欺诈邮件：You've won a Microsoft X-Box (This is not spam)

最新推荐文章于 2025-12-16 10:49:27 发布
原创 最新推荐文章于 2025-12-16 10:49:27 发布 · 2.4k 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#microsoft #google #email #login #internet #website

微软称某电子邮件是骗局，发件人与微软无关。自2003年9月起每月都有类似邮件，让‘中奖者’提供借记卡卡号和PIN码预付运费。提醒大家勿贪心，收到需填信用卡号等信息的非信任邮件，先谷歌查黑记录，谨慎行事。
今天上网收到一封英文邮件，大意是说我的email被某公司幸运抽中，奖品是一台微软的X-Box。邮件原文大致如下：


Greetings,

Your email address was entered into our Microsoft X-Box promotional competition at
http://www.saprize.com

This is a prize draw, you have actually won a brand new Microsoft X-Box Gaming Console!

Your package also includes these top 5 games:
- Halo: Combat Evolved
- Grand Theft Auto Double Pack
- Madden NFL 2004
- Prince of Persia: The Sands of Time
- Tom Clancy's Rainbox Six 3

You are now invited to login to our website and claim your prize that you have won.
There are only 3 winners in total this month, out of thousands of emails, so do count yourself lucky!

We have provided the following web link for you, it is temporary and expires in 72 hours.
If you do not login within this time, your X-Box shall unfortunately be returned to the prize pool.

Here is your link!
http://www.saprize.com/cgi-bin/server.cgi?code=DKN8838356612®istrant=bobcy@21cn.com&ref=xxxxxxxx&xm=01

On this page you will need to enter this pass code number to proceed:

xxxxxxxx

This is very important. Do not lose that number!
Put in your address, and we will send your X-Box to you.

We hope that you will enjoy your new X-Box gaming console.

Best Regards,

From Microsoft and the Saprize.com team!

收到邮件后，觉得有点奇怪，感觉不太可信。于是google了一下，结果发现这原来是封欺诈 邮件。这种欺诈邮件大约是2003年9月左右开始在Internet上出现的，目的是收集用户的信用卡帐号和住址。当时微软官方已就此事发出过声明，说此邮件是愚弄邮件，提醒用户不要上当。大家可以访问下面的地址： http://urbanlegends.about.com/library/bl_xbox_giveaway.htm written by David Emery, commented that :

"Microsoft, the manufacturer of Xbox, has denounced this email offer as a hoax and says the sender is not affiliated with Microsoft in any way. Virtually identical emails have surfaced monthly since September 2003, in each case pointing "winners" to a different Web domain where they can supposedly claim their "prize" by providing a debit card number and PIN to prepay shipping charges. It has all the elements of a scam, plus a false claim of affiliation with Microsoft. Caveat emptor!"

国外不少Blogger也对该邮件做了详细记载，另外，据传该欺诈邮件之后又有了类似下面的变种，邮件主题可能如下：This is a VERY WELL DONE SCAM. As always NEVER give your PIN number to anyone!!!!

最后提醒大家：不要贪心，贪心必被骗 任何不是从你的可信任的朋友处发过来的电子邮件，如果需要你填信用卡号或住址，都极有可能是欺诈邮件。收到这类邮件后，第一件事就是把该邮件的主题google一下，看看有没有黑记录(black record)，暂时没有的话也不要马上回复，最好等1~2周后，再次google一下，如果此时还是找不到不好的说明，再小心行事

精选资源
Credit-Card-Fraud-Detection-Realtime:实时信用卡欺诈检测系统-前端
05-14
实时信用卡欺诈检测-前端 这是我们的信用卡欺诈检测系统的前端源代码（React）。 这是一个高度可扩展的智能系统，高度依赖AWS架构。 我们的架构 特征 使用ReactJS / Redux 实时更新地图/图表（轮询） 地图簇...
机器学习反欺诈实践：Python-scikit-learn-随机森林.pdf
02-28
.机器学习反欺诈实践：Python-scikit-learn-随机森林.pdf
关于电话电子邮件诈骗的骨感
weixin_26636643的博客
09-22 1万+
电话诈骗 (Phone Scams) Phone scammers call you for three main reasons: to get you to reveal sensitive information about yourself, to trick you into performing an action of some kind like buying giftcards...
Python机器学习：从零基础到项目实战
Yuner2000的博客
12-13 1454
当您翻开此书，您正踏入一场数据与智慧的修行。机器学习，并非冰冷的符码，而是机器模拟人类洞察世界的法门。本书将带您，以Python为舟，泛游于算法之海。我们不只传授“术”，更探求其后的“道”——从数据的生灭流转中观照规律，于模型的迭代演进里体悟得失。愿您合上书卷时，收获的不仅是驾驭数据的技能，更有一双洞悉复杂、化繁为简的“智慧之眼”。现在，让我们一同启程。
Python机器学习：从入门到精通
YunWisdom
12-13 518
当您翻开此书，您正踏入一场数据与智慧的修行。机器学习，并非冰冷的符码，而是机器模拟人类洞察世界的法门。本书将带您，以Python为舟，泛游于算法之海。我们不只传授“术”，更探求其后的“道”——从数据的生灭流转中观照规律，于模型的迭代演进里体悟得失。愿您合上书卷时，收获的不仅是驾驭数据的技能，更有一双洞悉复杂、化繁为简的“智慧之眼”。现在，让我们一同启程。
Python机器学习：入门指南
weixin_45747731的博客
12-16 287
当您翻开此书，您正踏入一场数据与智慧的修行。机器学习，并非冰冷的符码，而是机器模拟人类洞察世界的法门。本书将带您，以Python为舟，泛游于算法之海。我们不只传授“术”，更探求其后的“道”——从数据的生灭流转中观照规律，于模型的迭代演进里体悟得失。愿您合上书卷时，收获的不仅是驾驭数据的技能，更有一双洞悉复杂、化繁为简的“智慧之眼”。现在，让我们一同启程。
Python机器学习：从入门到实战
weixin_45747731的博客
12-16 160
当您翻开此书，您正踏入一场数据与智慧的修行。机器学习，并非冰冷的符码，而是机器模拟人类洞察世界的法门。本书将带您，以Python为舟，泛游于算法之海。我们不只传授“术”，更探求其后的“道”——从数据的生灭流转中观照规律，于模型的迭代演进里体悟得失。愿您合上书卷时，收获的不仅是驾驭数据的技能，更有一双洞悉复杂、化繁为简的“智慧之眼”。现在，让我们一同启程。
Python机器学习：从零基础到深度实战
weixin_45747731的博客
12-16 320
当您翻开此书，您正踏入一场数据与智慧的修行。机器学习，并非冰冷的符码，而是机器模拟人类洞察世界的法门。本书将带您，以Python为舟，泛游于算法之海。我们不只传授“术”，更探求其后的“道”——从数据的生灭流转中观照规律，于模型的迭代演进里体悟得失。愿您合上书卷时，收获的不仅是驾驭数据的技能，更有一双洞悉复杂、化繁为简的“智慧之眼”。现在，让我们一同启程。
Python机器学习：从零基础到资深专业
最新发布
weixin_45747731的博客
12-16 88
当您翻开此书，您正踏入一场数据与智慧的修行。机器学习，并非冰冷的符码，而是机器模拟人类洞察世界的法门。本书将带您，以Python为舟，泛游于算法之海。我们不只传授“术”，更探求其后的“道”——从数据的生灭流转中观照规律，于模型的迭代演进里体悟得失。愿您合上书卷时，收获的不仅是驾驭数据的技能，更有一双洞悉复杂、化繁为简的“智慧之眼”。现在，让我们一同启程。
群晖wordpress_WordPress维护权威指南
culi4814的博客
08-27 1100
群晖wordpressWordPress maintenance is often seen as a chore, but it’s extremely important. Most web platforms, without a little extra care, can become slow, error prone and unreliable. From a security p...
机器学习反欺诈实践：Python-scikit-learn-随机森林.docx
02-28
.机器学习反欺诈实践：Python-scikit-learn-随机森林.docx
X-Frame-Options头未设置 防止网页被iframe内框架调用
09-30
点击劫持是一种网络欺诈技术，攻击者将一个透明或半透明的iframe覆盖在目标网页上，诱导用户在不知情的情况下在iframe上执行操作，可能导致用户敏感信息泄露或执行不期望的操作。 **危害** 如果一个网站没有设置X-...
最全中文时区表（从Google日历中挖出来的）
热门推荐
bobcy的专栏
06-27 1万+
Google日历中的时区表应该是最全的中文时区表，但是现在它把时区表的具体数据藏了好几层，好不容易从js,xml中把最终的时区表数据挖出来，然后重新排版了一下，希望对大家有用。下拉表单的代码如下：select style="width:400px" id="TimeZone" name="TimeZone">  option value="351">  (GMT-11:00）阿皮亚 o
另类解读：2011年1月CNNIC第27次互联网络发展状况统计报告
bobcy的专栏
01-20 1万+
<br />1、“2010 年，我国域名总数下降为 866 万，其中.CN 域名 435 万。网站数量下降到 191 万个，.CN 下网站为113 万个，占网站整体的59.5%。”<br /><br />解读：2010年初工信部为了网络扫黄，打击网络犯罪，规定域名注册必须提供身份证等真实个人信息，尽管这一措施一定程度净化了网络环境，但也导致我国域名，网站数量的大幅下降。最近流传一个段子：<br /> <br />　　清华某教授问：你们知道中国餐馆为啥办得那么百花齐放多姿多彩吗？听众给出8条理由。教授说你们答
诺基亚想逃出生天，问题是微软的WP7并不是可靠的“诺亚方舟”
bobcy的专栏
02-11 3822
<br />　　昨天，暴雪公司迎来自己的20周年纪念日。今天，诺基亚今天宣布，计划与微软展开广泛的战略合作，打造新的全球移动生态系统，Windows Phone将成为诺基亚主要的智能手机平台。暴雪和诺基亚，两家公司在我的眼中都是20世纪内最伟大的公司之一，前者，将电子游戏升华到了艺术，后者，则用手机改变了生活。前者的辉煌还在继续，而后者却已黯然失色。<br /> <br />　　在2011年春节休假回来后的当晚，看了诺基亚新总裁致员工的内部备忘录，从其中描绘的“燃烧的平台”中，就嗅到诺基亚有破釜沉舟的打算。
[鼓舞]MTK联发科有意进军WM智能型手机芯片市场
bobcy的专栏
12-02 2834
今天在pconline上找手机报价，无意间找到一则新闻： 联发科虽然在特色手机芯片市场拥有市占率，但因手机需求开始往智能型手机市场发展，所以联发科也以最新推出的EDGE平台MT6238、MT6239芯片为基础，开始调整策略进军智能型手机芯片市场。中新网11月25日电据台湾《工商时报》报道，联发科3G芯片布局已近尾声，TD-SCDMA及WCDMA均推出新款芯片送样，不过联发科对智能型手机市场
读“计较，是贫穷的开始”有感
bobcy的专栏
04-21 2484
      今天用手机UC浏览器看新闻时，无意间链到一篇文摘上，该文摘节选自“计较，是贫穷的开始”一书，文中，作者讲述了自己从黑手（工程水电工）转业到运将（计程车司机）过程中的感悟。文中给我感触最深的一段文字如下：       “人生际遇很奇妙，越是斤斤计较，把自己搞得整天心惊胆跳又神经兮兮地算计每次付出有没有值得，多久可以回收，还不如好好放手做！专心把每次工作都尽己所能做到最好，做到问心
智能手机市场趋势分析
bobcy的专栏
12-02 2411
    自2007年涉足智能手机应用软件开发，对市场上的5大主流智能手机操作系统Symbian/iPhone/WM/Android/Blackberry都有所接触和学习。从2009年开始，随着智能手机的销量猛增，越来越多的业内专家和金融机构都纷纷撰文发言，预测移动互联网将成为未来10年的IT趋势。这个预测，到现在已差不多变成了现实，苹果的Appstore让手机从单纯的通讯工具变成了一台几乎可取代联网PC的掌上电脑，而2010年初热炒的上网本到现在已快被智能手机赶出了电子市场。    但是，智能手机的先天不足
flowchart TB A[训练数据\nN 个样本, m 个特征\n类别分布不平衡]:::box %% Balanced bootstraps for each tree A -->|第1棵树| S1[分层自助抽样（按类均衡）\n每类抽 n* = min_c n_c（有放回）]:::step A -->|第2棵树| S2[分层自助抽样（按类均衡）\n每类抽 n*（有放回）]:::step A -->|第3棵树| S3[分层自助抽样（按类均衡）\n每类抽 n*（有放回）]:::step A -->|第k棵树| S4[分层自助抽样（按类均衡）\n每类抽 n*（有放回）]:::step %% Tree 1 subgraph T1[树1] direction TB S1 --> I1[InBag_1：各类等量样本]:::bag S1 -.-> O1[OOB_1：未被抽到的样本]:::oob I1 --> D1[决策树1\n每次分裂随机子特征（如 sqrt(m)）\n基尼/信息增益；可选类权重]:::tree end %% Tree 2 subgraph T2[树2] direction TB S2 --> I2[InBag_2：各类等量样本]:::bag S2 -.-> O2[OOB_2]:::oob I2 --> D2[决策树2]:::tree end %% Tree 3 subgraph T3[树3] direction TB S3 --> I3[InBag_3：各类等量样本]:::bag S3 -.-> O3[OOB_3]:::oob I3 --> D3[决策树3]:::tree end %% Tree k subgraph Tk[树k] direction TB S4 --> I4[InBag_k：各类等量样本]:::bag S4 -.-> O4[OOB_k]:::oob I4 --> D4[决策树k]:::tree end %% Prediction X[测试数据]:::box --> D1 --> P1[预测1]:::pred X --> D2 --> P2[预测2]:::pred X --> D3 --> P3[预测3]:::pred X --> D4 --> P4[预测k]:::pred %% Aggregation P1 --> G[聚合]:::agg P2 --> G P3 --> G P4 --> G G --> Y[最终输出：\n分类=多数投票；回归=均值/中位数]:::box classDef box fill:#f7f7ff,stroke:#333,stroke-width:1px,color:#000; classDef step fill:#e8f5e9,stroke:#2e7d32,stroke-width:1px,color:#000; classDef bag fill:#e3f2fd,stroke:#1565c0,stroke-width:1px,color:#000; classDef oob fill:#fff8e1,stroke:#f9a825,stroke-width:1px,color:#000,stroke-dasharray: 3 3; classDef tree fill:#f1f8e9,stroke:#558b2f,stroke-width:1px,color:#000; classDef pred fill:#ede7f6,stroke:#4527a0,stroke-width:1px,color:#000; classDef agg fill:#ffe0b2,stroke:#ef6c00,stroke-width:1px,color:#000;
09-08
<think> 我们有一个流程图，描述了一个处理不平衡数据集的集成学习方法。根据流程图，这个方法构建多棵决策树，每棵树基于分层自助抽样（Stratified Bootstrap Sampling）来平衡类别分布。具体步骤如下： 1. 对于每棵树，从训练数据中进行分层自助抽样：每一类抽取的样本数为该类样本数的最小值（n* = min_c n_c）？但流程图写的是“每类抽 n* = min_c n_c（有放回）”。实际上，这里应该是每类抽取相同数量的样本，这个数量等于最小类别的样本数（即少数类样本数），但这样会丢失多数类信息？或者另一种解释：n* 是预先设定的一个数（比如少数类的样本数），然后每类都抽取 n* 个样本（有放回）。 2. 对于每棵树，使用分层抽样得到的样本（InBag）训练一棵决策树，决策树在分裂时使用随机特征子集（例如sqrt(m)个特征），并使用基尼不纯度或信息增益作为分裂标准，还可以使用类权重（可选）。 3. 每棵树训练后，使用该树对测试数据进行预测。 4. 最后，聚合所有树的预测结果：分类问题使用多数投票，回归问题使用均值或中位数。 此外，每棵树训练时还有OOB（Out-of-Bag）样本，这些样本没有参与训练，可以用于评估模型性能（如计算OOB误差）。 这个算法类似于随机森林，但引入了针对类别不平衡的分层自助抽样（按类均衡抽样），使得每棵树的训练数据中各类样本数量相等（平衡）。这种方法可以缓解类别不平衡问题。 现在，我们需要实现这个算法。我们将构建一个分类器（假设用于分类任务），并按照流程图描述进行： - 输入：训练数据（特征矩阵X和标签y），树的数量n_estimators，每棵树的特征子集大小max_features（可选），最小样本数n_star（可选，如果不指定则设为最小类别的样本数）。 步骤： 1. 确定类别：从标签y中获取类别信息。假设有C个类别，每个类别的样本数记为n_c（c=0,1,...,C-1）。令n_min = min(n_c)，即最小类别的样本数。如果用户指定了n_star，则使用该值，否则n_star = n_min。 2. 对于每一棵树（t=1到n_estimators）： a. 分层自助抽样：对于每个类别c，从该类别的样本中随机抽取n_star个样本（有放回）。这样，每个类别都抽取n_star个样本，组成该棵树的训练集（InBag）。注意：由于是有放回抽样，每个类别的训练样本数都是n_star，但可能有重复样本。 b. 使用该训练集训练一棵决策树。在训练决策树时，每次分裂考虑随机选择的max_features个特征（比如sqrt(m)）。决策树可以使用基尼不纯度或信息增益。 c. 记录该棵树的OOB样本：在抽样过程中未被抽到的样本。这些样本可以用于计算该棵树的OOB误差（但整个集成模型的OOB误差可能需要综合所有树的OOB样本）。 3. 预测：对于测试样本，使用每棵树进行预测，然后进行多数投票（分类）或平均（回归）。 注意：由于我们使用了分层自助抽样，每个类别的样本数都是相等的，所以训练出的决策树不会偏向多数类。 实现细节： - 我们可以继承sklearn的BaseEnsemble和ClassifierMixin（或RegressorMixin）来构建自己的集成分类器。但为了简化，我们直接实现一个类，使用sklearn的DecisionTreeClassifier作为基学习器。 - 由于需要处理类别不平衡，我们需要获取每个类别的样本索引，并进行分层抽样。 我们将构建一个名为BalancedRandomForestClassifier的分类器。 代码实现步骤（Python）： 1. 初始化参数：n_estimators（树的数量）, n_star（每类抽样数，如果不指定则设为最小类别的样本数）, max_features（每次分裂考虑的特征数，默认'sqrt'，即sqrt(n_features)）, random_state（随机种子）等。 2. fit方法： a. 检查输入数据X和y，确定类别和每个类别的样本索引。 b. 计算n_star：如果没有指定，则设为最小类别的样本数。 c. 创建n_estimators棵决策树（使用sklearn的DecisionTreeClassifier，设置max_features等参数）。 d. 对每棵树： - 为每个类别抽取n_star个样本（有放回抽样），合并成该树的训练集。 - 训练该树。 - （可选）记录OOB样本，用于后续OOB误差计算。 3. predict方法：将所有树的预测结果进行多数投票。 4. predict_proba方法：返回所有树的预测概率的平均值。 注意：我们暂时不实现OOB误差计算，但可以留一个接口。 下面我们开始实现： 注意：由于我们使用有放回抽样，每个类别的样本数都是n_star，因此训练集总样本数为 C * n_star。 代码实现： </think> ### 平衡随机森林算法实现与解释 根据流程图描述，这是一种处理不平衡数据的改进随机森林算法，核心是通过分层自助抽样实现训练数据的类别均衡化。以下是Python实现： ```python import numpy as np from sklearn.tree import DecisionTreeClassifier from sklearn.utils import resample from collections import Counter class BalancedRandomForest: def __init__(self, n_estimators=100, max_features='sqrt', random_state=None, min_samples_class=None): """ 平衡随机森林分类器 参数: n_estimators: 树的数量 (默认=100) max_features: 分裂时的特征数量 'sqrt' -> sqrt(n_features) 'log2' -> log2(n_features) int -> 具体数值 random_state: 随机种子 min_samples_class: 每类采样数量 (默认使用最小类的样本数) """ self.n_estimators = n_estimators self.max_features = max_features self.random_state = random_state self.min_samples_class = min_samples_class self.trees = [] self.classes_ = None def fit(self, X, y): """ 训练模型 """ np.random.seed(self.random_state) self.classes_ = np.unique(y) n_features = X.shape[1] # 确定每类采样数量 class_counts = Counter(y) min_class = min(class_counts.values()) n_samples_per_class = self.min_samples_class or min_class # 计算每次分裂的特征数 if self.max_features == 'sqrt': max_features = int(np.sqrt(n_features)) elif self.max_features == 'log2': max_features = int(np.log2(n_features)) else: max_features = self.max_features # 训练每棵树 for _ in range(self.n_estimators): # 分层自助抽样 stratified_samples = [] for cls in self.classes_: class_indices = np.where(y == cls)[0] sampled_indices = resample(class_indices, replace=True, n_samples=n_samples_per_class, random_state=np.random.randint(1e9)) stratified_samples.extend(sampled_indices) # 创建训练子集 X_subset = X[stratified_samples] y_subset = y[stratified_samples] # 训练决策树 tree = DecisionTreeClassifier( max_features=max_features, splitter='best', random_state=np.random.randint(1e9) ) tree.fit(X_subset, y_subset) self.trees.append(tree) return self def predict(self, X): """ 多数投票预测 """ preds = np.array([tree.predict(X) for tree in self.trees]) return np.apply_along_axis(lambda x: Counter(x).most_common(1)[0][0], axis=0, arr=preds) def predict_proba(self, X): """ 类别概率预测 """ probas = np.stack([tree.predict_proba(X) for tree in self.trees]) return np.mean(probas, axis=0) # 使用示例 if __name__ == '__main__': from sklearn.datasets import make_classification from sklearn.model_selection import train_test_split from sklearn.metrics import classification_report # 创建不平衡数据集 (1000样本, 2类) X, y = make_classification(n_samples=1000, n_classes=2, weights=[0.9, 0.1], random_state=42) X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 训练模型 brf = BalancedRandomForest(n_estimators=50, max_features='sqrt', random_state=42) brf.fit(X_train, y_train) # 预测评估 y_pred = brf.predict(X_test) print(classification_report(y_test, y_pred)) ``` ### 代码解释： 1. **分层自助抽样**： - 对每个类别独立进行有放回抽样 - 每类抽取样本数 `n_samples_per_class` = 最小类样本数（默认） - 使用`resample`函数实现自助抽样 2. **决策树训练**： - 每棵树使用随机特征子集（`max_features`控制） - 默认使用基尼不纯度作为分裂标准 - 随机种子确保每棵树不同 3. **预测聚合**： - `predict()`：通过多数投票确定最终类别 - `predict_proba()`：平均所有树的概率预测 4. **处理不平衡数据的核心**： - 强制每个bootstrap样本包含等量的各类别样本 - 防止模型偏向多数类 - 比简单重加权更能保持特征多样性 ### 适用场景： 1. 医疗诊断（罕见病检测） 2. 金融欺诈识别 3. 网络入侵检测 4. 异常行为监测 5. 任何类别不平衡超过1:10的场景
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值