TIỂU LUẬN AN NINH CƠ SỞ DỮ LIỆU LỌC THÔNG TIN THEO ĐỊA CHỈ

ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ
KHOA CÔNG NGHỆ THÔNG TIN
Môn học: An ninh cơ sở dữ liệu
LỌC THÔNG TIN
THEO ĐỊA CHỈ
Giảng viên: PGS.TS.Trịnh Nhật Tiến
Học viên: Dư Công Thành
Hà Nội, tháng 12 năm 2013
MỤC LỤC
2
Chương 1 Tổng quan về hệ lọc thông tin
1.1 Giới thiệu chung
1.1.1 Kiến trúc tổng quát của hệ thống lọc thông tin
Lọc thông tin (Information Filtering) là lĩnh vực nghiên cứu các quá trình lọc
bỏnhững thông tin không thích hợp và cung cấp thông tin thích hợp đến với mỗi người
dùng. Lọc thông tin được xem là phương pháp hiệu quả hạn chế tình trạng quá tải thông
tin được quan tâm nhiều nhất hiện nay. Thông tin được cung cấp (còn được gọi là sản
phẩm) có thể là văn bản, trang web, phim, ảnh, dịch vụ hoặc bất kỳ dạng thông tin nào
được sản sinh ra từ các phương tiện truyền thông. Phạm vi ứng dụng của lọc thông tin trải
rộng trong nhiều ứng dụng thực tế khác nhau của khoa học máy tính. Ứng dụng tiêu biểu
nhất của lọc thông tin được kể đến là lọc kết quả tìm kiếm trong các máy tìm kiếm
(Search engine), lọc email dựa trên nội dung thư và hồ sơ người dùng, lọc thông tin văn
bản trên các máy chủ để cung cấp thông tin cho tập thể hoặc cá nhân thích hợp. Đặc biệt,
lọc thông tin tin có vai trò quan trọng cho các hệ thống tư vấn (Recommender system)
ứng dụng trong thương mai điện tử.
Một hệ thống lọc thông tin tổng quát bao gồm bốn thành phần cơ bản. Thành phần
phân tích dữ liệu (Data Analyser Component), thành phần mô hình người dùng (User
Model Component), thành phần học (Learning Component) và thành phần lọc ( Filtering
Component).
3

• Thành phần phân tích dữ liệu (DAC) có nhiệm vụ thu thập dữ liệu về sản phẩm từ
các nhà cung cấp thông tin (ví dụ tài liệu, thư điện tử, sách, báo, tạp chí, phim,
ảnh). Dữ liệu về sản phẩm được phân tích và biểu diễn theo một khuôn dạng thích
hợp, sau đó chuyển đến bộ phận lọc như hình 1.1.
• Thành phần mô hình người dùng (UMC) có thể “hiện” hoặc “ẩn” dùng để lấy
thông tin về người dùng, như giới tính, tuổi, nơi sinh sống và thông tin người dùng
đã truy vấn trước đó để tạo nên hồ sơ người dùng. Hồ sơ người dùng sau khi tạo ra
được chuyển đến thành phần học để thực hiện nhiệm vụ huấn luyện.
• Thành phần học (LC) thực hiện huấn luyện trên tập hồ sơ và phản hồi của người
dùng theo một thuật toán máy cụ thể. Thuật toán học lấy dữ liệu từ thành phần lọc
kết hợp với thông tin phản hồi người dùng để thực hiện nhiệm vụ huấn luyện. Kết
quả quá trình học được chuyển lại cho bộ phận lọc để thực hiện nhiệm vụ tiếp
theo.
• Thành phần lọc (FC) là thành phần quan trọng nhất của hệ thống, có nhiệm vụ
xem xét sự phù hợp giữa hồ sơ người dùng và biểu diễn dữ liệu sản phẩm để đưa
ra quyết định phân bổ sản phẩm. Nén dữ liệu sản phẩm phù hợp với hồ sơ người
4
dùng, sản phẩm sẽ được cung cấp cho người dùng đó. Trong trường hợp ngược lại,
hệ thống loại bỏ sản phẩm khỏi danh sách những sản phẩm phân bố cho người
dùng. Người dùng nhận được những sản phẩm thích hợp, xem xét, đánh giá, phản
hồi lại cho thành phần học để phục vụ quá trình lọc tiếp theo.
1.1.2 Lọc thông tin và truy vấn thông tin
Một số thành phần của hệ thống lọc có thể được tìm thấy trong các hệ thống
truy vấn thông tin. Tuy nhiên, ta có thể phân biệt sự khác biệt giữa hệ thống lọc thông
tin với các hệthống khác thông qua những đặc trưng liên quan đến người dùng, sản phẩm
và phương pháp thực hiện.
Các hệ thống lọc thông tin có thể khác nhau về nguyên lý, phương pháp, kỹ thuật,
phạm vi ứng dụng nhưng đều thực hiện mục tiêu cung cấp cho người dùng những thông
tin cần thiết nhất, loại bỏ những thông tin không có giá trị hoặc không thích hợp với
người dùng. Nguyên lý phổ biến được dùng trong lọc thông tin là nguyên lý dựa vào dữ

liệu (Data-Based) và nguyên lý dựa vào tri thức (Knowledge-Based). Các phương pháp
lọc có thể được thực hiện dựa vào nội dung thông tin tin sản phẩm hoặc lọc dựa vào thói
quen, sở thích người dùng. Các kỹ thuật lọc được phát triển dựa trên nền tảng từ lĩnh vực
truy vấn thông tin (Information Retrieval), tách thông tin (Information Extraction), phân
loại thông tin (Information Classification). Phạm vi ứng dụng của các hệ thống lọc được
áp dụng cho tất cả các mô hình thương mại điện tử thực tế: Khách hàng – Khách hàng,
Nhà cung cấp – Khách hàng, Nhà cung cấp – Nhà cung cấp.
1.2 Tác dụng của lọc thông tin
Lọc theo nội dung thực hiện hiệu quả với các dạng thông tin được biểu
diễn dưới dạng các đặc trưng nội dung nhưng lại khó lọc được các dạng thông tin đa
phương tiện. Lọc cộng tác cho lại kết quả tốt hơn so với lọc nội dung và có thể lọc bất
kỳ dạng thông tin nào nhưng gặp phải khó khăn trong trường hợp dữ liệu thưa, người
dùng mới và sản phẩm mới.
5
Chương 2 Các hệ thống lọc thông tin
Các phương pháp và kỹ thuật chính để lọc thông tin gồm có:
Phương pháp Các kỹ thuật sử dụng
Dựa trên kinh nghiệm Dựa trên mô hình
Dựa trên nội dung +TF-IDF
+Phân cụm
+Phân lớp bayes
+Phân cụm
+Cây quyết định
+Mạng nơron nhân tạo
Cộng tác +k-Láng giềng gần nhất
+Phân cụm
+Lí thuyết đồ thị
+Mạng bayes
+Phân cụm
+Mạng nơron nhân tạo

+Hồi quy tuyến tính
+Mô hình xác suất
Lai ghép +Kết hợp tuyến tính kết quả +Tích hợp đặc trưng của
một
phương pháp vào mô hình
của
phương pháp còn lại.
+Xây dựng mô hình hợp
nhất hai
phương pháp.
2.1 Phương pháp lọc theo nội dung
Lọc theo nội dung là phương pháp thực hiện dựa trên việc so sánh nội dung thông
tin hay mô tả hàng hóa, để tìm ra những sản phẩm tương tự với những gì mà người dùng
đã từng quan tâm để giới thiệu cho họ những sản phẩm này. Các phương pháp tiếp cận
cho lọc theo nội dung được chia thành hai phương pháp chính: lọc nội dung dựa vào bộ
6
nhớ và lọc nội dung dựa vào mô hình. Những vấn đề cần tiếp tục nghiên cứu của lọc nội
dung là vấn đề trích chọn đặc trưng và người dùng mới.
Các phương pháp pháp lọc theo nội dung:
Lọc nội dung dựa vào bộ nhớ:
Lọc nội dung dựa vào bộ nhớ là phương pháp sử dụng toàn bộ tập hồ sơ sản phẩm và tập
hồ sơ người dùng để thực hiện huấn luyện và dự đoán. Trong phương pháp này, các sản
phẩm mới được tính toán và so sánh với tất cả hồ sơ người dùng. Những sản phẩm mới
có mức độ tương tự cao nhất với hồ sơ người dùng sẽ được dùng để tư vấn cho người
dùng này. Phương pháp này còn được gọi là học dựa trên ví dụ (Instance-Based learning)
trong các tài liệu về học máy.
Lọc nội dung dựa vào mô hình:
Lọc nội dung dựa trên mô hình là phương pháp sử dụng tập hồ sơ sản phẩm và tập hồ sơ
người dùng để xây dựng nên mô hình huấn luyện. Mô hình dự đoán sau đó sẽ sử dụng kết
quả của mô hình huấn luyện để sinh ra tư vấn cho người dùng. Trong cách tiếp cận này,

lọc nội dung có thể sử dụng các kỹ thuật học máy như bayes, phân cụm, cây quyết định,
mạng neural nhân tạo để tạo nên dự đoán.
2.2 Phương pháp lọc cộng tác
Lọc cộng tác khai thác những khía cạnh liên quan đến thói quen sở thích của
người sửdụng sản phẩm để đưa ra dự đoán và phân bổ các sản phẩm cho người dùng này.
Các phương pháp tiếp cận cho lọc cộng tác cũng được chia thành hai phương pháp chính:
lọc cộng tác dựa vào bộ nhớ và lọc cộng tác dựa vào mô hình. Những vấn đề cần tiếp
tục nghiên cứu của lọc cộng tác là vấn đề dữ liệu thưa, vấn đề người dùng mới và sản
phẩm mới.
Lọc cộng tác dựa trên bộ nhớ:
7
Các phương pháp lọc dựa trên bộ nhớ sử dụng toàn bộ ma trận đánh giá để sinh ra dự
đoán các sản phẩm cho người dùng hiện thời. Về thực chất, đây là phương pháp học dựa
trên ví dụ. Phương pháp được thực hiện theo hai bước: Tính toán mức độ tương tự và
bước tạo nên dự đoán.
• Tính mức độ tương tự sin(x, y) : Mô tả khoảng cách, sự liên quan hay trọng số
giữa hai người dùng x và y (hoặc giữa hai sản phẩm x và y)
• Dự đoán : Đưa ra dự đoán cho người dùng cần được tư vấn bằng cách xác định
tập láng giềng của người dùng này. Tập láng giềng của người dùng cần tư vấn
được xác định dựa trên mức độ tương tự giữa các cặp người dùng hoặc sản phẩm.
Lọc cộng tác dựa vào mô hình:
Khác với phương pháp dựa trên bộ nhớ, phương pháp lọc dựa trên mô hình sử
dụng tập đánh giá để xây dựng mô hình huấn luyện. Kết quả của mô hình huấn luyện
được sử dụng để sinh ra dự đoán quan điểm của người dùng về các sản phẩm chưa được
họ đánh giá. Ưu điểm của phương pháp này là mô hình huấn luyện có kích thước nhỏ hơn
rất nhiều so với ma trận đánh giá và thực hiện dự đoán nhanh. Mô hình chỉ cần cập nhật
lại khi có những thay đổi lớn và chỉ thực hiện lại pha xây dựng mô hình.
2.3 Phương pháp lọc kết hợp
Lọc kết hợp là phương pháp kết hợp giữa lọc cộng tác và lọc nội dung, nhằm tận
dụng lợi thế và tránh những hạn chế của mỗi phương pháp. Lọc kết hợp được tiếp cận

theo bốn xu hướng chính: Kết hợp tuyến tính, kết hợp đặc tính của lọc nội dung vào lọc
cộng tác, kết hợp đặc tính của lọc cộng tác vào lọc nội dung và xây dựng mô hình hợp
nhất cho cả lọc cộng tác và lọc nội dung. Vấn đề cần tiếp tục nghiên cứu của lọc kết hợp
là nâng cao hiệu quả phương pháp biểu diễn và dự đoán cho mô hình kết hợp.
Các phương pháp lọc kết hợp:
8
Lọc kết hợp được tiếp cận theo bốn xu hướng chính: kết hợp tuyến tính, kết hợp
đặc tính của lọc nội dung vào lọc cộng tác, kết hợp đặc tính của lọc cộng tác vào lọc nội
dung và xây dựng mô hình hợp nhất giữa lọc cộng tác và lọc nội dung.
Kết hợp tuyến tínhlà phương pháp xây dựng hai lược đồ lọc nội dụng và lọc cộng tác
độc lập nhau. Kết quả dự đoán của toàn bộ mô hình có thể được lựa chọn từ phương pháp
cho kết quả tốt hơn. Ưu điểm của phương pháp này là kế thừa được phương pháp biểu
diễn và tính toán vốn có của các phương pháp. Nhược điểm lớn nhất của mô hình này là
lại cho kết quả không cao vì chưa có sự kết hợp hiệu quả giữa nội dung và đánh giá
người dùng.
Kết hợp đặc tính của nội dung vào lọc cộng táclà phương pháp dựa trên các kỹ thuật
lọc cộng tác thuần túy nhưng vẫn duy trì hồ sơ người dùng như một tham biến tham khảo
khi tính toán sự tương tự với hồ sơ người dùng hoặc không tương tự với hồ sơ người
dùng. Trong tường hợp dữ liệu thưa hoặc người dùng mới, mức độ tương tự giữa hồ sơ
người dùng và sản phẩm sẽ được xem xét đến để tạo nên dự đoán.
Kết hợp đặc tính của lọc cộng tác vào lọc nội dunglà phương pháp xem xét các đánh
giá người dùng của lọc cộng tác như một thành phần trong mỗi hồ sơ người dùng.
Phương pháp dự đoán thực hiện theo lọc nội dung thuần túy và so sánh với kết quả dựa
trên biểu diễn hồ sơ người dùng mở rộng. Phương pháp phổ biến nhất thực hiện theo mô
hình này là sử dụng các kỹ thuật giảm số chiều cho hồ sơ người dùng trước khi kết hợp
với đánh giá người dùng.
Mô hình hợp nhất là phương pháp biểu diễn đặc trưng nội dung và đánh giá người dùng
trên cùng một mô hình. Kết quả dự đoán dựa trên mô hình dữ liệu hợp nhất của cả nội
dung và đánh giá người dùng. Basu và các cộng sự đề xuất sử dụng lọc cộng tác và lọc
nội dung trong một bộ phân loại đơn lẻ. Schein đề xuất phương pháp thống kê kết hợp hai

phương pháp dựa trên mô hình phân tích ngữ nghĩa ẩn. Ansari đề xuất mô hình hồi quy
dựa trên mạng Bayes, trong đó mỗi hồ sơ người dùng và sản phẩm được biểu diễn trong
cùng một mô hình thống kê.
9
Nhiều kết quả so sánh lọc kết hợp đã chứng tỏ phương pháp cho lại kết quả dự đoán tốt
hơn so với các phương pháp lọc cộng tác và lọc nội dung thuần túy. Đặc biệt, lọc kết hợp
hạn chế hiệu quả vấn đề dữ liệu thưa và người dùng mới.
Chương 3 Ứng dụng lọc thông tin trong hệ thống lọc thư rác
3.1 Phân loại thư rác
Có rất nhiều cách phân loại thư rác .
 Dựa trên kiểu phát tán thưrác: Tính tới thời điểm hiện tại, thưrác có thểbịgửi thông
qua thư điện tử, nhóm thảo luận (newsgroups), điện thoại di động (Short Message
Service - SMS) và các dịch vụgửi tin nhắn trên mạng (nhưYahoo Messenger,
Windows Messenger )
 Dựa vào quan hệvới người gửi thưrác: bao gồm người lạmặt, bạn bè, người quen và
các dịch vụquyên góp giúp đỡ…
 Dựa vào nội dung của thưrác: các kiểu nội dung phổbiến nhưthưvề thương mại,
thưvềchính trị, thưvềcông nghệ, chuỗi thư(chain e-mail) và các loại khác
(nhưthưphát tán virus ).
 Dựa trên động lực của người gửi:Thông thường, thưrác được gửi đi cho những mục
đích quảng bá thông tin. Ngoài ra, còn có một sốloại thưrác được gửi tới một người
nhận xác định nào đó nhằm mục đích phá vỡvà gây cản trởcông việc của người
nhận hay mạng của nhà cung cấp dịch vụthư điện tử(ESP) được gọi là “bom thư”.
Thưrác còn được cốý gửi đi nhằm thông báo tin sai lệch, làm xáo trộn công việc và
cuộc sống của người nhận.
Sựphân loại thưrác rất quan trọng không chỉtrong lĩnh vực tạo những bộlọc thư
rác có hiệu quảcao mà còn giúp cho việc ban hành các bộluật chống thưrác phù hợp.
10
3.2 Lọc thư rác dựa trên địa chỉ IP
Phương pháp lọc thưrác thông qua địa chỉIP là phương pháp đơn giản và được

sửdụng sớm nhất trong công cuộc chống thưrác. Dựa vào địa chỉIP của người gửi đểxác
định thư đó bịngăn chặn hoặc cho qua. Có hai cách đểthực hiện việc lọc thư: một là duy
trì một danh sách các địa chỉIP bịchặn (còn gọi là danh sách đen blacklist); thứhai là
sửdụng một danh sách các địa chỉIP cho phép qua (danh sách trắng whitelist).
Danh sách đen (Blacklist)
Người ta lập ra một danh sách các địa chỉgửi thưrác. Các nhà cung cấp dịch vụthư
điện tử(ISP) sẽdựa trên danh sách này đểloại bỏnhững thưnằm trong danh sách này. Danh
sách này thường xuyên được cập nhật và được chia sẻgiữa các nhà cung cấp dịch vụ. Một
sốdanh sách đen điển hình được lập ra như: SpamCop Blocking List và Composite Block
List.
Ưu điểm của phương pháp này là các ISP sẽngăn chặn được khá nhiều địa chỉgửi
thưrác. Mặc dù danh sách đen này luôn được cập nhật nhưng với sựthay đổi liên tục địa
chỉ, sựgiảmạo địa chỉhoặc lợi dụng một mail server hợp pháp đểgửi thưrác đã làm
sốlượng thưrác gửi đi vẫn ngày càng tăng cao. Do đó phương pháp này chỉngăn chặn
được một nửa sốthưrác gửi đi và sẽmất rất nhiều thưhợp pháp nếu ngăn chặn nhầm.
Danh sách trắng (Whitelist)
Danh sách các địa chỉtin cậy (Safe Sender List), danh sách này có thểdo một nhà
cung cấp dịch vụnào đó cung cấp. Những địa chỉthuộc danh sách sẽ được cho qua bộlọc.
Người dùng phải đăng ký với nhà cung cấp danh sách để được nằm trong danh sách.
Ưu điểm: sốlượng địa chỉtrong danh sách trắng sẽít hơn trong danh sách đen vì
thếsẽdễcập nhật hơn danh sách đen và giải quyết được tình trạng chặn nhầm thư.
Tuy nhiên cảhai phương pháp trên đều có nhược điểm là khó cập nhật, nhất là khi
ai đó thay đổi địa chỉIP. Ngoài ra người gửi cũng có thểlợi dụng server mail có trong
danh sách trắng đểgửi thưrác, khi đó rất khó kiểm soát.
11
3.3 Phương pháp lọc dựa trên mạng xã hội
Các nghiên cứu gần đây đã bắt đầu khai thác thông tin từ mạng xã hộicho việc xác
định thưrác bằng cách xây dựng một đồthị(các đỉnh là địa chỉemail, cung được thêm vào
giữa 2 node A và B nếu giữa A và B có sựtrao đổi thưqua lại). Người ta đã sửdụng một
sốtính chất đặc trưng của mạng xã hội đểxây dựng một công cụlọc thưrác.

Đầu tiên, người ta phân đồthịthành các thành phần con rồi tính độphân cụm cho
từng thành phần này. Mỗi thành phần con là một đồthịmạng xã hội của một node, bao
gồm tất cảcác node xung quanh là “node hàngxóm” (các node có cung liên kết với node
này) và những cung liên kết giữa các node hàng xóm này với nhau. Nếu thành phần nào
có độphân cụm thấp thì node tương ứng với thành phần đó là một địa chỉgửi thưrác.
Trong thành phần mạng xã hội của những node gửi thưrác, những node hàng xóm của nó
thường là những node rất ngẫu nhiên, không có mối quan hệ(không có sựtrao đổi email
qua lại với nhau) nên độphân cụm của mạng xã hội của những node này rất thấp. Ngược
lại, mạng xã hội ứng với những người dùng bình thường có độphân cụm cao hơn. Dựa
vào độphân cụm, người ta tạo được danh sách đen (Blacklist) gồm địa chỉemail tương
ứng với những node có độphân cụm rất thấp, danh sách trắng (Whitelist) ứng với node có
độphân cụm cao, sốnode còn lại sẽ được đưa vào danh sách cần xem xét (Greylist).
Phương pháp này có thểphân loại được 53% tổng sốemail một cách chính xác là ham hay
spam. Nhược điểm của phương pháp là những spammer có thểxây dựng mạng xã hội của
chính họnên khó có thểphát hiện ra.
3.4 Phương pháp định danh người gửi
Giảmạo thư điện tử- là việc giảmạo địa chỉthư điện tửcủa công ty hoặc của người
khác đểkhiến người sửdụng tin tưởng và mởthư- đang là một trong những thửthách lớn
nhất mà cộng đồng sửdụng Internet và các kỹthuật viên chống thưrác hiện đang phải đối
mặt. Nếu không có sựthẩm định quyền, xác nhận và khảnăng truy tìm danh tính của
người gửi, các hăng cung cấp dịch vụthư điện tửkhông bao giờcó thểbiết chắc một bức
thưlà hợp pháp hay bịgiảmạo. Do đó việc xác nhận danh tính của người gửi là rất cần
12
thiết. Phương pháp được đềxuất đó là phương pháp Domainkeys, đây là phương pháp
hiện đang rất được quan tâm chú ý nghiên cứu phát triển.
Domainkeys là một phương thức mã hóa định danh, được đềxuất bởi Yahoo vào
tháng 5 năm 2004. Domainkeys không những chỉcho phép xác định domain của người
gửi mà còn cho phép kiểm tra tính toàn vẹn của chính nội dung của email. Domainkeys
sửdụng mã hóa khóa công cộng RSA đểxác minh tính toàn vẹn của người gửi email tại
mức domain. Domainkeys được thực hiện và sửdụng bởi cảyahoo! Mail và Google mail.

Nội dung cơbản của Domainkeys được trình bày nhưsau. Mỗi domain phải sinh ra
một cặp khóa bí mật và khóa công khai. Khóa công khai được công bốtrong bản ghi vùng
DNS. Khóa bí mật được giữlại tại dịch vụMTA gửi thư. Sau khi email đã được gửi đi,
dịch vụgửi thưMTA ký sốvào nội dung của email bằng khóa bí mật. Chữký được thêm
vào trường Domainkey_signature.
Domainkeys yêu cầu cảbên gửi Mail Transfer Agent(MTA) và bên nhận MTA thực
hiện domainkey. Việc xác minh của Domainkeys_signature có thểcũng được thực hiện tại
Domainkeys_enabled của Mail User Agent (MUA).
Khi server nhận được tên của domain từmail gốc (string-domainkey) thì bộselector
thực hiện tra cứu DNS. Dữliệu trảvềchứa khóa công khai của domain đó. Người nhận có
thểgiải mã giá trịbăm chứa trong trường tiêu đềvà đồng thời tính lại giá trịbăm cho phần
thân của mail nhận được. sau đó so sánh hai giá trịnày nếu giống nhau chứng tỏmail được
gửi là thật, đảm bảo tin cậy nếu không là mail không đáng tin.
Ưu điểm:
 Xác định nguồn gốc domain của email một cách rõ ràng, sẽhiệu quảhơn nếu
kết hợp với sửdụng danh sách đen và danh sách trắng. Giúp dễdàng phát hiện
ra sựtấn công phising.
 Loại bỏnhững email giảmạo tại phần mềm email người dùng cuối (mail user
agents) hoặc bởi ISP’s mail transfer agents.
13
 Theo dõi việc lạm dụng domain của những cá nhân một cách dễdàng hơn.
Khảnăng tương thích:
Domainkeys tương thích với cấu trúc hiện tại của email. Trong trường hợp đặc
biệt, đối với hệthống email mà không có sựhỗtrợcủa domainkeys thì nó là trong suốt.
Nhược điểm:
Domainkeys là một công nghệxác định danh tính, nó không tham gia trực tiếp
trong việc lọc spam. Ví dụ: Domainkeys cho người nhận thưbiết mẩu tin đó
từexample.net, nhưng không thểcho biết liệu mail từexample đó có phải là spam hay
không. Chỉchữký không khẳng định thư đó có được mong muốn hay không, và các
Spammer cũng có thểký mail, cũng có thểgiảmạo chữký…

Ngoài ra còn có một sốphương pháp khác như:
- SPF classic: được IETF đềxuất đầu tiên vào tháng 7 năm 2003. SPF sửdụng
return_path hay SMPT ”MAIL FROM” đểxác nhận danh tính của người gửi.
Nhà quản trịdomain sẽphát hành một bản ghi SPF dịnh dạng là file txt trong
Domain Name System. Bản ghi SPF chỉrõ những host đã được định danh gửi mail. Sau
khi nhận một emai, dịch vụnhận thưMTA sẽkiểm tra bản ghi SPF, nếu người gửi với đặc
tính “Mail From” thỏa mãn sẽ được phép gửi mail .Trong trường hợp người gửi không
được phép gửi thư, MTA sẽ đánh dấu email đó hoặc là đẩy mail đó ra và thông báo lỗi
SMPT 550. Trong trường hợp đánh dấu, email đựoc xửlý tiếp bởi một bộlọc dựa trên các
luật. SPF được thực hiện ngay trên dịch vụnhận MTA.
- Sender ID Framework (SIDF): SIDF là kỹthuật định danh IP được chuẩn IETF
đềxuất , nó kết hợp với SPF và Microsoft CallID (MIC04). Rất nhiều nhà sản xuất phần
có hỗtrợSID Framework.
- Identified Internet Mai (IMM):Cũng giống nhưDomainkeys, IMM là phương
thức mã hóa danh tính (authentiaction) . Nó sửdụng mã hóa khóa công cộng RSA. IMM
14
được phát triển bởi Cisco Systems và IETF đưa ra tháng 7 năm 2004. Ý tưởng
Domainkeys và IMM là tương tựnhau, nhưng có một vài điểm khác.
- FairUCE: fair use of Unsolicited Commercial Email, được phát triển bởi IBM.
FairUCE là kỹthuật dựa trên xác định tính đúng đắn của IP. IBM không cốgắng đạt tới
hệthống FairUCE hoàn hảo, nhưng là một cơcấu đơn giản hiệu quả đểxác định tính đúng
đắn.
Tất cảnhững kỹthuật nêu ra ởtrên nhằm cải tiến vấn đềan toàn cho giao thức
SMTP. Kỹthuật nổi bật là Domainkeys và Identified Internet Mail. IIM hiện tại chỉđược
đưa ra với phiên bản alpha. Domainkeys đã được đưa vào sửdụng, nhưng chỉ được thực
hiện bởi 2 nhà sản xuất. Vì thếtỉlệchấp nhận của những đềxuất này là rất thấp. Tuy nhiên
một chuẩn mới Domainkeys Identified Mail, sựkết hợp của hai kỹthuật Domainkeys và
IIM đang được phát triển làm thay khảnăng chấp nhận của chúng được tăng lên.
15