Descifrando el diluvio digital: análisis comparativo de algoritmos anti-spam para una barrera protectora efectiva
Resumen
Este estudio aborda el problema persistente del spam en los correos electrónicos y su impacto en la comunicación digital. El objetivo es efectuar un análisis comparativo de algoritmos antispam para desarrollar una barrera protectora efectiva. Se llevó a cabo una revisión de literatura, para identificar tres algoritmos: Naive Bayes, Support Vector Machines y Árboles de decisión. El análisis comparativo evaluó la eficacia y eficiencia de cada algoritmo, destacando sus fortalezas y debilidades. Los resultados destacados incluyen las fortalezas y debilidades identificadas en cada enfoque, permitiendo determinar cuál es el más efectivo, para combatir el spam. Se concluye que es esencial desarrollar una sólida barrera protectora contra el spam y se resaltan las implicaciones del estudio y la necesidad de soluciones evolutivas. Las conclusiones clave destacan la importancia de desarrollar una barrera protectora sólida contra el spam, para proteger a los usuarios de correos electrónicos no deseados. Además, se resaltan las implicaciones del estudio y la necesidad de nuevas soluciones que aborden este desafío en constante evolución. Finalmente, se ofrecen recomendaciones para mejorar la efectividad de los algoritmos antispam y fortalecer la lucha contra el diluvio digital de correos no deseados. La investigación proporciona una visión concisa y esencial del análisis comparativo de los algoritmos antispam, destacando su relevancia en la protección de la comunicación digital y la experiencia del usuario brindando recomendaciones para mejorar la efectividad de los algoritmos antispam y fortalecer la lucha contra los correos no deseados.
Descargas
Citas
Symantec. (2020). Informe de Amenazas a la Seguridad en Internet. Recuperado de https://docs.broadcom.com/doc/istr-05-sept-en
Cisco. (2023). Informe Anual de Ciberseguridad [Archivo PDF]. Recuperado de https://www.latamciso.com/Report2023SPA.pdf
Nadella, S. (2021). Porque la ciberseguridad debe ser prioridad para las empresas. Recuperado de: https://netizen.com.ec/porque-la-
1.10. Decision Trees. (s. f.). Recuperado de https://scikit-learn.org/stable/modules/tree.html
Awan, A. A., & Navlani, A. (2023). Naive Bayes classification tutorial using Scikit-Learn. Recuperado de https://www.datacamp.com/tutorial/naive-bayes-scikit-learn
Detección de correo electrónico Spam usando clasificadores supervisados: https://www.researchgate.net/publication/277077903_Deteccion_de_correo_electronico_Spam_usando_clasificadores_supervisados
Samaniego Palacios, C. P., Yepez Montenegro, E. J., & Cruz, E. Detección en tiempo real de phishing por email mediante técnicas de procesamiento de lenguaje natural y algoritmos de clasificación para una empresa corporativa. Recuperado de http://www.dspace.espol.edu.ec/handle/123456789/57285
Enlace a la herramienta para trabajos de aprendizaje autónomo donde se desarrolló el algoritmo: https://colab.research.google.com/drive/1qSmtwTPgrJrR8CrpQjxslV3guUXIC8vb?usp=sharing
Enlace revisita techopedia 2024 / https://www.techopedia.com/es/estadisticas-ciberseguridad#:~:text=En%202023%2C%20se%20generaban%20300.000,49%20d%C3%ADas%20para%20ser%20detectadas.
Enlace libro Ciencia de Datos para la ciberseguridad / https://books.google.es/books?hl=es&lr=&id=28y4EAAAQBAJ&oi=fnd&pg=PT4&dq=algoritmos+antispam+libro+pdf&ots=vmcPSs_Ioc&sig=0Xygn2qr3OaQHOo6p3ojZ7dPcbI#v=onepage&q&f=false
Informe sobre el estado de la seguridad 2023, telefónica TECH/ https://media.telefonicatech.com/cybercloud/uploads/2023/7/20230605-informe-sobre-el-estado-de-la-seguridad-h1-2023.pdf
Dada, E. G., Bassi, J. S., Chiroma, H., Abdulhamid, S. M., Adetunmbi, A. O., & Ajibuwa, O. E. (2019). Machine learning for email spam filtering: review, approaches and open research problems. Heliyon, 5(6). https://doi.org/10.1016/j.heliyon.2019.e01802
Karim, A., Azam, S., Shanmugam, B., & Kannoorpatti, K. (2020). Efficient Clustering of Emails into Spam and Ham: The Foundational Study of a Comprehensive Unsupervised Framework. IEEE Access, 8, 154759–154788. https://doi.org/10.1109/ACCESS.2020.3017082
Karim, A., Azam, S., Shanmugam, B., & Kannoorpatti, K. (2021). An Unsupervised Approach for Content-Based Clustering of Emails into Spam and Ham through Multiangular Feature Formulation. IEEE Access, 9, 135186–135209. https://doi.org/10.1109/ACCESS.2021.3116128
Manaa, M. E., Obaid, A. J., & Dosh, M. H. (2021). Unsupervised Approach for Email Spam Filtering using Data Mining. EAI Endorsed Transactions on Energy Web, 8(36), 1–6. https://doi.org/10.4108/eai.9-3-2021.168962
Mohammad, R. M. A. (2020). An improved multi-class classification algorithm based on association classification approach and its application to spam emails. IAENG International Journal of Computer Science, 47(2), 187–198.
Mohammed, M. A., Ibrahim, D. A., & Salman, A. O. (2021). Adaptive intelligent learning approach based on visual anti-spam email model for multi-natural language. Journal of Intelligent Systems, 30(1), 774–792. https://doi.org/10.1515/jisys-2021-0045
Moutafis, I., Andreatos, A., & Stefaneas, P. (2023). Spam email detection using machine learning techniques. European Conference on Information Warfare and Security, ECCWS, 2023-June, 303–310. https://doi.org/10.34190/eccws.22.1.1208
Mu, R. (2022). Spam Identification in Cloud Computing Based on Text Filtering System. Wireless Communications and Mobile Computing, 2022. https://doi.org/10.1155/2022/2309934
Panwar, M., Jogi, J. R., Mankar, M. V., Alhassan, M., & Kulkarni, S. (2022). Detection of Spam Email. American Journal of Innovation in Science and Engineering, 1(1), 18–21. https://doi.org/10.54536/ajise.v1i1.996
Zhang, H., Cheng, N., Zhang, Y., & Li, Z. (2021). Label flipping attacks against Naive Bayes on spam filtering systems. Applied Intelligence, 51(7), 4503–4514. https://doi.org/10.1007/s10489-020-02086-4
Dada, E. G., Bassi, J. S., Chiroma, H., Abdulhamid, S. M., Adetunmbi, A. O., & Ajibuwa, O. E. (2019). Machine learning for email spam filtering: review, approaches and open research problems. Heliyon, 5(6). https://doi.org/10.1016/j.heliyon.2019.e01802
Karim, A., Azam, S., Shanmugam, B., & Kannoorpatti, K. (2020). Efficient Clustering of Emails into Spam and Ham: The Foundational Study of a Comprehensive Unsupervised Framework. IEEE Access, 8, 154759–154788. https://doi.org/10.1109/ACCESS.2020.3017082
Karim, A., Azam, S., Shanmugam, B., & Kannoorpatti, K. (2021). An Unsupervised Approach for Content-Based Clustering of Emails into Spam and Ham through Multiangular Feature Formulation. IEEE Access, 9, 135186–135209. https://doi.org/10.1109/ACCESS.2021.3116128
Manaa, M. E., Obaid, A. J., & Dosh, M. H. (2021). Unsupervised Approach for Email Spam Filtering using Data Mining. EAI Endorsed Transactions on Energy Web, 8(36), 1–6. https://doi.org/10.4108/eai.9-3-2021.168962
Mohammad, R. M. A. (2020). An improved multi-class classification algorithm based on association classification approach and its application to spam emails. IAENG International Journal of Computer Science, 47(2), 187–198.
Mohammed, M. A., Ibrahim, D. A., & Salman, A. O. (2021). Adaptive intelligent learning approach based on visual anti-spam email model for multi-natural language. Journal of Intelligent Systems, 30(1), 774–792. https://doi.org/10.1515/jisys-2021-0045
Moutafis, I., Andreatos, A., & Stefaneas, P. (2023). Spam email detection using machine learning techniques. European Conference on Information Warfare and Security, ECCWS, 2023-June, 303–310. https://doi.org/10.34190/eccws.22.1.1208
Mu, R. (2022). Spam Identification in Cloud Computing Based on Text Filtering System. Wireless Communications and Mobile Computing, 2022. https://doi.org/10.1155/2022/2309934
Panwar, M., Jogi, J. R., Mankar, M. V., Alhassan, M., & Kulkarni, S. (2022). Detection of Spam Email. American Journal of Innovation in Science and Engineering, 1(1), 18–21. https://doi.org/10.54536/ajise.v1i1.996
Zhang, H., Cheng, N., Zhang, Y., & Li, Z. (2021). Label flipping attacks against Naive Bayes on spam filtering systems. Applied Intelligence, 51(7), 4503–4514. https://doi.org/10.1007/s10489-020-02086-4
Derechos de autor 2024 Alisson Jimenez
Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0.
