QRiS：基于QR码结构特征的防钓鱼新方法

全球范围内，个人和组织广泛使用快速响应（QR）码实现快速便捷的通信。利用这一点，网络犯罪分子将虚假和误导性信息嵌入QR码中，以发起各种钓鱼攻击，称为“Quishing”。许多以前的研究引入了防御性方法来排除Quishing，例如通过分类QR码嵌入的内容来标记QR码，而另一些研究则使用视觉特征（即深度特征、直方图密度分析特征）进行分类。然而，这些方法主要依赖黑箱技术，无法清晰提供可解释性和透明度，以完全理解和复现内在决策过程；因此，存在诸多明显局限，包括方法的可信度、问责问题、偏见检测问题等。我们提出了QRiS，是首个通过综合结构分析QR码来分类QR码的方法，有助于此前识别钓鱼QR码。我们的分类方法清晰透明，可复制、可扩展且易于理解。首先，我们使用最近发布的URL数据集[1][2]生成了QR码数据集（即40万样本）。随后，与黑箱模型不同，我们开发了一个简单算法，从QR码中存在的布局模式中提取24个结构特征。后续在收集的特征上训练机器学习模型，达到最高83.18%的准确率。为进一步评估我们方法的有效性，我们进行了与相关当代研究的比较分析。最后，为实现实际部署和验证，我们开发了一个移动应用程序，确保了该解决方案在实际场景中的可行性，从而强化了本研究的适用性。