Email spam detection using machine learning based text analysis

Abstract

Phishing is the most common cyber security type of attack that threatens the integrity of all sorts of companies or individuals and is responsible for an incalculable amount of information leakage and economic loss. In this project, an exhaustive investigation has been done regarding the possibility of using machine learning algorithms to analyze email text, in order to generate models capable of recognizing particular senders or in the contrary, recognize possible impersonation. Moreover, a testing-phased tool has been developed in order to fulfill that purpose, allowing users to authenticate with their gmail account and generate the models that will be used over the desired emails so possible phishing is marked as dangerous in their inboxes.

El phishing es el tipo de ataque de ciberseguridad más común y amenaza la integridad de todo tipo de empresas o personas, siendo responsable de una cantidad incalculable de pérdidas en cuanto a información y pérdidas económicas. En este proyecto se ha investigado exhaustivamente la posibilidad de utilizar algoritmos de aprendizaje automático para analizar el texto de los correos electrónicos, con el fin de generar modelos capaces de reconocer remitentes concretos o, por el contrario, reconocer posibles suplantaciones de identidad. Además, para cumplir con ese propósito se ha desarrollado una herramienta en fase de prueba, que permite a los usuarios autenticarse con su cuenta de gmail y generar los modelos, que se utilizarán sobre los correos electrónicos deseados, para que el posible phishing sea marcado como peligroso en sus bandejas de entrada.