A Distributed System for Spam Detection

Diplomová práce se zabývá problematikou nevyžádaných elektronických zpráv (spamů) v prostředí Internetu a možnými způsoby detekce těchto zpráv. Cílem práce je navrhnout a vytvořit anti-spamový filtr založený na signaturách, který je primárně určen pro použití na serverech Kerio Connect. V práci jsou uvedeny některé způsoby tvorby charakteristických signatur a je představena vlastní metoda pro stanovení charakteristické signatury, jež se zakládá na frekvenční analýze zprávy za použití Goertzelova algoritmu. Anti-spamový filtr je navržen a realizován jako aplikace typu klient-server s distribuovaným serverem a centrální databází. Při návrhu byl kladen důraz na bezpečnost komunikace mezi klientem a serverem. Implementovaný filtr byl testován na funkčnost, spolehlivost a výkonnost v prostředí s více klienty. Kvalita navržené metody tvorby signatury byla zhodnocena v závislosti na praktickém ověření filtru na vzorku e-mailových zpráv (Enron corpus).Katedra informatiky a výpočetní technikyObhájenoThe present thesis deals with the problem of unsolicited electronic messages (spam) on the Internet and the possible methods of the detection of these messages. The aim of this thesis is to design and to create a signature-based anti-spam filter, which is primarily intended for use on the Kerio Connect servers. The thesis presents some of the ways of the characteristic signature productions and presents its own method for determining characteristic signature, based on the frequency analysis of the message using Goertzel algorithm. This anti-spam filter is designed and implemented as a client-server application with a distributed server and a central database. The design tended to the security of the communication between the client and the server. The implemented filter has been tested for the functionality, the reliability and the performance in an environment with the multiple clients. The quality of the proposed method of the signature production was evaluated according to the practical verification on the sample of e-mail messages (Enron corpus)