HKHiago Kin Levi
← חזרה למאמרים

Paper Files / Phishing

כותרת: גילוי אדפטיבי ומולטימודלי של פישינג המבוסס על למידה עמוקה ועל מידול פורמלי של איומים עם הבטחות כמותיות של חוסן

PhishingHE

כותרת: גילוי אדפטיבי ומולטימודלי של פישינג המבוסס על למידה עמוקה ועל מידול פורמלי של איומים עם הבטחות כמותיות של חוסן תקציר: הפישינג נותר כאחד הווקטורים המרכזיים לפגיעה בנוף הסייבר הגלובלי בשנת 2025, תוך שילוב של הנדסה חברתית, תשתית ארעית וטכניקות התחמקות מתקדמות המבוססות על בינה מלאכותית. בעבודה זו אנו מציעים ארכיטקטורה מולטימודלית לגילוי אדפטיבי של פישינג, המבוססת על מידול פורמלי של סיכון אדברסרי עם אילוץ מפורש של עלות תפעולית עבור התוקף. אנו מנסחים פורמלית את הבעיה כמשחק אסטרטגי בין יריב המוגבל בתקציב ε לבין מסווג f, ומגדירים את הסיכון האדברסרי R(f,𝒜_ε) וכן תנאים כמותיים לחוסן ε-אדברסרי. אנו מראים כי מיזוג קמור של מודליות — לקסיקלית, מבנית (DOM), סמנטית המבוססת על Transformers, וויזואלית-פרספטואלית — שומר על מרווחי הפרדה תחת הנחות של עצמאות חלקית של הפרעות, ובכך מעלה את העלות הכלכלית של ההתחמקות. הארכיטקטורה מאומנת באמצעות אופטימיזציית min–max עם יריב פנימי פרמטרי המבוסס על טרנספורמציות ריאליסטיות, כולל הומוגרפים של IDN, מוטציות תחביריות והסוואה דינמית. אנו מעריכים את המערכת על מערך של 1.2 מיליון URLs שמקורם במאגרי מידע ציבוריים מגובשים, עם רווחי סמך שהתקבלו באמצעות bootstrap סטרטיפי. התוצאות מצביעות על AUC של 0.997 ועל F1 של 0.986, תוך שמירה על השהיה ממוצעת הנמוכה מ-35 ms לאחר כימות INT8. תחת התקפות ממוקדות, שיעור הגילוי נשאר מעל 94%, ובכך עולה על מודלים unimodal. אנו דנים בהשלכות הכלכליות של חוסן מולטימודלי, באינטגרציה עם בקרות מודרניות כגון TLS fingerprinting וטלמטריה באמצעות eBPF, ובהתאמה להנחיות של ממשל בינה מלאכותית וזהות דיגיטלית. אנו מסיקים כי השילוב בין יסודות פורמליים להנדסה מעשית מאפשר להשיג הבטחות מדידות לחוסן מבלי לפגוע בדרישות התפעוליות הארגוניות.

  1. מבוא

פישינג מהווה אחת מהאיומים המתמשכים והנזקים הכלכליים ביותר במערכת האקולוגית הדיגיטלית העכשווית. דוח Data Breach Investigations Report מצביע על כך שחלק מהותי מהפריצות כולל הנדסה חברתית וגניבת אישורים (VERIZON, 2024). במסגרת MITRE ATT&CK, מסעות פישינג מנוסחים בעיקר באמצעות הטכניקה T1566 (Phishing), ולעיתים קרובות מקושרים עם T1021 (Remote Services) לצורך תנועה רוחבית והתמדה (MITRE, 2024).

מבחינה פורמלית, אנו מדגמנים פישינג כמשחק אסטרטגי בין יריב $\mathcal{A}$ לבין מסווג $f$. יהי $\mathcal{X}$ מרחב של תוצרי רשת (URLs, דפי HTML מרונדרים, הודעות דואר מובנות, אובייקטים מולטימדיאליים) ו-$\mathcal{Y}={0,1}$, כאשר $1$ מציין פישינג. היריב בונה $x\in\mathcal{X}$ במטרה להוביל קורבן לחשוף סוד $s\in\mathcal{S}$, בדרך כלל אישורים המתואמים להנחיות הזהות הדיגיטלית של NIST SP 800-63-4 (NIST, 2023).

המורכבות נובעת מהסתגלות יריבתית, הכוללת דומיינים הומוגרפיים IDN, ‏fast-flux DNS, ניצול לרעה של שירותים לגיטימיים, יצירת תוכן אוטומטית באמצעות מודלים גנרטיביים והסתרה דינמית של JavaScript. אסטרטגיות אלו מרחיבות את מרחב הטרנספורמציות המותרות, ומחייבות מידול פורמלי מפורש של עלות ועמידות.

שאלות המחקר הן:

RQ1: כיצד למודל באופן פורמלי את העמידות של גלאים תחת יריב אדפטיבי בעל תקציב מוגבל?

RQ2: באיזו מידה איחוי מולטימודלי מצמצם את משטח ההתחמקות הפורמלי?

RQ3: האם ניתן להשיג ערבויות כמותיות תוך שמירה על השהיה נמוכה מ-50 ms בסביבה ארגונית?

התרומות שלנו כוללות הגדרה פורמלית של סיכון יריבתי עם עלות מפורשת, הצעה של ארכיטקטורה מולטימודלית קמורה עם אימון min–max והערכה סטטיסטית חזקה.

  1. רקע ועבודות קשורות

יהי $\mathcal{D}$ התפלגות לא ידועה על $\mathcal{X}\times\mathcal{Y}$. הסיכון הצפוי הוא

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

כאשר $\ell$ היא פונקציית אובדן לוגרתמי.

גישות קלאסיות כוללות רשימות שחורות (GOOGLE, 2024), טכניקות לקסיקליות (GARERA et al., 2007), למידה מקוונת (MA et al., 2009) ובדיקה מבנית (CANALI et al., 2011). שיטות המבוססות על דמיון חזותי הוצגו על ידי Fu et al. (2006). מודלים עמוקים כגון URLNet (ZHANG et al., 2018) וייצוגי Transformer (DEVLIN et al., 2019; BROWN et al., 2020) הרחיבו את הביצועים החיזויים.

בהקשר היריבתי, Goodfellow, Shlens ו-Szegedy (2015) ו-Papernot et al. (2017) הדגימו פגיעויות מבניות של רשתות עצביות. עבודות מאוחרות יותר ניסחו אימון עמיד כבעיה מסוג min–max. בשנת 2025, שילוב אבטחת מודלי שפה וגילוי שימוש לרעה ב-LLM הפך לחלק אינטגרלי מאסטרטגיות הגנתיות (OWASP, 2024; NIST, 2024).

  1. מודל האיום וערבויות פורמליות

אנו מגדירים $\mathcal{T}_\epsilon={T:\mathcal{X}\rightarrow\mathcal{X}\mid c(T)\le\epsilon}$, כאשר $c$ מייצג עלות תפעולית ניתנת למדידה. הסיכון היריבתי הוא

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

הגדרה: $f$ הוא $\epsilon$-עמיד אם

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

טענה 1. אם לכל מודליות $i$ יש שוליים $\gamma_i$ תחת הפרעות בלתי־תלויות המוגבלות על ידי $\epsilon_i$, אזי האיחוי הקמור עם משקלים $w_i$ מקיים

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

הוכחה. מן הקמירות של $\ell$ ומלינאריות הצירוף, מתקבל $\ell(\sum_i w_i f_i(x))\le\sum_i w_i \ell(f_i(x))$. השוליים המצטברים חסומים מלמטה על ידי הצירוף המשוקלל של השוליים האישיים, ומכאן התוצאה.

  1. המתודולוגיה המוצעת

חילצנו ארבעה ייצוגים $\phi_{EL},\phi_{AE},\phi_{ES},\phi_{SV}$. הווקטור המאוגד הוא

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

האימון העמיד פותר

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

אנו משלבים fingerprinting של TLS (JA3/JA4), מאפייני תעודות X.509 וטלמטריה התנהגותית שנאספה באמצעות eBPF בסביבת Linux, תוך שמירה על בידוד ועל עקרון המינימום ההכרחי של הרשאות.

המורכבות הדומיננטית: embedding של Transformer ‏$O(nd)$, כאשר $n$ הוא אורך הרצף ו-$d$ הוא הממד הווקטורי.

  1. מימוש

מימשנו ב-Python 3.11 עם PyTorch 2.2 והאצה באמצעות CUDA 12. הרינדור מתבצע בקונטיינרים של Docker עם מדיניות seccomp מגבילה. דוגמה מפושטת:

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

כימות דינמי INT8 הפחית את ההשהיה הממוצעת מ-47 ms ל-31,8 ms. תפוקה: 2.400 URLs/s בשרת dual Xeon Gold 6338 עם GPU NVIDIA A100 80GB.

  1. הערכה ניסויית

מערך נתונים: 1.200.000 URLs (PHISHTANK, 2024; OPENPHISH, 2024; GOOGLE, 2024). חלוקה 70/15/15. רווחי סמך של 95% באמצעות bootstrap.

מדד ערך רווח סמך 95%
דיוק 98,74% ±0,31
ציון F1 0,986 ±0,004
AUC 0,997 ±0,001
FPR 1,98% ±0,22

תחת מתקפת IDN homograph, העמידות הייתה 94,3%, ועברה את CNN הלקסיקלי (82,1%). בדיקות סטטיסטיות ($p<0,01$) אישרו מובהקות.

  1. דיון

האיחוי המולטימודלי מטיל עלות קומבינטורית על היריב. אם כל מודליות דורשת עלות מינימלית $\epsilon_i$, העלות המצטברת מתקרבת ל-$\sum_i \epsilon_i$, ובכך מעלה את המחסום הכלכלי.

שילוב עם פלטפורמות CNAPP וניטור מתמשך מאפשר תגובה מתוזמרת. שיקולי ממשל בינה מלאכותית פועלים לפי הנחיות NIST AI RMF (NIST, 2024) ו-OWASP Top 10 for LLM Applications (OWASP, 2024).

המגבלות כוללות תלות ברינדור מלא והטיה אפשרית במדגם. מתקפות zero-day עם תוכן מותאם אישית מאוד באמצעות LLMs נותרות אתגר פתוח.

  1. מסקנה ועבודת עתיד

הראינו כי האינטגרציה בין מידול יריבתי פורמלי ולמידה עמוקה מולטימודלית מניבה שיפורים מדידים בעמידות תוך שמירה על השהיה תפעולית מתאימה.

עבודות עתידיות כוללות קריפטוגרפיה פוסט-קוונטית להגנת טלמטריה (NIST, 2024b), למידה פדרטיבית עם פרטיות דיפרנציאלית ואימות פורמלי של תכונות עמידות באמצעות SMT.

References

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

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

DEVLIN, J. et al. BERT: pre-training of deep bidirectional transformers. In: NAACL, 2019. Available at: https://aclanthology.org/N19-1423/

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

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

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

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

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

MITRE. ATT&CK Framework. 2024. Available at: https://attack.mitre.org

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

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

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

OPENPHISH. Phishing Intelligence Feed. 2024. Available at: https://openphish.com

OWASP. Phishing Prevention Cheat Sheet. 2023. Available at: https://cheatsheetseries.owasp.org

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

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

PHISHTANK. PhishTank Dataset. 2024. Available at: https://phishtank.org

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

ZHANG, Y. et al. URLNet: learning a URL representation. In: ACM CCS, 2018. Available at: https://dl.acm.org/doi/10.1145/3243734.3243985