Detección de spam utilizando clasificadores incrementales

Vista sencilla de ítem
dc.contributor.advisorVerdecia Cabrera, Alberto
dc.contributor.advisorArco García, Leticia
dc.contributor.authorDíaz Benítez, Asiel
dc.coverage.spatialSanta Claraen_US
dc.date.accessioned2018-10-08T17:03:28Z
dc.date.available2018-10-08T17:03:28Z
dc.date.issued2018-06-20
dc.description.abstractEl correo electrónico, pese a su antigüedad, sigue siendo una forma popular de comunicación por ser muy económico y fácil de usar. La mayoría de los correos electrónicos que son enviados en la actualidad son correos spam los cuales suponen una pérdida de tiempo y dinero para usuarios y empresas. Para contrarrestar el spam se han creado herramientas que intentan detectarlo de forma automática. No obstante, no existe un método que permita la detección de spam con una precisión absoluta dado que los spammers cambian la forma de los spam para confundir a los filtros anti-spam. Sin embargo, en el área del aprendizaje automático existen algoritmos capaces de reconocer estos patrones (conocido como cambio de concepto) y adaptarse al mismo. El presente trabajo se propuso como objetivo detectar de manera eficiente los correos spam utilizando clasificadores incrementales, de los cuales algunos son capaces de adaptarse al cambio de concepto, para lo cual se diseñó un modelo para la detección personalizada de spam y se realizaron experimentos para evaluar el desempeño de los algoritmos a utilizar en el modelo, obteniendo resultados favorables que permitieron llegar a la conclusión de que este tipo de clasificadores son eficaces para la detección de spam, con un elevado grado de precisión en las predicciones, destacándose el clasificador FASE, el cual fue seleccionado para formar parte de la herramienta final propuesta.en_US
dc.description.abstractEmail, despite its age, still is a popular form of communication because it is very economic and easy to use. Most of the emails that are sent today are spam emails, which represent a waste of time and money for users and companies. To counteract spam, tools have been created that try to detect it automatically. However, there is no method that allows the detection of spam with absolute precision since spammers change the form of spam to confuse anti-spam filters. However, in the machine learning area there are algorithms capable of recognizing these patterns (also know as concept drift) and adapting to them. The objective of the present work is to efficiently detect spam emails using online classifiers, some of which are capable of adapting to concept drift. A model for the personalized spam detection was designed and experiments were carried out to evaluate the performance of the algorithms to be used in the model, obtaining favorable results that allowed to reach the conclusion that this type of classifier are effective for spam detection, with a high percent of accuracy in the predictions, standing out from the rest FASE classifier, which was selected to be part of the proposed final tool.en_US
dc.description.sponsorshipFacultad de Matemática, Física y Computación. Departamento de Ciencias de la Computaciónen_US
dc.description.statusnon-publisheden_US
dc.identifier.urihttps://dspace.uclv.edu.cu/handle/123456789/9744
dc.language.isoesen_US
dc.publisherUniversidad Central “Marta Abreu” de Las Villasen_US
dc.rightsEste documento es Propiedad Patrimonial de la Universidad Central “Marta Abreu” de Las Villas. Los usuarios podrán hacer uso de esta obra bajo la siguiente licencia: Creative Commons: Atribución-No Comercial-Compartir Igual 4.0 Licenseen_US
dc.subjectCorreo Electrónicoen_US
dc.subjectDetección de Spamen_US
dc.subjectClasificadores Incrementalesen_US
dc.subjectInteligencia Artificialen_US
dc.subject.otherAprendizaje Automáticoen_US
dc.subject.otherAlgoritmosen_US
dc.subject.otherCorreo Electrónicoen_US
dc.subject.otherProtección de Datosen_US
dc.subject.otherSeguridad Informáticaen_US
dc.subject.otherInteligencia Artificialen_US
dc.titleDetección de spam utilizando clasificadores incrementalesen_US
dc.typeThesisen_US
dc.type.thesisbacheloren_US

Archivos

Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
Tesis (Asiel Díaz Benítez).pdf
Tamaño:
2.97 MB
Formato:
Adobe Portable Document Format
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
3.33 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Tesis de Pregrado - Licenciatura en Ciencias de la Computación