論文の概要: Email Summarization to Assist Users in Phishing Identification
- arxiv url: http://arxiv.org/abs/2203.13380v1
- Date: Thu, 24 Mar 2022 23:03:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-28 14:43:37.291059
- Title: Email Summarization to Assist Users in Phishing Identification
- Title（参考訳）: フィッシング識別におけるユーザへのメール要約
- Authors: Amir Kashapov, Tingmin Wu, Alsharif Abuadbba, Carsten Rudolph
- Abstract要約: サイバーフィッシング攻撃は、特定の情報や手がかりが存在する場合にのみ、トレーニングデータによってより正確で、標的になり、調整される。
この研究は、トランスフォーマーベースの機械学習を活用して、将来的な心理的トリガーを分析する。
次に、この情報をアマルゲイトし、ユーザーに提示し、電子メールが「フィシー」なのか(ii)自己学習した先進的な悪意あるパターンなのかを簡単に判断できるようにします。
- 参考スコア（独自算出の注目度）: 1.433758865948252
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cyber-phishing attacks recently became more precise, targeted, and tailored
by training data to activate only in the presence of specific information or
cues. They are adaptable to a much greater extent than traditional phishing
detection. Hence, automated detection systems cannot always be 100% accurate,
increasing the uncertainty around expected behavior when faced with a potential
phishing email. On the other hand, human-centric defence approaches focus
extensively on user training but face the difficulty of keeping users up to
date with continuously emerging patterns. Therefore, advances in analyzing the
content of an email in novel ways along with summarizing the most pertinent
content to the recipients of emails is a prospective gateway to furthering how
to combat these threats. Addressing this gap, this work leverages
transformer-based machine learning to (i) analyze prospective psychological
triggers, to (ii) detect possible malicious intent, and (iii) create
representative summaries of emails. We then amalgamate this information and
present it to the user to allow them to (i) easily decide whether the email is
"phishy" and (ii) self-learn advanced malicious patterns.
- Abstract（参考訳）: 最近、サイバーフィッシング攻撃は、特定の情報や手がかりが存在する場合にのみ、トレーニングデータによってより正確で標的になり、調整された。
従来のフィッシング検出よりもはるかに広い範囲で適応可能である。
したがって、自動化された検出システムは、常に100%正確ではないため、フィッシングの可能性があるメールに直面すると、期待された行動に関する不確実性が高まる。
一方で、人間中心の防御アプローチは、ユーザトレーニングに重点を置いているが、継続的に出現するパターンにユーザを最新に保つことの難しさに直面している。
したがって、電子メールのコンテンツを新しい方法で分析し、最も関連するコンテンツをメールの受信者に要約することの進歩は、これらの脅威に対処するための将来のゲートウェイである。
このギャップに対処するため、この作業はトランスフォーマーベースの機械学習を活用する。
一 潜在的な心理的引き金を分析すること
(ii)悪意のある意図を検知し、
(iii)電子メールの代表的な要約を作成する。
そして、この情報をアマルゲイトして、ユーザに提示して許可します。
(i)メールが「偽」かどうか、簡単に判断できる
(ii)先進的な悪意のあるパターン。
関連論文リスト
- Eyes on the Phish(er): Towards Understanding Users' Email Processing Pattern and Mental Models in Phishing Detection [0.4543820534430522]
本研究では, 作業負荷がフィッシングに対する感受性に与える影響について検討した。
我々は、視線追跡技術を用いて、参加者の読書パターンやフィッシングメールとのインタラクションを観察する。
以上の結果から,メール送信者への注意がフィッシングの感受性を低下させる可能性が示唆された。
論文 参考訳（メタデータ） (2024-09-12T02:57:49Z) - Phishing Email Detection Using Inputs From Artificial Intelligence [5.172061216433]
これらのラベルは、ユーザーが通常そのようなトレーニングで識別するよう要求される信号のクラスから生成される。
ヒトのアノテータとそれらのラベル上のモデルの性能の比較分析により、機械と人間のトレーニングにおけるカリキュラムの改善に寄与する知見を提供する。
論文 参考訳（メタデータ） (2024-05-21T04:37:23Z) - Analysis and prevention of AI-based phishing email attacks [0.0]
生成AIを使用して、潜在的な犠牲者それぞれに異なるメールを送ることができる。
我々は、AIが生成するフィッシングメールを識別する自動テキスト分析機能をテストするために、さまざまな機械学習ツールを使用します。
また、AIが生成したフィッシングメールのコーパスを公開している。
論文 参考訳（メタデータ） (2024-05-08T21:40:49Z) - ChatSpamDetector: Leveraging Large Language Models for Effective Phishing Email Detection [2.3999111269325266]
本研究では,大規模な言語モデル(LLM)を用いてフィッシングメールを検出するシステムChatSpamDetectorを紹介する。
LLM解析に適したプロンプトに電子メールデータを変換することにより、電子メールがフィッシングされているか否かを高精度に判定する。
総合的なフィッシングメールデータセットを用いて評価を行い,複数のLLMおよびベースラインシステムと比較した。
論文 参考訳（メタデータ） (2024-02-28T06:28:15Z) - Prompted Contextual Vectors for Spear-Phishing Detection [45.07804966535239]
スパイアフィッシング攻撃は重大なセキュリティ上の課題を示す。
本稿では,新しい文書ベクトル化手法に基づく検出手法を提案する。
提案手法は, LLM生成したスピアフィッシングメールの識別において, 91%のF1スコアを達成する。
論文 参考訳（メタデータ） (2024-02-13T09:12:55Z) - Untargeted Backdoor Attack against Object Detection [69.63097724439886]
我々は,タスク特性に基づいて,無目標で毒のみのバックドア攻撃を設計する。
攻撃によって、バックドアがターゲットモデルに埋め込まれると、トリガーパターンでスタンプされたオブジェクトの検出を失う可能性があることを示す。
論文 参考訳（メタデータ） (2022-11-02T17:05:45Z) - Profiler: Profile-Based Model to Detect Phishing Emails [15.109679047753355]
本稿では,攻撃者がメールに適応して検出を回避できる可能性を低減するために,メールの多次元リスク評価を提案する。
本研究では,(1)脅威レベル,(2)認知的操作,(3)電子メールタイプを分析する3つのモデルを含むリスクアセスメントフレームワークを開発する。
プロファイラは、MLアプローチと併用して、誤分類を減らしたり、トレーニング段階で大規模な電子メールデータセットのラベル付けとして使用することができる。
論文 参考訳（メタデータ） (2022-08-18T10:01:55Z) - Deep convolutional forest: a dynamic deep ensemble approach for spam
detection in text [219.15486286590016]
本稿では,スパム検出のための動的深層アンサンブルモデルを提案する。
その結果、このモデルは高い精度、リコール、f1スコア、98.38%の精度を達成した。
論文 参考訳（メタデータ） (2021-10-10T17:19:37Z) - Robust and Verifiable Information Embedding Attacks to Deep Neural
Networks via Error-Correcting Codes [81.85509264573948]
ディープラーニングの時代、ユーザは、サードパーティの機械学習ツールを使用して、ディープニューラルネットワーク(DNN)分類器をトレーニングすることが多い。
情報埋め込み攻撃では、攻撃者は悪意のあるサードパーティの機械学習ツールを提供する。
本研究では,一般的なポストプロセッシング手法に対して検証可能で堅牢な情報埋め込み攻撃を設計することを目的とする。
論文 参考訳（メタデータ） (2020-10-26T17:42:42Z) - Backdoor Attack against Speaker Verification [86.43395230456339]
学習データを汚染することにより,話者検証モデルに隠れたバックドアを注入できることを示す。
また,既存のバックドア攻撃が話者認証攻撃に直接適用できないことも実証した。
論文 参考訳（メタデータ） (2020-10-22T11:10:08Z) - Learning with Weak Supervision for Email Intent Detection [56.71599262462638]
本稿では,メールの意図を検出するために,ユーザアクションを弱い監視源として活用することを提案する。
メール意図識別のためのエンドツーエンドの堅牢なディープニューラルネットワークモデルを開発した。
論文 参考訳（メタデータ） (2020-05-26T23:41:05Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。