İstenmeyen e-posta filtrelerine yönelik çekişmeli saldırıların kapsamlı bir analizi

İstenmeyen e-posta filtreleri, kötü amaçlı yazılımların posta kutusuna ulaşmadan önce tespit edilmesine yardımcı olur ve siber güvenliğin hayati bir parçasıdır. Makine öğrenimi tabanlı istenmeyen e-posta dedektörlerinin de kullanışlı ve oldukça başarılı olduğu kanıtlanmıştır. Yapay zekanın gelişmesiyle birlikte, makine öğrenimi algoritmaları giderek daha önemli hale gelmiştir ve büyük ölçüde test edilmemiştir. Ancak çekişmeli öğrenme, makine öğrenmesi algoritmalarını kullanan çeşitli güvenlik sistemlerinin güvenlik açıklarının araştırıldığı ve makine öğrenmesi modellerini kötü niyetli girdilerle alt etmeye yönelik girişimlerin yapıldığı önemli bir kavramdır. Doğal Dil İşleme de dahil olmak üzere makine öğrenimi bağlamında, düşmanca bir saldırı, hatalara neden olmak veya bir makine öğrenimi modelinden yanlış çıktılar üretmek için girdi verilerinin kasıtlı olarak değiştirilmesini içerir. Bu çalışma, derin öğrenme tabanlı istenmeyen e-posta dedektörlerine karşı düşmanca saldırıların fizibilitesini araştırıyor. İlk olarak, öne çıkan altı derin öğrenme modeli uygulanıyor ve kara kutu senaryo ayarlarında karakter, kelime ve cümle seviyesi olmak üzere üç seviyeli saldırılar analiz ediliyor. Bu saldırılar, gerçek dünyadaki üç istenmeyen e-posta veri kümesinde değerlendirilir. Ayrıca, saldırı etkinliğini artırmak için istenmeyen e-posta ağırlıkları ve dikkat ağırlıkları dahil olmak üzere yeni puanlama işlevleri tanıtılmıştır. Son olarak, üretici yapay zeka tarafından üretilen istenmeyen e-postaların derin öğrenme tabanlı istenmeyen e-posta tespiti modelleri üzerindeki etkisi araştırılmıştır. Bu kapsamlı analiz, istenmeyen e-posta filtrelerinin güvenlik açıklarına ışık tutmaktadır ve gelişen rakip tehditlere karşı güvenliklerini artırma çabalarına katkıda bulunmaktadır.