Research

Bibliografia

8 min. czytania

Bibliografia

Ostatnia aktualizacja: 2026-05-27

Pełna lista referencji. Publikacje z [PDF] posiadają pełne podsumowanie w bazie wiedzy.

A. Detekcja spear phishingu — klasyfikacja i detection

[1] Nahmias, D., Engelberg, G., Klein, D., & Shabtai, A. (2024). [PDF] Prompted Contextual Vectors for Spear-Phishing Detection. arXiv:2402.08309 → publications/with-pdf/nahmias-contextual-vectors-spear-phishing-2024/ Rdzeniowy paper projektu: LLM wyodrębnia Prompted Contextual Vectors (persuasion principles) jako cechy; F1=91% na zbiorze mieszanym; dataset publiczny. Baseline dla SP-1.

[2] Ho, G., Cidon, A., Gavish, L. et al. (2019). Detecting and Characterizing Lateral Phishing at Scale. USENIX Security 2019. arXiv:1910.00790 Pierwsza wielka analiza lateral phishingu (113M emaili, 92 przedsiębiorstwa); classifier z >90% precision; analiza zachowań atakującego. Foundational dla enterprise spear phishing.

[3] Dewan, P., Kashyap, A., & Kumaraguru, P. (2014). Analyzing Social and Stylometric Features to Identify Spear Phishing Emails. arXiv:1406.3692 Profil OSINT (LinkedIn) + cechy stylistyczne na zbiorze Symantec (4742 emaile). Baza dla rozszerzenia o gradient OSINT.

[4] Ghiurutan, C., & Oprisa, C. (2025). Hybrid Spear-Phishing Email Detection with LLM and Machine Learning. IEEE CSNET 2025. DOI: 10.1109/csnet67572.2025.11288187 Hybrydowy detektor LLM+ML jako direct competitor dla proponowanego klasyfikatora.

[5] Li, T., & Cheng, X. (2023). Spear-Phishing Detection Method Based on Few-Shot Learning. DOI: 10.1007/978-981-99-7872-4_20 Few-shot learning — ważne bo przy high-personalization mamy mało labeled data per atakujący.

[6] Bhadane, A., & Mane, S. (2018). Detecting Lateral Spear Phishing Attacks in Organisations. IET Information Security. DOI: 10.1049/iet-ifs.2018.5090 Detekcja lateral phishingu wewnątrz korporacji; sender-behavior modeling.

[7] Luo, E., Young, E., Ho, G. et al. (2024). Characterizing the Networks Sending Enterprise Phishing Emails. arXiv:2412.12403 Infrastruktura sieci wysyłających phishing do przedsiębiorstw; attackers’ operational security.

[8] Basit, A., Zafar, M., Liu, X. et al. (2020). A Comprehensive Survey of AI-Enabled Phishing Attacks Detection Techniques. Telecommunication Systems (Springer). DOI: 10.1007/s11235-020-00733-2 Survey AI dla detekcji phishingu; punkt odniesienia dla related work i pozycjonowania projektu.

[9] Evans, K., Abuadbba, A., Wu, T. et al. (2021). RAIDER: Reinforcement-Aided Spear Phishing Detector. arXiv:2105.07582. DOI: 10.1007/978-3-031-23020-2_2 RL-based feature selection dla per-mailbox sender-profile; radzi sobie z heterogenicznymi bazami emaili.

[10] Gascon, H., Ullrich, S., Stritter, B., & Rieck, K. (2018). Reading Between the Lines: Content-Agnostic Detection of Spear-Phishing Emails. RAID 2018. DOI: 10.1007/978-3-030-00470-5_22 Behavioral sender-profile model bez analizy treści — komplementarne do content-based podejścia; istotne dla scenariusza GDPR gdzie treść emaili jest chroniona.

[11] Gholampour, P. M., & Verma, R. (2023). Adversarial Robustness of Phishing Email Detection Models. ACM IWSPA 2023. DOI: 10.1145/3579987.3586567 [26 cytowań] Systematyczne badanie adversarial ataków na klasyfikatory phishingu; 26 cytowań. Kluczowe dla SP-5.

[12] Jáñez-Martino, F., Aláiz-Rodríguez, R., González-Castro, V. et al. (2022). A Review of Spam Email Detection: Analysis of Spammer Strategies and the Dataset Shift Problem. Artificial Intelligence Review (Springer). DOI: 10.1007/s10462-022-10195-4 [108 cytowań] Concept drift i dataset shift w detekcji phishingu/spamu; 108 cytowań. Kluczowe dla temporal robustness — modele wytrenowane na P1-data degradują z czasem.

B. OSINT — profilowanie i attack surface

[13] Pastor-Galindo, J., Nespoli, P., Gomez-Marmol, F., & Martinez-Perez, G. (2020). The Not Yet Exploited Goldmine of OSINT: Opportunities, Open Challenges and Future Trends. IEEE Access. DOI: 10.1109/access.2020.2965257 [155 cytowań] Najbardziej cytowany survey OSINT dla cybersecurity; lista źródeł, technik i wyzwań. Tło dla crawlera APS.

[14] Nobili, A., & Martina, S. (2023). Review OSINT Tool for Social Engineering. Frontiers in Big Data. DOI: 10.3389/fdata.2023.1169636 Przegląd narzędzi OSINT dla social engineering; lista źródeł i technik rekonesansu.

[15] Xu, H., Singh, V., & Rajivan, P. (2022). Personalized Persuasion: Quantifying Susceptibility to Information Exploitation in Spear-Phishing Attacks. Applied Ergonomics (Elsevier). DOI: 10.1016/j.apergo.2022.103908 Kwantyfikacja podatności na personalizację OSINT; bezpośrednie powiązanie z definicją APS (#SP-2).

[16] Polakis, I., Kontaxis, G., Antonatos, S. et al. (2010). Using Social Networks to Harvest Email Addresses. ACM WPES. DOI: 10.1145/1866919.1866922 Foundational: harvesting emaili i danych z social networks; kontekst automated OSINT.

[17] Walkow, M., & Pöhn, D. (2023). Systematically Searching for Identity-Related Information in the Internet with OSINT Tools. ICISSP 2023. DOI: 10.5220/0011644200003405 Formalna analiza narzędzi OSINT do profilowania tożsamości — metodologiczny kontekst dla budowy crawlera APS i rankingowania źródeł (#SP-3).

C. LLM-generated attacks — generacja i ewaluacja

[18] Bethany, M., Galiopoulos, A. et al. (2025). Lateral Phishing With Large Language Models: A Large Organization Comparative Study. IEEE Access. DOI: 10.1109/access.2025.3555500 Kontrolowany eksperyment (9,000 pracowników): LLM vs. human-written lateral phishing. Silne empiryczne wsparcie dla H1 — personalizacja LLM działa; kluczowy punkt odniesienia dla SP-1.

[19] Hazell, J. (2023). [PDF] Spear Phishing With Large Language Models. arXiv:2305.06972 → publications/with-pdf/hazell-spear-phishing-llm-2023/ Landmark: GPT-4 generuje spersonalizowane emaile dla 600+ UK MPs. Red-team setup dla SP-1; baseline kosztów i jakości LLM-generated spear phishing.

[20] Afane, A., Wei, W., Mao, Z., Farooq, M., & Chen, X. (2024). Next-Generation Phishing: How LLM Agents Empower Cyber Attackers. IEEE BigData 2024. DOI: 10.1109/bigdata62323.2024.10825018 LLM agents jako autonomiczni aktorzy; autonomizacja kampanii phishingowych; future threat modeling.

[21] Eze, C. S., & Shamir, L. (2024). [PDF] Analysis and Prevention of AI-Based Phishing Email Attacks. arXiv:2405.05435 → publications/with-pdf/eze-ai-phishing-prevention-2024/ Profile stylistyczne AI-generated vs. human phishing; 297 cech UDAT; open corpus 865 emaili. Dataset dla red-team ewaluacji i walidacji SP-10.

[22] Kulkarni, H., Balachandran, V., Divakaran, D. M., & Das, D. (2025). From ML to LLM: Evaluating the Robustness of Phishing Web Page Detection Models against Adversarial Attacks. ACM DTRAP. DOI: 10.1145/3737295 Adversarial robustness web phishing detectors vs. LLM-generated content; metodologia przenaszalna na email; istotne dla SP-5.

[23] Hasan, N., BusiReddyGari, P., Zhao, H. et al. (2025). [PDF] Phishing Email Detection Using Large Language Models (LLMPEA). arXiv:2512.10104 → publications/with-pdf/hasan-llm-phishing-detection-2025/ Benchmark GPT-4o, Claude Sonnet, Grok-3; adversarial prompt injection; baseline comparison. Kluczowe dla SP-11.

[24] Brundage, M., Avin, S., Clark, J. et al. (2018). The Malicious Use of Artificial Intelligence: Forecasting, Prevention, and Mitigation. DOI: 10.17863/cam.22520 Foundational framing malicious AI; standardowy point of reference dla threat modeling z LLM.

D. Taksonomia, human factors i susceptibility

[25] Wassermann, G., Meyer, P., Goutal, S., & Riquet, F. (2023). [PDF] Targeted Attacks: Redefining Spear Phishing and Business Email Compromise. arXiv:2309.14166 → publications/with-pdf/wassermann-targeted-attacks-spear-phishing-2023/ Taksonomia targeted attacks; GC1-GC4 cele ataku; SP vs. BEC jako odrębne typy. Foundational dla definicji i SP-8, SP-9.

[26] Butavicius, M., Parsons, K., Pattinson, M., & McCormac, A. (2016). Breaching the Human Firewall: Social Engineering in Phishing and Spear-Phishing Emails. arXiv:1606.00887 Authority, scarcity, social proof wpływają na click-rate; spear-phishing najtrudniejszy. Tło teorii Cialdini dla persuasion-based personalizacji.

[27] Eftimie, S., Moinescu, R., & Racuciu, C. (2022). Spear-Phishing Susceptibility Stemming From Personality Traits. IEEE Access. DOI: 10.1109/access.2022.3161584 Big Five + spear phishing susceptibility; różnice demograficzne i osobowościowe. Powiązane z moderatorami podatności (#SP-4, SP-1 post-hoc).

[28] Meyers, J. (2018). Training Security Professionals in Social Engineering with OSINT and Sieve. BYU Scholars Archive. Praktyczne szkolenie OSINT dla social engineering; metodologiczny kontekst zbierania danych.

E. Infrastruktura i telemetria

[29] Rahman, A. (2026). CSTS: A Canonical Security Telemetry Substrate for AI-Native Cyber Detection. arXiv:2603.23459 Ujednolicony schemat dla heterogenicznej telemetrii bezpieczeństwa; przydatne jeśli projekt rozszerzy się na enterprise deployment.

F. Indeks cytowań i powiązań

IDAutorzyRokCytowaniaPowiązane idee
[1]Nahmias et al.2024n/aSP-1 (PCV baseline), SP-7 (auto-pytania)
[2]Ho et al.2019n/aSP-1 (lateral phishing enterprise baseline)
[3]Dewan et al.2014n/aSP-1 (stylometric + OSINT baseline)
[4]Ghiurutan & Oprisa2025n/aSP-1 (competitor)
[5]Li & Cheng2023n/aSP-1 (few-shot dla high-personalization)
[6]Bhadane & Mane2018n/aSP-1 (lateral phishing detection)
[7]Luo et al.2024n/aSP-9 (infrastruktura ataków)
[8]Basit et al.2020n/arelated work survey
[9]Evans et al.2021n/aSP-1 (per-mailbox profiling)
[10]Gascon et al.2018n/aSP-1 (content-agnostic baseline)
[11]Gholampour & Verma2023~26SP-5 (adversarial robustness)
[12]Jáñez-Martino et al.2022~108SP-1 (concept drift, temporal validity)
[13]Pastor-Galindo et al.2020~155SP-2 (APS crawler background)
[14]Nobili & Martina2023n/aSP-2 (OSINT tools)
[15]Xu et al.2022n/aSP-2 (APS — podatność na personalizację)
[16]Polakis et al.2010n/aSP-2 (social network harvesting)
[17]Walkow & Pöhn2023~3SP-2, SP-3 (OSINT identity profiling)
[18]Bethany et al.2025n/aSP-1 (LLM lateral phishing, kontrolowany eksperyment)
[19]Hazell2023n/aSP-1 (GPT-4 spear phishing, red-team setup)
[20]Afane et al.2024n/aSP-1 (future threat landscape)
[21]Eze & Shamir2024n/aSP-10 (stylometria AI phishing)
[22]Kulkarni et al.2025n/aSP-5 (adversarial robustness)
[23]Hasan et al.2025n/aSP-11 (LLM-based detector, prompt injection)
[24]Brundage et al.2018n/abackground — malicious AI
[25]Wassermann et al.2023n/aSP-8 (GC1-GC4 taxonomy), SP-9 (benchmark)
[26]Butavicius et al.2016n/aSP-1 (persuasion cues)
[27]Eftimie et al.2022n/aSP-4 (Big Five + susceptibility)
[28]Meyers2018n/aSP-2 (OSINT methodology)
[29]Rahman2026n/aSP-9 (telemetria — opcjonalnie)

G. Format cytowań (IEEE)

[1] D. Nahmias, G. Engelberg, D. Klein, and A. Shabtai, "Prompted Contextual Vectors
    for Spear-Phishing Detection," arXiv:2402.08309, 2024.

[2] G. Ho et al., "Detecting and Characterizing Lateral Phishing at Scale,"
    in Proc. USENIX Security, 2019. arXiv:1910.00790

[3] P. Dewan, A. Kashyap, and P. Kumaraguru, "Analyzing Social and Stylometric Features
    to Identify Spear Phishing Emails," arXiv:1406.3692, 2014.

[11] P. M. Gholampour and R. Verma, "Adversarial Robustness of Phishing Email Detection
     Models," in Proc. ACM IWSPA, 2023. DOI: 10.1145/3579987.3586567

[12] F. Jáñez-Martino et al., "A Review of Spam Email Detection: Analysis of Spammer
     Strategies and the Dataset Shift Problem," Artif. Intell. Rev., 2022.
     DOI: 10.1007/s10462-022-10195-4

[15] H. Xu, V. Singh, and P. Rajivan, "Personalized Persuasion: Quantifying Susceptibility
     to Information Exploitation in Spear-Phishing Attacks," Appl. Ergon., 2022.
     DOI: 10.1016/j.apergo.2022.103908

[17] M. Walkow and D. Pöhn, "Systematically Searching for Identity-Related Information
     in the Internet with OSINT Tools," in Proc. ICISSP, 2023.
     DOI: 10.5220/0011644200003405

[18] M. Bethany et al., "Lateral Phishing With Large Language Models: A Large Organization
     Comparative Study," IEEE Access, 2025. DOI: 10.1109/access.2025.3555500

[19] J. Hazell, "Spear Phishing With Large Language Models," arXiv:2305.06972, 2023.

[25] G. Wassermann et al., "Targeted Attacks: Redefining Spear Phishing and Business Email
     Compromise," arXiv:2309.14166, 2023.

Graf