Adaptive LLM-Driven Phishing Defense Using Real-Time Psychological Cue Detection
Notice bibliographique
Résumé
Phishing attacks remain one of the most prevalent and damaging cybersecurity threats, with attackers increasingly employing sophisticated psychological manipulation techniques to deceive victims. This paper introduces an innovative adaptive defense system that leverages Large Language Models (LLMs) and real-time psychological cue detection to enhance phishing threat detection and mitigation. By integrating psychological cues, such as urgency, fear, and social influence, detected from email and web communication patterns, the system dynamically adapts its defense strategies in real-time. The proposed framework continuously analyzes both the content and context of messages, using LLMs to assess linguistic features, detect inconsistencies, and identify manipulative tactics employed by cybercriminals. A psychological cue-based risk model is developed, enabling the system to predict the likelihood of phishing attacks based on the emotional tone and behavioral triggers embedded within the communication. The effectiveness of the approach is demonstrated through experimental results, showing a significant improvement in phishing detection accuracy and reduced false positive rates compared to traditional methods. This adaptive, AI-driven model provides a robust solution for defending against the evolving landscape of phishing attacks, offering both proactive and reactive capabilities in real-world environments.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,008 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».