这一新型工具并非试图基于主题行或URL来检测社会工程攻击，而是通过对文本进行语义分析以确定恶意意图。
社会工程是一个非常普遍却鲜有解决方案的威胁类型。现在，两位研究人员正试图通过一种新型工具来降低攻击者的成功率，该工具旨在利用自然语言处理（NLP）来检测问题和命令，并确定它们是否为恶意的。
这两位研究人员分别是，来自加州大学欧文分校的教授Ian Harris，以及Lootcore公司首席顾问Marcel Carlsson。他们在经过多年的共同研究和讨论后，决定付诸行动打击社会工程攻击。
他们认为，社会工程攻击成功率如此之高的原因在于，它一直是任何信息安全冲突中最薄弱的环节。人类具备善良的天性，面对寻求帮助的人他们通常愿意提供帮助。当然，恶意行为者可以利用或操纵这种善意来让你提供信息，进而实施恶意行为。
目前可以说，除了电子邮件网络钓鱼检测之外，在阻止社会工程攻击的迅速崛起和成功方面几乎没有取得任何进展。对于防御者而言，防御这种类型的攻击变得越来越难；另一方面，攻击者却越来越善于学习目标，发送看似合法的电子邮件，并能够整合外部技术以使其网络钓鱼活动变得更为强大。
许多公司认为，新技术就是解决这一切的答案，并开始盲目地追求如何防止攻击，而不是如何检测和响应攻击行为。目前，许多关于社会工程检测的研究都是依赖于“将与电子邮件相关的元数据分析作为攻击向量”，包括标题信息和嵌入式链接等。
Carlsson和Harris两位研究人员则决定采用不同的方法，专注于消息中的自然语言文本。他们没有尝试基于主题行或URL来检测社会工程攻击，而是构建了一个工具来对文本进行语义分析以确定其是否为恶意的。
此外，Harris的研究还集中于硬件设计和测试上，他正在使用自然语言处理来设计硬件组件，因为他意识到这种方式对于防御社会工程攻击具有一定的作用。经过一段时间的研究和测试后，Harris发现，理解社会工程攻击最好的方法其实是理解句子，理解文本本身。
通过关注文本本身，这种策略可用于检测以非电子邮件攻击媒介为主的社会工程攻击，包括短信应用程序和聊天..等。借助语音识别工具，它还可用于扫描通过电话或亲自进行的攻击。
运行原理
