Fugu-MT 論文翻訳(概要): Anansi: Scalable Characterization of Message-Based Job Scams

論文の概要: Anansi: Scalable Characterization of Message-Based Job Scams

arxiv url: http://arxiv.org/abs/2602.24223v1
Date: Fri, 27 Feb 2026 17:49:56 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-02 19:48:24.543463
Title: Anansi: Scalable Characterization of Message-Based Job Scams
Title（参考訳）: Anansi: メッセージベースのジョブ詐欺のスケーラブルな評価
Authors: Abisheka Pitumpe, Amir Rahmati,
Abstract要約: ジョブベースのスマイシング詐欺は、オンライン詐欺の幅広い状況の中で急速に増加し、過小評価されている脅威を表している。 Anansiは最初のスケーラブルでエンドツーエンドの計測パイプラインで、野生のジョブ詐欺と体系的に関わり、分析し、特徴付けるように設計されている。
参考スコア（独自算出の注目度）: 4.132349063771989
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Job-based smishing scams, where victims are recruited under the guise of remote job opportunities, represent a rapidly growing and understudied threat within the broader landscape of online fraud. In this paper, we present Anansi, the first scalable, end-to-end measurement pipeline designed to systematically engage with, analyze, and characterize job scams in the wild. Anansi combines large language models (LLMs), automated browser agents, and infrastructure fingerprinting tools to collect over 29,000 scam messages, interact with more than 1900 scammers, and extract behavioral, financial, and infrastructural signals at scale. We detail the operational workflows of scammers, uncover extensive reuse of message templates, domains, and cryptocurrency wallets, and identify the social engineering tactics used to defraud victims. Our analysis reveals millions of dollars in cryptocurrency losses, highlighting the use of deceptive techniques such as domain fronting and impersonation of well-known brands. Anansi demonstrates the feasibility and value of automating the engagement with scammers and the analysis of infrastructure, offering a new methodological foundation for studying large-scale fraud ecosystems.
Abstract（参考訳）: リモートの求職機会を意識して、被害者を募集する仕事ベースのスマイシング詐欺は、オンライン詐欺の幅広い状況の中で急速に増加し、過小評価されている脅威を表している。本稿では,現場におけるジョブ詐欺を体系的に処理し,分析し,特徴付けるために設計された,最初のスケーラブルでエンドツーエンドな計測パイプラインであるAnansiを紹介する。 Anansiは、大規模な言語モデル(LLM)、自動化されたブラウザエージェント、インフラストラクチャフィンガープリントツールを組み合わせて、29,000以上の詐欺メッセージを収集し、1900以上の詐欺と対話し、大規模に行動的、財政的、インフラ的な信号を抽出する。スパマーの運用ワークフローを詳述し、メッセージテンプレート、ドメイン、暗号通貨ウォレットの広範な再利用を明らかにし、被害者を欺くために使用されるソーシャルエンジニアリングの戦術を特定します。我々の分析によると、暗号通貨の損失は数百万ドルに達しており、ドメインのフロンディングや有名ブランドの偽造といった偽りのテクニックの使用が強調されている。 Anansi氏は、詐欺行為の自動化とインフラ分析の実現可能性と価値を実証し、大規模な詐欺エコシステムを研究するための新たな方法論基盤を提供する。

関連論文リスト

SAFE-QAQ: End-to-End Slow-Thinking Audio-Text Fraud Detection via Reinforcement Learning [52.29460857893198]
既存の不正検出方法は、書き起こされたテキストに依存しており、ASRのエラーや、声調や環境条件のような重要な音響的手がかりが欠けている。音声に基づくスロー思考詐欺検出のためのエンドツーエンド包括的フレームワークSAFE-QAQを提案する。本フレームワークは,ライブコール中に動的リスクアセスメントフレームワークを導入し,不正の早期検出と防止を可能にする。
論文参考訳（メタデータ） (2026-01-04T06:09:07Z)
When AI Agents Collude Online: Financial Fraud Risks by Collaborative LLM Agents on Social Platforms [101.2197679948061]
大規模言語モデル(LLM)エージェントを用いた大規模マルチエージェントシステムにおける集団金融詐欺のリスクについて検討する。金融詐欺シナリオをシミュレーションするための大規模ベンチマークであるMultiAgentFraudBenchを提案する。
論文参考訳（メタデータ） (2025-11-09T16:30:44Z)
Send to which account? Evaluation of an LLM-based Scambaiting System [0.0]
本稿では,大規模言語モデル(LLM)を用いたスカンバイティングシステムの大規模実世界評価について述べる。 5ヶ月にわたるデプロイメントで、システムは実際のスキャマーと2,600以上のエンゲージメントを開始し、18,700以上のメッセージのデータセットを作成した。情報開示率(IDR)は約32%に達し、ラバ口座などの機密情報を抽出することに成功している。
論文参考訳（メタデータ） (2025-09-10T11:08:52Z)
CASE: An Agentic AI Framework for Enhancing Scam Intelligence in Digital Payments [0.24378845585726894]
本稿では,新しいエージェントAIフレームワークであるCASE(Conversational Agent for Scam Elucidation)を提案する。会話エージェントは、潜在的な犠牲者を積極的にインタビューし、詳細な会話の形でインテリジェンスを引き出すように設計されている。この新しいインテリジェンスによって既存の機能を増強することで、詐欺行為の量で21%のアップリフトが観測された。
論文参考訳（メタデータ） (2025-08-27T14:47:33Z)
Deep Learning Approaches for Anti-Money Laundering on Mobile Transactions: Review, Framework, and Directions [51.43521977132062]
マネーロンダリング(英: Money laundering)は、不正資金の起源を隠蔽する金融犯罪である。モバイル決済プラットフォームとスマートIoTデバイスの普及は、マネーロンダリング対策をかなり複雑にしている。本稿では,AMLにおけるディープラーニングソリューションとその利用に関する課題について,包括的レビューを行う。
論文参考訳（メタデータ） (2025-03-13T05:19:44Z)
Detection of AI Deepfake and Fraud in Online Payments Using GAN-Based Models [3.2510005425417523]
本研究では,GAN(Generative Adversarial Networks)を用いて,オンライン決済システムにおけるAIディープフェイクや不正行為を検出する。支払い画像の微妙な操作を識別することで、オンライン決済のセキュリティを高める新しいGANモデルを提案する。
論文参考訳（メタデータ） (2025-01-13T03:10:54Z)
Exposing LLM Vulnerabilities: Adversarial Scam Detection and Performance [16.9071617169937]
本稿では, 大規模言語モデル (LLM) の脆弱性を, 詐欺検出のタスクに対して対向詐欺メッセージに直面する際の脆弱性について検討する。我々は、オリジナルメッセージと逆詐欺メッセージの両方を含む、きめ細かいスカムメッセージのラベル付き包括的なデータセットを作成しました。分析の結果, LLMの脆弱性を利用した逆例は, 高い誤分類率をもたらすことがわかった。
論文参考訳（メタデータ） (2024-12-01T00:13:28Z)
Detecting Scams Using Large Language Models [19.7220607313348]
大規模言語モデル(LLM)は、セキュリティなど、様々なアプリケーションで注目を集めている。本稿では,サイバーセキュリティの重要な側面である詐欺検知におけるLCMの有用性について検討する。フィッシング、前払い詐欺、ロマンス詐欺などの詐欺を識別するためのLLMの新しいユースケースを提案する。
論文参考訳（メタデータ） (2024-02-05T16:13:54Z)
Transaction Fraud Detection via an Adaptive Graph Neural Network [64.9428588496749]
本稿では,アダプティブサンプリングとアグリゲーションに基づくグラフニューラルネットワーク(ASA-GNN)を提案する。ノイズの多いノードをフィルタリングし、不正なノードを補うために、隣のサンプリング戦略を実行する。 3つのファイナンシャルデータセットの実験により,提案手法のASA-GNNは最先端のデータセットよりも優れていることが示された。
論文参考訳（メタデータ） (2023-07-11T07:48:39Z)
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)
Relational Graph Neural Networks for Fraud Detection in a Super-App environment [53.561797148529664]
スーパーアプリケーションの金融サービスにおける不正行為防止のための関係グラフ畳み込みネットワーク手法の枠組みを提案する。我々は,グラフニューラルネットワークの解釈可能性アルゴリズムを用いて,ユーザの分類タスクに対する最も重要な関係を判定する。以上の結果から,Super-Appの代替データと高接続性で得られるインタラクションを利用するモデルには,付加価値があることが示唆された。
論文参考訳（メタデータ） (2021-07-29T00:02:06Z)

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。