AI-baserad phishingdetektion: en teknisk studie baserad på text och metadataanalys i e-postkommunikation

Sammanfattning

Phishing utgör ett av de mest förekommande cyberhoten mot organisationer. Phishingattack- erna blir alltmer sofistikerade i takt med att angripare börjar använda artificiell intelligens för att automatisera och förbättra sina metoder. Däremot visar sig de traditionella regelbaserade detektionssystem ha begränsad förmåga att hantera nya och tidigare okända attacker, vilket har drivit fram ett intresse för AI-baserade detektionsmetoder. Syftet med detta examensarbete är att undersöka och utvärdera AI-baserade metoder för phishingdetektion i e-postkommunikation genom analys av både textinnehåll och metadata. Tre maskininlärningsmodeller jämförs: Logistic Regression, Support Vector Machine (SVM) och Random Forest. Experimenten genomförs i två konfigurationer, en baserad enbart på textdata och en baserad på en kombination av textdata och metadata, med hjälp av det publika datasetet Nazario_5.csv. Resultaten visar att samtliga modeller uppnår mycket hög klassificeringsprestanda på tränings- datasetet, med accuracy, F1-score och AUC-värden över 0,99. SVM uppvisar högst prestanda med en recall på 1,0, vilket innebär att samtliga phishingmeddelanden identifieras korrekt. Vid generalisering till ett syntetiskt dataset försämras prestandan markant för samtliga modeller, vilket tyder på att modellerna delvis lärt sig datasetspecifika mönster snarare än generella phishingindikatorer. Studien identifierar dataset-bias, användning av äldre publika dataset och modellernas statiska karaktär som centrala begränsningar för praktisk tillämpning i företagsmiljöer. Sammantaget visar studien att AI-baserade metoder utgör ett lovande komplement till regelbaserade system, men att deras praktiska värde är starkt beroende av tillgången till aktuella och representativa träningsdata samt kontinuerlig omträning.