基于机器学习与大语言模型的多阶段网络钓鱼检测系统研究
《IEICE Transactions on Communications》:Risk-aware phishing detection with multi-staged machine learning and large language model reasoning
【字体:
大
中
小
】
时间:2026年09月18日
来源:IEICE Transactions on Communications 1.1
编辑推荐:
摘要:网络钓鱼是当今最具持续性和破坏性的网络威胁之一,影响着全球的各个个人和组织。网络钓鱼技术不断演变,利用传统反制措施中的漏洞进行攻击。一个关键挑战在于,攻击者现在利用大语言模型(LLMs)和钓鱼即服务平台创建具有高度欺骗性、短生命周期且经过伪装的网站,以规避标准检测方法。
摘要:
网络钓鱼是当今最具持续性和破坏性的网络威胁之一,影响着全球的各个个人和组织。网络钓鱼技术不断演变,利用传统反制措施中的漏洞进行攻击。一个关键挑战在于,攻击者现在利用大语言模型(LLMs)和钓鱼即服务平台创建具有高度欺骗性、短生命周期且经过伪装的网站,以规避标准检测方法。因此,本研究提出了一种多阶段网络钓鱼检测系统,该系统集成了机器学习(ML)和大语言模型(LLMs),以提高准确性、鲁棒性和成本效益。该系统对URL进行评估,并在高风险场景下利用多模态大语言模型推理进行更深入的分析。实验结果表明,该系统的召回率达到99%,在相当的成本下优于现有方法。此外,与传统二元分类器不同,该系统提供了详细的诊断报告,提升了透明度和可解释性。最后,为Gmail开发的插件展示了与电子邮件安全相集成的实际部署方案。因此,该系统加强了对网络钓鱼攻击的防御,提供了具体证据,并支持更广泛的策略,以应对不断演变的威胁,提升网络安全。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号