論文の概要: SoK: Large Language Model-Generated Textual Phishing Campaigns End-to-End Analysis of Generation, Characteristics, and Detection

• arxiv url: http://arxiv.org/abs/2508.21457v1
• Date: Fri, 29 Aug 2025 09:39:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-01 19:45:10.99421
• Title: SoK: Large Language Model-Generated Textual Phishing Campaigns End-to-End Analysis of Generation, Characteristics, and Detection
• Title（参考訳）: SoK:大規模言語モデルによるテキストフィッシングキャンペーン : 生成,特徴,検出のエンドツーエンド分析
• Authors: Fengchao Chen, Tingmin Wu, Van Nguyen, Carsten Rudolph,
• Abstract要約: 大規模言語モデル(LLM)は、数分で大規模なPhishing-as-a-Service'攻撃を可能にする。 LLMによるフィッシング攻撃の研究が増えているにもかかわらず、フィッシング攻撃のライフサイクルに関する体系的な研究は依然として乏しい。 我々は,LLM生成フィッシングにおける知識の体系化(SoK)を行い,生成技術,攻撃特徴,緩和戦略にまたがるエンド・ツー・エンド分析を行う。
• 参考スコア（独自算出の注目度）: 3.7549350220109274
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Phishing is a pervasive form of social engineering in which attackers impersonate trusted entities to steal information or induce harmful actions. Text-based phishing dominates for its low cost, scalability, and concealability, advantages recently amplified by large language models (LLMs) that enable ``Phishing-as-a-Service'' attacks at scale within minutes. Despite the growing research into LLM-facilitated phishing attacks, consolidated systematic research on the phishing attack life cycle remains scarce. In this work, we present the first systematization of knowledge (SoK) on LLM-generated phishing, offering an end-to-end analysis that spans generation techniques, attack features, and mitigation strategies. We introduce Generation-Characterization-Defense (GenCharDef), which systematizes the ways in which LLM-generated phishing differs from traditional phishing across methodologies, security perspectives, data dependencies, and evaluation practices. This framework highlights unique challenges of LLM-driven phishing, providing a coherent foundation for understanding the evolving threat landscape and guiding the design of more resilient defenses.
• Abstract（参考訳）: フィッシング(英: Phishing)は、情報盗みや有害な行動を誘発するために信頼された人物を偽装する社会工学の一形態である。 テキストベースのフィッシングは、その低コスト、スケーラビリティ、および隠蔽性において支配的であり、最近、 'Phishing-as-a-Service'' 攻撃を数分以内にスケールできる大きな言語モデル (LLM) によって増幅された利点である。 LLMによるフィッシング攻撃の研究が増えているにもかかわらず、フィッシング攻撃のライフサイクルに関する体系的な研究は依然として乏しい。 本研究では,LLM生成フィッシングにおける知識の体系化(SoK)について,生成技術,攻撃特徴,緩和戦略にまたがるエンド・ツー・エンド分析を提案する。 我々は,ジェネレーション・キャラクタリゼーション・デフセンス(GenCharDef)を導入し,LLM生成フィッシングと従来のフィッシングの方法論,セキュリティの観点,データ依存関係,評価プラクティスの相違点を体系化する。 このフレームワークは、LLM駆動フィッシングのユニークな課題を強調し、進化する脅威の風景を理解し、より回復力のある防御の設計を導くための一貫性のある基盤を提供する。

関連論文リスト

• Cannot See the Forest for the Trees: Invoking Heuristics and Biases to Elicit Irrational Choices of LLMs [83.11815479874447]
  本研究では,人間の認知における認知的分解と偏見に触発された新しいジェイルブレイク攻撃フレームワークを提案する。 我々は、悪意のあるプロンプトの複雑さと関連バイアスを減らし、認知的分解を用いて、プロンプトを再編成する。 また、従来の二分的成功または失敗のパラダイムを超越したランキングベースの有害度評価指標も導入する。
  論文  参考訳（メタデータ） (2025-05-03T05:28:11Z)
• LLM-Virus: Evolutionary Jailbreak Attack on Large Language Models [59.29840790102413]
  既存のジェイルブレイク攻撃は主に不透明な最適化手法と勾配探索法に基づいている。 進化的ジェイルブレイクと呼ばれる進化的アルゴリズムに基づくジェイルブレイク攻撃手法であるLSM-Virusを提案する。 この結果から, LLM-Virus は既存の攻撃手法と比較して, 競争力や性能に優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-12-28T07:48:57Z)
• Next-Generation Phishing: How LLM Agents Empower Cyber Attackers [10.067883724547182]
  フィッシングメールのエスカレートする脅威は、Large Language Models(LLMs)の台頭により、ますます洗練されつつある。 攻撃者はLSMを利用して、より説得力があり回避的なフィッシングメールを作成するため、現在のフィッシング防御のレジリエンスを評価することが不可欠である。 我々は、Gmail Spam Filter、Apache SpamAssassin、Proofpointなどの従来のフィッシング検出と、SVM、Logistic Regression、Naive Bayesといった機械学習モデルに関する包括的な評価を行います。 以上の結果から,全検知器にまたがるリフレッシュメールの検出精度は著しく低下し,現在のフィッシング防御における重大な弱点が浮き彫りになった。
  論文  参考訳（メタデータ） (2024-11-21T06:20:29Z)
• PEEK: Phishing Evolution Framework for Phishing Generation and Evolving Pattern Analysis using Large Language Models [10.455333111937598]
  フィッシングはいまだに広範囲にわたるサイバー脅威であり、攻撃者は詐欺メールを使って被害者を誘惑し、機密情報を暴露している。 深層学習はフィッシング攻撃に対する防御において重要な要素となっているが、これらのアプローチは重大な制限に直面している。 フィッシングメールデータセットの質と多様性を向上するためのPEEK(Phishing Evolution FramEworK)を提案する。
  論文  参考訳（メタデータ） (2024-11-18T09:03:51Z)
• RigorLLM: Resilient Guardrails for Large Language Models against Undesired Content [62.685566387625975]
  現在の緩和戦略は効果はあるものの、敵の攻撃下では弾力性がない。 本稿では,大規模言語モデルのための弾力性ガードレール(RigorLLM)について紹介する。
  論文  参考訳（メタデータ） (2024-03-19T07:25:02Z)
• AntiPhishStack: LSTM-based Stacked Generalization Model for Optimized Phishing URL Detection [0.32141666878560626]
  本稿では,フィッシングサイトを検出するための2相スタック一般化モデルであるAntiPhishStackを提案する。 このモデルは、URLと文字レベルのTF-IDF特徴の学習を対称的に活用し、新たなフィッシング脅威に対処する能力を高める。 良性およびフィッシングまたは悪意のあるURLを含む2つのベンチマークデータセットに対する実験的検証は、既存の研究と比較して96.04%の精度で、このモデルの例外的な性能を示している。
  論文  参考訳（メタデータ） (2024-01-17T03:44:27Z)

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。