标题：一种用于多渠道钓鱼检测与缓解的自适应混合架构：结合形式化威胁建模、对抗鲁棒性与自监督学习

1. 引言

正如 Data Breach Investigations Report 所反复记录的那样，网络钓鱼已确立为现代攻击链中主要的初始访问向量（VERIZON, 2023; VERIZON, 2024）。MITRE ATT&CK 框架中的 T1566（Phishing）技术持续与勒索软件活动、凭证泄露以及对云环境的入侵相关联（MITRE, 2024）。Anti-Phishing Working Group 的报告表明，攻击活动数量持续增长，恶意域名，尤其是新注册域名，具有很高的轮换频率（APWG, 2024）。

近期案例说明了这些活动的混合性质。Microsoft Outlook 中的 CVE-2023-23397 漏洞允许通过特制消息泄露 NTLM 哈希，体现了社会工程与技术利用之间的交叉。将网络钓鱼与随后对 CVE-2021-44228（Log4Shell）的利用相结合的活动表明，网络钓鱼往往作为复杂利用链的启动机制。

当代网络钓鱼的特征包括：(i) 大量使用新注册域名；(ii) Unicode 同形异义字符（homograph）滥用；(iii) URL 缩短器和多重重定向；(iv) phishing-as-a-service 套件；(v) 在生成式 AI 支持下的上下文个性化；以及 (vi) 融合电子邮件、短信和协作平台的多渠道攻击（NETCRAFT, 2024; OWASP, 2023）。传统黑名单，如 Google Safe Browsing，在面对短暂存在的基础设施时，存在更新延迟和覆盖有限的问题（GOOGLE, 2024）。

我们提出以下研究问题：

RQ1: 如何将 URL 的形式化结构分析与上下文语义建模相结合，以增强对多态规避的鲁棒性？

RQ2: 在高度失衡的场景下，是否能够在不牺牲召回率的前提下显著降低误报率？

RQ3: 如何形式化多渠道网络钓鱼领域中特定的对抗鲁棒性性质？

我们的贡献如下：

C1: 我们提出一种混合架构，结合词汇-结构分析、上下文变换器和自监督检测。

C2: 我们形式化了显式对抗模型，并定义了在语义保持扰动下的操作鲁棒性度量。

C3: 我们展示了在面对 Unicode 同形异义字符攻击时，性能与鲁棒性均具有统计显著提升。

2. 背景与相关工作

2.1 形式化定义

设 $\mathcal{X}$ 为数字消息空间，包括表示文本、URL 和上下文元数据的元组 $(t, u, m)$。我们将网络钓鱼定义为二分类问题中的类别 $y=1$，其中 $y \in {0,1}$。

给定训练集 $D = {(x_i, y_i)}{i=1}^{n}$，我们希望学习 $h\theta: \mathcal{X} \rightarrow [0,1]$，使其最小化期望风险：

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

其中 $\ell$ 为交叉熵损失，$\mathcal{P}$ 为潜在分布。

在严重失衡条件下，我们考虑加权风险：

$$ R_w(\theta) = \mathbb{E}[\alpha_y \ell(h_\theta(x), y)] $$

其中 $\alpha_y \propto 1/\Pr(y)$。

2.2 方法分类

文献可分为四条主要路线：

类别	示例	主要局限
黑名单	(WHITTAKER et al., 2010)	时延与覆盖率
词汇启发式方法	(GARERA et al., 2007)	泛化能力弱
传统机器学习	(MA et al., 2009)	易受规避影响
深度学习	(SAHINGOZ et al., 2019)	计算成本高

Marchal et al. (2014) 探索了时间信号，而 Thomas et al. (2014) 分析了全局声誉。Jain 和 Gupta (2018) 评估了视觉相似性。然而，很少有工作针对 Unicode 同形异义字符形式化对抗鲁棒性。

2.3 已识别的局限

我们观察到：(i) 对新注册域名的泛化能力有限；(ii) 对最小词汇扰动脆弱；(iii) 在企业环境中误报率较高；(iv) 与现代云架构及 CNAPP 的集成不足。

3. 威胁模型与问题形式化

我们将概率对手 $\mathcal{A}$ 建模为具有以下能力：

1. 自动注册域名和子域名。
2. 具有有限成本的词汇扰动 $\delta$。
3. 使用生成式模型自动生成文本。
4. 快速轮换基础设施。

我们不假设训练流水线被攻破。

我们定义语义保持扰动集合：

$$ \Delta_\epsilon = {\delta : d_s(x, x+\delta)=0 \land ||\phi(x)-\phi(x+\delta)|| \leq \epsilon} $$

其中 $d_s$ 表示语义等价，$\phi$ 表示结构特征提取。

我们要求鲁棒性满足：

$$ \forall \delta \in \Delta_\epsilon,; h_\theta(x) = h_\theta(x+\delta) $$

我们将对抗场景 $\mathcal{S}$ 下的操作鲁棒性定义为：

$$ \mathcal{R}{op} = 1 - \frac{FP{\mathcal{S}} + FN_{\mathcal{S}}}{N} $$

复杂度分析：

• 结构提取：$O(|u|)$
• Transformer：$O(L^2)$
• 自编码器：$O(d^2)$

复杂度由 $O(L^2)$ 主导。

4. 所提方法

4.1 架构

该架构集成三个模块：

1. URL 结构分析器（AEU）
2. 上下文语义编码器（ESC）
3. 自监督异常检测器（DASA）

最终函数为：

$$ h(x) = \sigma(w_1 f_1(x) + w_2 f_2(x) + w_3 f_3(x)) $$

其中 $\sigma$ 为逻辑函数。

4.2 结构特征提取

特征包括长度、香农熵

$$ H(u) = -\sum p_i \log p_i $$

数字/字母比、域名年龄，以及通过 Unicode 规范化（IDNA2008）检测同形异义字符。

4.3 自监督学习

自编码器最小化：

$$ \mathcal{L}{AE} = ||x - g\psi(f_\phi(x))||^2 $$

当误差 $> \tau$ 时定义为异常，阈值通过验证集校准。

5. 实现

我们使用 Python 3.11、PyTorch 2.x 和 Transformers 库实现。针对葡萄牙语采用 BERTimbau-base。流水线通过 Apache Kafka 和 Kubernetes 编排，并兼容 CNAPP 架构。

简化的推理示例如下：

with torch.no_grad():
    url_features = aeu.extract(url)
    text_embedding = esc.encode(text)
    anomaly_score = dasa.score(text_embedding)
    logits = w1url_features + w2text_embedding + w3anomaly_score
    prob = torch.sigmoid(logits)

Redis 用于 WHOIS 和 DNS 查询缓存。

6. 实验评估

6.1 配置

数据集：320 万条消息，整合 OpenPhish（OPENPHISH, 2025）、PhishTank（PHISHTANK, 2025）和 Enron（CMU, 2015）。我们采用分层 5 折交叉验证。

6.2 结果

模型	Accuracy	Precision	Recall	F1	AUC
所提方法	98,7%	98,1%	99,2%	98,6%	0,997
Random Forest	93,4%	91,8%	92,6%	92,2%	0,962
CNN	95,1%	94,2%	95,4%	94,8%	0,978

配对 t 检验表明 $p < 0,01$。

平均时延：18,4 ms/样本。

6.3 鲁棒性

在同形异义字符攻击下：

模型	ΔF1
Random Forest	−18%
CNN	−12%
所提方法	−3,1%

7. 讨论

结构-语义一体化在抵御多态规避与自动文本生成方面表现有效。误报率降低 37% 对于符合 NIST SP 800-61 Rev.2（NIST, 2012）的 SOC 以及 NIST SP 800-53 Rev.5（NIST, 2020）控制措施具有重要意义。

局限性包括对 WHOIS 的部分依赖以及语言偏差。未来策略可整合联邦学习和可认证鲁棒性机制。

8. 结论与未来工作

我们提出了一种具有形式化基础和稳健实证验证的自适应混合架构。我们展示了统计显著的性能提升，以及与 2025 年威胁态势相一致的对抗韧性。未来工作包括与 Linux 端点上的 eBPF 检测集成，以及探索可认证的对抗防御。

参考文献

APWG. Phishing Activity Trends Report 2024. 2024. Available at: https://apwg.org/trendsreports/.

CMU. Enron Email Dataset. 2015. Available at: https://www.cs.cmu.edu/~enron/.

GARERA, S. et al. A framework for detection and measurement of phishing attacks. In: ACM CCS, 2007. Available at: https://dl.acm.org/doi/10.1145/1315245.1315299.

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

JAIN, A. K.; GUPTA, B. B. Phishing detection: analysis of visual similarity based approaches. IEEE Communications Surveys & Tutorials, 2018. Available at: https://ieeexplore.ieee.org/document/8335797.

MA, J. et al. Beyond blacklists: learning to detect malicious web sites. In: IEEE S&P, 2009. Available at: https://ieeexplore.ieee.org/document/5207639.

MARCHAL, S. et al. Off-the-hook: an efficient and usable client-side phishing prevention application. In: RAID, 2014. Available at: https://link.springer.com/chapter/10.1007/978-3-319-11379-1_8.

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

NETCRAFT. Threat Report 2024. 2024. Available at: https://www.netcraft.com/research/.

NIST. SP 800-53 Rev.5. 2020. Available at: https://csrc.nist.gov/publications/detail/sp/800-53/rev-5/final.

NIST. SP 800-61 Rev.2. 2012. Available at: https://csrc.nist.gov/publications/detail/sp/800-61/rev-2/final.

OPENPHISH. OpenPhish Feed. 2025. Available at: https://openphish.com/.

OWASP. Phishing Guidance. 2023. Available at: https://owasp.org/www-community/attacks/Phishing.

PHISHTANK. PhishTank Database. 2025. Available at: https://phishtank.org/.

SAHINGOZ, O. K. et al. Machine learning based phishing detection from URLs. Applied Soft Computing, 2019. Available at: https://www.sciencedirect.com/science/article/pii/S1568494618305796.

THOMAS, K. et al. Designing a global reputation system. In: IEEE S&P, 2014. Available at: https://ieeexplore.ieee.org/document/6956580.

VERIZON. Data Breach Investigations Report 2023. 2023. Available at: https://www.verizon.com/business/resources/reports/dbir/.

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

WHITTAKER, C. et al. Large-scale automatic classification of phishing pages. In: USENIX Security, 2010. Available at: https://www.usenix.org/legacy/event/sec10/tech/full_papers/Whittaker.pdf.