Central Asian
Scientific
Journal

ТЕХНИКАЛЫҚ ҒЫЛЫМДАР - ТЕХНИЧЕСКИЕ НАУКИ - TECHNICAL SCIENCE · УДК 004.056 · Русский

Экспериментальная оценка системы обнаружения AI-generated phishing-атак на основе полного факторного плана 2³: имитационное исследование

  • Нурахунова Наиля Тайиржановна Казахский национальный исследовательский технический университет имени К.И. Сатпаева, Институт автоматики и информационных технологий, кафедра кибербезопасности, Алматы, Казахстан
  • Канетей Аида Сапаркызы Казахский национальный исследовательский технический университет имени К.И. Сатпаева, Институт автоматики и информационных технологий, кафедра кибербезопасности, Алматы, Казахстан
Выпуск
№4(32), Т. 2, 2026
Страницы
417–423
Опубликовано
17.11.2026
Скачать PDF

Аннотация

Генеративные языковые модели позволяют создавать грамматически корректные и персонализированные фишинговые письма, что снижает эффективность детекторов, опирающихся на орфографические ошибки или известные шаблоны. Цель работы – показать планирование и статистическую обработку многофакторного эксперимента для оценки системы обнаружения фишинга; построен полный факторный план 2³ с тремя факторами: NLP-признаки (A), стилометрические и AI-origin признаки (B) и новый генератор текста, не представленный при обучении (C); отклик – F1. Поскольку реальный классификатор не запускался, значения F1 для 24 наблюдений (восемь условий × три повтора) имитационные и служат только для демонстрации методики. Регрессионная модель, полученная методом наименьших квадратов (R² = 0,988; F(7,16) = 190,6; p < 0,05), показала положительное влияние факторов A (+0,020) и B (+0,031) и отрицательное влияние фактора C (−0,025); план ортогонален (VIF = 1), для трёхшагового прогноза использован линейный тренд. Результаты иллюстрируют методику и должны быть заменены измерениями на реальном размеченном корпусе.

Ключевые слова: обнаружение фишинга, генеративный искусственный интеллект, NLP, стилометрия, полный факторный эксперимент, регрессия, F1, прогнозирование

Список литературы

  1. Heiding F., Schneier B., Vishwanath A., Bernstein J., Park P.S. Devising and Detecting Phishing Emails Using Large Language Models // IEEE Access. 2024. Vol. 12. P. 42131–42146.
  2. Nurakhunova N.T., Kanetei A.S. AI-generated phishing attack detection system [Laboratory work No. 2, Fundamentals of student research]. Almaty: Satbayev University, 2026.
  3. Box G.E.P., Hunter J.S., Hunter W.G. Statistics for Experimenters: Design, Innovation, and Discovery. 2nd ed. Hoboken: Wiley, 2005.
  4. Montgomery D.C. Design and Analysis of Experiments. 9th ed. Hoboken: Wiley, 2017.
  5. Saito T., Rehmsmeier M. The Precision-Recall Plot Is More Informative than the ROC Plot When Evaluating Binary Classifiers on Imbalanced Datasets // PLOS ONE. 2015. Vol. 10, No. 3. Art. e0118432.

Как цитировать

Нурахунова Н.Т., Канетей А.С. Экспериментальная оценка системы обнаружения AI-generated phishing-атак на основе полного факторного плана 2³: имитационное исследование // Central Asian Scientific Journal. – 2026. – №4(32), Т. 2. – С. 417–423.

CC BY 4.0 Статья в открытом доступе по лицензии CC BY 4.0: её можно свободно читать, копировать и распространять с указанием авторов и ссылки на статью. Подробнее о лицензии

Отзывы о статье

Оставить отзыв

Оцените статью и поделитесь мнением. Отзыв появится после проверки модератором.

Оценка