Objavljen je Rspamd 3.9, sustav za filtriranje neželjene pošte koji pruža sredstva za ocjenjivanje poruka prema različitim kriterijima, uključujući pravila, statističke metode i crne liste, na temelju kojih se formira konačna težina poruke koja se koristi za donošenje odluke o potrebi blokiranja. Rspamd podržava gotovo sve mogućnosti implementirane u SpamAssassin te nudi niz značajki koje omogućuju filtriranje e-pošte u prosjeku 10 puta brže od SpamAssassina, kao i bolje kvalitete filtriranja. Kod sustava napisan je u C jeziku i distribuira se pod Apache 2.0 licencom.
Rspamd je izgrađen korištenjem arhitekture temeljenom na događajima (Event-driven) i prvotno je namijenjen primjeni u sustavima s velikim opterećenjem, omogućujući obradu stotina poruka u sekundi. Pravila za prepoznavanje karakteristika neželjene pošte izuzetno su fleksibilna i u najjednostavnijem obliku mogu sadržavati regularne izraze, dok se u složenijim situacijama mogu definirati na jeziku Lua. Proširenje funkcionalnosti i dodavanje novih vrsta provjera se ostvaruje putem modula koji se mogu kreirati na jezicima C i Lua. Na primjer, dostupni su moduli za provjeru pošiljatelja korištenjem SPF-a, potvrdu domenu pošiljatelja putem DKIM-a, formiranje zahtjeva za DNSBL liste. Za olakšavanje podešavanja, izradu pravila i praćenje statistike, dostupan je administrativni web sučelje.
U novoj verziji:
- Poboljšane su postavke bayesovskog klasifikatora. Zadana veličina prozora smanjena je s 5 na 2 riječi, što je omogućilo povećanje performansi i smanjenje potrošnje prostora za pohranu do 4 puta bez degradacije razine klasifikacije neželjene pošte. Za testiranje rada klasifikatora s različitim postavkama ponuđen je alat „rspamadm classifier_test“.
- Dodan je GPT modul koji koristi OpenAI GPT API za klasifikaciju teksta putem upita prema velikim jezičnim modelima poput GPT-3.5 Turbo i GPT-4. Točnost klasifikacije špama putem novog modula je niža od one bayesovog klasifikatora, ali njegova prednost je što ne zahtijeva prethodno treniranje i može uzimati u obzir kontekst u porukama, dok za učinkovito djelovanje bayesovog klasifikatora kvalitetno i uravnoteženo treniranje motora je nužno. Osim izravnog prepoznavanja špama u porukama, GPT modul može se koristiti i za treniranje bayesovog klasifikatora.
- Implementirana je mogućnost zajedničkog korištenja modula known_senders i replies za označavanje verifikovanih pošiljatelja, koristeći kao pokazatelj to što su im ranije upućeni odgovori.
- Dinamičko mijenjanje ograničenja intenziteta slanja poruka (dynamic ratelimit) vezanih uz jednog pošiljatelja, primatelja ili IP adresu.
Izvor: opennet.ru
