Vers des systèmes intelligents de détection d'attaques d'ingénierie sociale par chat

Abstract

Les attaques par ingénierie sociale via les plateformes de chat (CSE) (CSE – Chat-based Social Engineering attacks), constituent une menace cyber croissante, exploitant subtile- ment les facteurs psychologiques humaines plutôt que des vulnérabilités techniques, cette thèse propose une approche pour la détection proactive de ces attaques en combinant l'analyse sémantique profonde et l'apprentissage automatique, notre architecture hybride intègre deux niveaux : un module BERT fine-tuné pour capturer les nuances contextuelles des conversations malveillantes, un algorithmes de machine learning optimisés (XGBoost) pour la classification robuste. Les expérimentations sur un corpus réel démontrent des performances significatives avec un F1_score de 85% (88% de rappel), surpassant les modèles unimodaux, cette recherche contribue à la cybersécurité proactive en offrant une solution adaptable aux évolutions des tactiques d'ingénierie sociale, particulièrement dans les environnements professionnels où les faux positifs doivent être minimisés (précision de 82%). Les résultats suggèrent des applications prometteuses pour la protection des messageries chats et ouvrent de nouvelles pistes pour l'analyse comportementale des cybermenaces. Mots Clée : Attaque (CSE), Ingénierie sociale, Cybersécurité cognitive, BERT, Appren- tissage automatique hybride, Détection proactive, Analyse sémantique, Chat sécurisé.