API-referentie
import SpamScanner from 'spamscanner'; // ESM
const SpamScanner = require('spamscanner'); // CommonJS
const scanner = new SpamScanner(options);
const result = await scanner.scan(rawMessage, scanOptions);Maak één scanner aan en hergebruik die: hij laadt het model één keer en cachet DNS-antwoorden en antwoorden van het taalmodel.
Opties#
Elke optie kan aan de constructor worden meegegeven. De meeste kunnen ook voor één bericht aan scan() worden meegegeven, en worden dan over die van de constructor heen samengevoegd.
| Optie | Standaard | Betekenis |
|---|---|---|
threshold | 5 | Score waarbij een bericht spam is |
rejectThreshold | 15 | Score waarbij action gelijk is aan reject |
scores | {} | Punten per test: instellingssleutels of testnamen (tests en scores) |
classifier | meegeleverd model | Een Classifier, een modelobject, het pad van een modelbestand, of false |
classifierOptions | {} | Opties voor het meegeleverde model (zie Classifier) |
allowedLanguages | [] | ISO 639-1-codes; andere talen krijgen LANGUAGE_NOT_ALLOWED |
phishing.cloudflare | true | Vraag de filterende resolvers van Cloudflare naar linkhosts |
phishing.adult | true | Vraag het ook aan de gezinsresolver, die volwassenensites blokkeert |
phishing.maxHosts | 25 | Aantal linkhosts dat per bericht wordt opgezocht |
phishing.homograph | {} | brands (vervangt de ingebouwde lijst), extraBrands, allowlist (domeinen die nooit worden gemarkeerd), strictMode |
dnsbl | {ip: [], domain: []} | Zones van DNS-blocklists voor het IP-adres van de client en voor linkdomeinen |
dns | {servers: null, timeout: 3000} | Nameservers voor DNS-controles (standaard: die van het systeem) |
attachments | true | Bijlagen inspecteren |
macros | true | Macro's, actieve pdf's en RTF-objecten markeren |
arbitrary | true | De regels uitvoeren |
authentication | false | true, of {dnsServers, timeout, mta, weights}: SPF, DKIM, DMARC, ARC |
reputation | false | {allowlist, denylist, apiUrl, headers, timeout} |
allowlist, denylist | IP-adressen, domeinen of adressen; verkorte vorm van reputation | |
clamav | false | true (standaardsocket), {socket} of {host, port} |
llm | null | Instellingen voor het taalmodel, met mode, minScore, maxScore |
toxicity | false | {model, threshold = 0.7}: een model waarvan classify([text]) antwoordt zoals @tensorflow-models/toxicity |
nsfw | false | {model, threshold = 0.6}: een model waarvan classify(imageBuffer) antwoordt zoals nsfwjs |
maxLength | 100000 | Aantal tekens bodytekst dat wordt gelezen |
timeout | 10000 | Toegestane milliseconden per netwerkcontrole |
session | {} | Standaardgegevens van de SMTP-sessie |
scan() accepteert ook 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'}],
},
},
});Een server die SPFSender Policy Framework: een DNS-record met de servers die mail voor een domein mogen versturen., DKIMDomainKeys Identified Mail: een handtekening over een bericht, gecontroleerd met een publieke sleutel die in de DNS van de afzender staat., DMARCEen DNS-beleid dat ontvangers vertelt wat ze moeten doen als mail die zich op een domein beroept niet slaagt voor de SPF- en DKIM-uitlijning. en ARCAuthenticated Received Chain: handtekeningen die authenticatieresultaten meenemen langs doorstuurservers. al heeft gecontroleerd (met mailauth), kan de resultaten als authenticationResults meegeven; die worden dan gescoord in plaats van opnieuw gecontroleerd:
import {authenticate} from 'mailauth';
const auth = await authenticate(raw, {ip, helo, sender, mta});
await scanner.scan(raw, {authenticationResults: auth});Methoden#
| Methode | Geeft terug |
|---|---|
scan(source, options) | Het resultaat. source is een Buffer, string, Uint8Array of readable stream |
scanFile(path, options) | Het resultaat voor een berichtbestand |
learn(source, 'spam' | 'ham') | Leert de classifier één bericht |
unlearn(source, 'spam' | 'ham') | Maakt learn ongedaan |
saveModel(path, options) | Schrijft de classifier naar een bestand (options: minCount, maxFeatures, metadata) |
getClassifier() | De Classifier die in gebruik is, of null |
getClassification(features) | Het oordeel van de classifier voor kenmerken uit getFeatures |
getFeatures(mail) | {features, words, language, script, links, hosts, text, hidden} van een bericht |
getTokens(text, locale) | De woorden van een tekst |
getTokensAndMailFromSource(source) | {tokens, features, mail} |
parse(source) | {raw, mail}, met mail uit mailparser |
In getFeatures is text de tekst die een mailclient toont, waaruit de woorden worden gelezen, en hidden hoeveel tekens tekst de HTML verbergt.
scanner.metrics bevat totalScans, averageTime en lastScanTime.
Het resultaat#
{
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},
}Bevindingen in phishing, attachments, executables, macros, viruses en arbitrary zijn objecten met een type en een message. String(finding) is het bericht.
Exports#
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';Classifier#
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}| Optie | Standaard | Betekenis |
|---|---|---|
strength, unknown | 0.45, 0.5 | De s en x van Robinson: hoe sterk zeldzame kenmerken naar 0,5 worden getrokken |
minDistance | 0.1 | Kenmerken die dichter bij 0,5 liggen dan dit, worden genegeerd |
maxClues | 150 | Aantal sterkste kenmerken dat per bericht wordt gecombineerd |
hamCutoff, spamCutoff | 0.2, 0.99 | Grenzen van het bereik unsure |
minLanguageExamples, languageShare | 1000, 0.02 | Aantal berichten van elke klasse dat in een taal nodig is voor volledige zekerheid |
languagePrior | true | Woorden wegen tegen de aantallen van hun eigen taal |
merge(other), toJSON(options), Classifier.fromJSON(json), size en entries() zijn ook beschikbaar.
Training#
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) accepteert items met {label, features}, of readExamples(sources), dat dezelfde bronnen leest als train, en geeft aantallen, precisie, recall, F1, accuracy en de percentages fout-positieven, fout-negatieven en onzekere berichten terug.
Servers#
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');ARF-rapporten#
spamscanner/arf leest en schrijft abuse feedback reports (RFC 5965), het formaat dat mailboxproviders gebruiken om spamklachten te melden:
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() geeft null terug in plaats van een fout te gooien bij berichten die geen rapport zijn, en isArfMessage(mail) controleert een geparsed bericht.