Poster: Exploring the Limits of Audio-Based Detection of Turkish Phone Call Scams
The Hong Kong Polytechnic University(香港理工大学);The Education University of Hong Kong(香港教育大学)
针对土耳其语电话诈骗,构建首个多模态数据集(100对音频-文本),评估7个LLM在三种输入条件下的检测性能,发现基于文本的输入优于直接音频处理。
2026-06-24 cs.AI cs.CL
Active Countermeasures for Email Fraud
该研究开发并部署了一个可扩展的自动反诱饵邮件服务器,采用三种模型实现回复策略,通过实验验证了其在吸引诈骗者注意力方面的有效性,并发布了相关平台与数据集以支持未来网络欺诈预防研究。
2023-06-01 cs.CR cs.CY
Joint Detection of Fraud and Concept Drift inOnline Conversations with LLM-Assisted Judgment
HumaConn AI Consulting(HumaConn AI咨询公司)
本文提出两阶段框架,先用集成分类器识别可疑对话,再通过 OCDD 与 LLM 判断概念漂移属于欺诈操纵还是合法话题转换,从而提升实时欺诈检测的准确性和可解释性。
2026-10-30 cs.AI cs.CL cs.LG
Synthetic Trust Attacks: Modeling How Generative AI Manipulates Human Decisions in Social Engineering Fraud
AAAI Pakistan Chapter(AAAI巴基斯坦分会);PureDesigners Ltd.(PureDesigners有限公司);IBM Watson
本文提出合成信任攻击(STA)作为正式威胁类别,引入STAM模型,涵盖从敌手侦察到事后利用的完整攻击链,探讨人类决策层的防御策略。
2026-04-02 cs.AI cs.CR
Tainted Love: A Systematic Review of Online Romance Fraud
浪漫欺诈涉及网络犯罪分子在在线约会平台上设计浪漫关系。这是一种残酷的网络犯罪形式,受害者心碎,往往面临经济崩溃。我们研究了浪漫欺诈的文学景观,通过系统地回顾和综合当代定性和定量证据来促进研究人员和从业人员的理解。系统评价提供了一个概述的领域,建立受害者的影响因素,并探讨对策,以减轻浪漫骗局。我们搜索了10个学术数据库和网站,使用与浪漫欺诈相关的术语。对确定的研究进行了筛选,并提取、综合和对比了高级元数据和调查结果。该方法遵循PRISMA指南:共筛选了232篇论文。对82篇论文进行了合格性评估,44篇论文被纳入最终分析。确定了三个主要贡献:浪漫骗局的概况,减轻浪漫骗局的对策,以及使个人容易成为骗子或受害者的因素。尽管越来越多的语料库的文献,总数的经验或实验检查仍然有限。本文的结论与未来的研究和受害者干预策略的从业人员,执法和行业的途径。
2023-02-28 cs.CR cs.CY cs.HC
Automatically Dismantling Online Dating Fraud
在西方,网络爱情诈骗是一种普遍存在的大众营销欺诈形式,但很少有研究针对这一问题提出技术或数据驱动的应对措施。在这种类型的骗局中,欺诈者制作虚假的个人资料,并手动与受害者互动。由于这种类型的欺诈的特点和约会网站的运作方式,传统的检测方法(例如,那些在垃圾邮件过滤中使用的)是无效的。在本文中,我们提出了对这种形式的欺诈中使用的在线约会配置文件原型的多管齐下的调查结果,包括他们使用的人口统计数据,配置文件描述和图像,揭示了骗子为吸引受害者而部署的策略和受害者本身的特征。此外,为了应对约会欺诈造成的严重经济和心理伤害,我们开发了一个系统来检测在线约会平台上的浪漫骗子。我们的工作提出了第一个自动检测这种欺诈行为的系统。我们的目标是提供一个早期检测系统,以阻止浪漫骗子,因为他们创造了欺诈性的个人资料,或在他们与潜在的受害者接触之前。先前的研究表明,浪漫骗局的受害者在理想化的浪漫信念量表上得分很高。我们结合了一系列结构化、非结构化和深度学习的特征来捕捉这些信念。之前没有任何研究充分分析过这些浪漫的概念是否会引入可以用来构建检测系统的特征。我们的集成机器学习方法对省略配置文件细节具有鲁棒性,并且具有高准确性(97%)。该系统能够为约会网站提供商和个人用户开发自动化工具。
2019-05-30 cs.CR cs.CY cs.SI
Pirates of Charity: Exploring Donation-based Abuses in Social Media Platforms
本研究对X、Instagram等社交媒体平台上的基于捐赠的诈骗行为进行了大规模分析,识别出832名骗子及多种欺诈手段,揭示了平台防护弱点,并建议采取主动措施阻止欺诈活动,为自动检测奠定基础。
2024-12-20 cs.CR
"Hello, is this Anna?": Unpacking the Lifecycle of Pig-Butchering Scams
本研究首次通过访谈26名受害者,定性分析杀猪盘诈骗的生命周期,揭示其情感操纵与财务剥削策略,并提出针对社交媒体和金融平台的干预点及非污名化术语建议。
2025-05-24 cs.CR cs.CY
Beyond the Hype: A Large-Scale Empirical Analysis of On-Chain Transactions in NFT Scams
School of Cyberspace Security, Hainan University(海南大学网络空间安全学院);University of Chinese Academy of Sciences(中国科学院大学)
本文通过图分析方法系统研究 NFT 诈骗的交易特征,揭示其集体行为模式及交互特征,为欺诈检测提供参考。
2025-12-01 cs.CR
Of Degens and Defrauders: Using Open-Source Investigative Tools to Investigate Decentralized Finance Frauds and Money Laundering
本文利用开源工具分析以太坊链上数据与智能合约,揭露 DeFi 拉地毯和拉高出货骗局的交易证据,并追踪其初级洗钱手段及资金流向中心化交易所的过程,证明此类证据可用于法律起诉。
2023-05-26 cs.CR
Anansi: Scalable Characterization of Message-Based Job Scams
Stony Brook University(石溪大学)
Anansi 是首个可扩展的自动化工具,用于大规模分析和特征化基于消息的就业诈骗,揭示了诈骗模式和经济损失。
2026-02-27 cs.CR
Anatomy of a Scam Call: What 10,000 real scam and spam calls reveal about how phone scammers operate
该研究通过分析10211个真实电话数据,揭示诈骗电话遵循办公时间规律,会针对目标年龄调整施压程度但固定索要内容,且仅从开场话术即可早期检测,词袋分类器表现与微调模型相当。
2026-10-27 cs.CL cs.CR cs.CY
"It Warned Me Just at the Right Moment": Exploring LLM-based Real-time Detection of Phone Scams
本文提出基于大语言模型的电话诈骗实时检测框架,通过评估对话中的欺诈意图并及时警告用户,实验分析关键因素以平衡精确率、召回率与及时性。
2025-02-06 cs.CR cs.HC
Helping Customers in Distress: An LLM-powered Agent that Converses, Probes, and Routes
本文提出一个基于LLM的AI分流代理,通过多轮对话和提问提高客户问题分类准确性,提升银行客户服务效率。
2026-09-24 cs.AI cs.HC cs.LG
LLM-Assisted Authentication and Fraud Detection
本文提出基于大语言模型的认证机制和欺诈检测流水线,通过语义判断和文档分段提升认证准确率,减少欺诈误报,验证了大语言模型在安全流程中的应用价值。
2026-04-28 cs.CR
An Empirical Analysis of SMS Scam Detection Systems
短消息服务(SMS)在一代人之前被引入到移动电话用户。他们组成了世界上最古老的大规模网络,拥有数十亿用户,因此吸引了大量的欺诈行为。由于移动网络与互联网的融合,基于短信的诈骗也可能危及互联网服务的安全。在这项研究中,我们提出了一个新的短信诈骗数据集,由153,551个短信组成。我们将公开发布用于研究目的的这个数据集代表了最大的公开可用的SMS诈骗数据集。我们评估和比较了几种已建立的机器学习方法在新数据集上的性能,从浅层机器学习方法到深层神经网络,再到语法和语义特征模型。然后,我们从对抗的角度研究了现有的模型,评估其对不同级别的对抗性操纵的鲁棒性。这一观点巩固了当前的短信垃圾邮件过滤的艺术状态,突出的局限性和机会,以改善现有的方法。
2022-10-19 cs.CR
Less is More: Exploiting Social Trust to Increase the Effectiveness of a Deception Attack
网络攻击,如网络钓鱼、国税局诈骗等,仍然能够成功地愚弄互联网用户。用户是抵御这些攻击的最后一道防线,因为攻击者似乎总能找到绕过安全系统的方法。了解用户对诈骗和欺诈的原因可以帮助安全提供商改善用户的安全卫生习惯。在这项工作中,我们研究了用户的推理和公司代表欺诈的背景下,几个变量的有效性。我们研究的一些变量是:1)使用LinkedIn作为传递网络钓鱼消息的媒介而不是使用电子邮件的效果,2)自然语言生成技术在生成网络钓鱼电子邮件中的有效性,以及3)一些简单的自定义,例如,在电子邮件中添加发件人的联系信息,影响参与者的感知。从受试者内研究获得的结果表明,参与者甚至没有为众所周知的攻击公司代表欺诈做好准备。调查结果包括:大约65%的平均检测率和对成功率如何随外观和对应者(发送者/接收者)信息而变化的洞察。一个重要的发现是,一个较小的一套精心挑选的战略是优于一个大的“混乱”的战略。我们还发现男性和女性如何处理同一公司代表欺诈行为的显着差异。从我们的工作中获得的见解可以帮助防守者制定更好的策略来评估他们的防守,并制定更好的训练策略。
2020-06-24 cs.CR cs.HC cs.SI
(Blind) Users Really Do Heed Aural Telephone Scam Warnings
研究通过冷呼叫实验比较盲人与视力正常用户对语音诈骗警告的反应,证明诈骗内容前的情境警告能有效降低受骗风险,并提出无障碍实现与隐私建议。
2024-12-05 cs.CR
Operational Evidence Gaps for LLMs in Fraud Detection and Trust-and-Safety Workflows
研究LLMs用于欺诈检测等信任与安全工作流程时的操作证据差距。通过对相关操作源编码调查发现证据失衡,欺诈任务部分大但缺乏关键证据。贡献了FORTE框架和部署证据清单,确定支持LLMs部署所需研究。
2026-07-16 cs.AI cs.CR cs.LG
Advanced Real-Time Fraud Detection Using RAG-Based LLMs
University of Waterloo(滑铁卢大学);Thapar Institute of Engineering and Technology(塔帕尔工程技术学院)
本文提出一种基于RAG技术的实时欺诈检测机制,通过实时通话转录策略检查与两步身份验证防范电话诈骗与用户冒充,无需重训模型即可更新策略,在100次合成通话中准确率达97.98%。
2025-01-25 cs.AI cs.CR
A Collective Anomaly Detection Method Over Bitcoin Network
加密货币的受欢迎程度和惊人的吸引力,尤其是比特币,每天吸引无数爱好者。尽管区块链技术可以防止欺诈行为,但它本身无法检测欺诈行为。欺诈行为总是有难以想象的方式,使用异常检测方法来识别异常和欺诈行为已经成为一种必要。本研究的主要目的是提出一种新的方法来检测比特币中的异常,具有更合适的效率。为此,在本研究中,使用了集体异常的诊断,而不是诊断单个地址和钱包的异常,而是检查用户的异常,并且异常在具有多个钱包的用户中更明显。除了使用集体异常检测方法在这项研究中,Trimmed_Kmeans算法被用于聚类和所提出的方法成功地确定了14个用户谁犯了盗窃,欺诈和黑客在9个案例中的26个地址。与以前的作品,其中检测到最多7个地址在5个欺诈案件相比,所提出的方法表现良好。因此,所提出的方法,通过提出一种新的方法,除了减少处理能力提取特征,成功地检测到异常用户,也能够找到更多的交易和地址犯下了骗局。
2021-07-02 cs.CR
Data mining for detecting Bitcoin Ponzi schemes
在2009年推出后不久,比特币就被网络犯罪分子采用,他们依靠其匿名性来实施几乎无法追踪的骗局。比特币上的典型骗局之一是所谓的庞氏骗局。这些都是欺诈性投资,用加入该计划的新用户投资的资金偿还用户,并在不再可能找到新投资时崩溃。尽管庞氏骗局在许多国家都是非法的,但现在比特币上的庞氏骗局正在激增,它们不断吸引新的受害者,这些受害者被掠夺了数百万美元。我们应用数据采掘技术来检测与庞氏骗局相关的比特币地址。我们的出发点是真实世界庞氏骗局特征的数据集,我们通过分析比特币区块链上用于执行骗局的交易来构建。我们使用该数据集来实验各种机器学习算法,并通过标准验证协议和性能指标评估其有效性。我们实验过的最好的分类器可以识别数据集中的大多数庞氏骗局,误报率很低。
2018-03-01 cs.CR
Risks & Benefits of LLMs & GenAI for Platform Integrity, Healthcare Diagnostics, Financial Trust and Compliance, Cybersecurity, Privacy & AI Safety: A Comprehensive Survey, Roadmap & Implementation Blueprint
本文综述LLM/GenAI在平台、金融、医疗和网络安全中的风险与收益,并提出整合合规审计、欺诈检测与多LLM治理的实施蓝图。
2025-07-26 cs.CR cs.CY
Dissecting Ponzi schemes on Ethereum: identification, analysis, and impact
本文研究了以太坊上的庞氏骗局,分析其行为和影响,揭示其在区块链环境中的表现及潜在风险。
2019-08-12 cs.CR