针对社交媒体鱼叉式钓鱼帖文的生成模型
密码学与安全
2018-02-15 v1 计算机与社会
机器学习
机器学习
摘要
历史上，计算机安全领域的机器学习优先关注防御：如入侵检测系统、恶意软件分类和僵尸网络流量识别。攻击方同样可以很好地利用数据。社交网络拥有大量个人数据访问权限、对机器人友好的 API、口语化语法以及短链接的广泛使用，是传播机器生成恶意内容的理想场所。我们旨在揭示 adversary 在此类领域中可能利用的能力。我们提出了一种长短期记忆（LSTM）神经网络，该网络学习对特定用户进行社会工程学攻击，诱使其点击欺骗性 URL。模型以社交媒体帖文的词向量表示为训练数据，并且为了提高点击通过率，动态地使用从目标时间线中提取的话题作为种子。我们通过聚类增强模型，依据社交参与程度对高价值目标进行分诊，并使用 IP 追踪链接的点击率衡量 LSTM 钓鱼行动的成功率。我们取得了最先进的成功率，达到历史电子邮件攻击活动的三倍，并优于人工执行相同任务的表现。
引用
@article{arxiv.1802.05196,
title = {Generative Models for Spear Phishing Posts on Social Media},
author = {John Seymour and Philip Tully},
journal= {arXiv preprint arXiv:1802.05196},
year = {2018}
}
备注
Presented at NIPS Workshop on Machine Deception (2017), 4 page limit plus references, 2 figures