Classificadores Não-Supervisionados baseados em Conjuntos Fuzzy e Nuvens de Dados para Detecção de Spam

Abstract

Technological advancements have made individuals and organizations more dependent on e-mails to communicate and share information. The increasing use of e-mails has led to an increased production of unsolicited commercial messages, known as spam. Spam classification systems able to self-adapt over time, with no human intervention, are rare. Adaptation is interesting as spams vary over time due to the use of different message-masking techniques. Moreover, classification models that handle large volumes of data are essential. Evolving intelligent systems are able to adapt their parameters and structure according to the data stream. This study applies the evolving methods TEDA (Typicality and Eccentricity based Data Analytics) and FBeM (Fuzzy Set-Based Evolving Modeling) for online unsupervised classification of spams. TEDA and FBeM are compared in terms of accuracy, model compactness, and processing time. For dimensionality reduction, a non-parametric Spearman-correlation-based feature selection method is employed. A dataset containing 25,745 samples, being 7,830 spams and 17,915 legitimate e-mails, is considered. 711 features extracted from an e-mail server describe each sample. Resumo: O avanço de tecnologias tem tornado indivíduos e organizações mais dependentes de e-mails para comunicação e compartilhamento de informação. O uso crescente de e-mail tem levadoà produção de mensagens comerciais não-solicitadas, conhecidas como spam. Sistemas de classificação de spams capazes de se adaptar ao longo do tempo, sem intervenção humana, são raros. A adaptaçãoé interessante já que spams variam no tempo devido ao uso de diferentes técnicas de mascaramento de mensagens. Além disso, modelos classificadores que lidam com grandes volumes de dados são essenciais. Sistemas inteligentes evolutivos são capazes de adaptar seus parâmetros e estrutura de acordo com o fluxo de dados. Este estudo aplica os métodos evolutivos TEDA (Typicality and Eccentricity based Data Analytics) e FBeM (Fuzzy Set-Based Evolving Modeling) para classificação não-supervisionada de spam. TEDA e FBeM são comparados em termos de acurácia, compactação do modelo, e tempo de processamento. Para redução da dimensionalidade, um método não-paramétrico baseado em correlação de Spearmań e empregado. Uma base de dados contendo 25745 amostras, sendo 7830 spams e 17915 e-mails legítimos, foi elaborada. 711 atributos extraídos de um servidor descrevem as amostras.