ТЕХНИКАЛЫҚ ҒЫЛЫМДАР - ТЕХНИЧЕСКИЕ НАУКИ - TECHNICAL SCIENCE · UDC 004.056 · Русский
Экспериментальная оценка системы обнаружения AI-generated phishing-атак на основе полного факторного плана 2³: имитационное исследование
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
References
- 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.
- Nurakhunova N.T., Kanetei A.S. AI-generated phishing attack detection system [Laboratory work No. 2, Fundamentals of student research]. Almaty: Satbayev University, 2026.
- Box G.E.P., Hunter J.S., Hunter W.G. Statistics for Experimenters: Design, Innovation, and Discovery. 2nd ed. Hoboken: Wiley, 2005.
- Montgomery D.C. Design and Analysis of Experiments. 9th ed. Hoboken: Wiley, 2017.
- 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.
How to cite
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 Open access under the CC BY 4.0 license: you may freely read, copy and share this article, giving credit to the authors and a link to it. About the license