诈骗盾：多模型投票与微调 LLaMA 3.1 8B Instruct 对抗攻击
密码学与安全
2025-11-11 v1 人工智能
摘要
诈骗检测仍是网络安全中的关键挑战，因为对手会 crafting 能够规避自动过滤器的消息。我们提出了分层诈骗检测系统 (HSDS)，其结合轻量级多模型投票前端与微调 LLaMA 3.1 8B Instruct 后端，以提高对抗攻击下的准确性和鲁棒性。由四个分类器组成的集成通过多数投票提供初步预测，对于含糊不清的案例则升级至微调模型，该模型通过对抗训练进行优化，以减少误分类。实验表明，这种分层设计不仅改善了对抗诈骗检测效果，还通过将大多数案例路由 away from LLM 来缩短推理时间，超越传统机器学习基线和专有 LLM 基线。这些发现凸显了混合投票机制和对抗微调在强化 LLM 抗 evolving 诈骗战术方面的有效性，增强了自动化诈骗检测系统的韧性。
引用
@article{arxiv.2511.01746,
title = {Scam Shield: Multi-Model Voting and Fine-Tuned LLMs Against Adversarial Attacks},
author = {Chen-Wei Chang and Shailik Sarkar and Hossein Salemi and Hyungmin Kim and Shutonu Mitra and Hemant Purohit and Fengxiu Zhang and Michin Hong and Jin-Hee Cho and Chang-Tien Lu},
journal= {arXiv preprint arXiv:2511.01746},
year = {2025}
}
备注
8 pages