双路径网络钓鱼检测：集成基于转换器的自然语言处理与结构化 URL 分析
密码学与安全
2025-09-26 v1 人工智能
摘要
网络钓鱼邮件构成持续且日益复杂的威胁，通过设计以操纵语义和结构漏洞为目标的欺骗性策略，破坏着电子邮件安全。传统检测方法往往仅基于电子邮件内容或嵌入 URL 的独立分析，无法全面应对这些不断演变的攻击。本文提出一种双路径网络钓鱼检测框架，将基于转换器的自然语言处理（NLP）与经典机器学习方法集成，以联合分析电子邮件文本和嵌入 URL。该方法利用精炼转换器架构（如 DistilBERT）进行语义分析，以及基于字符级 TF-IDF 向量化配合经典分类器（如随机森林）进行结构化链接分析。经典数据集上的实验评估表明，这种组合方法显著提升了检测准确率。具体而言，DistilBERT 模型在文本网络钓鱼检测中实现了准确率与计算效率之间的近乎最佳平衡，而随机森林在识别恶意 URL 方面显著优于其他经典分类器。该模块化设计允许独立部署或集成集成，促进了实际应用。总体而言，本文的结果凸显了这种双路径方法的有效性和实际价值，构建了一个可扩展、准确且可解释的解决方案，能够增强对当代网络钓鱼威胁的电子邮件安全。
引用
@article{arxiv.2509.20972,
title = {Dual-Path Phishing Detection: Integrating Transformer-Based NLP with Structural URL Analysis},
author = {Ibrahim Altan and Abdulla Bachir and Yousuf Parbhulkar and Abdul Muksith Rizvi and Moshiur Farazi},
journal= {arXiv preprint arXiv:2509.20972},
year = {2025}
}
备注
Paper accepted for presentation at the ACS/IEEE 22nd International Conference on Computer Systems and Applications (AICCSA 2025)