Social-HUMINT提出LLM框架量化社交媒体暴露与社交工程风险

该论文提出 Social-HUMINT 框架，将社交媒体情报（SOCMINT）与网络人力情报（Cyber-HUMINT）统一为包含 38 种能力的分类体系，旨在量化用户在 API 时代面临的被动画像与主动社交工程攻击风险。研究通过多智能体管道验证了核心路径的可行性，证明 LLM 能从非结构化内容中提取结构化信息并推断未披露属性，从而揭示真实暴露程度。 实证数据显示，该框架在提取任务上达到 F1 = 97.3%，推断属性评分为 4.73/5，显著优于传统规则或 NER 基线且成本极低。关键发现在于其间接评估易感性的能力：系统预测目标对个性化互动选项的排名与实际选择高度一致，这种排序能力捕捉了定制化攻击所依赖的个人化特征。领域专家验证显示该分类体系的信度极高（Fleiss' κ = 0.92）。 事实层面，该框架已作为工具运行于真实参与者公开数据之上；推断层面，这意味着防御者可在对手行动前自我评估暴露水平，而攻击面因 LLM 的低成本自动化而扩大；猜测层面，若此类工具被广泛开源，可能加速攻防双方的技术迭代，但具体落地效果需观察实际部署中的误报率与隐私合规影响。