論文の概要: Nebulon Enterprise Simulated Threats for Phishing Research (NEST-Phish): A Synthetic Enterprise Phishing Email Dataset for Behavioral and Machine-Learning Research
- arxiv url: http://arxiv.org/abs/2609.04474v1
- Date: Thu, 03 Sep 2026 20:58:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-07 18:15:23.818478
- Title: Nebulon Enterprise Simulated Threats for Phishing Research (NEST-Phish): A Synthetic Enterprise Phishing Email Dataset for Behavioral and Machine-Learning Research
- Title（参考訳）: ファッシング研究のためのネブロンエンタープライズシミュレートされた脅威 : 行動・機械学習研究のための合成企業フィッシングメールデータセット
- Abstract要約: 我々は,架空の組織であるNebulonを中心に構築された企業用フィッシングメールデータセットについて紹介する。
データセットは、広範囲にわたる職場コミュニケーションのテーマにまたがっており、マッチした合成正当性とフィッシングメールと解釈可能なフィッシングキューアノテーションを含んでいる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Phishing remains one of the most persistent cyber threats, yet publicly shareable datasets for studying phishing in realistic enterprise email settings remain limited. To address this gap, we introduce a synthetic enterprise phishing email dataset built around a fictitious organization, Nebulon. The dataset spans a broad set of workplace communication themes and includes matched synthetic legitimate and phishing emails with interpretable phishing-cue annotations. Here, ``legitimate'' denotes the non-phishing class, not legitimately occurring organizational emails. Human-subject categorizations and classifier evaluations show that the dataset supports meaningful variation in phishing judgments while also providing learnable signal for supervised detection. This publicly released resource is intended to support future work on phishing detection, human susceptibility, explainability, and benchmark development in enterprise-like contexts.
- Abstract（参考訳）: フィッシングは依然として最も永続的なサイバー脅威の1つであり、リアルな企業メール設定でフィッシングを研究するための公開データセットは依然として限られている。
このギャップに対処するために、架空の組織であるNebulonを中心に構築された合成エンタープライズフィッシングメールデータセットを導入します。
データセットは、広範囲にわたる職場コミュニケーションのテーマにまたがっており、マッチした合成正当性とフィッシングメールと解釈可能なフィッシングキューアノテーションを含んでいる。
ここでは'legitimate'は非フィッシングクラスを意味し、組織メールは合法的に発生しない。
人-対象分類と分類器評価は、データセットがフィッシング判定の有意義な変動をサポートし、教師付き検出のための学習可能な信号を提供することを示している。
この一般公開されたリソースは、将来のフィッシング検出、人間の感受性、説明可能性、企業風のコンテキストでのベンチマーク開発をサポートすることを意図している。
関連論文リスト
- PhiShark2026: A Multi-Layer Active-Web Raw-Evidence Dataset for Phishing Website Research [39.146761527401424]
フィッシングWebサイトは短命で急速に変化するが、多くのフィッシングデータセットは、URLや事前計算機能に対する観察を減らす。
この制限を67,502個のスキャンからなる多層能動Webデータセットを用いて解決し,操作フィードからの33,387個のフィッシング観測と34,115個の良性基準観測を行った。
コーパスはHTMLコンテンツやスクリーンショット、URLとリダイレクトの動作、HTTPとセキュリティヘッダ、コンプライアンスファイル、TLS証明書、DNSとドメイン登録、オープンポート、位置情報とアクセシビリティの測定、ネットワークインフラストラクチャの詳細な証拠を保存している。
論文 参考訳（メタデータ） (2026-08-24T12:50:12Z) - Characterizing Phishing Pages by JavaScript Capabilities [77.64740286751834]
本論文は,フィッシングページのグループを自動的に識別し,研究者やアナリストを支援することを目的としている。
キット検出の精度は,4,562個のフィッシングURLに展開した548個のキット群に対して97%であった。
UIの対話性と基本的なフィンガープリントは、クラスタの90%と80%に存在する普遍的なテクニックであることが分かりました。
論文 参考訳（メタデータ） (2025-09-16T15:39:23Z) - LLM-Powered Intent-Based Categorization of Phishing Emails [0.0]
本稿では,Large Language Models (LLMs) の実践的可能性について検討し,その意図に焦点をあててフィッシングメールを検出する。
LLMによって運用されている意図型分類を導入し、メールを異なるカテゴリに分類し、行動可能な脅威情報を生成する。
以上の結果から,既存のLCMではフィッシングメールの検出と分類が可能であることが示唆された。
論文 参考訳（メタデータ） (2025-06-17T09:21:55Z) - EPhishCADE: A Privacy-Aware Multi-Dimensional Framework for Email Phishing Campaign Detection [11.200645222578363]
通常電子メールで行われるフィッシング攻撃は、重要なサイバーセキュリティの脅威である。
我々は、bf Email bf Phishing bf CAmpaign bf DEtectionのための最初のプライバシ対応フレームワークであるbf EPhishCADEを提案する。
論文 参考訳（メタデータ） (2025-02-28T00:58:42Z) - Characterizing the Networks Sending Enterprise Phishing Emails [3.6005071324152227]
企業従業員に対するフィッシング攻撃は、組織にとって最もコストがかかり強力な脅威の1つだ。
何千もの企業、数十億のEメール、80万件以上のフィッシング攻撃に関するデータセットを1年間にわたって作成しています。
私たちのデータセットのフィッシングメールの3分の1以上が、AmazonやMicrosoftなど、非常に信頼性の高いネットワークから来ていることが分かりました。
論文 参考訳（メタデータ） (2024-12-16T23:15:40Z) - Phishing Codebook: A Structured Framework for the Characterization of Phishing Emails [17.173114048398954]
フィッシングは、世界中の組織や個人が直面している最も一般的で高価なサイバー犯罪の1つである。
これまでのほとんどの研究は、フィッシングメールを特徴付けるための様々な技術的特徴とテキストの伝統的な表現に焦点を当ててきた。
本稿では、フィッシングメールの構造を解析し、人間の意思決定に影響を与える要因をよりよく理解する。
論文 参考訳（メタデータ） (2024-08-16T18:30:53Z) - Novel Interpretable and Robust Web-based AI Platform for Phishing Email Detection [0.0]
フィッシングメールは重大な脅威となり、財政的損失とセキュリティ侵害を引き起こしている。
本研究では,メール分類のための高性能機械学習モデルを提案する。
このモデルはf1スコアが0.99に達し、関連するアプリケーションへのデプロイ用に設計されている。
論文 参考訳（メタデータ） (2024-05-19T17:18:27Z) - An Innovative Information Theory-based Approach to Tackle and Enhance The Transparency in Phishing Detection [23.962076093344166]
フィッシングアタックローカライゼーションのための革新的な深層学習手法を提案する。
本手法は,メールデータの脆弱性を予測するだけでなく,最も重要なフィッシング関連情報を自動的に学習し,発見する。
論文 参考訳（メタデータ） (2024-02-27T00:03:07Z) - Prompted Contextual Vectors for Spear-Phishing Detection [41.26408609344205]
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) - Blockchain-aided Secure Semantic Communication for AI-Generated Content
in Metaverse [59.04428659123127]
仮想交通ネットワークにおけるAIGCサービスのためのブロックチェーン支援セマンティックコミュニケーションフレームワークを提案する。
学習に基づくセマンティック・アタック・スキームを用いて,種々の損失関数を用いて,敵対的セマンティック・データを生成する。
また、ブロックチェーンとゼロ知識証明を用いて、敵対的セマンティックデータのセマンティック類似性の違いを識別するセマンティックディフェンススキームを設計する。
論文 参考訳（メタデータ） (2023-01-25T02:32:02Z) - FacTeR-Check: Semi-automated fact-checking through Semantic Similarity
and Natural Language Inference [61.068947982746224]
FacTeR-Checkは、ファクトチェックされた情報の検索、未確認のクレームの検証、ソーシャルメディア上での危険な情報の追跡を可能にする。
このアーキテクチャは、NLI19-SPと呼ばれる新しいデータセットを使って検証されている。
この結果から,各ベンチマークにおける最先端性能と,61種類のホアックスの時間経過に伴う進化の有用な解析結果が得られた。
論文 参考訳（メタデータ） (2021-10-27T15:44:54Z) - 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) - 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)
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。