Reference API
import SpamScanner from 'spamscanner'; // ESM
const SpamScanner = require('spamscanner'); // CommonJS
const scanner = new SpamScanner(options);
const result = await scanner.scan(rawMessage, scanOptions);Vytvořte jeden scanner a používejte ho opakovaně: model načte jednou a ukládá do mezipaměti odpovědi DNS i jazykového modelu.
Volby#
Každou volbu lze předat konstruktoru. Většinu lze předat také scan() pro jednu zprávu, kde se sloučí s volbami konstruktoru a mají přednost.
| Volba | Výchozí | Význam |
|---|---|---|
threshold | 5 | Skóre, od kterého je zpráva spam |
rejectThreshold | 15 | Skóre, od kterého je action rovno reject |
scores | {} | Body za test: klíče nastavení nebo názvy testů (testy a skóre) |
classifier | přibalený model | Classifier, objekt modelu, cesta k souboru modelu nebo false |
classifierOptions | {} | Volby přibaleného modelu (viz Klasifikátor) |
allowedLanguages | [] | Kódy ISO 639-1; ostatní jazyky dostanou LANGUAGE_NOT_ALLOWED |
phishing.cloudflare | true | Ptát se filtrovacích resolverů Cloudflare na hostitele z odkazů |
phishing.adult | true | Ptát se také rodinného resolveru, který blokuje weby pro dospělé |
phishing.maxHosts | 25 | Počet hostitelů z odkazů vyhledaných na jednu zprávu |
phishing.homograph | {} | brands (nahradí vestavěný seznam), extraBrands, allowlist (domény, které se nikdy neoznačí), strictMode |
dnsbl | {ip: [], domain: []} | Zóny DNS blocklistů pro IP adresu klienta a pro domény v odkazech |
dns | {servers: null, timeout: 3000} | Jmenné servery pro kontroly DNS (výchozí: systémové) |
attachments | true | Prohlížet přílohy |
macros | true | Označovat makra, aktivní PDF a objekty RTF |
arbitrary | true | Spouštět pravidla |
authentication | false | true nebo {dnsServers, timeout, mta, weights}: SPF, DKIM, DMARC, ARC |
reputation | false | {allowlist, denylist, apiUrl, headers, timeout} |
allowlist, denylist | IP adresy, domény nebo adresy; zkratka pro reputation | |
clamav | false | true (výchozí socket), {socket} nebo {host, port} |
llm | null | Nastavení jazykového modelu s mode, minScore, maxScore |
toxicity | false | {model, threshold = 0.7}: model, jehož classify([text]) odpovídá jako @tensorflow-models/toxicity |
nsfw | false | {model, threshold = 0.6}: model, jehož classify(imageBuffer) odpovídá jako nsfwjs |
maxLength | 100000 | Počet přečtených znaků textu těla |
timeout | 10000 | Milisekundy povolené pro každou síťovou kontrolu |
session | {} | Výchozí údaje o relaci SMTP |
scan() přijímá také session:
await scanner.scan(raw, {
session: {
remoteAddress: '203.0.113.5', // the client's IP address
resolvedClientHostname: 'mx.example.com', // its verified reverse DNS name
helo: 'mx.example.com',
envelope: {
mailFrom: {address: 'alice@example.com'},
rcptTo: [{address: 'bob@example.org'}],
},
},
});Server, který už SPFSender Policy Framework: záznam v DNS se seznamem serverů, které smějí za doménu odesílat poštu., DKIMDomainKeys Identified Mail: podpis zprávy ověřovaný veřejným klíčem zveřejněným v DNS odesílatele., DMARCZásada v DNS, která příjemcům říká, co dělat s poštou, jež se hlásí k doméně, ale neprojde zarovnáním SPF a DKIM. a ARCAuthenticated Received Chain: podpisy, které přenášejí výsledky ověření přes přeposílající servery. ověřil (pomocí mailauth), může své výsledky předat jako authenticationResults a ty se pak bodují, místo aby se ověřovaly znovu:
import {authenticate} from 'mailauth';
const auth = await authenticate(raw, {ip, helo, sender, mta});
await scanner.scan(raw, {authenticationResults: auth});Metody#
| Metoda | Vrací |
|---|---|
scan(source, options) | Výsledek. source je Buffer, řetězec, Uint8Array nebo čitelný stream |
scanFile(path, options) | Výsledek pro soubor se zprávou |
learn(source, 'spam' | 'ham') | Naučí klasifikátor jednu zprávu |
unlearn(source, 'spam' | 'ham') | Vrátí zpět learn |
saveModel(path, options) | Zapíše klasifikátor do souboru (options: minCount, maxFeatures, metadata) |
getClassifier() | Používaný Classifier nebo null |
getClassification(features) | Verdikt klasifikátoru pro příznaky z getFeatures |
getFeatures(mail) | {features, words, language, script, links, hosts, text, hidden} zprávy |
getTokens(text, locale) | Slova textu |
getTokensAndMailFromSource(source) | {tokens, features, mail} |
parse(source) | {raw, mail}, kde mail pochází z mailparseru |
V getFeatures je text text, který zobrazí poštovní klient a ze kterého se čtou slova, a hidden počet znaků textu, které HTML skrývá.
scanner.metrics obsahuje totalScans, averageTime a lastScanTime.
Výsledek#
{
isSpam: true,
score: 16.25,
threshold: 5,
rejectThreshold: 15,
action: 'reject', // 'accept', 'tag' or 'reject'
message: 'Spam (BAYES_999, PHISHING_LOOKALIKE_DOMAIN, DECEPTIVE_LINK, FROM_NAME_BRAND)',
tests: [
{name: 'BAYES_999', score: 6.25, description: 'Classifier spam probability 99.9%'},
{name: 'PHISHING_LOOKALIKE_DOMAIN', score: 5, description: '"paypa1-secure.top" imitates paypal by swapping characters'},
// ...
],
results: {
classification: {probability, category, spam, ham, clues, coverage},
phishing: [], // lookalike domains, deceptive links, Cloudflare and URIBL findings
uncheckedHosts: 0, // link hosts beyond phishing.maxHosts, not looked up
attachments: [], // every attachment finding
executables: [], // the executable findings among them
macros: [], // macros, active PDFs, RTF objects
viruses: [], // ClamAV findings: {filename, virus: [names], message}
arbitrary: [], // rules strong enough to mark spam alone
obfuscation: {invisible, mixed, styled},
authentication: null, // mailauth's results with a score, when checked
reputation: null,
dnsbl: [], // {zone, value} for each listing
language: {language, script, notAllowed},
llm: null, // the language model's verdict, when asked
toxicity: [],
nsfw: [],
idnHomographAttack: {detected, domains, riskScore},
},
links: ['http://paypa1-secure.top/login'],
language: 'en',
tokens: ['dear', 'customer', /* ... */],
mail: {/* the parsed message, from mailparser */},
version: '7.0.0',
metrics: {totalTime: 42},
}Nálezy v phishing, attachments, executables, macros, viruses a arbitrary jsou objekty s type a message. String(finding) je zpráva.
Exporty#
import SpamScanner, {
Classifier, getFeatures, segmentWords, detectLanguage,
LLMClassifier, PROVIDERS, RECOMMENDED_MODELS, CLASSIFIER_MODELS,
DEFAULT_SCORES, scoreResults, spamHeaders, rewriteMessage,
loadModel, saveModel, defaultModelPath, loadDefaultModel,
train, evaluate, readExamples,
MilterServer, createHttpServer, createTcpServer, createSpamdServer,
DEFAULTS, VERSION,
} from 'spamscanner';
import ArfParser from 'spamscanner/arf';Klasifikátor#
const classifier = new Classifier({spamCutoff: 0.99, hamCutoff: 0.2});
classifier.learn(getFeatures(mail).features, 'spam');
classifier.classify(features); // {probability, category, spam, ham, clues, coverage}| Volba | Výchozí | Význam |
|---|---|---|
strength, unknown | 0.45, 0.5 | Robinsonovy parametry s a x: jak silně se vzácné příznaky táhnou k 0,5 |
minDistance | 0.1 | Příznaky bližší k 0,5 než tato hodnota se ignorují |
maxClues | 150 | Počet nejsilnějších příznaků kombinovaných na jednu zprávu |
hamCutoff, spamCutoff | 0.2, 0.99 | Hranice rozsahu unsure |
minLanguageExamples, languageShare | 1000, 0.02 | Počet zpráv každé třídy v jazyce potřebný pro plnou důvěru |
languagePrior | true | Vážit slova podle počtů v jejich vlastním jazyce |
K dispozici jsou také merge(other), toJSON(options), Classifier.fromJSON(json), size a entries().
Trénování#
import {train, evaluate, saveModel} from 'spamscanner';
const {classifier, spam, ham} = await train({
spam: ['/mail/Junk'],
ham: ['/mail/Archive', '/mail/archive.mbox'],
datasets: [{file: 'extra.csv', textColumn: 'body', labelColumn: 'kind'}],
});
saveModel(classifier, 'model.json');evaluate(classifier, examples) přijímá položky {label, features} nebo readExamples(sources), které čte stejné zdroje jako train, a vrací počty, přesnost, úplnost, F1, správnost a míru falešně pozitivních, falešně negativních a nejistých výsledků.
Servery#
import SpamScanner, {MilterServer, createHttpServer, createSpamdServer} from 'spamscanner';
const scanner = new SpamScanner({authentication: true});
const milter = new MilterServer(scanner, {reject: true, rejectCode: 451, subjectTag: '[SPAM]'});
milter.on('scan', ({session, result}) => console.log(session.remoteAddress, result.score));
await milter.listen(7831);
createHttpServer(scanner, {token: process.env.SPAMSCANNER_TOKEN}).listen(7832, '127.0.0.1');
createSpamdServer(scanner).listen(783, '127.0.0.1');Hlášení ARF#
spamscanner/arf čte a zapisuje hlášení o zneužití (RFC 5965), formát, kterým poskytovatelé poštovních schránek hlásí stížnosti na spam:
import ArfParser from 'spamscanner/arf';
const report = await ArfParser.parse(rawReport);
console.log(report.feedbackType, report.sourceIp, report.originalHeaders.subject);
const raw = ArfParser.create({
feedbackType: 'abuse', userAgent: 'MyService/1.0',
from: 'abuse@example.com', to: 'fbl@example.net',
originalMessage, sourceIp: '192.0.2.1',
});ArfParser.tryParse() u zpráv, které nejsou hlášeními, vrací null místo vyhození výjimky, a isArfMessage(mail) zkontroluje rozebranou zprávu.