Research / Paper Files
Paper Files
Paper Files 是一种持续进行 cybersecurity 学习的个人实践，它将科学方法作为学习工具。每篇文章都不是为了学术发表而写，而是作为一种有意为之的练习，用来磨快斧头——深化对特定主题的知识，以严谨的方式组织想法，并观察对某些主题的理解如何随时间发展。它相当于一本训练日志的知识版：每一条记录所学内容、分析方式以及得出的结论。
我强烈建议安全专业人员采用这种方法。选择一个你想精通的主题，研究一手资料（RFC、论文、官方文档），按照引言、方法、分析和结论来组织文本，并像是在向同事解释一样写作。写作本身会迫使你思路清晰，并暴露出被动阅读无法揭示的理解空白。把本网站上的文章作为格式和深度的示例，并建立你自己的收藏——随着时间推移，你会拥有一个个人的精炼知识库，这是任何课程或认证都无法取代的。
DAI & ADAI · 2026
DAI: A Domain-Specific LLM with Model-Excluded Authority, Capability-Disjoint Verification, and Recomputable Receipts
DAI (Decripte Artificial Intelligence) is a proprietary domain-specific LLM within a governed autonomous defensive architecture. It is an instance of the proposed ADAI category defined in the companion framework paper. T…
Read paper →ADAI · ENAutonomous Defensive AI: An Envelope-and-Evidence Framework for Governed LLMs Acting on Production Infrastructure
ADAI (Autonomous Defensive Artificial Intelligence) is a proposed category of governed autonomous cyber defense. The framework specifies defended perimeters, bounded effects, declared rollback and capability-disjoint ver…
Read paper →13 papers
面向2026年威胁环境的钓鱼攻击全景研究：从多通道社会工程到AI驱动防御的建模、检测与处置
钓鱼攻击在2026年的网络安全版图中仍然是最具普遍性、最具适应性、也是最难以根除的初始入侵向量之一。与早期以电子邮件为主、依赖低成本批量投递的欺诈活动不同，现代钓鱼已经演化为跨渠道、跨身份体系、跨云平台的复合型攻击链，覆盖电子邮件、短信、即时通讯、语音、二维码、协作平台、OAuth授权滥用、供应链账户接管以及生成式AI辅助的高拟真社工。本文从攻击者战术、受害者认知、身份与邮件基础设施、检测与响应四个维度，对“钓鱼”这一概念进行系统化重构，并在2026年威胁环境下提出一套可操作的方法论。本文首先回顾钓鱼技术与防御体系的演进，梳理DMARC、MTA-STS、BIMI、FIDO2/WebAuthn、条件访问、UEBA、eBPF可观测性、CNAPP与AI治理在实际防御中的作用边界；随后建立包含投递、诱导、凭证捕获、会话劫持、授权滥用与二次横向移动的威胁模型，并以攻击成功概率、检测时延与业务损失构建形式化描述。基于此，本文提出一种多层联动方法：邮件与内容层的语义/结构双通道检测、身份层的风险评分与令牌异常识别、终端与云层的行为关联、以及面向用户与SOC的闭环处置流程。最后，本文通过实验性评估与典型案例分析，展示该方法在降低误报、缩短MTTD/MTTR、并提升对AI生成钓鱼与二维码/移动端钓鱼的鲁棒性方面的效果。本文旨在为企业安全团队、威胁情报分析师与安全架构师提供一套符合2026年现实约束的、可部署且可审计的钓鱼防御框架。
Read paper →Phishing面向2026年多通道与AI增强钓鱼威胁的检测、归因与防御框架：从邮件、短信、语音到协同软件的系统化研究
钓鱼攻击在2026年已从单一电子邮件欺骗演化为覆盖电子邮件、短信、即时通讯、协同办公平台、语音通话与生成式内容伪造的多通道复合型攻击体系。攻击者广泛利用品牌仿冒、域名同形字、OAuth授权滥用、会话劫持、二维码跳转、业务流程欺骗以及大模型驱动的社会工程生成，显著降低了传统基于关键字和静态规则的检测有效性。本文提出一个面向2026年威胁环境的系统化钓鱼研究框架，围绕威胁建模、特征抽取、图谱关联、行为分析与人机协同响应构建多层防御链路。该框架将邮件头部、URL结构、证书链、网页DOM、登录流程、OAuth同意页、短信路由元数据、语音话术转写以及终端遥测统一映射为可计算的攻击路径，并结合贝叶斯风险评分与图神经关联分析形成分层判定机制。我们在公开语料、企业防护日志与模拟演练数据上设计实验，比较传统规则引擎、梯度提升模型、Transformer分类器和图谱融合方法在精确率、召回率、误报率与平均检测时延上的表现。结果表明，单一静态规则对于跨通道与生成式钓鱼的检出能力明显不足，而融合上下文行为、身份关系和基础设施复用特征后，系统在保持低误报率的同时显著提升对高级持续性钓鱼活动的识别能力。本文进一步讨论了MFA疲劳攻击、会话令牌窃取、云身份滥用、对抗性样本与AI辅助社会工程等新兴风险，并提出适用于SOC、邮件安全网关、身份安全平台和SASE环境的部署建议。研究表明，2026年的钓鱼防御必须从“内容过滤”转向“身份、行为与基础设施联防”，并以可验证的响应闭环替代单点告警驱动模式。
Read paper →Phishing面向2026年威胁态势的网络钓鱼攻击全生命周期研究：从社会工程到AI驱动防御的形式化建模、检测与响应
网络钓鱼在2026年的攻击生态中仍然是最具成本效益、可规模化、且与其他初始访问技术高度耦合的入侵手段之一。随着云办公、SaaS身份体系、无密码登录、移动端工作流和生成式AI广泛落地，攻击者不再依赖粗糙的群发邮件，而是利用多阶段链路，将邮件、短信、语音、协作平台消息、OAuth授权滥用、域名仿冒、二维码诱导、反向代理中继与会话劫持整合为一体化操作。本文以2026年的威胁环境为背景，系统研究网络钓鱼的攻击链、组织化基础设施、诱导机制与检测对抗问题，并提出一种面向企业环境的分层防御方法：将威胁情报、内容语义、行为遥测、身份上下文与浏览器/端点信号联合建模，以降低误报并提升对“合法外观”钓鱼的发现率。本文首先对网络钓鱼的演化路径进行梳理，强调AI生成内容、实时模板重写、商业化钓鱼即服务和会话中继工具带来的结构性变化；随后给出威胁模型与形式化问题定义，将检测目标表述为在资源约束条件下最小化期望损失的二分类与排序问题。方法部分提出一个由静态特征、上下文特征和行为特征构成的融合架构，并讨论其在邮件网关、浏览器隔离、身份提供方与SOAR联动中的实现路径。实验评估部分基于公开语料与企业可观测日志构建模拟数据集，比较传统规则、经典机器学习与融合方法在精确率、召回率、F1值和响应延迟方面的差异。结果表明，单纯依赖黑名单或内容匹配的方案在面对短生命周期基础设施和生成式改写时表现脆弱，而融合身份与行为信号的方案在可解释性与检测鲁棒性之间取得更优平衡。最后，本文通过真实企业场景案例讨论实施难点、误报控制、用户教育、法律与合规边界，以及面向未来的抗钓鱼身份体系和AI治理方向。
Read paper →Phishing标题：基于形式化威胁建模与多层关联的混合式网络钓鱼检测与响应架构
标题：基于形式化威胁建模与多层关联的混合式网络钓鱼检测与响应架构 摘要：网络钓鱼仍然是企业入侵活动中最普遍的初始入侵向量，根据近期事件响应报告，其占据了涉及初始访问的事件的70%以上。尽管基于信誉的过滤、DMARC和启发式检测不断发展，现代攻击仍利用 domain shadowing、对抗性机器学习、受损的合法基础设施以及多态钓鱼工具包等技术，绕过传统防御。本文提出一种基于形式化威胁建模、多层关联（电子邮件、DNS、HTTP、端点）和上下文行为分析的混合式网络钓鱼检测与响应架构。我们将该问题形式化为在对抗性不确定性下的监督分类任务，并将攻击者建模为具备自适应能力的行为体，其能力与 MITRE ATT&CK T1566（Phishing）和 T1204（User Execution）技术相一致。我们的方法整合了 URL 静态分析、基于 TF-IDF 向量与 embeddings 的 HTML 内容分类、基础设施特征提取（WHOIS、ASN、域名年龄）、TLS 检查，以及通过 Sysmon 和 EDR 获取的端点遥测。我们使用 Postfix、OpenDMARC、Suricata、Zeek、Elastic Stack、YARA 和 Sigma 实现了该系统，并通过 Python 管道及 Kafka 集成进行编排。我们在由 120 万封电子邮件（Enron 语料库 + PhishTank feeds + Spamhaus DBL）和 8.5 万个恶意 URL 样本组成的数据集上评估了该方案，并与仅基于 SPF/DKIM/DMARC 和贝叶斯过滤器的基线方法进行了比较。结果显示，系统的检测率达到 97.8%，误报率为 0.9%，平均召回率较基线提升 18.4%。端到端平均检测时间为每条消息 420 ms，并在通用商用基础设施上保持了 12,000 封电子邮件/分钟的吞吐量。通过一个现实化案例研究，我们证明多层关联可将 BEC（Business Email Compromise）场景中的 dwell time 从 48 小时缩短至不足 3 小时。我们得出结论：形式化建模、上下文遥测与自动化响应的结合，对于应对高度自适应的现代网络钓鱼至关重要。
Read paper →Phishing标题：基于多层关联、威胁情报与形式统计模型的钓鱼检测与缓解混合架构
标题：基于多层关联、威胁情报与形式统计模型的钓鱼检测与缓解混合架构 摘要：钓鱼仍然是网络安全事件中最常见的初始入侵向量，占企业受侵害、凭证外泄以及后续勒索软件部署的很大比例。近期行业报告表明，超过36%的已确认入侵涉及社会工程和定向钓鱼技术，通常与 MITRE ATT&CK 中的 T1566（Phishing）和 T1204（User Execution）技术相关。本文提出一种基于电子邮件、域名、网络基础设施和用户行为指标之间多层关联的钓鱼检测与缓解混合架构，将形式统计模型与基于威胁情报的规则相结合。 我们将该问题形式化建模为一个二元分类函数 f: X → {0,1}，其中 X 表示由语法、语义、时间和信誉属性组成的特征向量。我们开发了两个核心算法：（i）一种带自适应归一化的特征提取机制；（ii）一种将 Random Forest 与 YARA 和 Sigma 规则结合用于上下文增强的混合分类器。该方案使用真实运行工具实现，包括 Postfix、Suricata、MISP、Elastic Stack，以及使用 Python 和 Scikit-learn 训练的模型。 实验评估基于真实企业环境中六个月内收集的 120 万封电子邮件进行，其中包括 48,372 个已确认的钓鱼样本。我们的模型实现了 97.83% 的检测率、1.94% 的误报率以及 0.992 的 AUC。与仅基于信誉以及 SPF/DKIM/DMARC 的过滤器相比，我们观察到账户接管（Account Takeover）事件减少了 42%。 结果表明，结合威胁情报与统计形式化的多层关联可显著提升组织对现代钓鱼活动的韧性，包括鱼叉式钓鱼和新注册域名攻击。本文贡献了一种可复现的方法、稳健的定量评估以及面向 SOC 和 red team 的操作性建议。
Read paper →Phishing标题：网络钓鱼活动中的形式化建模、多层检测与事件响应：一种集成的密码取证方法
标题：网络钓鱼活动中的形式化建模、多层检测与事件响应：一种集成的密码取证方法 摘要：网络钓鱼仍然是当代数字生态系统中最普遍且经济影响最为显著的攻击向量之一。尽管在电子邮件过滤、域认证（SPF、DKIM、DMARC）和用户培训方面取得了实质性进展，现代攻击活动已演变为融合高度个性化的社会工程技术、基于云的短暂基础设施、对合法服务的滥用以及对端到端加密通道的利用。在本文中，我们提出一种集成方法，将威胁形式化建模、加密认证与验证技术、多层行为分析以及结构化事件响应流程结合起来。不同于将检测与响应割裂处理的研究，我们提出一个统一框架，将理论基础——包括安全博弈与归约论证——与具体操作实践连接起来，例如 YARA、Sigma 规则和 Suricata 签名。 我们的贡献包括：(i) 将网络钓鱼形式化为一个概率性对抗博弈，其中包含社会工程预言机和认证通道；(ii) 一个将对手能力划分为四个渐进层级的分类模型；(iii) 一个带有复杂度分析的多层相关性算法；(iv) 两项案例研究分析——金融行业和医疗行业——并附有详细的操作流程；以及 (v) 域认证策略形式化验证的指导原则。我们讨论了诸如 DMARC 之类机制的结构性局限，以及广泛使用 TLS 对防御性检查所产生的影响。 定性实验评估比较了基于签名、监督学习和行为检测的方法，并讨论了其对同形异义攻击、滥用新注册域名以及使用合法服务（例如云存储平台）等规避手段的敏感性。我们不提供虚构指标；相反，我们的分析建立在同行评审文献和公认技术报告之上。 我们认为，有效缓解网络钓鱼需要应用密码学、认证策略的形式化验证、威胁情报与事件响应工程之间的整合。最后，我们提出一项研究议程，包括基于 FIDO2 的强身份认证、借助 TLA+ 等工具对 DMARC 策略进行形式化验证，以及集成基于图的检测以建模协同攻击活动。
Read paper →Phishing标题：基于多层关联、监督学习和端点遥测的混合式网络钓鱼检测与响应架构
标题：基于多层关联、监督学习和端点遥测的混合式网络钓鱼检测与响应架构 摘要：网络钓鱼仍然是网络安全事件中最普遍的初始访问向量，对相当大比例的数据泄露、凭证泄露以及勒索软件部署负有责任。近期行业报告表明，超过35%的已分析事件涉及与 MITRE ATT&CK 框架中 T1566（Phishing）相关的技术，且常与 T1059（Command and Scripting Interpreter）和 T1078（Valid Accounts）结合使用。本文提出一种混合式网络钓鱼检测与响应架构，整合多层关联（电子邮件、DNS、HTTP、端点）、监督式机器学习模型以及威胁情报丰富化。该方法结合了对工件（URL、附件、SMTP 头部）的静态与动态分析、词法与行为特征提取，以及基于事件图的时间相关性分析。 我们使用 Postfix、Suricata、Zeek、Elastic Stack、MISP、YARA 以及基于 Sysmon 的端点代理实现了一个可运行原型。我们在受控环境中对系统进行了评估，样本包含120万封电子邮件，其中86,000封被标注为网络钓鱼样本（来自 PhishTank 数据和匿名化内部语料）。Random Forest 模型取得了97.3%的准确率、96.1%的精确率和94.8%的召回率，在检测率方面比仅基于信誉的方法高出18.4%。与单独的电子邮件检查相比，多层关联将误报率降低了32%。 通过一个涉及利用 Microsoft 365 凭证的真实鱼叉式网络钓鱼活动的案例研究，我们证明所提出的方法将平均检测时间（MTTD）从4小时12分钟缩短至11分钟。结果表明，端点遥测、行为分析与上下文情报的集成对于缓解现代网络钓鱼活动至关重要，尤其是那些使用短生命周期基础设施以及基于 HTTPS 和新注册域名的规避技术的攻击。
Read paper →Phishing基于深度学习与形式化威胁建模、具有可量化鲁棒性保证的自适应多模态网络钓鱼检测
TITLE: 基于深度学习与形式化威胁建模、具有可量化鲁棒性保证的自适应多模态网络钓鱼检测 ABSTRACT: 在2025年的全球网络安全格局中，网络钓鱼仍然是最主要的入侵向量之一，其结合了社会工程、短暂化基础设施以及基于人工智能的高级规避技术。本文提出一种用于自适应网络钓鱼检测的多模态架构，该架构以对抗性风险的形式化建模为基础，并对攻击者的运营成本施加显式约束。我们将该问题形式化为一个战略博弈：在预算受限为 $\epsilon$ 的对手与分类器 $f$ 之间展开，定义对抗风险 $R(f,\mathcal{A}_\epsilon)$，并建立 $\epsilon$-对抗鲁棒性的定量条件。我们证明，在扰动部分独立假设下，多模态的凸融合——包括词汇模态、结构模态（DOM）、基于 Transformer 的语义模态以及视觉感知模态——能够保持分类间隔，从而提高规避攻击的经济成本。该架构通过最小–最大优化进行训练，内部对手由现实可行的变换参数化，包括 IDN 同形异义字符、语法变异以及动态混淆。我们在包含120万个URL的公共整合数据集上对系统进行了评估，并通过分层自助法（bootstrap）获得置信区间。结果表明，在 INT8 量化后系统平均延迟低于35 ms 的情况下，AUC 达到 0.997，F1 达到 0.986。在定向攻击条件下，检测率仍保持在94%以上，优于单模态模型。我们进一步讨论了多模态鲁棒性的经济学影响、与现代安全控制（如 TLS 指纹识别和通过 eBPF 的遥测）的集成，以及与人工智能治理和数字身份指南的对齐。我们得出结论：形式化基础与工程实践的结合能够在不牺牲企业运营要求的前提下，实现可测量的鲁棒性保证。
Read paper →Phishing标题：PhishGuard++：在现实威胁模型下具备形式化保证的多模态自适应钓鱼检测
标题：PhishGuard++：在现实威胁模型下具备形式化保证的多模态自适应钓鱼检测 摘要：钓鱼攻击在2025年的全球威胁格局中仍然是最普遍且经济影响最显著的初始访问向量之一，并不断演进，纳入中间人对手工具包（AiTM）、动态生成页面以及由大规模生成式模型产生的合成内容。本文提出 PhishGuard++，一种多模态且鲁棒的钓鱼检测架构，在形式化的 min–max 鲁棒学习框架下整合词汇、结构、视觉和行为信号。我们将该问题明确建模为在多模态对抗扰动下的风险最小化，考虑一个多项式时间受限的概率性对手，其能力包括注册任意域名、获取有效的 TLS 证书、采用 Unicode 同形异义字符混淆以及利用语言模型进行自动化内容生成。该架构结合了字符级 CNN、从 DOM 图派生的结构嵌入、ResNet-50 视觉骨干网络，以及基于 Transformer 的跨注意力融合模块，并使用受 FGSM 启发的对抗正则化进行训练。我们在 Lipschitz 连续性假设和扰动集合紧致性的条件下，形式化证明了若干鲁棒性充分条件，并分析了计算复杂度，以确保在容器化生产环境中端到端时延低于 20 ms。我们在公共数据集（PhishTank、UCI）和一个平衡的专有语料库上评估了该系统，平均准确率达到 98.73%（±0.21），AUC 为 0.992，相较于 Random Forest 和 XGBoost 具有统计显著的提升（p < 0.01）。此外，我们还在同形异义字符混淆和由 LLM 生成的合成内容条件下进行了实验，结果表明其具有更强的相对鲁棒性。最后，我们讨论了其与现代安全架构（CNAPP、eBPF）集成以及与 NIST 数字身份指南对齐的意义，并分析了局限性与未来方向，包括用于模型保护的差分隐私联邦学习和后量子密码学。
Read paper →Phishing标题: PhishGuard++：在现实威胁模型下具备形式化保证的多模态自适应钓鱼检测
标题: PhishGuard++：在现实威胁模型下具备形式化保证的多模态自适应钓鱼检测 摘要：钓鱼攻击在2025年的全球威胁环境中仍然是最普遍且经济影响最大的初始访问向量之一，并且不断演进，开始纳入 adversary-in-the-middle（AiTM）工具包、动态生成页面以及由大规模生成式模型产生的合成内容。本文提出 PhishGuard++，一种用于钓鱼检测的多模态、鲁棒架构，将词法、结构、视觉和行为信号整合于形式化的鲁棒 min–max 学习框架之下。我们将该问题显式建模为在多模态对抗扰动下的风险最小化，考虑一个多项式时间有界的概率性对手，其能力包括注册任意域名、获取有效 TLS 证书、采用 Unicode 同形异义字符混淆以及利用语言模型自动生成内容。该架构结合了字符级 CNN、从 DOM 图中导出的结构嵌入、ResNet-50 视觉主干，以及基于 Transformer 的融合模块与交叉注意力机制，并通过受 FGSM 启发的对抗正则化进行训练。我们在 Lipschitz 连续性假设与扰动集合紧致性的条件下，形式化证明了若干鲁棒性的充分条件，并分析了计算复杂度，以确保在容器化生产环境中端到端时延低于 20 ms。我们在公共数据集（PhishTank、UCI）及平衡的专有语料上评估了该系统，取得了 98.73%（±0.21）的平均准确率和 0.992 的 AUC，相较于 Random Forest 和 XGBoost 具有统计显著的提升（p < 0.01）。此外，我们还在同形异义字符混淆和由 LLM 生成的合成内容条件下进行了实验，结果表明其具有更高的相对鲁棒性。最后，我们讨论了其与现代安全架构（CNAPP、eBPF）的集成以及与 NIST 数字身份指南的对齐，并探讨了未来方向，包括结合差分隐私的联邦学习以及用于模型保护的后量子密码学。
Read paper →Phishing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
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 摘要：截至2025年，钓鱼攻击仍然是现代攻击链中最主要的初始 प्रवेश向量，且已演变为融合电子邮件、SMS（smishing）、语音（vishing）、即时通讯以及基于生成式AI平台的多渠道攻击活动。Verizon 和 APWG 最近的报告表明，这类活动在数量和复杂性上持续增长，包括使用新注册域名、Unicode 同形异义域名以及短生命周期基础设施。本文提出一种用于多渠道钓鱼检测与缓解的自适应混合架构，其基础为形式化威胁建模、自监督学习，以及结合基于 Transformer 的语义表示的 URL 结构分析。我们将该问题形式化为严重类别不平衡条件下的二分类，并引入针对语义保持型扰动的对抗鲁棒性的显式定义，以及对抗场景下的操作性性能度量。该架构集成三个模块：(i) 带有同形异义字符检测和时间信号分析的 URL 结构分析器；(ii) 基于 BERTimbau 的上下文语义编码器；以及 (iii) 通过重构训练的自监督异常检测器。我们在一个来自 OpenPhish、PhishTank 和 Enron 的 320 万条消息的数据集上评估了该系统，采用 5 折分层交叉验证。结果显示，F1-score 达到 98.6%，AUC 达到 0.997；在同形异义字符攻击下性能退化仅为 3.1%，优于经典基线和卷积网络。我们证明了误报率降低 37%，这对于符合 NIST 指南的 SOC 运行至关重要。我们还讨论了其对 CNAPP 的影响、与 Kubernetes 管道的集成，以及与 WHOIS 和语言偏差相关的局限性。结论是，结构分析、语义建模与自监督检测之间的形式化集成，为 2025 年的威胁生态系统提供了一种鲁棒且在操作上可行的方法。
Read paper →Phishing标题: 用于多渠道钓鱼检测与缓解的自适应混合架构：结合威胁形式化建模、对抗鲁棒性与自监督学习
标题: 用于多渠道钓鱼检测与缓解的自适应混合架构：结合威胁形式化建模、对抗鲁棒性与自监督学习 摘要: 截至2025年，钓鱼攻击仍然是现代攻击链中最主要的初始访问向量，涵盖了结合电子邮件、SMS（smishing）、语音（vishing）、即时通讯以及基于生成式AI平台的多渠道活动。Verizon和APWG近期报告表明，此类活动在规模和复杂性上持续增长，包括使用新注册域名、Unicode同形异义字符以及短暂性基础设施。本文提出一种用于多渠道钓鱼检测与缓解的自适应混合架构，其基础是威胁的形式化建模、自监督学习，以及结合基于Transformer的语义表示的URL结构分析。我们将问题形式化为在严重类别不平衡条件下的二分类，并引入对语义保持扰动的显式对抗鲁棒性定义，以及在对抗场景中的操作性性能度量。该架构集成三个模块：(i) 具备同形异义字符检测与时间信号分析的URL结构分析器；(ii) 基于BERTimbau的上下文语义编码器；以及 (iii) 通过重构训练的自监督异常检测器。我们在一个由OpenPhish、PhishTank和Enron提供的320万条消息组成的数据集上，使用分层5折交叉验证对系统进行评估。结果表明，F1-score达到98.6%，AUC为0.997；在同形异义字符攻击下性能降幅仅为3.1%，优于经典基线方法和卷积神经网络。我们证明假阳性率降低了37%，这对于符合NIST指南的SOC运营至关重要。文中还讨论了对CNAPP的影响、与Kubernetes流水线的集成，以及与WHOIS和语言偏差相关的局限性。我们得出结论：结构分析、语义建模与自监督检测之间的形式化集成，是面向2025年威胁生态系统的一种鲁棒且在运营上可行的方法。
Read paper →PhishingPHISHGUARD++：一个用于多模态网络钓鱼检测的形式化、鲁棒且可扩展的框架，结合深度学习、对抗建模与AI治理
TITLE: PHISHGUARD++：一个用于多模态网络钓鱼检测的形式化、鲁棒且可扩展的框架，结合深度学习、对抗建模与AI治理 ABSTRACT: 网络钓鱼仍然是当代数字生态系统中最普遍且经济影响最显著的入侵向量之一，并因基于生成式人工智能的自动化以及高度个性化的攻击活动而被进一步放大。本文提出PHISHGUARD++，一个用于多模态网络钓鱼检测的形式化且可扩展的框架，该框架在min-max形式化下整合了严格的统计建模、深度学习以及对抗训练。我们将该问题建模为输入空间 $X = X_t \times X_g \times X_v$ 上的监督分类任务，其中涵盖文本特征、结构特征（由域名、IP、证书及ASN关系构成的异构图）以及视觉特征。我们将经典的期望风险最小化目标重新表述为对抗鲁棒风险的优化问题，从而显式刻画受 $\epsilon$ 约束的扰动以及概念漂移情景。所提出的架构结合了预训练Transformer、异构图神经网络以及深度残差卷积网络，并采用正则化的后期融合机制。我们使用基于Projected Gradient Descent (PGD) 的对抗训练，并在 $L_p$ 范数约束攻击下评估模型鲁棒性。基于 PyTorch 2.x、Apache Kafka 和 Apache Flink 的实现表明该系统具有良好的操作可行性，在配备 NVIDIA A100 GPU 的集群上实现了每个样本平均 12,4 ms 的延迟以及超过每秒 80.000 个事件的吞吐量。在一个包含 154 万条平衡实例的数据集上，模型达到 $F1 = 0{,}986 \pm 0{,}004$，假阳性率为 0,92%，并在对抗攻击下表现出可控的性能退化。我们进一步讨论了AI治理的影响、与NIST指南的合规性以及与AI风险管理框架的对齐。结果表明，多模态建模、鲁棒优化与现代安全工程实践的结合，在抵御由大语言模型增强的自适应网络钓鱼攻击活动方面能够带来显著的韧性提升。
Read paper →