Phishing Email Dataset
Conjunto de datos que compila más de 82 000 correos electrónicos de varias fuentes, anotados para la detección de suplantación de identidad. Los correos electrónicos contienen el asunto, el cuerpo del mensaje y los metadatos asociados. Este corpus es adecuado para modelos de entrenamiento para la clasificación y detección de ataques de suplantación de identidad.
Aproximadamente 82.500 correos electrónicos en formato de texto, con metadatos (remitente, destinatario, fecha), spam o suplantación de identidad anotados o legítimos
CC BY-SA 4.0
Descripción
El conjunto de datos Conjunto de datos de correo electrónico de incluye aproximadamente 82.500 correos electrónicos anotados como spam, suplantación de identidad o legítimos, de varias bases de datos (Enron, Ling, SpamAssassin, etc.). Contiene el asunto, el cuerpo del mensaje y metadatos, como el remitente, el destinatario y la fecha.
¿Para qué sirve este conjunto de datos?
- Entrene modelos automáticos de detección de spam y suplantación de identidad mediante el análisis de texto.
- Estudie las tácticas y características de los correos electrónicos fraudulentos.
- Desarrolle herramientas de filtrado y seguridad para el correo electrónico.
¿Se puede enriquecer o mejorar?
Sí, es posible añadir anotaciones adicionales, como la clasificación por tipo de ataque de suplantación de identidad o la detección de elementos maliciosos específicos. El conjunto de datos también se puede actualizar periódicamente con nuevas campañas.
🔎 En resumen
🧠 Recomendado para
- Investigadores de ciberseguridad
- Desarrolladores de filtros de spam
- Estudiantes de PNL
🔧 Herramientas compatibles
- TensorFlow
- PyTorch
- Espacio Y
- Scikit-learn
- Bibliotecas de análisis de correo electrónico
💡 Consejo
Pruebe enfoques híbridos que combinen análisis textual y metadatos para mejorar la detección.
Preguntas frecuentes
¿Este conjunto de datos contiene correos electrónicos recientes que sean representativos de las tácticas de suplantación de identidad actuales?
El conjunto de datos combina varias fuentes tradicionales, es recomendable completarlo con datos más recientes para mantenerse actualizado.
¿Los correos electrónicos contienen archivos adjuntos o solo texto?
Principalmente texto con asunto y cuerpo, los archivos adjuntos no están incluidos.
¿Puedo usar este conjunto de datos para un proyecto comercial?
Sí, la licencia CC BY-SA 4.0 permite el uso comercial en condiciones de uso compartido idénticas.
