RAIDER: Reinforcement-aided Spear Phishing Detector
Edith Cowan University（伊迪丝·考恩大学）；Cybersecurity Cooperative Research Centre（网络安全合作研究中心）；CSIRO’s Data61（澳大利亚联邦科学与工业研究组织Data61研究所）；Charles Sturt University（查尔斯史都华大学）；The University of Sydney（悉尼大学）；The Alan Turing Institute（艾伦·图灵研究所）
鱼叉式网络钓鱼是全球企业和个人面临的一种有害网络攻击。最近已经进行了相当多的研究来使用机器学习（ML）技术来检测鱼叉式网络钓鱼电子邮件。基于ML的解决方案可能遭受零日攻击;在训练数据中未考虑的不可见攻击。随着新攻击的出现，在旧数据上训练的分类器无法检测到这些新的攻击类型，导致预测越来越不准确。由于所需功能的增长与接收方邮箱中的网络钓鱼数量成正比，因此Spear网络钓鱼检测还面临可扩展性方面的挑战。这与传统的网络钓鱼攻击不同，传统的网络钓鱼攻击通常只对网络钓鱼和良性电子邮件进行二进制分类。因此，我们设计了一个可能的解决方案，命名为RAIDER：加固辅助矛网络钓鱼检测器。一个基于重复学习的特征评估系统，可以自动找到检测不同类型攻击的最佳特征。通过利用奖励和惩罚系统，RAIDER允许自主功能选择。RAIDER还通过仅选择重要功能来表示网络钓鱼电子邮件和检测鱼叉式网络钓鱼攻击，从而将功能数量保持在最低限度。在对RAIDER超过11，000封电子邮件和3种攻击场景进行广泛评估后，我们的结果表明，与现有的基于ML的系统相比，使用强化学习自动识别重要特征可以将所需特征的维度减少55%。它还将检测欺骗攻击的准确率从90%提高到94%。此外，RAIDER即使在针对名为Known Parking的复杂攻击（其中鱼叉式网络钓鱼电子邮件与假冒发件人的电子邮件非常相似）的情况下也能表现出合理的检测准确性。
2023-01-03 cs.CR cs.LG
PiMRef: Deducing Ever-evolving Spear-phishing Emails with Knowledge Base Invariants
Shanghai Jiao Tong University（上海交通大学）；National University of Singapore（新加坡国立大学）
针对LLM生成的鱼叉式网络钓鱼邮件，提出基于知识库不变量检测的PiMRef方法，验证发件人身份与域名，显著降低假阳性率并保持高召回率。
2026-09-09 cs.AI cs.CR
Targeted Attacks: Redefining Spear Phishing and Business Email Compromise
本文针对鱼叉式网络钓鱼与商业电子邮件入侵定义混乱的问题，提出统一的定向攻击概念，系统阐述其检测技术、社会工程方法及基于文本的攻击形式，并对比非定向与定向变体，为安全研究提供清晰框架。
2023-09-25 cs.CR
Prompted Contextual Vectors for Spear-Phishing Detection
Ben-Gurion University of the Negev（内盖夫本-古里安大学）；Accenture Cyber Research Lab（埃森哲网络安全研究实验室）
提出基于LLM推理的文档向量化方法，通过量化邮件中的说服原则生成上下文向量，在仅用传统邮件训练下，对LLM生成的鱼叉式钓鱼邮件检测F1达91%。
2024-12-24 cs.CL cs.CR cs.LG
Evaluating Large Language Models' Capability to Launch Fully Automated Spear Phishing Campaigns: Validated on Human Subjects
本文评估大型语言模型发起全自动鱼叉式网络钓鱼攻击的能力，通过四组邮件对比实验发现其表现与人类专家相当、远超对照组，还分析了AI在攻击流程自动化及经济性上的提升，并验证了语言模型的检测效果。
2024-11-30 cs.CR
Generative Models for Spear Phishing Posts on Social Media
Salesforce（赛富时）；ZeroFOX
从历史上看，计算机安全中的机器学习优先考虑防御：想想入侵检测系统、恶意软件分类和僵尸网络流量识别。进攻也可以从数据中受益。社交网络可以访问大量的个人数据、机器人友好的API、口语化的语法以及流行的缩短链接，是传播机器生成的恶意内容的理想场所。我们的目标是发现对手可能在这样的领域中利用什么能力。我们提出了一个长短期记忆（LSTM）神经网络，它可以学习社会工程特定用户点击欺骗性URL。该模型是用社交媒体帖子的词向量表示来训练的，为了使点击率更高，它被动态地植入了从目标的时间轴中提取的主题。我们通过聚类来增强模型，以根据高价值目标的社交参与程度对其进行分类，并使用IP跟踪链接的点击率来衡量LSTM网络钓鱼远征的成功。我们实现了最先进的成功率，是历史上电子邮件攻击活动的三倍，并且超过了手动执行相同任务的人类。
2018-02-14 cs.CR cs.CY cs.LG
Characterizing Phishing Threats with Natural Language Processing
本文运用NLP语义相似性与潜在语义分析，对596封含CV附件的钓鱼邮件进行研究，证实其为针对特定人群的定向鱼叉式攻击而非随机垃圾邮件。
2015-08-31 cs.CR
Context-Aware Spear Phishing: Generative AI-Enabled Attacks Against Individuals via Public Social Media Data
The University of Texas at Arlington（德克萨斯大学阿灵顿分校）；Louisiana State University（路易斯安那州立大学）
本文研究了如何利用公开社交媒体数据和生成式AI自动化并扩大针对个人的个性化、上下文感知的钓鱼攻击。通过模块化框架结合多模态信号提取、沟通风格分析和攻击类型实例化，展示了七种攻击策略，并通过大规模多模型评估验证了生成式AI邮件在个性化、上下文相关性和说服力方面的优势。
2026-10-01 cs.CR
Assessing Spear-Phishing Website Generation in Large Language Model Coding Agents
University of Luxembourg, Interdisciplinary Center for Security, Reliability, and Trust (SnT), Trustworthy Software Engineering Group (TruX)（卢森堡大学，安全、可靠与信任跨学科中心（SnT），可信软件工程组（TruX））
本研究评估了大型语言模型在生成钓鱼网站代码方面的能力和潜在风险，通过比较不同模型生成危险代码库的能力，构建了包含200个网站代码库的数据集。
2026-02-13 cs.AI cs.CR
Engineered Persuasion: Evaluating Personalized Pretexts in LLM-Generated Spear Phishing
Brigham Young University（杨百翰大学）
该研究评估LLM生成的鱼叉式网络钓鱼中个性化 pretext 的效果，发现随个性化级别提升可信度和点击意图增加，合适细节可提升可信度，相关结果可用于工作场所网络安全培训。
2026-09-07 cs.CR
A Systematic Literature Review on Phishing and Anti-Phishing Techniques
网络钓鱼是互联网世界的头号威胁。网络钓鱼攻击已经持续了几十年，随着时间的推移，它正在成为互联网用户的一个主要问题，因为攻击者正在提出独特而富有创造性的想法来破坏安全性。在本文中，不同类型的网络钓鱼和反网络钓鱼技术。为此，遵循系统性文献综述（SLR）方法来严格定义拟议的研究问题。最初从不同的资料库中提取了80篇文章。这些文章然后使用Tollgate方法过滤，以找出不同类型的网络钓鱼和反网络钓鱼技术。研究评估，鱼叉式网络钓鱼，电子邮件欺骗，电子邮件操纵和电话网络钓鱼是最常用的网络钓鱼技术。另一方面，根据SLR，机器学习方法在所有其他反钓鱼方法中具有最高的预防和检测钓鱼攻击的准确性。
2021-04-02 cs.CR
Detecting Phishing Sites -- An Overview
Institute for Development and Research in Banking Technology (IDRBT)（银行技术发展研究院）；University of Hyderabad（海得拉巴大学）
网络钓鱼是最严重的网络攻击之一，研究人员有兴趣找到解决方案。在网络钓鱼中，攻击者引诱最终用户并窃取他们的个人信息。为了最大限度地减少网络钓鱼造成的损失，必须尽早发现。网络钓鱼攻击有鱼叉式网络钓鱼、捕鲸式网络钓鱼、钓鱼式网络钓鱼等，网络钓鱼检测技术有基于白名单、黑名单、基于内容、基于URL、视觉相似度和机器学习等多种方法。在本文中，我们讨论了各种类型的钓鱼攻击，攻击向量和检测技术检测钓鱼网站。给出了18种不同模型和9种不同数据源的性能比较。网络钓鱼检测技术的挑战也给。
2021-04-06 cs.CR cs.LG
Systematic Literature Review: Anti-Phishing Defences and Their Application to Before-the-click Phishing Email Detection
大多数反网络钓鱼防御研究假设恶意行为者试图获取最终用户的个人身份信息或登录凭据，因此，重点是检测网络钓鱼网站。这类攻击的防御通常在最终用户点击链接后激活，此时链接会被检查。这被称为点击后检测。然而，更复杂的网络钓鱼攻击（如鱼叉式网络钓鱼和捕鲸）很少被设计为让最终用户访问网站。相反，他们试图让最终用户执行一些其他操作，例如，将钱从他们的银行账户转移到恶意行为者的账户。这些攻击比较罕见，而且对点击前防御的调查少于点击后防御。为了更好地将这些研究整合到整体反网络钓鱼研究中，本文对建议的反网络钓鱼防御进行了系统的文献综述。从总共6330篇论文中，确定并检查了21项主要研究和335项次要研究。目前的研究被分为六个主要类别，阻止列表/允许列表，电子学，内容，视觉，人工智能/机器学习和主动，与一个额外的类别“其他”的检测技术，不适合任何主要类别。然后讨论使用这些技术在最终用户阅读电子邮件之前检测网络钓鱼电子邮件的性能和适用性。最后，它提出了一些有前途的进一步研究领域。
2022-04-27 cs.CR
Semi-supervised Conditional GAN for Simultaneous Generation and Detection of Phishing URLs: A Game theoretic Perspective
网络钓鱼是一种网络攻击，攻击者通过电子邮件发送超链接到经过充分研究的目标。目的是通过模仿自己作为一个值得信赖的网站来获取敏感信息。近年来，深度学习已成为防御此类攻击的标准。然而，这些架构在设计时只考虑了防御。此外，在创建此类模型时，攻击者的观点和动机是不存在的。为了解决这个问题，我们需要一种博弈论的方法来理解攻击者（黑客）和防御者（网络钓鱼URL检测器）的观点。我们提出了一个具有新颖训练策略的条件生成对抗网络，用于实时网络钓鱼URL检测。此外，我们以半监督的方式训练我们的架构，以区分对抗性和真实示例，以及检测恶意和良性URL。我们还设计了两个游戏之间的攻击者和防御者在训练和部署设置，利用博弈论的角度。我们的实验证实，所提出的架构超越了最近的国家的最先进的体系结构的钓鱼网址检测。
2022-11-16 cs.CR cs.GT
Abusing Phone Numbers and Cross-Application Features for Crafting Targeted Attacks
随着互联网和电话的融合，新的应用（例如，WhatsApp）已经成为数十亿用户的重要通信手段。这些应用程序正在成为攻击者发送垃圾邮件和实施更具针对性的攻击的诱人媒介。由于这些应用程序依赖于电话号码，我们探讨的可行性，自动化和可扩展性的钓鱼攻击，可以通过滥用电话号码。我们展示了一个新的系统，需要一个潜在的受害者的电话号码作为输入，利用信息从应用程序，如Truecaller和Facebook的受害者和他/她的社交网络，检查存在的电话号码的所有者（受害者）的攻击渠道（过顶或OTT消息应用程序，语音，电子邮件，或短信），并最终针对受害者选择的渠道。作为概念证明，我们通过116万个电话号码的随机池进行枚举。通过使用流行的应用程序提供的信息，我们表明，社交和鱼叉式网络钓鱼攻击可以分别对51,409和180,000用户发起。此外，还可以对722，696名用户发起语音钓鱼或网络钓鱼攻击。我们还发现了91，487个非常有吸引力的目标，可以通过精心设计的捕鲸攻击来攻击。我们显示的有效性，这些攻击之一，网络钓鱼，进行在线角色扮演用户研究。我们发现，社交（69.2%）和鱼叉（54.3%）网络钓鱼攻击比OTT消息应用程序上的非定向网络钓鱼攻击（35.5%）更成功。虽然类似的结果被发现为其他媒介，如电子邮件，我们证明，由于通过新的通信应用程序的用户参与显着增加，并与电话号码允许收集这些攻击所需的信息的容易性，有…
2015-12-23 cs.CR cs.SI
An Analysis of the Impact of Psychological Factors and Techniques Across Different Types of Social Engineering
Ludwig-Maximilians-Universität München（慕尼黑路德维希-马克西米利安大学）；University of the Bundeswehr Munich（慕尼黑联邦国防大学）
该研究通过含12名参与者的实验室研究，分析不同社会工程攻击类型与心理因素的组合效果，发现鱼叉式钓鱼对权威、信任、贪婪最有效，贪婪与鱼叉式钓鱼的组合最成功，三类组合完全无效。
2026-08-27 cs.CR
Devising and Detecting Phishing: Large Language Models vs. Smaller Human Models
本研究比较了GPT-4自动生成、V-Triad手工规则及二者结合生成的钓鱼邮件效果，并评估了大型语言模型检测钓鱼意图的能力，发现AI可显著提升钓鱼攻击效率并降低成本。
2023-11-30 cs.CR
Securing SMS Based One Time Password Technique from Man in the Middle Attack
电子商务中的金融交易安全性难以实现，并且存在用户通过互联网的机密数据可能被黑客访问的风险。不幸的是，与在线服务（如银行Web应用程序）进行交互通常需要一定程度的技术复杂性，而不是所有Internet用户都拥有。在过去的几年里，这些天真的用户越来越多地成为网络钓鱼攻击的目标，这些攻击是由旨在通过非法金融交易轻松获利的歹徒发起的。在本文中，我们提出了一个想法，以确保电子商务交易的网络钓鱼攻击。目前已有的一种方法是通过手机短信向注册用户发送一次性密码进行身份验证，防止网络钓鱼攻击，但这种方法容易受到中间人的攻击，本文提出了一种新的思想，与现有的使用一次性密码的在线支付系统相比，这种思想更加安全。在该机制中，OTP与安全密钥相结合，然后通过RSA算法来生成交易密码。此密码的副本保存在服务器端，并使用移动应用程序在用户端生成。因此，它不会通过不安全的网络传输，从而导致欺诈性交易。
2014-05-19 cs.CR cs.SI
Improvement Of Email Threats Detection By User Training
随着移动通信系统的普及，用户收到的各种短信、电子邮件等形式的请求越来越多，恶意请求的比例也越来越高。它们被定制为通过反垃圾邮件过滤器，并要求用户单击或打开加入的危险附件。目前的过滤器对鱼叉式网络钓鱼电子邮件效率很低。提出了改进现有的过滤器，利用用户自己的分析和反馈来检测各种钓鱼邮件。该方法依赖于向接收器显示不同警告的界面。分析表明，用户相信他们的第一印象，往往导致忽视所提出的新的交互式系统标记的警告。
2017-06-20 cs.CR
NoPhish: Efficient Chrome Extension for Phishing Detection Using Machine Learning Techniques
University of Prishtina（普里什蒂纳大学）；Faculty of Electrical and Computer Engineering, University of Prishtina（普里什蒂纳大学电气与计算机工程学院）；University of Oslo（奥斯陆大学）
本研究开发了名为NoPhish的Chrome钓鱼检测扩展程序，基于PhishTank数据集与Alexa的22项特征，用多种机器学习算法检测钓鱼网页，实验表明随机森林算法精确率最优。
2024-09-01 cs.AI cs.CR cs.LG
Per-sender neural network classifiers for email authorship validation
Independent Researcher（独立研究者）
本文提出了一种基于每发件人写作风格的神经网络分类器，用于验证电子邮件的作者身份，通过实验表明Char-CNN模型在不同情况下均能实现高准确率和F1分数。
2026-01-07 cs.AI cs.CR stat.AP
A Modular and Adaptive System for Business Email Compromise Detection
Cisco Systems（思科系统公司）；Czech Technical University in Prague（布拉格捷克理工大学）；Charles University（查理大学）
针对商业电子邮件入侵攻击传统检测手段不足的问题，提出模块化自适应系统CAPE，整合多模态多模型检测，经两年多生产验证，具备可解释性且可通过贝叶斯方法持续迭代。
2023-08-21 cs.CR cs.LG
