1. Nguyễn Tu Trung, Nguyễn Ngọc Hưng, Phạm Thanh Giang ĐÁNH GIÁ MỘT SỐ CÁCH THỨC TÍNH XÁC SUẤT SPAM CỦA TOKEN ỨNG DỤNG TRONG PHÂN LOẠI THƯ RÁC Nguyễn Tu Trung, Nguyễn Ngọc Hưng, Phạm Thanh Giang Viện Công nghệ thông tin, Viện Khoa học và Công nghệ Việt Nam Tóm tắt: Phân loại thư rác là bài toán được quan đầu gồm có Trung Quốc (23%), Mỹ (19.1%) và Hàn tâm nghiên cứu từ rất lâu trên thế giới với nhiều Quốc (12.8%). Việt Nam đứng vị trí thứ 7 với 2.95%, hướng tiếp cận khác nhau. Tính năng phân loại thư giảm so với tháng Một chiếm 3.1%. Những kẻ lừa đảo rác được tích hợp vào module phân loại thư rác của thường nhắm mục tiêu đến các trang mạng xã hội Mail Server hay Mail Client. Hiện nay, khi mà các (27.3%), dịch vụ thư điện tử (19.34%) và các tổ chức phương pháp truyền thống vẫn có những điểm yếu thanh toán trực tuyến (16.73%). Theo [13], về tình nhất định thì phương pháp phân loại dựa trên nội hình thư rác quý III 2015, tỷ lệ thư rác trong lưu lượng email đã giảm so với Quý II, nhưng các kỹ dung tỏ ra hiệu quả với việc sử dụng các kĩ thuật thuật lừa đảo người dùng và vượt qua bộ lọc email trong học máy thống kê. Trong đó, phân loại thư rác ngày càng trở nên tinh vi hơn. Trong Quý III 2015, tỷ dựa trên Bayes với ưu điểm đơn giản, dễ sử dụng sử lệ thư rác chiếm 54.2% toàn lưu lượng email, giảm và tốc độ nhanh nên được cài đặt phổ biến trong các 0,8% so với quý II. Đã có những thay đổi lớn trong hệ thống Mail Server hay Mail Client. Bài báo này top 3 các quốc gia là mục tiêu tấn công bằng email trình bày đánh giá về một số cách thức tính xác suất là trong Quý III 2015. Đứng vị trí đầu là Đức chiếm Spam của các Token thông qua ứng dụng phân loại 18.47 (giảm 1.12% so với quý II). Đứng vị trí thứ 2 là thư rác. Brazil và thứ 3 là Nga với tỷ lệ 7.56% (tăng 2.82% so với quý II). Về nguồn gốc phát tán thư rác, Mỹ vẫn là Từ khóa: Thư rác, phân loại thư rác, Bayes, học quốc gia có nguồn thư rác lớn nhất chiếm 15.34%. máy thống kê, Token, Spam, Ham. Việt Nam đứng thứ hai với 8.42% (tăng 5.04% so với quý II). Xếp vị trí thứ 3 là Trung Quốc chiếm tỷ lệ I. MỞ ĐẦU 7.15%, không thay đổi so với quý II. Tiếp sau đó là Một trong những dịch vụ mà Internet mang lại đó các nước Nga (5.79%), Đức (4.39%), Pháp (3.32%). là dịch vụ thư điện tử, đó là phương tiện giao tiếp rất Có nhiều phương pháp lọc thư rác khác nhau. Mỗi đơn giản, tiện lợi, rẻ và hiệu quả giữa mọi người trong phương pháp đều có những ưu nhược điểm riêng. cộng đồng sử dụng dịch vụ Internet. Tuy nhiên chính Trong đó, phương pháp lọc nội dung để phân loại thư vì những lợi ích của dịch vụ thư điện tử mang lại mà rác đã và đang được quan tâm, nghiên cứu và ứng số lượng thư trao đổi trên Internet ngày càng tăng, và dụng nhiều nhất. Phương pháp này dựa vào nội dung đa số trong số hững thư đó là thư rác (spam). Thư rác và chủ đề bức thư để phân biệt thư rác và thư hợp lệ. (spam mail) là những bức thư điện tử không yêu cầu, Phương pháp này có ưu điểm đó là chúng ta có thể dễ không mong muốn và được gửi hàng loạt tới người dàng thay đổi bộ lọc để nó có thể lọc các loại thư rác nhận. Thư rác thường được gửi với số lượng rất lớn, cho phù hợp. không được người dùng mong đợi, thường với mục đích quảng cáo, đính kèm virus, gây phiền toái hó Trong phương pháp học dựa trên nội dung, lọc thư chịu cho người dùng, làm giảm tốc độ truyền internet rác sử dụng các kĩ thuật học máy thổng kê là một và tốc độ xử lý của email server, gây thiệt hại rất lớn phương pháp có triển vọng với nhiều ứng dụng về kinh tế. thương mại như Hotmail, Google, Yahoo. Các phương pháp học máy và xác suất thống kê cho phép Theo thống kê của kaspersky năm 2014 [12], Tỷ phân loại cả những thư rác chưa từng xuất hiện trước lệ thư rác trong lưu lượng truy cập email trong tháng đó. Trong [1], Awad đã trình bày một đánh giá, so Hai tăng 4.2% so với tháng trước, đạt trung bình sánh một số phương pháp học máy (Bayesian 69.9%. Tuy nhiên, tỷ lệ này thấp hơn 1.2% so với classification, k-NN, ANNs, SVMs...) cho vấn đề lọc tháng Hai năm 2013. Ba nguồn phát tán thư rác hàng thư rác. Trong [6], Shahar Yifrah và Guy Lev trình Tác giả liên hệ: Nguyễn Tu Trung Email: trungnt.sremis@gmail.com Đến toàn soạn: 12/2017 , chỉnh sửa: 4/2018 , chấp nhận đăng: 8/2018 SỐ 03 (CS.01) 2018 TẠP CHÍ KHOA HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG 27
  2. ĐÁNH GIÁ MỘT SỐ CÁCH THỨC TÍNH XÁC SUẤT SPAM CỦA TOKEN ỨNG DỤNG TRONG PHÂN LOẠI THƯ RÁC bày báo các về dự án xây dựng bộ lọc thư rác sử dụng Kĩ thuật phân loại thư rác dựa trên Bayes được các kỹ thuật học máy. Trong [10], các tác giả đã so trình bày trong [3][5]. sánh hiệu quả của các bộ lọc thư rác khác nhau sử dụng Naïve Bayes, SVM, và KNN. Các kết quả thử Coi mỗi email được biểu diễn bởi một vectơ thuộc nghiệm cho thấy các bộ lọc sử dụng các kĩ thuật này tính đặc trưng ⃗ với đều cho độ chính xác rất cao. là các giá trị thuộc tính tương ứng trong không gian đặc trưng (space model). Ta sử dụng giá Đặc thù của các kĩ thuật dựa trên nội dung là phải trị nhị phân 0 và 1 để mô tả email đó có đặc điểm phân tích từ trong nội dụng và tính giá trị token hay hay không, giả xử nếu email đó có đặc điểm thì ta đặc trưng. Một khi số lượng các token, các đặc trưng đặt thuộc tính , còn nếu email đó không có lớn thì các phương pháp như SVMs, ANNs có tốc độ đặc điểm thì ta có thuộc tính . huấn luyện rất chậm. Trong các kĩ thuật lọc thư rác dựa trên học máy thống kê, kĩ thuật Bayes tỏ ra đơn Từ thuyết xác suất của Bayes và xác suất đầy đủ giản, hiệu quả, tốc độ thực thi rất nhanh, không những chúng ta có công thức tính xác suất mail với vectơ trong giai đoạn phân loại mà cả khi huấn luyện. Thuật ⃗ thuộc vào lớp c như sau: toán Bayes đã được áp dụng vào chương trình lọc thư ⃗⃗ ⃗ ( ⃗ ⃗) (1) rác spambayes, và cho kết quả lọc khá hiệu quả. Có ∑ ⃗⃗ ⃗ lẽ, đây là lý do mà bộ lọc sử dụng kĩ thuật này được cài đặt phổ biến trong các hệ thống Mail Server Để đơn giản khi tính ⃗ ta phải giả sử (Zimbra), Mail Client. Các phân mềm Mail Client là độc lập. Khi đó biểu thức (1) tương như Outlook, Outlook Express, Thunderbird/Mozilla đương với biểu thức sau: Mail & Newsgroups, Eudora, hay Opera Mail. Các ∏ thuật toán Naïve Bayes là những thuật toán kinh điển( ⃗ ⃗) (2) ∑ ∏ trong kĩ thuật Bayes. Naïve Bayes rất phổ biến trong các bộ lọc thư điện tử chống Spam nguồn mở [9]. Có Giá trị được sử dụng rất rộng rãi để đánh hạng cho nhiều phiên bản của Naïve Bayes. Trong [9], các tác thuộc tính là giá trị tương hỗ MI (mutual giả đã thảo luận, thử nghiệm và đánh giá về hiệu quả information), ta lấy những thuộc tính có giá trị MI lớn lọc Spam của các phiên bản này. Trong [5], Phan Hữu nhất. Ta có thể tính giá trị tương hỗ MI mà mỗi đại Tiếp cùng các cộng sự trình bày quy trình lọc thưc rác diện của X thuộc về loại C như sau: tiếng Việt dựa trên thuật toán Naïve Bayes và việc xử lý tách câu tiếng Việt. Trong [7], Tianda và cộng sự đã trình bày một so sánh giữa bộ phân loại thư rác chỉ sử ∑ dụng kĩ thuật Naïve Bayes và bộ phân loại thư rác sử (3) dụng bộ phân loại thư rác kĩ thuật và luật kết hợp. Trong [4], các tác giả thảo luận về quy trình lọc thư Một email được coi là spam nếu: rác thống kê sử dụng kĩ thuật phân loại Naïve Bayes. ( ⃗⃗ ⃗) Một cách thuận tiện, đơn giản để cài đặt thuật toán ⃗⃗ ⃗) (4) ( Bayes trong việc lọc thư rác là thuật toán của Paul Graham [8][4] và biến thể khác của Tim Peter. Các Với là ngưỡng cho trước để xem xét so sánh với thuật toán này đều phân tích, đánh giá và đưa ra đề tỉ lệ giữa xác suất là Spam hay Ham của một thư. xuất về các cách tính xác suất là spam của các token. Trong đó, Spam: thư rác, Ham: thư hợp lệ. Trong đó, cải tiến của Paul Graham cho độ chính xác Giả sử các thuộc tính là độc lập khi đó ta có: rất cao. Trong [2], Jialin và cộng sự đã thảo luận, đánh giá về phương pháp lọc SMS rác sử dụng SVM ( ⃗ ⃗) ( ⃗ ⃗) và MTM (message topic model). (5) Trong bài báo này, chúng tôi tập trung nghiên cứu Khi đó (4) tương đương với: về việc sử dụng kĩ thuật Bayes ứng dụng trong vấn đề lọc thư rác thông qua việc đánh giá một số cách thức ( ⃗ ⃗) với (6) tính xác suất là Spam của các token từ việc phân tích công thức tính xác suất Spam của Paul Graham. B. Công thức của Paul Graham Nhiều nghiên cứu gần đây đánh giá hiệu quả của các Theo [8][4], Paul Graham đề xuất một cách tính phương pháp học máy trong việc phân loại thư rác xác suất làm Spam của các token. Công thức của Paul thông thường chỉ so sánh giữa các kĩ thuật mới với Graham không rất đơn giản, thuận tiện cho việc cài thuật toán Naïve Bayes, mà không trực tiếp so sánh đặt mà còn cho độ chính xác phân loại thư rác rất cao. với cải tiến hiệu quả của Paul Graham. Đây cũng chính là một lý do mà nhóm chúng tôi viết bài báo Công thức tính xác suất Spam của token w như này. Các phần tiếp theo được trình bày như sau. Phần sau: 2 trình bày về vấn đề lọc thư rác dựa trên Bayes. Phần 3 trình bày một số cách thức tính xác suất là Spam (7) khác nhau của các token. Các thử nghiệm được trình bày trong phần 4. Kết luận được trình bày trong phần Trong đó, 5. SA(w): số lần xuất hiện của token w trong kho II. PHÂN LOẠI THƯ RÁC DỰA TRÊN BAYES thư rác. A. Lọc thư rác dựa trên Bayes SỐ 03 (CS.01) 2018 TẠP CHÍ KHOA HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG 28
  3. Nguyễn Tu Trung, Nguyễn Ngọc Hưng, Phạm Thanh Giang HA(w): số lần xuất hiện của token w trong kho  Chỉ phụ thuộc vào số lần xuất hiện của token w thư hợp lệ. và tổng số thư trong mỗi kho thư rác và thư hợp lệ. STM: tổng số thư trong kho thư rác. HTM: tổng số thư trong kho thư hợp lệ.  Chưa xem xét tổng số tần suất của tất cả token, Hệ số “2” để tăng khả năng nhận được thư hợp lệ.  Chưa xem xét số thư chứa token trong mỗi kho thư rác và thư hợp lệ. Khi này, không biết Bảng I. Bảng dữ liệu huấn luyện trong [4]. được token xuất hiện trong chỉ một thư hay nhiều thư. Số lần xuất hiện  Hệ số “2” tăng khả năng nhận nhầm thư rác Token P(S|w) trong trong thành thư hợp lệ. Spam Ham Trong trường hợp số lần xuất hiện của một token A 165 1235 0.2512473 nào đó xấp xỉ hoặc bằng tổng số thư trong kho thư rác Advised 12 42 0.4177898 và xuất hiện rất ít trong kho hợp lệ. Khi này, tỉ lệ As 2 579 0.0086009 “SA(w)/STM” sẽ gần tới hoặc bằng 1 trong khi tỉ lệ Chance 45 35 0.7635468 “HA(w)/HTM” dần tới 0. Ta có xác suất là Spam của token w theo đó sẽ gần tới hoặc bằng 1 (theo công Clarins 1 6 0.2950775 thức 7). Từ đây, theo công thức (8), xác suất là Spam Exercise 6 39 0.2787054 của bức thư chứa token này sẽ rất cao hoặc bằng 1. For 378 1829 0.3417015 Nói cách khác, xác suất là Spam của bức thư chứa Free 253 137 0.8226372 token này gần như chỉ bị ảnh hưởng bởi token này. Ví Fun 59 9 0.9427419 dụ, nếu một thư chỉ xuất hiện token này 1 lần, các Girlfriend 26 8 0.8908609 token khác trong thư này có xác suất là spam rất không cao nhưng thư này bị cho là Spam rất cao. Have 291 2008 0.2668504 Điều này là bất hợp lý. Her 38 118 0.4471509 I 9 1435 0.0155078 Dựa theo phân tích trên, chúng tôi nhận thấy như sau: Xác suất là Spam của mỗi token có thể phụ thuộc Just 207 253 0.6726596 các yếu tố sau: Much 126 270 0.5396092 Now 221 337 0.6222218 a) Số lần xuất hiện của token w trong mỗi kho thư rác và thư hợp lệ. Paying 26 10 0.8671995 Receive 171 98 0.8142107 b) Tổng số thư trong mỗi kho thư rác và thư hợp Regularly 9 87 0.2062346 lệ. Take 142 287 0.5541010 c) Tổng số tần suất của tất cả token. Tell 76 89 0.6820062 d) Số thư chứa token trong mỗi kho thư rác và The 185 930 0.3331618 thư hợp lệ. Time 212 446 0.5441787 Ngoài ra, việc thay đổi hệ số “2” trong trường hợp To 389 1948 0.3340176 khác nhau để tăng cường khả năng nhận biết thư rác Too 56 141 0.4993754 hay thư hợp lệ. Trial 26 13 0.8339739 Từ đây, chúng tôi đưa ra một số công thức tính Vehicle 21 58 0.4762651 xác suất là Spam của mỗi token như như sau. Viagra 39 19 0.8375393 You 391 786 0.5554363  Phụ thuộc vào các yếu tố a-c, ta được các công thức: Your 332 450 0.6494897 Tập dữ liệu huấn luyện trong [4] gồm có 432 thư (10) rác và 2170 thư hợp lệ [4]. Khi này, xác suất là Spam của một thư E được tính theo công thức: (10.1) ∏ ∏ ∏ (8) (10.2) Trong đó,  Phụ thuộc vào các yếu tố a-b, ta được các công (9) thức: III. MỘT SỐ CẢI TIẾN TRONG CÁCH TÍNH XÁC SUẤT SPAM CỦA TOKEN (11) Từ công thức (7), chúng ta có một số nhận xét sau: 1) Việc tính xác suất là Spam của mỗi token (Paul Graham) (11.1) SỐ 03 (CS.01) 2018 TẠP CHÍ KHOA HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG 29
  4. ĐÁNH GIÁ MỘT SỐ CÁCH THỨC TÍNH XÁC SUẤT SPAM CỦA TOKEN ỨNG DỤNG TRONG PHÂN LOẠI THƯ RÁC (11.2)  Phụ thuộc vào các yếu tố b-d, ta được các công thức: Bảng II. Thống kê độ chính xác phân loại tập thư rác và thư hợp lệ trong trường hợp không có hệ số 2 (12) Công thức SPAM HAM 10.1 62.857 96.454 (12.1) 11.1 98.571 92.908 12.1 98.571 90.780 13.1 90.714 94.326 (12.2) 98.571 85.816 14.1 15.1 94.286 92.199  Phụ thuộc vào các yếu tố c-d, ta được các công thức: Từ bảng 2, chúng ta thấy độ chính xác nhận SPAM của các công thức 11.1, 12.1 và 14.1 là cao (13) nhất. Trong khi đó, độ chính xác nhận HAM của các công thức 10.1 là cao nhất. Bảng III. Thống kê độ chính xác phân loại tập thư rác (13.1) và thư hợp lệ trong trường hợp hệ số 2 để tăng nhận thư hợp lệ Công thức SPAM HAM (13.2) 10.2 83.571 96.454 11.2 89.286 96.454  Phụ thuộc vào các yếu tố a-b-d, ta được các 12.2 87.143 95.035 công thức: 13.2 82.143 95.745 14.2 93.571 92.908 (14) 15.2 80.714 93.617 Từ bảng 3, chúng ta thấy độ chính xác nhận (14.1) SPAM của các công thức 14.2 là cao nhất. Trong khi đó, độ chính xác nhận HAM của các công thức 10.2 và 11.2 là cao nhất. (14.2) Bảng IV. Thống kê độ chính xác phân loại tập thư rác và thư hợp lệ trong trường hợp hệ số 2 để tăng  Phụ thuộc vào các yếu tố a-b-c-d, ta được các nhận thư rác công thức: Công thức SPAM HAM 10.3 97.857 92.908 (15) 11.3 99.286 82.270 12.3 99.286 80.142 (15.1) 13.3 98.571 85.816 14.3 99.286 79.433 15.3 98.571 86.525 (15.2) Từ bảng 4, chúng ta thấy độ chính xác nhận Nếu sử dụng nhóm các công thức 10-12-13-14-15 SPAM của các công thức 11.3, 12.3 và 14.3 là cao thì vấn đề trong nhận xét (2) có thể được khắc phục. nhất. Trong khi đó, độ chính xác nhận HAM của các công thức 10.3 là cao nhất. IV. THỬ NGHIỆM B. Thử nghiệm 2 Tập dữ liệu mẫu CSDMC2010_SPAM [11]. Tập dữ liệu huấn luyện bao gồm SpamTrain và HamTrain. HamTrain có 2535 thư hợp lệ, SpamTrain có 1014 thư rác. Tập dữ liệu test bao gồm HamTest (414 thư A. Thử nghiệm 1 hợp lệ) SpamTest (364 thư rác). Các bảng 5, 6 và 7 HamTrain có 2808 thư hợp lệ, SpamTrain có 1238 thống kê độ chính xác phân loại Spam thông qua thư rác. Tập dữ liệu test bao gồm HamTest (141 thư thống kê chỉ số Precision trong các trường hợp: không hợp lệ) SpamTest (140 thư rác). Các bảng 2, 3 và 4 có hệ số “2”, hệ số “2” để tăng cường nhận thư hợp thống kê độ chính xác phân loại Spam thông qua lệ, hệ số “2” để tăng cường nhận thư rác. thống kê chỉ số Precision trong các trường hợp: không có hệ số “2”, hệ số “2” để tăng cường nhận thư hợp lệ, hệ số “2” để tăng cường nhận thư rác. SỐ 03 (CS.01) 2018 TẠP CHÍ KHOA HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG 30
  5. Nguyễn Tu Trung, Nguyễn Ngọc Hưng, Phạm Thanh Giang Bảng VIII. Thống kê độ chính xác phân loại tập thư rác và thư hợp lệ trong trường hợp không có hệ Bảng V. Thống kê độ chính xác phân loại tập thư rác số 2 và thư hợp lệ trong trường hợp không có hệ số 2 Công thức SPAM HAM Công SPAM HAM 58.929 98.204 10.1 thức 11.1 98.469 95.808 10.1 59.066 98.068 12.1 98.469 93.613 11.1 98.077 95.652 13.1 90.051 96.407 12.1 98.626 93.720 14.1 98.980 88.224 13.1 89.835 96.135 15.1 91.837 92.814 14.1 98.901 87.923 15.1 93.132 93.237 Từ bảng 8, chúng ta thấy độ chính xác nhận SPAM của các công thức 14.1 là cao nhất. Trong khi Từ bảng 5, chúng ta thấy độ chính xác nhận đó, độ chính xác nhận HAM của các công thức 10.1 SPAM của các công thức 14.1 là cao nhất. Trong khi là cao nhất. đó, độ chính xác nhận HAM của các công thức 10.1 là cao nhất. Bảng IX. Thống kê độ chính xác phân loại tập thư rác và thư hợp lệ trong trường hợp hệ số 2 để tăng Bảng VI. Thống kê độ chính xác phân loại tập thư rác nhận thư hợp lệ và thư hợp lệ trong trường hợp hệ số 2 để tăng nhận thư hợp lệ Công thức SPAM HAM 10.2 78.571 98.004 Công thức SPAM HAM 11.2 85.459 98.204 10.2 78.571 97.826 12.2 87.500 96.607 11.2 86.813 98.068 13.2 76.786 98.004 12.2 88.736 96.618 14.2 90.051 93.413 13.2 77.747 97.826 15.2 75.765 94.810 14.2 90.659 93.720 15.2 77.473 94.686 Từ bảng 9, chúng ta thấy độ chính xác nhận SPAM của các công thức 14.2 là cao nhất. Trong khi Từ bảng 6, chúng ta thấy độ chính xác nhận đó, độ chính xác nhận HAM của các công thức 11.2 SPAM của các công thức 14.2 là cao nhất. Trong khi là cao nhất. đó, độ chính xác nhận HAM của các công thức 11.2 là cao nhất. Bảng X. Thống kê độ chính xác phân loại tập thư rác và thư hợp lệ trong trường hợp hệ số 2 để tăng Bảng VII. Thống kê độ chính xác phân loại tập thư rác nhận thư rác và thư hợp lệ trong trường hợp hệ số 2 để tăng nhận thư rác Công thức SPAM HAM 10.3 95.918 94.611 Công thức SPAM HAM 11.3 99.745 85.030 10.3 95.879 94.686 12.3 99.745 82.236 11.3 99.725 84.541 13.3 98.724 87.625 12.3 99.725 82.126 14.3 99.745 82.036 13.3 98.626 87.923 15.3 97.959 89.820 14.3 99.725 81.159 15.3 98.077 89.855 Từ bảng 10, chúng ta thấy độ chính xác nhận SPAM của các công thức 11.3, 12.3 và 14.3 là cao Từ bảng 7, chúng ta thấy độ chính xác nhận nhất. Trong khi đó, độ chính xác nhận HAM của các SPAM của các công thức 11.3, 12.3 và 14.3 là cao công thức 10.3 là cao nhất. nhất. Trong khi đó, độ chính xác nhận HAM của các công thức 10.3 là cao nhất. V. KẾT LUẬN C. Thử nghiệm 3 Trong bài báo này, chúng tôi đã thảo luận, phân HamTrain có 2448 thư hợp lệ, SpamTrain có 986 tích về kĩ thuật lọc Spam sử dụng Bayes. Từ đó, đưa thư rác. Tập dữ liệu test bao gồm HamTest (501 thư ra một số cách tính xác suất là Spam của token. Thử hợp lệ) SpamTest (392 thư rác). Các bảng 8, 9 và 10 nghiệm cho thấy đó là những phương án thay tốt cho thống kê độ chính xác phân loại Spam thông qua bộ lọc Spam dựa trên Bayes trong những trường hợp thống kê chỉ số Precision trong các trường hợp: không khác nhau. có hệ số “2”, hệ số “2” để tăng cường nhận thư hợp lệ, hệ số “2” để tăng cường nhận thư rác. Thông qua nhận xét trong các thử nghiệm, chúng tôi thấy rằng:  Trong trường hợp không có hệ số “2”, các công thức 11.1, 12.1 và 14.1 cho độ chính xác SỐ 03 (CS.01) 2018 TẠP CHÍ KHOA HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG 31
  6. ĐÁNH GIÁ MỘT SỐ CÁCH THỨC TÍNH XÁC SUẤT SPAM CỦA TOKEN ỨNG DỤNG TRONG PHÂN LOẠI THƯ RÁC nhận SPAM cao nhất; công thức 10.1 cho độ [12] http://kaspersky.nts.com.vn/ chính xác nhận HAM cao nhất. [13] http://antoanthongtin.vn/  Trong trường hợp hệ số “2” để tăng cường nhận hợp lệ, các công thức 14.2 cho độ chính ASSESS SOME METHODS OF CALCULATING xác nhận SPAM cao nhất; công thức 11.2 cho SPAM PROBABILITY OF TOKENS APPLIED độ chính xác nhận HAM cao nhất. IN SPAM EMAIL CLASSYFICATION  Trong trường hợp hệ số “2” để tăng cường nhận rác, các công thức 11.3, 12.3 và 14.3 cho Abstract: Spam mail classification is interested in độ chính xác nhận SPAM cao nhất; công thức researching for long time in the world with many 10.3 cho độ chính xác nhận HAM cao nhất. different approachs. Spam classification functions are intergrated in Mail Server or Mail Client. Currently, Như vậy, tùy vào mục đích cụ thể của ứng dụng: giữ loại HAM quan trọng hay loại bỏ SPAM nguy the traditional methods still have certain weaknesses, hiểm mà chọn công thức tương ứng. so statistical machine learning classification method based on the content has been proven more effective. Trong nghiên cứu tiếp theo, chúng tôi dự kiến để Wherein, Bayes spam classification has some xuất công thức tính xác suất là Spam mới cho mỗi advantages such as simplicity, ease of use and short token sử dụng logic mờ. execution time, so it is implemented widely in Mail Server or Mail Client systems. This paper evaluates some Bayes spam classification methods based on token probability rules. TÀI LIỆU THAM KHẢO Keyword: Spam, Ham, Spam mail, Spam classification, Statistical machine learning, Tokens. [1] Awad W.A. and ELseuofi S.M., Machine learning methods for spam e-mail classification, International Nguyễn Tu Trung, Tốt nghiệp Journal of Computer Science & Information đại học trường ĐH Sư phạm Hà Technology (IJCSIT), Vol 3, No 1, Feb 2011, Nội 2 năm 2007, thạc sỹ tại pp.173-184. trường ĐHCông Nghệ, ĐHQGHN [2] Jialin ma, Yongjun zhang, Jinling liu, Intelligent SMS năm 2011, tiến sĩ, Học viện Công spam filtering using topic model, ieee international nghệ Bưu chính Viễn thông năm conference on intelligent networking and 2018. Lĩnh vực nghiên cứu: Xử lý ảnh, xử lý tiếng nói, hệ thống collaborative systems (incos), 2016. thông tin, hệ thống nhúng. [3] Johan Hovol, Naïve Bayes Spam filtering using Word- Position-Based attributes, Proceedings of the 15th NODALIDA conference, 2006, pp. 78–87. [4] Paul Graham, Better Bayesian filtering. In Proceedings of the 2003 Spam Conference (http://spamconference.org/ proceedings2003.html), Cambridge, MA, 2003. [5] Phan Hữu Tiếp, Vũ Đức Lung, Cao Nguyễn Thủy Tiên, Lâm Thành Hiển, Phương pháp lọc thư rác tiếng việt dựa trên từ ghép và theo vết người sử dụng, Hội thảo “Một số vấn đề chọn lọc của Công nghệ thông tin và truyền thông”, Cần Thơ, 2011. [6] Shahar Yifrah và Guy Lev, Machine Learning Final Project Spam Email Filtering, ML Project, 2013. [7] Tianda Yang, Kai Qian, Dan Chia-Tien Lo, Spam filtering using Association Rules and Naïve Bayes Classifier, IEEE International Conference on Progress in Informatics and Computing (PIC), 2015. [8] Tianhao Sun, Spam Filtering based on Naïve Bayes Classication, May 2009. [9] Vangelis Metsis, Ion And rout sopoulos and Georgios Paliouras, Spam Filtering with Naïve Bayes–Which Naïve Bayes?, CEAS2006-Third Conference on Email and Anti-Spam, Mountain View, California USA, July 27-28, 2006. [10] Yun-Nung Chen, Che-An Lu, Chao-Yu Huang, Anti- Spam Filter Based on Naïve Bayes, SVM, and KNN model, AI term project group 14, 2009. [11] http://csmining.org/index.php/spam-email-datasets- .html SỐ 03 (CS.01) 2018 TẠP CHÍ KHOA HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG 32