Titre : | Détection de Spam Image par les Techniques de Deep Learning. |
Auteurs : | Dr. LATRECHE Abdelkrim, Directeur de thèse ; HELAL Ahlem, Auteur |
Type de document : | texte imprimé |
Editeur : | Algèrie:unv saida-Dr Moulay Tahar, 2021-2022 |
Format : | 69p. / 29cm |
Accompagnement : | CD |
Note générale : | Bibliographie |
Langues: | Français |
Catégories : | |
Résumé : |
Le courrier électronique (e-mail) est devenu l'un des canaux les plus populaires et les plus fréquemment utilisés pour la communication personnelle et professionnelle en ligne. Malgré ses avantages, le courrier électronique est confronté à un problème de sécurité majeur, qui est la réception quotidienne d'un grand nombre de messages électroniques non sollicités, appelés "spams". Aujourd'hui, la plupart des systèmes de messagerie électronique disposent de mécanismes simples de filtrage des spams basés sur des technologies de filtrage des spams textuels. Pour contourner ces puissants filtres de détection basés sur le texte, les spammeurs ont réagi en introduisant de nouvelles techniques d'intégration de texte de spam dans des images jointes au courrier électronique, appelées "spam image". Le spam image est une sorte de spam dans lequel le texte du message est incorporé dans une image qui est ensuite jointes à l’e-mail. Pour y faire face, les chercheurs disposent de plusieurs approches d'apprentissage automatique qui utilisent diverses fonctionnalités telles que les métadonnées, la couleur, la forme, les caractéristiques de texture, etc. Avec l’apparition du concept de deep Learning (apprentissage en profondeur) et les bases de données volumineuses, un nouvel axe de recherche est développé. Notre projet consiste à proposer un système de détection de spam image basé sur le deep Learning (apprentissage en profondeur) et plus particulièrement les réseaux de neurones convolutifs. Ce système est capable de faire la distinction entre les images spam et les images légitimes (ham). Nous proposons deux modèles CNN différents et nous comparons les résultats obtenus au modèle VGG et à d'autres techniques d'apprentissage automatique tel que le SVM. Des tests expérimentaux ont été réalisés sur une base de données réelle, et nous avons obtenus des résultats satisfaisants. |
Note de contenu : |
1-Détection et filtrage de spam image 2-Apprentissage profond (Deep Learning) 3-Conception 4-Implémentation et expérimentations |
Exemplaires (1)
Code-barres | Cote | Support | Localisation | Section | Disponibilité |
---|---|---|---|---|---|
TECT01832 | T.I.MS00647 | Périodique | Ouvrages | 27 | Libre accès Disponible |