Los correos que llegaron son un ejemplo típico de spam basado en imágenes, texto incoherente en el mensaje y como atachment un archivo gráfico que al ser desplegado en pantalla muestra un mensaje de texto proporcionando "importantísima información financiera".

Una técnica bastante utilizada últimamente es enviar el spam como si fuera no mensaje reenviado por alguien. Además, el texto escrito suena, digamos, raro, un poco forzado, aunque está escrito correctamente. 

El desarrollo del sistema será iterativo, es decir, se basará en un desarrollo en el cual habrá mejoras continuas en el producto.

Se hará el uso del Lenguaje Unificado de Modelo UML para el análisis de los procesos del sistema.

La programación será desarrollada bajo el modelo orientado a objetos. Adicionalmente se seguirá a cabo la técnica de programación manejada por pruebas (Test Driven Development).

La arquitectura de la aplicación estará basada en un modelo de tres capas:

• Capa de modelo de datos
• Capa de presentación de la aplicación
• Capa de la red neuronal

Modelo que explica el funcionamiento general de las Redes Neuronales, consta de los siguientes elementos:

1. Mediante Internet se manda un correo desde cualquier otra parte
2. El correo viaja para ser entregado al destinatario y toparse con el sistema experto
3. EL correo es descompuesto y analizado
4. Se compara las estadísticas
5. El paquete llega al motor inteligente para compararlo con reglas en la base de datoss.
6. La base de datos da la respuesta al Motor AI.
7. El motor AI reconoce al correo como spam y lo manda a una base de datos en cuarentena.
8. El motor AI reconoce al correo como legitimo.
9. El usuario puede ver su correo legitimo una vez analizado por el sistema experto.

Microsoft Windows XP Service Pack 2

Se utilizará esta herramienta por la compatibilidad que ofrece con las otras herramientas a utilizar y también por el ambiente amigable que ofrece al usuario final, es una plataforma que la mayoría de las personas utiliza cotidianamente.

MatLab es un software de alto rendimiento, integra computación, visualización, y programación en un ambiente fácil de usar donde los problemas y soluciones son expresados en una notación matemática familiar. A su vez cuenta con dos modulos fundamentales para el desarrollo de la Red Neuro Difusa, los cuales son:

• Fuzzy Logic Toolbox 2.1.1
• Neuronal Network Toolbox 4.0.1

Es un lenguaje de programación bastante solidó y las librerías que incluye para conexión con MatLab son compatibles, dichas librerías son muy difíciles de conseguir en otros lenguajes, también se ha mejorado su entorno al acceso de datos con su Asistente para la Configuración de Orígenes de Datos, simplificando así la conexión al DBMS.

Microsoft SQL Server 2000 mejora el rendimiento, la fiabilidad, la calidad y la facilidad de uso de Microsoft SQL Server versión 7.0. Microsoft SQL Server 2000 incluye varias nuevas características que le convierten en un excelente DBMS para el proceso transaccional en línea (OLTP), almacenamiento de datos y aplicaciones de comercio electrónico.

La RNA puede ser definida como una estructura distribuida, de procesamiento paralelo, formada de neuronas artificiales (llamados también elementos de procesamiento), interconectados por un gran numero de conexiones (sinapsis), los cuales son usados para almacenar conocimiento que esta disponible para poder ser usado.

La teoría de las RNA ha brindado una alternativa a la computación clásica, para aquellos problemas, en los cuales los métodos tradicionales no han entregado resultados muy convincentes, o poco convenientes. Las aplicaciones más exitosas de las RNA son:

• Planeamiento
• Reconocimiento de imágenes y voz.
• Reconocimiento de patrones
• Predicciones
• Control y optimización
• Filtrado de señales
• Interfaces adaptativas para sistemas hombre/máquina

Se llaman neuronas biológicas a cada una de las células individuales que forman el sistema nervioso. Cada neurona tiene un cuerpo celular, compuesto de núcleo y del citoplasma que lo rodea, y de los procesos, que varían según la longitud y el número que llevan los impulsos nerviosos de un lugar a otro.

Las neuronas biológicas tienen tamaño y forma variables, pero con las mismas subdivisiones. El cuerpo de la neurona (Soma) contiene el núcleo. Se encarga de todas las actividades metabólicas de la neurona y recibe la información de otras neuronas vecinas a través de las conexiones sinápticas.

Son las conexiones de entrada de la neurona. Una prolongación del cuerpo de la célula nerviosa, que conduce el impulso nervioso hacia el cuerpo de la neurona.

Es la salida de la neurona y se utiliza para enviar impulsos o señales a otras células nerviosas. Cuando el axón está cerca de sus células destino, se divide en muchas ramificaciones que forman sinápsis con el soma o axones de otras células. Esta unión puede ser inhibidora o excitadora según el transmisor que las libere.

Es la unión de dos neuronas. Un pequeño espacio que separa dos neuronas, y donde los impulsos nerviosos se transmiten del axón de la primera neurona a la dendrita de la segunda.

Cada neurona recibe de 10.000 a 100.000 sinápsis y el axón realiza una cantidad similar de conexiones.

La transmisión de una señal de una célula a otra por medio de la sinápsis es un proceso químico. En él se liberan substancias transmisoras en el lado del emisor de la unión. El efecto que se consigue es elevar o disminuir el potencial eléctrico dentro del cuerpo de la célula receptora. Si su potencial alcanzase el umbral, se enviaría un pulso o potencial de acción por el axón. Se dice, entonces, que la célula se disparó. Este pulso alcanzaría a otras neuronas a través de las distribuciones de los axones

A grandes rasgos, recordemos que el cerebro humano se compone de decenas de billones de neuronas interconectadas entre sí, formando circuitos o RN que desarrollan funciones específicas.

Una neurona típica recoge una serie de señales, procedentes de otras neuronas, a través de una pléyade de estructuras delicadas, llamadas dendritas. La neurona emite impulsos de actividad eléctrica a lo largo de una fibra larga y delgada denominada axón, que se escinde en millares de ramificaciones.

Las extremidades de estas ramificaciones llegan hasta las dendritas de otras neuronas y establecen unas conexiones llamadas sinápsis, en las cuales se produce una transformación del impulso eléctrico en un mensaje neuroquímico, mediante la liberación de sustancias llamadas neurotransmisor.

El efecto de los neurotransmisores sobre la neurona receptora puede ser excitatorio o inhibitorio, y es variable, de manera que podemos hablar de la fuerza o efectividad de una sinápsis. Las señales excitatorias e inhibitorias recibidas por una neurona se combinan, y en función de la estimulación total recibida, la neurona toma un cierto nivel de activación, que se traduce en la generación de breves impulsos nerviosos con una determinada frecuencia o tasa de disparo, y su propagación a lo largo del axón hacia las neuronas con las cuales sinapta.

De esta manera, la información se transmite de unas neuronas a otras y se va procesando a través de las conexiones sinápticas y las propias neuronas. El aprendizaje de las RN se produce mediante la variación de la efectividad de las sinápsis. De esta manera, cambia la influencia que unas neuronas ejercen sobre otras. De aquí, se deduce que la arquitectura, el tipo y la efectividad de las conexiones en un momento dado, representan en cierto modo la memoria o estado de conocimiento de la RN.

El modelo de una neurona artificial es una imitación del proceso de una neurona biológica, puede también asemejarse a un sumador hecho con un amplificador operacional tal como se ve en la figura 2

Existen varias formas de nombrar una neurona artificial, es conocida como nodo, neuronodo, celda, unidad o elemento de procesamiento (PE). En la figura 3 se observa un PE en forma general y su similitud con una neurona biológica:

De la observación detallada del proceso biológico se han hallado los siguientes análogos con el sistema artificial:

Las señales de entrada a una neurona artificial X1, X2,.., Xn son variables continuas en lugar de pulsos discretos, como se presentan en una neurona biológica. Cada señal de entrada pasa a través de una ganancia o peso, llamado peso sináptico o fortaleza de la conexión cuya función es análoga a la de la función sináptica de la neurona biológica. Los pesos pueden ser positivos (excitatorios), o negativos (inhibitorios), el nodo sumatorio acumula todas las señales de entradas multiplicadas por los pesos o ponderadas y las pasa a la salida a través de una función umbral o función de transferencia. La entrada neta a cada unidad puede escribirse de la siguiente manera:

Una vez que se ha calculado la activación del nodo, el valor de salida equivale a

Donde representa la función de activación para esa unidad, que corresponde a la función escogida para transformar la entrada neta_i en el valor de salida y que depende de las características específicas de cada red.

Una red neuronal se compone de unidades llamadas neuronas. Cada neurona recibe una serie de entradas a través de interconexiones y emite una salida. Esta salida viene dada por tres funciones:

Existe una serie de modelos que aparecen en la mayoría de estudios académicos y la bibliografía especializada.

Una primera clasificación de las redes de neuronas artificiales que se suele hacer es en función del patrón de conexiones que presenta. Así se definen tres tipos básicos de redes:

• Dos tipos de redes de propagación hacia delante o acíclicas en las que todas las señales van desde la capa de entrada hacia la salida sin existir ciclos, ni conexiones entre neuronas de la misma capa.

Las redes multicapa son más poderosas que las redes de una sola capa, por ejemplo, una red de dos capas que tenga una función sigmoidal en la primera capa y una función lineal en la segunda, puede ser entrenada para aproximar muchas funciones de forma aceptable, una red de una sola capa no podría hacer esto como se verá más adelante.

Una segunda clasificación que se suele hacer es en función del tipo de aprendizaje de que es capaz (si necesita o no un conjunto de entrenamiento supervisado). Para cada tipo de aprendizaje encontramos varios modelos propuestos por diferentes autores:

La diferencia fundamental entre ambos tipos es la existencia o no de un agente externo (supervisor) que controle el proceso de aprendizaje.

Otro criterio para diferenciar las reglas de aprendizaje se basan en considerar si la red puede aprender durante su funcionamiento habitual (aprendizaje ON LINE) ,o si el aprendizaje supone una desconexión de la red; es decir su inhabilitación hasta que el proceso termine (aprendizaje OFF LINE).

El proceso de aprendizaje se realiza mediante un entrenamiento controlado por un agente externo (supervisor o maestro) que determina la respuesta que debería generar la red a partir de una entrada determinada. El supervisor comprueba la salida de la red y en caso de que ésta no coincida con la deseada, se procederá a modificar los pesos de las conexiones, con el fin de que la salida obtenida se aproxime a la deseada.

Se suelen considerar tres formas de llevar a cabo el aprendizaje:

Consiste en ajustar los pesos de las conexiones de la red en función de la diferencia entre los valores deseado y los obtenidos en la salida de la red; es decir, en función del error cometido en la salida.

Una regla o algoritmo simple podría ser el siguiente:

Un algoritmo muy conocido que permite un aprendizaje rápido es propuesto por [Widrow 60], denominado regla delta o regla del mínimo error cuadrado (LMS Error: Least-Mean-Squared Error), que se aplicó en las redes desarrolladas por los mismos, conocidas como ADALINE y MADALINE).

Widrow 60] definieron una función que permitiría cuantificar el error global cometido en cualquier momento durante el proceso de entrenamiento de la red, lo cual es importante, ya que cuanta más información se tenga sobre el error cometido, más rápido se puede aprender.

Este error medio se expresa de la siguiente forma:

Se trata de encontrar pesos para las conexiones que minimicen esta función de error. Para ello, el ajuste de los pesos de las conexiones de la red se puede hacer de forma proporcional a la variación relativa del error que se obtiene al variar el peso correspondiente:

Mediante este procedimiento, se llegan a obtener un conjunto de pesos con los que se consigue minimizar el error medio.

Otro algoritmo de aprendizaje por corrección de error lo constituye el denominado regla delta generalizada o algoritmo de retropropagación del error (error backpropagation). Se trata de una generalización de la regla delta para poder aplicarla a redes de conexiones hacia delante(feedforward) con capas o niveles internos ocultos de neuronas que no tienen relación con el exterior.

Estas redes multicapa pueden utilizarse en muchas aplicaciones, pero su proceso de aprendizaje es mucho más lento, debido a que durante el mismo se debe explorar el espacio de posibles formas de utilización de neuronas de las capas ocultas; es decir, establecer cuál es su papel en la red.

Es un aprendizaje más lento que el anterior, que se basa en la idea de no disponer de un ejemplo completo del comportamiento deseado; es decir, de no indicar durante el entrenamiento exactamente la salida que se desea que proporcione la red ante una determinada entrada.

En el aprendizaje por refuerzo la función del supervisor se reduce a indicar mediante una señal de refuerzo si la salida obtenida en la red se ajusta a la deseada (éxito = +1 o fracaso = -1), y en función de ello se ajustan los pesos basándose en un mecanismo de probabilidades.

Este tipo de aprendizaje consiste básicamente en realizar cambios aleatorios en los valores de los pesos de las conexiones de la red y evaluar su efecto a partir del objetivo deseado y de distribuciones de probabilidad.

En el aprendizaje estocástico se suele hacer una analogía en términos termodinámicos, asociando la red neuronal con un sólido físico que tiene cierto estado energético. En el de caso de la red, la energía de la misma representaría el grado de estabilidad de la red, de tal forma que el estado de mínima energía correspondería a una situación en la que los pesos de las conexiones consiguen que su funcionamiento sea el que más se ajusta al objetivo deseado.

Según lo anterior, el aprendizaje consistiría en realizar un cambio aleatorio de los valores de los pesos y determinar la energía de la red. Si la energía es menor después del cambio; es decir, si el comportamiento de la red se acerca al deseado, se acepta el cambio; de lo contrario, se aceptaría el cambio en función de una determinada y preestablecida distribución de probabilidades.

Finalmente también se pueden clasificar las RNA según sean capaces de procesar información de distinto tipo en:

La palabra "spam" proviene directamente de tos Estados Unidos. El spam es un tipo de carne de cerdo enlatada que puede encontrarse en la mayoría de los supermercados norteamericanos. La utilización de la palabra spam para denotar el envío masivo de e-mails publicitarios no solicitados se asocia a un sketch del grupo cómico inglés Monty Python, en el que la camarera de un restaurante describe los platos del menú a una pareja. Resulta que todos los platos contienen spam. Por ejemplo, spam con salchichas, spam con huevo, spam con tomates, etc. El spam termina por tapar todo el resto, como sucede con el correo electrónico.

"Se considera que un mensaje es spam sí y sólo sí el mensaje es no solicitado y, a su vez, es duplicativo"

"Un SPAM es cualquier mensaje, destinado a una audiencia en general (o sea, un comunicado de masas) que se envía a la gente por e-mail sin que lo soliciten. Es el equivalente de los anuncios impresos que le llegan a uno a la casa. Generalmente el SPAM se trabaja con listas de direcciones "robadas" (o sea, de direcciones que sacan de la gente que envía mensajes por USENET u otras áreas publicas de discusión), por lo cual representa una violación de la privacidad del usuario"

Un mensaje electrónico es spam si:

La identidad personal del receptor y el contexto son irrelevantes porque el mensaje es igualmente aplicable a muchos otros receptores potenciales;

y

No se puede verificar que el receptor haya dado un permiso deliberado, explícito, y aún revocable, para que el mismo le sea enviado.

Estas son algunas modalidades de spam diferentes a las utilizadas por medio del correo electrónico:

El correo electrónico es, con diferencia, el medio más común de spamming en internet. Involucra enviar mensajes idénticos o casi idénticos a un gran número de direcciones. A diferencia de los correos electrónicos comerciales legítimos, el spam generalmente es enviado sin el permiso explícito de los receptores, y frecuentemente contiene varios trucos para sortear los filtros de spam. Las computadoras modernas generalmente vienen con cierta capacidad para enviar spam. El único ingrediente necesario es la lista de direcciones objetivo. El receptor de spam puede verse perjudicado al tener que invertir tiempo en eliminar mensajes de su cuenta de correo electrónico; sin embargo, diferentes sistemas de correo en línea (Windows Live, Yahoo! y Gmail) han incrementado sustancialmente la capacidad de almacenamiento de las respectivas cuentas (Yahoo! Correo tiene una capacidad de almacenamiento ilimitada).

El spam por mensajería instantánea, también conocido como spim, utiliza los sistemas de mensajería instantánea, tales como ICQ o MSN Messenger. Muchos sistemas de mensajería ofrecen un directorio de usuarios, incluyendo información demográfica tal como edad y sexo. Los publicistas pueden reunir esta información, conectarse al sistema, y enviar mensajes no solicitados. Para enviar mensajes instantáneos a millones de usuarios de la mayoría de los servicios de mensajería instantánea sólo se requiere software de scripting y los nombres de usuario de los receptores. Los spammers también apuntan hacia los canales IRC, utilizando bots IRC que se conectan a los canales y los bombardean con mensajes publicitarios. Debido a que la mayoría de los protocolos de mensajería instantánea son propietarios, resulta más simple realizar cambios unilaterales para dificultar la tarea del spammer.

Un tipo similar de spam puede ser enviado utilizando el Servicio de mensajería de Windows. El Servicio de mensajería es una utilidad SMB que permite a los servidores enviar alertas pop-up a las estaciones de trabajo de Windows. Cuando un sistema Windows se conecta a Internet con este servicio iniciado y sin un firewall adecuado, el mismo puede ser utilizado para enviar spam. El Servicio de mensajería puede, sin embargo, ser fácilmente desactivado.

El spam en grupos de noticias precede al spam por correo electrónico, y apunta a grupos de noticias Usenet. La antigua convención de Usenet define al spamming como publicación excesiva de múltiples mensajes, es decir, la publicación repetida de un mensaje (o mensajes sustancialmente similares). Debido a que publicar mensajes en grupos de noticias es casi tan simple como enviar e-mails, los grupos de noticias son un objetivo popular para los spammers. El Indice Breidbart fue desarrollado para brindar una medida objetiva del "nivel de spam" de un mensaje multi-publicado en Usenet.

El spam en un foro de internet se produce cuando un usuario publica de manera reiterada una información o informaciones sustancialmente similares que desvirtúan o no tienen nada que ver con el tema de conversación.

Uno de los usuarios mas reconocidos en internet por spam es Conejoman.

Actualmente, el 40% de los mensajes de spam se envían de esta forma.

Para obtener información de carácter primario se recurre a las técnicas de la entrevista y cuestionario. Las entrevistas a igual que los cuestionarios son medios que sirven para la recopilación de información por medio de un conjunto preguntas. La diferencia se encuentra en que la entrevista se realiza de manera personal.

Las fuentes primarias a tomar en cuenta para aclaración de conceptos, dudas y preguntas frecuentes, fueron los Ingenieros.

• Ing Eloy Espozo (Administrador de redes UCB)
• Ing Jesús Ruiz Bernabé (Administrador de redes AXS-Bolivia)

• Libros
• Trabajos de grado
• Tesis
• Manuales
• Apuntes de cátedra
• Internet ( paginas Web, pdfs, presentaciones power point, documentos Word, etc)

Se necesita analizar el mensaje de correo electrónico para determinar si este corresponde a ser un spam

Se necesita analizar las características que presenta el correo electrónico. A continuación se determinan algunas características que determinan la posible detección de spam:

A continuación detallamos los procesos para el entrenamiento de la red neuronal:

• Elección del conjunto inicial de pesos: Antes de comenzar el proceso de entrenamiento se debe determinar un estado inicial, lo que significa: escoger un conjunto inicial de pesos para las diversas conexiones entre las neuronas de la red neuronal.
• Detección del proceso de aprendizaje: Para determinar cuándo se detendrá el proceso de aprendizaje, es necesario establecer una condición de detención. Normalmente el entrenamiento se detiene cuando el cálculo del error cuadrado sobre todos los ejemplos de entrenamiento ha alcanzado un mínimo o cuando para cada uno de los ejemplos dados, el error observado está por debajo de un determinado umbral.
• Codificación de los datos de entrada: Los datos tienen que ser codificados, o sea, deben hallarse valores apropiados para representar las características simbólicas (alto, bajo, adecuado, etc.). Se distinguen dos tipos de variables a ser codificadas:

• 1) Variables o atributos numéricos (frecuentemente llamadas continuas).
• 2) Variables o atributos simbólicos (frecuentemente llamados discretos).
• Redes de propagación hacia atrás (backpropagation): El nombre de backpropagation resulta de la forma en que el error es propagado hacia atrás a través de la red neuronal, en otras palabras el error se propaga hacia atrás desde la capa de salida. Esto permite que los pesos sobre las conexiones de las neuronas ubicadas en las capas ocultas cambien durante el entrenamiento. El cambio de los pesos en las conexiones de las neuronas además de influir sobre la entrada global, influye en la activación y por consiguiente en la salida de una neurona. Por lo tanto, es de gran utilidad considerar las variaciones de la función activación al modificarse el valor de los pesos. Esto se llama sensibilidad de la función activación, de acuerdo al cambio en los pesos.

Con relación a lo estudiado en el marco teórico, el esquema de solución tendrá como componentes:

• Entrada de Variables
• Procesamiento y Clasificación de la Red Neuronal
• Procesamiento y Clasificación del resultado obtenido mediante Lógica Difusa
• Salida y determinación de la acción a tomar.

A continuación se presenta el esquema general de la solución, aplicado a la Red Neuronal de tipo Backpropagation:

Siguiendo con el esquema general de la solución, se contará con los siguientes modelos:

• Modelo de la Red Neuronal Backpropagation
• Diagrama Casos de Uso
• Diagrama de Clases
• Diagrama de Secuencia

Los diagramas de secuencia representan la interacción que van a tener los objetos en un determinado escenario.

• Libros
• Trabajos de grado
• Tesis
• Manuales
• Apuntes de cátedra
• Internet ( paginas Web, pdfs, presentaciones power point, documentos Word, etc)

• HERNANDEZ, Sampieri Roberto, FERNANDEZ, Collado Carlos y BAPTISTA, Lucio Pilar, "Metodología de la investigación", Mexico, Ed. Mc Grall Hill, 1998.

Autor: