🛡️ spamAI — Rilevatore Phishing con Apprendimento Continuo

Classificatore email spam/phishing in italiano basato su Naive Bayes + TF-IDF, addestrato su dataset italiano + Enron (~33.000 email reali) con sistema di apprendimento continuo dal feedback dell'utente.

---

✨ Caratteristiche principali

• 🇮🇹 Dataset italiano — 1.000 email in italiano (spam e ham) create appositamente per il contesto italiano (INPS, banche, operatori telefonici, truffe comuni)
• 🌍 Integrazione Enron — ~33.000 email reali scaricate automaticamente da HuggingFace (SetFit/enron_spam)
• 🤖 Apprendimento continuo — ogni email analizzata può essere confermata o corretta dall'utente; il modello si riaddestra automaticamente ogni 5 feedback
• 💾 Feedback persistente — i feedback vengono salvati in user_feedback.json e ricaricati ad ogni avvio
• 📊 Statistiche in tempo reale — accuratezza, matrice di confusione, top parole spam
• 🔄 Riaddestramento automatico — il modello migliora ad ogni sessione

---

🗂️ Struttura del progetto

spamAI/
├── phishing.py           # Script principale
├── emails_dataset.json   # 1.000 email italiane etichettate (spam/ham)
├── user_feedback.json    # Feedback utente accumulati (cresce nel tempo)
└── README.md

---

🚀 Avvio rapido

1. Clona il repository

git clone https://github.com/massiprofessor/spamAI.git
cd spamAI

2. Installa le dipendenze

pip install scikit-learn pandas datasets tqdm

3. Avvia il classificatore

python phishing.py

Al primo avvio scarica il dataset Enron da HuggingFace (~100 MB, poi in cache). Dalla seconda esecuzione parte istantaneamente.

---

🖥️ Utilizzo

All'avvio lo script mostra le statistiche del modello e poi entra in modalità interattiva:

📧 Oggetto: Hai vinto un iPhone! Ritira subito il premio
📝 Corpo (doppio INVIO per confermare):
Congratulazioni! Sei stato selezionato...
[INVIO]
[INVIO]

─────────────────────────────────────────────────────────────
  SPAM / PHISHING  —  Rischio ALTO
  Confidenza spam     : 97.3%
  Confidenza legittima: 2.7%
  [██████████████████████████████]

  La previsione è corretta?
  [S] Sì, confermo   [N] No, è legittima   [I] Ignora
  → S
  Confermato come spam. Feedback #1 salvato.
  Ancora 4 feedback al prossimo riaddestramento.

Comandi disponibili

Comando	Descrizione
esci	Termina la sessione
stats	Mostra statistiche aggiornate del modello
S / Y	Conferma la previsione del modello
N	Correggi la previsione (insegna al modello)
I	Ignora — non salvare questo caso

---

🧠 Come funziona

Pipeline di classificazione

Email (oggetto + corpo)
        │
        ▼
   Pulizia testo
   (rimozione header, URL→URL, email→EMAIL, numeri→NUM)
        │
        ▼
   TF-IDF Vectorizer
   (60.000 feature, ngram 1-2, sublinear_tf)
        │
        ▼
   Naive Bayes (MultinomialNB, alpha=0.1)
        │
        ▼
   Probabilità spam/ham + barra visiva

Dataset combinato

Sorgente	Email	Lingua	Note
emails_dataset.json	1.000	🇮🇹 Italiano	Creato appositamente per il contesto italiano
SetFit/enron_spam	~33.000	🇺🇸 Inglese	Email reali aziendali Enron
user_feedback.json	variabile	🇮🇹 / 🌍	Feedback utente — cresce ad ogni sessione

Apprendimento continuo

Ogni feedback confermato o corretto dall'utente viene:

1. Salvato in user_feedback.json con timestamp, predizione AI e etichetta corretta
2. Incluso nel dataset di training alla successiva sessione
3. Usato per riaddestramento automatico ogni 5 nuovi feedback

{
  "id": 42,
  "timestamp": "2026-03-18T10:32:11",
  "subject": "Urgente: verifica il tuo conto UniCredit",
  "body": "Clicca qui per verificare...",
  "label": "spam",
  "ai_predicted": "spam",
  "was_correct": true,
  "conf_spam": 0.961,
  "conf_ham": 0.039
}

---

📈 Performance

Metrica	Valore
Accuratezza (test set)	98%+
Dataset training	~23.000 email
Dataset test	~10.000 email
Split	70% train / 30% test (stratificato)
Feature TF-IDF	60.000

---

⚙️ Parametri configurabili

All'inizio di phishing.py:

TRAIN_RATIO      = 0.70    # percentuale dati di training
RANDOM_SEED      = 42      # riproducibilità
MAX_ENRON_EMAILS = 33000   # max email Enron da caricare
TFIDF_MAX_FEAT   = 60000   # feature TF-IDF
RETRAIN_EVERY    = 5       # feedback prima del riaddestramento

---

🗃️ Formato emails_dataset.json

[
  {
    "id": 1,
    "subject": "URGENTE: Il tuo conto è stato sospeso",
    "body": "Gentile cliente, abbiamo rilevato attività sospetta...",
    "label": "spam"
  },
  {
    "id": 2,
    "subject": "Riunione di team - giovedì ore 15",
    "body": "Ciao a tutti, vi convoco per una riunione...",
    "label": "ham"
  }
]

I valori validi per label sono "spam" e "ham".

---

🔧 Requisiti

• Python 3.8+
• scikit-learn
• pandas
• datasets (HuggingFace)
• tqdm

pip install scikit-learn pandas datasets tqdm

---

📋 Casi d'uso

• Studenti di cybersecurity — laboratorio pratico su ML applicato al rilevamento phishing
• Docenti — materiale didattico pronto all'uso con dataset in italiano
• Uso personale — analizza le email sospette copiando oggetto e corpo

---

🤝 Contribuire

Contributi benvenuti! In particolare:

• Nuove email italiane per emails_dataset.json (spam o ham realistiche)
• Miglioramenti all'algoritmo di classificazione
• Supporto per altri dataset pubblici

---

📄 Licenza

MIT License — libero utilizzo, anche per scopi didattici.

---

Realizzato con 🐍 Python · scikit-learn · HuggingFace Datasets