从机器学习到大型语言模型：针对对抗性攻击的网络钓鱼网页检测模型鲁棒性评估
密码学与安全
2025-05-27 v4
摘要
网络钓鱼攻击试图欺骗用户窃取敏感信息，构成重大的网络安全威胁。机器学习（ML）和深度学习（DL）的进展导致大量网络钓鱼网页检测解决方案的开发，但这些模型仍易受到对抗性攻击。评估其针对对抗性网络钓鱼网页的鲁棒性至关重要。现有工具包含针对有限品牌数量的预设计网络钓鱼网页数据集，且缺乏网络钓鱼特征的多样性。为此，我们开发了 PhishOracle—a 一个通过嵌入多样化网络钓鱼特征到合法网页中生成对抗性网络钓鱼网页的工具。我们评估了三个现有任务特定模型——Stack model、VisualPhishNet 和 Phishpedia——针对 PhishOracle 生成的对抗性网络钓鱼网页，观察到检测率显著下降。相比之下，基于多模态大型语言模型（MLLM）的网络钓鱼检测器对这些对抗性攻击表现出更强的鲁棒性，但仍易被规避。我们的发现突显了网络钓鱼检测模型易受对抗性攻击的脆弱性，强调需要更健壮的检测方法。此外，我们进行了用户研究来评估 PhishOracle 生成的对抗性网络钓鱼网页能否欺骗用户。结果表明，这些网络钓鱼网页不仅能避开现有检测模型，还能欺骗用户。
引用
@article{arxiv.2407.20361,
title = {From ML to LLM: Evaluating the Robustness of Phishing Webpage Detection Models against Adversarial Attacks},
author = {Aditya Kulkarni and Vivek Balachandran and Dinil Mon Divakaran and Tamal Das},
journal= {arXiv preprint arXiv:2407.20361},
year = {2025}
}