2009, ISBN: 9783836627542

Inhaltsangabe:Einleitung:Die Informationsübertragung mittels E-Mail ist heutzutage ein fundamentaler Bestandteil der Geschäftswelt sowie der privaten Kommunikation über das Internet. 80-8… More...

Inhaltsangabe:Einleitung:Die Informationsübertragung mittels E-Mail ist heutzutage ein fundamentaler Bestandteil der Geschäftswelt sowie der privaten Kommunikation über das Internet. 80-85% der E-Mails werden missbräuchlich verwendet und als Spam unerwünscht zugestellt. Diese Spam-Mails verursachen einen erheblichen ökonomischen Schaden, der sich nur durch Einsatz moderner Filtersysteme eindämmen lässt. Hierzu wird der Inhalt der Nachricht mit Text-Klassifizierungs-Algorithmen untersucht um eine mögliche Spam-Gefahr zu erkennen. Aktuelle Filter arbeiten mit statischen-, oder halbintelligenten Filtern wie dem Naive-Bayes-Algorithmus.Forschungen der Neuroinformatik befassen sich mit der Simulation neuronaler Netze und eröffnen neue Möglichkeiten einer intelligenten, lernenden Text-Klassifizierung. Durch mathematische Beschreibungen wird ein künstliches neuronales Netz modelliert und mit einer Lernmenge trainiert. Dem Netz ist es möglich, das erlernte Wissen auf neue Eingaben anzuwenden und sich durch wiederholtes Training an veränderte Bedingungen anzupassen.Problemstellung:Viele der derzeit eingesetzten Verfahren der Mail-Klassifikation beruhen auf den Naive-Bayes-Algorithmus, Blacklists oder anderen mehr oder weniger statischen Prozeduren. Es liegt auf der Hand sich zu fragen, ob nicht maschinengelerntes Wissen zur automatischen Erkennung von Spam-Mails eingesetzt werden kann, die der Entscheidung eines Menschen ähnelt - beispielsweise mit genetischen Algorithmen oder künstlichen neuronalen Netzen (KNN bzw. ANN - artificial neural network). Wie schon die wissenschaftliche Arbeit _A LVQ-based neural network anti-spam email approach feststellt, könnte ein selbstlernendes System eine eindeutige Erkennung von Spam-Mails zu etwa 98% ermöglichen.Ist es möglich, ein pragmatisches, technisch realisierbares Verfahren zu entwickeln, das eine E-Mail Klassifikation durch Einsatz von ein- oder mehreren künstlichen neuronalen Netzen ermöglicht?Wie lässt sich eine derartige Software entwickeln und ist diese performant und wirkungsvoll?Können die errechneten Zahlen der Arbeit bestätigt werden?Inhaltsverzeichnis:Inhaltsverzeichnis:1.Einleitung81.1Forschungsfeld81.2Problemstellung81.3Ziel und Aufbau der Arbeit92.Spam Grundlagen102.1Herkunft und Arten von Spam102.2Rechtliche Relevanz von Spam122.3Ökonomische Auswirkung von Spam142.4Massnahmen zur Spam-Bekämpfung152.5Text-Klassifizierung162.5.1Grundlagen162.5.2Algorithmen173.Künstliche Neuronale Netze213.1Einleitung213.2Abgrenzung zur künstlichen Intelligenz233.3Historie und Grundlagen233.4Biologische Analogie273.5Modellaufbau303.6Units (Neuronen)323.6.1Aktivitätsfunktionen353.6.1.1Lineare Funktion353.6.1.2Linear mit Schwelle363.6.1.3Binäre Schwellenwertfunktion (threshold)363.6.1.4Sigmoide Funktion373.7Netztypen383.7.1Feedforward Netze383.7.2Feedback Netze393.8Lernregeln413.8.1Supervised learning413.8.1.1Hebb-Regel423.8.1.2Delta-Regel423.8.1.3Backpropagation433.8.2Unsupervised learning453.8.2.1Competetive learning454.Entwicklung eines KNN-Klassifizierers464.1Methodik des Verfahrens464.1.1Struktureller Aufbau484.1.2Einsatz-Szenarien514.2Softwareentwicklung: nAntiSpam524.2.1MailConnector Layer574.2.2Core Layer594.2.3Executor Layer654.3Analyse des Prototypen665.Zusammenfassung745.1Zusammenfassung der Arbeit745.2Optimierung des Verfahrens775.3Persönliche Meinung80Literaturverzeichnis81Abbildungsverzeichnis85Tabellenverzeichnis87Stichwortverzeichnis88Glossar90Anhang: AForge.Neuro Klassendiagramm93Textprobe:Textprobe:Kapitel 2.3, Ökonomische Auswirkung von Spam:Spam-Mails bedeuten nicht nur lästige Werbung, sondern verursachen auch einen erheblichen wirtschaftlichen Schaden. ‘Heutzutage geht man von etwa 100 Milliarden Spam- oder Junk-E-Mails pro Jahr aus, rund 80 bis 85 Prozent des E-Mail- Verkehrs seien verspamt’.In einem österreichischen Kleinbetrieb mit 15 öffentlichen E-Mail-Adressen werden derzeit (Stand August 2008) wöchentlich etwa 4000 Spam-Mails identifiziert. Eine Studie des deutschen Bundesamt für Sicherheit in der Informationstechnik (BSI) errechnet bei einem kleineren Provider (ca. 50.000 Kunden) Kosten pro Spam- Mail von 0,20 EURO-Cent. In einem Unternehmen hingegen müssen die Mitarbeiter die Mails sortieren, um Spam zu filtern. Das BSI geht davon aus, dass bei einem Unternehmen mit 5000 Mitarbeitern Kosten von 0,22 EURO-Cent pro Spam-Mail anfallen. In einem Kleinunternehmen mit nur fünf Mitarbeitern steigen die Kosten auf bis z Diplomarbeit aus dem Jahr 2009 im Fachbereich Informatik - Software, Note: 1,0, Fachhochschule St. Pölten (Medieninformatik, Telekommunikation und Medien), Sprache: Deutsch eBook eBooks>Sachbücher>Computer & Internet>Anwendungs-Software, Diplom.de<

2009, ISBN: 9783836627542

Diplomarbeit aus dem Jahr 2009 im Fachbereich Informatik - Software, Note: 1,0, Fachhochschule St. Pölten (Medieninformatik, Telekommunikation und Medien), Sprache: Deutsch Inhaltsangabe:… More...

Diplomarbeit aus dem Jahr 2009 im Fachbereich Informatik - Software, Note: 1,0, Fachhochschule St. Pölten (Medieninformatik, Telekommunikation und Medien), Sprache: Deutsch Inhaltsangabe:Einleitung:Die Informationsübertragung mittels E-Mail ist heutzutage ein fundamentaler Bestandteil der Geschäftswelt sowie der privaten Kommunikation über das Internet. 80-85% der E-Mails werden missbräuchlich verwendet und als Spam unerwünscht zugestellt. Diese Spam-Mails verursachen einen erheblichen ökonomischen Schaden, der sich nur durch Einsatz moderner Filtersysteme eindämmen lässt. Hierzu wird der Inhalt der Nachricht mit Text-Klassifizierungs-Algorithmen untersucht um eine mögliche Spam-Gefahr zu erkennen. Aktuelle Filter arbeiten mit statischen-, oder halbintelligenten Filtern wie dem Naive-Bayes-Algorithmus.Forschungen der Neuroinformatik befassen sich mit der Simulation neuronaler Netze und eröffnen neue Möglichkeiten einer intelligenten, lernenden Text-Klassifizierung. Durch mathematische Beschreibungen wird ein künstliches neuronales Netz modelliert und mit einer Lernmenge trainiert. Dem Netz ist es möglich, das erlernte Wissen auf neue Eingaben anzuwenden und sich durch wiederholtes Training an veränderte Bedingungen anzupassen.Problemstellung:Viele der derzeit eingesetzten Verfahren der Mail-Klassifikation beruhen auf den Naive-Bayes-Algorithmus, Blacklists oder anderen mehr oder weniger statischen Prozeduren. Es liegt auf der Hand sich zu fragen, ob nicht maschinengelerntes Wissen zur automatischen Erkennung von Spam-Mails eingesetzt werden kann, die der Entscheidung eines Menschen ähnelt - beispielsweise mit genetischen Algorithmen oder künstlichen neuronalen Netzen (KNN bzw. ANN - artificial neural network). Wie schon die wissenschaftliche Arbeit _A LVQ-based neural network anti-spam email approach feststellt, könnte ein selbstlernendes System eine eindeutige Erkennung von Spam-Mails zu etwa 98% ermöglichen.Ist es möglich, ein pragmatisches, technisch realisierbares Verfahren zu entwickeln, das eine E-Mail Klassifikation durch Einsatz von ein- oder mehreren künstlichen neuronalen Netzen ermöglicht?Wie lässt sich eine derartige Software entwickeln und ist diese performant und wirkungsvoll?Können die errechneten Zahlen der Arbeit bestätigt werden?Inhaltsverzeichnis:Inhaltsverzeichnis:1.Einleitung81.1Forschungsfeld81.2Problemstellung81.3Ziel und Aufbau der Arbeit92.Spam Grundlagen102.1Herkunft und Arten von Spam102.2Rechtliche Relevanz von Spam122.3Ökonomische Auswirkung von Spam142.4Maßnahmen zur Spam-Bekämpfung152.5Text-Klassifizierung162.5.1Grundlagen162.5.2Algorithmen173.Künstliche Neuronale Netze213.1Einleitung213.2Abgrenzung zur künstlichen Intelligenz233.3Historie und Grundlagen233.4Biologische Analogie273.5Modellaufbau303.6Units (Neuronen)323.6.1Aktivitätsfunktionen353.6.1.1Lineare Funktion353.6.1.2Linear mit Schwelle363.6.1.3Binäre Schwellenwertfunktion (threshold)363.6.1.4Sigmoide Funktion373.7Netztypen383.7.1Feedforward Netze383.7.2Feedback Netze393.8Lernregeln413.8.1Supervised learning413.8.1.1Hebb-Regel423.8.1.2Delta-Regel423.8.1.3Backpropagation433.8.2Unsupervised learning453.8.2.1Competetive learning454.Entwicklung eines KNN-Klassifizierers464.1Methodik des Verfahrens464.1.1Struktureller Aufbau484.1.2Einsatz-Szenarien514.2Softwareentwicklung: nAntiSpam524.2.1MailConnector Layer574.2.2Core Layer594.2.3Executor Layer654.3Analyse des Prototypen665.Zusammenfassung745.1Zusammenfassung der Arbeit745.2Optimierung des Verfahrens775.3Persönliche Meinung80Literaturverzeichnis81Abbildungsverzeichnis85Tabellenverzeichnis87Stichwortverzeichnis88Glossar90Anhang: AForge.Neuro Klassendiagramm93Textprobe:Textprobe:Kapitel 2.3, Ökonomische Auswirkung von Spam:Spam-Mails bedeuten nicht nur lästige Werbung, sondern verursachen auch einen erheblichen wirtschaftlichen Schaden. ?Heutzutage geht man von etwa 100 Milliarden Spam- oder Junk-E-Mails pro Jahr aus, rund 80 bis 85 Prozent des E-Mail- Verkehrs seien verspamt?.In einem österreichischen Kleinbetrieb mit 15 öffentlichen E-Mail-Adressen werden derzeit (Stand August 2008) wöchentlich etwa 4000 Spam-Mails identifiziert. Eine Studie des deutschen Bundesamt für Sicherheit in der Informationstech eBooks / Sachbücher / Computer & Internet / Anwendungs-Software, Diplom.de<

ISBN: 9783836627542

Entwicklung eines Verfahrens zur Identifikation von Spam-Mail mit künstlichen neuronalen Netzen: Gerald Weinberger Entwicklung eines Verfahrens zur Identifikation von Spam-Mail mit künstl… More...

Entwicklung eines Verfahrens zur Identifikation von Spam-Mail mit künstlichen neuronalen Netzen: Gerald Weinberger Entwicklung eines Verfahrens zur Identifikation von Spam-Mail mit künstlichen neuronalen Netzen: Gerald Weinberger eBooks > Sachthemen & Ratgeber > Computer & Internet, Diplom.de<

ISBN: 9783836627542

Entwicklung eines Verfahrens zur Identifikation von Spam-Mail mit künstlichen neuronalen Netzen ab 48 EURO Entwicklung eines Verfahrens zur Identifikation von Spam-Mail mit künstlichen ne… More...

Entwicklung eines Verfahrens zur Identifikation von Spam-Mail mit künstlichen neuronalen Netzen ab 48 EURO Entwicklung eines Verfahrens zur Identifikation von Spam-Mail mit künstlichen neuronalen Netzen ab 48 EURO eBooks > Sachthemen & Ratgeber > Computer & Internet<

2009, ISBN: 9783836627542

[ED: 1], Auflage, eBook Download (PDF), eBooks, [PU: diplom.de]