LyndHub
Jadwal Sholat

Memuat jadwal sholat…

← Semua jurnalIndeks pencarian

Editorial Ilmu Komputer & AI

Open AccessOA2026

Meningkatkan Ketahanan Pengguna terhadap Phishing Berbantuan AI: Kerangka Dua Tahap untuk Deteksi dan Pelatihan Personal

CyberGLA: Menggabungkan deteksi spoofing EmailKnight dengan pelatih keamanan berbasis LLM untuk edukasi anti-phishing adaptif
Weihao Qu; Gurmeet Singh; Daniel Crawford; Bingjun Li; Jalen Smith· 2026· DOI 10.48550/arXiv.2608.21547

Masalah inti

Kecerdasan artifisial, termasuk agen otonom dan teknik deepfake, telah mempercepat serangan phishing dan menurunkan ambang batas bagi penyerang. Kampanye phishing modern tidak lagi mengandalkan satu taktik; mereka memadukan rekayasa sosial, spoofing URL, dan deepfake yang dihasilkan AI, sehingga penyerang dapat menyusun pesan yang sangat meyakinkan yang mengeksploitasi kerentanan manusia dan melewati sistem deteksi tradisional. Pada saat yang sama, edukasi kesadaran keamanan saat ini sulit mengikuti kecepatan, kecanggihan, dan kompleksitas ancaman yang terus berkembang ini. Makalah ini menjawab kesenjangan tersebut dengan mengusulkan kerangka anti-phishing dua tahap, **CyberGLA**, yang menggabungkan pertahanan teknis dengan edukasi keamanan yang berpusat pada pengguna. Tahap pertama, **Deteksi**, memperkenalkan **EmailKnight**, alat deteksi spoofing yang melakukan analisis email multi-level. Tahap kedua, **Pelatihan**, menyertakan pelatih keamanan berbasis large language model (LLM) yang secara dinamis memilih modul pelatihan personal berdasarkan hasil tahap Deteksi. Filosofi rancangan dua fungsi ini bertujuan memberikan perlindungan efektif terhadap ancaman serangan phishing email

Inovasi

Abstrak sumber tidak melaporkan hasil eksperimen kuantitatif, skor benchmark, atau metrik evaluasi. Sebaliknya, abstrak tersebut menyajikan kerangka CyberGLA sebagai solusi yang diusulkan. Luaran yang dinyatakan adalah rancangan dua fungsi yang memungkinkan perlindungan efektif terhadap serangan phishing email modern yang terus berkembang dengan menggabungkan deteksi spoofing multi-level EmailKnight dan pelatih keamanan berbasis LLM yang mempersonalisasi pelatihan berdasarkan hasil deteksi. Tidak ada data kinerja numerik, statistik dataset, atau baseline pembanding yang disediakan dalam teks yang tersedia.
Kecerdasan artifisial, termasuk agen otonom dan teknik deepfake, telah mempercepat serangan phishing dan menurunkan ambang batas bagi penyerang. Kampanye phishing modern tidak lagi mengandalkan satu taktik; mereka memadukan rekayasa sosial, spoofing URL, dan deepfake yang dihasilkan AI, sehingga penyerang dapat menyusun pesan yang sangat meyakinkan yang mengeksploitasi kerentanan manusia dan melewati sistem deteksi tradisional. Pada saat yang sama, edukasi kesadaran keamanan saat ini sulit mengikuti kecepatan, kecanggihan, dan kompleksitas ancaman yang terus berkembang ini. Makalah ini menjawab kesenjangan tersebut dengan mengusulkan kerangka anti-phishing dua tahap, **CyberGLA**, yang menggabungkan pertahanan teknis dengan edukasi keamanan yang berpusat pada pengguna. Tahap pertama, **Deteksi**, memperkenalkan **EmailKnight**, alat deteksi spoofing yang melakukan analisis email multi-level. Tahap kedua, **Pelatihan**, menyertakan pelatih keamanan berbasis large language model (LLM) yang secara dinamis memilih modul pelatihan personal berdasarkan hasil tahap Deteksi. Filosofi rancangan dua fungsi ini bertujuan memberikan perlindungan efektif terhadap ancaman serangan phishing email modern yang terus berkembang.
Kerangka CyberGLA yang diusulkan disusun sebagai pipeline dua tahap. Pada **tahap Deteksi**, EmailKnight melakukan analisis email multi-level untuk mengidentifikasi indikator spoofing dan phishing. Pada **tahap Pelatihan**, pelatih keamanan berbasis LLM mengonsumsi hasil deteksi dan secara dinamis memilih modul pelatihan personal untuk pengguna. Kerangka ini dirancang untuk menutup lingkaran antara deteksi teknis dan kesadaran manusia: hasil deteksi mengarahkan konten dan fokus pelatihan, sehingga pengguna menerima instruksi yang disesuaikan dengan pola serangan spesifik yang mereka hadapi.

Mengapa penting

Wawasan inti CyberGLA adalah bahwa deteksi teknis saja tidak cukup terhadap phishing berbantuan AI, dan edukasi kesadaran saja tidak dapat menandingi kecepatan dan kecanggihan serangan modern. Dengan menghubungkan hasil deteksi ke pelatihan personal, kerangka ini berupaya menciptakan lingkaran umpan balik di mana pengguna belajar dari ancaman spesifik yang melewati atau memicu lapisan deteksi. Hal ini sangat relevan karena penyerang memadukan rekayasa sosial, spoofing URL, dan deepfake ke dalam satu kampanye, sehingga konten pelatihan statis cepat menjadi usang.

Pelatih keamanan berbasis LLM adalah komponen adaptif: ia memilih modul pelatihan secara dinamis alih-alih menyampaikan kurikulum tetap. Personalisasi ini dimaksudkan untuk meningkatkan keterlibatan dan retensi dengan menyasar paparan aktual pengguna. Namun, abstrak tidak menjelaskan bagaimana hasil deteksi dipetakan ke modul pelatihan, bagaimana LLM diprompt atau dievaluasi, atau bagaimana ketahanan pengguna diukur. Kerangka ini juga tidak merinci teknik analisis multi-level yang digunakan EmailKnight, maupun membahas positif palsu, penghindaran adversarial, atau pertimbangan privasi. Ini adalah pertanyaan terbuka untuk pekerjaan selanjutnya. Kandidat taksonomi untuk pekerjaan ini meliputi Arsitektur, Keamanan Siber, Jaringan, dan Kriptografi, yang mencerminkan posisinya di persimpangan desain sistem dan edukasi keamanan.

Siapa yang sebaiknya membaca

Praktisi dan peneliti ilmu komputer

Membuka konten member…