* Add description of classifying process

diff --git a/README-classify.koi8.txt b/README-classify.koi8.txt
new file mode 100644 (file)
index 0000000..9f3934c
--- /dev/null
+++ b/README-classify.koi8.txt
@@ -0,0 +1,93 @@
+Особенности классификации и статистического анализа
+===================================================
+
+В rspamd используется алгоритм ортогональных разреженных биграмм (OSB),
+который основан на следующем принципе:
+
+
+    н       -----------------------------------
+    а      -----------------------------------
+       б     -----------------------------------
+       о    |  w1  |  w2  |  w3  |  w4  |  w5   |
+       р    |      |      |      |      |       | --> выходные токены
+       ы     -----------------------------------
+               /      Текущий набор хешей и весов
+          /
+Входные токены                                 
+
+То есть, процесс преобразования можно представить следующим образом:
+для каждого набора весов (w1..w5) составляется набор хешей. Первоначальный
+шаг выглядит так: берем 5 токенов, помещаем их в текущий набор, умножаем на
+веса, складываем, получаем выходной токен. Далее применяем последовательно для каждого
+набора весов. То есть, из одного набора хешей мы получаем число выходных токенов,
+равное числу наборов весов. Далее мы в w1 помещаем новый хеш и сдвигаем w1..w4 на
+1 вправо. С набором хешей w1',w1..w4 проделываем аналогичные операции. И так до
+тех пор, пока входные токены не закончатся. Выходных токенов больше, чем входных,
+в число раз, равное числу наборов весов.
+Сейчас в rspamd для формирования наборов весов используется алгоритм ортогональных
+разреженных биграмм. Число наборов в данном алгоритме равно N=W-1, где W - длина
+набора хешей (окно). Наборы весов формируются следующим образом (для W=5):
+{ 1, 7, 0, 0, 0 },
+{ 3, 0, 13, 0, 0 },
+{ 5, 0, 0, 29, 0 },
+{ 11, 0, 0, 0, 51 },
+
+После этого мы должны вычислить принадлежность потока выходных токенов к некоторому
+классу. Для этого используется алгоритм Winnow.
+
+Here's a quick synopsys of the algorithm:
+Идея алгоритма очень проста:
+1) Каждый возможный входной токен имеет вес 1.0 (то есть, нас интересуют только те
+токены, которые не равны 1.0)
+2) Для обучения проделываем следующие шаги:
+   - генерируем набор токенов путем OSB алгоритма
+   - удаляем все дупликаты
+   - если данный входной набор принадлежит классу (например, спам или неспам), то умножаем вес
+     каждого встреченного токена на т.н. Promotion Constant, которая равна 1,23
+   - если данный входной набор не принадлежит классу, то умножаем каждый найденный токен на 
+     Demotion Constant в данном классе, которая равна 0,83
+   - абсолютно неважно, сколько раз встречался данный токен во входном потоке, мы его умножаем
+     на promotion или demotion только один раз
+3) Для классификации потока мы поступаем следующим образом:
+   - генерируем набор токенов путем OSB алгоритма
+   - удаляем все дупликаты
+   - суммируем веса всех токенов, найденных в каждом из файлов данных статистики (при этом те токены,
+     которые мы не нашли, имеют вес 1)
+   - затем мы делим полученную сумму на число токенов и смотрим, какой из классов (файлов данных) набрал
+     больше очков и делаем заключение о принадлежности входного текста к классу
+
+Файлы данных статистики представляют собой следующие структуры:
+{
+Header,
+{ feature_block1..feature_blockN }
+}
+Заголовок файла очень прост:
+struct {
+       char magic[3] = { 'r', 's', 'd' };
+       u_char version[2] = { '1', '0' };
+       uint64_t create_time;
+}
+Каждый feature_block состоит из 4-х полей:
+struct {
+       uint32_t hash1;
+       uint32_t hash2;
+       uint32_t value; /* На самом деле это float */
+       uint32_t last_access;
+}
+Итого 16 байт на каждый feature. 0-е значения показывают свободную ячейку.
+Значение hash1 используется в качестве индекса:
+idx = hash1 % filesize;
+Где filesize - размер в количестве feature_block'ов. При этом данный токен
+должен помещаться в заданную ячейку или ячейку за ним. При этом образуется 
+цепочка токенов:
+
+idx 
+ \
+| занят | занят | занят | свободен |
+    \-----^ \-----^ \-----^
+При этом, длина такой цепочки должна быть лимитирована некоторым разумным числом,
+например 128. Тогда максимальное время доступа будет не более 128-и итераций.
+Если мы не нашли за 128 итераций свободную ячейку, то мы можем поместить новый токен
+на место того, который меньше всего использовался (min (last_access)). При этом
+при доступе к ячейке необходимо обновлять last_access: last_access = now - creation_time.
+Такая организация позволяет замещать только наименее используемые токены.