基于 URL 和网页的自动化网络钓鱼检测

网络钓鱼检测是一项关键的网络安全任务，涉及识别和中和试图获取敏感信息的欺诈性尝试，从而保护个人和组织免受数据泄露和财务损失。本项目针对传统基于参考的网络钓鱼检测方法的局限性，开发了一种 LLM 智能体框架。该智能体利用大型语言模型主动获取并利用在线信息，提供一个动态的参考系统，以实现更准确的网络钓鱼检测。这种创新规避了静态知识库的需求，为自动化安全措施提供了显著的灵活性和效率提升。项目报告包括对现有解决方案的初始研究和问题分析，这促使我们开发了新的框架。我们使用模拟的 LLM 作为智能体演示该框架，详细说明构建所需的技术，然后进行完整的实现和验证性原型，以及实验评估我们的解决方案与其他类似解决方案的性能。结果表明，我们的方法在准确率上达到 0.945，显著优于现有方案 DynaPhish 提高了 0.445。此外，我们讨论了该方法的局限性，并提出了可能使其更有效的改进措施。总体而言，提出的框架有望增强当前基于参考的网络钓鱼检测方法的有效性，并可适用于实际应用场景。