mcpField
D
detecting-business-email-compromise-with-ai

detecting-business-email-compromise-with-ai

github.com/mukul975セキュリティ35.2k67 回インストール8 週間前に更新
リポジトリ

detecting-business-email-compromise-with-ai について

セキュリティチームや SOC アナリスト向けの BEC 検知スキルです。行動分析、文体分析、NLP によるメール検知と対応の手順を扱います。

主な機能

  1. 01メール行動ベースラインの構築
  2. 02文体とトーンの分析
  3. 03緊急性やなりすましの検知
  4. 04BEC 検知ポリシーの設定
  5. 05隔離やアナリスト確認への振り分け

活用シーン

  1. 01BEC が疑われる事案の調査
  2. 02メール脅威検知ポリシーの作成
  3. 03セキュリティ監視範囲の検証

インストール

コマンドをコピーしてターミナルで実行します。

$npx skills add https://github.com/mukul975/anthropic-cybersecurity-skills --skill detecting-business-email-compromise-with-ai

インストール後、Claude Code で/detecting-business-email-compromise-with-aiを入力して読み込まれたか確認します。

同梱ファイル

SKILL.md と一緒にインストールされる参考資料やスクリプト。

LICENSE
assets/
template.md
references/
api-reference.md
standards.md
workflows.md
scripts/
agent.py
process.py

詳細

AI によるビジネスメール詐欺の検出

概要

AI を活用した BEC 検出では、機械学習、自然言語処理（NLP）、行動分析を用いて、悪意のあるリンクや添付ファイルを含まない巧妙ななりすまし攻撃を特定します。従来のルールベースのフィルターでは、BEC はソーシャルエンジニアリングのみに依存するため、こうした攻撃を見逃します。最新の AI アプローチでは、文体、口調、語彙、文法パターン、行動上のコンテキストを分析し、メールが実際に記載された送信者から送られたものかどうかを判断します。BERT ベースのモデルは BEC 検出で 98.65% の精度を達成し、AI で強化されたプラットフォームはキーワードベースのルールと比べてフィッシングの特定率が 25% 向上しています。

使用する場面

  • AI を活用したビジネスメール詐欺の検出が必要なセキュリティインシデントを調査するとき
  • この分野の検出ルールや脅威ハンティングクエリを作成するとき
  • SOC アナリストがこの種の分析に関する体系的な手順を必要とするとき
  • 関連する攻撃手法に対するセキュリティ監視の網羅性を検証するとき

前提条件

  • AI を活用したメールセキュリティプラットフォーム（Abnormal Security、Tessian、Microsoft Defender）
  • ベースライン学習用の過去のメールデータ（最低 30 日分）
  • メールプラットフォーム（Microsoft 365 または Google Workspace）との統合
  • アラートの相関分析と調査に使用する SIEM
  • BEC 攻撃の種類に関する理解（FBI IC3 の分類）

ワークフロー

ステップ 1：AI メールセキュリティプラットフォームを導入する
  • API ベースのソリューション（Abnormal Security、Tessian、Ironscales）を選択するか、既存の SEG を強化します
  • Microsoft Graph API または Google Workspace API に接続します
  • 過去のメールデータで 48 時間のベースライン学習期間を設けます
  • 受信メール、送信メール、社内メールをスキャンするよう統合を設定します
  • メッセージへのアクセスと修復に必要な API 権限を確認します
ステップ 2：行動ベースラインを設定する
  • AI に通常のコミュニケーションパターン（誰が誰に、どの程度の頻度で、どのような口調でメールを送るか）を学習させます
  • 各ユーザーの文体プロファイル（語彙、文の構成）を作成します
  • 役職ごとの典型的な依頼の種類をマッピングします（財務部門は支払いを処理し、人事部門は PII を扱います）
  • 典型的な送信時刻、デバイス、場所など、メールのメタデータのベースラインを設定します
  • 確立されたベースラインからの逸脱を異常として検出します
ステップ 3：BEC 検出用に NLP モデルをトレーニングする
  • メール本文の分析にトランスフォーマーベースのモデル（BERT、GPT）を導入します
  • 緊急性をあおる表現や、相手を操る言葉のパターンを検出します
  • 送信者の身元と文体の不一致を特定します
  • ソーシャルエンジニアリングによる圧力を示す感情の変化を分析します
  • メールの意図を分類します：情報の要求、支払いの要求、認証情報の要求
ステップ 4：検出ポリシーを設定する
  • VIP のなりすまし：新しいメールを既知の幹部のコミュニケーションパターンと AI で比較します
  • ベンダーのなりすまし：ベンダーに似せたドメインからの支払い先変更の依頼を検出します
  • アカウント侵害：従業員のメール行動の急な変化を検出します
  • サプライチェーン BEC：信頼できるパートナーへのなりすましを監視します
  • 自動ブロック、警告バナー、アナリストによる確認を切り替える信頼度のしきい値を設定します
ステップ 5：対応ワークフローと統合する
  • 信頼度の高い BEC 検出を自動的に隔離します
  • 信頼度が中程度の検出には警告バナーを追加します
  • 疑わしいメールを確認のため SOC アナリストのキューに回します
  • 自動対応プレイブックのために SOAR と統合します
  • モデルを改善するため、BEC の判定結果をトレーニングデータにフィードバックします

ツールとリソース

  • Abnormal Security：行動分析を備えた API ベースの AI メールセキュリティ
  • Microsoft Defender for O365：Impostor Classifier を備えた組み込みの AI 対応 BEC 対策
  • Tessian (Proofpoint)：人間の保護レイヤーを備えた AI を活用したメールセキュリティ
  • Ironscales：AI と人間参加型の BEC 検出
  • Darktrace Email：メールの脅威検出に対応する自己学習型 AI

検証

  • AIが、悪意を示す兆候がない（純粋なソーシャルエンジニアリング）テスト用BECメールを検出する
  • 文章スタイル分析が、既知の経営幹部へのなりすましを特定する
  • 行動ベースラインが、侵害されたアカウントからの異常な支払い要求にフラグを立てる
  • NLPが、テストシナリオにおける緊急性を利用した操作を正しく分類する
  • ベースラインの学習後、誤検知率が0.05%未満である
  • 従来のルールベースのフィルターを25%以上上回る検出率を達成する

コメント

Markdown 対応