基于 AI 与 NLP 检测商业电子邮件诈骗BECAnthropic-Cybersecurity-Skills 实战指南【免费下载链接】Anthropic-Cybersecurity-Skills817 structured cybersecurity skills for AI agents · Mapped to 6 frameworks: MITRE ATTCK, NIST CSF 2.0, MITRE ATLAS, D3FEND, NIST AI RMF MITRE F3 (Fight Fraud) · agentskills.io standard · Works with Claude Code, GitHub Copilot, Codex CLI, Cursor, Gemini CLI 20 platforms · 29 security domains · Apache 2.0项目地址: https://gitcode.com/GitHub_Trending/an/Anthropic-Cybersecurity-Skills商业电子邮件诈骗Business Email CompromiseBEC是当前最具破坏力的社交工程攻击之一它不携带恶意链接或附件纯粹依赖对写作风格、行为模式与上下文异常的模仿传统基于规则的安全网关SEG几乎无法拦截。本指南以 Anthropic-Cybersecurity-Skills 仓库中的 detecting-business-email-compromise-with-ai 技能为核心完整讲解如何部署 AI 邮件安全平台、建立用户行为基线、训练 NLP 模型并配置检测策略同时结合仓库内可直接运行的 process.py 与 agent.py 源码从特征工程、冒名检测、行为评分到置信度分级带你落地一套可复现的 AI 驱动的 BEC 检测体系。一、为什么传统规则引擎抓不住 BECBEC 攻击的核心是零恶意指标邮件里没有钓鱼链接、没有恶意附件、没有可疑域名攻击者只靠伪造发件人身份 施加社会工程压力来诱导受害者转账或泄露敏感信息。因此基于签名、URL 信誉、附件沙箱的规则式过滤器天然失效。AI 方案从三个维度弥补这一空白写作风格分析利用 NLP 对词汇、句法、语气、情感进行分析判断邮件是否真的出自声明的发件人行为分析学习谁和谁通信、何时通信、频率与话题等基线标记偏离基线行为的异常上下文分析识别紧急汇款、隐秘要求、高管指令等典型的诈骗语境。从仓库源码看这种多维信号会被显式建模。process.py 定义了四组正则特征模式URGENCY_PATTERNSurgent、immediately、asap、deadline 等、SECRECY_PATTERNSconfidential、do not share、keep between us 等、FINANCIAL_PATTERNSwire transfer、invoice、payment、bank details 等、AUTHORITY_PATTERNSI need you to、Im in a meeting、approved by me 等。每一类模式都带有权重命中即累计得分这正是纯社会工程邮件可以被量化评估的底层基础。二、适用场景与前置条件何时使用本技能调查需要识别 BEC 攻击的安全事件为 BEC 域构建检测规则或威胁狩猎查询SOC 分析人员需要结构化的分析流程验证针对相关攻击技术的安全监控覆盖度。前置条件类别要求AI 邮件安全平台Abnormal Security、TessianProofpoint、Microsoft Defender for O365 等 API 化产品历史邮件数据至少 30 天的历史邮件用于基线训练邮件平台集成Microsoft 365 或 Google Workspace API 权限关联系统SIEM 用于告警关联与调查领域知识理解 BEC 攻击类型参考 FBI IC3 分类三、五步落地方案从平台部署到响应闭环Step 1部署 AI 邮件安全平台选择 API 化解决方案Abnormal Security、Tessian、Ironscales或在现有 SEG 基础上增强通过Microsoft Graph API或Google Workspace API接入邮件流预留48 小时基线学习期让模型消化历史邮件数据配置扫描范围覆盖入站、出站与内部邮件三条通道核验消息读取与处置remediation所需的最小 API 权限。底层原理在 api-reference.md 中给出了 Microsoft Graph 的探测示例——通过mailFolders/inbox/messageRules查询收件箱规则并使用$filteractions/forwardTo ne null过滤出转发规则可联动检测 BEC 攻击链中的邮箱转发规则持久化对应 MITRE ATTCK T1114.003。Step 2配置行为基线AI 需要先认识正常才能判断异常学习正常通信模式谁给谁发信、频率、语气为每个用户建立写作风格画像词汇量、句式结构按角色映射典型请求类型财务处理付款、HR 接触 PII基线化邮件元数据典型发送时段、设备、地理位置将偏离基线的行为标记为异常。仓库中的 process.py 提供了train_baseline(emails)函数从历史邮件日志中为每个发件人构建三条基线recipients该发件人历史上联系过的收件人集合typical_hours典型发送小时typical_topics典型话题通过主题中的关键词自动归类为 financial / scheduling。基线会序列化为 JSON 文件供后续检测阶段复用。对应的命令行入口为python process.py train-baseline --email-log emails.json --output baselines.jsonStep 3训练 NLP 模型做 BEC 检测部署基于 Transformer 的模型BERT、GPT分析邮件正文检测紧迫感与操控性语言模式识别发件人身份与写作风格之间的不匹配分析情感偏移识别社会工程施压信号对邮件意图分类信息请求、付款请求、凭证请求。开源可复现的实现路径来自 api-reference.md使用 scikit-learn 构建 TF-IDF 随机森林的分类流水线from sklearn.pipeline import Pipeline from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.ensemble import RandomForestClassifier pipeline Pipeline([ (tfidf, TfidfVectorizer(max_features5000, ngram_range(1, 2))), (clf, RandomForestClassifier(n_estimators100, random_state42)) ]) pipeline.fit(X_train, y_train) predictions pipeline.predict(X_test)而在仓库的轻量实现中agent.py 展示了更透明的特征工程方法可直接对照学习特征定义BEC 信号方向urgency_score紧急词占全文词数比例越高越可疑pressure_score保密/施压词占比越高越可疑financial_score金融术语占比越高越可疑authority_score高管头衔提及占比越高越可疑caps_ratio大写字符占比越高代表语气越激进unique_word_ratio词汇多样性越低越像模板化内容Step 4配置检测策略按攻击类型配置差异化策略VIP 冒充将新邮件与已知高管通信模式比对供应商冒充检测来自仿冒供应商域的付款变更请求账户沦陷检测员工邮件行为的突变供应链 BEC监控对可信合作伙伴的冒充按置信度阈值配置处置动作自动阻断 / 警示横幅 / 分析师审查。阈值分级参考来自 template.md得分区间分类处置动作90%–100%高置信 BEC自动隔离 SOC 告警70%–89%中度 BEC警示横幅 分析师队列50%–69%低置信 BEC仅警示横幅 50%疑似正常正常投递Step 5集成响应工作流对高置信 BEC 自动隔离auto-quarantine对中置信检测添加警示横幅将可疑邮件路由到 SOC 分析师队列审查与 SOAR 集成触发自动化响应剧本将 BEC 判定结果回馈到训练数据持续优化模型。workflows.md 还给出了完整的模型反馈闭环用户报告误报、分析师确认真阳性、用户报告漏报三类反馈分别驱动发件人信任分更新、带修正标签的模型重训、置信阈值调整与行为基线刷新。四、源码级原理完整检测流水线拆解process.py 中的detect_bec_ai()是本技能最完整的端到端实现一条邮件从输入到处置动作依次经过四个阶段1. NLP 意图打分权重 35%compute_nlp_score()对主题 正文全文做正则加权匹配将总分除以 25 归一化到 0–1并按分数逻辑给出意图分类financial 3→payment_request付款请求authority 3 且 urgency 2→directive指令secrecy 2→sensitive_request敏感请求。2. 冒名打分权重 40%compute_impostor_score()检查两类关键信号显示名冒充发件人显示名与 VIP 名单匹配但实际域名与 VIP 的合法域不同0.5 分这正是供应商仿冒域和CEO 冒充的机器可判形式Reply-to 域不匹配reply_to域与发件域不一致0.3 分。3. 行为打分权重 25%compute_behavioral_score()将当前邮件与基线对比首次与某收件人通信0.3非常规发送时段0.2从不聊财务的发件人突然发起金融请求0.3。4. 综合评分与处置weights {nlp: 0.35, impostor: 0.40, behavioral: 0.25} result.overall_score (result.nlp_score * 0.35 result.impostor_score * 0.40 result.behavioral_score * 0.25)最终按overall_score分级≥0.7 → 自动隔离 SOC 告警≥0.5 → 警示横幅 分析师队列≥0.3 → 仅警示横幅否则正常投递。冒名信号权重最高体现了 BEC 检测身份真实性优先于内容可疑性的设计哲学。运行检测命令python process.py detect --email-json email.json --baseline-file baselines.json --vip-file vips.json --json若没有历史基线也可直接用 agent.py 做单封邮件快速分析它还会额外输出写作风格偏差stylometry与冒充信号移动签名、劝阻核实、出差借口、时间压力等明细python agent.py --file email_body.txt python agent.py --file email_body.txt --baseline-file sender_style.json其中写作风格一致性算法见 agent.py计算平均句长与句长标准差style_consistency 1 - min(std_dev / 20, 1)并在 api-reference.md 中给出了等价的笔迹学stylometry计算代码。五、常用平台与工具平台定位Abnormal Security基于 API 的 AI 邮件安全主打行为分析Microsoft Defender for O365内置 AI 反 BEC 能力Impostor ClassifierTessianProofpointAI 驱动的邮件安全人类层保护IronscalesAI 人机协同human-in-the-loopBEC 检测Darktrace Email自学习 AI 邮件威胁检测六、验证清单如何确认方案有效AI 能检出无任何恶意指标纯社会工程的测试 BEC 邮件写作风格分析能识别对已知高管的冒充行为基线能标记来自沦陷账户的异常付款请求NLP 能正确分类测试场景中的紧迫感操控基线训练后误报率低于 0.05%检出率比传统规则过滤器提升 25% 以上。模板中的模型性能指标见 template.md检测准确率目标 98%平均检测时间 5 秒BEC 捕获率相对规则基线 25%。七、框架映射攻击技术与防御能力对齐该技能在 SKILL.md 的 front-matter 中完整声明了多框架映射便于纳入企业检测覆盖矩阵MITRE ATTCKT1566.002鱼叉式网络钓鱼邮件、T1534内部鱼叉式钓鱼、T1114.002邮箱转发规则、T1657、T1078.004MITRE F3Fight FraudPhishingT1660、Email SpoofingT1672、Impersonate OfficialF1032、Account Manipulation: Change of Payment DetailsF1005.006、Delete Relevant EmailsF1022、Wire TransferF1025.003覆盖 initial-access / stealth / positioning / monetization 四个战术MITRE ATLASAML.T0073、AML.T0052、AML.T0088NIST CSF 2.0DE.CM-09持续监控、DE.AE-02异常事件分析、PR.AT-01人员培训、RS.CO-02沟通NIST AI RMFGOVERN-6.1/6.2、MAP-5.2、MEASURE-2.5/2.7对应 AI 模型治理与度量要求。八、快速启动建议在测试租户中接入 Microsoft 365 / Google Workspace开启 30–48 天数据积累窗口用process.py train-baseline从历史邮件日志生成行为基线 JSON用detect子命令对历史 BEC 样本与正常邮件做回放测试统计误报/漏报将 VIP 名单、供应商域名单结构化提升冒名打分精度将判定结果接入 SIEM/SOAR构建反馈闭环持续调优阈值。仓库中还提供了可直接复用的运行与验证资源详见 scripts/agent.py、scripts/process.py、references/api-reference.md、references/workflows.md 与 assets/template.md可作为自建 BEC 检测体系的最小可运行起点。【免费下载链接】Anthropic-Cybersecurity-Skills817 structured cybersecurity skills for AI agents · Mapped to 6 frameworks: MITRE ATTCK, NIST CSF 2.0, MITRE ATLAS, D3FEND, NIST AI RMF MITRE F3 (Fight Fraud) · agentskills.io standard · Works with Claude Code, GitHub Copilot, Codex CLI, Cursor, Gemini CLI 20 platforms · 29 security domains · Apache 2.0项目地址: https://gitcode.com/GitHub_Trending/an/Anthropic-Cybersecurity-Skills创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
