PhishClone: 测量克隆逃避攻击的有效性
密码学与安全
2022-09-07 v1 机器学习
摘要
基于网络的钓鱼攻击占数据泄露的90%以上，大多数网络浏览器和安全供应商依赖机器学习(ML)模型作为缓解措施。尽管如此，定期发布在PhishTank和VirusTotal等反钓鱼聚合器上的链接被证明很容易绕过现有检测器。先前的研究表明，带有轻微变异的自动化网站克隆正受到攻击者的青睐。这在当前文献中报道有限，导致基于ML的对抗措施次优。本文进行了首次实证研究，汇编并评估了多种广泛流传的最先进克隆技术。我们收集了13,394个样本，发现8,566个确认的钓鱼页面，这些页面使用7种不同的克隆机制针对4个流行网站。这些样本在受控平台内复制，去除了恶意代码，并采取了预防措施防止意外访问。然后我们将我们的网站报告给VirusTotal和其他平台，并在7天内定期轮询结果，以确定每种克隆技术的有效性。结果显示，没有安全供应商检测到我们的克隆，证明迫切需要更有效的检测器。最后，我们提出4条建议，以帮助Web开发人员和基于ML的防御措施减轻克隆攻击的风险。
引用
@article{arxiv.2209.01582,
title = {PhishClone: Measuring the Efficacy of Cloning Evasion Attacks},
author = {Arthur Wong and Alsharif Abuadbba and Mahathir Almashor and Salil Kanhere},
journal= {arXiv preprint arXiv:2209.01582},
year = {2022}
}
备注
8 pages