SpamDam: Towards Privacy-Preserving and Adversary-Resistant SMS Spam Detection

这项研究介绍了SpamDam，一种短信垃圾邮件检测框架，旨在克服检测和理解短信垃圾邮件的关键挑战，例如缺乏公共短信垃圾邮件数据集、收集短信数据的隐私问题以及需要对抗敌对检测模型。SpamDam包括四个创新模块：一个从在线社交网络（OSNs）中识别垃圾邮件消息的短信垃圾邮件雷达；一个用于统计分析的短信垃圾邮件检查器；使中央训练和联合学习均可的SMS垃圾邮件检测器（SSDs）；以及一个SSD分析器，评估模型在现实场景中对抗敌对者的抵抗力。利用SpamDam，我们已经从Twitter和微博收集了超过76K条短信垃圾邮件消息，形成了同类数据集中最大的数据集。这个数据集使我们能够深入了解最近的垃圾邮件活动，并训练出高性能的二元和多标签分类器用于垃圾邮件检测。此外，联合学习的有效性已经得到了充分证明，可以实现保护隐私的短信垃圾邮件检测。此外，我们还对短信垃圾邮件检测模型的对抗鲁棒性进行了严格测试，引入了新颖的反向后门攻击，该攻击在实际测试中表现出有效性和隐蔽性。

本论文旨在解决SMS垃圾短信检测中的挑战，例如缺乏公共SMS垃圾短信数据集、收集SMS数据的隐私问题以及需要抵御对手的检测模型等问题。

论文提出了SpamDam，一种SMS垃圾短信检测框架，包括四个创新模块：SMS垃圾雷达、SMS垃圾检查器、SMS垃圾检测器和检测器分析器。SpamDam利用Twitter和Weibo的数据集，进行了中央训练和联邦学习，开发了高性能的二进制和多标签分类器，同时测试了对手的鲁棒性。

论文收集了超过76K条来自Twitter和Weibo的SMS垃圾短信，形成了同类数据集中最大的数据集；采用联邦学习实现了隐私保护的SMS垃圾短信检测；引入了新颖的反向后门攻击，测试了对手的鲁棒性。

最近的相关研究有：1. SMS垃圾短信检测方法的比较研究；2. 基于深度学习的SMS垃圾短信检测方法研究；3. 基于机器学习的SMS垃圾短信检测方法综述。