論文の概要: PhishGen: Understanding LLM Capabilities in Automated Phishing Website Generation

• arxiv url: http://arxiv.org/abs/2610.30226v1
• Date: Wed, 21 Oct 2026 17:40:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.089593
• Title: PhishGen: Understanding LLM Capabilities in Automated Phishing Website Generation
• Title（参考訳）: PhishGen: 自動フィッシングWebサイト生成におけるLLM機能を理解する
• Abstract要約: LLM生成フィッシングページの外観忠実度とエンドツーエンド機能を評価するフレームワークであるPhishGenを提案する。 96.2%のセーフガード・バイ・パッシング・アウトプットがレンダリングされるが、そのフィデリティは控えめ(2.02/5)であり、完全なクレデンシャル・ハーヴェスティング・パイプラインを完成させたのは38.7%に過ぎなかった。 GPT 4.1は機能的成功率86.3から94.1%に達し、非検閲モデルは45.4%を超えることは滅多にない。
• 参考スコア（独自算出の注目度）: 11.311527620327587
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Phishing relies on visual deception, traditionally requiring web-development skills or pre-built kits. LLMs erode this barrier by generating functional websites from natural-language prompts, yet prior work does not answer how far LLM-driven generation actually reaches: functionality is assessed by inspection rather than execution; visual fidelity is scored by automated metrics or a few internal coders rather than the humans such pages aim to deceive; evaluation is confined to commercial models; and no study benchmarks generated pages against phishing kits deployed in the wild. We present PhishGen, a framework that evaluates the appearance fidelity and end-to-end functionality of LLM-generated phishing pages. PhishGen constructs prompts across three input modalities in seven combinations with twelve safeguard-bypassing rewriting strategies, generates pages using 14 LLMs spanning commercial, open-source, and uncensored categories, and assesses each via automated similarity metrics, reference-based detectors, a crowdsourced user study, and execution-based functionality testing, benchmarking all results against 64 real-world phishing kits. Although 96.2% of safeguard-bypassing outputs render, their perceived fidelity is modest (2.02/5), and only 38.7% complete the full credential-harvesting pipeline, with the Unsaved error as the largest failure mode. Contrary to the belief that uncensored models pose the greatest threat, GPT 4.1 reaches 86.3 to 94.1% functional success while uncensored models rarely exceed 45.4%. Phishing kits remain more complete per sample, yet three strong LLMs surpass the kit-level rate (70.9 to 89.7%), showing that LLMs trade average completeness for scalable, low-barrier generation of working phishing pages. We further identify generator-level fingerprints that current similarity-based defenses miss, and distill recommendations for hybrid detectors.
• Abstract（参考訳）: フィッシングは視覚的な騙しに依存しており、伝統的にWeb開発スキルやプレビルドキットを必要とする。 LLMは、自然言語のプロンプトから機能的なWebサイトを生成することで、この障壁を脱却するが、以前の作業では、LCM駆動生成が実際にどこまで到達したかは答えていない。 機能は実行ではなくインスペクションによって評価される、視覚的忠実度は自動メトリクスによって評価される、人間よりも内部のコーダーによって評価される、評価は商用モデルに限定される、調査ベンチマークでは野生に配備されたフィッシングキットに対してページを生成する、などである。 LLM生成フィッシングページの外観忠実度とエンドツーエンド機能を評価するフレームワークであるPhishGenを提案する。 PhishGenは、12のセーフガードバイパスリライト戦略と7つの組み合わせで3つの入力モダリティをプロンプトし、商用、オープンソース、および非検閲カテゴリにまたがる14のLLMを使用してページを生成し、自動化された類似度メトリクス、リファレンスベースの検出器、クラウドソースされたユーザスタディ、実行ベースの機能テストを通じてそれぞれを評価し、64の現実世界のフィッシングキットに対してすべての結果をベンチマークする。 96.2%のセーフガード・バイパス出力がレンダリングされるが、そのフィデリティは控えめ(2.02/5)であり、信頼度保護パイプラインの完成率は38.7%に過ぎず、アンサーブド・エラーが最大の故障モードとなっている。 GPT 4.1は機能的成功率86.3から94.1%に達し、非検閲モデルは45.4%を超えることは滅多にない。 フィッシングキットはサンプル当たりより完全なままであるが、3つの強力なLCMがキットレベル(70.9から89.7%)を超えており、LLMはスケーラブルで低バリアな作業フィッシングページに対して平均的な完全性を交換していることを示している。 さらに、現在の類似性に基づく防御が欠落しているジェネレータレベルの指紋を特定し、ハイブリッド検出器の推奨品を蒸留する。

関連論文リスト

• A Hybrid, Multi-Layered Pipeline for Phishing and Threat Classification: Independently Validated URL and NLP Engines with a Calibrated Multi-Channel Fusion Stage [0.0]
  それぞれのモータリティを自作のエンジンでスコアリングし、結果を融合するハイブリッドパイプラインを提案する。 3基のエンジンがビルドされ、デプロイされ、独立してベンチマークされる。 デプロイ可能な検出のために、制限要因はモデルをいかに一般化するかである。
  論文  参考訳（メタデータ） (2026-06-19T18:59:36Z)
• GuardPhish: Securing Open-Source LLMs from Phishing Abuse [0.7009487789080343]
  オフラインおよびエンタープライズ環境でのオープンソースのLarge Language Models(LLM)は、ほとんど検討されていないセキュリティリスクを導入している。 大規模マルチベクトルフィッシングプロンプトデータセットであるGuardPhishを用いて,この脆弱性を調査した。 決定論的5つのモデルアンサンブルをラベル付けに用いて、ほぼ完全なモデル間合意を実現する。
  論文  参考訳（メタデータ） (2026-04-19T08:02:57Z)
• How Can We Effectively Use LLMs for Phishing Detection?: Evaluating the Effectiveness of Large Language Model-based Phishing Detection Models [3.281529187210269]
  大型言語モデル(LLM)は、将来性のあるフィッシング検出メカニズムとして登場した。 本研究では, LLMのフィッシング検出への応用について検討した。 入力モダリティ(スクリーンショット,ロゴ,HTML,URL)の影響,温度設定,エンジニアリング戦略の促進について検討する。
  論文  参考訳（メタデータ） (2025-11-12T17:20:58Z)
• 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)
• PhishIntentionLLM: Uncovering Phishing Website Intentions through Multi-Agent Retrieval-Augmented Generation [13.177607247367211]
  ウェブサイトのスクリーンショットからフィッシングの意図を明らかにするフレームワークであるPhishIntentionLLMを提案する。 本フレームワークは, クレジットカード盗難, 金融詐欺, マルウェア配布, 個人情報盗難の4つの主要なフィッシング対象を識別する。 セクター間で大規模なフィッシング意図プロファイリングを行うために,9Kサンプルの大きなデータセットを生成する。
  論文  参考訳（メタデータ） (2025-07-21T09:20:43Z)
• Backdoor Cleaning without External Guidance in MLLM Fine-tuning [76.82121084745785]
  Believe Your Eyes (BYE)は、アテンションエントロピーパターンを自己教師信号として活用して、バックドアサンプルを特定してフィルタリングするデータフィルタリングフレームワークである。 クリーンタスクのパフォーマンスを維持しながら、ほぼゼロの攻撃成功率を達成する。
  論文  参考訳（メタデータ） (2025-05-22T17:11:58Z)
• AegisLLM: Scaling Agentic Systems for Self-Reflective Defense in LLM Security [74.22452069013289]
  AegisLLMは、敵の攻撃や情報漏洩に対する協調的なマルチエージェント防御である。 テスト時のエージェント推論システムのスケーリングは,モデルの有用性を損なうことなく,ロバスト性を大幅に向上させることを示す。 アンラーニングやジェイルブレイクを含む主要な脅威シナリオに対する総合的な評価は、AegisLLMの有効性を示している。
  論文  参考訳（メタデータ） (2025-04-29T17:36:05Z)
• EXPLICATE: Enhancing Phishing Detection through Explainable AI and LLM-Powered Interpretability [44.2907457629342]
  EXPLICATEは、三成分アーキテクチャによるフィッシング検出を強化するフレームワークである。 既存のディープラーニング技術と同等ですが、説明性が向上しています。 自動AIとフィッシング検出システムにおけるユーザ信頼の重大な隔たりに対処する。
  論文  参考訳（メタデータ） (2025-03-22T23:37:35Z)
• Neural Antidote: Class-Wise Prompt Tuning for Purifying Backdoors in CLIP [51.04452017089568]
  CBPT(Class-wise Backdoor Prompt Tuning)は、テキストプロンプトでCLIPを間接的に浄化する効率的な防御機構である。 CBPTは、モデルユーティリティを保持しながら、バックドアの脅威を著しく軽減する。
  論文  参考訳（メタデータ） (2025-02-26T16:25:15Z)

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。