传真服务器是随着通信技术的发展，针对大中型企业、机关需求推出的一种集团传真通信解决方案。它的基本原理是通过软硬件集成，实现多路传真的并发收发，并在此基础上，与办公流程相结合，实现更复杂的自动化管理。
    目前的传真服务器，其主要业务是实现传真的收发管理，但是不具备安全功能，因此很容易成为垃圾传真的攻击目标，尤其是一些大企业，其号码为公众所熟悉，更是垃圾传真的重灾区。垃圾传真的泛滥不但造成巨大的浪费，而且严重影响正常办公。
    针对上述问题，本文提出一种安全传真服务器的概念，在传真服务器上增加垃圾传真的自动检测功能，从而使分发或打印的传真都是安全有效的。
1 安全传真服务器模型
    文献[1]、文献[2]等给出了传真服务器的实现方法。为实现安全传真服务器，需要在原来的传真服务器上增加传真自动分类功能，只对无害的传真进行分发，而将垃圾传真剔除。一种直观的方法是在分发之前增加内容的机器识别功能，如对传真图像进行OCR[3]（光学字符识别）识别，得到传真图像的文本字符信息，在此基础上进行文本分类。但是受限于传真的实际情况，如手工发送造成的版面倾斜、手写字体等，如果直接对其进行OCR识别，较低的准确率会严重影响系统的可用性，为此，需要对垃圾传真的特征进行全面研究及利用，确保分类方法的有效性。
    垃圾传真通常是将一份传真进行广播式发送，因此在传真服务器的接收端，垃圾传真重复严重，而正常业务传真则没有此特征。所以本文的方法是对接收到的传真进行聚类处理，能够聚类的认为是垃圾传真，不能聚类的认为是正常业务传真。根据上述分析，得到安全传真服务器的系统模型，如图1所示。与传统的传真服务器相比，本服务器在传真分发前，增加了对垃圾传真的聚类检测功能。为达到最佳的检测效果，且避免垃圾传真因数量少而不能聚类，增加了垃圾传真的历史特征库。

2 垃圾传真检测算法
    由安全传真服务器系统模型可见，调制解调、编码解码、传真收集与分发等都属于普通传真服务器具有的功能，相关资料中已有说明，本文不再重复，这里只详细介绍其中的垃圾传真检测算法。
    本文中的应用对精确度要求很高，不允许将正常业务传真识别为垃圾传真，所以需要选取一种能够精确表达传真内容的特征进行聚类，本文采用传真的游程[4]特征。
    每幅传真图片的黑白像素分布不同，从每一扫描行的图像数据上看，这种不同体现在黑像素和白像素的分布上，即交替的次数不同，且连续黑白像素点的长度也不同。将此特征以游程数M和游程值L来描述，游程数是指每个扫描行黑白像素变化的次数，游程值是指每个连续像素段的像素个数。假如某一行的像素为00001111110011000，则该扫描行的游程特征为：M=4，L0，…，M=(4，6，2，2，3)。将所有的传真图像以此特征来描述，并进行比较，即可实现相同传真图像的聚类。传真图像与游程特征的对比如图2、图3所示。

    正常业务传真在聚类过程中可以认为是孤立点或者噪声点，大量重复的垃圾传真或者广告传真是本文聚类的对象。基于密度的DBSCAN[6]聚类算法能够对抗孤立点，并且能够处理任意形状和大小的类，因此这里选择DBSCAN算法。DBSCAN算法提出了一些新的定义：
   
    (2)如果一个对象的?着-近邻中至少包含MinPts个对象，则称这个对象为核对象。
    (3)如果对象P为另一个对象q的ε-近邻且q是核对象，则称p是从q可“直接密度可达”(Density-Reachable)。
    (4)如果存在一系列对象p1，p2，…，pn，其中p1=q，pn=p，而且pi+1(1≤i≤n-1)是从pi“直接密度可达”的，则称p是从q可“密度可达”。
    (5)若存在一个对象z，使得p和q都是从z“密度可达”的，则称对象p“密度连接”对象q。
    DBSCAN聚类算法就是检查数据库中每一个点的ε-近邻。若一个对象p的ε-近邻包含MinPts多于个对象，则创建包含p的聚类。然后DBSCAN根据这些核对象，循环搜索“直接密度可达”的对象，当各聚类中再无新对象加入时，聚类结束。
    聚类算法的具体实现需要考虑如下因素：
    (1)要判断两个图像是否相同，只需要判断有限个扫描行数据相似度大小即可。如果对整个图片进行特征比对，会严重增加存储和计算开支。
    (2)正常情况下传真都含有页眉，页眉涉及时间、主叫等信息，即使重复发送的垃圾传真，页眉显示的时间也不相同，所以比较传真时应当避开页眉。
    (3)在聚类处理的时段内，垃圾传真如果数量少就会因为不能聚类而漏检，为此，应该建立已知垃圾传真特征库，供后续检测使用。
    基于上述考虑，聚类算法实现过程如下：
    (1)分类器训练：利用训练数据，采用最小方差准则对?着、MinPts等聚类参数进行确定。
    (2)提取每个传真图片的游程特征C[i]：设定起始行Srow（如Srow=20），从此行向下搜索，找到有效图像扫描行，作为新的起始行，从起始行开始，提取有限行Mrow（如Mrow=80）游程特征。
    (3)确定垃圾传真类：遍历所有传真，若一个传真的ε-近邻中至少包含MinPts个传真，就创建包含这个传真的类，该类中的所有传真为垃圾传真。
    (4)确定类代表特征：设dij表示某传真数为n的类中点i到点j的距离，di表示点i到该类所有点的距离和，如果di=min(d1，d1，…，dn)，则点i为该类的中心点，其游程特征作为该类的代表特征，加入垃圾传真特征库。
    (5)确定孤立垃圾传真：集合M={m1，m2，&hellip;}为垃圾传真模版库，G={g1，g2，&hellip;}为不能聚类的传真的集合，若d(gi，mj}<?着，则gi为垃圾传真。
3 仿真测试
    上述方法通过MATLAB完成了仿真实现。通过该方法实现的传真服务器，不但具有一般传真服务器的功能，而且能够对待分发的传真进行判别，确保最终用户收到的传真不是垃圾传真。
    本文最后进行了性能测试。测试过程如下：
    (1)从某公司传真服务器处收集得到2 000份传真数据，随机取其中400份作为训练集，另外1 600份作为测试集。
    (2)建立传真特征表，用来记录传真的特征数据。字段包括：文件名、属性（垃圾传真为0，其他为1）、可聚类性（在训练集中能够聚类为1，否则为0）、聚类类别（人工对训练集中能够聚类的传真进行分类，并标以不同的类别值）。
    (3)对训练集传真进行人工辨认，并将特征记入传真特征表。
    (4)根据最小方差准则，用训练集中传真对分类器参数进行训练，使分类器输出结果与传真特征数据具有最大拟合度，从而得到分类器参数。
    (5)对测试集中的传真进行人工辨认，并将特征记入传真特征表。
    (6)用训练得到的分类器对测试集中的1 600份传真进行分类，并将分类结果自动记入数据库。
    (7)比对识别结果与人工辨认数据。
    测试结果如表1所示。

    从表1中结果可知：
    (1)没有正常的业务传真被检测为垃圾传真，说明本文的方法不会影响正常的传真业务。
    (2)垃圾传真可能被误识为正常传真，这是因为本方法中，为了确保正常传真不会被聚类，聚类的条件设置得比较苛刻，造成了部分垃圾传真由于数量少不能聚类。
    (3)在没有影响正常传真业务的情况下，本文方法对垃圾传真的检出率为92.5%，说明了本文方法的有效性。
    在实际应用中，能够聚类的部分传真可能包含用户感兴趣的资讯，用户希望对此正常接收，所以在后续的工作中，应该在聚类的基础上，从用户的感知和体验角度出发，深入研究垃圾传真的本质，使垃圾传真的分类更加合理，进一步提高安全传真服务器的可用性。

参考文献
[1] 罗新．基于局域网的传真服务器的设计与实现[D]．大连理工大学硕士学位论文，2006，6．
[2] 陈屹峰．嵌入式传真服务器的设计与实现[D]．复旦大学硕士学位论文，2004，4．
[3] 李宝安，孟庆昌．中文信息处理技术&mdash;&mdash;原理与应用[M]. 北京：清华大学出版社，2005.
[4] 田丽华．编码理论[M].陕西：西安电子科技大学出版社，2004.
[5] 杨兰仓．数据挖掘中聚类和孤立点检测算法的研究[D]．复旦大学硕士学位论文，2004，4．
[6] 周水庚，周傲英．一种基于密度的快速聚类算法[J].计算机研究与发展，2000，37(11)．