Skräppostfiltreringssystemet Rspamd 3.9 har släppts, vilket ger verktyg för att utvärdera meddelanden enligt olika kriterier, inklusive regler, statistiska metoder och svarta listor, på grundval av vilka meddelandets slutvikt bildas, som används för att bestämma om det ska blockeras . Rspamd stöder nästan alla funktioner implementerade i SpamAssassin, och har ett antal funktioner som låter dig filtrera e-post i genomsnitt 10 gånger snabbare än SpamAssassin, samt ger bättre filtreringskvalitet. Systemkoden är skriven på C-språk och distribueras under Apache 2.0-licensen.
Rspamd är byggt med en händelsedriven arkitektur och är designad för högbelastade system, där hundratals meddelanden bearbetas per sekund. Regler för skräppostdetektering är mycket flexibla och kan i sin enklaste form innehålla reguljära uttryck, medan de i mer komplexa situationer kan skrivas i Lua. Funktionaliteten kan utökas och nya typer av kontroller kan läggas till genom moduler som kan skrivas i C och Lua. Till exempel finns moduler tillgängliga för avsändarverifiering med SPF, bekräftelse och andra metoder. domän Avsändarautentisering via DKIM, generering av frågor till DNSBL-listor. Ett administrativt webbgränssnitt tillhandahålls för att förenkla installation, regelskapande och statistikspårning.
I den nya versionen:
- Förbättrade Bayesianska klassificeringsinställningar. Standardfönsterstorleken har minskats från 5 till 2 ord, vilket har förbättrat prestandan och minskat lagringsutrymmesförbrukningen med 4 gånger utan att försämra klassificeringsnivån för skräppost. För att testa klassificerarens funktion med olika inställningar, föreslås verktyget "rspmadm classifier_test".
- Lade till en GPT-modul som använder OpenAI GPT API för att klassificera text via fråga mot stora språkmodeller som GPT-3.5 Turbo och GPT-4o. Noggrannheten i skräppostklassificeringen med den nya modulen är lägre än den för den Bayesianska klassificeraren, men dess fördel är att den inte kräver förberedande utbildning och kan ta hänsyn till sammanhanget i meddelanden, medan för att den Bayesianska klassificeraren ska fungera effektivt, hög- kvalitet och balanserad träning av motorn är nödvändig. Förutom att direkt identifiera spam i meddelanden kan GPT-modulen användas för att träna en Bayesiansk klassificerare.
- Det är möjligt att använda modulerna kända_avsändare och svar tillsammans för att markera verifierade avsändare, och använda som ett tecken på att svar tidigare har skickats till dem.
- Som standard är dynamisk ändring av meddelandehastighetsgränser (dynamisk hastighetsgräns) associerad med en enskild avsändare, mottagare eller IP-adress.
Källa: opennet.ru
