ESEMPIO Concreto sul filtraggio Bayesiano

Supponiamo che il programma filtra l’ e-mail che contengono parole che generano una percentuale pari o superiore al 100% (aggressività del filtro: Normale). Associamo alla parola Sex la probabilità del 100% di essere Spam, alla parola Newsletter 30%, alla parola Unsubscribe 70%. In un primo caso si riceve una mail con la parola Sex e Unsubscribe con la probabilità Totale del 170% e in questa situazione l’e-mail viene giustamente filtrata. Se si riceve una e-mail del nostro produttore di antivirus che ci segnala un aggiornamento e nel corpo del messaggio sono presenti le parole Newsletter e Unsubscribe l’e-mail viene cestinata perché la probabilità è del 100%. In questa situazione l’utente deve segnalare l’errore al programma. Da questo errore le percentuali associate alle parole cambiano e la loro somma diventa minore del 100% e in futuro una simile e-mail non verrà cestinata. Questo è un esempio molto semplice ma sono presenti altri criteri di valutazione su tutta l’analisi a partire dall’intestazione completa del messaggio. Quello che si è voluto mettere in evidenza come la probabilità associata alla singola parola può variare in base alle scelte dell’utente. Da questa analisi si comprende che il filtro bayesiano può essere personalizzato. Il fatto che una e-mail sia Spam o meno può variare da utente a utente. Con questa tecnica il filtro “Apprende” cosa è effettivamente Spam per l’utente. Per ottenere buoni risultati l’utente deve essere capace di istruire correttamente il programma NON cambiando linea di condotta su cosa è Spam e su cosa non lo è. In conclusione l’approccio statistico allo Spamming sembra l’arma definitiva per combattere la posta indesiderata e risulta evidente che la scelta deve ricadere su un programma che dispone del filtraggio bayesiano.

	AntiSpam Aziendale Consigliato con filtro Bayesiano