論文の概要: Social Engineering Attack Detection in Corporate Communications
- arxiv url: http://arxiv.org/abs/2611.14897v1
- Date: Wed, 11 Nov 2026 01:35:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:32.976213
- Title: Social Engineering Attack Detection in Corporate Communications
- Title(参考訳): 企業コミュニケーションにおける社会工学的攻撃検出
- Abstract要約: 社会工学の攻撃は企業社会に重大なリスクをもたらす。
メール,チャット,電話による認証通信とフィッシング通信を区別することは困難である。
ベースライン機械学習モデルを構築するために、現実世界のデータセットを使用して、この増大する脅威について研究する。
- 参考スコア(独自算出の注目度): 1.2744523252873352
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Social Engineering attacks continue to pose a significant risk to the corporate world with a growing level of sophistication. It is difficult to distinguish between authentic and phishing communication via email, chat, and phone. They pose a risk of exposing trade secrets and confidential communications and can create a chain of attack from lower-level employees up to executives. Therefore, we study this growing threat using real-world datasets to build baseline machine-learning models. Our TF-IDF models classify emails as phishing or safe, achieving accuracy above 90%. We build on this by exploring whether psychological manipulation and persuasion indicators can be measured to play a significant role in detecting phishing. Instead of relying solely on surface-level lexical features, we derive interpretable lexicon-based indicators of urgency, trust, greed, and other persuasion cues from the combined email dataset. By evaluating these manipulation-oriented features on their own, we measure how much signal they carry (ROC-AUC of 0.74 on a held-out test split) and test whether they transfer to held-out email sources.
- Abstract(参考訳): 社会工学の攻撃は、高度化の度合いが高まる企業社会に重大なリスクをもたらし続けている。
メール,チャット,電話による認証通信とフィッシング通信を区別することは困難である。
企業秘密や秘密のコミュニケーションを暴露する危険性があり、下級従業員から幹部への攻撃の連鎖を生じさせる可能性がある。
そこで,本研究では,機械学習モデルを構築するために,実世界のデータセットを用いて,この増大する脅威について検討する。
我々のTF-IDFモデルは、メールをフィッシングまたは安全と分類し、90%以上の精度を達成する。
フィッシングの検出において心理的操作や説得指標の測定が重要な役割を担っているかどうかを考察することによって,この手法を構築した。
表面レベルの語彙にのみ依存するのではなく、メールデータセットから緊急性、信頼、欲求、その他の説得的手がかりを解釈可能なレキシコンベースの指標から導き出す。
これらの操作指向の機能を独自に評価することにより、それらがどれだけの信号を運ぶか(ホールドアウトテスト分割で0.74のROC-AUC)を測定し、ホールドアウトEメールソースに転送するかどうかをテストする。
関連論文リスト
- Poisoning Agentic Alpha: Adversarial Vulnerabilities Across Roles and Architectures in Multi-Agent Trading Systems [103.90831279037094]
LLMベースのマルチエージェントトレーディングシステムは、研究プロトタイプから実際の資産を管理するライブデプロイメントへと急速に移行している。
破損した信号は最終決定に伝播し、実現された財政損失に変換される。
本稿では,金融分野において,敵対的信号がマルチエージェント取引システムにどのように入るのかを特徴付ける最初の体系的実証的研究について述べる。
論文 参考訳(メタデータ) (2026-08-25T05:07:37Z) - CIA: Inferring the Communication Topology from LLM-based Multi-Agent Systems [52.48183625867145]
マルチエージェントシステム(MAS)は、複雑なタスクを解く際、顕著な能力を示した。
MASの中心は、エージェントが内部で情報を交換する方法を管理する通信トポロジーである。
本稿では,MAS通信のトポロジを制限的なブラックボックス設定で推定できる,重要なプライバシーリスクについて検討する。
論文 参考訳(メタデータ) (2026-04-14T08:48:15Z) - ProtegoFed: Backdoor-Free Federated Instruction Tuning with Interspersed Poisoned Data [50.142067708131826]
Federated Instruction Tuning (FIT)は、複数の組織(組織)にまたがる大規模な言語モデルの、プライベートなインストラクションの共有を必要とせずに、クロスサイロ環境での協調的なインストラクションチューニングを可能にする。
最近の研究では、有毒なサンプルが現実世界のデータセットに広範に埋め込まれており、たとえクライアントが良心的であっても、すべてのクライアントに分散している可能性が示唆されている。
ProtegoFedは、トレーニング中にクライアント間で汚染されたデータを正確に検出・浄化・分散する最初のバックドアフリーFITフレームワークである。
論文 参考訳(メタデータ) (2026-02-28T07:25:32Z) - PiMRef: Detecting and Explaining Ever-evolving Spear Phishing Emails with Knowledge Base Invariants [15.892817656568063]
フィッシングメールは、幅広いリーチと低コストのため、サイバー犯罪の殺し屋にとって重要な要素である。
本稿では,知識に基づく不変量を利用した参照型フィッシングメール検出装置であるPiMRefを提案する。
3年間に5つの大学アカウントで10,183通のメールを実世界で評価した結果、PiMRefは92.1%の精度、87.9%のリコール、0.05の中央値ランタイムを達成した。
論文 参考訳(メタデータ) (2025-07-21T08:53:41Z) - Automated Profile Inference with Language Model Agents [67.32226960040514]
自動プロファイル推論(Automatic Profile Inference)と呼ばれる,LLMがオンラインの偽名にもたらす新たな脅威について検討する。
相手は、LDMに対して、疑似プラットフォーム上で公開されているユーザアクティビティから、機密性の高い個人属性を自動的に取り除き、抽出するように指示することができる。
実世界のシナリオにおけるこのような脅威の可能性を評価するために,AutoProfilerという自動プロファイリングフレームワークを導入する。
論文 参考訳(メタデータ) (2025-05-18T13:05:17Z) - 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) - FLIP: A Provable Defense Framework for Backdoor Mitigation in Federated
Learning [66.56240101249803]
我々は,クライアントの強固化がグローバルモデル(および悪意のあるクライアント)に与える影響について検討する。
本稿では, 逆エンジニアリングによる防御手法を提案するとともに, 堅牢性を保証して, 改良を実現できることを示す。
競合する8つのSOTA防御法について, 単発および連続のFLバックドア攻撃に対して, 提案手法の実証的優位性を示した。
論文 参考訳(メタデータ) (2022-10-23T22:24:03Z) - Email Summarization to Assist Users in Phishing Identification [1.433758865948252]
サイバーフィッシング攻撃は、特定の情報や手がかりが存在する場合にのみ、トレーニングデータによってより正確で、標的になり、調整される。
この研究は、トランスフォーマーベースの機械学習を活用して、将来的な心理的トリガーを分析する。
次に、この情報をアマルゲイトし、ユーザーに提示し、電子メールが「フィシー」なのか(ii)自己学習した先進的な悪意あるパターンなのかを簡単に判断できるようにします。
論文 参考訳(メタデータ) (2022-03-24T23:03:46Z) - Epidemic mitigation by statistical inference from contact tracing data [61.04165571425021]
我々は,個人が感染するリスクを推定するためにベイズ推定法を開発した。
本稿では,感染防止のための検査・隔離戦略を最適化するために,確率論的リスク推定手法を提案する。
我々のアプローチは、最近接触した個人間の通信のみを必要とする、完全に分散されたアルゴリズムに変換されます。
論文 参考訳(メタデータ) (2020-09-20T12:24:45Z)
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。