত প্রভাবমিথ্যা নেতিবাচক (স্প্যাম যা নিয়মিত মেলের মত দেখাচ্ছে) ব্যবহারকারীদের বিরক্ত এবং হতাশার সম্ভাবনা রয়েছে।
