Spam refers to unwanted or unsolicited messages sent or received electronically via email, instant messaging, blogs, newsgroups, social media, web search, and mobile phones, with advertising fines, Phishing, Malware, etc. As is clear from the definition, Spam is intended for malice and generally represents a viable but fraudulent source of income for some individuals or organizations. The cyber attacker involved in sending such spam messages is generally referred to as a \u201cspammer.\u201d Although initially targeted and limited to email, spam has invaded all electronic platforms in all media.<\/p>\n\n\n
Ci sono tre strategie principali per affrontare lo spam:<\/p>\n\n\n\n
Il filtraggio collaborativo \u00e8 utilizzato tramite un social network chiamato SocialFilter, che \u00e8 un sistema di filtraggio dello spam collaborativo che utilizza la fiducia sociale integrata nei social network online<\/a> (OSN) per valutare la affidabilit\u00e0 dei segnalatori di spam<\/a>. \u00c8 un approccio basato su grafi che si basa sul grafo OSN. SocialFilter mira ad aggiungere le funzionalit\u00e0 di pi\u00f9 rilevatori di spam, democratizzando cos\u00ec la mitigazione dello spam. Ogni nodo di SocialFilter, gestito da un amministratore umano, invia rapporti di spammer a un repository centralizzato.<\/p>\n\n\n I blog sono una piattaforma dove le persone esprimono le loro emozioni, condividono informazioni e comunicano tra loro. Con la loro crescente popolarit\u00e0, i blog sono ora utilizzati per guidare il traffico dei motori di ricerca dei blog o per scopi promozionali. Questi tipi di blog sono chiamati Splog. Tuttavia, la maggior parte delle tecniche esistenti di rilevamento degli Splog sono basate sui contenuti, il che \u00e8 meno efficace data la natura dinamica dei blog.<\/p>\n\n\n\n Attualmente, tre tecniche antispam sono utilizzate per combattere gli Splog:<\/p>\n\n\n\n Lo spam sui microblog si riferisce allo spamming su piattaforme di microblogging, come Twitter, dove c'\u00e8 una limitazione sulla dimensione del tweet. Per rilevare lo spam sui microblog, ci sono diverse tecniche disponibili, tra cui:<\/p>\n\n\n\n Ci sono anche tecniche antispam che combinano studi di caso e classificazione, come Mr. SPA basato su grafi sociali<\/a>, cos\u00ec come tecniche basate sul clustering di campagne di spam e l'etichettatura utilizzando RF Classifier, formulazione Lasso integrata con un termine di regolarizzazione del grafo, classificazione Random Forest utilizzando funzionalit\u00e0 regolate e classificatore basato su ELM con funzionalit\u00e0 definite.<\/p>\n\n\n Il social bookmarking si \u00e8 evoluto dal bookmarking tradizionale a una piattaforma dove gli utenti possono aggiungere, modificare o modificare un sito web o una pagina web per un accesso futuro. Questi siti permettono agli utenti di segnare diverse pagine web e condividere le loro opinioni su articoli, immagini e video. Tuttavia, molti proprietari di siti web utilizzano i siti di social bookmarking per navigare articoli interessanti e includere link. Questo espone i siti web agli spammer tramite backlink, poich\u00e9 gli spammer creano segnalibri di spam attraenti che vengono scelti dagli utenti ignari.<\/p>\n\n\n\n Per combattere lo spam nei segnalibri, ci sono varie tecniche antispam disponibili, tra cui:<\/p>\n\n\n\n Le attuali tecniche antispam hanno identificato che i generatori di spam sui social network sono robot. Questi robot sono conosciuti come Displayer, Bragger, Poster e Whisperer. Le tecniche antispam per i social network includono:<\/p>\n\n\n\n In altre parole, queste sono tecniche basate sulla classificazione basate su spam-bot e profilo spam e classificazione in tempo reale. Le tecniche di clustering si concentrano sul clustering di Markov sui grafi sociali e sull' algoritmo di apprendimento SOM<\/a>, mentre le tecniche di rilevamento e rimozione si basano sul clustering incrementale seguito dalla classificazione. Le tecniche di classificazione e monitoraggio si concentrano sul Social Spam Guard basato sui social network, e le tecniche di rilevamento non supervisionato si concentrano sul framework basato su HITS<\/a>.<\/p>\n\n\n Review Spam is a type of spam that appears as reviews on various e-commerce websites. Positive reviews can boost a company\u2019s business, but negative reviews can harm it. Some spammers intentionally pubblicare recensioni per danneggiare la reputazione di un prodotto o azienda<\/a>, e anche i robot possono generare queste recensioni. Nel 2013, \u00e8 stato progettato un modello per generare recensioni sintetiche. \u00c8 stato proposto un metodo di difesa innovativo per rilevare la differenza nei flussi semantici tra recensioni false e veritiere, che sono difficili da rilevare utilizzando i metodi esistenti.<\/p>\n\n\n\n Attualmente, ci sono diverse tecniche antispam per rilevare lo spam nelle recensioni, tra cui:<\/p>\n\n\n\n Secondo la ricerca sulla sicurezza informatica, gli spammer possono infiltrarsi e interrompere un sistema di ricerca valido associando tag non correlati ai documenti o anche infondendo casualmente documenti con termini relativi a una particolare localit\u00e0. \u00c8 stata sviluppata una metodologia per rilevare lo spam su un sito web di social bookmarking basato sulla localizzazione, Foursquare, per affrontare questo problema. Foursquare permette agli utenti di lasciare suggerimenti su vari luoghi e attrazioni, che altri utenti possono accedere. Tuttavia, gli spammer pubblicano contenuti irrilevanti, come suggerimenti commerciali, che fuorviano gli utenti interessati a conoscere un particolare luogo.<\/p>\n\n\n\n Questo documento analizza gli spammer di suggerimenti, con l'obiettivo di sviluppare strumenti automatizzati per rilevare gli utenti che pubblicano suggerimenti spam. Le tecniche antispam per la ricerca di localizzazione si basano sulla classificazione e clustering focalizzati sulla classificazione basata su Random Forest e Decision Tree, clustering EM<\/a> per la categorizzazione e classificazione Random Forest.<\/p>\n\n\n Lo spam nei commenti \u00e8 prevalente sulle piattaforme di social media, in particolare su YouTube e siti di notizie. \u00c8 stato proposto un approccio di data mining per filtrare i commenti spam sui forum di YouTube per combattere questo attacco informatico. A differenza dell'analisi dei contenuti per il rilevamento dello spam, questo approccio sfrutta il comportamento dei commenti per identificare gli spammer. La metodologia sfrutta YouTube\u2019s hasSpamHint feature<\/a> che accompagna i commenti degli utenti. Ecco i passaggi coinvolti:<\/p>\n\n\n\nSpam sui blog<\/strong><\/h4>\n\n\n
\n
Spam sui microblog<\/strong><\/h4>\n\n\n
\n
Spam nei segnalibri<\/strong><\/h4>\n\n\n
\n
Spam sui social network<\/strong><\/h4>\n\n\n
\n
Spam nelle recensioni<\/strong><\/h4>\n\n\n
\n
Spam nella ricerca di localizzazione<\/strong><\/h4>\n\n\n
Spam nei commenti<\/strong><\/h4>\n\n\n
\n