Qu'est-ce que le filtrage bayésien (bayesian filtering) ?

Qu’est-ce que le théorème de Bayes appliqué à un e-mail ?

Cette loi multiplie les probabilités pour estimer, d’après le vocabulaire employé, si un envoi relève du spam. Elle compare ensuite ce score à un seuil défini pour chaque système de messagerie professionnelle. Ce théorème doit son nom à Thomas Bayes, dont l’essai « An Essay towards Solving a Problem in the Doctrine of Chances » a été publié en 1763, deux ans après sa mort, par son ami Richard Price.

Trois éléments fondamentaux structurent cette distribution a posteriori :

• La probabilité conditionnelle : la chance qu’un terme apparaisse dans un spam plutôt que dans un e-mail légitime, une fréquence calculée à partir du corpus d’apprentissage.
• Le corpus d’entraînement : un ensemble de spams et de courriers légitimes déjà classés, dits « hams » pour ces derniers, en nombre suffisant pour des estimations fiables.
• Le seuil de décision : la limite au-delà de laquelle le spam est mis en quarantaine, un choix que chaque organisation peut ajuster selon ses besoins.

Cette méthode n’intervient jamais seule pour bloquer l’intégralité des spams. Elle constitue une des couches d’une stratégie défensive, celle qui apprend du vocabulaire, associée aux listes noires et à l’analyse heuristique. Ces couches se combinent dans un filtre anti-spam, présent sur toute messagerie professionnelle. Notre Baromètre Cyber le confirme, avec des données 2025 qui montrent que 2,86 % des e-mails reçus sont ouvertement malveillants, représentant environ 54,9 millions d’e-mails, un volume qui rend indispensable ce tri automatisé du contenu.

Chez Mailinblack, notre solution antispam professionnelle combine l’analyse bayésienne à l’intelligence artificielle et à un système de défi-réponse pour bloquer les menaces avant leur arrivée en boîte de réception.

Le filtrage antispam est-il la même technique que le filtrage du signal ?

Ces deux domaines partagent le même fondement théorique mais résolvent des problèmes radicalement différents. L’un se concentre sur la classification de courriers pour l’antispam, l’autre cherche à déterminer un état caché à partir d’observations bruitées.

En réalité, ce sont deux champs sans lien pratique. Le système antispam classe des contenus textuels en observant la distribution des mots. Le filtre de signal, popularisé par l’algorithme de Kalman et utilisant un principe récursif, estime des informations cachées comme la position ou la vitesse à partir de mesures imprécises observées sur la durée. Cette seconde utilisation domine en robotique, en reconnaissance d’image, en navigation par satellite, en réseaux de capteurs et en électronique embarquée. Une recherche sur le web ou sur un site spécialisé mélange régulièrement les deux domaines, d’où la confusion fréquente chez qui cherche à comprendre la sécurité email.

L’outil signal possède une solution mathématique simple seulement dans un cadre limité, par exemple pour un système linéaire avec bruit gaussien. En dehors, l’inférence devient complexe et demande des approximations coûteuses, un niveau de sophistication qui dépasse les besoins d’une messagerie professionnelle. L’essentiel est de retenir la distinction. Un système email n’utilise jamais cette famille de procédés spécialisés de traitement du signal en contexte de messagerie.

Comment s’estime le score de probabilité d’un envoi suspect ?

Cette opération multiplie des scores associés à chaque terme, puis normalise le résultat entre 0 et 1. Elle diffère fondamentalement de la moyenne arithmétique, une confusion courante qui fausse complètement le résultat final. En 2002, Paul Graham a documenté cette logique dans son essai « A Plan for Spam », en montrant qu’une combinaison bayésienne des probabilités de chaque mot suffit à filtrer l’essentiel des messages indésirables, sans recourir à une simple moyenne.

En pratique, la probabilité qu’un e-mail soit du spam, selon les termes qu’il contient, repose sur un produit où chaque terme participe à la décision. L’opération multiplie ce score par la probabilité a priori d’un tel message dans le trafic observé. Aucune moyenne n’intervient. Beaucoup de guides expliquent erronément qu’il faut additionner les poids pour obtenir un score global. Cette définition produit un résultat incorrect.

L’opération s’appuie sur une simplification dite « naïve ». Chaque terme est considéré comme indépendant des autres dans sa contribution à la détection, une fonction qui rend le processus calculable à grande échelle malgré une indépendance rarement vraie en réalité. Cette hypothèse de naïveté, décrite plus loin dans ses limites, est souvent omise des explications, bien qu’elle soit responsable de nombreux faux positifs ou faux négatifs.

Le processus suit trois étapes :

1. La multiplication des probabilités : chaque terme apporte sa contribution au score, selon son propre poids, à partir du corpus d’entraînement.
2. La normalisation : le produit est ramené à une valeur comprise entre 0 et 1.
3. La comparaison au seuil : le score final décide si le message est mis en quarantaine ou reste légitime.

Chez Mailinblack, nous associons la protection technique à nos modules de formation cybersécurité pour réduire durablement l’exposition aux menaces email au sein de votre organisation, au-delà de la seule méthode technique.

Que se passe-t-il quand un mot est absent du corpus d’entraînement ?

Un mot jamais rencontré pendant la phase d’apprentissage pose un problème mathématique fondamental. Il recevrait une probabilité nulle, ce qui bloquerait l’intégralité de la multiplication sans le recours au lissage de Laplace, qui attribue une valeur minimale non nulle à tout terme absent du corpus.

Dans une multiplication, une seule valeur zéro annule le résultat complet, indépendamment des autres facteurs présents. Un mot absent de l’apprentissage recevrait zéro et paralyserait l’estimation dès qu’un terme inconnu apparaît, qu’il s’agisse d’une marque nouvelle, d’un néologisme ou d’une faute orthographique intentionnelle. Le vocabulaire du spam se renouvelle constamment avec de nouveaux services, de nouvelles offres, ce qui rend ce problème très fréquent en pratique.

Le lissage de Laplace résout ce blocage. Ce mécanisme attribue à chaque mot, y compris ceux absents, une probabilité minimale positive avant toute opération, rendant l’estimation toujours possible. Cette correction, dite additive, dépasse largement l’antispam. Elle est fondamentale en traitement du langage naturel, en reconnaissance vocale et dans tous les systèmes qui estiment des grandeurs sur des cas rares ou incomplets.

Comment un spammeur peut-il déjouer ce mécanisme de détection ?

L’empoisonnement bayésien est une tactique où un auteur de spam insère délibérément des termes légitimes ou neutres dans un courriel malveillant pour diluer son évaluation probabiliste et passer sous le seuil de détection fixé pour la messagerie professionnelle.

Ce mécanisme exploite la structure du système bayésien où chaque terme apporte une contribution propre au score, un poids que l’empoisonnement cherche justement à fausser. En ajoutant plusieurs termes neutres ou liés à des contenus légitimes, comme des extraits de presse, des citations ou du vocabulaire spécialisé, on abaisse artificiellement le score résultant. Le spam demeure malveillant en intention, mais son score passe sous la limite d’acceptabilité.

Cette faille n’est pas due à une configuration défectueuse. Elle est intrinsèque à toute méthode qui classe selon le vocabulaire plutôt que selon l’intention réelle. Cette raison fondamentale explique pourquoi aucun mécanisme de ce type ne doit être l’unique responsable de la sécurité email en entreprise. Associé à l’examen comportemental, à la vérification de la réputation de l’expéditeur et à un défi-réponse CAPTCHA, il devient une couche efficace dans une stratégie défensive plus large.

Comment mettre en place une stratégie bayésienne sans expertise avancée ?

Un filtre bayésien pour emails est accessible à toute équipe informatique, sans nécessiter une formation statistique universitaire poussée. Son intérêt et son avantage résident dans sa simplicité. Le fonctionnement de base s’appréhende par les concepts clés sans diplôme en mathématiques supérieures, à condition de choisir un corpus représentatif et de suivre quatre étapes précises.

Concrètement, la mise en place suit quatre étapes fondamentales :

1. Réunir le corpus d’entraînement : assembler des messages malveillants identifiés et des courriers légitimes en nombre suffisant pour les estimations.
2. Estimer les probabilités : calculer la fréquence de chaque terme dans chaque catégorie à partir du corpus, en adaptant le lissage de Laplace.
3. Définir le seuil : fixer la limite au-delà de laquelle un courriel devient suspect et doit être isolé.
4. Améliorer continuellement : actualiser le corpus pour suivre l’évolution du vocabulaire utilisé par les auteurs malveillants et adapter vos paramètres, dans une logique d’optimisation permanente.

En pratique, cette configuration s’effectue sur le serveur de messagerie, sans écrire une ligne de code.

La qualité du corpus, facteur déterminant

La qualité du corpus d’entraînement importe autant que l’algorithme. Un ensemble trop restreint, quelques centaines d’exemples seulement, laisse le système mal informé et produit des erreurs de classification. Un équilibre entre les deux catégories prévient un biais du modèle, à la différence des réseaux de neurones, plus gourmands en informations. Les spammeurs renouvellent continuellement leur vocabulaire, de nouvelles marques, services et formulations exigeant une amélioration continue.

L’entraînement continu n’est cependant pas une garantie automatique. Un système qui accumule sans restructuration finit par surpondérer ses éléments anciens. Un vocabulaire de message malveillant d’il y a plusieurs années acquiert plus de poids dans les estimations que le vocabulaire réel en usage aujourd’hui. Cette dégénérescence progressive explique pourquoi un modèle jamais réoptimisé perd en fiabilité au fil du temps. L’amélioration régulière et la sélection des exemples, plutôt que l’accumulation infinie, restent la clé de la fiabilité.