98
SPAM – JAK NEPŘIVOLÁVAT, NEPŘIJÍMAT A NEROZESÍLAT NEVYŽÁDANOU POŠTU
3.2 Snahy o obejití spam-filtrů V předchozí kapitole jsem popsal způsoby, jakými se adresáti a mailservery snaží vytřídit nevyžádanou poštu. Zde navážu rozborem postupů, kterými se rozesílatelé spamu snaží spamfiltry obelstít, aby jejich zprávy pronikly do běžné pošty. Níže uvedené způsoby umístění reklamního textu do zprávy mají za cíl znemožnění nebo alespoň ztížení odhalení klíčových slov ve zprávě spamfiltry. Společnou snahou uvedených postupů je zobrazit reklamní text lidskému čtenáři zprávy a současně zneviditelnit nebo zpřeházet dotyčný text pro spamfiltr, který se snaží odhalovat negativně hodnocená klíčová slova, jako např. slovo „Viagra“. V závěru kapitoly se zaměřím na způsoby, jakými se autoři reklamních zpráv snaží ošálit lidské příjemce při vizuální kontrole spamů a jakými se snaží upoutat adresátovu pozornost.
3.2.1 Překlepy a přesmyčky ve filtrovaných slovech Nejjednodušším způsobem, jak ztížit odhalení klíčového slova, je záměrná chyba v zápisu. Může jít o chybný pravopis, překlep nebo vzájemné přehození znaků v rámci slova. Člověk se nad takovou „chybu“ povznese, a slovo pochopí, ale stroj je zmaten. Tedy teoreticky – v praxi již spamfiltry takové překlepy dokáží odhalit. Konkrétně mi kdysi přišla zpráva, jejíž předmět byl „Pharkmcy Not Another Bad Offr“. A podobně jsem se setkal i s řetězcem „Phafrmcy Mega offr“. Zde si každý anglicky rozumějící adresát domyslí, že dotyčná slova jsou „pharmacy“ a „offer“. Což jsou právě slova, která by snadno mohla způsobit uváznutí zprávy ve spamfiltru. Přitom z hlediska zachování čitelnosti pro adresáta je vynechání nebo přepsání samohlásky poměrně neškodný zásah. Samohlásek je výrazně méně než souhlásek, a proto se snadněji domýšlejí nebo tipují. A konkrétně samohlásky „e“ a „a“ jsou jedny z nejčastějších hlásek jak v angličtině, tak v češtině. Navíc v angličtině se často slova zkracují právě vypuštěním samohlásek, nikoliv useknutím konce, jak je tomu v češtině. Například „Page down“ bývá na některých klávesnicích zkráceno na „Pg dn“, „Control“ je na všech klávesnicích popsán zkratkou „Ctrl“, a tlačítko pro vkládání symbolů na diářích Casio bývalo označováno „Smbl“. Ale srozumitelnost slova po vynechání samohlásek obdobně platí i v češtině – právě z důvodu malého počtu samohlásek, a tudíž jejich snadného tipování či domýšlení. To bylo možné pozorovat i v televizní soutěži „Pálí vám to?“, kde vždy byly z každého slova odkryty nejprve samohlásky, aby soutěžící neměl hádání slova příliš snadné. Pro zmatení spamfiltrů, které by chtěly počítat znaky ve slově, může být jedna vypuštěná hláska nahrazena i dvěma novými hláskami, a přesto je slovo pro člověka stále čitelné. Konkrétní případ z přijatého e-mailu: „Vnlagra $69,95“. Kromě poškození samohlásky je často používáno i přesmýknutí některých hlásek. Čitelnost takového řešení chci dokázat citacemi z několika nespamových zdrojů.
1. Rozesílání 3. Obsah a právní a filtrování úpravaspamu spamu
spam - sazba - finale2.indd 98
10.11.2008 12:19:15 Ukázka elektronické knihy, UID: KOS181387
SPAM – JAK NEPŘIVOLÁVAT, NEPŘIJÍMAT A NEROZESÍLAT NEVYŽÁDANOU POŠTU
99
Před lety se mezi mnoha českými uživateli šířil e-mail, jehož autor již asi není dohledatelný, ale který je možné naleznout např. na serveru hoax.cz [48], kde je jako datum prvního výskytu uvedeno září 2003. Následuje text e-mailu: „V suoivsoltsi s vzýukemm na Cmabridge Uinervtisy vlšyo njaveo, že nzeáelží na pořdaí psíemn ve solvě. Jedniná dleůitžá věc je, aby blyy pnvrí a psoelndí pímesna na srpváénm mstíě. Zybetk mžůe být totánlí sěms a ty to přoád bez porlbméů peřčetš. Je to potro, že ldiksý mezok netče kdažé pensímo, ale svolo jkao cleek. Zjíamvaé, že??“ [48] Mnoha čtenářům tohoto sdělení se stalo, že dočetli až nakonec, a nechápali co je na tom textu zajímavého nebo vtipného. A až pak si všimli, že slova v textu vypadají poněkud nestandardně. Jindy může být naopak takový text pro uživatele obtížně čitelný a srozumitelný. Podle mne záleží na tom, jak moc se čtenář na text soustředí, jak pozorně ho čte, a „z jaké vzdálenosti“ (myšleno i doslovně, ale hlavně obrazně) text čte. Každopádně čitelnost této zprávy, ať už je její obsah v souvislosti s Cambridžskou univerzitou pravdivý či smyšlený, dokazuje, že autoři spamů si mohou pro zmatení filtrů dovolit velmi razantní zásahy do textu, a lidští adresáti stále budou schopni reklamnímu sdělení porozumět. Domnívám se, že pro správné přečtení takto „kódované“ zprávy je vhodné číst text spíše celkově, plošně, rychle, a málo pozorně – podobně jako při svižném proběhnutí obsahu novin. Což je pro šiřitele spamu pozitivní, protože málokdo čte spamy pomalu a pozorně. Nicméně, lze předpokládat, že dnes si spamfiltry s takto maskovaným textem dokáží poradit. Stačí, když se místo na přesné znění slova zaměří na výskyt patřičného počtu konkrétních písmen v každém slově, podezřelém svým prvním a posledním znakem. Pokud bych měl navrhnout konkrétní algoritmus, tak si dokáži představit, že když filtr nalezne slovo „výsadba“, tak zpozorní, protože první a poslední znak jsou stejné jako u slova „viagra“. Následně filtr zkontroluje výskyt znaků „i“, „a“, „g“ a „r“ v podezřelém slově. A jelikož tato písmena ve slově „výsadba“ nejsou, půjde filtr prověřovat další možnosti. Pokud by měl být imunní i vůči náhradě některých znaků, mohl by se spokojit s výskytem 80% jmenovaných znaků. Tolik moje rychlé zamyšlení nad možnou konstrukcí filtru. Uvedené řešení mne napadlo okamžitě bez podrobnějšího hloubání, a jistě by šlo ještě zdokonalit – což ovšem není předmětem této knihy.
Pro úplnost přidám ještě anglické znění tohoto textu, které jsem nalezl na webu Matta Davise [49]: „Aoccdrnig to a rscheearch at Cmabrigde Uinervtisy, it deosn‘t mttaer in waht oredr the ltteers in a wrod are, the olny iprmoatnt tihng is taht the frist and lsat ltteer be at the rghit pclae. The rset can be a toatl mses and you can sitll raed it wouthit porbelm. Tihs is bcuseae the huamn mnid deos not raed ervey lteter by istlef, but the wrod as a wlohe.“ [49]
3. Rozesílání a filtrování spamu
Vraťme se ještě ke zmiňovanému sdělení o možnosti míchání znaků ve slovech.
Původní nezpřeházené znění věty je: „According to a researcher at Cambridge University, it doesn‘t matter in what order the letters in a word are, the only important
3.2 Snahy o obejití řešení spamfiltrů
spam - sazba - finale2.indd 99
10.11.2008 12:19:15 Ukázka elektronické knihy, UID: KOS181387
100
SPAM – JAK NEPŘIVOLÁVAT, NEPŘIJÍMAT A NEROZESÍLAT NEVYŽÁDANOU POŠTU thing is that the first and last letter be at the right place. The rest can be a total mess and you can still read it without problem. This is because the human mind does not read every letter by itself but the word as a whole.“ [49] Citovaná stránka [49] je skutečně umístěna na serveru “Cognition and brain Sciences Unit“ spadajícím pod „University of Cambridge“. Nicméně její autor, Matt Davis vyvrací údajný původ zprávy na Cambridžské univerzitě – uvádí, že se o zprávě dozvěděl z dotazů novinářů a z internetu. Podle jeho vyjádření na dotyčném webu je však na zprávě a komentářích s ní spojených v souvislosti s funkcí mozku něco nepřesného i něco pravdivého. Na webu jsou uvedeny i další jazykové verze, zde uvedu alespoň polskou: „Zdognie z nanjwoymszi baniadmai perzporawdzomyni na bytyrijskch uweniretasytch nie ma zenacznia kojnoleść ltier przy zpiasie dengao sołwa. Nwajżanszyeim jest, aby prieszwa i otatsnia lteria była na siwom mijsecu, ptzosałoe mgoą być w niaedziłe i w dszalym cąigu nie pwinono to sawrztać polbemórw ze zozumierniem tksetu. Dzijee się tak datgelo, ze nie czamyty wyszistkch lteir w sołwie, ale cłae sołwa od razu.“ [49] Pro podrobnější informace o těchto textech doporučuji navštívit stránku Matta Davise [49]. Pokud byste potřebovali podobným způsobem upravit vlastní text, tak promíchání vnitřních písmen ve slovech zadaného textu nabízí např. formulář na straně messedupwords.com [47].
Dvojsečnost taktiky překlepů Protože zde popsané postupy jsou dávno veřejně známé, mohou být už dnes překlepy v textu použity naopak k odhalení spamu. Pokud tedy zpráva obsahuje řetězec „nvestment“, může být teoreticky hodnocena ještě hůř, než kdyby obsahovala slovo „investment“. Mohlo by tedy platit známé pravidlo „kdo se leká nemá čisté svědomí“, resp. jeho aplikace „kdo se bojí spamfiltrů, ten asi posílá spam“. Z toho také může vyplynout, že časem budeme my, lidští uživatelé, muset v e-mailových zprávách dodržovat pravidla pravopisu, aby nebyly naše zprávy vyhodnocovány jako spam. Už dnes obsahují některé spamové zprávy mnoho textu nesouvisejícího s obsahem, zato majícího za cíl vyvolat ve spamfiltru dojem, že zpráva není spamová. Přičemž takový fiktivní text sice někdy dává smysl i jako celek, ale jindy je složen z náhodných výrazů.
Využití foneticky podobných číslic Další teoretickou možností přepisu textu jiným textem, dávajícím pro lidského čtenáře smysl, je nahrazování některých slov stejně vyslovovanými číslicemi. Tento způsob se občas objevuje v neformálních anglických textech, ale ve spamu příliš využívaný není. Jeho principem je shoda výslovnosti některých číslic s výslovností různých slov nebo jejich částí. Nejobvyklejší je použití číslovky „4“ (four) ve významu „pro“ (for) a využití číslovky „2“ (two) ve významu „do“ nebo „k“ (to).
1. Rozesílání 3. Obsah a právní a filtrování úpravaspamu spamu
spam - sazba - finale2.indd 100
10.11.2008 12:19:15 Ukázka elektronické knihy, UID: KOS181387