SENet：在线社会工程学攻击活动的视觉检测
密码学与安全
2024-01-12 v1 机器学习
摘要
社会工程学（SE）旨在诱骗用户执行可能危及其安全和隐私的操作。这些威胁利用人类决策过程中的弱点，使用诸如借口、诱饵、冒充等策略。在网络上，SE 攻击包括恐吓软件、技术支持诈骗、问卷调查诈骗、抽奖诈骗等攻击类别，可能导致敏感数据泄露、恶意软件感染和经济损失。例如，美国消费者每年因各种 SE 攻击损失数十亿美元。遗憾的是，与软件漏洞和利用、网络入侵、恶意软件和网络钓鱼等其他重要威胁相比，通用的社会工程学攻击仍然研究不足。少数现有的专注于社会工程学的技术研究范围有限，且主要侧重于测量而不是开发通用防御。为了填补这一空白，我们提出了 SEShield，一个用于浏览器内检测社会工程学攻击的框架。SEShield 包含三个主要组件： 一个名为 SECrawler 的定制安全爬虫，专门用于在网络上侦察以收集野外 SE 攻击的实例； SENet，一个基于深度学习的图像分类器，基于 SECrawler 收集的数据进行训练，旨在检测 SE 攻击页面通常显眼的视觉特征； SEGuard，一个概念验证扩展，将 SENet 嵌入 Web 浏览器并实现实时 SE 攻击检测。我们对系统进行了广泛评估，结果表明 SENet 能够检测 SE 攻击的新实例，在 1% 误报率下检测率高达 99.6%，从而为网络上的 SE 攻击提供了有效的第一道防线。
引用
@article{arxiv.2401.05569,
title = {SENet: Visual Detection of Online Social Engineering Attack Campaigns},
author = {Irfan Ozen and Karthika Subramani and Phani Vadrevu and Roberto Perdisci},
journal= {arXiv preprint arXiv:2401.05569},
year = {2024}
}