Can MLLMs Detect Phishing? A Comprehensive Security Benchmark Suite Focusing on Dynamic Threats and Multimodal Evaluation in Academic Environments
Created by
Haebom
Category
Empty
저자
Jingzhuo Zhou
개요
다중 모드 대규모 언어 모델(MLLMs)의 급증은 특히 학술 환경 내 피싱 탐지 분야에서 전례 없는 보안 문제를 야기했습니다. 학술 기관과 연구자들은 연구 배경, 학문적 협력, 개인 정보를 활용하여 고도로 맞춤화된 공격을 만드는 동적이고 다국어적이며 상황에 의존적인 위협에 직면하고 있습니다. 기존 보안 벤치마크는 학술적 배경 정보를 통합하지 않은 데이터 세트에 크게 의존하여, 학계에 특화된 진화하는 공격 패턴과 인간 중심 취약성 요인을 포착하는 데 부적절합니다. 이러한 격차를 해결하기 위해, 본 논문은 학술 환경에서 동적 피싱 공격에 대한 MLLM 방어 능력을 체계적으로 평가하기 위한 통합 방법론적 프레임워크인 AdapT-Bench를 제시합니다.
시사점, 한계점
•
학술 환경에 특화된 피싱 공격에 대한 MLLM 방어 능력 평가를 위한 새로운 벤치마크 프레임워크 제안
•
학술적 배경 정보를 활용한 맞춤형 공격 시나리오를 통해 현실적인 위협 모델링
•
기존 보안 벤치마크의 한계를 극복하고, MLLM 방어 시스템의 취약점을 파악하는 데 기여
•
AdapT-Bench의 구체적인 구현 및 성능 평가 결과는 논문에 명시되지 않음 (구현 및 평가 결과의 부재)
•
MLLM 기반 방어 시스템의 성능 향상을 위한 구체적인 방법론 제시 부족 (방법론적 제약)
