Spam verwijst naar ongewenste of ongevraagde berichten die elektronisch worden verzonden of ontvangen via e-mail, instant messaging, blogs, nieuwsgroepen, sociale media, webzoekopdrachten en mobiele telefoons, met advertenties, phishing, malware, enz. Zoals blijkt uit de definitie, is spam bedoeld voor kwaadwilligheid en vertegenwoordigt het over het algemeen een levensvatbare maar frauduleuze inkomstenbron voor sommige individuen of organisaties. De cyberaanvaller die betrokken is bij het verzenden van dergelijke spamberichten wordt over het algemeen een \u201cspammer\u201d genoemd. Hoewel aanvankelijk gericht op en beperkt tot e-mail, heeft spam alle elektronische platforms in alle media ge\u00efnfiltreerd.<\/p>\n\n\n
Er zijn drie hoofdstrategie\u00ebn om met spam om te gaan:<\/p>\n\n\n\n
Collaborative filtering wordt gebruikt via een sociaal netwerk met de naam SocialFilter. Dit is een collaborative spam filtering systeem dat gebruik maakt van sociaal vertrouwen ge\u00efntegreerd in online sociale netwerken<\/a> (OSN) om de betrouwbaarheid van spamrapporteurs<\/a>. Het is een grafiekgebaseerde benadering die is gebaseerd op de OSN-grafiek. SocialFilter heeft als doel om de functies van meerdere spamdetectors toe te voegen en zo het tegengaan van spam te democratiseren. Elk SocialFilter-knooppunt, dat wordt beheerd door een menselijke beheerder, stuurt spammerrapporten naar een centrale opslagplaats.<\/p>\n\n\n Blogs zijn een platform waar mensen hun emoties uiten, informatie delen en met elkaar communiceren. Met hun groeiende populariteit worden blogs nu gebruikt om blog-zoekmachineverkeer te genereren of voor promotionele doeleinden. Dit soort blogs worden Splogs genoemd. De meeste bestaande Splog-detectietechnieken zijn echter gebaseerd op inhoud, wat minder effectief is gezien de dynamische aard van blogs.<\/p>\n\n\n\n Momenteel worden er drie antispamtechnieken gebruikt om Splogs tegen te gaan:<\/p>\n\n\n\n Microblogspam verwijst naar spamming op microblogplatforms, zoals Twitter, waar er een beperking is op de grootte van de tweet. Om microblogspam te detecteren zijn er verschillende technieken beschikbaar, waaronder:<\/p>\n\n\n\n Er zijn ook antispamtechnieken die casestudy's en classificatie combineren, zoals SPA gebaseerd op sociale grafieken<\/a>evenals technieken gebaseerd op het clusteren van spamcampagnes en het labelen ervan met behulp van RF Classifier, Lasso formulering ge\u00efntegreerd met een grafiek regularisatie term, Random Forest Classificatie met behulp van aangepaste kenmerken en ELM gebaseerde classifier met gedefinieerde kenmerken.<\/p>\n\n\n Social bookmarking is ge\u00ebvolueerd van traditioneel bookmarking naar een platform waar gebruikers een website of webpagina kunnen toevoegen, bewerken of wijzigen voor toekomstige toegang. Op deze sites kunnen gebruikers verschillende webpagina's bookmarken en hun mening over artikelen, afbeeldingen en video's delen. Veel website-eigenaren gebruiken social bookmarking sites echter om interessante artikelen te bekijken en links op te nemen. Dit stelt websites bloot aan spammers via backlinks, omdat spammers aantrekkelijke spambladwijzers maken die door nietsvermoedende gebruikers worden gekozen.<\/p>\n\n\n\n Om bookmarking-spam tegen te gaan, zijn er verschillende antispamtechnieken beschikbaar, waaronder:<\/p>\n\n\n\n De huidige antispamtechnieken hebben vastgesteld dat de veroorzakers van spam op sociale netwerken robots zijn. Deze robots staan bekend als Displayer, Bragger, Poster en Whisperer. De antispamtechnieken voor sociale netwerken omvatten:<\/p>\n\n\n\n Met andere woorden, dit zijn classificatie-gebaseerde technieken gebaseerd op spam-bot en spam-profiel en run-time classificatie. Clusteringstechnieken richten zich op Markov-clustering op sociale grafieken en de SOM-leeralgoritme<\/a>terwijl de detectie- en verwijderingstechnieken gebaseerd zijn op incrementele clustering gevolgd door classificatie. Classificatie- en controletechnieken richten zich op de sociale netwerkgebaseerde Social Spam Guard, en technieken voor ongesuperviseerde detectie richten zich op de Op HITS gebaseerd raamwerk<\/a>.<\/p>\n\n\n Review Spam is een vorm van spam die verschijnt als recensies op verschillende e-commerce websites. Positieve beoordelingen kunnen een bedrijf een boost geven, maar negatieve beoordelingen kunnen het bedrijf schaden. Sommige spammers doen dit opzettelijk recensies plaatsen om de reputatie van een product of bedrijf te schaden<\/a>en robots kunnen deze beoordelingen ook genereren. In 2013 werd een model ontworpen om synthetische recensies te genereren. Er werd een nieuwe verdedigingsmethode voorgesteld om het verschil in semantische stromen tussen valse en waarheidsgetrouwe recensies te detecteren, die moeilijk te detecteren zijn met bestaande methoden.<\/p>\n\n\n\n Momenteel zijn er verschillende antispamtechnieken voor het detecteren van reviewspam, waaronder:<\/p>\n\n\n\n Volgens onderzoek op het gebied van cyberbeveiliging kunnen spammers een geldig zoeksysteem infiltreren en verstoren door ongerelateerde tags aan documenten te koppelen of zelfs willekeurig documenten te vullen met termen die verband houden met een bepaalde locatie. Een methodologie voor het detecteren van spam op een locatiegebaseerde sociale bookmarking website, Foursquare, werd ontwikkeld om dit probleem aan te pakken. Met Foursquare kunnen gebruikers tips achterlaten over verschillende plaatsen en attracties, die andere gebruikers kunnen bekijken. Spammers plaatsen echter irrelevante inhoud, zoals zakelijke tips, waardoor gebruikers die meer willen weten over een bepaalde plaats worden misleid.<\/p>\n\n\n\n In dit document worden suggestiespammers geanalyseerd met als doel geautomatiseerde hulpmiddelen te ontwikkelen voor het detecteren van gebruikers die spamsuggesties plaatsen. De antispamtechnieken van Location Search zijn gebaseerd op classificatie en clustering op basis van Random Forest en Decision Tree, EM-clustering<\/a> voor categorisatie en Random Forest classificatie.<\/p>\n\n\n Commentaarspam komt veel voor op sociale mediaplatforms, vooral op YouTube en nieuwssites. Er is een dataminingaanpak voorgesteld om spamcommentaren op YouTube-forums te filteren om deze cyberaanval te bestrijden. In tegenstelling tot inhoudsanalyse voor spamdetectie, maakt deze aanpak gebruik van commentaargedrag om spammers te identificeren. De methodologie maakt gebruik van De functie hasSpamHint van YouTube<\/a> die gepaard gaat met opmerkingen van gebruikers. Dit zijn de stappen:<\/p>\n\n\n\nBlogspam<\/strong><\/h4>\n\n\n
\n
Microblogspam<\/strong><\/h4>\n\n\n
\n
Bladwijzers voor spam<\/strong><\/h4>\n\n\n
\n
Spam op sociale netwerken<\/strong><\/h4>\n\n\n
\n
Reviewspam<\/strong><\/h4>\n\n\n
\n
Locatiezoekspam<\/strong><\/h4>\n\n\n
Commentaar spam<\/strong><\/h4>\n\n\n
\n