CN113343229A - 一种基于人工智能的网络安全防护系统及方法 - Google Patents

一种基于人工智能的网络安全防护系统及方法 Download PDF

Info

Publication number
CN113343229A
CN113343229A CN202110738596.5A CN202110738596A CN113343229A CN 113343229 A CN113343229 A CN 113343229A CN 202110738596 A CN202110738596 A CN 202110738596A CN 113343229 A CN113343229 A CN 113343229A
Authority
CN
China
Prior art keywords
mail
module
mails
advertisement
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110738596.5A
Other languages
English (en)
Inventor
李巨
徐晓龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Technology and Business Institute Chongqing Radio and TV University
Original Assignee
Chongqing Technology and Business Institute Chongqing Radio and TV University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing Technology and Business Institute Chongqing Radio and TV University filed Critical Chongqing Technology and Business Institute Chongqing Radio and TV University
Priority to CN202110738596.5A priority Critical patent/CN113343229A/zh
Publication of CN113343229A publication Critical patent/CN113343229A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
    • G06F21/55—Detecting local intrusion or implementing counter-measures
    • G06F21/552—Detecting local intrusion or implementing counter-measures involving long-term monitoring or reporting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
    • G06F21/55—Detecting local intrusion or implementing counter-measures
    • G06F21/56—Computer malware detection or handling, e.g. anti-virus arrangements
    • G06F21/566—Dynamic detection, i.e. detection performed at run-time, e.g. emulation, suspicious activities
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/30—Network architectures or network communication protocols for network security for supporting lawful interception, monitoring or retaining of communications or communication related information
    • H04L63/308—Network architectures or network communication protocols for network security for supporting lawful interception, monitoring or retaining of communications or communication related information retaining data, e.g. retaining successful, unsuccessful communication attempts, internet access, or e-mail, internet telephony, intercept related information or call content

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Technology Law (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Virology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

本发明属于网络安全技术领域，公开了一种基于人工智能的网络安全防护系统，包括拦截模块、存储模块、判断模块、分类模块和训练模块：拦截模块用于拦截收到的邮件；存储模块用于保存人工智能的广告邮件模型；判断模块将拦截邮件放入广告邮件模型中进行识别，判断邮件是否为广告邮件，并将广告邮件进行标记；分类模块用于识别邮件标记，并将未标记的邮件发送至收件箱，将标记邮件发送至垃圾箱；训练模块获取标记邮件对广告邮件模型进行训练，生成新的广告邮件模型，并发送至存储模块。解决了现有技术拦截广告邮件的方式智能性低，大部分广告未能成功拦截，设置拦截过程太繁琐，降低用户体验的问题。

Description

一种基于人工智能的网络安全防护系统及方法
技术领域
本发明属于网络安全技术领域，尤其涉及一种基于人工智能的网络安全防护系统及方法。
背景技术
随着网络技术的快速发展，电子邮箱已经成为人们最常用的通信方式之一，文档、图片、影音等各种类型的文件均可以通过电子邮件相互传送，给人们的生活带来了极大的方便。除了利用电子邮箱发送邮件外，人们还常常使用电子邮箱的邮箱地址注册各类网站、应用及商家会员等，这些商家或者网站会通过注册的电子邮箱向用户推送相关信息和广告，因此用户经常会收到垃圾邮件，在大量垃圾邮件中很难发现重要邮件，严重影响到用户正常使用电子邮箱，甚至一些木马病毒还会通过电子邮件传输到终端，危及终端安全。
现有技术中，通过用户自行设置ID黑名单，对发送广告邮件的ID进行屏蔽，而现在很多商家或者网站会切换不同的ID群发广告邮件，导致用户不能有效地屏蔽广告邮件。对于用户来说，挨个屏蔽发送广告邮件的ID的行为太过繁琐，耗费用户时间，降低用户体验，并且这种拦截广告邮件的方式智能性低，还是有大部分的广告未能拦截，屏蔽某些ID后还会漏掉一些验证码邮件或者优惠活动通知，严重影响用户正常使用电子邮箱。
发明内容
本发明意在提供一种基于人工智能的网络安全防护系统，所解决的技术问题在于现有技术拦截广告邮件的方式智能性低，大部分广告未能成功拦截，并且设置拦截过程太过繁琐，耗费用户时间，降低用户体验。
为了实现上述目的，本发明提供如下基础方案：包括拦截模块、存储模块、判断模块、分类模块和训练模块：
拦截模块用于拦截收到的邮件；
存储模块用于保存人工智能的广告邮件模型；
判断模块将拦截邮件放入广告邮件模型中进行识别，判断邮件是否为广告邮件，并将广告邮件进行标记；
分类模块用于识别邮件标记，并将未标记的邮件发送至收件箱，将标记邮件发送至垃圾箱；
训练模块获取标记邮件对广告邮件模型进行训练，生成新的广告邮件模型，并发送至存储模块。
本发明的原理在于：判断模块将拦截到的邮件放入广告邮件模型中进行识别，判断是否为广告邮件，并对广告邮件进行标记。训练模块获取标记邮件进行训练，生成新的广告邮件模型。分类模块将未标记的邮件发送至收件箱，收件箱收到未标记的邮件后提示终端收到新邮件，发送至垃圾箱进行隐藏，不向终端发送提示消息。
本发明的优点在于：本方案通过人工智能的广告邮件模型识别正常邮件和广告邮件，有效地屏蔽了广告邮件，并且不需要用户自行操作，使用过程便捷。与现有技术相比，本方案节省了用户时间，提高用户体验，将标记邮件放入训练模块中进行训练，生成新的广告邮件模型，增加广告邮件模型的智能性，比起现有技术，本方案判断是否为广告邮件的结果更加智能、准确。
进一步，所述判断模块包括信息获取模块、信息记录模块、识别模块和标记模块：
所述识别模块用于将拦截邮件放入广告邮件模型中进行识别，将识别出的广告邮件发送至标记模块；
所述信息获取模块用于获取拦截邮件的基本信息，所述基本信息还包括邮件发件人；
所述信息记录模块用于记录广告邮件的发件人信息和该发件人发送广告邮件的次数；
标记模块用于对广告邮件进行标记，并将发送广告邮件次数超过规定次数的发件人标记为异常发件人，所述识别模块还用于将异常发件人发送的邮件直接识别为广告邮件。
有益效果：与现有技术相比，本方案不需要用户自行设置异常发件人，而是根据人工智能分析，将发送标记邮件超过规定次数的发件人标记为异常发件人，当收到异常发件人的邮件时，直接对该邮件进行标记，与基础方案相比，本方案的使用过程更加便捷，检测广告邮件的过程更加快速，增加客户体验。
进一步，还包括关联模块，所述关联模块用于获取终端N小时内的使用行为，判断标记邮件是否与终端使用行为关联，并将有关联标记邮件去除标记。
有益效果：若终端N小时内的使用行为与标记邮件中的内容相关联，则判断该标记邮件是用户可能需要的邮件去掉该邮件的标记。与基础方案相比，本方案智能化地筛选出对用户有用的广告邮件，增加用户使用的好感度，使本方案更加人性化。
进一步，所述关联模块包括行为采集模块、提取模块、对比模块和去除模块：
行为采集模块用于采集终端N小时内的使用行为，所述终端使用记录包括终端的上网记录和输入记录；
所述提取模块用于提取广告邮件中的关键信息，所述关键信息包括商家名称、商品名称和网址；
所述分析模块用于分析终端的输入记录中是否出现该邮件中提取的商家名称和商品名称，并得出分析结果，分析终端上网记录中是否出现与该邮件中提取的网址域名相同的网址记录，并得出分析结果，所述分析模块还用于将分析结果为“是”的邮件判断为关联邮件；
去除模块用于去除关联邮件的标记。
有益效果：与现有技术相比，本方案记录终端的上网记录和输入记录，将广告邮件中的商品名称、商家名称和网址与终端的上网记录和输入记录相关联，能够准确得出广告邮件是否为用户可能关注的邮件，增加用户的使用好感度。
进一步，还包括自定义模块，自定义模块用于将收件箱的邮件进行手动标记，并将标记邮件发送至垃圾箱和训练模块。
有益效果：通过自定义模块，用户可以自行对未标记的邮件进行手动标记，并发送至垃圾箱和训练模块，训练模块根据用户的标记进行训练，生成新的广告邮件模型，跟基础方案相比，本方案判断广告邮件的标准更加智能，更加人性化和多样化。
本发明还提供一种基于人工智能的网络安全防护方法，该方法包括以下步骤：
S1：拦截终端收到的邮件；
S2：将拦截邮件放入人工智能的广告邮件模型中进行识别，判断该邮件是否为广告邮件，若是广告邮件，则执行S3，若不是，则执行S4；
S3：对邮件进行标记并发送至垃圾箱；
S4：将未标记的邮件发送至收件箱，将标记邮件发送至垃圾箱；
S5：将标记邮件放入广告邮件模型中进行训练，生成新的广告邮件模型并保存。
有益效果：通过广告邮件模型判断邮件是否为广告邮件，再将标记的广告邮件加入广告邮件模型进入分析，生成新的广告邮件模型，增加S2判断结果的准确性；本方案能对广告邮件进行智能拦截；和现有技术相比，本方案更加便捷省时，提高用户体验。
进一步，该方法还包括步骤S6：记录发件人发送标记邮件的次数，并将发送标记邮件次数超过规定次数的发件人标记为异常发件人。
有益效果：与现有技术相比，本方案将发送标记邮件超过规定次数的发件人标记为异常发件人，用户在使用过程中更加直观的了解到异常发件人的信息，不想要手动排查，增加用户的体验感。
进一步，所述S2具体包括以下步骤：
S2-1：获取拦截邮件的发件人信息，将邮件发件人信息与异常发件人进行对比，若发件人为异常发件人，则执行S3，若否，则执行S2-2；
S2-2：将拦截邮件放入广告邮件模型进行识别，判断邮件是否为广告邮件，若是，则执行S3，若不是，则执行S4。
有益效果：当收到异常发件人的邮件时，直接对该邮件进行标记，不需要将拦截邮件放入广告邮件模型进行识别，与上述方案相比，本方案缩短S2的判断时间，在使用时更加快捷。
进一步，所述S3具体包括以下步骤：
S3-1：将分析出的广告邮件进行标记；
S3-2：获取终端N小时内的使用行为，所述使用行为包括终端的上网记录和输入记录，获取预该邮件中的关键信息，所述关键信息包括商品名称、商家名称和网址，判断终端的输入记录中是否出现该邮件中的商品名称、商家名称，判断终端的上网记录是否出现与该邮件中的网址域名相同的网址，若上述任一一个判断结果为“出现”，则取消该邮件的标记并执行S4，否则执行S5及以下步骤。
有益效果：通过关联用户的终端使用行为，判断标记的广告邮件是否为用户所关注的邮件，与基础方案相比，本方案有效地筛选出用户比较关心的广告邮件，增加用户的使用好感度，使本方案更加人性化和智能化。
进一步，还包括步骤S7：获取用户手动标记的广告邮件，将该邮件加入广告邮件模型的训练，生成新的广告邮件模型。
有益效果：用户自行对未标记的邮件进行手动标记，并将手动标记的邮件加入广告邮件模型训练，使生成的广告邮件模型符合用户对广告邮件拦截标准，S3能够准确地判断出收到邮件是否为广告邮件。
附图说明
图1为本发明一种基于人工智能的网络安全防护系统实施例的示意性框图。
图2为本发明一种基于人工智能的网络安全防护方法实施例的流程图。
具体实施方式
下面通过具体实施方式进一步详细说明：
实施例基本如附图1所示：一种基于人工智能的网络安全防护系统，包括拦截模块、存储模块、判断模块、分类模块、训练模块、关联模块和自定义模块；
拦截模块用于拦截收到的邮件；
存储模块用于保存人工智能的广告邮件模型，所述广告邮件模型是将1000封广告邮件放入BP神经网络模型中训练得出，在该广告邮件模型的输入层输入一封邮件，输出层输出该邮件是否为广告邮件；
判断模块将拦截邮件放入人工智能的广告邮件模型中进行识别，判断邮件是否为广告邮件，并标记广告邮件；所述判断模块包括信息获取模块、信息记录模块、识别模块和标记模块：
所述信息获取模块用于获取拦截邮件的基本信息，所述基本信息还包括邮件发件人；
所述识别模块用于将拦截邮件放入广告邮件模型中进行识别，将识别出的广告邮件发送至标记模块；
所述信息记录模块用于记录广告邮件的发件人信息和该发件人发送广告邮件的次数；
标记模块用于对广告邮件进行标记，并将发送广告邮件次数超过3次的发件人标记为异常发件人，所述识别模块还用于将异常发件人发送的邮件直接识别为广告邮件；
关联模块，所述关联模块用于获取用户终端24小时内的终端使用行为，判断标记邮件是否与终端用户使用行为关联，并将有关联标记邮件去除标记；所述关联模块包括行为采集模块、提取模块、对比模块和去除模块：
行为采集模块用于采集终端24小时内的使用行为，所述终端使用记录包括终端的上网记录和输入记录；
所述提取模块用于提取广告邮件中的关键信息，所述关键信息包括商家名称、商品名称和网址；
所述分析模块用于分析终端的输入记录中是否出现该邮件中提取的商家名称和商品名称，并得出分析结果，分析终端上网记录中是否出现与该邮件中提取的网址域名相同的网址记录，并得出分析结果，所述分析模块还用于将分析结果为“是”的邮件判断为关联邮件；
去除模块用于去除关联邮件的标记；
分类模块用于识别邮件标记，并将未标记的邮件发送至收件箱，将标记邮件发送至垃圾箱；
训练模块获取标记邮件进行训练，提取标记文件正文与之前的广告邮件模型中特定词汇和语义进行分析学习，提取标记文件中网址与广告邮件模型中的特定网址对比分析，生成新的广告邮件模型，并发送至存储模块；
自定义模块用于将收件箱的邮件进行手动标记，并将标记邮件发送至垃圾箱和训练模块。
如图2所示，为了更清楚的阐述本发明的一种基于人工智能的网络安全防护系统，本实施例还公开了一种基于人工智能的网络安全防护方法，该方法基于以上系统，包括以下步骤：
S1：拦截终端收到的邮件；
S2-1：获取拦截邮件的发件人信息，将邮件发件人信息与异常发件人进行对比，若发件人为异常发件人，则执行S3，若否，则执行S2-2；
S2-2：将拦截邮件放入广告邮件模型进行识别，判断邮件是否为广告邮件，若是，则执行S3，若不是，则执行S4；
S3-1：将分析出的广告邮件进行标记；
S3-2：获取终端N小时内的使用行为，所述使用行为包括终端的上网记录和输入记录，获取预该邮件中的关键信息，所述关键信息包括商品名称、商家名称和网址，判断终端的输入记录中是否出现该邮件中的商品名称、商家名称，判断终端的上网记录是否出现与该邮件中的网址域名相同的网址，若上述任一一个判断结果为“出现”，则取消该邮件的标记并执行S4，否则执行S5及以下步骤；
S4：将未标记的邮件发送至收件箱，将标记邮件发送至垃圾箱；
S5：将标记邮件放入广告邮件模型中进行训练，生成新的广告邮件模型并保存；
S6：记录发件人发送标记邮件的次数，并将发送标记邮件次数超过规定次数的发件人标记为异常发件人；
S7：获取用户手动标记的广告邮件，将该邮件加入广告邮件模型的训练，生成新的广告邮件模型。
具体实施过程如下：
实施例一
使用本发明所述的一种基于人工智能的网络安全防护系统及方法保护邮箱安全，拦截模块拦截一封电子邮件，信息获取模块获取发件人信息，识别模块将邮件发件人信息与异常发件人信息对比，识别该发件人不属于异常发件人；将邮件放入人工智能的广告邮件模型进行识别，识别模块识别该邮件为广告邮件，标记模块对该邮件进行标记。
行为采集模块采集该终端的上网记录和输入记录，提取模块用于提取广告邮件中的关键信息，所述关键信息包括商家名称、商品名称和网址；分析模块分析出分析终端的输入记录没有出现对应的商家名称和商品名称，终端输入记录也没有出现对应的网址，则将该邮件发送至垃圾箱。
信息记录模块记录该广告邮件的发件人信息，并统计出该发件人是第三次发送广告邮件，因此将该发件人标记为异常发件人。训练模块获取该广告邮件加入广告邮件模型进行人工智能训练，生成新的广告邮件模型，并发送至存储模块进行保存。
拦截模块拦截第二封电子邮件，信息获取模块获取该邮件的发件人信息，识别模块将邮件发件人信息与异常发件人对比，判断该发件人属于异常发件人，标记模块对该邮件进行标记。
行为采集模块采集该终端的上网记录和输入记录，提取模块用于提取广告邮件中的关键信息，所述关键信息包括商家名称、商品名称和网址；分析模块分析出该终端的上网记录出现过与该邮件中提取的网址域名相同的网站，去除模块取消该邮件的标记，分类模块识别到该邮件未被标记，则将邮件发送至收件箱。
拦截模块拦截第三封电子邮件，信息获取模块获取发件人信息，识别模块将邮件发件人信息与异常发件人信息对比，识别该发件人不属于异常发件人，将邮件放入广告邮件模型中进行识别，识别该邮件不是广告邮件，标记模块未对该邮件标记，分类模块识别到该邮件未被记，则将邮件发送至收件箱。
用户查看邮件后，手动将该邮件标记为广告邮件，分类模块识别到该邮件标记，将邮件发送至垃圾箱；训练模块获取该邮件与广告邮件模型进行训练，生成新的广告邮件模型，并发送至存储模块进行保存。
以上的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims (10)

1.一种基于人工智能的网络安全防护系统，其特征在于：包括拦截模块、存储模块、判断模块、分类模块和训练模块：
拦截模块用于拦截收到的邮件；
存储模块用于保存人工智能的广告邮件模型；
判断模块将拦截邮件放入广告邮件模型中进行识别，判断邮件是否为广告邮件，并将广告邮件进行标记；
分类模块用于识别邮件标记，并将未标记的邮件发送至收件箱，将标记邮件发送至垃圾箱；
训练模块获取标记邮件对广告邮件模型进行训练，生成新的广告邮件模型，并发送至存储模块。
2.根据权利要求1所述的一种基于人工智能的网络安全防护系统，其特征在于：所述判断模块包括信息获取模块、信息记录模块、识别模块和标记模块：
所述识别模块用于将拦截邮件放入广告邮件模型中进行识别，将识别出的广告邮件发送至标记模块；
所述信息获取模块用于获取拦截邮件的基本信息，所述基本信息还包括邮件发件人；
所述信息记录模块用于记录广告邮件的发件人信息和该发件人发送广告邮件的次数；
标记模块用于对广告邮件进行标记，并将发送广告邮件次数超过规定次数的发件人标记为异常发件人，所述识别模块还用于将异常发件人发送的邮件直接识别为广告邮件。
3.根据权利要求1-2任一所述的一种基于人工智能的网络安全防护系统，其特征在于：还包括关联模块，所述关联模块用于获取终端N小时内的使用行为，判断标记邮件是否与终端使用行为关联，并将有关联标记邮件去除标记。
4.根据权利要求3所述的一种基于人工智能的网络安全防护系统，其特征在于：所述关联模块包括行为采集模块、提取模块、对比模块和去除模块：
行为采集模块用于采集终端N小时内的使用行为，所述终端使用记录包括终端的上网记录和输入记录；
所述提取模块用于提取广告邮件中的关键信息，所述关键信息包括商家名称、商品名称和网址；
所述分析模块用于分析终端的输入记录中是否出现该邮件中提取的商家名称和商品名称，并得出分析结果，分析终端上网记录中是否出现与该邮件中提取的网址域名相同的网址记录，并得出分析结果，所述分析模块还用于将分析结果为“是”的邮件判断为关联邮件；
去除模块用于去除关联邮件的标记。
5.根据权利要求1、2、4任一所述的一种基于人工智能的网络安全防护系统，其特征在于：还包括自定义模块，自定义模块用于将收件箱的邮件进行手动标记，并将标记邮件发送至垃圾箱和训练模块。
6.一种基于人工智能的网络安全防护方法，其特征在于：该方法包括以下步骤：
S1：拦截终端收到的邮件；
S2：将拦截邮件放入人工智能的广告邮件模型中进行识别，判断该邮件是否为广告邮件，若是广告邮件，则执行S3，若不是，则执行S4；
S3：对邮件进行标记并发送至垃圾箱；
S4：将未标记的邮件发送至收件箱，将标记邮件发送至垃圾箱；
S5：将标记邮件放入广告邮件模型中进行训练，生成新的广告邮件模型并保存。
7.根据权利要求6所述的一种基于人工智能的网络安全防护方法，其特征在于：该方法还包括步骤S6：记录发件人发送标记邮件的次数，并将发送标记邮件次数超过规定次数的发件人标记为异常发件人。
8.根据权利要求6、7任一所述的一种基于人工智能的网络安全防护方法，其特征在于：所述S2具体包括以下步骤：
S2-1：获取拦截邮件的发件人信息，将邮件发件人信息与异常发件人进行对比，若发件人为异常发件人，则执行S3，若否，则执行S2-2；
S2-2：将拦截邮件放入广告邮件模型进行识别，判断邮件是否为广告邮件，若是，则执行S3，若不是，则执行S4。
9.根据权利要求6、7任一所述的一种基于人工智能的网络安全防护方法，其特征在于：所述S3具体包括以下步骤：
S3-1：将分析出的广告邮件进行标记；
S3-2：获取终端N小时内的使用行为，所述使用行为包括终端的上网记录和输入记录，获取预该邮件中的关键信息，所述关键信息包括商品名称、商家名称和网址，判断终端的输入记录中是否出现该邮件中的商品名称、商家名称，判断终端的上网记录是否出现与该邮件中的网址域名相同的网址，若上述任一一个判断结果为“出现”，则取消该邮件的标记并执行S4，否则执行S5及以下步骤。
10.根据权利要求6、7任一所述的一种基于人工智能的网络安全防护方法，其特征在于：还包括步骤S7：获取用户手动标记的广告邮件，将该邮件加入广告邮件模型的训练，生成新的广告邮件模型。
CN202110738596.5A 2021-06-30 2021-06-30 一种基于人工智能的网络安全防护系统及方法 Pending CN113343229A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110738596.5A CN113343229A (zh) 2021-06-30 2021-06-30 一种基于人工智能的网络安全防护系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110738596.5A CN113343229A (zh) 2021-06-30 2021-06-30 一种基于人工智能的网络安全防护系统及方法

Publications (1)

Publication Number Publication Date
CN113343229A true CN113343229A (zh) 2021-09-03

Family

ID=77481852

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110738596.5A Pending CN113343229A (zh) 2021-06-30 2021-06-30 一种基于人工智能的网络安全防护系统及方法

Country Status (1)

Country Link
CN (1) CN113343229A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116647533A (zh) * 2023-07-27 2023-08-25 天津亿科科技有限公司 一种基于移动端的智能邮箱系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101930561A (zh) * 2010-05-21 2010-12-29 电子科技大学 一种基于N-Gram分词模型的反向神经网络垃圾邮件过滤装置
CN105871887A (zh) * 2016-05-12 2016-08-17 北京大学 基于客户端的个性化电子邮件过滤系统和过滤方法
CN110149266A (zh) * 2018-07-19 2019-08-20 腾讯科技（北京）有限公司 垃圾邮件识别方法及装置
CN111931499A (zh) * 2020-08-18 2020-11-13 携程计算机技术（上海）有限公司 模型训练方法及系统、垃圾邮件识别方法及系统和设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101930561A (zh) * 2010-05-21 2010-12-29 电子科技大学 一种基于N-Gram分词模型的反向神经网络垃圾邮件过滤装置
CN105871887A (zh) * 2016-05-12 2016-08-17 北京大学 基于客户端的个性化电子邮件过滤系统和过滤方法
CN110149266A (zh) * 2018-07-19 2019-08-20 腾讯科技（北京）有限公司 垃圾邮件识别方法及装置
CN111931499A (zh) * 2020-08-18 2020-11-13 携程计算机技术（上海）有限公司 模型训练方法及系统、垃圾邮件识别方法及系统和设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116647533A (zh) * 2023-07-27 2023-08-25 天津亿科科技有限公司 一种基于移动端的智能邮箱系统及方法
CN116647533B (zh) * 2023-07-27 2023-10-10 天津亿科科技有限公司 一种基于移动端的智能邮箱系统及方法

Similar Documents

Publication Publication Date Title
US7814545B2 (en) Message classification using classifiers
CN103037339B (zh) 一种基于“用户信誉度和短信垃圾度”的短信息过滤方法
US20070101423A1 (en) Fraudulent message detection
CN105743876B (zh) 一种基于邮件源数据发现针对性攻击的方法及系统
CN104009964B (zh) 网络链接检测方法和系统
CN107294834A (zh) 一种识别垃圾邮件的方法和装置
CN111045847A (zh) 事件审计方法、装置、终端设备以及存储介质
EP2378476A1 (en) Method for calculating entity similarities
US20200351302A1 (en) Cybersecurity Email Classification and Mitigation Platform
CN101984603A (zh) 一种基于邮件截获的电力敏感信息检测方法
CN111985896A (zh) 邮件过滤方法及装置
Singh et al. Email spam classification by support vector machine
Sethi et al. Spam email detection using machine learning and neural networks
CN103490979B (zh) 电子邮件鉴定方法和系统
CN108011881B (zh) 一种基于自适应感知的敏感数据缓慢泄露检测方法及系统
CN113343229A (zh) 一种基于人工智能的网络安全防护系统及方法
CN110929110B (zh) 一种电子文档检测方法、装置、设备及存储介质
CN116074278A (zh) 恶意邮件的识别方法、系统、电子设备和存储介质
CN112039874B (zh) 一种恶意邮件的识别方法及装置
US9332031B1 (en) Categorizing accounts based on associated images
CN109918638B (zh) 一种网络数据监测方法
CN117014883A (zh) 一种基于用户管理的网络信息安全检测分析系统
Mishra et al. Analysis of random forest and Naive Bayes for spam mail using feature selection categorization
Mohammed et al. Phishing Detection Using Machine Learning Algorithms
CN108965350B (zh) 一种邮件审计方法、装置和计算机可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20210903

RJ01 Rejection of invention patent application after publication