Enhancing User Resilience Against AI-Augmented Phishing: A Two-Stage Framework for Detection and Personalized Training

डिजिटल युग में, ईमेल इनबॉक्स सुरक्षा के लिए एक प्राथमिक युद्धक्षेत्र बन गया है, जहाँ सबसे खतरनाक खतरे केवल दुर्भावनापूर्ण कोड नहीं हैं, बल्कि वे संदेश हैं जो मानव मस्तिष्क को धोखा देने के लिए डिज़ाइन किए गए हैं। दशकों से, रक्षक इन हमलों को रोकने के लिए दो मुख्य रणनीतियों पर भरोसा करते आए हैं: तकनीकी फिल्टर जो ज्ञात बुरे पैटर्न को स्कैन करते हैं, और शैक्षिक कार्यक्रम जो लोगों को संदिग्ध होने के लिए प्रशिक्षित करते हैं। हालाँकि, परिदृश्य तेजी से बदल रहा है। आधुनिक हमलावर अब कृत्रिम बुद्धिमत्ता (AI) का उपयोग करके ऐसे ईमेल लिखने के लिए कर रहे हैं जो व्याकरण की दृष्टि से त्रुटिहीन, गहराई से व्यक्तिगत और वास्तविक बातचीत की नकल करने में सक्षम हैं, जिससे उन्हें पहचानना पुराने समय के भद्दे स्पैम की तुलना में बहुत कठिन हो गया है। इस विकास ने एक ऐसा अंतराल पैदा कर दिया है जहाँ पारंपरिक सुरक्षा उपकरण तालमेल बिठाने में संघर्ष करते हैं, और मानक प्रशिक्षण अक्सर उपयोगकर्ताओं को जोड़ने या उनके सामने आने वाली विशिष्ट चालों को संबोधित करने में विफल रहता है। शोधकर्ताओं के सामने अब सवाल केवल बुरे ईमेल को ब्लॉक करने का नहीं है, बल्कि उन परिष्कृत धोखों को पहचानने और उनसे सीखने में लोगों की मदद करने का है जो दरारों से निकलकर अंदर आ जाते हैं।

इस बढ़ती चुनौती का समाधान करने के लिए, मॉनमाउथ यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने 'साइबर-जीएलए' (CyberGLA) नामक एक नया दृष्टिकोण विकसित किया है, जो स्वचालित पहचान को व्यक्तिगत शिक्षण के साथ जोड़ता है। सुरक्षा को एक स्थिर दीवार या एक बार के व्याख्यान के रूप में देखने के बजाय, यह ढांचा दो जुड़े हुए चरणों में कार्य करता है। पहले चरण में 'ईमेलनाइट' (EmailKnight) नामक एक टूल शामिल है, जो आने वाले संदेशों के लिए एक गहन स्कैनिंग टूल के रूप में कार्य करता है। मानक फिल्टरों के विपरीत, जो केवल प्रेषक के पते को देख सकते हैं या ज्ञात खराब लिंक की जाँच कर सकते हैं, ईमेलनाइट ईमेल की कई कोणों से जांच करता है। यह तकनीकी हेडर की जांच करता है कि क्या संदेश वास्तव में वहीं से आया है जहाँ से वह दावा कर रहा है, यह देखता है कि क्या ईमेल संदिग्ध सर्वरों के माध्यम से रूट किया गया था, और मनोवैज्ञानिक दबाव के तरीकों के लिए सामग्री का विश्लेषण करता है जिनका उपयोग अक्सर घोटालों में किया जाता है। महत्वपूर्ण रूप से, यह इमेज और ऑडियो फाइलों जैसे अटैचमेंट को भी स्कैन करता है ताकि यह पता लगाया जा सके कि क्या उन्हें आर्टिफिशियल इंटेलिजेंस द्वारा बनाया या बदला गया है, जो एक ऐसी क्षमता है जो डीपफेक तकनीक के आम होने के साथ अनिवार्य होती जा रही है।

जब ईमेलनाइट किसी संदिग्ध संदेश की पहचान करता है, तो वह इसे केवल डिलीट नहीं करता या स्पैम के रूप में चिह्नित नहीं करता है। इसके बजाय, यह अपने निष्कर्षों को दूसरे चरण में भेज देता है: एक बड़े भाषा मॉडल (LLM) द्वारा संचालित एक व्यक्तिगत प्रशिक्षण कोच। यह कोच एक मार्गदर्शक के रूप में कार्य करता है, जो ईमेल को फ्लैग करने के विशिष्ट कारणों को लेता है और उन्हें उपयोगकर्ता के लिए एक कस्टम पाठ में बदल देता है। यदि किसी उपयोगकर्ता को एक संदेश प्राप्त होता है जो ऐसा दिखता है जैसे कि वह उनके बैंक से है लेकिन उसमें वेब एड्रेस में सूक्ष्म विसंगति है, तो सिस्टम केवल चेतावनी ही नहीं देता; बल्कि यह तुरंत एक छोटा, इंटरैक्टिव मॉड्यूल प्रदान करता है जो विस्तार से समझाता है कि उस विसंगति का क्या अर्थ है और भविष्य में इसी तरह की चालों को कैसे पहचाना जाए। प्रशिक्षण गतिशील है, जिसका अर्थ है कि यह उपयोगकर्ता की विशिष्ट कमजोरियों के अनुसार अनुकूलित होता है। यदि कोई व्यक्ति बार-बार तत्काल भुगतान संबंधी घोटालों का शिकार होता है, तो सिस्टम उस विशिष्ट प्रकार के खतरे पर पाठों को प्राथमिकता देता है, जिससे यह सुनिश्चित होता है कि शिक्षा उन वास्तविक जोखिमों के लिए प्रासंगिक है जिनका उपयोगकर्ता वास्तव में सामना कर रहा है।

शोधकर्ताओं ने इस दो-चरणीय ढांचे का परीक्षण यह देखने के लिए किया कि क्या यह पहचान और उपयोगकर्ता जागरूकता दोनों में सुधार कर सकता है। उन्होंने पहले आर्टिफिशियल इंटेलिजेंस की सहायता से उत्पन्न पांच सौ दुर्भावनापूर्ण ईमेल के सेट के विरुद्ध ईमेलनाइट टूल का मूल्यांकन किया, जिसमें स्पूफ किए गए लिंक और एआई-जनरेटेड कंटेंट जैसे विभिन्न हमले के तरीके शामिल थे। टूल ने उन खतरों की सफलतापूर्वक पहचान की जिन्हें अन्य सामान्य सुरक्षा जांचकर्ताओं ने छोड़ दिया था, विशेष रूप से वे जो मानवीय मनोवैज्ञानिक चालों या खुले नेटवर्क कमजोरियों पर निर्भर थे। इसके बाद, टीम ने उपयोगकर्ता की जागरूकता मापने के लिए इक्यावन विश्वविद्यालय के छात्रों के साथ एक पायलट अध्ययन आयोजित किया। छात्रों को समूहों में विभाजित किया गया था, जिसमें से एक समूह ने नए साइबर-जीएलए सिस्टम का उपयोग किया, दूसरे ने एक मानक वाणिज्यिक प्रशिक्षण प्लेटफॉर्म का उपयोग किया, और तीसरे समूह को कोई प्रशिक्षण नहीं दिया गया। सीखने की एक छोटी अवधि के बाद, सभी समूहों ने अपने ज्ञान का परीक्षण करने के लिए एक क्विज़ लिया।

परिणामों से पता चला कि व्यक्तिगत, परिदृश्य-आधारित दृष्टिकोण पारंपरिक तरीकों की तुलना में अधिक प्रभावी था। साइबर-जीएलए का उपयोग करने वाले छात्रों ने क्विज़ पर काफी उच्च अंक प्राप्त किए, जिसमें उनकी औसत सटीकता ९३ प्रतिशत से अधिक थी, जबकि वाणिज्यिक प्लेटफॉर्म का उपयोग करने वाले समूह के लिए यह ८५ प्रतिशत और बिना किसी प्रशिक्षण वाले समूह के लिए ८२ प्रतिशत थी। प्रतिभागियों की प्रतिक्रिया से संकेत मिला कि उन्होंने स्थिर वीडियो या सामान्य सलाह की तुलना में इंटरैक्टिव, कस्टम पाठों को अधिक यादगार और आकर्षक पाया। शोधकर्ताओं ने नोट किया कि सिस्टम ने सफलतापूर्वक एक संभावित खतरे के क्षण को सीखने के अवसर में बदल दिया, जिससे उपयोगकर्ताओं को हमले के विशिष्ट तंत्र को समझने में मदद मिली जिसका उन्होंने अभी सामना किया था। हालांकि यह अध्ययन छात्रों के एक छोटे समूह और कम समय सीमा तक सीमित था, निष्कर्ष बताते हैं कि तकनीकी पहचान को सीधे अनुकूलन योग्य शिक्षा से जोड़ने से आधुनिक फिशिंग प्रयासों का प्रतिरोध करने की व्यक्ति की क्षमता मजबूत होती है। टीम इस कार्य को बड़े और विविध समूहों तक विस्तारित करने और यह पता लगाने की योजना बना रही है कि ये उपकरण बुजुर्गों जैसे अन्य संवेदनशील आबादी की रक्षा कैसे कर सकते हैं, जो इन परिष्कृत डिजिटल धोखों द्वारा तेजी से लक्षित किए जा रहे हैं।