MétaCan
Menu
Retour à la cohorte
Enregistrement W4410632638 · doi:10.22215/etd/2025-16421

Single Sign-On (SSO) and its Intersection with Phishing Attacks: An Investigation

2025· dissertation· en· W4410632638 sur OpenAlexaff
Nareen Azad Khurshid

Notice bibliographique

Revuenon disponible
Typedissertation
Langueen
DomaineComputer Science
ThématiqueSpam and Phishing Detection
Établissements canadiensCarleton University
Organismes subventionnairesnon disponible
Mots-clésPhishingIntersection (aeronautics)Sign (mathematics)Single sign-onComputer securityComputer scienceWorld Wide WebEngineeringAuthentication (law)MathematicsThe InternetTransport engineering

Résumé

récupéré en direct d'OpenAlex

Users are increasingly prompted to click login links and login buttons from their emails and on websites, as services offer alternative login methods extending beyond traditional usernames and passwords. Single sign-on (SSO) simplifies password management by allowing users to login to services, like Spotify, Slack, Zoom, GitHub, Airbnb, and many more, using external identity providers (IDPs) like Google, Facebook, and Apple, to authenticate users using their already existing email address and accounts. We define a new phishing attack which is specifically targeted to SSO users, exploiting the “login with XYZ” button or link that takes the user to the malicious website. We then explore the possible consequences, specifically susceptibility to this new SSO-based phishing attack, questioning whether developing the habit of clicking on these buttons makes them disproportionately susceptible to this new type of phishing. To accomplish this, we created a user-study that included instances of SSO-based phishing.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,713
Score d'incertitude au seuil0,938

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,026
Tête enseignante GPT0,252
Écart entre enseignants0,226 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetSpam and Phishing DetectionTravaux en français237 207