NUS-ML和MLS自動化白名單功能
發表於 : 週六 3月 3日, 2012年 8:38 am郵件安全 > 郵件過濾 > 自動化白名單
自動化白名單功能說明
1. 當寄件者寄出一封信時, 自動化白名單機制會計算這封信的評等, 分數越高, 代表該信的內容越符合垃圾郵件的定義
2. 考量到使用者可能會在同一個網域中使用不同的IP寄信, 所以本機制會將寄件者的e-mail和class B的IP位址紀錄下來, 有新信件時則比對這兩個欄位, 皆相同才會視為同一個來源, 然後依來源做分數的累計, 這樣的定義方法, 可以避免垃圾郵件隨機假冒他人的e-mail帳號或者IP發出垃圾郵件, 而造成該帳號或網域被誤列為黑名單
3. 當有新信件寄出, 自動化白名單會將該來源之前的平均分數(累計分數/累計信件數)和新信件的分數, 依自動化白名單係數做權重分析, 係數越高表示之前紀錄的平均分數權重越高
4. 在這樣的機制下, 當紀錄裡一個不會寄垃圾郵件的來源, 新寄出的信件在垃圾郵件分析後分數偏高時, 本機制會因為之前平均分數的良好紀錄, 調降信件在垃圾郵件定義下的分數
例如當係數等於0.4, 平均分數為-5分的來源新寄出一封10分的信件時, 平均紀錄會乘上0.4, 新信件的分數則佔去另外的0.6, 即((-5)×0.4)+(10×0.6)=4, 分數被降低至4分
5. 相反地, 當一個常常寄出垃圾郵件的來源, 就算本次寄出的信件在垃圾郵件的評等中分數較低, 也會因為之前的紀錄使得分數變高, 提升該信成為垃圾郵件的可能
同樣的係數下, 平均分數為20分的來源寄出一封分數2分的新信件時, 在(20×0.4)+(2×0.6)的計算後, 分數被提升為9.2分
自動化白名單功能說明
1. 當寄件者寄出一封信時, 自動化白名單機制會計算這封信的評等, 分數越高, 代表該信的內容越符合垃圾郵件的定義
2. 考量到使用者可能會在同一個網域中使用不同的IP寄信, 所以本機制會將寄件者的e-mail和class B的IP位址紀錄下來, 有新信件時則比對這兩個欄位, 皆相同才會視為同一個來源, 然後依來源做分數的累計, 這樣的定義方法, 可以避免垃圾郵件隨機假冒他人的e-mail帳號或者IP發出垃圾郵件, 而造成該帳號或網域被誤列為黑名單
3. 當有新信件寄出, 自動化白名單會將該來源之前的平均分數(累計分數/累計信件數)和新信件的分數, 依自動化白名單係數做權重分析, 係數越高表示之前紀錄的平均分數權重越高
4. 在這樣的機制下, 當紀錄裡一個不會寄垃圾郵件的來源, 新寄出的信件在垃圾郵件分析後分數偏高時, 本機制會因為之前平均分數的良好紀錄, 調降信件在垃圾郵件定義下的分數
例如當係數等於0.4, 平均分數為-5分的來源新寄出一封10分的信件時, 平均紀錄會乘上0.4, 新信件的分數則佔去另外的0.6, 即((-5)×0.4)+(10×0.6)=4, 分數被降低至4分
5. 相反地, 當一個常常寄出垃圾郵件的來源, 就算本次寄出的信件在垃圾郵件的評等中分數較低, 也會因為之前的紀錄使得分數變高, 提升該信成為垃圾郵件的可能
同樣的係數下, 平均分數為20分的來源寄出一封分數2分的新信件時, 在(20×0.4)+(2×0.6)的計算後, 分數被提升為9.2分