HKHiago Kin Levi
← חזרה למאמרים

Paper Files / Phishing

כותרת: זיהוי אדפטיבי ומולטימודלי של פישינג המבוסס על למידה עמוקה ומידול פורמלי של איומים עם ערבויות כמותיות לrobustness

PhishingHE

כותרת: זיהוי אדפטיבי ומולטימודלי של פישינג המבוסס על למידה עמוקה ומידול פורמלי של איומים עם ערבויות כמותיות לrobustness תקציר: פישינג נותר כאחד מווקטורי הפגיעה המרכזיים בנוף הסייבר העולמי בשנת 2025, תוך שילוב של הנדסה חברתית, תשתית ארעית וטכניקות התחמקות מתקדמות מבוססות בינה מלאכותית. בעבודה זו אנו מציעים ארכיטקטורה מולטימודלית לזיהוי אדפטיבי של פישינג, המבוססת על מידול פורמלי של סיכון אדברסרי עם מגבלה מפורשת על עלות התפעול של התוקף. אנו מנסחים את הבעיה כמשחק אסטרטגי בין יריב המוגבל בתקציב ε לבין מסווג f, ומגדירים את הסיכון האדברסרי R(f,𝒜_ε) תוך קביעת תנאים כמותיים לrobustness אדברסרי ב־ε. אנו מראים כי איחוי קמור של מודליות — לקסיקלית, מבנית (DOM), סמנטית המבוססת על Transformers, וחזותית תפיסתית — שומר על מרווחי הפרדה תחת הנחות של אי־תלות חלקית של הפרעות, ובכך מעלה את העלות הכלכלית של ההתחמקות. הארכיטקטורה מאומנת באמצעות אופטימיזציית min–max עם יריב פנימי פרמטרי המבוסס על טרנספורמציות מציאותיות, כולל הומוגרפים של IDN, מוטציות תחביריות והסוואה דינמית. אנו מעריכים את המערכת על מאגר של 1.2 מיליון URLs שמקורם במסדי נתונים ציבוריים מגובשים, עם רווחי סמך שהתקבלו באמצעות bootstrap מרובד. התוצאות מצביעות על AUC של 0.997 ו־F1 של 0.986, תוך שמירה על חביון ממוצע הנמוך מ־35 ms לאחר כימות INT8. תחת התקפות ממוקדות, שיעור הזיהוי נותר מעל 94%, ובכך עולה על מודלים חד־מודליים. אנו דנים בהשלכות הכלכליות של robustness מולטימודלי, באינטגרציה עם בקרות מודרניות כגון TLS fingerprinting וטלמטריה באמצעות eBPF, ובהתאמה להנחיות ממשל בינה מלאכותית וזהות דיגיטלית. אנו מסיקים כי השילוב בין יסודות פורמליים והנדסה מעשית מאפשר להשיג ערבויות מדידות לrobustness מבלי לפגוע בדרישות התפעוליות הארגוניות.

  1. מבוא

פישינג מהווה אחת האיומים המתמשכים והפוגעניים ביותר מבחינה כלכלית באקוסיסטם הדיגיטלי בן־זמננו. דוח Data Breach Investigations Report מצביע על כך שחלק ניכר מן ההפרות מערב הנדסה חברתית וגניבת אישורים (VERIZON, 2024). במסגרת MITRE ATT&CK, קמפיינים של פישינג ממוסגרים בעיקר באמצעות הטכניקה T1566 (Phishing), לעיתים קרובות בצירוף T1021 (Remote Services) לצורך תנועה רוחבית והתמדה (MITRE, 2024).

מנקודת מבט פורמלית, אנו מגדירים פישינג כמשחק אסטרטגי בין יריב $\mathcal{A}$ לבין מסווג $f$. יהי $\mathcal{X}$ מרחב ארטיפקטים ווביים (URLs, דפי HTML מרונדרים, הודעות דוא"ל מובנות, אובייקטים מולטימדיאליים) ו-$\mathcal{Y}={0,1}$, כאשר $1$ מציין פישינג. היריב בונה $x\in\mathcal{X}$ במטרה לגרום לקורבן לחשוף סוד $s\in\mathcal{S}$, בדרך כלל אישורים המותאמים להנחיות הזהות הדיגיטלית של NIST SP 800-63-4 (NIST, 2023).

המורכבות נובעת מן ההסתגלות היריבותית, הכוללת דומיינים הומוגרפיים IDN, DNS מסוג fast-flux, שימוש לרעה בשירותים לגיטימיים, יצירה אוטומטית של תוכן באמצעות מודלים גנרטיביים והסוואה דינמית של JavaScript. אסטרטגיות אלו מרחיבות את מרחב התמורות המותרות, ומחייבות מידול פורמלי מפורש של עלות ועמידות.

שאלות המחקר הן:

RQ1: כיצד למודל באופן פורמלי את עמידותם של גלאים מול יריב אדפטיבי בעל תקציב מוגבל?

RQ2: באיזו מידה היתוך מולטימודלי מצמצם את שטח ההתחמקות הפורמלי?

RQ3: האם ניתן להשיג ערבויות כמותיות תוך שמירה על שיהוי נמוך 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 חסינה.

  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 האובדן הלוגריתמית.

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

  1. מודל איום וערבויות פורמליות

אנו מגדירים $\mathcal{T}_\epsilon={T:\mathcal{X}\rightarrow\mathcal{X}\mid c(T)\le\epsilon}$, כאשר $c$ מייצג עלות תפעולית מדידה. 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 היתוך קמור עם משקלים $w_i$ מקיים

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

הוכחה. לפי הקמירות של $\ell$ והליניאריות של השילוב, מתקיים $\ell(\sum_i w_i f_i(x))\le\sum_i w_i \ell(f_i(x))$. השוליים המצטברים חסומים מלמטה על ידי השילוב המשוקלל של השוליים הפרטניים, ומכאן התוצאה.

  1. מתודולוגיה מוצעת

חילצנו ארבע 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 תעודת X.509 וטלמטריה התנהגותית שנאספה באמצעות eBPF בסביבת Linux, תוך שמירה על בידוד ועל עקרון ההרשאה המינימלית.

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 והאצת CUDA 12. הרינדור מתבצע בקונטיינרי Docker עם מדיניות seccomp מחמירות. דוגמה מפושטת:

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

קוונטיזציה דינמית INT8 הפחיתה את השהיה הממוצעת מ-47 ms ל-31.8 ms. קצב העברה: 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
F1-score 0.986 ±0.004
AUC 0.997 ±0.001
FPR 1.98% ±0.22

תחת מתקפת IDN homograph, עמידות של 94.3%, העולה על CNN לקסיקלי (82.1%). בדיקות סטטיסטיות ($p<0.01$) אישרו מובהקות.

  1. דיון

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

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

מגבלות כוללות תלות ברינדור מלא והטיית מדגם פוטנציאלית. התקפות zero-day עם תוכן מותאם מאוד על ידי LLMs נותרות אתגר פתוח.

  1. מסקנה ועבודה עתידית

הדגמנו כי השילוב בין מידול יריבתי פורמלי ולמידה עמוקה מולטימודלית מניב שיפורים מדידים בעמידות תוך שמירה על שיהוי תפעולי הולם.

עבודות עתידיות כוללות הצפנה 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