Spam und was man dagegen tun kann

Gerade wenn man es eilig hat oder an einem wichtigen Projekt arbeitet, stört Spam umso mehr. Warum taucht immer wieder die gleiche Mail auf, warum filtern die Anti-Spam-Algorithmen das nicht weg? Warum es manchmal ist es schwer, gewünschte Mails von unerwünschten zu unterscheiden und man notfalls selbst etwas tun kann.

Die vielen Erscheinungsformen von Spam

Das Problem: Es gibt keine besonders gute Definition, was Spam eigentlich ist. Vermutlich ist „unerwünscht zugesandte E-Mail“ die Formulierung, auf die sich alle einigen Können. Schon bei der Ergänzung „massenhaft versandte, aber unerwünschte E-Mail“ gehen die Meinungen auseinander. Zumindest aus Empfängerperspektive.

Es gibt auch gelegentliche und im Grunde individuell zugeschnitte Notifications. So etwas ist jeder von diversen Onlineservices gewohnt. Dennoch können diese Mails nervtötend werden. Dann empfindet sie der Empfänger oder die Empfängerin als Spam.

Das gilt sogar dann, wenn man als UserIn zunächst mit der Zusendung einverstanden war. Je nutzloser, desto eher wird man sich belästigt fühlen. Aber sind diese Mails wirklich unerwünscht?

Hier wird schon eines deutlich: Für den einen ist es eine wichtige Erinnerung. Für den anderen oder die andere eine nervige Überflüssigkeit. Die Einschätzung und das Empfinden ist hochgradig individuell.

Je nutzloser eine E-Mail, desto eher wird sie als Spam empfunden

Dabei ist Spam aber nicht nur harmlos, wenn auch nervig. Es gibt genug Angriffsvektoren auf Endgeräte oder Accounts, die per E-Mail starten. Im Bereich Phishing senden die Angreifer E-Mails mit alarmierendem Inhalt. Man möge sich einloggen und ein Problem korrigieren. Will man als Angreifer einen Trojaner in ein Firmennetzwerk einschleusen, muss man den Empfänger dazu bringen, einen Mailanhang zu öffnen oder eine Datei herunterzuladen. In vielen Fällen handelt es sich hingegen um unerwünschte Werbung, die sich dummerweise per E-Mail ohne große Kosten verbreiten lässt. Es gibt Gesetze dagegen, doch handeln Spamversender anonym, sind nicht zurückzuverfolgen. Wenn die Server im Ausland stehen, wird das noch komplizierter.

Erkennung als Herausforderung

Leider ist Spam auch nichts Seltenes. Einer internen Statistik von goneo zufolge sind fast 40 Prozent aller Mails als Spam zu klassifizieren. Dazu kommen einige Zweifelsfälle im einstelligen Prozentbereich. Etwas mehr als die Hälfte aller eingehenden Mails wird überhaupt in die Mailpostfächer zugestellt.

Als Serviceprovider betrachtet man dabei nicht nur die große Menge an eingehenden E-Mailnachrichten. Auch bei ausgehenden Mails kann es sich um Spam handeln. Hier könnte man sich auf den Standpunkt stellen, dass dies ja egal sein könnte. Allerdings drohen dem Provider dann die Folgen von Abwehrmaßnahmen anderer Provider.  

So funktioniert die Unterscheidung von Mails, die man empfangen möchte

Um Spam als Spam zu erkennen gibt es einige Ansätze. Erst mit einer geschickten Kombination darauf erhält man einen funktionierende und automatisierbare Erkennung. Die effiziente und maschinelle Bearbeitung ist notwendig: Bei Providern rauschen E-Mail-Mengen in dreistelliger Millionenhöhe pro Woche oder Monat durch.

Um unerbetene oder störende Mails auszufiltern, müssen viele Geschütze aufgefahren werden.

Erstens kann man versuchen, alleine durch die Struktur der Mail einige Merkmale zu finden. Jedes Kriterium für sich lässt keine treffsichere Einschätzung zu. Aber in Kombination kann die Treffergenauigkeit sehr hoch werden. Am einfachsten ist es noch, wenn viele Mails gleichen oder fast gleichen Inhalts in kurzem zeitlichen Abstand eingehen. Wenn dies geschieht, ist die Wahrscheinlichkeit, dass gerade eine Spamwelle rollte, nochmal höher. Allerdings braucht man dann schon eine Art „Buchführung“ über eingehende Mails und deren hohe Ähnlichkeit.

Ein Warnsignal sind Anhänge. Diese können schädlich sein, wobei Anhänge natürlich möglich sein müssen. Also sollte möglichst automatisiert untersucht werden, ob es sich um Dateien mit bekannten Schadwirkungen handelt. Allerdings braucht man auch ein Verfahren für zweifelhafte Dateien, deren Wirkung nicht absehbar ist. Vieles an Schadsoftware ist komplex und taucht immer wieder auf. So lassen sich Erkennungslisten zusammenstellen.

Wann ist Spam als Spam erkennbar?

Es kommt stets auch auf die Menge an. Reichen 100 gleichlautende Mails, um mit einiger Sicherheit von Spam zu sprechen? Sicher nicht. Es gibt viele Szenarien, die dafür sprechen, dass die Mails beim Empfänger gewollt sind: Ein Verein, der seine Mitglieder zur Jahreshauptversammlung einlädt, die Absage eines Events durch den Veranstalter und dergleichen.

Würde man diese Mails wegfiltern, wären viele Menschen sehr sauer. Also muss die Untersuchung vielschichtiger sein und feiner passieren.

Zweitens kann man auf den Inhalt der Mail abzielen und diverse Merkmale bündeln, die man in eigentlich jeder Spam-Mail findet. Bei Apache gibt es ein Softwareprojekt namens SpamAssasin. Dies ist schon recht alt und man findet es heute vielerorts meist an vorderster Front in der Spam-Abwehr. Mit SpamAssasin durchläuft jede Mail, die zu klassifizieren ist, über hundert Tests. Dabei schaut sich das Tool Mail-Header und Mail-Body an. Es prüft, ob die Absenderadresse auf einer bekannten Spamliste steht. Auch, ob die E-Mail korrekt formuliert ist und den Spezifikationen entspricht, ist ein Kriterium.

Ebenso verfährt es mit dem absendenden Server. Es checkt Konformitäten, denn auch wenn eine Mail klar als Werbung erkennbar ist, kann diese gewollt sein. Man denke nur an den regelmäßigen Sonderangebotsnewsletter mit den attraktiven Preissenkungen. 

Jeder Test der vielen Einzeltests endet mit einem Ergebnis. Am Ende werden diese Einzelergebnisse zu einem Scorewert verrechnet. Das kann man sich im einfachsten Fall wie eine summarische und multiplikative Verknüpfung vorstellen.

Diese statistische Betrachtung kann man auch weiter treiben, indem man nicht nur sehr summarische oder multiplikative Modelle anlegt, sondern die Kriterien in Matrizen verrechnet. Dafür eigenen sich Methoden aus der linearen Algebra. So gelingt es, komplexere Modelle zu formulieren.

Modelle zur Schätzung von Wahrscheinlichkeiten

Natürlich müssen diese Modelle erst einmal gewonnen und validiert werden. Dann müssen diese sich in der Praxis bewähren. Das Ziel ist dabei immer, die Fehlerrate gering zu halten. Es geht darum, weder viele falsch-negative, noch zu viele falsch-positive Kategorisierungen zu erzeugen. Die Fehler sollen minimiert werden, nur darf man auch nicht über das Ziel hinausschießen.   

Das Schöne an Spam ist, dass Spam nicht selten ist. Das schreit regelrecht nach künstlicher Intelligenz und maschinellem Lernen (ML). Tatsächlich ist die Spamerkennung ein Paradebeispiel für ML-Anwendungen. Dank des häufigen Vorkommens hat man genug Material, um zum Beispiel neuronale Netze zu trainieren. Man kann natürlich schneller umzusetzende Methoden verwenden wie eine Support Vector Machine.

Das Blöde an Spam wiederum ist, dass sich die Taktiken schnell ändern. So entsteht ein Katz- und Mausspiel von Spammern und Spamjägern.

Mit neuronalen Netzen kann man dennoch recht schnell auf neue Spamphänomene reagieren. Das Tolle daran ist, dass neuronale Netze so ausgelegt sind, dass sie die Kriterien selbst finden, wenn man lange genug trainiert. Allerdings braucht man für das Training dieser Netze viele Daten mit bekannten Eingangs- und Ausgangswerten. Man muss also von einer Mail wissen, ob diese schon als Spam gilt oder nicht. Und dann braucht man sehr viele davon. Je mehr, desto besser. Desto besser wird das neuronale Netz Ergebnisse liefern, im Sinne von niedrigen Alpha- und Betafehlern.

Spammer ändern ihre Taktik schnell

Im Grunde handelt es sich um „statistische Verfahren auf Steroiden“. Ob eine Mail eine Spammail ist, könnte man, um valides Testmaterial zu gewinnen, zunächst von menschlichen Bewertern einschätzen lassen.

Eine andere Möglichkeit: Man wertet das Verhalten der Empfänger aus. Wird die Mail als Spam markiert, handelt es sich um Spam. Aus diesem Paradigma leitet sich die Frage ab, wie sich Spam dann markieren lässt, heißt: Welches Userverhalten deuetet darauf hin, dass eine Mail unerwünscht, also Spam, ist? Das ist abhängig vom Endgerät oder der Software. Schnelles Löschen deutet sicher darauf hin, dass die Mail unerwünscht oder zumindest gerade nutzlos war. Eine Beantwortung oder Weiterleitung hingegen signalisiert, dass die Mail sinnvoll und gewollt war. 

Möglicherweise sendet der Absender allerdings öfter mal eine E-Mail. Manche davon sind in dem Moment sinnvoll, andere nicht.  

Hier erkennt man auch, dass an dieser Stelle schon durchaus Fehleinschätzungen passieren können. Vielleicht hat der User sich nur vertippt oder gerade nur diese Nachricht ist Spam, während andere Nachrichten vom gleichen Empfänger durchaus wichtig sind.

Inhaltliche Analyse notwendig

Man könnte auch inhaltsanalytisch vorgehen und eine Art „Bad word Liste“ anlegen. Mails mit entsprechendem Inhalt würde man dann blockieren oder zumindest dafür sorgen, den Score nach oben zu treiben. Aber eventuell gibt es auch User und Userinnen, die solche Mails versenden bzw. erhalten wollen.

In der Masse sollten sich Fehler ausmitteln. Im Einzelfall bedeutet dies dann aber, dass die eine oder andere Spam-Mail durch die Filter gelangt.

Für effiziente Filter braucht man recht viele Testfälle, die geonnen werden müssen. Am Ende muss man austarieren, welche Menge sinnvoll ist. Das ist im Grunde ein ökonomische Fragestellung.

Diese Erkenntnis, die sich aus dem Userverhalten interpretieren lässt, kann man dann zum Trainieren eines neuronalen Netzes verwenden. Denkbar ist es auch, die Maschine sozusagen unbeobachtet lernen zu lassen, indem man eine Art Feedbackschleife baut. Auf diese Weise gelangt man recht schnell und flexibel zu wirksamen Filtern.

Spam und eigene Gegenmaßnahmen

Nehmen wir an, eine eingehende E-Mail wurde mit hoher Wahrscheinlichkeit als Spam klassifiziert. Sie ist offenbar unerwünscht. Die Frage, die sich nun stellt: Was soll mit dieser Mail passieren?

Schon aus Mengengründen müssen Mails, die eindeutig Spam sind, gelöscht werden. Speicher ist zwar billiger geworden, aber dennoch nich tunbegrenzt verfügbar. Zweifelhafte Mails mit einem Spam-Score, der uneindeutig ist, sollten zugestellt werden. In solchen Situationen würden sich mit einiger Wahrscheinlichkeit negative Konsequenzen ergeben, würde man die Mails nicht zustellen. Unter Umständen könnte man solche Mails extra kennzeichnen oder in ein bestimmtes Verzeichnis verlagern.

Für Provider ist es wichtig, die eigenen Systeme nicht überlasten zu lassen. So greift man auf bekannte Spamlisten zurück und vertraut diesen vielfach. So lassen sich einzelne Mailadressen oder auch alle Mails, die von einem Domainnamen versendet werden, blockieren.

Beleibete Gegenmaßnahme: Blockade des IP-Bereichs

Stellt sich heraus, dass einzelne Server oder ganze Serverfarmen ohne Ende Spammails versenden, blockiert man diese Server anhand der IP-Adresse. Dies ist für Mailprovider kritisch. Wird die IP-Adresse eines Servers gesperrt, mit dem viele User arbeiten, kann keiner von ihnen mehr Mails an andere Server schicken, die die eine solche IP-Sperre umgesetzt haben.

Aber Spammer können auch diese Wege umgehen: Spam wird oft von gekaperten Servern oder gehackten Mailaccounts heraus versendet. Zwar greifen ab einem gewissen Zeitpunkt die Antispammaßnahmen und die Mailadresse ist „verbrannt“. Doch bis zu diesem Zeitpunkt sind zehntausende Mails bereits versendet worden.

Stellt der Spammer oder die Spammerin fest, dass seine beziehungsweise ihre Spammails nicht mehr ankommen, wechselt er oder sie die Server-IP und die Mailadresse. Dann lohnt es sich aus deren Sicht, den Inhalt zu variieren – und weiter geht’s.

Natürlich werden Spamfilter, egal wie sie arbeiten, immer wieder neu herausgefordert. Der Versand an sich ist billig. Die Verfügbarkeit von gehackten Mailaccounts aber ist schon knapper. Daher wird es sich lohnen, spamversendende E-Mailadresse über die Abuse-Adresse zu melden. Leider ist dies recht zeitaufwendig.

Auch Methoden, die auf maschinellem Lernen basieren, kommen an Grenzen, wenn zu wenig Information vorhanden ist. Diese Verfahren benötigen Informationen, die in der Vergangenheit generiert worden ist. Noch nicht gesehene Muster können nur mit relativ hoher Unschärfe verarbeitet werden. Die Fehlerrate steigt dann.

Ständige Variation der Muster

Ähnlich verhält es sich, wenn sehr wenig Information in der Mail selbst ist. Das kommt bei Phishingmails oder Werbemails sehr oft vor. Solche Mails sind nach Spezifikation korrekt geformt oder inhaltlich extrem reduziert und angereichert mit etwas Blindtext aus irgendwelchen Quellen.

Hier kann es passieren, dass nicht genügend Faktoren entwickelt oder Kriterien gefunden werden können, um eine neue, unbekannter E-Mail gut zu kategorisieren. Im Zweifelsfall würde man die Mail durchstellen.

Natürlich ist es sehr nervig, immer wieder Spammails mit gleicher Charakteristik zu erhalten. Was kann man tun?

Es gibt auf Empfängerseite einige Möglichkeiten, eingehende E-Mails selbst zu filtern. Bei goneo haben wir eine Webmail-Anwendung, die in der Lage ist, vom User beziehungsweise der Userin angelegte Regeln abzuarbeiten. Auf diese Weise kann man sich eigene Filter anlegen.

Wenn man das Spamgeschehen etwas beobachtet hat, wird man die Gemeinsamkeiten der Mails festgestellt haben. Dies ist der Schlüssel zu einem Filter, der auf Regeln basiert.

Mit Roundcube, der Webmailanwendung, die von goneo verwendet wird, kann man diese Gemeinsamkeiten in eine Filterregel eingeben. Falls die Filterregel von einer eingehenden Mail erfüllt wird, wird eine festgelegte Aktion ausgeführt. Beispiel: Sollte eine Mail den Begriff „rezeptfrei-apotheke“ beinhalten, wird die Mail gelöscht.

Es stehen eine Reihe von Aktionen zur Verfügung.

Absender sperren hilft nur bedingt

Das Filtern kann Tücken haben. Beispiel: Man erhält immer wieder eine Mail, die scheinbar immer vom gleichen Absender kommt. Somit scheint es naheliegend zu sein, diese Adresse zu blockieren.

Natürlich kann man mit der goneo-Webmail-Anwendung, einen bestimmten Absender sperren. Dabei ist es aber wichtig, die richtige Absenderangabe zu finden. In einer E-Mail muss der angezeigte Name nicht dem tatsächlichen Absender – genauer gesagt: der absendenden E-Mailadresse – entsprechen.

Betrachten wir ein Beispiel: Dies ist ein Screenshot von Microsoft Outlook – der „Posteingang“, hier der „Junk“-Ordner:

Spam-Ordner ; Screenshot Microsoft Outlook, identisches friendly-from

Es scheint in dieser Ansicht, als kämen die beiden blau bzw. leichtblau hinterlegten Mails vom gleichen Absender, der sich fälschlich als „Online Apotheke“ identifiziert. Schaut man genauer hin, stellt man fest, dass diese Mail aus unterschiedlichen Quellen stammen.

Screenhot Outlook Posteingang, Spam-Ordner, Ausschnitt, friendly-from ist identisch, Absendeadresse unterschiedlich.
Eine Nachricht kam als „Online Apotheke“ und als Empfänger wird hier „kundenmanagement at gesundheitsgmbh de“ (Mailschreibweise geändert) angezeigt
Die andere Mail erreichte uns von einer anderen tatsächlichen Absendermailadresse und einem anderen Empfänger.

Oftmals fällt die Filterung von Absenderadressen dadurch schwer. Man muss diesen angezeigten Empfängernamen und die in eckigen Klammern stehende Absenderadresse unterscheiden. Jede Mailprogramm stellt diese Angaben unterschiedlich dar.

Anzeige in goneo-Webmail (auf Roundcube-Basis)

Hier ein ähnliches Spam-Beispiel aus Roundcube. Hier sind eingehende Mails so dargestellt:

Roundcube-Screenshot ohne Anzeige der Absendeadresse
Wie es scheint, kam diese Spam-Mail mit dem Betreff „Ihre E-Mail ist blockiert“ von „Administratorin“.

Im E-Mailbereich sehen wir zunächst nur die angezeigte Adresse in lesefreundlicher Form. Diese bezeichnet man gelegentlich als „friendly from“, weil sie im Normalfall schöner aussieht. Der absendende Nutzer/die absendende Nutzerin kann aber an dieser Stelle einen beliebigen Text angeben. Er oder sie könnte auch eine Zeichenfolge verwenden, die wie eine E-Mailadresse aussieht. Erst wenn man in Roundcube mit der Maus über diese Angabe fährt, erscheint die echte E-Mailadresse, von der die Mail auf den Weg gebracht wurde.

Screenshot Ausschnitt des Roudncube Posteingangs, Ausschnitt mouse over zeigt Absendeadresse
In dieser Spamnachricht wurde offenbar ein fremder Mail-Account gehackt und benutzt.

In Roundcube muss man mit der Maus über die Absenderangabe fahren, damit man die E-Mailadresse erkennt, von der die Mail versendet worden ist.

Hilfreicher Blick in die Headerdaten

Man kann auch etwas tiefer gehen und sich den Mail-Header ansehen. Es gibt im Web einige Dienste, die etwas helfen, zum Beispiel hier. Zunächst hilft es, den Mailheader zu finden und zu kopieren.

Leider ist das Verfahren in jedem E-Mail-Programm anders. Bei Microsoft Outlook findet man den Zugriff über die Einzelansicht der betreffenden Spam-Mail. In aktuellen Outlookversionen klickt man auf „Datei“ im Hauptmenü und in diesem Umfeld dann auf „Eigenschaften“. Die Headerdaten stehen hier im Abschnitt „Internetkopfzeilen“.

Für GMail ist das hier beschrieben, für Web.de oder GMX hier. In Roundcube bzw. goneo-Webmail öffnet man die betreffende Mail mit einem Doppelklick und nutzt dann im Menü oben den Punkt „Quelltext“, zu finden im Pulldown unter „mehr“.

Screenshot goneo Webmail: So werden die Headerdaten sichtbar. Das hilft, Spam als solchen zu identifizieren
In goneo-Webmail/Roundcube lassen sich die Kopfzeilen einer E-Mail mit dem Menüpunkt „Quelltext anzeigen“ ermitteln. Allerdings wird hier die komplette Mail als Quelltext dargestellt. Leerzeilen trennen im Normalfall Header und Inhalt. Die nicht darzustellenden Informationen enden meist nach der Zeile wie „This is a multi-part message in MIME format. (…) Content-Type: text/plain; charset=us-ascii oder ähnlich. Danach sollte der Inhalt folgen wie man ihn im Mailprogramm dann sieht.

Im Prinzip kann man die Headerdaten direkt lesen. Es handelt sich um ein einfaches Textformat. Die Interpretation wiederum ist nicht trivial. Das gilt umso mehr wenn einige Antispamfunktionen im Mailserver oder auf dem Weg aktiv waren. Einige hinterlassen Einträge. die allerdings wenig normiert sind. Dies kann die Anzahl der Kopfzeilen sehr erhöhen.

Ein echtes Beispiel zeigt: So laufen Regeln ins Leere

Hier ein echtes Beispiel eines Headers einer Spammail, wobei Server-IP- und Empfängerdaten „ge-ixt“ sind (xxxxxxx@xxxxxxx.cc, yyy.yyyyyy.yy.cc, zz.zzzzz.zz). Auch der Hostname des Empfänger ist umbenannt in „abcedefg“


Received: from abcedefg.co (abcedefg.co [999.888.777.66])
	by zz.zzzzz.zz (Postfix) with ESMTP id 56DAF10A1E8D
	for <xxxxxxx@xxxxxxx.cc>; Tue,  1 Mar 2022 23:37:41 +0100 (CET)
Date: Tue, 1 Mar 2022 17:31:52 -0500
From: PhysioTru <info@abcedefg.co>
MIME-Version: 1.0
Precedence: bulk
To: <xxxxxxx@xxxxxxx.cc>
Subject: The Most Dangerous Food In America?
Message-ID: <4HAH2iYyzWEmwH9tgczHrZTZnQKUYfvEJ3P2QUCY3FI.i2Jvy4_hZi13CxCRt813CM7gW_1QtqG2EuKSfh0fbYg@abcedefg.co>
Content-Type: text/html; charset="ISO-8859-1"
Content-Transfer-Encoding: quoted-printable
X-Rspamd-Queue-Id: 56DAF10A1E8D
X-Rspamd-UID: 03f26e
X-Rspamd-SPAM-Probability: *****
Return-Path: info@abcedefg.co
X-MS-Exchange-Organization-PRD: abcedefg.co
X-MS-Exchange-Organization-SenderIdResult: Fail
receiver=yyy.yyyyyy.yy.cc;
 client-ip=10.0.aaa.bbb; helo=zz.zzzzz.zz;
X-MS-Exchange-Organization-Network-Message-Id: 72410629-d47f-4327-828d-08d9fbd41c50
X-MS-Exchange-Organization-AuthSource: yyy.yyyyyy.yy.cc
X-MS-Exchange-Organization-AuthAs: Anonymous

Hier wurde offenbar ein E-Mailkonto gehackt und zum Versand der Spammails verwendet. Die Headerdaten lassen ohne dass weitere Informationen herangezogen werden, nur bedingt einen Schluss darauf zu, inwieweit diese Mail als Spam einzuordnen ist. An sich sind die Headerinformationen plausibel. Die Message-ID sieht korrekt aus.

Erst durch menschliches Zutun, oder unter Umständen maschinell durch KI-Methoden unterstützt, könnte man bei der Absendeadresse stutzig werden: PhysioTru <info@abcedefg.co>. Das sogenannte „friendly from“ („PhysioTru“) will nicht so recht zur Mailadresse passen. Das „wissen“ einfache Algorithmen aber nicht.

So kommen unerwünschte Mails durch die Filter

Das Perfide ist nun, dass Mails bestimmter Art und Weise es schaffen, durch verschiedene Spamfilter zu gelangen. Einerseits deswegen, weil die Kopfdaten plausibel aussehen. Auch die Serverchecks funktionieren. Zudem ist die echte, absendende Adresse bislang nicht als problematisch aufgefallen.

Sobald sich zeigt, dass die E-Mailadresse auf Spamfiltern gelandet ist oder vom Serverbetreiber blockiert wird, nehmen die Spammer einfach den nächsten gehackten Mail-Account, lassen „friendly from“ gleich und variieren den Inhalt ein wenig. So kann man beim Empfänger nervige, aber werbewirksame Penetranz erzeugen.

Bei goneo kannst du im goneo-Webmailer entsprechende Filter und Regeln anlegen. Bitte achte darauf, dass du die Regeln „serverseitig“ anwendest. Damit übernimmt der Mailserver die Arbeit. Im Gegensatz dazu lassen sich Filter auch „clientseitig“ anwenden. Das bedeutet, dass die Anwendung oder die Webanwendung aktiv, d.h. geöffnet sein müssen. Erst dann werden die Filter und Regeln angewendet. Um Mails vorzusortieren, ist die serverseitige Bearbeitung die bessere Wahl. 

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht.