企業コミュニケーションにおけるソーシャルエンジニアリング攻撃の検出

- 企業コミュニケーションにおける Social Engineering 攻撃（特に phishing メール）の検出を扱った研究。 - 実世界のデータセットを用いて機械学習のベースラインモデルを構築。 - TF-IDF ベースのモデルで phishing/safe の分類を行い、90% 超の accuracy を達成。 - さらに心理的 manipulation・persuasion の指標が phishing 検出に寄与するかを検討。

- 表層的な lexical features のみに依存せず、心理的 manipulation や persuasion の指標を導入する点が特徴。 - urgency, trust, greed などの persuasion cues を解釈可能な lexicon-based indicators として抽出。 - これらの manipulation-oriented features 単独での信号量を測定し、held-out の email source への転移も検証。 - 具体的な先行研究との比較は要旨からは不明。

- 実世界の email データセットを結合して使用。 - TF-IDF による特徴表現で phishing/safe を分類するベースラインを構築。 - urgency, trust, greed などの persuasion cues を lexicon-based indicators として抽出。 - これらの manipulation-oriented features を単独で評価し、ROC-AUC や held-out source への転移で有効性を測定。

- TF-IDF モデルは accuracy 90% 超を達成。 - manipulation-oriented features 単独では held-out test split で ROC-AUC 0.74。 - これらの特徴が held-out の email source に転移するかを検証。 - 具体的なデータセット名や分割方法の詳細は要旨からは不明。

- 心理的 manipulation・persuasion 指標が phishing 検出において有意な役割を果たし得るかを議論。 - 表層的な lexical features だけでなく解釈可能な指標を用いる意義を提示。 - 限界や課題、今後の方向性についての具体的な議論は要旨からは不明。

- 要旨で参照・比較されている個別研究は明示されていない。 - 関連手法として TF-IDF を用いた phishing email detection、lexicon-based な persuasion/manipulation 分析、Social Engineering 検出に関する研究を次に読む候補として挙げる。