A Synthetic Conversational Smishing Dataset for Social Engineering Detection
यह शोध पत्र संवादात्मक स्मिशिंग (smishing) डिटेक्शन के लिए संसाधनों की कमी को दूर करने के लिए 3,201 लेबल किए गए मल्टी-राउंड संवादों का एक सिंथेटिक डेटासेट प्रस्तुत करता है, जो प्रयोगों के माध्यम से यह प्रदर्शित करता है कि पारंपरिक मशीन लर्निंग मॉडल, TF-IDF फीचर्स के साथ, मल्टी-स्टेज सोशल इंजीनियरिंग हमलों की पहचान करने में ट्रांसफॉर्मर-आधारित आर्किटेक्चर से बेहतर प्रदर्शन करते हैं।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक सुरक्षा गार्ड को चोर को पहचानने का तरीका सिखाने की कोशिश कर रहे हैं।
पुराना तरीका (एकल-संदेश पहचान):
आजकल के अधिकांश सुरक्षा गार्डों को एक व्यक्ति की एक फोटो देखने और यह कहने के लिए प्रशिक्षित किया जाता है कि, "यह संदिग्ध लग रहा है!" या "यह सुरक्षित लग रहा है!" टेक्स्ट मैसेज (SMS) की दुनिया में, इसका अर्थ है कि एक बार में एक टेक्स्ट की जांच करना कि क्या वह स्कैम है। यदि कोई टेक्स्ट कहता है, "आपका बैंक लॉक हो गया है, यहाँ क्लिक करें!", तो गार्ड तुरंत अलार्म बजा देता है।
नई समस्या (कन्वर्सेशनल स्मिशिंग - Conversational Smishing):
लेकिन असली जीवन के स्कैमर चालाक होते हैं। वे केवल एक डरावना टेक्स्ट भेजकर भाग नहीं जाते। वे एक लंबा खेल खेलते हैं। वे एक दोस्ताना टेक्स्ट भेजते हैं, जवाब का इंतजार करते हैं, फिर एक और भेजते हैं, और एक और। वे एक रिश्ता बनाते हैं, एक मददगार मेडिकेयर एजेंट या मुसीबत में फंसे पोते-पोती का ढोंग करते हैं, और धीरे-धीरे, कई संदेशों के माध्यम से, पीड़ित को पैसा या पासवर्ड देने के लिए बहलाते हैं।
यह एक भेड़ की खाल में छिपे भेड़िए जैसा है जो केवल दरवाजे पर दस्तक नहीं देता; बल्कि वह घर के मालिक के साथ घंटों बातचीत करता है, उसका विश्वास जीतता है, और अंत में तिजोरी की चाबी उधार माँगने के लिए तैयार हो जाता है।
लाइब्रेरी में कमी (The Gap in the Library):
शोधकर्ता इन "लंबे खेल" खेलने वाले स्कैमर्स को पकड़ने के लिए बेहतर सुरक्षा गार्ड बनाना चाहते थे। लेकिन एक बहुत बड़ी समस्या थी: उनके पास कोई ट्रेनिंग डेटा नहीं था।
- उनके पास "बुरे लोगों" (एकल स्कैम टेक्स्ट) की हजारों तस्वीरें थीं।
- लेकिन उनके पास उन वास्तविक लंबी बातचीत की शून्य रिकॉर्डिंग थी जहाँ स्कैम होता है।
- वास्तविक रिकॉर्डिंग एकत्र करना असंभव है क्योंकि इसमें वास्तविक पीड़ित, गोपनीयता कानून और नैतिक दुविधाएं शामिल हैं। आप अपनी दादी को स्कैम होते हुए अध्ययन करने के लिए रिकॉर्ड नहीं कर सकते।
समाधान: "वर्चुअल प्लेहाउस" (सिंथेटिक डेटासेट):
इस समस्या को हल करने के लिए, लेखकों ने एक वर्चुअल प्लेहाउस बनाया।
- उन्होंने दो AI कलाकार बनाए: एक स्कैमर बॉट और एक विक्टिम बॉट (विशेष रूप से एक बुजुर्ग व्यक्ति की तरह व्यवहार करने के लिए प्रोग्राम किया गया)।
- उन्होंने स्कैमर बॉट को एक स्क्रिप्ट दी (8 अलग-अलग प्रकार के स्कैम, जैसे नकली मेडिकेयर कॉल या निवेश धोखाधड़ी)।
- उन्होंने विक्टिम बॉट को एक व्यक्तित्व दिया (कुछ भरोसेमंद हैं, कुछ संदिग्ध हैं, कुछ तकनीक-प्रेमी हैं)।
- उन्होंने इन दोनों बॉट्स को हजारों बार आपस में चैट करने दिया।
परिणाम? 3,201 नकली बातचीत की एक विशाल लाइब्रेरी। यह एक "सिम्युलेटर" की तरह है—सोशल इंजीनियरिंग के लिए। शोधकर्ताओं ने मानवीय ऑडिटर्स को स्क्रिप्ट की जांच करने के लिए काम पर रखा, जिससे उन गलतियों को सुधारा गया जहाँ AI ने गलती से एक "अस्वीकृति" को "सफलता" के रूप में लेबल कर दिया था।
प्रयोग: सबसे अच्छा जासूस कौन है?
अब जब उनके पास इन नकली स्कैम्स की एक लाइब्रेरी थी, तो वे देखना चाहते थे कि कौन सा कंप्यूटर प्रोग्राम बातचीत के अंत की भविष्यवाणी करने में सबसे अच्छा है:
- क्या पीड़ित झांसे में आ गया? (मान लिया/Complied)
- क्या उन्होंने कुछ देर बात की लेकिन मना कर दिया? (आंशिक/Partial)
- क्या उन्होंने तुरंत बातचीत बंद कर दी? (अस्वीकार/Rejected)
उन्होंने दो प्रकार के जासूसों का परीक्षण किया:
- "शब्द गिनने वाला" (पारंपरिक ML): ये मॉडल विशिष्ट शब्दों (जैसे "सत्यापित करें," "तत्काल," "कार्ड") को देखते हैं और गिनते हैं कि वे कितनी बार आते हैं।
- "संदर्भ पढ़ने वाला" (ट्रांसफॉर्मर्स/AI): ये आधुनिक, फैंसी AI मॉडल (जैसे चैटबॉट्स के पीछे के मॉडल) हैं जो पूरी बातचीत के अर्थ और प्रवाह को समझने की कोशिश करते हैं।
चौंकाने वाला परिणाम:
आप उम्मीद करेंगे कि फैंसी "कंटेक्स्ट रीडर्स" आसानी से जीत जाएंगे। आखिर, वे भाषा को समझने में बहुत स्मार्ट हैं।
लेकिन वे नहीं जीते।
"शब्द गिनने वालों" (विशेष रूप से TF-IDF फीचर्स का उपयोग करने वाला एक मॉडल जिसे XGBoost कहा जाता है) ने 72.5% सटीकता के साथ जीत हासिल की। फैंसी AI मॉडल केवल लगभग 69.8% तक ही पहुँच पाए।
"शब्द गिनने वाले" क्यों जीते?
लेखकों ने एक बेहतरीन उपमा का उपयोग करते हुए दो मुख्य कारण खोजे:
- "छोटी याददाश्त" की समस्या: फैंसी AI मॉडल्स की एक सीमा होती है कि वे एक बार में कितना टेक्स्ट पढ़ सकते हैं (जैसे एक पेज लिमिट वाली किताब)। ये बातचीत लंबी थीं। AI को फिट होने के लिए बातचीत के अंत को काटना पड़ा। लेकिन बातचीत का अंत ही वह जगह है जहाँ पीड़ित "हाँ" या "ना" कहता है। AI कहानी का मध्य पढ़ रहा था लेकिन अंत को मिस कर रहा था!
- "छोटी लाइब्रेरी" की समस्या: फैंसी AI मॉडल्स को स्मार्ट बनने के लिए लाखों किताबें पढ़नी पड़ती हैं। इस डेटासेट में केवल 3,201 बातचीत थीं। यह एक जीनियस छात्र को केवल एक एकल पाठ्यपुस्तक का उपयोग करके पढ़ाने जैसा था। सरल "शब्द गिनने वाले" को भाषा को शून्य से सीखने की आवश्यकता नहीं थी; उसे बस कीवर्ड्स को पहचानने की आवश्यकता थी, जो पूरी तरह से काम कर गया।
निष्कर्ष (The Takeaway):
यह पेपर हमें एक नया, सुरक्षित और विशाल "प्रशिक्षण मैदान" (डेटासेट) देता है जहाँ शोधकर्ता लंबी बातचीत का उपयोग करने वाले स्कैमर्स को पकड़ने का अभ्यास कर सकते हैं। यह हमें एक मूल्यवान सबक भी सिखाता है: कभी-कभी, सबसे सरल उपकरण (विशिष्ट कीवर्ड्स को देखना) सबसे जटिल उपकरण (फैंसी AI) से बेहतर होता है यदि डेटा बहुत कम हो या बातचीत बहुत लंबी हो।
भविष्य में, जैसे-जैसे हमारे पास अधिक डेटा और लंबी किताबें पढ़ने वाला बेहतर AI होगा, वे फैंसी मॉडल नियंत्रण ले सकते हैं। लेकिन अभी के लिए, इस "शब्द गिनने वाले" दृष्टिकोण के पास इन धीमी गति वाले सोशल इंजीनियरिंग हमलों के खिलाफ सबसे अच्छा बचाव है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।