Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightBu çalışmada, spam ve phishing içerikli e-postaların otomatik olarak tespit edilmesine yönelik hibrit bir sınıflandırma modeli önerilmektedir.
📌 3 Maddede Bu Makale
Özet
Günümüzde dijital iletişimin temel taşı olan e-posta, bilgi paylaşımı açısından büyük kolaylık sağlarken, spam ve kimlik avı (phishing) gibi kötü niyetli saldırıların da en yaygın aracı haline gelmiştir. Saldırganlar, giderek daha ikna edici içerikler oluşturarak kullanıcıları yanıltmakta ve kişisel bilgilerini ele geçirmektedir. Bu durum, geleneksel anahtar kelime tabanlı filtreleme sistemlerinin yetersiz kalmasına ve daha gelişmiş, açıklanabilir yapay zekâ tabanlı modellere ihtiyaç duyulmasına neden olmuştur. Bu çalışmada, spam ve phishing içerikli e-postaların otomatik olarak tespit edilmesine yönelik hibrit bir sınıflandırma modeli önerilmektedir. E-posta metinleri TF-IDF yöntemiyle sayısal temsile dönüştürülmüş; ardından Multinomial Naïve Bayes ve Multi-Layer Perceptron (MLP) sınıflayıcıları eğitilmiş, bu iki modelin çıktı olasılıkları lojistik regresyon tabanlı bir meta-öğrenici ile birleştirilerek stacking mimarisi oluşturulmuştur. Geliştirilen model, test verisi üzerinde %99.0 doğruluk, %99.2 kesinlik, %98.8 duyarlılık ve %99.0 F1 skoru ile üstün performans göstermiştir. Ayrıca ROC-AUC skoru 0.999 olarak hesaplanmış, log-odds analiziyle modelin açıklanabilirliği detaylandırılmıştır. Ek olarak, hibrit modelin performansı Transformer tabanlı modern dil modelleri (BERT, DistilBERT, ELECTRA) ile karşılaştırılmıştır. Elde edilen bulgular, hibrit yaklaşımın bu güçlü modellerle benzer düzeyde başarı sağladığını ve daha düşük hesaplama maliyetiyle pratik e-posta güvenlik sistemlerinde uygulanabilir bir alternatif sunduğunu ortaya koymuştur.
Abstract
Email, as the cornerstone of digital communication, offers significant convenience for information exchange but has also become one of the most common tools for malicious activities such as spam and phishing. Attackers increasingly craft convincing content to deceive users and steal personal information. This has rendered traditional keyword-based filtering systems insufficient, creating the need for more advanced and explainable AI-based models. In this study, a hybrid classification model is proposed for the automatic detection of spam and phishing emails. Email texts were transformed into numerical representations using the TF-IDF method; subsequently, Multinomial Naïve Bayes and Multi-Layer Perceptron (MLP) classifiers were trained. The output probabilities of these models were combined using a logistic regression–based meta-learner to construct a stacking architecture. The developed model achieved superior performance on the test set, with an accuracy of 99.0%, precision of 99.2%, recall of 98.8%, and an F1-score of 99.0%. Additionally, the ROC-AUC score was calculated as 0.999, and the explainability of the model was further detailed through log-odds analysis. Furthermore, the hybrid model’s performance was compared with state-of-the-art Transformer-based language models (BERT, DistilBERT, ELECTRA). The findings reveal that the proposed approach achieves comparable success to these advanced models while offering lower computational cost, demonstrating its effectiveness and practicality for real-world email security systems.