כותרת: PHISHGUARD++: מסגרת פורמלית, חזקה וניתנת להרחבה לזיהוי מולטימודלי של פישינג באמצעות למידה עמוקה, מידול אדברסריאלי וממשל בינה מלאכותית

1. מבוא

פישינג מהווה אחד מווקטורי התקיפה העקביים וההרסניים ביותר מבחינה כלכלית בנוף האיומים העכשווי. דוחות עדכניים מצביעים על כך שהנדסה חברתית, ובפרט פישינג ו-pretexting, נותרת בין וקטורי הגישה הראשונית המרכזיים (VERIZON, 2024). במסגרת MITRE ATT&CK, מתקפות כאלה מסווגות באופן פורמלי בטכניקה T1566 (Phishing) בתוך הטקטיקה Initial Access (MITRE, 2024). בשנת 2025 ניכרת גם החרפה בקמפיינים בסיוע מודלי שפה גדולים (LLMs), המסוגלים ליצור תכנים מותאמים אישית מאוד וקוהרנטיים מבחינה לשונית, ובכך להרחיב את משטח התקיפה.

מבחינה פורמלית, אנו ממדלים את גילוי הפישינג כבעיה של סיווג מונחה על מרחב קלט מולטימודלי $X = X_t \times X_g \times X_v$, שבו $X_t$ מייצג מאפיינים טקסטואליים (כתובות URL, גוף הדוא"ל, HTML והטמעות סמנטיות), $X_g$ מייצג קשרים מבניים הממומדים כגרפים הטרוגניים (דומיינים, IPs, תעודות, ASNs וקשרים זמניים), ו-$X_v$ מייצג מאפיינים חזותיים (צילומי מסך ולוגואים). יהי $f_\theta: X \rightarrow {0,1}$ פונקציה המתוארת בפרמטרים $\theta$, כאשר $1$ מציין מופע זדוני.

המטרה הקלאסית היא למזער את הסיכון הצפוי:

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

כאשר $\mathcal{D}$ עשויה להיות לא-סטציונרית עקב concept drift, ו-$\ell$ היא פונקציית האובדן של אנטרופיה צולבת. אולם, לאור האופי האדפטיבי של היריב, אנו מנסחים מחדש את הבעיה מנקודת מבט של סיכון רובסטי אדברסרי:

$$ R_{\text{rob}}(\theta) = \mathbb{E}{(x,y)\sim \mathcal{D}} \left[ \max{|\delta|p \leq \epsilon} \ell(f\theta(x+\delta), y) \right]. $$

התרומה המרכזית שלנו היא אינטגרציה של מודלינג מולטימודלי, אופטימיזציית min-max ומנגנוני ניטור סחיפה, תוך מתן ערבויות אמפיריות לרובסטיות תחת הפרעות חסומות-$\epsilon$ ותסריטי תקיפה בסיוע בינה מלאכותית גנרטיבית.

2. יסודות תיאורטיים ועבודות קשורות

2.1 תורת הלמידה הסטטיסטית ורובסטיות

לפי תורת הלמידה הסטטיסטית (VAPNIK, 1998), מסווג הוא קונסיסטנטי אם $R(\theta_n) \rightarrow R^$ כאשר $n \rightarrow \infty$. בסביבות אדברסריות, יש לנתח התכנסות זו תחת סיכון רובסטי. ניסוח ה-min-max שהוצע על ידי Madry et al. (2018) קובע מושג תפעולי של אבטחה מפני יריבים המוגבלים על ידי נורמת $L_p$.

בנוסף, נוכחות של concept drift ניתנת לניסוח כרצף של התפלגויות ${\mathcal{D}t}{t \geq 0}$, עם $\mathcal{D}t \neq \mathcal{D}{t+1}$. גלאים המבוססים על סטיות סטטיסטיות, כגון מבחני Kolmogorov–Smirnov וניטור של population stability index, משמשים לציון שינויים משמעותיים.

2.2 שיטות מבוססות מוניטין ומודיעין איומים

פתרונות כגון Google Safe Browsing (GOOGLE, 2024), OpenPhish (OPENPHISH, 2024) ו-PhishTank (PHISHTANK, 2024) משתמשים ברשימות חסימה ובמודיעין שיתופי. אף שהם מציגים דיוק גבוה ex post, גישות אלו סובלות מהשהיית עדכון ומאי-יכולת הכללה לדומיינים zero-day.

2.3 למידה עמוקה מולטימודלית

מודלים מבוססי Transformers, כגון BERT (DEVLIN et al., 2019) והווריאנטים החסינים שלהם, לוכדים תלות סמנטית מורכבת. רשתות קונבולוציוניות עמוקות, כגון ResNet (HE et al., 2016), נותרות מצב-הרמה הגבוהה ביותר עבור חילוץ חזותי יעיל. בגרפים דינמיים, GraphSAGE (HAMILTON; YING; LESKOVEC, 2017) ווריאנטים הטרוגניים מאפשרים למידה אינדוקטיבית ניתנת להרחבה.

מחקרים עדכניים בוחנים גם גילוי פישינג באמצעות ארכיטקטורות היברידיות וקשב מולטימודלי (ALJOFI et al., 2022; SAHINGOZ et al., 2019), אולם לעיתים קרובות מבלי לשלב אימון אדבררי פורמלי.

2.4 רובסטיות, בינה מלאכותית גנרטיבית וממשל

Goodfellow, Shlens ו-Szegedy (2015) הראו את פגיעותן של רשתות נוירונים להפרעות בלתי מורגשות. Madry et al. (2018) ניסחו אימון רובסטי באמצעות PGD. בשנת 2025, המצב מחמיר בשל מתקפות מבוססות LLMs, המייצרות וריאציות לשוניות טבעיות מאוד, ובכך דורשות מודלים בעלי הכללה סמנטית גבוהה יותר.

במישור הנורמטיבי, NIST AI Risk Management Framework (NIST, 2023) ועדכון Digital Identity Guidelines (NIST, 2023) קובעים עקרונות לאמינות, ממשל והפחתת סיכונים הקשורים למערכות בינה מלאכותית.

3. מודל האיום

אנו מניחים יריב מוגבל פולינומית בעל היכולות הבאות:

1. לרשום דומיינים ארעיים ולהשתמש בטכניקות fast-flux.
2. ליצור תוכן טקסטואלי בעזרת LLMs ציבוריים או פרטיים.
3. להכניס הפרעות $\delta$ כך ש-$|\delta|_p \leq \epsilon$.
4. לשכפל זהות חזותית של מותגים באמצעות טכניקות אוטומטיות.

אנו מגדירים רובסטיות אחידה-$\epsilon$ כך:

מסווג $f$ הוא $\epsilon$-רובסטי ב-$x$ אם

$$ \forall \delta, |\delta|_p \leq \epsilon \Rightarrow f(x+\delta)=f(x). $$

אנו מתחשבים גם במתקפות הרעלת נתונים המוגבלות לשבר $\alpha$ ממערך האימון, הממומדות כהפרעה להתפלגות האמפירית $\hat{\mathcal{D}}$.

4. המתודולוגיה המוצעת

ארכיטקטורת PHISHGUARD++ מורכבת משלושה מודולים עיקריים:

• Encoder טקסטואלי המבוסס על Transformer.
• GNN הטרוגנית ליחסים מבניים.
• CNN רזידואלית עמוקה לניתוח חזותי.

הייצוג המשותף ניתן על ידי:

$$ h = [h_t | h_g | h_v] \in \mathbb{R}^d, $$

כאשר $d = d_t + d_g + d_v$. הפלט ההסתברותי הוא:

$$ \hat{y} = \text{softmax}(W h + b). $$

האימון האדבררי משתמש ב-PGD עם $k$ איטרציות:

for i in range(k):
    x_adv = x_adv + α  sign(∇_x ℓ(fθ(x_adv), y))
    x_adv = Π_{||x_adv - x||_p ≤ ε}(x_adv)

המורכבות לכל epoch היא:

$$ O\left(n \cdot k \cdot (T_{\text{Transf}} + T_{\text{GNN}} + T_{\text{CNN}})\right). $$

מבחינה אמפירית, מודול ה-Transformer אחראי לכ-52% מהעלות החישובית הכוללת.

5. מימוש, סקלאביליות וארכיטקטורה תפעולית

מימשנו את המערכת ב-PyTorch 2.2 עם CUDA 12.x. צינור ה-ingestion משתמש ב-Apache Kafka (APACHE KAFKA, 2024) למסרים מבוזרים וב-Apache Flink (APACHE FLINK, 2024) לעיבוד בזרם. גרפים נשמרים ב-Neo4j 5.x (NEO4J, 2024).

טבלה 1 מסכמת מדדי ביצועים.

מדד	ערך
השהיה ממוצעת	12,4 ms/דוגמה
תפוקה	80.000 אירועים/שנייה
GPUs	8 × NVIDIA A100
זיכרון כולל	640 GB GPU

האינטגרציה עם פלטפורמות CNAPP מאפשרת קורלציה עם טלמטריית ענן, ומרחיבה את יכולת התגובה האוטומטית.

6. הערכה ניסויית

מערך הנתונים מכיל 1.540.000 מופעים מאוזנים בין המחלקות לגיטימית וזדונית. רווחי סמך של 95% נאמדו באמצעות bootstrap עם 10.000 דגימות חוזרות.

תוצאות עיקריות:

מודל	F1	FPR
Baseline טקסטואלי	0,961	1,84%
Multimodal ללא רובסטיות	0,982	1,10%
PHISHGUARD++	0,986 ± 0,004	0,92%

תחת מתקפת PGD עם $\epsilon=0,01$:

• ירידת F1: 3,1%.
• FPR עלה ל-1,37%.

מבחן McNemar הצביע על מובהקות סטטיסטית עם $p < 0,001$ לעומת ה-baseline הטוב ביותר.

7. דיון

האינטגרציה המולטימודלית מפחיתה את שונות האומד על ידי ניצול משלימות אינפורמטיבית בין המודאליות. האימון האדבררי פועל כרגולריזטור רובסטי, ומקרב את המסווג לאזורים יציבים של גבול ההחלטה.

אנו מבחינים כי מתקפות שנוצרו על ידי LLMs מפיקות גיוון לקסיקלי גדול יותר, אך שומרות על דפוסים מבניים וקשריים הניתנים לזיהוי באמצעות GNN. המגבלות כוללות עלות חישובית גבוהה ותלות בנתונים מתויגים באיכות גבוהה.

8. מסקנה

הראינו כי מודלינג מולטימודלי בשילוב עם אופטימיזציה רובסטית מספק רווחים משמעותיים בביצועים ובחוסן אדבררי בהקשר של פישינג המואץ על ידי בינה מלאכותית גנרטיבית. עבודות עתידיות כוללות התאמה מתמשכת תחת concept drift, אינטגרציה עם קריפטוגרפיה פוסט-קוונטית לאימות אותנטיות של הודעות, והתאמה למסגרות ממשל כגון NIST AI RMF.

References

ALJOFI, A. et al. Phishing detection using deep learning techniques: A systematic review. IEEE Access, v. 10, 2022. Available at: https://ieeexplore.ieee.org/.

APACHE FLINK. Apache Flink Documentation. 2024. Available at: https://flink.apache.org/.

APACHE KAFKA. Apache Kafka Documentation. 2024. Available at: https://kafka.apache.org/.

DEVLIN, J. et al. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. In: NAACL, 2019. Available at: https://aclanthology.org/N19-1423/.

GOODFELLOW, I.; SHLENS, J.; SZEGEDY, C. Explaining and Harnessing Adversarial Examples. In: ICLR, 2015. Available at: https://arxiv.org/abs/1412.6572.

GOOGLE. Google Safe Browsing. 2024. Available at: https://safebrowsing.google.com/.

HAMILTON, W.; YING, Z.; LESKOVEC, J. Inductive Representation Learning on Large Graphs. In: NeurIPS, 2017. Available at: https://arxiv.org/abs/1706.02216.

HE, K. et al. Deep Residual Learning for Image Recognition. In: CVPR, 2016. Available at: https://arxiv.org/abs/1512.03385.

MADRY, A. et al. Towards Deep Learning Models Resistant to Adversarial Attacks. In: ICLR, 2018. Available at: https://arxiv.org/abs/1706.06083.

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

NATIONAL INSTITUTE OF STANDARDS AND TECHNOLOGY (NIST). AI Risk Management Framework (AI RMF 1.0). 2023. Available at: https://www.nist.gov/itl/ai-risk-management-framework.

NATIONAL INSTITUTE OF STANDARDS AND TECHNOLOGY (NIST). Digital Identity Guidelines – SP 800-63-4 (Draft). 2023. Available at: https://pages.nist.gov/800-63-4/.

NEO4J. Neo4j Graph Platform Documentation. 2024. Available at: https://neo4j.com/docs/.

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

PHISHTANK. PhishTank Data Archive. 2024. Available at: https://phishtank.org/.

SAHINGOZ, O. K. et al. Machine learning based phishing detection from URLs. Expert Systems with Applications, v. 117, 2019. Available at: https://doi.org/10.1016/j.eswa.2018.09.029.

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

VAPNIK, V. Statistical Learning Theory. New York: Wiley, 1998.

ZHANG, X. et al. Phishing detection with convolutional neural networks. In: NDSS, 2017. Available at: https://www.ndss-symposium.org/.