Spam bezieht sich auf unerw\u00fcnschte oder unaufgeforderte Nachrichten, die elektronisch per E-Mail, Instant Messaging, Blogs, Newsgroups, soziale Medien, Websuche und Mobiltelefone gesendet oder empfangen werden, mit Werbestrafen, Phishing, Malware usw. Wie aus der Definition hervorgeht, ist Spam auf B\u00f6swilligkeit ausgelegt und stellt im Allgemeinen eine tragf\u00e4hige, aber betr\u00fcgerische Einkommensquelle f\u00fcr einige Einzelpersonen oder Organisationen dar. Der Cyberangreifer, der an der Versendung solcher Spam-Nachrichten beteiligt ist, wird allgemein als \u201cSpammer\u201d bezeichnet. Obwohl urspr\u00fcnglich auf E-Mails ausgerichtet und beschr\u00e4nkt, hat Spam alle elektronischen Plattformen in allen Medien erobert.<\/p>\n\n\n
Es gibt drei Hauptstrategien f\u00fcr den Umgang mit Spam:<\/p>\n\n\n\n
Die kollaborative Filterung erfolgt \u00fcber ein soziales Netzwerk namens SocialFilter, ein System zur kollaborativen Spam-Filterung, das soziales Vertrauen nutzt, das in die soziale Online-Netzwerke<\/a> (OSN) zur Bewertung der Zuverl\u00e4ssigkeit der Spam-Melder<\/a>. Es handelt sich um einen graphenbasierten Ansatz, der auf dem OSN-Graphen basiert. SocialFilter zielt darauf ab, die Funktionen mehrerer Spam-Detektoren hinzuzuf\u00fcgen und so die Spam-Abwehr zu demokratisieren. Jeder SocialFilter-Knoten, der von einem menschlichen Administrator verwaltet wird, sendet Spammer-Meldungen an ein zentrales Repository.<\/p>\n\n\n Blogs sind eine Plattform, auf der Menschen ihre Gef\u00fchle ausdr\u00fccken, Informationen austauschen und miteinander kommunizieren. Mit zunehmender Beliebtheit werden Blogs nun auch f\u00fcr die Suchmaschinenoptimierung oder f\u00fcr Werbezwecke genutzt. Diese Arten von Blogs werden als Splogs bezeichnet. Die meisten bestehenden Splog-Erkennungsverfahren sind jedoch inhaltsbasiert, was angesichts der dynamischen Natur von Blogs weniger effektiv ist.<\/p>\n\n\n\n Derzeit werden drei Antispam-Techniken zur Bek\u00e4mpfung von Splogs eingesetzt:<\/p>\n\n\n\n Microblog-Spam bezieht sich auf Spamming auf Microblogging-Plattformen wie Twitter, wo die Gr\u00f6\u00dfe der Tweets begrenzt ist. Zur Erkennung von Microblog-Spam gibt es verschiedene Techniken, darunter:<\/p>\n\n\n\n Es gibt auch Antispam-Techniken, die Fallstudien und Klassifizierung kombinieren, wie z. B. Sozialgraphen-basierter Mr. SPA<\/a>sowie Techniken, die auf dem Clustering von Spam-Kampagnen und deren Kennzeichnung mittels RF-Klassifikator, Lasso-Formulierung mit integriertem Graph-Regularisierungsterm, Random-Forest-Klassifikation mit angepassten Merkmalen und ELM-basiertem Klassifikator mit definierten Merkmalen basieren.<\/p>\n\n\n Social Bookmarking hat sich vom traditionellen Bookmarking zu einer Plattform entwickelt, auf der Benutzer eine Website oder eine Webseite f\u00fcr den sp\u00e4teren Zugriff hinzuf\u00fcgen, bearbeiten oder \u00e4ndern k\u00f6nnen. Auf diesen Websites k\u00f6nnen Nutzer verschiedene Webseiten mit Lesezeichen versehen und ihre Meinung zu Artikeln, Bildern und Videos mitteilen. Viele Website-Besitzer nutzen jedoch Social-Bookmarking-Sites, um interessante Artikel zu durchsuchen und Links einzuf\u00fcgen. Dadurch werden Websites durch Backlinks f\u00fcr Spammer angreifbar, da Spammer attraktive Spam-Lesezeichen erstellen, die von ahnungslosen Nutzern ausgew\u00e4hlt werden.<\/p>\n\n\n\n Zur Bek\u00e4mpfung von Bookmarking-Spam stehen verschiedene Antispam-Techniken zur Verf\u00fcgung, darunter:<\/p>\n\n\n\n Aktuelle Anti-Spam-Techniken haben ergeben, dass die Generatoren von Spam in sozialen Netzwerken Roboter sind. Diese Roboter sind als \"Displayer\", \"Bragger\", \"Poster\" und \"Whisperer\" bekannt. Zu den Anti-Spam-Techniken f\u00fcr soziale Netzwerke geh\u00f6ren:<\/p>\n\n\n\n Mit anderen Worten, es handelt sich um Klassifizierungsverfahren auf der Grundlage von Spam-Bot- und Spam-Profilen und Laufzeitklassifizierung. Clustering-Techniken konzentrieren sich auf Markov-Clustering in sozialen Graphen und die SOM-Lernalgorithmus<\/a>w\u00e4hrend die Techniken zur Erkennung und Entfernung auf inkrementellem Clustering und anschlie\u00dfender Klassifizierung beruhen. Die Klassifizierungs- und \u00dcberwachungstechniken konzentrieren sich auf den auf sozialen Netzwerken basierenden Social Spam Guard, w\u00e4hrend die unbeaufsichtigten Erkennungstechniken sich auf die HITS-basierter Rahmen<\/a>.<\/p>\n\n\n Review Spam ist eine Art von Spam, der als Bewertungen auf verschiedenen E-Commerce-Websites erscheint. Positive Bewertungen k\u00f6nnen das Gesch\u00e4ft eines Unternehmens ankurbeln, aber negative Bewertungen k\u00f6nnen ihm schaden. Einige Spammer haben absichtlich Bewertungen abgeben, um den Ruf eines Produkts oder Unternehmens zu sch\u00e4digen<\/a>und Roboter k\u00f6nnen diese Bewertungen ebenfalls erstellen. Im Jahr 2013 wurde ein Modell zur Erstellung synthetischer Bewertungen entwickelt. Es wurde eine neuartige Verteidigungsmethode vorgeschlagen, um den Unterschied in den semantischen Fl\u00fcssen zwischen gef\u00e4lschten und wahrheitsgem\u00e4\u00dfen Bewertungen zu erkennen, der mit bestehenden Methoden nur schwer zu erkennen ist.<\/p>\n\n\n\n Derzeit gibt es mehrere Antispam-Techniken zur Erkennung von Rezensions-Spam, darunter:<\/p>\n\n\n\n Nach Erkenntnissen der Cybersicherheitsforschung k\u00f6nnen Spammer ein g\u00fcltiges Suchsystem unterwandern und st\u00f6ren, indem sie Dokumente mit nicht verwandten Tags versehen oder sogar Dokumente zuf\u00e4llig mit Begriffen versehen, die sich auf einen bestimmten Ort beziehen. Um dieses Problem zu l\u00f6sen, wurde eine Methode zur Erkennung von Spam auf der ortsbezogenen Social-Bookmarking-Website Foursquare entwickelt. Foursquare erm\u00f6glicht es den Nutzern, Tipps zu verschiedenen Orten und Sehensw\u00fcrdigkeiten zu hinterlassen, auf die andere Nutzer zugreifen k\u00f6nnen. Spammer posten jedoch irrelevante Inhalte, wie z. B. Gesch\u00e4ftstipps, die Nutzer, die sich f\u00fcr einen bestimmten Ort interessieren, in die Irre f\u00fchren.<\/p>\n\n\n\n Dieses Dokument analysiert Vorschlags-Spammer und zielt darauf ab, automatisierte Werkzeuge zur Erkennung von Benutzern zu entwickeln, die Spam-Vorschl\u00e4ge ver\u00f6ffentlichen. Die Antispam-Techniken der Standortsuche basieren auf Klassifizierung und Clustering mit Schwerpunkt auf Random Forest und Entscheidungsbaum-basierter Klassifizierung, EM-Clustering<\/a> zur Kategorisierung und Random Forest zur Klassifizierung.<\/p>\n\n\n Kommentarspam ist auf Social-Media-Plattformen, insbesondere auf YouTube und Nachrichtenseiten, weit verbreitet. Um diese Cyberattacke zu bek\u00e4mpfen, wurde ein Data-Mining-Ansatz zum Filtern von Spam-Kommentaren in YouTube-Foren vorgeschlagen. Im Gegensatz zur Inhaltsanalyse zur Spam-Erkennung nutzt dieser Ansatz das Kommentarverhalten, um Spammer zu identifizieren. Die Methodik nutzt die Vorteile von Die Funktion hasSpamHint von YouTube<\/a> die die Benutzerkommentare begleitet. Im Folgenden werden die einzelnen Schritte beschrieben:<\/p>\n\n\n\nBlog-Spam<\/strong><\/h4>\n\n\n
\n
Mikroblog-Spam<\/strong><\/h4>\n\n\n
\n
Lesezeichen f\u00fcr Spam<\/strong><\/h4>\n\n\n
\n
Spam im sozialen Netzwerk<\/strong><\/h4>\n\n\n
\n
\u00dcberpr\u00fcfung Spam<\/strong><\/h4>\n\n\n
\n
Spam bei der Standortsuche<\/strong><\/h4>\n\n\n
Kommentar-Spam<\/strong><\/h4>\n\n\n
\n