CPSFS:众包一个可信的个性化的垃圾邮件过滤方案

文摘

电子邮件垃圾邮件要消耗大量的网络资源并威胁许多系统由于意外或恶意的内容。大多数现有的垃圾邮件过滤器只目标complete-spam但忽略semispam。本文提出了一种新颖的和全面的CPSFS方案:可靠的个性化的垃圾邮件过滤方案,它把垃圾分为两类:complete-spam semispam,目标两种过滤垃圾邮件。所有用户Complete-spam永远是垃圾邮件;semispam被标识为垃圾邮件的电子邮件用户和其他用户作为普通邮件的。大多数现有的垃圾邮件过滤器目标complete-spam但忽略semispam。在CPSFS,贝叶斯过滤是部署在邮件服务器识别complete-spam,虽然semispam确认在客户端通过众包。用户的电子邮件客户机可以区分垃圾从合法电子邮件垃圾邮件报告显示可靠接触类似的利益。社会信任和兴趣相似性计算用户和他们的联系人,这样垃圾邮件报告更准确地针对类似的用户。实验结果表明,该CPSFS可以提高识别的准确率从合法电子邮件比贝叶斯垃圾邮件过滤器。

1。介绍

电子邮件在互联网时代是一个重要的沟通方法。然而,大部分的滥用电子邮件允许垃圾邮件像瘟疫一样传播。垃圾邮件消耗网络带宽也带来其他威胁收件人:不必要的广告和色情内容,以及恶意病毒(1]。垃圾信息散布者不需要权限从接受者在发送垃圾邮件,导致严重的烦恼的人,甚至会导致信息安全风险2]。如果收件人点击恶意链接的垃圾邮件消息,他们的个人信息可能被自动发送到垃圾邮件发送者通过一个恶意程序,这是一个明显的挑战隐私保护(3,4]。统计数据显示,2016年总邮件的垃圾邮件占81.8%,与2015年的72.9%(相比5),这显然是越来越威胁电子邮件用户。

为了解决这个问题,在本文中,我们把垃圾分为两类的范围根据用户的影响。一种垃圾邮件是“complete-spam”,这被定义为电子邮件由所有用户标识为垃圾邮件。另一种垃圾邮件是semispam,一些用户标识为垃圾邮件,但由其他用户是合法的。大多数垃圾邮件过滤器是识别complete-spam [6,7]。垃圾邮件检测的准确性的一些这些过滤器可以相当高8]。然而,我们经常发现垃圾邮件仍然在我们的电子邮件收件箱。这是因为现有的垃圾邮件过滤器只能识别complete-spam,但不是semispam。

为了解决这个问题,我们需要一个全面和个性化过滤机制,可以利用用户联系人协同识别semispam,这是一个新颖的方案称为CPSFS-Credible个性化的垃圾邮件过滤方案。在CPSFS,用户可以利用社交网络来获取垃圾邮件报告从他或她的联系人,然后可以用于过滤complete-spam和semispam。这是一个方法利用涉及电子邮件用户的众包,在垃圾邮件来自可信的报道类似的接触有助于提高协作的垃圾邮件过滤的性能。

但如何选择可靠的用户联系人吗?用户在互联网上相互连接,形成了社交网络根据他们的关系(9- - - - - -11]。社会信任是一个关键因素,影响知识的共享和社会关系的发展12,13]:用户更容易接受别人的建议与相似度(高度信任的价值和利益14]。社会信任可以通过分析社会计算(计算15,16]。

我们在本文的贡献如下。

我们把垃圾分为两类,complete-spam semispam。我们设计不同的方法对这两种过滤垃圾邮件的电子邮件服务器和客户端。

我们建议CPSFS使用过滤semispam众包机制,用户有类似意见对semispam合作共享垃圾邮件报告,和社会信任是用于用户选择可靠的接触,以避免恶意用户利用我们的计划来传播垃圾邮件。

本文组织如下。部分2讨论相关工作。部分3解释了CPSFS如何部署。部分4描述了如何计算信任值和相似的兴趣。底层局部滤波器算法的算法1。接下来,节6通过实验验证和评估我们的方法比较与其他过滤器。最后,部分7总结我们的工作。

2。相关工作

最前的作品试图过滤complete-spams为所有用户。我们现有的工作划分为四种类型的基础上,利用技术:黑/白名单、贝叶斯机器学习和社会计算。

2.1。黑/白名单

Jaeyeon和埃米尔(17]提出了一个黑/白名单的方法,依靠IP地址的数量确定是垃圾邮件的电子邮件。黑名单包括发送者的电子邮件服务器和IP地址。如果电子邮件出现在黑名单的来源,电子邮件被认为是垃圾邮件。黑/白名单的问题是,很难更新和维护。

2.2。贝叶斯方法

O ' brien,傅高义(18应用贝叶斯垃圾邮件过滤算法。贝叶斯过滤器解析电子邮件到关键词,然后计算概率的关键字出现在垃圾邮件和合法的电子邮件,分别。结果表明,贝叶斯过滤器检测到91.7%的垃圾邮件。这是一个相对较高的识别率对所有电子邮件使用统一的标准没有考虑semispam邮件而计算识别率。

2.3。机器学习方法

海德尔et al。19)提出了一个基于机器学习方法通过检测批次有效过滤垃圾邮件的电子邮件。过滤器需要训练有素的区分关键字在垃圾邮件。Scholkopf和普拉特20.)提出了一个方法,最大限度地减少损失函数对用户的个人分布基于可用的有偏见的样本。然而,很难使样本数据具有相同的狄利克雷分布。

2.4。社会计算方法

Zisiadis et al。21)提出了一个协同邮件过滤方法叫做Mailbook是基于一个社交网络。每个节点可能标志着收到垃圾邮件和存储在自己的数据库中。如果一个节点标记电子邮件作为垃圾邮件,垃圾邮件的选票增加1。垃圾邮件的选票达到一定数量后,系统自动将邮件标记为垃圾邮件。同样,柏金和Roychowdhury [22)提出了一种基于社交网络的垃圾邮件过滤方法,它允许用户与他们的朋友分享垃圾信息来识别垃圾邮件。

Sirivianos et al。23应用社会网络和垃圾邮件过滤的信任机制。社交网络中的一个节点可能会报告一个垃圾邮件发送者的IP地址到一个集中的服务器收到的垃圾邮件。集中式服务器的信任值计算根据垃圾邮件记者的信赖度和可信度;然后决定是否IP地址是一个垃圾邮件发送者。这个方法需要一个中心服务器,增加额外的网络开销,其准确性降低了动态IP寻址。沈和李24)提出了一个社会network-aided垃圾邮件过滤器用于提高垃圾邮件过滤的准确性将四个新组件集成到一个贝叶斯过滤器;这些组件识别垃圾邮件的亲密节点。每个节点需要收集信息和社会network-aided检查垃圾邮件的垃圾邮件过滤器,这将会增加系统的开销。

显然,如果用户可以共享信息有相似兴趣的垃圾邮件与他们的朋友,他们可以帮助彼此更准确地识别垃圾邮件。

3所示。垃圾邮件过滤方案设计

用户和他们接触相同的利益被称为“类似的联系。“我们认为类似的联系总是有相同的意见相同的电子邮件;然后我们可以设计一个方案,类似的联系人与对方分享自己的信息垃圾邮件过滤semispams。

我们的方案包括两个模块:Bayesian-based垃圾邮件过滤电子邮件服务器上部署的所有用户;可信的相似性垃圾邮件过滤的众包部署在每个用户本地主机。的结构提出了CPSFS显示在图1。

我们在电子邮件服务器部署贝叶斯垃圾邮件过滤过滤complete-spam所有用户,因为电子邮件用于训练,更准确的贝叶斯过滤器识别垃圾邮件。

垃圾邮件过滤部署在本地系统使用三个列表来存储联系人信息和垃圾邮件来自其他用户的报道,即本地信任列表中,当地的垃圾邮件列表,列表和地方利益。用户被交换利益联系的利益,不关心列表计算它们之间的相似之处。用户共享信息与可靠接触,推动垃圾邮件垃圾邮件报告他们的联系人。垃圾邮件报告生成的本地主机和从联系人存储在本地垃圾邮件列表。在当地的系统,在用户浏览他的收件箱,检查电子邮件收件箱中根据当地的垃圾邮件垃圾邮件信息列表。一个可信的联系意味着用户之间的相似性和信任和接触高于相应的阈值。我们构建一个利益在每个本地主机列表和trust-similarity为了计算相似性和社会信任值。

3.1。当地的垃圾邮件列表

当地的垃圾邮件列表包含MD5散列的垃圾邮件垃圾邮件报告和垃圾邮件报告的电子邮件地址,如表所示1。

垃圾邮件报告由一个MD5散列相应的垃圾邮件,这是来自垃圾邮件,以避免垃圾邮件的内容与主标题的改变或伪造的地址。一些垃圾邮件报告在本地系统自动生成。其他人来自用户的可靠接触。

用户可能会收到不同的垃圾邮件报告相同的电子邮件从不同的联系人。其中,只有接触最高利益相似的报告将被记录到本地垃圾邮件列表;其他报告将会下降。

3.2。局部利益列表

用户在一个社交网络的利益代表用户的个性(25]。中有类似兴趣的用户。两个用户之间的共同不感兴趣也表明他们是否在某种程度上是相似的。因此我们鼓励每一个电子邮件用户来填补自己的利益,不关心当地利益列表和通过电子邮件互相交换他们的清单。

这些利益和不感兴趣可以描述一些关键词。的利益,不关心用户和用户的联系人存储在本地兴趣列表如表所示2。每个联系人的用户在本地系统有一个ID。我们可以得到相应的信任值和兴趣相似性根据联系的ID。一旦用户得到一个垃圾邮件报告,本地系统会检查当地trust-similarity列表将垃圾邮件报告邮件给那些可靠的联系人。

3.3。当地Trust-Similarity列表

社会信任是在社交网络上的信誉。它反映了一定程度的用户之间的相似性,如喜欢、不喜欢,社会关系,亲密的利益。直接信任计算最初的历史记录之间的直接联系用户表示直接的友谊(不包括一个朋友的朋友)用户和他们之间的联系;然后它可以调整根据它们之间的相似之处。

兴趣相似度计算根据发送方和接收方之间的利益和不感兴趣,这表明他们之间的亲密关系。

信任值和相似的联系人在本地主机上存储在一个本地trust-similarity列表,如表所示3。

电子邮件用户和他们之间的关系形成网络的电子邮件。一个简单的例子是显示在图2,节点代表用户之间的关系和链接代表用户与他们的联系人。

3.4。在客户端获取个性化的垃圾邮件报告

CPSFS客户机可以过滤semispam自动获取个性化的报告从用户的联系人。当一个用户节点和他/她的联系人有更多的类似的利益,不关心,用户更有可能从他或她的联系人获得个性化的垃圾邮件报告。一个简单的例子如图2。我们列表为每个用户不感兴趣的人物。用户被垃圾邮件报告它从 ,垃圾邮件报告卡通从,垃圾邮件报告宠物和卡通从 ,垃圾邮件报告它和美从,和垃圾邮件报告画从。

4所示。相似度计算信任价值和利益

4.1。计算感兴趣的相似性

越多的用户之间的相互利益和不感兴趣,他或她的接触,他们就越相似(26]。我们计算节点之间的相似性和节点通过 在哪里 之间的相似性和 。 代表的数量的利益和不感兴趣。代表的数量的利益和不感兴趣。代表的数量相互不感兴趣。代表共同利益的数量。

4.2。信任值的计算

我们使用添加剂增加/ multiplicative-decrease算法[27调整节点之间的信任值。在该算法中,最初,信任用户的联系人应分配的价值。另外,一个联系人的信任值可以计算根据联系人的电子邮件的数量。我们计算每个联系人的电子邮件收件箱上个月。电子邮件的数量联系由num表示_我。让马克斯表示最多的电子邮件。接触的初始信任值 。

如果节点之间的相似性是改变,相应的信任值将被改变。我们使用表示信任值改变的程度。所以通过信任值将被改变

如果兴趣相似性高于阈值的相似性以及它们之间的信任值小于给定的阈值信任,信任将会增加在公式(2)。否则信任值将会减少 。重要的是设置一个适当的值 。我们将讨论如何调整信任值阈值的合理评价部分。

5。在本地系统垃圾邮件过滤过程

用户可以手动或自动电子邮件标记为垃圾邮件在本地系统。

5.1。马克电子邮件自动

检查所有邮件用户贝叶斯滤波器在电子邮件服务器之前达到客户(28]。当用户登录时,本地系统应该检查所有的电子邮件收件箱。如果收件箱的垃圾邮件报告,内容应提取并写进当地的垃圾邮件列表,然后系统应该转发电子邮件类似联系人的相似性超出阈值。否则,系统将计算MD5哈希这封邮件,如果电子邮件被认为是垃圾邮件使用当地的垃圾邮件列表。也就是说,当MD5哈希匹配一个项目在当地的垃圾邮件列表,垃圾邮件放入垃圾盒和垃圾邮件报告被推到类似的联系。由相应的过滤过程算法1LocSpamFilter。

5.2。手动标记电子邮件

用户浏览收件箱的时候,他或她可能发现一些垃圾邮件。一旦用户将垃圾邮件进入垃圾盒,本地系统将生成一个垃圾邮件报告,将其添加到当地的垃圾邮件列表,并将其推到类似的联系。

通过发送邮件(推动垃圾邮件报告完成29日]。电子邮件的主题垃圾邮件报告,这是用来区分从其他电子邮件垃圾邮件报告。这种电子邮件的内容是MD5哈希的垃圾邮件。当用户识别电子邮件为垃圾邮件,垃圾邮件报告自动生成,将类似的联系。

信任值用于限制垃圾邮件的收件人的报告可信的用户。如果信任值的接触是在一个给定的阈值,这个用户将收到垃圾邮件报告从这个联系人。如果接触的相似性高于给定阈值,本地系统将垃圾邮件报告接触。相似度阈值是用来限制垃圾邮件报告的范围传播类似的联系。这将提高识别的准确性semispam,并减少网络开销。我们将讨论阈值的信任和兴趣相似性评价部分。

6。实验和评估

6.1。仿真设置

《社交网络》我们在实验中使用来自Datatang,包含1133个节点和10903边缘30.]。每个节点的平均数量的联系人是9.63。此外,我们使用一个样本集的3000封电子邮件,包括1000垃圾邮件和2000合法电子邮件从SpamAssassin公共邮件语料库[31日]。我们选择1000封电子邮件从样本随机确定的样本,并从电子邮件500封电子邮件箱我们的研究人员不确定样本。我们感兴趣的关键词,总数和平均数量为每个用户感兴趣的关键词到10;然后我们发送的电子邮件1500封电子邮件随机节点总数的10%。

在我们的实验中,公式(2),初始信任值是随机从0.5到1.0,信任阈值是0.5和初始值的是0.1。如果一个节点收到的垃圾邮件报告他的朋友和他们之间的信任值小于给定的信任阈值,他和他的朋友之间的信任值将增加 ,这会让用户成为信任他的朋友。

6.2。与其他方法比较,CPSFS的准确性

我们计算的准确性CPSFS通过比较与贝叶斯过滤器。过滤的准确率 。我们通过计算准确率 在哪里是电子邮件的数量用于我们的实验。电子邮件的数量正确分类的贝叶斯过滤用 。 是电子邮件的数量分类错误的贝叶斯过滤器。是电子邮件的数量分为合法但实际上是垃圾邮件。当电子邮件CPSFS分类正确,应该考虑两种情况:用户认为这是一个合法的电子邮件,和CPSFS没有标记为垃圾邮件;用户认为它是垃圾邮件,CPSFS标记为垃圾邮件。如果电子邮件系统分类的正确,我们将记录用户的数量,这是表示 。 用户的总数在社交网络。我们评估系统使用相同的设置6.1。结果从公式(3)表明,我们CPSFS更高准确率比贝叶斯过滤器和李的工作(95.1%比91.4%和93.9%)。

毒攻击,攻击者将良性关键词添加到邮件故意为了避免垃圾邮件被识别的垃圾邮件过滤器。分词是一个贝叶斯过滤器为基础,关键字的邮件内容产生至关重要的影响分类和贝叶斯滤波器的性能。降低精度时精度的下降值毒攻击发生。图3显示了贝叶斯滤波精度下降,李和沈的工作(27],CPSFS当他们受到毒攻击。当良性关键词的数量设置为0,5、10和15日顺利CPSFS的精度降低。但贝叶斯过滤的准确性比我们更快地减少CPSFS因为贝叶斯过滤器是完全依赖于检测垃圾邮件的内容。我们CPSFS减少毒攻击精度的影响通过共享信息利用众包的垃圾邮件。CPSFS认为电子邮件协会和它的接受者,这有助于在一定程度上降低毒攻击的影响。

的假阳性率和假阴性率CPSFS图所示4。假阴性代表垃圾邮件,被归为一个合法的电子邮件不正确。假阳性代表一个合法的邮件归类为垃圾邮件错误。兴趣相似度阈值设置为0.1,0.2,0.3,和0.4,分别。信任阈值设置为0.5。假阳性率降低和假阴性率增加的兴趣相似度增加。

6.3。不同信任阈值和兴趣相似度阈值

对于公式(2),参数的值影响信任计算和准确率。在我们评估的价值设置为0.1,0.2和0.3,分别和准确率结果如图5。我们可以看到,当信任阈值设置为0.5,所有这三个曲线精度达到峰值。在这个图中,准确率有很大的改变的信任阈值的三条曲线的变化,这表明信任阈值显著影响精度。当设置为0.1,准确性和信任之间的关系是最好的,如图5。因此的价值设置为0.1在计算信任值。

兴趣相似度阈值是一个关键因素影响垃圾邮件过滤的性能。结果如图所示6,信任阈值设置为0.4,0.5,0.6,和0.7,分别。这表明准确率改变当兴趣相似性阈值从0.1增加到0.4。高准确率总是当兴趣相似度阈值设置为0.1与其他兴趣相似度阈值。精度降低当兴趣相似性阈值增加,因为用户不会把他们的垃圾邮件报告如果兴趣相似性低于相应的阈值。

7所示。结论

有效处理垃圾邮件,在本文中,我们提出一个可信的和个性化的垃圾邮件过滤方案(CPSFS)基于社会信任和兴趣相似,用户报告他们收到垃圾邮件联系人在社交网络。我们介绍了当地的垃圾邮件列表和社会传感机制报告。信任值和相似性计算来确定用户是否应该把垃圾邮件报告他们的朋友。社会信任和相似的可信度增加CPSFS过滤方案。我们的实验表明,我们的准确性CPSFS比传统的贝叶斯过滤器和其他一些方法。

有工作副本可激励方案(中美国际学校),采用虚拟信用概念激励自私节点在数据转发(合作32]。我们将考虑将这个想法的情况有些用户不愿分享利益。在未来,我们还将提高性能通过改善网络连接和吞吐量(33]。此外,我们将CPSFS方案等其他社交网络的移动社交网络和车辆的社交网络(34]。

的利益冲突

作者宣称没有利益冲突。

确认

支持的工作提出了山东省(没有的重点研究项目。2017 ggx10140),中国国家自然科学基金(没有。61309024,没有。61772551),程序在从科技部创新方法工作,中国(没有。2015010300)、山东省自然科学基金(没有。ZR2015FM022),中央大学基础研究基金。

引用

1. z米勒,迪金森,w . Deitrick w . Hu和a·h·王,“Twitter垃圾邮件发送者使用数据流聚类检测,”信息科学卷,260年,第73 - 64页,2014年。视图:出版商的网站|谷歌学术搜索
2. j .沈r·h·邓l .聂z Cheng和严,“通过综合可视化建模,对鲁棒图像垃圾邮件过滤”模式识别,48卷,不。10日,3227 - 3238年,2015页。视图:出版商的网站|谷歌学术搜索
3. 刘崔,z, l .王”Key-Aggregate可搜索加密(凯思)集团通过云存储的数据共享,“IEEE计算机,卷65,不。8,2374 - 2385年,2016页。视图:出版商的网站|谷歌学术搜索
4. 陈x z . Liu, j·杨,c .贾和我。你,”新秩序维护外包数据库加密模型在云环境中,“网络和计算机应用》杂志上59卷,第207 - 198页,2016年。视图:出版商的网站|谷歌学术搜索
5. 中国互联网协会反垃圾邮件中心:反垃圾邮件调查报告,http://www.acma.gov.au/theACMA/spam-statistics。
6. Y.-M。李,H.-W。萧,杨绍明。关铭李,“推荐社交网络应用程序通过社会过滤机制,“信息科学卷。239年,18 - 30,2013页。视图:出版商的网站|谷歌学术搜索
7. •梅森(george w . bush), j·w·沃恩和h .瓦拉赫,“计算社会科学和社会计算,”机器学习,卷95,不。3、257 - 260年,2014页。视图:出版商的网站|谷歌学术搜索|MathSciNet
8. 任y和d .霁”欺骗舆论垃圾邮件检测的神经网络:一个实证研究,“信息科学卷,385 - 386,213 - 224年,2017页。视图:出版商的网站|谷歌学术搜索
9. h .沈z, j . Liu和j·e·格兰特,“知识共享在雅虎的在线社交网络答案及其影响。”IEEE计算机,卷64,不。6,1715 - 1728年,2015页。视图:出版商的网站|谷歌学术搜索
10. y任,j .沈j . Wang j .汉和s·李,“相互可核查的可证明的数据审计在公共云存储,”互联网技术杂志》,16卷,不。2、317 - 323年,2015页。视图:出版商的网站|谷歌学术搜索
11. d·奎因·l·陈,m·马尔文尼“社会网络分析:一项调查,”国际环境计算和情报杂志》上,4卷,不。3,46-58,2012页。视图:出版商的网站|谷歌学术搜索
12. y . a . Kim和m·a·艾哈迈德”信任,不信任和缺乏信心的用户在在线社交媒体分享社区,”以知识为基础的系统37卷,第450 - 438页,2013年。视图:出版商的网站|谷歌学术搜索
13. s . j . Yu”动态竞争的社交网络服务的推荐算法,”信息科学,卷187,不。1、1 - 14,2012页。视图:出版商的网站|谷歌学术搜索
14. f·刘,李x, y丁et al .,“一个社会网络trust-aware传播模型的P2P系统中,“以知识为基础的系统卷,41岁的地位,2013页。视图:出版商的网站|谷歌学术搜索
15. l . x Liu Shi, y, z鑫,和w·傅”动态信任社交网络的算法,会议”学报》2013年第八届国际会议上P2P平行,网格,云计算和网络计算,3 pgcic 2013,页340 - 346,法国,2013年10月。视图:出版商的网站|谷歌学术搜索
16. x, y, d .赵w·张,和l .史”修补通过自动倾向于中心节点基于社会信任,”计算机标准和接口,44卷,第101 - 94页,2016年。视图:出版商的网站|谷歌学术搜索
17. j . Jaeyeon和s .埃米尔”垃圾邮件流量的实证研究和使用DNS黑名单,”学报》第四届ACM SIGCOMM互联网会议上测量2004年10月,页370 - 375。视图:谷歌学术搜索
18. c . O ' brien和c·沃格尔”垃圾邮件过滤器:贝叶斯与卡方;在字母vs。诉讼在诉讼的第一信息和通信技术国际研讨会2003年9月,页291 - 296。视图:谷歌学术搜索
19. p .海德尔,Brefeld, t·雅伯”监督的流数据聚类邮件批量检测,”《24日国际会议在机器学习,ICML 2007美国,页345 - 352年,2007年6月。视图:出版商的网站|谷歌学术搜索
20. b . Scholkopf和j·b·普拉特Dirichlet-Enhanced垃圾邮件过滤基于偏见样本,”学报》国际会议神经信息处理系统麻省理工学院出版社,页161 - 168年,2006年1月。视图:谷歌学术搜索
21. d . Zisiadis s Kopsidas A Varalis, l . Tassiulas“Mailbook:社交网络垃圾信息,”《2011国际会议网络技术与安全事务,ICITST 2011,第249 - 245页,2011年12月。视图:谷歌学术搜索
22. p·o·柏金和v . p . Roychowdhury”,利用社交网络来对抗垃圾邮件”,电脑杂志,38卷,不。4、61 - 68年,2005页。视图:出版商的网站|谷歌学术搜索
23. m . Sirivianos k金,杨x”SocialFilter:引入社会信任协作垃圾减排,”IEEE INFOCOM学报》2011,页2300 - 2308,中国,2011年4月。视图:出版商的网站|谷歌学术搜索
24. h .沈和z李”,为有效的垃圾邮件过滤,利用社交网络”IEEE计算机,卷63,不。11日,第2759 - 2743页,2014年。视图:出版商的网站|谷歌学术搜索
25. c·威尔逊,央行,萨拉,k . p . n . Puttaswamy和b . y .赵”在社交网络和用户交互影响,”学报》第四届ACM欧洲计算机系统,EuroSys ' 09,页205 - 218,德国,2009年4月。视图:出版商的网站|谷歌学术搜索
26. m . Kobayakawa s Kinjo m .法师t . Ohmori和a .山本”快速计算相似性composition-based jaccard系数图像检索的基础上,“课堂讲稿在计算机科学(包括子系列讲义在人工智能和课堂讲稿在生物信息学):前言卷,5879年,第955 - 949页,2009年。视图:出版商的网站|谷歌学术搜索
27. 李z h .沈,“SOAP:社交网络辅助个性化和有效的垃圾邮件过滤器清洁,你的电子邮箱盒子”IEEE INFOCOM学报》2011,页1835 - 1843,中国,2011年4月。视图:出版商的网站|谷歌学术搜索
28. z钟和k·李”,加快统计垃圾邮件过滤器的近似,”IEEE计算机,60卷,不。1,第134 - 120页,2010。视图:出版商的网站|谷歌学术搜索
29. s . Hameed x赋、p回族和n Sastry”镜头:利用社交网络和信任来防止垃圾邮件传播,”19 IEEE国际会议的程序在网络协议,ICNP 20112011年10月,十三至十八页,加拿大,。视图:出版商的网站|谷歌学术搜索
30. Datatang。http://www.datatang.com/data/796。
31. “垃圾邮件杀手”,http://spamassassin.apache.org/downloads.cgi?update=201504291720/。视图:谷歌学术搜索
32. z Ning, l . Liu f·夏,b . Jedari。李,和w·张,“中美国际学校:可调一个副本激励方案在以社区为基础的社会意识到网络,”IEEE车辆技术,卷66,不。4、3406 - 3419年,2017页。视图:出版商的网站|谷歌学术搜索
33. z Ning, f·夏,x, z . Chen和m . s . Obaidat”Social-oriented自适应智能手机的互联网传播机会。”IEEE工业信息,13卷,不。2、810 - 820年,2017页。视图:出版商的网站|谷歌学术搜索
34. z Ning, f·夏,n . Ullah x, x和,“车辆社交网络:启用智能移动,”IEEE通讯杂志,55卷,不。5,16-55,2017页。视图:出版商的网站|谷歌学术搜索

版权

版权©2017年鑫刘et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。