EmailXpose — Updated!
EmailXpose एक ओपन सोर्स AI-संचालित ईमेल सुरक्षा प्रणाली है जो फ़िशिंग, स्पैम, घोटाले, मैलवेयर और सोशल इंजीनियरिंग हमलों का पता लगाती है। यह पारंपरिक ईमेल फ़िल्टर से आगे बढ़कर प्राकृतिक भाषा प्रसंस्करण, व्यवहार विश्लेषण और मल्टी-मॉडल इंटेलिजेंस को जोड़कर टेक्स्ट, छवियों और वीडियो सामग्री का विश्लेषण करती है। सिस्टम में प्रेषक विश्वास स्कोरिंग, अटैचमेंट सैंडबॉक्सिंग, व्याख्या योग्य जोखिम रिपोर्ट और ईमेल सामग्री की प्रतीकात्मक/संदर्भात्मक व्याख्या जैसी उन्नत सुविधाएँ भी शामिल हैं। इसका लक्ष्य पारदर्शी, गोपनीयता-प्रथम "AI-संचालित ईमेल स्पष्टता" प्रदान करना है ताकि उपयोगकर्ता हर संदेश के पीछे के खतरों और आशय दोनों को समझ सकें। https://roxanneardary.com/emailxpose/
EmailXpose विनिर्देशन
AI-संचालित ईमेल स्पष्टता
विनिर्देशन अवलोकन
EmailXpose एक ओपन सोर्स, मॉड्यूलर AI ईमेल सुरक्षा और खुफिया प्रणाली है जिसे ईमेल सामग्री, प्रेषक पहचान, लिंक, अनुलग्नक, चित्र और वीडियो का विश्लेषण करके फ़िशिंग, स्पैम, घोटाले, मैलवेयर, सोशल इंजीनियरिंग, धोखाधड़ी और प्रासंगिक विसंगतियों की पहचान करने के लिए डिज़ाइन किया गया है।
EmailXpose पारंपरिक ईमेल सुरक्षा विश्लेषण को प्राकृतिक भाषा प्रसंस्करण, कंप्यूटर विज़न, बहु-मोडल खुफिया, व्यवहार विश्लेषण, खतरा खुफिया और प्रतीकवाद व्याख्या के साथ जोड़ता है। सिस्टम को केवल खतरा वर्गीकरण निर्धारित करने के बजाय अपने निष्कर्षों की व्याख्या करने के लिए डिज़ाइन किया गया है।
आर्किटेक्चर को स्थानीय-प्रथम और ऑफ़लाइन संचालन, मॉड्यूलर AI मॉडल, कॉन्फ़िगर करने योग्य पहचान नीतियाँ, मानव समीक्षा, विस्तार योग्य खतरा खुफिया, और वैकल्पिक प्लगइन्स का समर्थन करना चाहिए, बिना उपयोगकर्ताओं को किसी विशिष्ट विक्रेता या क्लाउड प्रदाता पर निर्भर रहने की आवश्यकता के।
डिज़ाइन सिद्धांत
- ओपन सोर्स कार्यान्वयन
- मॉड्यूलर आर्किटेक्चर
- स्थानीय-प्रथम प्रसंस्करण
- ऑफ़लाइन-सक्षम विश्लेषण
- गोपनीयता-संरक्षण संचालन
- अविश्वसनीय ईमेल सामग्री का कोई स्वचालित निष्पादन नहीं
- मानव-इन-द-लूप निर्णय लेना
- व्याख्या योग्य AI
- बहु-मोडल विश्लेषण
- विक्रेता-तटस्थ एकीकरण
- प्रतिस्थापन योग्य AI मॉडल
- कॉन्फ़िगर करने योग्य पहचान नीतियाँ
- विस्तार योग्य प्लगइन आर्किटेक्चर
- पुनरुत्पादनीय विश्लेषण
- डिफ़ॉल्ट रूप से सुरक्षित व्यवहार
मुख्य सिस्टम आवश्यकताएँ
EmailXpose को एक एकीकृत विश्लेषण पाइपलाइन प्रदान करनी चाहिए जो स्थानीय फ़ाइलों, मेलबॉक्सों, समर्थित प्रोटोकॉल, API, या संगत एकीकरणों से ईमेल संदेश स्वीकार करने में सक्षम हो।
सिस्टम को अंतर्ग्रहण, सामान्यीकरण, विश्लेषण, स्कोरिंग, व्याख्या, भंडारण और प्रस्तुति को स्वतंत्र मॉड्यूल में अलग करना चाहिए।
प्रत्येक विश्लेषण घटक को संरचित निष्कर्ष उत्पन्न करने चाहिए जिन्हें स्वतंत्र रूप से मूल्यांकन, संयोजित, प्रदर्शित, निर्यात, या किसी अन्य विश्लेषण मॉड्यूल को पारित किया जा सके।
सिस्टम को होस्ट सिस्टम पर अविश्वसनीय ईमेल अनुलग्नकों को कभी सीधे निष्पादित नहीं करना चाहिए।
मुख्य मॉड्यूल
ईमेल अंतर्ग्रहण मॉड्यूल
ईमेल अंतर्ग्रहण मॉड्यूल को EmailXpose में ईमेल संदेश आयात करने के लिए सुरक्षित तंत्र प्रदान करने चाहिए।
विशेषताएँ:
- IMAP ईमेल अंतर्ग्रहण
- SMTP-संगत संदेश प्रसंस्करण
- स्थानीय ईमेल फ़ाइल आयात
- MIME संदेश पार्सिंग
- मल्टीपार्ट संदेश प्रसंस्करण
- HTML ईमेल निष्कर्षण
- सादा-पाठ निष्कर्षण
- एम्बेडेड-सामग्री निष्कर्षण
- अनुलग्नक पहचान
- संदेश मेटाडेटा निष्कर्षण
- संदेश सामान्यीकरण
- डुप्लिकेट संदेश पहचान
- संदेश अखंडता ट्रैकिंग
- कॉन्फ़िगर करने योग्य मेलबॉक्स स्कैनिंग
मॉड्यूल को सक्रिय सामग्री निष्पादित किए बिना सामान्यीकृत ईमेल ऑब्जेक्ट को डाउनस्ट्रीम विश्लेषण मॉड्यूल में पारित करना चाहिए।
ईमेल हेडर फोरेंसिक मॉड्यूल
ईमेल हेडर फोरेंसिक मॉड्यूल को ईमेल वितरण और प्रमाणीकरण से जुड़े तकनीकी मेटाडेटा का निरीक्षण करना चाहिए।
विशेषताएँ:
- पूर्ण हेडर निरीक्षण
- SPF विश्लेषण
- DKIM विश्लेषण
- DMARC विश्लेषण
- प्रमाणीकरण-परिणाम विश्लेषण
- रिटर्न-पाथ निरीक्षण
- रिप्लाई-टू विश्लेषण
- प्रेषक और प्राप्तकर्ता संबंध विश्लेषण
- प्रदर्शन-नाम बेमेल पहचान
- प्राप्त-हेडर विश्लेषण
- रूटिंग विसंगति पहचान
- डोमेन संरेखण विश्लेषण
- स्पूफिंग संकेतक
- प्रमाणीकरण आत्मविश्वास स्कोरिंग
- हेडर टाइमलाइन निर्माण
मॉड्यूल को संरचित प्रमाणीकरण और रूटिंग निष्कर्ष उत्पन्न करने चाहिए जिन्हें समग्र खतरा मूल्यांकन में शामिल किया जा सके।
प्रेषक पहचान और विश्वास मॉड्यूल
प्रेषक पहचान और विश्वास मॉड्यूल को मूल्यांकन करना चाहिए कि क्या स्पष्ट प्रेषक ज्ञात पहचानों और संगठनात्मक संबंधों के अनुरूप है।
विशेषताएँ:
- प्रेषक पहचान प्रोफ़ाइल
- प्रेषक विश्वास स्कोरिंग
- ज्ञात-संपर्क पहचान
- पहली-बार प्रेषक पहचान
- विश्वसनीय-डोमेन पहचान
- प्रेषक व्यवहार इतिहास
- प्रदर्शन-नाम प्रतिरूपण पहचान
- कार्यकारी प्रतिरूपण पहचान
- संपर्क प्रतिरूपण पहचान
- संगठन पहचान सत्यापन
- प्रेषक संबंध मानचित्रण
- प्रेषक पहचान ग्राफ निर्माण
- समान-दिखने वाले प्रेषक पहचान
मॉड्यूल को उपयोगकर्ता संपर्कों के केंद्रीकृत संग्रह की आवश्यकता के बिना स्थानीय विश्वास जानकारी का समर्थन करना चाहिए।
डोमेन खुफिया मॉड्यूल
डोमेन खुफिया मॉड्यूल को प्रेषकों, लिंक, रीडायरेक्ट और एम्बेडेड सामग्री से जुड़े डोमेन का विश्लेषण करना चाहिए।
विशेषताएँ:
- डोमेन प्रतिष्ठा विश्लेषण
- डोमेन आयु विश्लेषण
- नव पंजीकृत डोमेन पहचान
- समान-दिखने वाले डोमेन पहचान
- होमोग्राफ पहचान
- IDN हमला पहचान
- संदिग्ध सबडोमेन पहचान
- डोमेन संबंध विश्लेषण
- डोमेन स्थिरता जाँच
- संगठन-डोमेन सत्यापन
- IP प्रतिष्ठा विश्लेषण
- डोमेन खतरा स्कोरिंग
मॉड्यूल को प्रतिस्थापन योग्य और कॉन्फ़िगर करने योग्य खुफिया स्रोतों का समर्थन करना चाहिए।
लिंक विश्लेषण मॉड्यूल
लिंक विश्लेषण मॉड्यूल को उपयोगकर्ता को उन्हें खोले बिना URL का निरीक्षण करना चाहिए।
विशेषताएँ:
- URL निष्कर्षण
- URL सामान्यीकरण
- गंतव्य विश्लेषण
- रीडायरेक्ट-श्रृंखला निरीक्षण
- URL संक्षिप्तीकरण विश्लेषण
- संदिग्ध पैरामीटर पहचान
- एन्कोडेड URL पहचान
- डोमेन बेमेल पहचान
- प्रदर्शित-लिंक बनाम गंतव्य तुलना
- दुर्भावनापूर्ण-डोमेन पहचान
- फ़िशिंग URL पैटर्न पहचान
- लिंक प्रतिष्ठा स्कोरिंग
- सुरक्षित लिंक निरीक्षण
लिंक विश्लेषण नियंत्रित नेटवर्क और सुरक्षा सीमाओं के भीतर होना चाहिए।
खतरा खुफिया मॉड्यूल
खतरा खुफिया मॉड्यूल को EmailXpose निष्कर्षों को उपलब्ध खतरा खुफिया के साथ सहसंबंधित करना चाहिए।
विशेषताएँ:
- खतरा-फ़ीड एकीकरण
- ज्ञात दुर्भावनापूर्ण डोमेन मिलान
- ज्ञात दुर्भावनापूर्ण URL मिलान
- IP प्रतिष्ठा
- फ़िशिंग अभियान फ़िंगरप्रिंटिंग
- मैलवेयर संकेतक मिलान
- घोटाला पैटर्न मिलान
- खतरा हस्ताक्षर मिलान
- उभरते खतरे की पहचान
- खतरा खुफिया सहसंबंध
- स्थानीय खतरा डेटाबेस समर्थन
- सामुदायिक खतरा खुफिया समर्थन
खतरा खुफिया स्रोत वैकल्पिक और प्रतिस्थापन योग्य होने चाहिए।
प्राकृतिक भाषा विश्लेषण मॉड्यूल
प्राकृतिक भाषा विश्लेषण मॉड्यूल को ईमेल सामग्री की शब्दार्थ और भाषाई विशेषताओं का विश्लेषण करना चाहिए।
विशेषताएँ:
- पाठ वर्गीकरण
- शब्दार्थ विश्लेषण
- आशय वर्गीकरण
- इकाई पहचान
- संदिग्ध वाक्यांश पहचान
- फ़िशिंग भाषा पहचान
- घोटाला भाषा पहचान
- स्पैम वर्गीकरण
- क्रेडेंशियल अनुरोध पहचान
- भुगतान अनुरोध पहचान
- संवेदनशील-जानकारी अनुरोध पहचान
- शब्दार्थ समानता विश्लेषण
- लेखन-शैली विश्लेषण
- भाषा पहचान
- बहुभाषी विश्लेषण
- AI-जनित सामग्री संकेतक
मॉड्यूल को कई मॉडलों का समर्थन करना चाहिए और मुख्य अनुप्रयोग को पुनः डिज़ाइन किए बिना मॉडलों को प्रतिस्थापित करने की अनुमति देनी चाहिए।
व्यवहारिक और मनोवैज्ञानिक विश्लेषण मॉड्यूल
व्यवहारिक और मनोवैज्ञानिक विश्लेषण मॉड्यूल को संदेशों के भीतर सोशल इंजीनियरिंग और हेरफेर पैटर्न की पहचान करनी चाहिए।
विशेषताएँ:
- तात्कालिकता पहचान
- भय-आधारित अनुनय पहचान
- अधिकार दबाव पहचान
- भावनात्मक हेरफेर पहचान
- पुरस्कार हेरफेर पहचान
- धमकी-आधारित अनुनय पहचान
- सोशल इंजीनियरिंग विश्लेषण
- ज़बरदस्ती संकेतक
- दबाव रणनीति
- अलगाव रणनीति
- झूठी कमी पहचान
- कृत्रिम समय-सीमा पहचान
- गोपनीयता अनुरोध
- असामान्य व्यवहार अनुरोध
- स्वर विश्लेषण
- स्वर-परिवर्तन पहचान
- लेखन-शैली विसंगति पहचान
- संभावित समझौता-खाता संकेतक
निष्कर्षों को प्रेषक की मनोवैज्ञानिक स्थिति या आशय के बारे में निश्चित कथनों के बजाय संभाव्य संकेतक के रूप में प्रस्तुत किया जाना चाहिए।
घोटाला और धोखाधड़ी पहचान मॉड्यूल
घोटाला और धोखाधड़ी पहचान मॉड्यूल को धोखाधड़ी संचार से जुड़े पैटर्न की पहचान करनी चाहिए।
विशेषताएँ:
- नकली चालान पहचान
- भुगतान धोखाधड़ी पहचान
- व्यावसायिक ईमेल समझौता पहचान
- निवेश घोटाला पहचान
- रोजगार घोटाला पहचान
- सरकारी प्रतिरूपण पहचान
- वित्तीय संस्थान प्रतिरूपण
- तकनीकी सहायता घोटाले
- डिलीवरी घोटाले
- सदस्यता घोटाले
- चैरिटी घोटाले
- अग्रिम-शुल्क धोखाधड़ी संकेतक
- संबंध घोटाला संकेतक
- ब्लैकमेल और सेक्सटॉर्शन संकेतक
- क्रेडेंशियल चोरी अभियान
- खाता पुनर्प्राप्ति घोटाले
- पहचान चोरी पैटर्न
मॉड्यूल को निरंतर अद्यतन पहचान नियमों और मशीन लर्निंग मॉडलों का समर्थन करना चाहिए।
स्पैम पहचान मॉड्यूल
स्पैम पहचान मॉड्यूल को अनचाहे और कम-मूल्य वाले ईमेल की पहचान करनी चाहिए।
विशेषताएँ:
- सामग्री-आधारित स्पैम पहचान
- प्रेषक-आधारित स्पैम पहचान
- प्रतिष्ठा-आधारित स्पैम पहचान
- अभियान क्लस्टरिंग
- बार-बार संदेश पहचान
- थोक-संदेश संकेतक
- विज्ञापन पैटर्न पहचान
- संदिग्ध मेलिंग व्यवहार
- उपयोगकर्ता प्रतिक्रिया एकीकरण
- व्यक्तिगत स्पैम वर्गीकरण
मैलवेयर और अनुलग्नक रक्षा मॉड्यूल
मैलवेयर और अनुलग्नक रक्षा मॉड्यूल को होस्ट सिस्टम पर निष्पादित किए बिना अनुलग्नकों और संभावित खतरनाक सामग्री का निरीक्षण करना चाहिए।
विशेषताएँ:
- अनुलग्नक संगरोध
- फ़ाइल-प्रकार पहचान
- एक्सटेंशन स्पूफिंग पहचान
- स्थिर मैलवेयर विश्लेषण
- संग्रह निरीक्षण
- नेस्टेड संग्रह निरीक्षण
- निष्पादन योग्य पहचान
- मैक्रो पहचान
- स्क्रिप्ट पहचान
- दुर्भावनापूर्ण दस्तावेज़ विश्लेषण
- PDF खतरा विश्लेषण
- Office दस्तावेज़ विश्लेषण
- अस्पष्टता पहचान
- पेलोड संकेतक
- फ़ाइल मेटाडेटा निरीक्षण
- हैश निर्माण
- मैलवेयर हस्ताक्षर मिलान
- पृथक सैंडबॉक्स विश्लेषण
- ClamAV एकीकरण
- कॉन्फ़िगर करने योग्य मैलवेयर-विश्लेषण इंजन
सभी संभावित निष्पादन योग्य सामग्री उपयोगकर्ता या अधिकृत सुरक्षा वर्कफ़्लो द्वारा स्पष्ट रूप से जारी किए जाने तक पृथक रहनी चाहिए।
छवि विश्लेषण मॉड्यूल
छवि विश्लेषण मॉड्यूल को ईमेल में एम्बेडेड या अनुलग्नक के रूप में आपूर्ति की गई छवियों का विश्लेषण करना चाहिए।
विशेषताएँ:
- छवि वर्गीकरण
- वस्तु पहचान
- दृश्य समानता विश्लेषण
- लोगो पहचान
- ब्रांड पहचान
- छवि प्रामाणिकता संकेतक
- छवि हेरफेर संकेतक
- OCR
- छिपा-पाठ पहचान
- मेटाडेटा निरीक्षण
- संदिग्ध दृश्य पैटर्न पहचान
- छवि संदर्भ विश्लेषण
- छवि-से-ईमेल शब्दार्थ तुलना
- छवि-से-पाठ संरेखण
- भ्रामक छवि पहचान
ब्रांड और लोगो स्पूफ पहचान मॉड्यूल
ब्रांड और लोगो स्पूफ पहचान मॉड्यूल को संगठनों, उत्पादों, सेवाओं और विश्वसनीय ब्रांडों की दृश्य प्रतिरूपण की पहचान करनी चाहिए।
विशेषताएँ:
- लोगो पहचान
- लोगो समानता विश्लेषण
- परिवर्तित-लोगो पहचान
- नकली कॉर्पोरेट ब्रांडिंग पहचान
- वित्तीय ब्रांड प्रतिरूपण
- सरकारी ब्रांडिंग प्रतिरूपण
- खुदरा ब्रांड प्रतिरूपण
- प्रौद्योगिकी ब्रांड प्रतिरूपण
- ब्रांड-पाठ स्थिरता विश्लेषण
- ब्रांड-डोमेन स्थिरता विश्लेषण
- दृश्य पहचान बेमेल पहचान
वीडियो विश्लेषण मॉड्यूल
वीडियो विश्लेषण मॉड्यूल को ईमेल से जुड़ी या एम्बेडेड वीडियो सामग्री का निरीक्षण करना चाहिए।
विशेषताएँ:
- वीडियो मेटाडेटा निरीक्षण
- फ़्रेम निष्कर्षण
- कुंजी-फ़्रेम चयन
- दृश्य विश्लेषण
- फ़्रेम विसंगति पहचान
- दृश्य-पाठ तुलना
- वीडियो-से-ईमेल संदर्भ तुलना
- हेरफेर संकेतक
- भ्रामक-मीडिया पहचान
- वीडियो फ़्रेम से OCR
- ऑडियो प्रतिलेखन जहाँ समर्थित हो
- बहु-मोडल वीडियो व्याख्या
वीडियो विश्लेषण पृथक प्रसंस्करण वातावरण के माध्यम से संचालित होना चाहिए।
छिपी सामग्री और स्टेग्नोग्राफ़ी विश्लेषण मॉड्यूल
छिपी सामग्री और स्टेग्नोग्राफ़ी विश्लेषण मॉड्यूल को उन संकेतकों की पहचान करनी चाहिए जो मीडिया के भीतर जानकारी छिपाई गई है।
विशेषताएँ:
- छिपा-पाठ पहचान
- कम-कंट्रास्ट पाठ पहचान
- OCR-आधारित निष्कर्षण
- संदिग्ध छवि मेटाडेटा पहचान
- स्टेग्नोग्राफ़ी संकेतक
- एम्बेडेड-सामग्री विसंगति पहचान
- छिपा URL पहचान
- एन्कोडेड-सामग्री संकेतक
- असामान्य छवि-संरचना विश्लेषण
- अनुलग्नक मेटाडेटा विश्लेषण
मॉड्यूल को संकेतकों और विसंगतियों की पहचान करनी चाहिए, बिना यह दावा किए कि छिपी जानकारी केवल छिपी होने के कारण दुर्भावनापूर्ण है।
प्रतीकवाद और संदर्भ व्याख्या मॉड्यूल
प्रतीकवाद और संदर्भ व्याख्या मॉड्यूल को ईमेल पाठ और मीडिया में प्रतीकात्मक और प्रासंगिक अर्थ का विश्लेषण करना चाहिए।
विशेषताएँ:
- प्रतीक पहचान
- प्रतीक वर्गीकरण
- प्रासंगिक प्रतीकवाद विश्लेषण
- दृश्य प्रतीकवाद व्याख्या
- पाठ्य प्रतीकवाद विश्लेषण
- सांस्कृतिक प्रतीक मानचित्रण
- मनोवैज्ञानिक प्रतीक मानचित्रण
- भावनात्मक प्रतीकवाद विश्लेषण
- अधिकार प्रतीकवाद पहचान
- भय और धमकी प्रतीकवाद
- विश्वास प्रतीकवाद
- वित्तीय प्रतीकवाद
- ब्रांड प्रतीकवाद विश्लेषण
- प्रासंगिक सांस्कृतिक या राजनीतिक प्रतीकवाद पहचान
- प्रतीक-से-संदर्भ संबंध मानचित्रण
- प्रासंगिक अर्थ विश्लेषण
मॉड्यूल को पहचाने गए प्रतीकों और अनुमानित व्याख्याओं के बीच अंतर करना चाहिए और जहाँ व्याख्या अस्पष्ट है वहाँ अनिश्चितता संप्रेषित करनी चाहिए।
कथा आशय मॉड्यूल
कथा आशय मॉड्यूल को विश्लेषण करना चाहिए कि कोई संदेश क्या संप्रेषित करने, समझाने, प्रोत्साहित करने, या प्राप्तकर्ता को करने के लिए प्रेरित करने का प्रयास कर रहा है।
विशेषताएँ:
- कथा आशय मॉडलिंग
- अनुनयात्मक कथा विश्लेषण
- अनुरोधित-कार्रवाई निष्कर्षण
- निहित-कार्रवाई पहचान
- व्यवहारिक उद्देश्य पहचान
- हेरफेर पैटर्न सहसंबंध
- भावनात्मक फ्रेमिंग विश्लेषण
- अधिकार फ्रेमिंग
- पुरस्कार फ्रेमिंग
- धमकी फ्रेमिंग
- गोपनीयता फ्रेमिंग
- विश्वास-निर्माण कथा विश्लेषण
- आशय आत्मविश्वास स्कोरिंग
मॉड्यूल को अनुमानित आशय को प्रेषक के निजी उद्देश्यों के तथ्यात्मक निर्धारण के बजाय एक विश्लेषणात्मक मूल्यांकन के रूप में रिपोर्ट करना चाहिए।
संदर्भ विचलन मॉड्यूल
संदर्भ विचलन मॉड्यूल को ईमेल के विभिन्न घटकों के बीच विरोधाभासों की पहचान करनी चाहिए।
विशेषताएँ:
- पाठ बनाम छवि तुलना
- पाठ बनाम वीडियो तुलना
- पाठ बनाम अनुलग्नक तुलना
- प्रेषक बनाम सामग्री स्थिरता
- ब्रांड बनाम डोमेन स्थिरता
- विषय बनाम मुख्य भाग स्थिरता
- अनुलग्नक बनाम संदेश स्थिरता
- दावा किया गया संगठन बनाम दृश्य पहचान स्थिरता
- कथा स्थिरता विश्लेषण
- शब्दार्थ विरोधाभास पहचान
- बहु-मोडल विसंगति पहचान
बहु-मोडल खुफिया मॉड्यूल
बहु-मोडल खुफिया मॉड्यूल को पाठ, छवि, वीडियो, अनुलग्नक, प्रेषक, लिंक और प्रतीकवाद विश्लेषण के निष्कर्षों को संयोजित करना चाहिए।
विशेषताएँ:
- पाठ-छवि संलयन
- पाठ-वीडियो संलयन
- पाठ-अनुलग्नक संलयन
- प्रेषक-सामग्री संलयन
- दृश्य-आशय संलयन
- बहु-मोडल विसंगति पहचान
- क्रॉस-मोडल विरोधाभास पहचान
- शब्दार्थ संरेखण विश्लेषण
- एकीकृत आशय ग्राफ
- संयुक्त साक्ष्य मूल्यांकन
- बहु-मोडल आत्मविश्वास स्कोरिंग
जोखिम स्कोरिंग मॉड्यूल
जोखिम स्कोरिंग मॉड्यूल को व्यक्तिगत विश्लेषण मॉड्यूल के निष्कर्षों को एक पारदर्शी मूल्यांकन में संयोजित करना चाहिए।
विशेषताएँ:
- समग्र खतरा स्कोर
- फ़िशिंग संभावना
- स्पैम संभावना
- घोटाला संभावना
- मैलवेयर संभावना
- सोशल इंजीनियरिंग स्कोर
- प्रेषक जोखिम स्कोर
- डोमेन जोखिम स्कोर
- लिंक जोखिम स्कोर
- अनुलग्नक जोखिम स्कोर
- मीडिया जोखिम स्कोर
- प्रासंगिक विसंगति स्कोर
- प्रतीकवाद विसंगति स्कोर
- संयुक्त खतरा स्कोर
- कॉन्फ़िगर करने योग्य सीमाएँ
- उपयोगकर्ता-परिभाषित नीतियाँ
- संगठन-परिभाषित नीतियाँ
- साक्ष्य-भारित स्कोरिंग
स्कोरिंग प्रणाली को व्यक्तिगत योगदान कारकों को संरक्षित करना चाहिए ताकि उपयोगकर्ता समझ सकें कि अंतिम मूल्यांकन कैसे उत्पन्न किया गया था।
व्याख्यात्मकता मॉड्यूल
व्याख्यात्म- वैकल्पिक छवि मॉडल
- वैकल्पिक विज़न-भाषा मॉडल
- लोगो पहचान
- वस्तु पहचान
- छवि समानता
- दृश्य तर्क
उन्नत वीडियो इंटेलिजेंस प्लगइन
अतिरिक्त वीडियो-प्रोसेसिंग क्षमताएँ प्रदान करता है।
क्षमताएँ:
- उन्नत फ्रेम विश्लेषण
- दृश्य वर्गीकरण
- अस्थायी विश्लेषण
- ऑडियो ट्रांसक्रिप्शन
- वीडियो सिमेंटिक विश्लेषण
- वीडियो हेरफेर संकेतक
प्रतीकवाद ज्ञान आधार प्लगइन
विस्तार योग्य प्रतीकात्मक और प्रासंगिक ज्ञान प्रदान करता है।
क्षमताएँ:
- प्रतीक शब्दकोश
- सांस्कृतिक संदर्भ डेटाबेस
- दृश्य प्रतीक संबंध
- ऐतिहासिक प्रतीक संदर्भ
- मनोवैज्ञानिक प्रतीकवाद संदर्भ
- डोमेन-विशिष्ट प्रतीकवाद
प्लगइन को तथ्यात्मक संदर्भों को मॉडल-जनित व्याख्या से अलग करना चाहिए।
सामुदायिक खतरा खुफिया प्लगइन
वैकल्पिक समुदाय-संचालित खुफिया साझाकरण प्रदान करता है।
क्षमताएँ:
- अनाम खतरा फिंगरप्रिंट
- सामुदायिक फ़िशिंग संकेतक
- साझा स्कैम पैटर्न
- खतरा हस्ताक्षर साझाकरण
- उभरते अभियान की जानकारी
- सामुदायिक प्रतिष्ठा संकेत
भागीदारी वैकल्पिक (ऑप्ट-इन) होनी चाहिए।
SIEM एकीकरण प्लगइन
सुरक्षा सूचना और घटना प्रबंधन प्लेटफार्मों के साथ वैकल्पिक एकीकरण प्रदान करता है।
क्षमताएँ:
- घटना अग्रेषण
- खतरा अलर्ट
- संरचित सुरक्षा घटनाएँ
- जाँच पहचानकर्ता
- जोखिम स्कोर
- साक्ष्य संदर्भ
मेल क्लाइंट एकीकरण प्लगइन
समर्थित डेस्कटॉप या ब्राउज़र-आधारित ईमेल क्लाइंट के साथ वैकल्पिक एकीकरण प्रदान करता है।
क्षमताएँ:
- संदेश विश्लेषण
- इनलाइन खतरा संकेतक
- उपयोगकर्ता-ट्रिगर स्कैनिंग
- विश्लेषण सारांश
- क्वारंटाइन वर्कफ़्लो
- सुरक्षित-रिलीज़ वर्कफ़्लो
संगठन नीति प्लगइन
कॉन्फ़िगर करने योग्य संगठनात्मक सुरक्षा नीतियाँ प्रदान करता है।
क्षमताएँ:
- कस्टम जोखिम सीमाएँ
- डोमेन अनुमत सूचियाँ
- डोमेन ब्लॉक सूचियाँ
- प्रेषक नीतियाँ
- अनुलग्नक नीतियाँ
- लिंक नीतियाँ
- डेटा-प्रतिधारण नीतियाँ
- रिपोर्टिंग नीतियाँ
- सुरक्षा-टीम वर्कफ़्लो
कस्टम AI मॉडल प्लगइन
उपयोगकर्ताओं और संगठनों को संगत AI मॉडल प्रदान करने की अनुमति देता है।
क्षमताएँ:
- कस्टम फ़िशिंग क्लासिफायर
- कस्टम स्पैम क्लासिफायर
- कस्टम मैलवेयर क्लासिफायर
- कस्टम भाषा मॉडल
- कस्टम विज़न मॉडल
- कस्टम प्रतीकवाद मॉडल
- कस्टम एम्बेडिंग मॉडल
- मॉडल संस्करण प्रबंधन
- मॉडल मूल्यांकन
AI मॉडल आर्किटेक्चर
EmailXpose को मॉडल-अज्ञेयवादी आर्किटेक्चर का उपयोग करना चाहिए।
AI मॉडल आसपास के विश्लेषण मॉड्यूल में बदलाव की आवश्यकता के बिना प्रतिस्थापन योग्य होने चाहिए।
समर्थित मॉडल श्रेणियों में शामिल हो सकते हैं:
- ट्रांसफॉर्मर-आधारित भाषा मॉडल
- टेक्स्ट क्लासिफायर
- एम्बेडिंग मॉडल
- विज़न-भाषा मॉडल
- छवि क्लासिफायर
- वस्तु पहचान मॉडल
- वीडियो मॉडल
- OCR मॉडल
- ऑडियो ट्रांसक्रिप्शन मॉडल
- मैलवेयर वर्गीकरण मॉडल
मॉडल को विश्लेषण पाइपलाइन के लिए सुसंगत इंटरफेस उजागर करने चाहिए।
सुरक्षा आवश्यकताएँ
EmailXpose को:
- सभी इनबाउंड ईमेल को अविश्वसनीय इनपुट के रूप में मानना चाहिए
- ईमेल अनुलग्नकों को कभी स्वचालित रूप से निष्पादित नहीं करना चाहिए
- संभावित रूप से खतरनाक फ़ाइलों को अलग करना चाहिए
- प्रस्तुत HTML को सैनिटाइज़ करना चाहिए
- विश्लेषण के दौरान असुरक्षित URL सक्रियण को रोकना चाहिए
- एक्सटेंशन से स्वतंत्र रूप से फ़ाइल प्रकारों को मान्य करना चाहिए
- मीडिया प्रोसेसिंग के दौरान संसाधन खपत को सीमित करना चाहिए
- दुर्भावनापूर्ण रूप से निर्मित फ़ाइलों से सुरक्षा करना चाहिए
- विश्लेषण सेवाओं को पार्सर शोषण से सुरक्षित करना चाहिए
- कॉन्फ़िगर करने योग्य ऑडिट रिकॉर्ड बनाए रखना चाहिए
- सुरक्षित विफलता व्यवहार प्रदान करना चाहिए
- विशेषाधिकार प्राप्त संचालन को सामान्य विश्लेषण से अलग करना चाहिए
- न्यूनतम-विशेषाधिकार सिद्धांत लागू करना चाहिए
- सुरक्षित मॉडल निष्पादन का समर्थन करना चाहिए
गोपनीयता आवश्यकताएँ
EmailXpose को ईमेल डेटा के उपयोगकर्ता स्वामित्व को प्राथमिकता देनी चाहिए।
सिस्टम को समर्थन करना चाहिए:
- केवल-स्थानीय संचालन
- ऑफ़लाइन विश्लेषण
- कॉन्फ़िगर करने योग्य भंडारण
- कॉन्फ़िगर करने योग्य प्रतिधारण
- उपयोगकर्ता-नियंत्रित बाहरी एकीकरण
- वैकल्पिक अनामीकृत खतरा साझाकरण
- स्पष्ट बाहरी-सेवा कॉन्फ़िगरेशन
- डेटा न्यूनीकरण
- सुरक्षित विलोपन
- संवेदनशील सामग्री का स्थानीय प्रसंस्करण
कोई भी बाहरी सेवा ईमेल सामग्री प्राप्त नहीं करेगी जब तक कि उपयोगकर्ता या व्यवस्थापक ने लागू एकीकरण को स्पष्ट रूप से सक्षम नहीं किया हो।
मानव पर्यवेक्षण
EmailXpose को AI वर्गीकरण को अचूक निर्धारण के रूप में प्रस्तुत नहीं करना चाहिए।
सिस्टम को:
- आत्मविश्वास स्तर प्रदर्शित करना चाहिए
- सहायक साक्ष्य संरक्षित करना चाहिए
- प्रमुख जोखिम कारकों की व्याख्या करनी चाहिए
- उपयोगकर्ताओं को निष्कर्षों की समीक्षा करने की अनुमति देनी चाहिए
- गलत-सकारात्मक रिपोर्टिंग का समर्थन करना चाहिए
- गलत-नकारात्मक रिपोर्टिंग का समर्थन करना चाहिए
- अधिकृत उपयोगकर्ताओं को वर्गीकरण ओवरराइड करने की अनुमति देनी चाहिए
- ओवरराइड जानकारी संरक्षित करनी चाहिए
- स्वचालित निष्कर्षों को मानव निर्णयों से अलग करना चाहिए
कॉन्फ़िगरेशन
EmailXpose को निम्नलिखित के लिए कॉन्फ़िगर करने योग्य नियंत्रण प्रदान करने चाहिए:
- खतरा सीमाएँ
- विश्लेषण मॉड्यूल
- AI मॉडल
- खतरा खुफिया स्रोत
- अनुलग्नक हैंडलिंग
- सैंडबॉक्स नीतियाँ
- डेटा प्रतिधारण
- गोपनीयता सेटिंग्स
- बाहरी एकीकरण
- उपयोगकर्ता विश्वास नियम
- संगठन नीतियाँ
- अलर्ट स्तर
- रिपोर्टिंग प्राथमिकताएँ
विस्तारशीलता
आर्किटेक्चर को नई विश्लेषण क्षमताओं को स्वतंत्र मॉड्यूल या प्लगइन के रूप में जोड़ने की अनुमति देनी चाहिए।
नए मॉड्यूल को सक्षम होना चाहिए:
- सामान्यीकृत ईमेल डेटा प्राप्त करना
- विशिष्ट सामग्री प्रकारों का विश्लेषण करना
- संरचित निष्कर्ष उत्पन्न करना
- जोखिम स्कोरिंग में साक्ष्य का योगदान करना
- व्याख्यात्मकता जानकारी प्रदान करना
- कॉन्फ़िगर करने योग्य सेटिंग्स पंजीकृत करना
- अन्य मॉड्यूल से स्वतंत्र रूप से संचालित होना
- असंबंधित मॉड्यूल को संशोधित किए बिना सक्षम या अक्षम किया जाना
अंतर-संचालन क्षमता
EmailXpose को जहाँ भी व्यावहारिक हो, खुले और व्यापक रूप से समर्थित प्रारूपों और इंटरफेस का उपयोग करना चाहिए।
सिस्टम को समर्थन करना चाहिए:
- मानक ईमेल प्रारूप
- मानक MIME संरचनाएँ
- मानक प्रमाणीकरण तंत्र
- REST APIs
- JSON-आधारित विश्लेषण परिणाम
- पोर्टेबल खतरा संकेतक
- निर्यात योग्य रिपोर्ट
- अंतर-संचालन योग्य खतरा खुफिया प्रारूप
विश्लेषण परिणाम मॉडल
प्रत्येक विश्लेषण परिणाम में, जहाँ लागू हो, शामिल होना चाहिए:
- विश्लेषण प्रकार
- वर्गीकरण
- आत्मविश्वास
- गंभीरता
- साक्ष्य
- स्रोत मॉड्यूल
- टाइमस्टैम्प
- संबंधित इकाई
- अनुशंसित कार्रवाई
- स्पष्टीकरण
- मॉडल जानकारी
- पहचान-नियम जानकारी
संयुक्त परिणाम को व्यक्तिगत निष्कर्षों और अंतिम जोखिम मूल्यांकन के बीच संबंध संरक्षित करना चाहिए।
विनिर्देश ब्रांडिंग लाइसेंस (SBL)
मानक
- पूर्ण AGPL-3.0+ अनुरूप प्रणाली
- नेटवर्क परिनियोजन के लिए कॉपीलेफ्ट लागू
- आवश्यक एट्रिब्यूशन:
- रोक्सैन अर्डेरी
- https://www.roxanneardary.com/
वैकल्पिक
- विनिर्देश ब्रांडिंग लाइसेंस (SBL)
- एट्रिब्यूशन-मुक्त वाणिज्यिक परिनियोजन
- पैमाने, उपयोग और परिनियोजन दायरे के आधार पर मूल्य निर्धारण
- https://roxanneardary.com/emailxpose/
लाइसेंस और नोटिस आवश्यकताएँ
EmailXpose को GNU Affero General Public License v3.0 या बाद का (AGPL-3.0+) के तहत जारी किया गया है।
इस परियोजना में योगदान करके, आप सहमत हैं कि आपके योगदान भी इस लाइसेंस के तहत जारी किए जाएंगे।
कृपया निम्नलिखित पर ध्यान दें:
- सभी योगदानों को AGPL-3.0+ की शर्तों का पालन करना चाहिए।
- लाइसेंस के धारा 7 के तहत, सभी पुनर्वितरण, फोर्क और व्युत्पन्न कार्यों को एट्रिब्यूशन संरक्षित करना चाहिए:
रोक्सैन अर्डेरी और roxanneardary.com। - EmailXpose विनिर्देश एट्रिब्यूशन के साथ उपयोग करने के लिए स्वतंत्र हैं। अनुरोध पर एक विनिर्देश ब्रांडिंग लाइसेंस पर बातचीत की जा सकती है।
- परियोजना की notice.md फ़ाइल एट्रिब्यूशन आवश्यकताओं और योगदानकर्ता स्वीकृतियों को ट्रैक करती है।
कोई भी अपडेट जो नए योगदानकर्ताओं को जोड़ता है या एट्रिब्यूशन को संशोधित करता है, उसेnotice.mdभी अपडेट करना चाहिए। - पुल अनुरोध सबमिट करते समय, सुनिश्चित करें कि कोई भी नई फ़ाइल जहाँ लागू हो, एट्रिब्यूशन हेडर बनाए रखती है।
- इस सॉफ़्टवेयर के नेटवर्क-परिनियोजित संस्करण भी पूर्ण AGPL-3.0+ अनुरूप रहने चाहिए, जिसमें लाइसेंस के तहत लागू होने पर स्रोत कोड संशोधनों का प्रदर्शन शामिल है।
पूर्ण कानूनी विवरण के लिए, कृपया AGPL-3.0+ लाइसेंस और परियोजना की notice.md फ़ाइल देखें।
ओपन आर्सेनल हब
https://gitlab.com/Roxanne_Ardary/open-arsenal-specs