🔧 Bibliothèque des 29+ patterns spam

---

Statistiques globales

Source	Patterns	Score moyen	Sévérité dominante
Manuels	13	~78	high
Kaggle	6	75	high
UCI Spambase	4	53	low-medium
HuggingFace	6	72	medium-high
Total	29+	—	—

---

Source 1 — Patterns manuels (spam_patterns.json)

Patterns artisanaux couvrant les scénarios les plus fréquents en France.

ID	Nom	Type	Sévérité	Score
PHISH-001	Faux colis livraison	phishing	high	85
PHISH-002	Faux email bancaire	phishing	critical	90
PHISH-003	Faux remboursement impôts	phishing	critical	92
PHISH-004	Faux Google/Microsoft 365	phishing	high	87
SCAM-001	Loterie / Héritage	scam	critical	95
SCAM-002	Prince nigérian / Transfert	scam	critical	98
MALW-001	Pièce jointe malveillante	malware	high	88
COMM-001	Spam commercial générique	commercial	low	40
COMM-002	Pharmacie en ligne	commercial	medium	75
BANK-001	Faux PayPal / Stripe	banking	high	88
TECH-001	Faux support Microsoft/Apple	tech_support	high	82
SEXT-001	Chantage webcam/Bitcoin	sextortion	medium	70
DELIV-001	Faux Amazon / e-commerce	delivery	high	80

Détail PHISH-001 (exemple)

{
  "id": "PHISH-001",
  "type": "phishing",
  "name": "Faux colis livraison",
  "keywords": ["colis", "livraison", "tracking", "suivi", "expedition", "transporteur"],
  "subject_regex": ["(?i)(colis|livraison).*(prêt|attente|retard)", "(?i)suivi.*commande"],
  "sender_domains": ["thepiratebuy.com", "tracking-verify.com"],
  "body_keywords": ["cliquez ici pour suivre", "votre colis vous attend"],
  "score": 85,
  "is_spam": true,
  "severity": "high",
  "description": "Imite les notifications de livraison DPD, Colissimo, UPS pour voler des identifiants"
}

---

Source 2 — Patterns Kaggle (spam_kaggle_patterns.json)

Extraits des datasets SMS Spam Collection, Enron Spam et Spam Mails Dataset.

ID	Nom	Type	Sévérité	Score
KGL-SMS-001	SMS Prize Scam	sms_spam	high	90
KGL-SMS-002	SMS Urgent Action	sms_spam	high	85
KGL-ENRON-001	Corporate Phishing	corporate_spam	medium	60
KGL-ENRON-002	Investment Scam	financial_spam	high	80
KGL-GEN-001	Weight Loss / Health	generic_spam	medium	65
KGL-GEN-002	Adult Content Spam	generic_spam	medium	70

Sources datasets :

• SMS Spam Collection — Kaggle (5 574 messages, CC BY 4.0)
• Enron Spam — Kaggle (33 716 emails)
• Spam Mails Dataset — Kaggle (CC BY 4.0)

---

Source 3 — Patterns UCI Spambase (spam_uci_patterns.json)

Basés sur les 57 attributs du dataset UCI Spambase (4 601 instances, précision baseline 92.8%).

ID	Nom	Type	Sévérité	Score
UCI-WORD-001	High-frequency spam words	word_frequency	medium	55
UCI-CHAR-001	Special character patterns (!, $)	char_frequency	low	45
UCI-CAP-001	Capital letter ratio élevé	capital_frequency	low	35
UCI-COMBO-001	Multi-signal spam	combination	high	78

Feature weights UCI (sélection) :

Feature	Poids
word_freq_free	0.52
word_freq_remove	0.28
word_freq_your	0.27
char_freq_!	0.30
char_freq_$	0.20
capital_run_avg	0.15

Source : UCI ML Repository — Spambase (CC BY 4.0)

---

Source 4 — Patterns HuggingFace (spam_huggingface_patterns.json)

Issus de SetFit/enron_spam, dair-ai/emotion, talby/spamassassin et sms_spam.

ID	Nom	Type	Sévérité	Score
HF-ENRON-001	Enron-style corporate spam	corporate_spam	medium	55
HF-SA-001	SpamAssassin — Nigerian scam	scam	critical	95
HF-SA-002	SpamAssassin — HTML spam	generic_spam	medium	72
HF-EMOTION-001	Fear/Urgency manipulation	phishing	medium	68
HF-EMOTION-002	Joy/Excitement manipulation	scam	medium	75
HF-SMS-001	SMS Premium rate scam	sms_spam	high	82

Sources datasets :

• SetFit/enron_spam (Apache-2.0)
• dair-ai/emotion (MIT)
• talby/spamassassin (Apache-2.0)
• sms_spam (CC BY 4.0)

---

Règles header (Header Rules)

Ces règles s'appliquent aux résultats SPF/DKIM/DMARC indépendamment des patterns.

ID	Check	Condition	Score ajouté
HDR-001	SPF	fail	+25
HDR-002	DKIM	fail	+25
HDR-003	DMARC	fail	+20
HDR-004	rDNS mismatch	true	+15
HDR-005	IP blacklistée	true	+30

headerScore plafonné à 100.

---

Ajouter un nouveau pattern

Pour contribuer un nouveau pattern :

1. Identifier le type et rédiger la structure JSON
2. Tester avec node scripts/extract-spam-patterns.cjs
3. Valider que le pattern ne génère pas de faux positifs sur des emails légitimes
4. Créer une PR avec le pattern documenté

Voir CONTRIBUTING.md pour le processus complet.

---

Roadmap patterns

Horizon	Amélioration
Q2 2026	Schéma Zod pour validation automatique des patterns
Q3 2026	Fine-tuning modèle ML sur corpus communautaire
Q3 2026	API signalement → enrichissement automatique des patterns
Q4 2026	NLP sur corps d'email (URLs, intent, entités)

Voir FUTURE-RESEARCH.md.