Resumo:
O advento das redes de dados móveis vem popularizando o acesso à Internet, aumentando o número de usuários e o volume de troca de e-mails. Desde 2005, porém, pelo menos metade deste tráfego é composto por spam, ou seja, mensagens não-solicitadas enviadas em massa a fim de promover um produto ou serviço, podendo incluir anúncios, esquemas de pirâmide, doações, correntes, entre outros. Este tráfego massivo de mensagens indesejadas traz prejuízos aos usuários, tais como o uso excessivo e desnecessário da largura de banda, impacto ambiental, perda de produtividade, exposição de conteúdo impróprio a públicos sensíveis, prejuízos financeiros e legais e redução da efetividade de propagandas legítimas. Uma técnica largamente empregada por servidores de e-mail, a fim de lidar com este problema são as listas negras, um banco de dados em tempo real que determina se um endereço IP está enviando e-mails que podem ser considerados spam. Este tipo de sistema apresenta desvantagens, tais como código proprietário, parcialidade questionável, limitações dos protocolos IPv4/IPv6 e lentidão na classificação. Outra abordagem ao problema de classificação de e-mails consiste em usar os dados contidos nas próprias mensagens e um modelo de aprendizado de máquina, a fim de construir um sistema de decisão automático, inteligente, imparcial e adaptativo, capaz de identificar padrões e se adaptar às características comuns a ambos os tipos de e-mail, apresentando alta precisão de classificação. Portanto, o objetivo deste trabalho é o estudo e a aplicação de métodos de aprendizado de máquina à classificação de e-mails, a fim de obter modelos utilizáveis em sistemas anti-spam do mundo real. Para isto, são também abordadas técnicas de seleção de características e redução de dimensionalidade, necessária e complementar, respectivamente, ao pré-processamento dos dados utilizados pelos algoritmos. Após realizar experimentos em diversos corpora, os resultados confirmaram que modelos de aprendizado de máquina, aliados a métodos de seleção de características baseados em informação mútua e às técnicas de redução de dimensionalidade por correlação, podem ser aplicados com sucesso à categorização de e-mails, detectando spams com alto grau de confiabilidade para o usuário.
