Thông tin tình báo về mối đe dọa / không gian làm việc trực tiếp

Phát hiện. Giải thích. Bảo vệ.

Phân tích các tín hiệu tin nhắn bằng bộ phân loại thư rác có thể giải thích được, được xây dựng để đưa ra quyết định nhanh chóng và tự tin.

Sẵn sàng để phân tích0 scans today

01 / INPUT

Phân tích email

02 / DECISION

Kết quả phát hiện

LR · v1.4

0.0%xác suất spam

Awaiting analysis

Gửi email để tiết lộ quyết định của mô hình và bằng chứng hỗ trợ.

Độ tin cậy của mô hình—

Ngưỡng50%

Mô hìnhLogistic regression

Điểm mô hình—

03 / SIGNALS

Các tính năng được trích xuất

0

Tần suất từ—

—

Đã phát hiện liên kết—

—

Liên kết đáng ngờ—

—

Độ dài email—

—

Số lượng từ—

—

Các chỉ báo khẩn cấp—

—

⌁Các tín hiệu sẽ xuất hiện ở đây sau khi phân tích.

04 / EXPLANATION

Bằng chứng phát hiện

Tại sao mô hình đưa ra quyết định

◎Chưa có bằng chứngChạy phân tích để xem quyết định được chia nhỏ thành các tín hiệu rõ ràng.

05 / INSPECTĐiểm nổi bật của tin nhắn
Đã chú thích
Từ đáng ngờLiên kết rủi roKhẩn cấp
Tin nhắn đã phân tích của bạn sẽ được chú thích tại đây.

06 / INTERPRETATION

Điều gì đã ảnh hưởng đến dự đoán?

Đường cơ sở cục bộ + trọng số theo ngữ cảnh, không đảm bảo giải thích nguyên nhân

Phân tích email để so sánh ảnh hưởng của tính năng.

07 / MULTIMODAL

Phân tích rủi ro

Các tín hiệu nâng cao

Phân tích email để lập bản đồ rủi ro về văn bản, URL, cấu trúc và siêu dữ liệu.

08 / CONTENT SIGNALS

Các chỉ báo lừa đảo có sự hỗ trợ của AI

Heuristic

—Chỉ báo nội dung AI

—

Các chỉ báo liên quan đến việc viết tự động hoặc có sự hỗ trợ của AI không phải là bằng chứng xác thực về quyền tác giả của AI.

Rủi ro lừa đảo—

Phân tích email để xem các tín hiệu lừa đảo và nội dung AI riêng biệt.

Hồ sơ hoạt động

Lịch sử phân tích

Xem lại các phân loại gần đây và mở lại bất kỳ tin nhắn nào để xem dấu vết bằng chứng của nó.

Thời gian	Người gửi	Tiêu đề	Xác suất	Kết quả	Open

◌Không có phân tích nào khớp với bộ lọc nàyCác lượt quét đã hoàn thành của bạn sẽ xuất hiện tại đây.

Học máy có thể giải thích

Thông tin chi tiết về mô hình

Cái nhìn minh bạch về cách các tín hiệu đặc trưng trở thành xác suất.

LOGISTIC REGRESSION · V1.4

MODEL FUNCTION

Đường cong quyết định Sigmoid

σ(z) = 1 / (1 + e⁻ᶻ)

Điểm mô hình—

Đầu ra Sigmoid—

Xác suất spam—

Phân loại—

FEATURE VECTOR

Các đặc trưng đầu vào

X1 · Tần suất từ—

X2 · Rủi ro liên kết—

X3 · Độ dài email—

w1 · vocabulary4.20

w2 · link risk3.10

w3 · length signal0.95

b · intercept−2.10

Weighted score→Sigmoid→Probability→Class

MODEL STORY

Cơ sở → cải tiến

Mô hình cơ sở3 các đặc trưng

Tần suất từ, rủi ro liên kết và độ dài email cung cấp cho mô hình sigmoid hiện có.

→

Đánh giá nâng cao10+ tín hiệu

Văn bản, URL, cấu trúc, siêu dữ liệu, giải thích và các chỉ báo nội dung thêm ngữ cảnh mà không thay thế mô hình cơ sở.

EVALUATION

Số liệu mô hình

Yêu cầu tập dữ liệu

Kết nối một tập hợp kiểm thử đã được gắn nhãn để tính toán độ chính xác, độ thu hồi, F1, ROC-AUC và PR-AUC so với cơ sở. Không có số liệu hiệu suất nào được tạo giả trong bản demo này.

Canvas điều tra

Phân tích tín hiệu

Chế độ xem tập trung vào tin nhắn mới nhất và các chỉ báo được trích xuất của nó.

⌁Chưa có tin nhắn nào được phân tíchBản đồ tính năng mới nhất của bạn sẽ xuất hiện ở đây sau khi quét.

Trình phát hiện thư rác MailGuard AI