論文の概要: A Quantitative Study of SMS Phishing Detection

• arxiv url: http://arxiv.org/abs/2311.06911v4
• Date: Thu, 30 May 2024 00:03:56 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-31 23:42:43.677398
• Title: A Quantitative Study of SMS Phishing Detection
• Title（参考訳）: SMSフィッシング検出の定量的検討
• Authors: Daniel Timko, Daniel Hernandez Castillo, Muhammad Lutfor Rahman,
• Abstract要約: 参加者187名を対象に,スマイシング検出に関するオンライン調査を行った。 我々は16のSMSスクリーンショットを提示し、異なる要因がスマイシング検出における意思決定プロセスに与える影響を評価した。 参加者は偽のメッセージで67.1%、本物のメッセージで43.6%の精度で、偽のメッセージから本物のメッセージを見つけるのが困難であることが判明した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: With the booming popularity of smartphones, threats related to these devices are increasingly on the rise. Smishing, a combination of SMS (Short Message Service) and phishing has emerged as a treacherous cyber threat used by malicious actors to deceive users, aiming to steal sensitive information, money or install malware on their mobile devices. Despite the increase in smishing attacks in recent years, there are very few studies aimed at understanding the factors that contribute to a user's ability to differentiate real from fake messages. To address this gap in knowledge, we have conducted an online survey on smishing detection with 187 participants. In this study, we presented them with 16 SMS screenshots and evaluated how different factors affect their decision making process in smishing detection. Next, we conducted a post-survey to garner information on the participants' security attitudes, behavior and knowledge. Our results highlighted that attention and security behavioral scores had a significant impact on participants' accuracy in identifying smishing messages. We found that participants had more difficulty identifying real messages from fake ones, with an accuracy of 67.1% with fake messages and 43.6% with real messages. Our study is crucial in developing proactive strategies to encounter and mitigate smishing attacks. By understanding what factors influence smishing detection, we aim to bolster users' resilience against such threats and create a safer digital environment for all.
• Abstract（参考訳）: スマートフォンの人気が高まっている中、これらのデバイスに関する脅威はますます高まっている。 SMS(Short Message Service)とフィッシングの組み合わせであるSmishingは、悪意あるアクターがユーザーを欺くために使う危険なサイバー脅威として現れ、機密情報やお金、マルウェアをモバイルデバイスにインストールすることを目的としている。 近年のスマイシング攻撃の増加にもかかわらず、ユーザーが偽メッセージと現実を区別する能力に寄与する要因を理解することを目的とした研究はほとんどない。 このような知識のギャップに対処するため,我々は187名の参加者を対象に,スマイシング検出に関するオンライン調査を行った。 本研究では,16個のSMSスクリーンショットを提示し,異なる要因がスマイシング検出における意思決定プロセスに与える影響を評価した。 次に,参加者のセキュリティ態度,行動,知識に関する情報を収集するための調査後調査を行った。 その結果, 注意行動スコアとセキュリティ行動スコアは, スマイシングメッセージの同定における参加者の精度に有意な影響を及ぼすことがわかった。 参加者は、偽メッセージで67.1%、本物メッセージで43.6%の精度で、偽メッセージから本物のメッセージを見つけるのが困難であることが判明した。 我々の研究は、スマイシング攻撃に遭遇し軽減するための積極的な戦略の開発に不可欠である。 スマイシング検出に影響を与える要因を理解することによって、このような脅威に対するユーザのレジリエンスを高め、より安全なデジタル環境を構築することを目指している。

関連論文リスト

• Assessing AI vs Human-Authored Spear Phishing SMS Attacks: An Empirical Study Using the TRAPD Method [1.099532646524593]
  本稿では,スピアフィッシングメッセージ生成におけるLarge Language Models(LLMs)の利用に対する懸念の高まりについて考察する。 我々のパイロット研究は、GPT-4と人間の著者が作成したSMSフィッシング(SMSフィッシング)メッセージの有効性を比較した。
  論文  参考訳（メタデータ） (2024-06-18T20:47:16Z)
• Evaluating the Efficacy of Large Language Models in Identifying Phishing Attempts [2.6012482282204004]
  何十年にもわたるサイバー犯罪戦術であるフィッシングは、今日のデジタル世界において大きな脅威となっている。 本稿では,15大言語モデル (LLM) がフィッシング手法の検出に有効であることを示す。
  論文  参考訳（メタデータ） (2024-04-23T19:55:18Z)
• Exploring Decision-based Black-box Attacks on Face Forgery Detection [53.181920529225906]
  顔の偽造生成技術は鮮明な顔を生み出し、セキュリティとプライバシーに対する世間の懸念を高めている。 顔偽造検出は偽の顔の識別に成功しているが、最近の研究では顔偽造検出は敵の例に対して非常に脆弱であることが示されている。
  論文  参考訳（メタデータ） (2023-10-18T14:49:54Z)
• Commercial Anti-Smishing Tools and Their Comparative Effectiveness Against Modern Threats [0.0]
  本研究は,新鮮スマイッシング攻撃に対する反スマイッシングツールの有効性を評価するためのテストベッドを開発した。 ほとんどのアンチフィッシングアプリやバルクメッセージングサービスは、キャリアブロック以上のスマイシングメッセージをフィルタリングしなかった。 通信事業者は良質なメッセージをブロックしなかったが、スマイシングメッセージのブロックレートは25～35%に留まった。
  論文  参考訳（メタデータ） (2023-09-14T06:08:22Z)
• Preliminary Results from a U.S. Demographic Analysis of SMiSh Susceptibility [1.8416014644193066]
  テキストメソッドをSmishing(SMShingまたはsmishing)と呼ぶ。 詐欺師はショートメッセージサービス(SMS)テキストを介してフィッシングリンクを電話に送信する。 SMiShingに最も脆弱な人物に関するデータは存在しない。
  論文  参考訳（メタデータ） (2023-09-12T15:32:36Z)
• On the Security Risks of Knowledge Graph Reasoning [71.64027889145261]
  我々は、敵の目標、知識、攻撃ベクトルに応じて、KGRに対するセキュリティ脅威を体系化する。 我々は、このような脅威をインスタンス化する新しいタイプの攻撃であるROARを提示する。 ROARに対する潜在的な対策として,潜在的に有毒な知識のフィルタリングや,対向的な拡張クエリによるトレーニングについて検討する。
  論文  参考訳（メタデータ） (2023-05-03T18:47:42Z)
• Countering Malicious Content Moderation Evasion in Online Social Networks: Simulation and Detection of Word Camouflage [64.78260098263489]
  ツイストとカモフラージュキーワードは、プラットフォームコンテンツモデレーションシステムを回避する最もよく使われるテクニックである。 本稿では,コンテンツ回避の新たな手法をシミュレートし,検出する多言語ツールを開発することにより,悪意ある情報に対する対処に大きく貢献する。
  論文  参考訳（メタデータ） (2022-12-27T16:08:49Z)
• 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)
• Quantifying Susceptibility to Spear Phishing in a High School Environment Using Signal Detection Theory [2.867517731896504]
  スピアフィッシング(英:spear phishing)は、社会工学を用いて標的の被害者を標的とした機密情報を取得する詐欺攻撃である。 ピアフィッシングへのレジリエンスに関するこれまでの研究は、学生に不公平な焦点をあてて、利便性のサンプルに焦点を当ててきた。 我々は、信号検出理論(SDT)を用いた研究の参加者として、57人の高校生と教員を雇用した。 その結果, 技術的背景に関わらず, 自己判定における自信の過剰な偏りが明らかとなった。
  論文  参考訳（メタデータ） (2020-06-29T20:59:54Z)
• Phishing and Spear Phishing: examples in Cyber Espionage and techniques to protect against them [91.3755431537592]
  フィッシング攻撃は、2012年以降、サイバー攻撃の91%以上を突破し、オンライン詐欺で最も使われているテクニックとなっている。 本研究は, フィッシングとスピア・フィッシングによる攻撃が, 結果を大きくする5つのステップを通じて, フィッシングとスピア・フィッシングによる攻撃の実施方法についてレビューした。
  論文  参考訳（メタデータ） (2020-05-31T18:10:09Z)
• Decentralized Privacy-Preserving Proximity Tracing [50.27258414960402]
  DP3TはSARS-CoV-2の普及を遅らせるための技術基盤を提供する。 システムは、個人やコミュニティのプライバシーとセキュリティのリスクを最小限にすることを目的としている。
  論文  参考訳（メタデータ） (2020-05-25T12:32:02Z)

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。