Social Engineering for Security Attacks

چکیده

مهندسی اجتماعی یک نوع از تهدیدهای پیشرفته و مستمر (APT) است که بهره وری اطلاعات خصوصی و حساس از طریق شبکه های اجتماعی و یا از انواع دیگر ارتباطات است. مهاجمان می توانند با استفاده از مهندسی اجتماعی دسترسی به حساب های شبکه های اجتماعی را بدست آورند و برای یک دوره زمانی طولانی غیر قابل تشخیص باقی بمانند. هدف از این حمله سرقت اطلاعات حساس و گسترش اطلاعات نادرست به جای آسیب مستقیم می باشد. چنین اهدافی می تواند شامل حساب فیس بوک از سازمان های دولتی، شرکت ها، مدارس و یا کاربران با مشخصات مهم باشد. پیشنهاد ما استفاده از IDS، سیستم تشخیص نفوذ، به منظور نبرد با چنین حملاتی می باشد. آنچه مهندسی اجتماعی انجام میدهد تلاش به دسترسی آسان است، به طوری که که حملات می توانند تکرار شود و ادامه داشته باشند. تمرکز این مطالعه به فهمیدن اینکه چگونه این نوع از حملات انجام می پذیرد معطوف است بنابراین می توانند به درستی توسط IDS در تحقیقات آینده شناسایی شوند.

مقدمه

Social Engineering is a kind of advance persistent threat (APT) that gains private and sensitive information through social networks or

other types of communication. The attackers can use social engineering to obtain access into social network accounts and stays there

undetected for a long period of time. The purpose of the attack is to steal sensitive data and spread false information rather than to

cause direct damage. Such targets can include Facebook accounts of government agencies, corporations, schools or high-profile users. We

propose to use IDS, Intrusion Detection System, to battle such attacks. What the social engineering does is try to gain easy access, so

that the attacks can be repeated and ongoing. The focus of this study is to find out how this type of attacks are carried out so that they

can properly detected by IDS in future research.

بدنه تحقیق

مراجع =

1 How difficult is it to carry out an APT attack? (n.d.). Retrieved May 07, 2014, from http://www.cbronline.com/news/cybersecurity/data/how-difficult-it-is-to-carry-out-an-atp-attack-4261415.

2 Spear-phishing statistics from 2014-2015 - InfoSec Resources. (2015, August 19). Retrieved June 08, 2016, from http://resources.infosecinstitute.com/spear-phishing-statistics-from-2014-2015.

3 Micro, T. (2012). Spear-Phishing Email: Most Favored APT Attack Bait. Trend Micro, http://www.trendmicro.com.au/cloud-content/us/pdfs/security-intelligence/white-papers/wp-spear-phishing-email-most-favored-apt-attack-bait.pdf (accessed 1 October 2014).

4 "Hack Like a Pro: How to Spear Phish with the Social Engineering Toolkit (SET) in BackTrack." Web log post. WonderHowTo. N.p., 2104. Web. 8 June 2016. <http://null-byte.wonderhowto.com/how-to/hack-like-pro-spear-phish-with-social-engineering-toolkit-set-backtrack-0148571/>.

5 D. Shallcross , R. Izmailov , L. Ness , A. McIntosh , D. Bassu, Centralized multi-scale singular value decomposition for feature construction in LIDAR image classification problems, Proceedings of the 2012 IEEE Applied Imagery Pattern Recognition Workshop (AIPR 2012), p.1-6, October 09-11, 2012 [doi>10.1109/AIPR.2012.6528195]

6 Y. Rossikova, J, J. Li and P. Morreale, "Intelligent Data Mining for Translator Correctness Prediction", CloudSecurity2016, Columbia unviersity NYC, April 2016.