1、“.....以此来进行过滤的决定这个算法实现了许多由域名认证系统提供的有益的服务，如黑名单服务，白名单服务，不需要任何基础设施成本和首次展示的需要简介验证发送邮件域名的机制已经变得越来越普遍，规范而且受到激烈的争论最短路径优先算法的目标，访客，发送者基本上是相同的它们都被设计为通过使域名所有者发布个包含外发邮件服务器的名单来阻止欺骗通过这些测试的消息可以可靠的与个参与发送消息的域名关联然而这个信息不能充分的过滤垃圾邮件此外，想知道个负责任的域名，垃圾邮件过滤需要了解哪些域名发送垃圾邮件因此大多数域名认证的支持者建议合并域名认证和信誉服务这篇论文为你介绍种学习邮件域名和地址声誉的新算法，它以分析传输已知的垃圾邮件和好邮件的路径为基础此信息结合个新算法用于过滤欺骗性邮件标题，以确保垃圾邮件发送者不能规避分析。其结果是个有效的算法，它提供域名认证所需要的信誉信息用来做过滤决定有趣的是......”。

2、“.....部分或大部分域名认证系统，黑名单，白名单所得到的优势，可以通过本地学习而不需要大量的采取域名认证或者第三方的黑白名单服务我们描述的算法只使用来自收到的邮件的头部中的标准收到行中提到的地址，来分析此消息是否是垃圾邮件这是个学习算法，在此算法中我们假设它在种具有代表性的根据选定的地址分类的邮件上锻炼隐含在此算法后的直觉是来自相同或相似地址的邮件很可能享有共同的分类实验证据证明，此直觉是正确的该算法在识别垃圾邮件或者非垃圾邮件上是非常精确的，但是它不能准确的标记含有资源很少的网站对于其他的，使用其他技术比如朴素贝叶斯或者重桂的筛选器可以更精确的区分例如，虽然路径分析不如普通使用了贝叶斯的垃圾邮件筛选器精确，它认为贝叶斯筛选器处理的信息通常最优，在那个领域的那些方面它做的更好其结果可以纠正贝叶斯筛选器做出的评估......”。

3、“.....而且主要的域不发送垃圾邮件那么直接通过这个邮件通路传给用户是安全的由于垃圾邮件发送者同时也注册了域名发布了记录，我们不能假设通过验证的邮件来自于无垃圾邮件的域名这就需要些方法来决定这些域名的信誉这里所描述的算法直接使用地址，建立了它们的信誉，有时候基于附近的地址，而不是由个外部的声明集对它们进行分组然后根据分组学习它们的信誉在这点拥有的主要的优势是可以将不同的地址分到个组，所以为这个组产生个信誉信息会需要较少的信息，明确的说明这些范围的边界或许可以声明另种优势......”。

4、“.....发送的邮件，所以这个优势并不会像它被认为的那样优秀信息无疑可以在适当的时候和我们的算法结合，如果不结合那么我们的算法将依靠自己注意，虽然在声明的域名没有发布信息的时候不能识别任何东西，但是我们的算法可以从发送路径来学习而不管什么域名被声明为信息源这篇论文剩下的部分包括此算法更详细的描述对我们所做实验的解释，对实验的讨论以及我们的结论收到的头部协议指定，每个用于发送邮件信息的中继必须在消息头部列表中添加行，包括至少收到消息的服务器的信息和从哪里收到的消息，以及个说明添加头部时间的时间戳这些头部共同提供了用于传递消息的路径的记录然而，收到消息中的路径信息不能完全相信消息头部没有署名或者以任何方式验证，所以很容易被伪造沿路径的任何服务器可以插入虚假头部，使此消息好像来自发送者选择的任何个路径尽管如此，些收到的消息的头部是可信任的例如......”。

5、“.....假设它们可以识别这些组织的出站服务器但是，旦隐含的收到的行中的路径指向个未知的或者不可信任的服务器的时候，那么声称的剩下的路径信息不可信任就像下面所讨论的，开发个根据收到的行进行分析的有效的垃圾邮件筛选器的个关键挑战就是决定哪些记录在收到的行中的路径信息是可信任的算法路径分析通过根据以往发自此的邮件的记录来学习地址的优良来进行工作该算法的学习阶段需要套预归类是为垃圾邮件或非垃圾邮件标记的邮件作为输入学习算法提取每个消息中的地址序列，这些用来到达消息接收者，并且记录地址的数据在它的分类阶段，此算法提取目标信息的序列，然后根据可能用于传送此消息的网关的地址为这个消息产生个评分该分数可以经过个阈值，产生或不产生个垃圾邮件的分类，或者可以作为聚合筛选器的输入此算法不考虑其它信息特别的......”。

6、“.....为每个地址收集的数据只是简单的垃圾或者非垃圾邮件出现的次数这些计数然后就被用于估计个经过任何以前的地址的邮件是否是垃圾邮件概率估计是顺利的而且对纠正小样本是有必要的在分类中，我们观察被用来传递消息的地址序列，根据我们有充分数据的链中最后个地址分配给这个消息个分数在以上的算法轮廓看似合理之前有两个问题必须解决很多机器尤其是那些在链开始的位置，它们可能是僵尸电脑或者垃圾邮件制作者链接到它们的服务提供者不具有固定的地址，看到相同的训练集中的地址就像我们嫩试图分类的消息的概率比我们想象的小上述技术容易被欺骗那就是这个消息可能来自个平凡的地址......”。

7、“.....每个子树拥有个子树，每个子树对应于个地址第二字节可能的变化对于第三第四自己都是样的，当然随着我们走到树的下部，分支变得稀疏，产生个带有少于个节点的树在每个节点我们存储垃圾邮件的数目，以及非垃圾邮件的数目此节点所代表的地址或者范围已经出现了个概率将被计算出来，用来衡量此节点有多么普通，概率是垃圾邮件数目除以通过此地址或者此范围的邮件总数我们不能简单的按照这个概率的样子来使用它，再次，这里有两个问题我们试图为内部节点记录的是可以在我们得到个地址但是在此节点下没有完全匹配的情况下帮助我们的信息那个值应该受到平均子集的变化的影响，而不是受到这些范围内些特定的的变化的影响这可能非常重要在这个情况下，这些被垃圾邮件制造者使用，但是此范围总的来说不是这样，所以我们平均子节点的活跃性......”。

8、“.....那么下条消息是垃圾邮件的可能性不是我们解决两个问题的办法是我们计算出该地址的评分我们加个分的人为的新根我们多次到达包含实际的子树如果有个可用的话在该子树我们计算了他的子树和父节点的平均值也就是说，如果有个子节点，我们采取个节点的平均父节点和个子节点。对于叶节点我们采用父节点和由包含此叶节点的消息总数的叶节点的比率的平均值当然，有时候我们没有到达个叶节点，如果我们从来没有在我们的训练集中见过这种确切的地址当我们收到个新消息，我们查看每个地址，从最后个开始最靠近我们收消息的机器的地址我们计算它的分数，个介于和的数字，然后与下个地址的分数结合起来我们采取了两个地址加权平均，使用的权等于秒的其中是上述其理由是......”。

9、“.....上述技术容易受到欺骗如果垃圾邮件发送者通过伪装来欺骗我们的算法，这些来自垃圾地址的邮件会显示为来自合法的地址为了解决这个问题，我们为每个中间地址建立个信誉值，如果地址是不可信的，我们至少可以部分地忽略剩余的地址经过算法的实验我们发现了两个有用的改进我们发现，在实践中，如果在我们的训练设置的地址有任何序列完全匹配，当我们只找到个内部节点的时候，它是种比上面给出的分数更好的指标因此，我们给予精确匹配更多的权重我们发现，在产生消息的地址和作为网关的地址之间有个区别，我们将源地址和中间地址分开统计在我们方面，当公司开发了互联网的存在，大多数以前有过互联网电子邮件地址的研究所的用户，从研究所的内部网关转移到全体范围的网关是很缓慢的由于垃圾邮件的增加，研究网关现在似乎很少被用于合法邮件通过这些网关其中之的邮件是垃圾邮件，但是些研究人员仍然在使用它因此......”。