[论文解读] Community Targeted Phishing: A Middle Ground Between Massive and Spear Phishing through Natural Language Generation

Alberto Giaretta, Nicola Dragoni|arXiv (Cornell University)|Aug 24, 2017

Spam and Phishing Detection参考文献 8被引用 4

一句话总结

本文提出了一种新型网络钓鱼方法——社区目标网络钓鱼（CTP），该方法利用自然语言生成（NLG）技术为整个社区量身定制电子邮件，弥合了大规模网络钓鱼与高成本精准网络钓鱼之间的差距。通过采用模板驱动和先进的NLG技术，攻击者能够大规模生成可信且个性化的邮件，提高欺骗效果的同时减少人工投入。

ABSTRACT

Looking at today phishing panorama, we are able to identify two diametrically opposed approaches. On the one hand, massive phishing targets as many people as possible with generic and preformed texts. On the other hand, spear phishing targets high-value victims with hand-crafted emails. While nowadays these two worlds partially intersect, we envision a future where Natural Language Generation (NLG) techniques will enable attackers to target populous communities with machine-tailored emails. In this paper, we introduce what we call Community Targeted Phishing (CTP), alongside with some workflows that exhibit how NLG techniques can craft such emails. Furthermore, we show how Advanced NLG techniques could provide phishers new powerful tools to bring up to the surface new information from complex data-sets, and use such information to threaten victims' private data.

研究动机与目标

• 提出一种新型网络钓鱼范式——社区目标网络钓鱼（CTP），结合NLG技术实现可扩展性与个性化。
• 展示模板驱动的NLG如何生成针对特定社区角色（如研究人员或同事）的逼真网络钓鱼邮件。
• 探索先进NLG技术在提取和总结隐藏数据（例如h指数趋势）方面的潜力，以增强网络钓鱼的可信度。
• 提高对新兴威胁的认识：自动化、上下文感知的网络钓鱼活动可能绕过传统垃圾邮件过滤机制。
• 为未来基于NLG的网络钓鱼检测与缓解技术研究奠定基础。

提出的方法

• 使用模板驱动的NLG，通过填充包含社区特定数据（如姓名、主题、虚假链接）的预定义模板来生成网络钓鱼邮件。
• 采用工作流机制，利用来自Google Scholar或共享文档平台等数据源，动态填充模板。
• 应用高级NLG技术，将复杂且异构的数据（如学术表现趋势）转化为自然语言，用于社会工程攻击。
• 设计模仿可信通信场景（如同行评审或活动邀请）的网络钓鱼邮件，以增强可信度。
• 创建伪造的登录页面（例如，模仿Google或社交媒体平台），在用户交互后窃取凭证。
• 利用自然语言的连贯性与上下文相关性，降低用户怀疑，提高攻击成功率。

实验结果

研究问题

• RQ1 NLG技术如何用于生成既可扩展又具备特定社区上下文个性化的网络钓鱼邮件？
• RQ2 模板驱动的NLG在多大程度上能够生成可信的网络钓鱼消息，使其模仿合法的内部通信？
• RQ3 高级NLG能否提取并总结隐藏的行为或绩效数据（例如h指数趋势），以增强网络钓鱼的可信度？
• RQ4 此类基于NLG的网络钓鱼活动如何绕过针对通用或明显恶意内容设计的传统垃圾邮件过滤器？
• RQ5 使用NLG在大规模上自动化社会工程攻击，对高价值社区（如学术或专业网络）可能产生何种影响？

主要发现

• 社区目标网络钓鱼（CTP）使攻击者能够利用NLG技术，以极低的人工投入，大规模生成高度个性化的网络钓鱼邮件，精准针对整个社区。
• 模板驱动的NLG可通过填充包含同事姓名、研究主题和虚假文件共享链接等上下文特定数据的模板，生成极具欺骗性的网络钓鱼邮件。
• 高级NLG技术能够将复杂数据（如学术表现趋势）总结为自然语言，使网络钓鱼邮件更具可信度，更难被检测。
• 引用个人成就（如上升的h指数）或共同兴趣（如音乐流派）的网络钓鱼邮件，显著提高了用户参与度和凭证泄露的可能性。
• 将NLG与来自公开来源（如Google Scholar）的数据挖掘相结合，可实现自动化、隐蔽的攻击，其效果优于通用的大规模网络钓鱼。
• 由于生成内容具备自然语言质量与上下文相关性，传统贝叶斯垃圾邮件过滤器可能难以检测此类攻击。