《Frontiers in Artificial Intelligence》：Improved graph-based model for phishing website detection using multi-level web page graphs and dynamic heterogeneous graph attention network
编辑推荐：
现代钓鱼页面难以检测，因为它们可以通过动态文档对象模型（DOM）结构、误导性视觉显示和变化超链接，伪装成合法品牌网站。大多数传统黑名单和基于URL的方法无法捕获网页结构多个层级的关系。研究人员引入一种新的基于图的钓鱼检测方法，使用多层网页图（MLWPG）表示网
现代钓鱼页面难以检测，因为它们可以通过动态文档对象模型（DOM）结构、误导性视觉显示和变化超链接，伪装成合法品牌网站。大多数传统黑名单和基于URL的方法无法捕获网页结构多个层级的关系。研究人员引入一种新的基于图的钓鱼检测方法，使用多层网页图（MLWPG）表示网页。MLWPG将DOM层级、渲染视觉块和超链接关系整合到一个异构图（heterogeneous graph）中。研究人员使用一种名为DHGAN的新型深度学习方法，该方法具有类型感知注意力（Type-Aware Attention）和动态卷积（Dynamic Convolution），以学习区分结构、空间和导航元素之间的判别性交互。对抗性钓鱼数据增强（APDA）将在特征空间中使用，以增强对逃避性钓鱼版本的鲁棒性。使用一个包含50,000个网页的平衡数据集，完整流程达到97.0%准确率、96.8% F1分数、3.0%假阳性率和95.5%对抗鲁棒性。所提出的MLWPG-DHGAN-APDA框架优于所有基线模型。实验结果表明，多层图模型在实时钓鱼防御中提高了检测准确性和操作可靠性。
**研究背景与问题**
网络钓鱼攻击通过伪装成合法网站窃取用户敏感信息，已成为网络安全主要威胁之一。传统检测方法依赖黑名单或基于URL的统计特征，无法有效应对动态DOM结构、视觉欺骗和变化超链接等复杂手段。现有方法多局限于单一层级特征（如URL字符串或扁平HTML特征），忽视网页结构、视觉布局和超链接行为之间的多层级关系，导致高假阳性率和低鲁棒性，难以抵御逃避性攻击。因此，研究人员提出一种基于改进图模型的方法，旨在从页面级关系表征出发，提升钓鱼检测的准确性和可靠性。该研究发表在《Frontiers in Artificial Intelligence》。
**研究内容与结论**
研究人员提出MLWPG-DHGAN-APDA框架，通过构建多层网页图（MLWPG）融合DOM层级、视觉布局和超链接关系，利用动态异构图注意力网络（DHGAN）学习类型感知的节点和边交互，并引入对抗性钓鱼数据增强（APDA）在特征空间进行扰动训练。在50,000个网页（25,000个钓鱼页面与25,000个良性页面，来自PhishTank验证快照和Tranco Top 1M列表，按时间划分训练/验证/测试集并去重）的平衡数据集上，完整模型达到97.0%准确率、96.8% F1分数、3.0%假阳性率和95.5%对抗鲁棒性，显著优于集成学习、GAN、图神经网络和Transformer等基线模型。消融实验证实各组件均贡献渐进提升，表明多层级关系建模对精准检测和鲁棒性至关重要。
**关键技术与方法**
1. **多层网页图（MLWPG）**：将网页表示为异构（heterogeneous）图，节点包括DOM节点、视觉块节点和超链接节点，边包括DOM父子关系、视觉包含/重叠关系、超链接导航关系等。每一节点特征向量由82维描述符拼接而成，涵盖DOM属性（标签类型、深度、隐藏字段标记等）、视觉属性（边界框坐标、重叠分数、登录表单邻近度等）和超链接属性（URL长度、字符熵、重定向深度、外部域名标记等）。
2. **动态异构图注意力网络（DHGAN）**：处理MLWPG生成的层次图，采用类型感知注意力（Type-Aware Attention）和动态卷积（Dynamic Convolution）。注意力机制为不同类型节点和边分配不同权重，动态卷积层通过条件门控网络根据节点类型、边类型和特征生成自适应权重。模型包含约182万可训练参数，使用3层异构注意力-卷积层、8注意力头、隐藏层大小128、dropout 0.30。
3. **对抗性钓鱼数据增强（APDA）**：在特征空间中对良性样本的MLWPG节点特征矩阵施加FGSM扰动，生成约束性对抗特征向量，同时保持特征有效性（如连续属性裁剪至观测范围，二值/类别特征保持不变）。扰动幅度经敏感性测试选定为epsilon=0.01，生成的对抗样本加入训练集，使模型暴露于边界特征空间变化，增强鲁棒性。
**研究结果**
- **4.1 模型训练**：超参数通过验证集F1分数和假阳性率选择，采用8注意力头、学习率0.001、批次大小128、dropout 0.30、训练50轮（验证F1约43轮饱和）。训练在NVIDIA Tesla V100 GPU上耗时3.4小时。
- **4.2 动态异构图注意力网络（DHGAN）**：通过注意力机制和动态卷积生成节点嵌入，每个节点获得最终嵌入向量，用于后续分类。示例显示，节点嵌入有效区分钓鱼与良性元素。
- **4.3 对抗性钓鱼数据增强（APDA）**：对良性节点特征施加小幅度扰动（如FGSM epsilon=0.01），生成合成对抗特征，保留原有图结构，扩充训练集，使模型在对抗样本上保持高准确率。
- **4.4 最终输出**：分类结果展示节点级预测标签与真实标签高度一致。整体性能对比显示，提出模型在准确率、精确率、召回率、F1分数、假阳性率和对抗鲁棒性上均优于所有基线（如BERT/Transformer URL基线最高93.4%准确率）。ROC曲线下面积（AUC）和精确率-召回率曲线进一步确认优势。计算成本分析显示，MLWPG构建平均41.6ms/页，DHGAN推理7.9ms/页，端到端GPU推理49.5ms/页（约20页/秒），适合近实时钓鱼分类。
**讨论与结论**
结果证明，将网页建模为多层级关系对象（而非孤立URL或扁平特征）能显著提升检测性能。注意力机制赋予隐藏表单域、外部重定向路径、品牌相似锚文本和视觉重叠登录组件更高权重。失败案例主要出现在含有大量广告重定向、第三方登录组件或高度压缩JavaScript的良性页面，以及仅含图像表单或延迟渲染的钓鱼页面。研究局限性包括使用有限网页快照、缺乏实时浏览器遥测、视觉布局渲染计算成本高。未来方向包括浏览器集成轻量部署、持续学习新钓鱼活动、多语言品牌冒充分析、可解释注意力图以及跨组织隐私保护协作训练。
**结论翻译**：本研究提出了一种改进的基于图的钓鱼网站检测框架，结合了MLWPG、DHGAN和APDA，以解决浅层和单层级钓鱼检测器的局限性。所提出的MLWPG表征在一个统一的异构图（heterogeneous graph）中捕获了DOM层级、视觉布局和超链接行为，而DHGAN学习了这些元素之间的类型感知注意力（Type-Aware Attention）和动态卷积（Dynamic Convolution）交互。APDA通过在训练中引入有界特征空间扰动，进一步增强了鲁棒性。最终模型在对抗性钓鱼样本上达到了97.0%的准确率、96.8%的F1分数、3.0%的假阳性率和95.5%的鲁棒性，证实了多层级关系建模在精度和韧性方面的提升。消融分析也表明，每个模块都逐步贡献，完整流程产生了最强的性能。未来工作将集中于浏览器集成轻量部署、新出现钓鱼活动的持续学习、多语言品牌冒充分析、供分析师审查的可解释图注意力图，以及跨组织的隐私保护协作训练。这些趋势之所以重要，是因为钓鱼攻击日益动态化、个性化和视觉复杂化，要求检测系统不仅准确，还要具备适应性和操作透明性。
