کاربرد پردازش زبان طبیعی در تحلیل پیام های مخرب و فیشینگ

گسترش ارتباطات دیجیتال موجب افزایش حملات فیشینگ و پیام های مخرب مبتنی بر مهندسی اجتماعی شده است. این حملات با بهره گیری از ساختارهای زبانی فریبنده، کاربران را به افشای اطلاعات حساس ترغیب می کنند. پژوهش حاضر با رویکردی مروری تحلیلی، کاربرد روش های پردازش زبان طبیعی (NLP) در شناسایی این تهدیدات را در بازه زمانی ۲۰۰۷ تا ۲۰۲۶ بررسی می کند. نتایج نشان می دهد مدل های مبتنی بر ترنسفورمر، به ویژه BERT و مشتقات آن، به دلیل توانایی در درک بافت معنایی و روابط بین واژگان، عملکرد بهتری نسبت به روش های قاعده محور و آماری دارند. همچنین، ترکیب ویژگی های زبانی با داده های فرا متنی و استفاده از یادگیری انتقالی، دقت تشخیص را افزایش می دهد. با این حال، چالش هایی مانند کمبود داده های بومی، حملات خصمانه و ظهور پیام های تولید شده توسط هوش مصنوعی مولد همچنان پا برجاست. توسعه مدل های توضیح پذیر و چند وجهی می تواند مسیر آینده پژوهش در امنیت سایبری را تقویت کند.

کلیدواژه ها:

پردازش زبان طبیعی ، فیشینگ ، مهندسی اجتماعی ، ترنسفورمر ، امنیت سایبری