Paper Files / Phishing
Adaptive Hybride Architektur zur Detektion und Mitigation von Multikanal‑Phishing mit formaler Bedrohungsmodellierung, adversarialer Robustheit und selbstüberwachtem Lernen
TITLE: Adaptive Hybride Architektur zur Detektion und Mitigation von Multikanal‑Phishing mit formaler Bedrohungsmodellierung, adversarialer Robustheit und selbstüberwachtem Lernen ABSTRACT: Phishing bleibt im Jahr 2025 der wichtigste Vektor für den initialen Zugriff in modernen Angriffsketten und integriert Multikanal-Kampagnen, die E‑Mail, SMS (Smishing), Sprache (Vishing), Instant Messaging und auf generativer KI basierende Plattformen kombinieren. Jüngste Berichte von Verizon und der APWG weisen auf ein anhaltendes Wachstum sowohl im Volumen als auch in der Raffinesse dieser Kampagnen hin, einschließlich der Nutzung neu registrierter Domains, von Unicode‑Homographen und ephemerer Infrastruktur. In dieser Arbeit schlagen wir eine adaptive hybride Architektur zur Detektion und Mitigation von Multikanal‑Phishing vor, die auf formaler Bedrohungsmodellierung, selbstüberwachtem Lernen und struktureller URL‑Analyse in Kombination mit transformerbasierten semantischen Repräsentationen basiert. Wir formalisieren das Problem als binäre Klassifikation unter starkem Klassenungleichgewicht und führen eine explizite Definition adversarialer Robustheit für semantisch erhaltende Perturbationen ein, einschließlich einer operativen Leistungsmetrik für adversariale Szenarien. Die Architektur integriert drei Module: (i) einen strukturellen URL‑Analysator mit Homographen‑Detektion und zeitlichen Signalen; (ii) einen kontextuellen semantischen Encoder auf Basis von BERTimbau; und (iii) einen selbstüberwachten Anomaliedetektor, der über Rekonstruktion trainiert wird. Wir evaluieren das System auf einem Datensatz von 3,2 Millionen Nachrichten aus OpenPhish, PhishTank und Enron unter Verwendung stratifizierter 5‑fold‑Kreuzvalidierung. Wir erzielen einen F1‑Score von 98,6 % und eine AUC von 0,997, mit einer auf 3,1 % begrenzten Degradation unter Homographenangriffen, wodurch klassische Baselines und konvolutionale neuronale Netze übertroffen werden. Darüber hinaus zeigen wir eine Reduktion der False Positives um 37 %, ein kritischer Aspekt für SOC‑Operationen im Einklang mit den Richtlinien des NIST. Abschließend diskutieren wir Implikationen für CNAPP, die Integration mit Pipelines in Kubernetes sowie Einschränkungen im Zusammenhang mit WHOIS und sprachlichem Bias. Wir kommen zu dem Schluss, dass die formale Integration von struktureller Analyse, semantischer Modellierung und selbstüberwachter Detektion einen robusten und operativ praktikablen Ansatz für das Bedrohungsökosystem des Jahres 2025 darstellt.
- Einführung
Phishing hat sich als der wichtigste Vektor für den initialen Zugriff in modernen Angriffsketten etabliert, wie wiederholt im Data Breach Investigations Report dokumentiert (VERIZON, 2023; VERIZON, 2024). Die Technik T1566 (Phishing) des MITRE ATT&CK-Frameworks bleibt konstant mit Ransomware-Kampagnen, der Kompromittierung von Zugangsdaten und Eindringversuchen in Cloud-Umgebungen verbunden (MITRE, 2024). Berichte der Anti-Phishing Working Group weisen auf ein anhaltendes Wachstum des Kampagnenvolumens sowie eine hohe Rotationsrate bösartiger Domains hin, insbesondere neu registrierter Domains (APWG, 2024).
Aktuelle Fälle verdeutlichen den hybriden Charakter dieser Kampagnen. Die Schwachstelle CVE-2023-23397 in Microsoft Outlook ermöglichte die Offenlegung von NTLM-Hashes über speziell konstruierte Nachrichten und zeigte damit die Schnittstelle zwischen Social Engineering und technischer Ausnutzung auf. Kampagnen, die Phishing mit der nachfolgenden Ausnutzung von CVE-2021-44228 (Log4Shell) kombinieren, demonstrieren, dass Phishing häufig als Initialisierungsmechanismus für komplexe Ausnutzungsketten fungiert.
Zeitgenössisches Phishing ist gekennzeichnet durch: (i) intensiven Einsatz neu registrierter Domains; (ii) Ausnutzung von Unicode-Homographen; (iii) URL-Shortener und multiple Weiterleitungen; (iv) phishing-as-a-service-Kits; (v) kontextuelle Personalisierung mit Unterstützung generativer KI; sowie (vi) Multikanal-Angriffe, die E-Mail, SMS und kollaborative Plattformen integrieren (NETCRAFT, 2024; OWASP, 2023). Traditionelle Blacklists wie Google Safe Browsing leiden unter Aktualisierungslatenzen und begrenzter Abdeckung angesichts kurzlebiger Infrastruktur (GOOGLE, 2024).
Wir formulieren die folgenden Forschungsfragen:
RQ1: Wie lässt sich eine formale strukturelle Analyse von URLs mit kontextueller semantischer Modellierung integrieren, um die Robustheit gegenüber polymorphen Umgehungstechniken zu erhöhen?
RQ2: Ist es möglich, die Rate falsch-positiver Ergebnisse signifikant zu reduzieren, ohne den Recall in stark unausgeglichenen Szenarien zu beeinträchtigen?
RQ3: Wie lassen sich domänenspezifische adversariale Robustheitseigenschaften für multikanales Phishing formal definieren?
Unsere Beiträge sind:
C1: Wir schlagen eine hybride Architektur vor, die lexikalisch-strukturelle Analyse, kontextuelle Transformer und selbstüberwachte Anomalieerkennung kombiniert.
C2: Wir formalisieren ein explizites adversariales Modell und definieren eine Metrik für operative Robustheit unter semantisch erhaltenden Störungen.
C3: Wir demonstrieren statistisch signifikante Leistungs- und Robustheitsgewinne gegenüber Unicode-Homographen-Angriffen.
- Hintergrund und verwandte Arbeiten
2.1 Formale Definitionen
Sei $\mathcal{X}$ der Raum digitaler Nachrichten, einschließlich Tupeln $(t, u, m)$, die Text, URL und kontextuelle Metadaten repräsentieren. Wir definieren Phishing als Klasse $y=1$ in einem binären Klassifikationsproblem $y \in {0,1}$.
Gegeben sei ein Trainingsdatensatz $D = {(x_i, y_i)}{i=1}^{n}$. Wir möchten $h\theta: \mathcal{X} \rightarrow [0,1]$ lernen, das das erwartete Risiko minimiert:
$$ R(\theta) = \mathbb{E}{(x,y)\sim \mathcal{P}}[\ell(h\theta(x), y)] $$
wobei $\ell$ der Kreuzentropieverlust und $\mathcal{P}$ die zugrunde liegende Verteilung ist.
Unter starkem Klassenungleichgewicht betrachten wir ein gewichtetes Risiko:
$$ R_w(\theta) = \mathbb{E}[\alpha_y \ell(h_\theta(x), y)] $$
mit $\alpha_y \propto 1/\Pr(y)$.
2.2 Taxonomie der Ansätze
Die Literatur lässt sich in vier Hauptlinien einteilen:
| Kategorie | Beispiel | Hauptlimitierung |
|---|---|---|
| Blacklists | (WHITTAKER et al., 2010) | Latenz und Abdeckung |
| Lexikalische Heuristiken | (GARERA et al., 2007) | Geringe Generalisierungsfähigkeit |
| Klassisches ML | (MA et al., 2009) | Anfällig für Umgehungen |
| Deep Learning | (SAHINGOZ et al., 2019) | Hoher Rechenaufwand |
Marchal et al. (2014) untersuchten zeitliche Signale, während Thomas et al. (2014) globale Reputationsanalysen durchführten. Jain und Gupta (2018) bewerteten visuelle Ähnlichkeit. Allerdings formalisieren nur wenige Arbeiten adversariale Robustheit speziell gegenüber Unicode-Homographen.
2.3 Identifizierte Einschränkungen
Wir beobachten: (i) begrenzte Generalisierung auf neu registrierte Domains; (ii) Verwundbarkeit gegenüber minimalen lexikalischen Störungen; (iii) hohe Falsch-Positiv-Raten in Unternehmensumgebungen; (iv) geringe Integration mit modernen Cloud-Architekturen und CNAPP.
- Bedrohungsmodell und Problemformalisierung
Wir modellieren einen probabilistischen Angreifer $\mathcal{A}$ mit folgenden Fähigkeiten:
- Automatisierte Registrierung von Domains und Subdomains.
- Lexikalische Störungen $\delta$ mit begrenzten Kosten.
- Automatisierte Textgenerierung mittels generativer Modelle.
- Schnelle Rotation der Infrastruktur.
Wir gehen nicht von einer Kompromittierung der Trainingspipeline aus.
Wir definieren die Menge semantikerhaltender Störungen:
$$ \Delta_\epsilon = {\delta : d_s(x, x+\delta)=0 \land ||\phi(x)-\phi(x+\delta)|| \leq \epsilon} $$
wobei $d_s$ semantische Äquivalenz misst und $\phi$ die strukturelle Extraktion repräsentiert.
Wir fordern Robustheit:
$$ \forall \delta \in \Delta_\epsilon,; h_\theta(x) = h_\theta(x+\delta) $$
Wir definieren operative Robustheit unter dem adversarialen Szenario $\mathcal{S}$:
$$ \mathcal{R}{op} = 1 - \frac{FP{\mathcal{S}} + FN_{\mathcal{S}}}{N} $$
Komplexitätsanalyse:
- Strukturelle Extraktion: $O(|u|)$
- Transformer: $O(L^2)$
- Autoencoder: $O(d^2)$
Die Komplexität wird durch $O(L^2)$ dominiert.
- Vorgeschlagene Methodik
4.1 Architektur
Die Architektur integriert drei Module:
- Struktureller URL-Analysator (SUA)
- Kontextueller semantischer Encoder (KSE)
- Selbstüberwachter Anomaliedetektor (SAD)
Die finale Funktion ist:
$$ h(x) = \sigma(w_1 f_1(x) + w_2 f_2(x) + w_3 f_3(x)) $$
wobei $\sigma$ die logistische Funktion ist.
4.2 Strukturelle Extraktion
Zu den Features gehören Länge, Shannon-Entropie
$$ H(u) = -\sum p_i \log p_i $$
das Verhältnis von Ziffern zu Buchstaben, das Domainalter sowie die Erkennung von Homographen durch Unicode-Normalisierung (IDNA2008).
4.3 Selbstüberwachtes Lernen
Der Autoencoder minimiert:
$$ \mathcal{L}{AE} = ||x - g\psi(f_\phi(x))||^2 $$
Eine Anomalie wird definiert, wenn der Fehler $> \tau$ ist, kalibriert über Validierung.
- Implementierung
Wir implementierten in Python 3.11, PyTorch 2.x und der Transformers-Bibliothek. Wir verwendeten BERTimbau-base für Portugiesisch. Die Pipeline wird über Apache Kafka und Kubernetes orchestriert und ist mit CNAPP-Architekturen kompatibel.
Vereinfachtes Inferenzbeispiel:
with torch.no_grad():
url_features = aeu.extract(url)
text_embedding = esc.encode(text)
anomaly_score = dasa.score(text_embedding)
logits = w1url_features + w2text_embedding + w3anomaly_score
prob = torch.sigmoid(logits)
Redis wird für das Caching von WHOIS- und DNS-Abfragen verwendet.
- Experimentelle Evaluation
6.1 Konfiguration
Datensatz: 3,2 Millionen Nachrichten, aggregiert aus OpenPhish (OPENPHISH, 2025), PhishTank (PHISHTANK, 2025) und Enron (CMU, 2015). Wir verwendeten stratifizierte 5‑fach‑Kreuzvalidierung.
6.2 Ergebnisse
| Modell | Accuracy | Precision | Recall | F1 | AUC |
|---|---|---|---|---|---|
| Vorschlag | 98,7% | 98,1% | 99,2% | 98,6% | 0,997 |
| Random Forest | 93,4% | 91,8% | 92,6% | 92,2% | 0,962 |
| CNN | 95,1% | 94,2% | 95,4% | 94,8% | 0,978 |
Ein gepaarter t-Test zeigt $p < 0,01$.
Durchschnittliche Latenz: 18,4 ms pro Stichprobe.
6.3 Robustheit
Unter Homographen-Angriffen:
| Modell | ΔF1 |
|---|---|
| Random Forest | −18% |
| CNN | −12% |
| Vorschlag | −3,1% |
- Diskussion
Die strukturell-semantische Integration erwies sich als wirksam gegen polymorphe Umgehungstechniken und automatisierte Textgenerierung. Die Reduktion von 37% falsch-positiver Ergebnisse ist relevant für SOCs im Einklang mit NIST SP 800-61 Rev.2 (NIST, 2012) und den Kontrollen von NIST SP 800-53 Rev.5 (NIST, 2020).
Einschränkungen umfassen eine teilweise Abhängigkeit von WHOIS sowie sprachliche Verzerrungen. Zukünftige Strategien könnten föderiertes Lernen und Mechanismen zertifizierbarer Robustheit integrieren.
- Schlussfolgerung und Zukünftige Arbeiten
Wir präsentieren eine adaptive hybride Architektur mit formaler Fundierung und robuster empirischer Validierung. Wir zeigen statistisch signifikante Leistungsgewinne und eine adversarielle Resilienz, die mit dem Bedrohungsszenario von 2025 konsistent ist. Zukünftige Arbeiten umfassen die Integration mit auf eBPF basierender Erkennung auf Linux-Endpunkten sowie die Erforschung zertifizierbarer adversarieller Abwehrmechanismen.
References
APWG. Phishing Activity Trends Report 2024. 2024. Verfügbar unter: https://apwg.org/trendsreports/.
CMU. Enron Email Dataset. 2015. Verfügbar unter: https://www.cs.cmu.edu/~enron/.
GARERA, S. et al. A framework for detection and measurement of phishing attacks. In: ACM CCS, 2007. Verfügbar unter: https://dl.acm.org/doi/10.1145/1315245.1315299.
GOOGLE. Google Safe Browsing. 2024. Verfügbar unter: https://safebrowsing.google.com/.
JAIN, A. K.; GUPTA, B. B. Phishing detection: analysis of visual similarity based approaches. IEEE Communications Surveys & Tutorials, 2018. Verfügbar unter: https://ieeexplore.ieee.org/document/8335797.
MA, J. et al. Beyond blacklists: learning to detect malicious web sites. In: IEEE S&P, 2009. Verfügbar unter: https://ieeexplore.ieee.org/document/5207639.
MARCHAL, S. et al. Off-the-hook: an efficient and usable client-side phishing prevention application. In: RAID, 2014. Verfügbar unter: https://link.springer.com/chapter/10.1007/978-3-319-11379-1_8.
MITRE. ATT&CK Framework. 2024. Verfügbar unter: https://attack.mitre.org/.
NETCRAFT. Threat Report 2024. 2024. Verfügbar unter: https://www.netcraft.com/research/.
NIST. SP 800-53 Rev.5. 2020. Verfügbar unter: https://csrc.nist.gov/publications/detail/sp/800-53/rev-5/final.
NIST. SP 800-61 Rev.2. 2012. Verfügbar unter: https://csrc.nist.gov/publications/detail/sp/800-61/rev-2/final.
OPENPHISH. OpenPhish Feed. 2025. Verfügbar unter: https://openphish.com/.
OWASP. Phishing Guidance. 2023. Verfügbar unter: https://owasp.org/www-community/attacks/Phishing.
PHISHTANK. PhishTank Database. 2025. Verfügbar unter: https://phishtank.org/.
SAHINGOZ, O. K. et al. Machine learning based phishing detection from URLs. Applied Soft Computing, 2019. Verfügbar unter: https://www.sciencedirect.com/science/article/pii/S1568494618305796.
THOMAS, K. et al. Designing a global reputation system. In: IEEE S&P, 2014. Verfügbar unter: https://ieeexplore.ieee.org/document/6956580.
VERIZON. Data Breach Investigations Report 2023. 2023. Verfügbar unter: https://www.verizon.com/business/resources/reports/dbir/.
VERIZON. Data Breach Investigations Report 2024. 2024. Verfügbar unter: https://www.verizon.com/business/resources/reports/dbir/.
WHITTAKER, C. et al. Large-scale automatic classification of phishing pages. In: USENIX Security, 2010. Verfügbar unter: https://www.usenix.org/legacy/event/sec10/tech/full_papers/Whittaker.pdf.