PROBLÈME
Que se passe-t-il lorsque l'administrateur clique sur « Mark As » ou « Report As » ?SOLUTION
La gestion des faux positifs (FP) et faux négatifs (FN) fait naturellement partie de l'exploitation de tout système de sécurité de la messagerie. Même les moteurs de filtrage les plus avancés peuvent parfois classer les messages de manière incorrecte, en particulier pendant la phase d'apprentissage initiale ou selon les préférences individuelles des utilisateurs. Les newsletters, les notifications automatiques et les e-mails marketing sont des exemples courants où la perception du spam peut varier d'un destinataire à l'autre. Pour cette raison, un système efficace doit non seulement détecter les erreurs, mais aussi fournir des outils rapides et fiables pour les corriger et améliorer en permanence la précision.
Le mécanisme principal de gestion des faux positifs et des faux négatifs repose sur le Machine Learning et l'AI Classifier. Le système apprend continuellement à partir du flux de messagerie, de la classification des messages et du comportement des utilisateurs, en adaptant ses décisions au fil du temps. Les administrateurs jouent un rôle clé dans l'accélération et l'affinement de ce processus d'apprentissage grâce à deux actions principales disponibles dans l'interface : « Mark as » et « Report as ».
Lorsqu'un administrateur clique sur « Mark as », l'action est utilisée exclusivement pour l'entraînement local du Machine Learning. Cela indique au système comment ce message spécifique aurait dû être classé et améliore immédiatement le comportement des moteurs de Machine Learning sur l'appliance. Aucun échantillon d'e-mail n'est envoyé à l'extérieur du système, et la correction s'applique uniquement à l'environnement local. Cette option est particulièrement utile pour accélérer l'entraînement initial après le déploiement ou pour corriger rapidement les erreurs de classification récurrentes propres à l'organisation.
Lorsqu'un administrateur clique sur « Report as », l'action effectue trois opérations simultanément. Premièrement, elle entraîne les moteurs de Machine Learning locaux de la même manière que l'action « Mark as ». De plus, elle envoie l'échantillon complet de l'e-mail original, ainsi que l'analyse de la gateway, aux Libraesva EsvaLabs.
Les échantillons sont transmis de manière sécurisée aux Libraesva EsvaLabs via une communication chiffrée et sont stockés hors ligne et localement chez EsvaLabs avec un chiffrement AES256.
Les analystes de sécurité d'EsvaLabs examinent les messages, identifient les indicateurs de compromission, les corrèlent avec d'autres échantillons et mettent en œuvre des actions correctives sur les données de réputation globale et les moteurs de détection. Ils mettent également à jour quotidiennement le moteur d'IA axé sur la confidentialité sur votre appliance afin d'améliorer continuellement ses capacités. Ces mises à jour fréquentes empêchent la récurrence du même faux positif ou faux négatif à l'avenir.