Ein neues Vorgehen zur Behebung des Datenungleichgewichts in der Spam-Erkennung durch neuronale Netzwerke unter Berücksichtigung von Erkenntnissen aus der SMS-Spam-Sammlung

In der Cybersicherheit bleibt die anhaltende Herausforderung der Spam-Erkennung von größter Bedeutung. Traditionelle Methoden, die auf menschlicher Überprüfung oder regelbasierten Algorithmen beruhen, erweisen sich als unzureichend gegenüber den ständig sich entwickelnden Taktiken, die von Spam-Versendern eingesetzt werden. Maschinelles Lernen zeigt sich als vielversprechende Lösung, die große Datensätze nutzt, um Muster und Eigenschaften in Spam-Nachrichten schnell und objektiv zu erkennen. Durch das Aufdecken subtiler Korrelationen zwischen Nachrichtenelementen verbessert das maschinelle Lernen die Genauigkeit und Effizienz von Spam-Erkennungssystemen und bietet einen zuverlässigen und wirtschaftlichen Ansatz zur Bekämpfung von Spam. Diese Studie zielt darauf ab, die Auswirkungen verschiedener Strategien zur Behebung des Datenungleichgewichts auf die Leistung der auf neuronalen Netzwerken basierenden Spam-Erkennung zu untersuchen. Anhand des SMS Spam Collection Datasets werden vier Methoden zur Minderung des Datenungleichgewichts im Vergleich zu einem unbehandelten Szenario bewertet. Bemerkenswerterweise zeigt das unbehandelte Szenario trotz des inhärenten Datenungleichgewichts die höchste Gesamtleistung. Stratifizierte Stichprobenahme erweist sich als die effektivste Technik zur genauen Identifizierung von Spam, während SMOTE hervorragende Ergebnisse bei der Beibehaltung legitimer Nachrichten (Ham) erzielt, während Spam herausgefiltert wird. Diese Ergebnisse tragen erheblich zum Verständnis der komplexen Dynamik bei der Kontrolle des Datenungleichgewichts in der Spam-Erkennung bei und bieten aufschlussreiche Informationen für zukünftige Studien und reale Anwendungen.