Ефективність захисту електронної пошти багато в чому залежить від достовірності розпізнавання в листах спаму та витоків. Існуючі засоби розпізнавання базуються на статистичних методах аналізу текстової інформації, що значно обмежує їх можливості щодо виявлення нових видів спаму та витоків. З метою подолання цього недоліку запропоновано методологію класифікації листів на основі змістовного аналізу електронного за допомогою нейронних мереж. Запропоновано використовувати в якості вхідних параметрівнейронної мережі частоту зустрічі в тексті листа інформативних слів в канонічні формі. Доведено, що оптимальним типом нейромережевої моделі є карта Кохонена, основною перевагою якої є висока швидкість навчання та можливість зручної візуалізації результатів класифікації. Це дозволяє швидко реагувати на нові вити спаму та витоків та проводити остаточну класифікацію листів самим користувачем. Проведені експерименти підтвердили ефективність запропонованої методології.
Эффективность защиты электронной почты во многом зависит от достоверности распознавания в письмах спама и утечек. Существующие средства распознавания базируются на статистических методах анализа текстовой информации, что значительно ограничивает их возможности по выявлению новых видов спама и утечек. С целью преодоления этого недостатка предложена методология классификации писем на основе содержательного анализа электронного с помощью нейронных сетей. Предложено использовать в качестве входных параметров нейронной сети частоту встречи в тексте письма информативных слов в канонические форме. Доказано, что оптимальным типом нейросетевой модели есть карта Кохонена, основным преимуществом которой является высокая скорость обучения и возможность удобной визуализации результатов классификации. Это позволяет быстро реагировать на новые вить спама и утечек и проводить окончательную классификацию писем самим пользователем. Проведенные эксперименты подтвердили эффективность предложенной методологи.
The effectiveness of email security is largely dependent on the accuracy of spam detection in leaves and roots. Existing recognition methods based on statistical analysis of text information, which significantly limits their ability to detect new types of spam and leaks. To overcome this shortcoming proposed classification methodology sheets based on semantic analysis using an electronic neural networks. A used as input parameters of the neural network in the frequency of meeting the letter of informative words in canonical form. It is shown that the best type of neural network model is Kohonen map, the main advantage of which is a high-speed training and the possibility of easy visualization of classification. This allows you to quickly react to new spam and howl leaks and conduct a final classification of letters by the user. The experiments confirmed the possibility of increasing the reliability of detection of 20-30%
