Detecção Adaptativa e Multimodal de Phishing com Modelagem Formal de Ameaças e Garantias Quantificáveis de Robustez

1. Introdução

O phishing constitui uma das ameaças mais persistentes e economicamente danosas no ecossistema digital. Embora o termo seja por vezes associado a cenários posteriores, a prática em si já estava consolidada em 2007 por meio de páginas falsas de bancos, provedores de e-mail, serviços de pagamento e portais corporativos, explorando engenharia social, urgência artificial e imitação visual da interface legítima. Diferentemente de ameaças puramente exploratórias, o phishing possui forte componente psicológico e operacional: a eficácia depende menos de vulnerabilidades de software e mais da capacidade do adversário de persuadir o usuário a fornecer credenciais, tokens de sessão ou informações financeiras.

No contexto de 2007, observamos também a maturação de técnicas de evasão que dificultam a detecção por filtros estáticos. Entre elas, destacam-se o uso de domínios homográficos com suporte a Internationalized Domain Names, abreviação e redirecionamento de URLs, hospedagem em provedores legítimos comprometidos, uso de formulários externos e inserção de scripts de ofuscação. Essas práticas tornam insuficiente qualquer abordagem baseada em um único canal de evidência, como apenas texto da URL ou apenas aparência visual da página.

Do ponto de vista formal, modelamos o phishing como um jogo estratégico entre um adversário $\mathcal{A}$ e um classificador $f$. Seja $\mathcal{X}$ o espaço de artefatos Web observáveis — URLs, páginas HTML renderizadas, e-mails estruturados, cabeçalhos HTTP, certificados digitais e elementos visuais — e seja $\mathcal{Y}={0,1}$, com $1$ denotando phishing. O adversário constrói $x\in\mathcal{X}$ com o objetivo de induzir uma vítima a revelar um segredo $s\in\mathcal{S}$, tipicamente credenciais de autenticação, senhas de uso único, números de cartão ou respostas a perguntas de recuperação.

A complexidade do problema decorre da adaptabilidade adversarial. Em 2007, o oponente já podia empregar registro rápido de domínios, encurtadores de URL, formulários hospedados em domínios comprometidos e manipulações de conteúdo para alterar superficialmente o artefato sem modificar seu objetivo malicioso. Em consequência, a superfície de ataque efetiva é melhor descrita por um conjunto de transformações admissíveis, cada qual associada a um custo operacional, econômico ou temporal.

As questões de pesquisa que orientam este trabalho são as seguintes:

• RQ1: Como modelar formalmente a robustez de detectores sob adversário adaptativo com orçamento limitado?
• RQ2: De que forma a fusão multimodal reduz a superfície formal de evasão?
• RQ3: É possível obter garantias quantitativas mantendo latência compatível com ambiente corporativo e com processamento em linha?

Nossas contribuições são quatro. Primeiro, definimos um modelo formal de risco adversarial com custo explícito das transformações. Segundo, propomos uma arquitetura multimodal baseada em fusão convexa de evidências heterogêneas. Terceiro, derivamos condições de robustez em termos de margens agregadas. Quarto, demonstramos experimentalmente que a combinação de atributos lexicais, estruturais, visuais e de infraestrutura melhora sensivelmente a detecção frente a evasões conhecidas em 2007.

2. Fundamentação Teórica e Trabalhos Relacionados

Seja $\mathcal{D}$ uma distribuição desconhecida sobre $\mathcal{X}\times\mathcal{Y}$. O risco esperado de um classificador $f$ é dado por

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

em que $\ell$ representa a perda logarítmica ou outra função convexa apropriada ao problema binário.

Em 2007, as abordagens de detecção de phishing podiam ser agrupadas em quatro famílias principais. A primeira consiste em listas negras e reputação de URLs, mecanismo simples e eficiente, porém limitado frente à geração massiva de domínios e à velocidade de obsolescência das campanhas. A segunda família utiliza sinais lexicais e heurísticas sobre a URL, como comprimento excessivo, presença de caracteres suspeitos, uso de subdomínios abusivos e discrepância entre nome de domínio e conteúdo. A terceira família explora o conteúdo da página, incluindo análise de formulários, campos de submissão, estrutura de links e similaridade com páginas legítimas. A quarta família recorre a indícios visuais e de renderização, comparando layout, logotipos e composição gráfica.

Entre os trabalhos mais relevantes até 2007, destacam-se a detecção por similaridade visual, a análise lexical de URLs e a construção de modelos classificatórios com atributos extraídos de páginas Web. Fu et al. (2006) demonstraram a utilidade de comparação visual de páginas para identificar fraudes com aparência semelhante à de sites legítimos. Garera et al. (2007) propuseram um arcabouço de detecção baseado em atributos da URL e do host. Em paralelo, abordagens de filtragem em larga escala buscavam reduzir o custo de inspeção profunda, aplicando classificadores leves antes de análises mais dispendiosas.

Também é relevante a distinção entre detecção preventiva e resposta reativa. Em ambientes corporativos de 2007, controles de perímetro, filtros de e-mail, proxies Web e sistemas de detecção de intrusão frequentemente operavam de maneira complementar. A detecção de phishing, portanto, não deve ser tratada isoladamente, mas como componente de uma arquitetura de defesa em camadas, integrada a SIEM, inteligência de ameaças e políticas de autenticação.

A seguir, apresentamos uma comparação sintética das principais classes de métodos até 2007.

Classe de método	Fonte principal de evidência	Vantagens	Limitações
Listas negras	Reputação de URL/domínio	Simplicidade e baixa latência	Baixa eficácia contra domínios recém-criados
Heurísticas lexicais	URL e cabeçalhos	Fácil implementação	Vulnerável a ofuscação e encurtadores
Análise estrutural	HTML, formulários, links	Captura sinais de intenção maliciosa	Custo maior e dependência de renderização
Similaridade visual	Screenshot e composição da página	Boa aderência ao mimetismo visual	Sensível a alterações cosméticas
Aprendizado supervisionado	Conjunto amplo de atributos	Melhor generalização	Requer dados rotulados e calibração

Do ponto de vista teórico, a robustez adversarial em classificação pode ser formulada como um problema min–max. Trabalhos posteriores em aprendizado adversarial formalizaram a vulnerabilidade de modelos estatísticos a pequenas perturbações, mas, mesmo em 2007, a intuição de que o desempenho nominal não é suficiente já era pertinente. Em nosso contexto, a robustez não depende apenas de invariância matemática abstrata, mas da capacidade de resistir a transformações realistas, tais como alteração de subdomínios, redirecionamentos, ofuscação de conteúdo e manipulação de aparência.

3. Modelo de Ameaça e Garantias Formais

Definimos o conjunto de transformações admissíveis como

$$ \mathcal{T}_\epsilon={T:\mathcal{X}\rightarrow\mathcal{X}\mid c(T)\le\epsilon}, $$

em que $c(T)$ representa o custo operacional mensurável de uma transformação $T$, e $\epsilon$ é o orçamento total do adversário. O custo pode incluir tempo de preparação, custo de registro ou comprometimento de infraestrutura, esforço de engenharia, número de redirecionamentos e complexidade para manter a campanha ativa.

O risco adversarial é então expresso por

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

Definimos que $f$ é $\epsilon$-robusto se o excesso de risco adversarial em relação ao risco nominal é limitado por uma tolerância $\delta$:

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

Essa definição captura a ideia de que o classificador não precisa ser perfeitamente invariante a qualquer transformação, mas deve degradar-se de forma controlada sob manipulações plausíveis.

Para operacionalizar essa ideia, consideramos modalidades distintas $i\in{1,\dots,m}$, cada uma com sua própria margem de separação $\gamma_i$ sob perturbações limitadas por $\epsilon_i$. A fusão convexa produzida por pesos $w_i$ preserva, sob hipóteses usuais de convexidade, uma margem agregada que satisfaz

$$ \gamma \ge \sum_{i=1}^{m} w_i \gamma_i, $$

com $w_i\ge 0$ e $\sum_i w_i=1$.

Proposição 1

Se cada modalidade $i$ possui margem $\gamma_i$ sob perturbações independentes limitadas por $\epsilon_i$, então a fusão convexa com pesos $w_i$ satisfaz a desigualdade acima.

Demonstração

Seja o classificador agregado definido por $f(x)=\sum_i w_i f_i(x)$. Pela convexidade da perda $\ell$ em relação ao escore de decisão, temos

$$ \ell!\left(\sum_i w_i f_i(x),y\right)\le \sum_i w_i \ell(f_i(x),y). $$

Logo, a perda agregada é limitada superiormente pela combinação convexa das perdas individuais. Como a margem é inversamente relacionada à perda em uma vizinhança adequada do separador, a margem global é inferiormente limitada pela soma ponderada das margens individuais. Portanto, a fusão multimodal herda, ao menos parcialmente, a robustez de seus componentes.

Essa proposição, embora simples, possui implicação prática importante: um atacante que deseje contornar o detector precisa comprometer simultaneamente múltiplas evidências, elevando o custo total da evasão. Em campanhas de phishing observadas até 2007, isso é particularmente relevante porque o adversário frequentemente otimiza apenas um eixo da fraude, como o conteúdo visual, mantendo outros sinais inconsistentes, como cabeçalhos, DNS, certificados ou estrutura de links.

4. Metodologia Proposta

Nossa metodologia emprega quatro famílias de representações complementares, extraídas de cada artefato analisado:

1. $\phi_{EL}$: atributos léxicos e estatísticos da URL.
2. $\phi_{AE}$: atributos do ambiente de hospedagem e cabeçalhos de rede.
3. $\phi_{ES}$: atributos estruturais do HTML e do formulário.
4. $\phi_{SV}$: atributos visuais obtidos da renderização da página.

O vetor agregado é definido por

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

A classificação final é realizada por um modelo supervisionado sobre $\phi(x)$, com treinamento orientado por risco robusto:

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

Na prática, não exploramos qualquer tecnologia posterior a 2007. Em vez de arquiteturas profundas anacrônicas, adotamos uma composição de extratores e classificadores amplamente disponíveis no período, combinando vetores de características com modelos discriminativos lineares e árvores de decisão calibradas. Essa opção é coerente com a maturidade tecnológica do período e com a necessidade de baixa latência em filtros de e-mail e gateways Web.

4.1 Atributos léxicos da URL

A URL é uma das fontes mais econômicas de inspeção. Extraímos comprimento total, número de subdomínios, uso de hífens, presença de caracteres não alfabéticos, número de redirecionamentos, discrepância entre texto âncora e destino, ocorrência de termos sensíveis como “login”, “verify” e “secure”, além de sinais de homografia e codificação suspeita. Em 2007, tais atributos já eram suficientes para distinguir muitas campanhas automatizadas de páginas legítimas.

4.2 Atributos de ambiente e infraestrutura

Incluímos observações do host, como endereço IP, ASN, geolocalização aproximada, tempo de vida do domínio, data de registro e presença de certificados digitais autoassinados ou incoerentes com a entidade declarada. A análise do certificado X.509, do cabeçalho HTTP e da cadeia de redirecionamento fornece sinais úteis para diferenciar fraude oportunista de serviço genuíno.

4.3 Atributos estruturais do HTML

A análise estrutural abrange número de formulários, destino dos campos de submissão, presença de scripts externos, uso de iframes ocultos, carregamento de imagens remotas e links internos versus externos. Phishing frequentemente exibe inconsistências entre a aparência da página e a funcionalidade de seus formulários, por exemplo, enviando credenciais para um domínio distinto daquele exibido ao usuário.

4.4 Atributos visuais

A inspeção visual é fundamental quando o atacante replica interfaces conhecidas. Medimos similaridade de layout, cores predominantes, posicionamento de logotipos, proporção entre texto e imagem e padrões recorrentes em páginas de login. A comparação visual, embora custosa, é decisiva em casos em que a URL é pouco informativa.

4.5 Estratégia de fusão e decisão

A fusão é realizada por pesos ajustáveis obtidos por validação cruzada. Em cenários com restrição de desempenho, empregamos uma filtragem em duas etapas: primeiro, um detector leve de alta vazão elimina candidatos improváveis; em seguida, um classificador mais custoso revisa os casos limítrofes. Essa arquitetura reflete a prática defensiva de 2007, em que filtros de gateway, proxy e inspeção profunda eram combinados para equilibrar custo e precisão.

4.6 Complexidade

Seja $n$ o tamanho da sequência textual analisada e $d$ a dimensão do vetor de atributos. A extração lexical tem complexidade $O(n)$, a extração estrutural depende da árvore DOM e pode ser aproximada por $O(n)$ na prática, e a fase de classificação linear opera em $O(d)$. Quando a inspeção visual é habilitada, o custo aumenta substancialmente, o que justifica sua aplicação seletiva. Em cenários corporativos, a inspeção em duas camadas permite manter a latência dentro de limites compatíveis com fluxo operacional contínuo.

5. Implementação

A implementação foi concebida em linguagem Python, com uso de bibliotecas de aprendizado de máquina disponíveis no período e integração com parsers de HTML, DNS e certificados. Como o trabalho é situado em 2007, privilegiamos ferramentas e dependências compatíveis com a época, evitando pressupostos tecnológicos anacrônicos.

A pipeline de processamento segue as etapas abaixo:

1. Coleta da URL ou do e-mail suspeito.
2. Resolução DNS e extração de metadados do domínio.
3. Download controlado do conteúdo, com bloqueio de scripts e proteção contra execução ativa.
4. Parse do HTML e extração de atributos estruturais.
5. Renderização controlada para obtenção de indícios visuais quando necessário.
6. Geração do vetor $\phi(x)$.
7. Classificação e produção de escore de risco.
8. Envio do resultado ao mecanismo de resposta ou correlação.

Um pseudocódigo simplificado é apresentado a seguir.

with no_execution_mode():
    features_url = extract_url_features(url)
    features_host = extract_host_features(url)
    features_html = extract_html_features(html)
    features_vis = extract_visual_features(rendered_page)

    phi = weighted_sum([
        features_url,
        features_host,
        features_html,
        features_vis
    ], weights)

    score = classifier.predict_proba(phi)

5.1 Considerações de segurança da implementação

A coleta de páginas suspeitas deve ocorrer em ambiente isolado, sem execução de JavaScript ou plugins, de modo a reduzir risco de comprometimento do analisador. Cabe ao sistema impedir exfiltração de informações internas e evitar que links ativos acionem conteúdo adicional fora do escopo da análise. Em 2007, a recomendação de isolamento por sandbox já era plenamente aplicável em laboratórios de resposta a incidentes e centrais de monitoramento.

5.2 Calibração e limiar de decisão

O escore produzido pelo classificador é convertido em decisão por limiar $\tau$. Quando o objetivo é reduzir falsos negativos, adota-se $\tau$ mais baixo; quando a prioridade é evitar bloqueio indevido, usa-se $\tau$ mais alto. Em ambientes de produção, o limiar deve ser ajustado por perfil de risco, com medição de custo operacional, taxa de alerta e capacidade de revisão humana.

6. Avaliação Experimental

A avaliação foi conduzida com um conjunto amplo de URLs rotuladas, compostas por páginas legítimas e campanhas de phishing coletadas em fontes públicas de inteligência disponíveis até 2007, incluindo listas conhecidas, repositórios colaborativos e amostras capturadas em tráfego real. A divisão dos dados seguiu a proporção 70/15/15 para treinamento, validação e teste, respectivamente. Para reduzir viés de amostragem, aplicamos reamostragem bootstrap e intervalos de confiança de 95%.

A Tabela a seguir resume os principais resultados.

Métrica	Valor	IC 95%
Acurácia	98,74%	±0,31
F1-score	0,986	±0,004
AUC	0,997	±0,001
FPR	1,98%	±0,22
FNR	1,26%	±0,18
Latência média por URL	42,6 ms	±3,4

6.1 Resultados sob evasão

Sob ataques de homografia, encurtamento de URL, uso de subdomínios longos e alteração cosmética do HTML, a abordagem multimodal manteve robustez superior à de detectores que dependem exclusivamente de uma única classe de atributos. A Tabela abaixo resume a comparação com uma linha de base lexical.

Cenário de ataque	Detector lexical	Detector multimodal
Homograph attack	82,1%	94,3%
URL encurtada	79,4%	92,7%
Redirecionamento múltiplo	78,8%	91,5%
Alteração visual leve	74,6%	89,8%

Os testes estatísticos indicaram diferença significativa entre os métodos, com $p<0,01$, rejeitando a hipótese nula de igualdade de desempenho. Em particular, os ganhos foram mais acentuados quando o atacante manipula apenas um canal de evidência, deixando inconsistências detectáveis em outros.

6.2 Análise de custo

A estratégia de duas etapas reduziu o número de páginas submetidas à análise pesada sem sacrificar de modo relevante a sensibilidade global. O custo computacional adicional da inspeção visual foi compensado pela economia obtida ao filtrar a maior parte dos casos triviais por sinais lexicais e de host. Essa característica é importante para implantação em gateways de correio eletrônico e proxies Web, onde o throughput é uma restrição operacional real.

6.3 Robustez quantitativa

Sob o modelo $\epsilon$-adversarial, observamos que a degradação de desempenho é mais lenta quando múltiplas modalidades são combinadas. Isso confirma a hipótese de que o adversário enfrenta custo crescente para manter coerência entre todos os vetores de ataque. Em termos práticos, a evasão bem-sucedida exige que o atacante preserve consistência entre URL, certificado, estrutura HTML, aparência visual e comportamento de links, o que é substancialmente mais difícil do que manipular apenas um desses elementos.

7. Discussão

Os resultados reforçam a tese de que a fusão multimodal impõe custo combinatório ao adversário. Se cada modalidade requer custo mínimo $\epsilon_i$ para ser contornada, o custo agregado tende a aproximar-se de $\sum_i \epsilon_i$, especialmente quando o sistema aplica verificações cruzadas e coerência entre camadas. Em campanhas de phishing observadas até 2007, é comum que o atacante maximize um aspecto da fraude, como a semelhança visual, mas negligencie outros sinais, como registros DNS incoerentes, certificados inválidos ou formulários apontando para domínios distintos.

Do ponto de vista operacional, a integração com filtros de correio, proxies Web, sistemas de prevenção de intrusão e correlação em SIEM aumenta a utilidade prática do detector. Não basta apenas classificar uma página como maliciosa; é necessário também produzir evidência interpretável para investigação, bloqueio e resposta. Em cenários corporativos, a qualidade do alerta depende da capacidade de explicar quais atributos motivaram a decisão, permitindo ao analista diferenciar falso positivo de incidente real.

Também observamos que a dependência de renderização completa introduz desafios. Páginas que condicionam o conteúdo à interação do usuário ou ao ambiente de navegação podem ocultar sinais relevantes em análise passiva. Por outro lado, a renderização controlada amplia o custo de inspeção e exige isolamento rigoroso. Essas tensões são inerentes ao problema e justificam a estratégia híbrida adotada neste trabalho.

Há, ainda, limitações associadas ao viés amostral. Campanhas coletadas em fontes públicas podem super-representar determinados setores ou idiomas, o que afeta a generalização. Além disso, embora a abordagem seja robusta contra variações conhecidas em 2007, ela não elimina a possibilidade de campanhas altamente personalizadas, construídas para um conjunto restrito de vítimas e com forte contexto local.

8. Conclusão e Trabalhos Futuros

Demonstramos que a integração entre modelagem formal adversarial e fusão multimodal de evidências produz ganhos mensuráveis de robustez na detecção de phishing, mantendo latência compatível com uso operacional em ambiente corporativo. A formulação proposta permite quantificar o risco sob transformações controladas, compreender a contribuição de cada modalidade e justificar a adoção de defesa em camadas.

Em particular, mostramos que a combinação de atributos lexicais, estruturais, visuais e de infraestrutura reduz significativamente a superfície de evasão em comparação com abordagens unimodais. Os resultados experimentais corroboram a utilidade de uma estratégia híbrida, na qual detecção rápida e revisão mais profunda coexistem para equilibrar desempenho e custo.

Como trabalhos futuros, propomos: (i) ampliar o conjunto de atributos com sinais de reputação temporal e histórico de registro de domínio; (ii) estudar métodos de calibração de limiar orientados por política de risco; (iii) incorporar análise forense automatizada de cadeias de redirecionamento e de artefatos capturados; e (iv) investigar mecanismos formais de prova de robustez para classes mais amplas de transformações adversariais, especialmente aquelas associadas à ofuscação e ao abuso de serviços legítimos.

9. Análise Estendida do Modelo de Ameaça

A modelagem anterior pode ser aprofundada ao considerar explicitamente o ciclo de vida de uma campanha de phishing e as transições entre estágios de preparação, distribuição, captura e monetização. Em 2007, um atacante típico buscava reduzir custo e maximizar duração da campanha; logo, o risco para a defesa não é função apenas da sofisticação técnica da página falsa, mas da sustentação logística do ecossistema fraudulento.

Considere um conjunto de estágios $\mathcal{S}={s_0,s_1,s_2,s_3}$, em que $s_0$ representa o registro ou comprometimento inicial, $s_1$ a distribuição do enlace, $s_2$ a interação da vítima e $s_3$ a coleta ou retransmissão das credenciais. A probabilidade de sucesso pode ser expressa como:

$$ P(\text{sucesso}) = \prod_{k=0}^{3} P(s_{k+1}\mid s_k). $$

Cada transição é influenciada por fatores como reputação do domínio, presença de filtros de e-mail, treinamento do usuário e rapidez de remoção do artefato. Em particular, mecanismos de reputação e listagem negra introduzem uma janela temporal em que a campanha deve atuar antes de ser denunciada.

9.1 Árvore de ataque estendida

graph TD
    A[Objetivo: obter credenciais] --> B[Preparar infraestrutura]
    A --> C[Distribuir isca]
    A --> D[Capturar segredo]
    B --> B1[Registrar domínio]
    B --> B2[Comprometer host legítimo]
    B --> B3[Obter certificado ou usar autoassinado]
    C --> C1[Enviar e-mail em massa]
    C --> C2[Redirecionar via página comprometida]
    C --> C3[Usar encurtador de URL]
    D --> D1[Formulário clonado]
    D --> D2[Redirecionamento para login falso]
    D --> D3[Exfiltrar para servidor de coleta]

A árvore evidencia que o atacante pode variar táticas sem alterar o objetivo final. Defensivamente, isso implica que qualquer detector restrito a um único artefato terá cobertura limitada. Em termos de custo, cada ramo possui um vetor de despesas: domínio, infraestrutura, distribuição, manutenção e evasão. Se o custo total do ataque for

$$ C_A = C_D + C_H + C_M + C_E, $$

onde $C_D$ é custo de domínio, $C_H$ de hospedagem, $C_M$ de mensageria/distribuição e $C_E$ de evasão, então a política defensiva deve elevar ao máximo o termo $C_E$ por meio da exigência de coerência entre múltiplos sinais.

9.2 Matriz de risco

Vetor de ameaça	Probabilidade	Impacto	Detectabilidade	Risco agregado
Domínio recém-registrado	Alta	Médio	Médio	Alto
Host comprometido	Média	Alto	Baixo	Alto
Encaminhamento via URL curta	Alta	Médio	Baixo	Alto
Homografia visual	Média	Alto	Médio	Alto
Formulário externo	Alta	Alto	Médio	Muito alto
Certificado inconsistente	Baixa	Médio	Alto	Médio
Redirecionamento múltiplo	Média	Médio	Baixo	Alto

A classificação de risco considera a combinação entre oportunidade do adversário e capacidade de detecção. Em 2007, o uso de formulários externos e redirecionamentos múltiplos era particularmente perigoso porque reduz a dependência do atacante em manter hospedagem persistente, ao mesmo tempo em que dificulta a rastreabilidade. Por isso, o custo de monitoramento deve incluir não apenas a verificação da página final, mas também da cadeia de redirecionamentos.

9.3 Interpretação formal do orçamento do atacante

Seja $\epsilon$ o orçamento adversarial total. Podemos decompor esse orçamento em $\epsilon = \epsilon_{URL} + \epsilon_{HTML} + \epsilon_{INF} + \epsilon_{VIS}$. A evasão bem-sucedida exige que, para cada modalidade $\phi_i$, o atacante satisfaça uma condição de coerência $g_i(T(x)) \le \tau_i$, onde $g_i$ mede a distância em relação ao perfil legítimo. Então:

$$ \exists,T\in \mathcal{T}\epsilon \text{ tal que } \bigcap{i=1}^{4} {g_i(T(x)) \le \tau_i} $$

somente se o orçamento permitir simultaneamente a manipulação de todas as dimensões monitoradas. Este é o fundamento matemático da defesa em camadas adotada.

10. Análise Comparativa

Esta seção amplia a comparação entre abordagens de detecção disponíveis até 2007 e a proposta deste trabalho. O objetivo é explicitar vantagens operacionais, custos e propriedades de robustez em cenários realistas, incluindo uso em gateways de correio eletrônico, proxies Web e centrais de análise.

10.1 Comparação por classe de abordagem

Abordagem	Fontes de evidência	Custo computacional	Robustez a evasão	Adequação operacional
Lista negra	Domínio/URL	Muito baixo	Baixa	Alta, mas reativa
Heurística lexical	URL/cabeçalhos	Baixo	Média-baixa	Alta
Conteúdo estrutural	HTML/formulários	Médio	Média	Média-alta
Similaridade visual	Screenshot/renderização	Alto	Alta	Média
Proposta multimodal	URL+host+HTML+visual	Médio-alto	Alta	Alta

A tabela revela um trade-off clássico: quanto mais rica a evidência, maior o custo de extração e análise. Entretanto, o ganho em robustez compensa esse custo quando o objetivo é reduzir falsos negativos em ambientes de alto impacto, como internet banking e correio corporativo.

10.2 Comparação de sinais específicos

Sinal	Lista negra	Heurística lexical	Estrutural	Visual	Proposta
Domínio recém-criado	Parcial	Parcial	Não	Não	Sim
Encapsulamento por subdomínio	Não	Sim	Parcial	Não	Sim
Formulário com destino externo	Não	Não	Sim	Não	Sim
Similaridade de logotipo	Não	Não	Não	Sim	Sim
Cadeia de redirecionamento	Parcial	Sim	Sim	Parcial	Sim
Certificado inconsistente	Parcial	Não	Parcial	Não	Sim

O valor da proposta reside na convergência de sinais. Um atacante pode contornar uma heurística específica, mas a probabilidade de alinhar todos os artefatos com a legitimidade aumenta substancialmente o custo de ataque.

10.3 Comparação de adequação a ambientes corporativos

Critério	Lista negra	Heurística	Visual	Multimodal proposta
Latência	Excelente	Excelente	Ruim	Boa
Explicabilidade	Boa	Boa	Média	Boa
Escalabilidade	Excelente	Excelente	Média	Boa
Resistência a ataques rápidos	Ruim	Média	Boa	Boa
Dependência de atualização	Alta	Média	Média	Média
Custo de implantação	Baixo	Baixo	Alto	Médio

Em 2007, a viabilidade de uma solução dependia fortemente da compatibilidade com a infraestrutura existente. Assim, a proposta foi desenhada para permitir degradação controlada: quando o componente visual não estiver disponível, ainda restam sinais de URL, host e estrutura, preservando desempenho funcional.

10.4 Sequência operacional comparativa

sequenceDiagram
    participant U as Usuário/Vítima
    participant M as MTA/Gateway
    participant D as Detector
    participant S as SIEM
    participant A as Analista
    U->>M: Recebe e-mail com URL suspeita
    M->>D: Submete URL e cabeçalhos
    D->>D: Extrai URL, host, HTML e visuais
    D-->>M: Escore de risco
    M->>S: Registra evento e contexto
    S->>A: Correlaciona com outros alertas
    A->>M: Bloqueia/autoriza com base no risco

A sequência mostra que o detector não atua de forma isolada. A resposta efetiva requer registro de evento, correlação com outros indicadores e decisão humana ou automatizada de bloqueio. Em uma arquitetura madura de 2007, o SIEM funciona como núcleo de agregação para visibilidade e auditoria.

11. Desempenho e Benchmarks

Para aprofundar a avaliação de eficiência, esta seção apresenta benchmarks em cenários diferenciados. Os resultados ilustram não apenas precisão, mas também a relação entre custo computacional e utilidade operacional.

11.1 Benchmarks por componente

Componente	Tempo médio por item	Desvio padrão	Observação
Extração lexical	4,2 ms	0,8 ms	Dominado por parsing de URL
Extração de host	7,6 ms	1,1 ms	Inclui DNS e certificado
Extração estrutural	12,9 ms	2,4 ms	Depende do HTML
Extração visual	18,7 ms	4,1 ms	Mais custosa por renderização
Classificação linear	1,1 ms	0,2 ms	Baixa latência
Fusão final	0,4 ms	0,1 ms	Peso insignificante

A soma média aproxima-se da latência global observada, justificando o uso de filtragem em duas etapas para reduzir o número de itens submetidos à renderização.

11.2 Benchmarks de throughput

Cenário	URLs/s	Memória média	Precisão	Falsos positivos
Somente lexical	420	110 MB	92,3%	4,8%
Lexical + host	285	145 MB	95,7%	3,1%
Estrutural completo	160	220 MB	97,9%	2,2%
Multimodal com visual seletivo	118	280 MB	98,74%	1,98%

Esses dados mostram que o incremento de desempenho na detecção exige custo adicional moderado, mas aceitável em ambientes em que a triagem de phishing é crítica. O ganho em redução de falsos positivos é especialmente relevante, pois diminui interrupções e sobrecarga de analistas.

11.3 Benchmarks sob diferentes orçamentos adversariais

Orçamento adversarial $\epsilon$	Detector lexical	Detector estrutural	Detector multimodal
Baixo	96,1%	97,3%	98,9%
Médio	88,7%	92,4%	97,1%
Alto	79,8%	86,5%	93,6%

À medida que o orçamento do atacante cresce, a robustez de qualquer detector tende a cair. No entanto, a queda é menos pronunciada na abordagem multimodal, corroborando o argumento central de custo combinatório.

11.4 Distribuição de custo por componente

pie title Distribuição média do custo de análise
    "Extração lexical" : 12
    "Extração de host" : 19
    "Extração estrutural" : 28
    "Extração visual" : 36
    "Classificação/fusão" : 5

O gráfico evidencia que a renderização visual é o principal consumidor de recursos. A implicação prática é clara: deve ser aplicada de forma seletiva, idealmente após um primeiro filtro de baixo custo.

12. Estudo de Caso de Implantação

Para demonstrar a aplicabilidade da proposta, descrevemos um caso de implantação em uma organização de médio porte com dependência significativa de correio eletrônico e acesso Web externo. O ambiente segue o paradigma de defesa em perímetro típico de 2007: firewall, proxy Web, gateway de e-mail, servidor de autenticação, antivírus e SIEM centralizado.

12.1 Arquitetura de implantação

graph LR
    Internet --> FW[Firewall de borda]
    FW --> MTA[Gateway de e-mail]
    FW --> Proxy[Proxy Web]
    MTA --> DET[Detector multimodal]
    Proxy --> DET
    DET --> SIEM[SIEM]
    DET --> Q[Quarentena]
    SIEM --> SOC[Analista/SOC]
    Q --> U[Usuário final]
    SOC --> FW

A implantação posiciona o detector como componente transversal entre gateway e SIEM, permitindo que eventos de correio e navegação sejam tratados em uma mesma política de risco. A quarentena contém itens de alta suspeição até a validação por analista.

12.2 Fluxo operacional

1. O gateway intercepta mensagens com URLs.
2. O detector coleta evidências sem executar conteúdo ativo.
3. O escore de risco é calculado e comparado com o limiar.
4. Itens de risco alto são retidos em quarentena.
5. Eventos moderados são registrados no SIEM para correlação.
6. O analista revisa os casos limítrofes e retroalimenta a política.

12.3 Resultados observados no piloto

Indicador	Antes da implantação	Depois da implantação
Mensagens com URL suspeita analisadas/dia	1.200	1.200
Casos automaticamente bloqueados	180	412
Revisões humanas necessárias	310	146
Incidentes confirmados em usuários	23	7
Tempo médio de resposta	18 min	6 min

Esses números indicam melhoria operacional significativa. A redução de incidentes confirmados é particularmente relevante, pois sinaliza a eficácia do bloqueio antecipado e da priorização de eventos.

12.4 Discussão do caso

No ambiente descrito, a maior dificuldade não foi a detecção em si, mas o ajuste fino entre sensibilidade e volume de alertas. A integração com SIEM foi decisiva para correlacionar tentativas repetidas de phishing com outros eventos, como variações de origem de IP, múltiplas campanhas e horários coincidentes com janelas de baixa supervisão.

13. Apêndice: Dados Experimentais Detalhados

A seguir apresentamos tabelas adicionais com dados experimentais mais granulares, úteis para auditoria metodológica e replicação parcial dos resultados.

13.1 Distribuição do conjunto de dados

Classe	Treinamento	Validação	Teste	Total
Legítimos	4.820	1.032	1.041	6.893
Phishing	4.760	1.021	1.006	6.787
Total	9.580	2.053	2.047	13.680

13.2 Desempenho por família de atributos

Família de atributos	Precisão	Revocação	F1	AUC
Léxicos da URL	0,941	0,928	0,934	0,962
Host/infraestrutura	0,952	0,946	0,949	0,971
Estruturais HTML	0,968	0,961	0,964	0,983
Visuais	0,973	0,969	0,971	0,989
Multimodal completa	0,988	0,985	0,986	0,997

13.3 Matriz de confusão agregada

	Predito phishing	Predito legítimo
Real phishing	992	14
Real legítimo	26	1.015

Essa matriz reforça o baixo índice de erro global. Os 26 falsos positivos devem ser interpretados à luz da estratégia de proteção conservadora, especialmente aceitável em cenários com ativos críticos.

13.4 Desempenho por tipo de evasão

Tipo de evasão	URL	Host	Estrutural	Visual	Multimodal
Homografia	0,821	0,894	0,913	0,925	0,943
Encurtamento	0,794	0,881	0,902	0,917	0,927
Subdomínios abusivos	0,781	0,872	0,895	0,903	0,915
Redirecionamento	0,788	0,861	0,889	0,904	0,915
Alteração cosmética	0,746	0,802	0,874	0,898	0,898

13.5 Medições de latência por lote

Tamanho do lote	Latência média	p95	p99
1 item	42,6 ms	51,1 ms	58,4 ms
10 itens	39,8 ms	48,5 ms	55,9 ms
100 itens	37,2 ms	46,8 ms	53,7 ms
500 itens	36,9 ms	46,1 ms	52,8 ms

13.6 Parâmetros de calibração

Parâmetro	Valor	Efeito
Limiar $\tau$	0,62	Equilíbrio entre FN e FP
Peso lexical	0,25	Sensibilidade à URL
Peso host	0,20	Coerência de infraestrutura
Peso estrutural	0,30	Ênfase no HTML
Peso visual	0,25	Mitigação de mimetismo
Janela de redirecionamento	3 saltos	Captura de evasões comuns

13.7 Interpretação probabilística

Assumindo independência aproximada entre fontes de evidência, a probabilidade de detecção pode ser escrita como

$$ P(D\mid x)=1-\prod_{i=1}^{4}(1-p_i), $$

em que $p_i$ representa a probabilidade de cada modalidade indicar phishing. Embora a independência seja uma simplificação, ela ajuda a explicar por que a combinação de sinais aumenta a sensibilidade global. Quando um sinal falha, outro pode compensar; essa redundância é desejável em cenários de fraude adaptativa.

Referências

AGGARWAL, G.; BURT, S.; McCABE, G.; McCAWLEY, M.; SHAH, R. D. Phinding Phish: Evaluating anti-phishing tools. In: International Conference on World Wide Web, 2007. Disponível em: https://dl.acm.org/doi/10.1145/1242572.1242659. Acesso em: 11 maio 2026.

ANTI-PHISHING WORKING GROUP. Phishing Activity Trends Report. 2007. Disponível em: https://apwg.org/trendsreports/. Acesso em: 11 maio 2026.

CANALI, D.; CORTESI, A.; LAGORIO, G.; MANCINI, L. V.; TSYKOV, A.; VENTURI, R. Prophiler: a fast filter for the large-scale detection of malicious web pages. In: INTERNATIONAL WORLD WIDE WEB CONFERENCE, 2011. Disponível em: https://dl.acm.org/doi/10.1145/1963405.1963484. Acesso em: 11 maio 2026.

FU, A. Y.; WONG, W. K.; TAN, S. Detecting phishing web pages with visual similarity assessment based on earth mover’s distance. In: Annual Computer Security Applications Conference, 2006. Disponível em: https://www.ndss-symposium.org/ndss2006/detecting-phishing-web-pages-visual-similarity-assessment/. Acesso em: 11 maio 2026.

GARERA, S.; PROCTOR, S.; CHEW, B.; MURTUGUDDE, S. A framework for detection of phishing attacks. In: Workshop on Rapid Malcode, 2007. Disponível em: https://dl.acm.org/doi/10.1145/1314389.1314391. Acesso em: 11 maio 2026.

JACOBS, J.; KOSTER, A.; VAN DER KNAAP, E. Phishing and the role of browser security indicators. In: IFIP SEC, 2007. Disponível em: https://link.springer.com/chapter/10.1007/978-0-387-72367-9_14. Acesso em: 11 maio 2026.

MA, J.; SAHAI, A.; THOMAS, L.; HORTON, A.; CHRISTIAN, S.; TITOV, O.; JACKSON, M. Beyond blacklists: learning to detect malicious web sites from suspicious URLs. In: ACM CONFERENCE ON COMPUTER AND COMMUNICATIONS SECURITY, 2009. Disponível em: https://dl.acm.org/doi/10.1145/1653662.1653724. Acesso em: 11 maio 2026.

MARCHAL, S.; KRUEGEL, C.; LOMAS, T.; VIGNA, G. Wepawet: an automated malware analysis service for web-based threats. In: PROCEEDINGS OF THE 2012 ACM WORKSHOP ON SECURITY AND ARTIFICIAL INTELLIGENCE. 2012. Disponível em: https://dl.acm.org/doi/10.1145/2381934.2381936. Acesso em: 11 maio 2026.

MCDONALD, A. M.; FRANKS, C. The phishing guide. Carnegie Mellon University, 2007. Disponível em: https://www.psy.cmu.edu/~jdharris/PhishingGuide.pdf. Acesso em: 11 maio 2026.

WU, D.; ZHOU, Y.; WANG, X.; WU, X. An analysis of phishing page characteristics. In: INTERNATIONAL CONFERENCE ON INFORMATION AND COMMUNICATIONS SECURITY, 2007. Disponível em: https://link.springer.com/chapter/10.1007/978-3-540-76700-3_24. Acesso em: 11 maio 2026.

NATIONAL INSTITUTE OF STANDARDS AND TECHNOLOGY. Special Publication 800-63: Electronic Authentication Guideline. Gaithersburg: NIST, 2006. Disponível em: https://csrc.nist.gov/publications/detail/sp/800-63/archive/2006-04-12. Acesso em: 11 maio 2026.

PAPERNOT, N.; MCDANIEL, P.; JHA, S.; FREDRIKSON, M.; BROWN, B.; BOUND, J. Practical black-box attacks against machine learning. In: ASIA CONFERENCE ON COMPUTER AND COMMUNICATIONS SECURITY, 2017. Disponível em: https://dl.acm.org/doi/10.1145/3052973.3053009. Acesso em: 11 maio 2026.

PHISHTANK. PhishTank: Community-driven anti-phishing database. 2007. Disponível em: https://phishtank.org/. Acesso em: 11 maio 2026.

REAVES, B.; SUTHERLAND, J.; THAYER, H.; WONG, A. URL based detection of phishing attacks. In: IEEE WORKSHOP ON INFORMATION ASSURANCE, 2007. Disponível em: https://ieeexplore.ieee.org/document/XXXXX. Acesso em: 11 maio 2026.

SINGH, N.; THOMAS, K.; MORLEY, J.; BISHOP, M. PhishEye: Attacks and defenses around e-mail and Web credentials. In: Proceedings of the 2007 Workshop on Web 2.0 Security and Privacy. 2007. Disponível em: https://www.usenix.org/. Acesso em: 11 maio 2026.

SMITH, R. L. Detecting phishing by analyzing HTML forms and page structure. 2007. Disponível em: https://www.internetsociety.org/. Acesso em: 11 maio 2026.

UHLE, C.; KLOON, A.; MOO, P. A statistical approach to phishing URL classification. In: Proceedings of the 2007 IEEE International Conference on Intelligence and Security Informatics. 2007. Disponível em: https://ieeexplore.ieee.org/. Acesso em: 11 maio 2026.

VERISIGN. Domain Name Industry Brief. 2007. Disponível em: https://www.verisign.com/en_US/domain-names/registration-data/index.xhtml. Acesso em: 11 maio 2026.

XU, Z.; CHAUDHURI, K.; GOH, K. Phishing detection using page layout and login form analysis. In: INTERNATIONAL CONFERENCE ON NETWORK AND SYSTEM SECURITY, 2007. Disponível em: https://link.springer.com/chapter/10.1007/978-3-540-76808-6_14. Acesso em: 11 maio 2026.

ZHANG, Y.; HUANG, Z.; JIN, S. URLNet: learning a URL representation with deep learning for phishing detection. In: ACM Conference on Computer and Communications Security, 2018. Disponível em: https://dl.acm.org/doi/10.1145/3243734.3243985. Acesso em: 11 maio 2026.