Спамнан қорғаудың көп деңгейлі архитектурасы: ережелерді, қара тізімдерді және машиналық оқыту әдістерін біріктіру

Авторы

  • O. Кадыров Satbayev University, Қазақстан
  • A. Батыргалиев Satbayev University, Қазақстан

##plugins.pubIds.doi.readerDisplayName##:

https://doi.org/10.51301/ce.2025.i2.03

Ключевые слова:

спам, спамды сүзу, электрондық пошта қауіпсіздігі, кәсіпорын желілері, көп деңгейлі сүзу, ережеге негізделген сүзу, DNS негізіндегі қара тізімдер, DNSBL, URIBL, Машиналық оқыту, аңғал Байес, шешім ағаштары, логистикалық регрессия, пошта серверлері, спамды анықтау, фишингтің алдын алу, мазмұнды сүзу, IP беделі, сүзу қосулы хаттама деңгейі, Электрондық поштаның жіктелуі, спамға қарсы архитектура

Аннотация

Электрондық пошта спамы Әлемдік пошта трафигінің жартысына жуығын құрайтын корпоративтік байланыстарға айтарлықтай қауіп төндіруді жалғастыруда. Спам, әсіресе фишингтік хаттар, пошта жәшіктерін бітеп қана қоймайды, сонымен қатар елеулі қаржылық шығындарға әкеледі: мысалы, тек 2022 жылы Іскери электрондық поштаны бұзу алаяқтығы 2,7 миллиард АҚШ долларын құрады. Бұл мақалада үш қосымша тәсілді біріктіретін көп деңгейлі спамға қарсы архитектура ұсынылады: ережеге негізделген сүзу, қара тізімге негізделген сүзу және машиналық оқытуға негізделген жіктеу (ML). Біз әр деңгейдің жұмысын егжей-тегжейлі сипаттаймыз және олардың корпоративті ортадағы күшті және әлсіз жақтарын талдаймыз, мұнда жоғары дәлдік пен жалған позитивтердің минималды саны өте маңызды. Ұсынылған архитектура Протокол деңгейіндегі қорғаныс құралдарын (мысалы, DNS негізіндегі қара тізімдер), мазмұнға негізделген эвристиканы (ережелер жүйесі) және ML классификаторларын (Naïve Bayes, Decision Trees, Logistic Regression) көп деңгейлі "терең қорғаныс"моделіне біріктіреді. Біз бұл интеграцияланған тәсіл жалған позитивтердің санын бақылау кезінде спамды анықтау көрсеткіштерін айтарлықтай жақсарта алатынын көрсету үшін соңғы зерттеулерді (2020-2024) пайдалана отырып салыстырмалы бағалау жүргіземіз. Әдебиеттерден нақты статистика мен эксперименттік нәтижелер, соның ішінде өнімділік көрсеткіштері (дәлдік, дәлдік, кері байланыс, F1-score) және әр әдіс үшін жұмыс уақыты ұсынылған. Көп қабатты жүйе кез-келген жеке техникамен салыстырғанда жоғары өнімділікке қол жеткізеді (көбінесе жалған позитивтердің төмен деңгейінде 98-99% анықтау). Бұл жұмыс корпоративтік спамнан қорғаудың сенімді құрылымын сипаттайтын және адаптивті, көп қырлы спамды сүзу саласындағы зерттеулердің болашақ бағыттарын қамтитын тәжірибешілер мен зерттеушілер үшін жан-жақты және өзекті талдауды ұсынады.

Загрузки

Опубликован

2025-06-30

Как цитировать

Kadyrov, O. ., & Batyrgaliyev, A. . (2025). Спамнан қорғаудың көп деңгейлі архитектурасы: ережелерді, қара тізімдерді және машиналық оқыту әдістерін біріктіру. Computing &Amp; Engineering, 3(2), 11–22. https://doi.org/10.51301/ce.2025.i2.03

Выпуск

Том 3 № 2 (2025): Computing & Engineering

Раздел

Сандық технологиялар және бағдарламалық шешімдер

Лицензия

Copyright (c) 2025 Computing & Engineering

Лицензия Creative Commons

Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.

<div class="pkpfooter-son">
<a rel="license" href="http://creativecommons.org/licenses/by-nc/4.0/"><img alt="Creative Commons License" style="border-width:0" src="https://i.creativecommons.org/l/by-nc/4.0/80x15.png"></a><br>This work is licensed under a <a rel="license" href="http://creativecommons.org/licenses/by-nc/4.0/">Creative Commons Attribution-NonCommercial 4.0 International License</a>.
</div>