抗对抗性轻量级网络钓鱼网址检测：在规避技术下的词汇与元数据特征评估

《Scientific Reports》：Adversarial-resilient lightweight phishing url detection: Evaluating lexical & metadata features under evasion techniques

　　

摘要

网络钓鱼被视为最为普遍且不断演变的网络威胁之一，攻击者通过巧妙的URL结构来规避传统的检测工具。尽管基于机器学习的网络钓鱼检测技术表现不俗，但现有大多数模型都是在理想条件下进行评估的，未能考虑到包括混淆、编码操纵、同形字替换、令牌填充以及子域名重排序等恶意URL规避手段。这一缺陷严重影响了这些技术在现实环境中的应用效果。网络钓鱼URL检测被建模为一个轻量级的二分类问题，并采用了明确的对抗性威胁模型。该模型全面涵盖了基于词汇、结构和元数据的URL特征，无需依赖原始URL字符串或深度包检测技术，从而保护了用户隐私并便于大规模部署。为应对对抗性攻击，本文提出了具有抗对抗性的轻量级随机森林模型（AR-LRF），该模型结合了可控的集成复杂度以及训练过程中施加的模拟对抗性扰动。在包含650,000个URL的大规模不平衡现实数据集上进行了广泛实验，该数据集中有91%为良性URL，9%为网络钓鱼URL。实验在理想条件和对抗性条件下，从准确性、精确度、召回率、F1分数以及ROC-AUC等多个指标对AR-LRF与五种基准分类器——逻辑回归、决策树、随机森林、支持向量机以及朴素贝叶斯进行了对比。在理想条件下，AR-LRF的准确率为99.78%，ROC-AUC值为0.9999；而在面对对抗性扰动时，其性能下降幅度显著较小。特征重要性和置信度稳定性分析进一步证明了该模型的抗干扰能力，表明AR-LRF是一种可行、轻量且可部署的现代网络安全工具。