HKHiago Kin Levi
← Volver a Papers

Paper Files / Phishing

Detección Adaptativa y Multimodal de Phishing Basada en Aprendizaje Profundo y Modelado Formal de Amenazas con Garantías Cuantificables de Robustez

PhishingES

TITLE: Detección Adaptativa y Multimodal de Phishing Basada en Aprendizaje Profundo y Modelado Formal de Amenazas con Garantías Cuantificables de Robustez ABSTRACT: El phishing permanece como uno de los principales vectores de compromiso en el escenario global de ciberseguridad en 2025, combinando ingeniería social, infraestructura efímera y técnicas avanzadas de evasión basadas en inteligencia artificial. En este trabajo, proponemos una arquitectura multimodal para la detección adaptativa de phishing fundamentada en el modelado formal del riesgo adversarial con restricción explícita del costo operativo del atacante. Formalizamos el problema como un juego estratégico entre un adversario limitado por presupuesto $\epsilon$ y un clasificador $f$, definiendo el riesgo adversarial $R(f,\mathcal{A}_\epsilon)$ y estableciendo condiciones cuantitativas para la robustez $\epsilon$-adversarial. Demostramos que la fusión convexa de modalidades — léxica, estructural (DOM), semántica basada en Transformers y visual perceptual — preserva márgenes de separación bajo hipótesis de independencia parcial de perturbaciones, elevando el costo económico de evasión. La arquitectura se entrena mediante optimización min–max con un adversario interno parametrizado por transformaciones realistas, incluyendo homógrafos IDN, mutaciones sintácticas y ofuscación dinámica. Evaluamos el sistema en un conjunto de 1,2 millones de URLs provenientes de bases públicas consolidadas, con intervalos de confianza obtenidos mediante bootstrap estratificado. Los resultados indican un AUC de 0,997 y un F1 de 0,986, manteniendo una latencia media inferior a 35 ms tras la cuantización INT8. Bajo ataques dirigidos, la tasa de detección se mantuvo por encima del 94%, superando a los modelos unimodales. Discutimos las implicaciones económicas de la robustez multimodal, la integración con controles modernos como TLS fingerprinting y telemetría mediante eBPF, y la alineación con directrices de gobernanza de IA e identidad digital. Concluimos que la combinación de fundamentos formales e ingeniería práctica permite obtener garantías medibles de robustez sin comprometer los requisitos operativos corporativos.

  1. Introducción

El phishing constituye una de las amenazas más persistentes y económicamente dañinas en el ecosistema digital contemporáneo. El informe Data Breach Investigations Report indica que una porción sustancial de las violaciones involucra ingeniería social y robo de credenciales (VERIZON, 2024). En el framework MITRE ATT&CK, las campañas de phishing se formalizan principalmente mediante la técnica T1566 (Phishing), frecuentemente encadenadas con T1021 (Remote Services) para movimiento lateral y persistencia (MITRE, 2024).

Desde el punto de vista formal, modelamos el phishing como un juego estratégico entre un adversario $\mathcal{A}$ y un clasificador $f$. Sea $\mathcal{X}$ el espacio de artefactos web (URLs, páginas HTML renderizadas, correos electrónicos estructurados, objetos multimedia) y $\mathcal{Y}={0,1}$, donde $1$ denota phishing. El adversario construye $x\in\mathcal{X}$ con el objetivo de inducir a una víctima a revelar un secreto $s\in\mathcal{S}$, típicamente credenciales alineadas con las directrices de identidad digital del NIST SP 800-63-4 (NIST, 2023).

La complejidad surge de la adaptabilidad adversarial, que incluye dominios homográficos IDN, fast-flux DNS, abuso de servicios legítimos, generación automatizada de contenido por modelos generativos y ofuscación dinámica en JavaScript. Tales estrategias amplían el espacio de transformaciones admisibles, exigiendo un modelado formal explícito de costo y robustez.

Las preguntas de investigación son:

RQ1: ¿Cómo modelar formalmente la robustez de detectores bajo un adversario adaptativo con presupuesto limitado?

RQ2: ¿De qué manera la fusión multimodal reduce la superficie formal de evasión?

RQ3: ¿Es posible obtener garantías cuantitativas manteniendo una latencia inferior a 50 ms en un entorno corporativo?

Nuestras contribuciones incluyen la definición formal de riesgo adversarial con costo explícito, la proposición de una arquitectura multimodal convexa con entrenamiento min–max y una evaluación estadísticamente robusta.

  1. Antecedentes y Trabajos Relacionados

Sea $\mathcal{D}$ una distribución desconocida sobre $\mathcal{X}\times\mathcal{Y}$. El riesgo esperado es

$$ \mathcal{R}(f)=\mathbb{E}_{(x,y)\sim\mathcal{D}}[\ell(f(x),y)], $$

donde $\ell$ es la pérdida logarítmica.

Los enfoques clásicos incluyen listas negras (GOOGLE, 2024), técnicas léxicas (GARERA et al., 2007), aprendizaje en línea (MA et al., 2009) e inspección estructural (CANALI et al., 2011). Métodos basados en similitud visual fueron introducidos por Fu et al. (2006). Modelos profundos como URLNet (ZHANG et al., 2018) y representaciones Transformer (DEVLIN et al., 2019; BROWN et al., 2020) ampliaron el rendimiento predictivo.

En el contexto adversarial, Goodfellow, Shlens y Szegedy (2015) y Papernot et al. (2017) demostraron vulnerabilidades estructurales de redes neuronales. Trabajos posteriores formalizaron el entrenamiento robusto como un problema min–max. En 2025, la incorporación de seguridad de modelos de lenguaje y detección de abuso de LLM se convirtió en parte integral de las estrategias defensivas (OWASP, 2024; NIST, 2024).

  1. Modelo de Amenaza y Garantías Formales

Definimos $\mathcal{T}_\epsilon={T:\mathcal{X}\rightarrow\mathcal{X}\mid c(T)\le\epsilon}$, donde $c$ representa un costo operacional medible. El riesgo adversarial es

$$ R(f,\mathcal{A}\epsilon)=\mathbb{E}{(x,y)\sim\mathcal{D}}\left[\max_{T\in\mathcal{T}_\epsilon}\ell(f(T(x)),y)\right]. $$

Definición: $f$ es $\epsilon$-robusto si

$$ R(f,\mathcal{A}_\epsilon)-\mathcal{R}(f)\le\delta. $$

Proposición 1. Si cada modalidad $i$ posee margen $\gamma_i$ bajo perturbaciones independientes limitadas por $\epsilon_i$, entonces la fusión convexa con pesos $w_i$ satisface

$$ \gamma \ge \sum_i w_i \gamma_i. $$

Prueba. Por la convexidad de $\ell$ y la linealidad de la combinación, tenemos $\ell(\sum_i w_i f_i(x))\le\sum_i w_i \ell(f_i(x))$. El margen agregado está acotado inferiormente por la combinación ponderada de los márgenes individuales, concluyendo el resultado.

  1. Metodología Propuesta

Extraemos cuatro representaciones $\phi_{EL},\phi_{AE},\phi_{ES},\phi_{SV}$. El vector agregado es

$$ \phi(x)=\sum_{i=1}^{4} w_i \phi_i(x), \quad \sum_i w_i=1,; w_i\ge0. $$

El entrenamiento robusto resuelve

$$ \min_f \mathbb{E}{(x,y)}\left[\max{T\in\mathcal{T}_\epsilon}\ell(f(T(x)),y)\right]. $$

Integramos fingerprinting TLS (JA3/JA4), atributos de certificados X.509 y telemetría comportamental recopilada mediante eBPF en entornos Linux, respetando el aislamiento y el principio de mínimo privilegio.

Complejidad dominante: embedding Transformer $O(nd)$, donde $n$ es la longitud de la secuencia y $d$ la dimensión vectorial.

  1. Implementación

Implementamos en Python 3.11 con PyTorch 2.2 y aceleración CUDA 12. La renderización ocurre en contenedores Docker con políticas seccomp restrictivas. Ejemplo simplificado:

with torch.no_grad():
    logits = model(batch_inputs)
    probs = torch.softmax(logits, dim=1)

La cuantización dinámica INT8 redujo la latencia media de 47 ms a 31,8 ms. Rendimiento: 2.400 URLs/s en un servidor dual Xeon Gold 6338 con GPU NVIDIA A100 80GB.

  1. Evaluación Experimental

Dataset: 1.200.000 URLs (PHISHTANK, 2024; OPENPHISH, 2024; GOOGLE, 2024). División 70/15/15. Intervalos de confianza del 95% mediante bootstrap.

Métrica Valor IC 95%
Exactitud 98,74% ±0,31
F1-score 0,986 ±0,004
AUC 0,997 ±0,001
FPR 1,98% ±0,22

Bajo ataque de homografía IDN, robustez de 94,3%, superando a CNN léxica (82,1%). Pruebas estadísticas ($p<0,01$) confirmaron la significancia.

  1. Discusión

La fusión multimodal impone un costo combinatorio al adversario. Si cada modalidad requiere un costo mínimo $\epsilon_i$, el costo agregado se aproxima a $\sum_i \epsilon_i$, elevando la barrera económica.

La integración con plataformas CNAPP y el monitoreo continuo permite una respuesta orquestada. Las consideraciones de gobernanza de IA siguen las directrices del NIST AI RMF (NIST, 2024) y OWASP Top 10 for LLM Applications (OWASP, 2024).

Las limitaciones incluyen la dependencia de renderización completa y un posible sesgo muestral. Los ataques zero-day con contenido altamente personalizado por LLMs siguen siendo un desafío abierto.

  1. Conclusión y Trabajo Futuro

Demostramos que la integración entre modelado formal adversarial y aprendizaje profundo multimodal produce ganancias medibles de robustez manteniendo una latencia operativa adecuada.

Los trabajos futuros incluyen criptografía poscuántica para la protección de telemetría (NIST, 2024b), aprendizaje federado con privacidad diferencial y verificación formal de propiedades de robustez mediante SMT.

Referencias

BROWN, T. et al. Language models are few-shot learners. NeurIPS, 2020. Disponible en: https://arxiv.org/abs/2005.14165

CANALI, D. et al. Prophiler: a fast filter for the large-scale detection of malicious web pages. En: WWW, 2011. Disponible en: https://dl.acm.org/doi/10.1145/1963405.1963484

DEVLIN, J. et al. BERT: pre-training of deep bidirectional transformers. En: NAACL, 2019. Disponible en: https://aclanthology.org/N19-1423/

FU, A. Y. et al. Detecting phishing web pages with visual similarity assessment. En: NDSS, 2006. Disponible en: https://www.ndss-symposium.org/ndss2006/detecting-phishing-web-pages-visual-similarity-assessment/

GARERA, S. et al. A framework for detection of phishing attacks. En: WORM, 2007. Disponible en: https://dl.acm.org/doi/10.1145/1314389.1314391

GOOGLE. Google Safe Browsing API. 2024. Disponible en: https://developers.google.com/safe-browsing

GOODFELLOW, I.; SHLENS, J.; SZEGEDY, C. Explaining and harnessing adversarial examples. ICLR, 2015. Disponible en: https://arxiv.org/abs/1412.6572

MA, J. et al. Beyond blacklists: learning to detect malicious web sites. En: ACM CCS, 2009. Disponible en: https://dl.acm.org/doi/10.1145/1653662.1653724

MITRE. ATT&CK Framework. 2024. Disponible en: https://attack.mitre.org

NIST. Digital Identity Guidelines SP 800-63-4. 2023. Disponible en: https://pages.nist.gov/800-63-4/

NIST. AI Risk Management Framework 1.0. 2024. Disponible en: https://www.nist.gov/itl/ai-risk-management-framework

NIST. Post-Quantum Cryptography Standardization. 2024b. Disponible en: https://csrc.nist.gov/projects/post-quantum-cryptography

OPENPHISH. Phishing Intelligence Feed. 2024. Disponible en: https://openphish.com

OWASP. Phishing Prevention Cheat Sheet. 2023. Disponible en: https://cheatsheetseries.owasp.org

OWASP. Top 10 for Large Language Model Applications. 2024. Disponible en: https://owasp.org/www-project-top-10-for-large-language-model-applications/

PAPERNOT, N. et al. Practical black-box attacks against machine learning. En: ASIA CCS, 2017. Disponible en: https://dl.acm.org/doi/10.1145/3052973.3053009

PHISHTANK. PhishTank Dataset. 2024. Disponible en: https://phishtank.org

VERIZON. Data Breach Investigations Report. 2024. Disponible en: https://www.verizon.com/business/resources/reports/dbir/

ZHANG, Y. et al. URLNet: learning a URL representation. En: ACM CCS, 2018. Disponible en: https://dl.acm.org/doi/10.1145/3243734.3243985