Spamfilter-systemet Rspamd 3.9 är tillgängligt.

Release av spamfilteringssystemet Rspamd 3.9 har ägt rum, vilket erbjuder verktyg för att utvärdera meddelanden baserat på olika kriterier, inklusive regler, statistiska metoder och svarta listor, baserat på vilket ett slutgiltigt vikt av meddelandet bildas, som används för att fatta beslut om eventuell blockering. Rspamd stöder praktiskt taget alla funktioner som implementerats i SpamAssassin och har en rad egenskaper som gör det möjligt att filtrera e-post i genomsnitt 10 gånger snabbare än SpamAssassin, samt säkerställa bättre filtreringskvalitet. Koden för systemet är skriven i C och distribueras under Apache 2.0-licensen.

Rspamd är byggt med en händelsedriven arkitektur och är ursprungligen avsett för användning i högbelastade system, vilket gör det möjligt att bearbeta hundratals meddelanden per sekund. Regler för att identifiera spamsignaturer är mycket flexibla och kan i enklaste form innehålla reguljära uttryck, medan de i mer komplexa situationer kan utformas på Lua-språket. Utökning av funktionalitet och tillägg av nya typer av kontroller implementeras genom moduler, som kan skapas på C- och Lua-språken. Till exempel finns moduler för att kontrollera avsändare med SPF och bekräfta domän avsändare via DKIM, skapa förfrågningar till DNSBL-listor. För att förenkla inställningar, skapa regler och spåra statistik finns ett administrativt webbgränssnitt.

I den nya versionen:

• Inställningarna för den bayesianska klassificeraren har förbättrats. Standard fönsterstorlek har minskats från 5 till 2 ord, vilket har ökat prestandan och minskat lagringsutrymmet med 4 gånger utan att påverka nivån av spamklassificering. För att testa klassificerarens arbete med olika inställningar har verktyget "rspamadm classifier_test" föreslagits.
• Modulen GPT har lagts till, som använder OpenAI GPT API för textklassificering genom att göra förfrågningar till stora språkmodeller som GPT-3.5 Turbo och GPT-4. Noggrannheten i spamklassificering med den nya modulen är lägre än för den bayesianska klassificeraren, men dess fördel är att den inte kräver förtränad träning och kan ta hänsyn till kontexten i meddelandena, medan en effektiv bayesiansk klassificerare behöver en kvalitativ och balanserad träning av motorn. Förutom den direkta identifieringen av spam i meddelanden kan GPT-modulen användas för att träna den bayesianska klassificeraren.
• Möjligheten att dela modulerna known_senders och replies har implementerats för att markera verifierade avsändare, där man använder det som tecken att de tidigare har fått svar.
• Dynamisk ändring av begränsningar för meddelandeutskick (dynamic ratelimit) kopplade till en viss avsändare, mottagare eller IP-adress.

Källa: opennet.ru