Robust identification of email tracking: A machine learning approach

ردیابی ایمیل اجازه می دهد تا فرستندگان ایمیل برای جمع آوری اطلاعات دقیق و اطلاعات مکان بر روی گیرندگان ایمیل، که توسط آدرس ایمیل خود منحصرا قابل شناسایی است. چنین ردیابی به حریم خصوصی کاربران نفوذ می کند که در آن تکنیک های ردیابی ایمیل جمع آوری داده ها بدون رضایت کاربر یا آگاهی است. در تلاش برای افزایش حریم خصوصی در ارتباطات ایمیل، این مقاله یک موتور تشخیصی را به عنوان هسته مکانیسم مسدود کردن ردیابی انتخابی در قالب سه مشارکت توسعه می دهد. اولا، یک مجموعه بزرگ از خبرنامه های الکترونیکی برای تجزیه و تحلیل استفاده گسترده از پیگیری بیش از کشورهای مختلف، صنایع و زمان تجزیه و تحلیل شده است. دوم، ما مجموعه ای از ویژگی هایی را جهت شناسایی تصاویر ردیابی در شرایط واقعی ارائه می دهیم. ویژگی های رمان برای مقابله با محاسبات و کارایی، قابل تعمیم دادن و انعطاف پذیری در برابر تغییرات زیرساخت ردیابی طراحی شده اند. سوم، ما توان پیش بینی این ویژگی ها را در یک آزمایش معیار سنجی با استفاده از مجموعه ای از طبقه بندی های پیشرفته تر برای اثبات اثربخشی شناسایی ردیابی مبتنی بر مدل آزمایش می کنیم. ما دقت مورد انتظار رویکرد را در مورد داده های خارج از نمونه، بیش از افزایش دوره ها و زمانی که با فرستندگان ناشناخته روبرو هستیم، ارزیابی می کنیم.