MalURLBench: A Benchmark Evaluating Agents' Vulnerabilities When Processing Web URLs
Zhejiang University（浙江大学）；National University of Malaysia (Universiti Kebangsaan Malaysia)（马来西亚国立大学）；Hangzhou City University（杭州市大学）；Yangzhou University（扬州大学）；Chongqing University（重庆大学）；Binjiang Institute of Zhejiang University（浙江大学滨江研究院）
本文提出MalURLBench，首个评估LLM处理恶意URL漏洞的基准，包含61845个攻击实例，揭示现有模型难以检测伪装恶意URL的问题，并提出轻量级防御模块URLGuard。
2026-03-13 cs.AI cs.CR
Characterizing Malicious URL Campaigns
Commonwealth Science and Industrial Research Organisation (CSIRO) Data61（澳大利亚联邦科学与工业研究组织Data61）；Cyber Security Cooperative Research Centre（网络安全合作研究中心）
URL是无数网络安全威胁的核心，从网络钓鱼到恶意软件的传播。它们固有的易用性和熟悉性不断被攻击者滥用，以逃避防御和欺骗最终用户。看似不同的URL被有组织地用于执行网络钓鱼攻击和分发恶意软件。我们把这种行为称为运动，假设攻击往往是协调的，以最大限度地提高成功率和发展逃避战术。其目的是更好地了解活动，加强我们对其特征的把握，从而帮助社区设计更强大的解决方案。为此，我们对2019年12月至2020年1月提交给VirusTotal的3.11亿条记录进行了广泛的研究和分析，这些记录包含7700万个唯一的真实世界URL。从这个数据集中，根据其附加的元数据确定了260万个可疑活动，其中77，810个被双重验证为恶意活动。使用这些恶意活动中的3810万条记录和990万个URL，我们提供了各种见解，例如他们的目标受害者品牌以及URL大小和异质性。一些令人惊讶的发现被观察到，例如检测率下降到只有13.27%的活动，采用超过100个独特的网址。本文最后以几个案例研究说明了常见的恶意技术，攻击者危及用户和规避防御。
2021-08-29 cs.CR cs.CY cs.LG
A Large Scale Study and Classification of VirusTotal Reports on Phishing and Malware URLs
VirusTotal（VT）提供有关各种实体的聚合威胁情报，包括URL、IP地址和二进制文件。它被研究人员和实践者广泛用于收集地面实况和评估实体的恶意性。在这项工作中，我们提供了一个全面的分析VT URL扫描报告，其中包含95个扫描器的结果，超过两年的15.77亿个URL。已知单个VT扫描器在其检测和攻击类型分类方面是有噪声的。为了获得URL的高质量基础事实并积极采取适当的行动来减轻不同类型的攻击，存在两个挑战：（1）如何在给定噪声报告的情况下确定给定URL是否是恶意的，以及（2）如何确定攻击类型（例如，网络钓鱼或恶意软件托管）的URL所涉及的，给定来自不同扫描器的冲突攻击标签。在这项工作中，我们提供了一个系统的比较研究VT扫描器的行为，不同的攻击类型的URL。确定恶意性的常见做法是使用报告URL为恶意的扫描器的截止阈值。然而，在这项工作中，我们表明，使用固定的阈值是次优的，由于几个原因：（1）扫描仪之间的相关性;（2）领先/滞后行为;（3）扫描仪的专业性;（4）扫描仪的质量和可靠性。确定攻击类型的常见做法是使用多数表决。然而，我们表明，多数投票不能准确地分类的URL的攻击类型，由于相关扫描仪的偏见。相反，我们提出了一种基于机器学习的方法来分配攻击类型的URL给定的VT报告。
2022-05-26 cs.CR
Unraveling Threat Intelligence Through the Lens of Malicious URL Campaigns
每日警报泛滥是全球安全运营中心（SOC）人员面临的严峻现实。他们处于组织网络安全基础设施的最前沿，并面临着在其安全信息和事件管理（SIEM）系统触发的大量深奥警报中优先考虑威胁的艰巨任务。在恶意通信中发现的URL构成了此类警报的大部分，并且精确定位其中的相关模式使团队能够快速降低潜在或现有威胁。传统上，基于机器学习的日志分析工具和异常检测概念填补了这种警惕性需求。为了避开机器学习方法，我们建议通过恶意URL活动的角度来分析SIEM警报中的可疑URL。通过首先将从VirusTotal收集的3.11亿条记录中的URL分组到260万个可疑集群中，我们随后发现了77800个恶意活动。为了证实我们的怀疑，我们发现990万个独特的URL可归因于18300个多URL活动，令人担忧的是，只有2.97%的活动是由安全供应商发现的。我们还提供了规避策略的见解，如越来越多的URL和更多样化的域名，与选定的案例研究暴露其他对抗技术。通过描述驱动这些URL警报的协同活动，我们希望告知SOC团队当前的威胁趋势，从而为他们提供更好的威胁情报。
2022-08-26 cs.CR cs.CY
A Hybrid Deep Learning and Anomaly Detection Framework for Real-Time Malicious URL Classification
本研究提出一种结合深度学习和异常检测的实时恶意URL分类框架，通过多阶段处理和轻量级神经网络实现高准确率和低延迟的分类性能。
2025-11-30 cs.CR cs.LG
Malicious URL Detection using Machine Learning: A Survey
Singapore Management University（新加坡管理大学）；Salesforce Research Asia（Salesforce亚洲研究院）
恶意URL，又名恶意网站是网络安全的一种常见而严重的威胁。恶意URL承载未经请求的内容（垃圾邮件、网络钓鱼、驾车攻击等）并诱使不知情的用户成为诈骗的受害者（金钱损失、私人信息被盗和恶意软件安装），每年造成数十亿美元的损失。必须及时发现这种威胁并采取行动。传统上，这种检测主要通过使用黑名单来完成。然而，黑名单不能是详尽的，并且缺乏检测新生成的恶意URL的能力。为了提高恶意URL检测器的通用性，近年来机器学习技术受到越来越多的关注。本文旨在提供使用机器学习的恶意URL检测技术的全面调查和结构性理解。我们提出的恶意URL检测作为一个机器学习任务的正式制定，并分类和审查的文献研究，解决这个问题的不同方面（功能表示，算法设计等）的贡献。此外，本文为一系列不同的受众提供了及时而全面的调查，不仅适用于学术界的机器学习研究人员和工程师，也适用于网络安全行业的专业人士和从业者，以帮助他们了解最新技术水平，并促进他们自己的研究和实际应用。我们还讨论了系统设计中的实际问题，开放的研究挑战，并指出了未来研究的一些重要方向。
2019-08-21 cs.CR cs.LG
A Graph-Attentive LSTM Model for Malicious URL Detection
Department of Electrical and Electronic Engineering, Dhaka University of Engineering & Technology, Gazipur, Bangladesh（达卡工程与技术大学电子与电气工程系，孟加拉国加兹ipur）；Department of Computer Science and Engineering, Atish Dipankar University of Science and Technology, Dhaka, Bangladesh（阿蒂什迪帕克尔科学技术大学计算机科学与工程系，孟加拉国达卡）；Department of Computer Science, Utah Valley University, 800 W University Pkwy, Orem, UT 84058, USA（犹他山谷大学计算机科学系，美国奥尔姆，UT 84058）
针对黑名单难以识别新型或混淆恶意URL的问题，提出融合GNN、GAT与LSTM的GNN-GAT-LSTM模型，从URL字符图中提取结构与序列特征，在651,191个URL上取得0.9806准确率。
2025-10-12 cs.AI cs.CR
URLNet: Learning a URL Representation with Deep Learning for Malicious URL Detection
Singapore Management University（新加坡管理大学）
恶意URL承载未经请求的内容，并用于实施网络犯罪。必须及时发现它们。传统上，这是通过使用黑名单来完成的，黑名单不能是详尽的，并且不能检测新生成的恶意URL。为了解决这个问题，近年来已经见证了使用机器学习来执行恶意URL检测的若干努力。最流行和可扩展的方法通过提取词袋（Bag-of-words）之类的特征来使用URL字符串的词汇属性，然后应用机器学习模型，例如SVM。还有专家设计的其他功能，以提高模型的预测性能。这些方法受到若干限制：（i）不能有效地捕获URL字符串中的语义含义和顺序模式;（ii）需要大量的手动特征工程;以及（iii）不能处理看不见的特征并推广到测试数据。为了应对这些挑战，我们提出了URLNet，这是一个端到端的深度学习框架，可以直接从URL中学习非线性URL嵌入，用于恶意URL检测。具体来说，我们将卷积神经网络应用于URL字符串的字符和单词，以在联合优化的框架中学习URL嵌入。这种方法允许模型捕获几种类型的语义信息，这是现有模型无法实现的。我们还提出了先进的词嵌入，以解决这个任务中观察到的太多罕见的话的问题。我们在大规模数据集上进行了广泛的实验，并显示出比现有方法显着的性能增益。我们还进行消融研究，以评估URLNet的各种组件的性能。
2018-03-02 cs.CR cs.LG
URL2Graph++: Unified Semantic-Structural-Character Learning for Malicious URL Detection
针对恶意URL检测中URL多样性与混淆技术带来的挑战，提出URL2Graph++方法，融合多粒度图学习与语义嵌入，联合捕获语义、字符级和结构特征，经门控动态融合网络提升检测性能，超越现有最先进方法及大语言模型。
2025-09-12 cs.CR
Continuous Multi-Task Pre-training for Malicious URL Detection and Webpage Classification
The State Key Laboratory of Blockchain and Data Security, Zhejiang University（区块链与数据安全国家重点实验室，浙江大学）；Hangzhou Research Institute of Xidian University（西安电子科技大学杭州研究院）；Defence Industry Secrecy Examination and Certification Center（国防工业保密审查与认证中心）；Shenzhen MSU-BIT University（深圳MSU-BIT大学）；Yantai Research Institute, Harbin Engineering University（哈尔滨工程大学烟台研究院）
针对恶意URL检测与网页分类，提出urlBERT预训练编码器，采用5个无监督任务和分组顺序学习捕获URL多级信息，并通过两阶段微调及多任务模式，在三个下游任务上超越标准预训练模型。
2025-05-24 cs.CR cs.LG
The Performance of Sequential Deep Learning Models in Detecting Phishing Websites Using Contextual Features of URLs
Texas Tech University（德克萨斯理工大学）；San Jose State University（圣何塞州立大学）
针对钓鱼攻击日益增多的问题，本研究将URL视为序列，对比多头注意力、TCN、BI-LSTM、LSTM等深度学习模型的钓鱼网站检测性能，发现多头注意力与BI-LSTM在精确率、召回率、F1分数上表现更优。
2024-04-15 cs.CR cs.LG
PMANet: Malicious URL detection via post-trained language model guided multi-level feature attention network
针对现有恶意URL检测方法的领域适配、字符信息利用及特征融合问题，提出后训练引导的多级特征注意力网络PMANet，多场景实验验证其性能优于现有最优模型。
2025-03-21 cs.CR
bit.ly/malicious: Deep Dive into Short URL based e-Crime Detection
通过电子邮件和在线社交媒体（OSM）存在垃圾URL已成为一种大规模的电子犯罪。为了应对电子邮件中长而复杂的URL的传播以及对各种OSM（如Twitter）施加的字符限制，URL缩短的概念已经获得了很大的吸引力。URL缩短器将长URL作为输入，并输出具有相同着陆页的短URL（与长URL中的相同）作为返回。随着时间的推移，URL缩短器已经成为攻击者的主要目标，这使他们能够隐藏恶意内容。Bitly是所有缩短服务中的领先服务，它被大量利用来进行网络钓鱼攻击，在家工作诈骗，色情内容传播等，这给Bitly和其他URL缩短器带来了额外的性能压力，以便能够检测并及时采取行动来应对非法内容。在这项研究中，我们分析了2013年10月Bitly标记为可疑的763，160个短URL的数据集。我们的研究结果表明，Bitly并没有非常有效地使用其声称的垃圾邮件检测服务。我们还展示了一个可疑的Bitly帐户是如何被忽视的，尽管长期经常性的非法活动。Bitly显示了一个关于可疑链接识别的警告页面，但我们观察到这种方法在控制垃圾邮件的整体传播方面很薄弱。我们还识别了一些基于短URL的特征，并将它们与两个特定于域的特征相结合，将Bitly URL分类为恶意或良性，准确率达到86.41%。所识别的特征集也可以推广到其他URL缩短服务。据我们所知，这是第一次大规模的研究，以突出问题的实施Bitly的垃圾邮件检测政策，并提…
2014-06-14 cs.CR
TransURL: Improving malicious URL detection with multi-layer Transformer encoding and multi-scale pyramid features
针对Transformer在恶意URL检测中难提取局部、字符级及结构信息的问题，提出融合多层编码、多尺度特征学习和空间金字塔注意力的TransURL方法，在多类场景下检测性能显著优于现有方法。
2025-03-21 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
An Adversarial Attack Analysis on Malicious Advertisement URL Detection Framework
Sabanci University（萨班哲大学）；University of Padua（帕多瓦大学）；MNNIT Allahabad（印度莫蒂拉尔·尼赫鲁国家技术学院阿拉哈巴德分校）；University of Delhi（德里大学）
恶意广告URL构成了安全风险，因为它们是网络攻击的来源，并且解决这个问题的需求在工业界和学术界都在增长。通常，攻击者通过电子邮件、广告链接或任何其他通信手段向用户传递攻击向量，并将他们引导到恶意网站以窃取敏感信息并欺骗他们。现有的恶意URL检测技术是有限的，并处理看不见的功能，以及推广到测试数据。在本研究中，我们提出一套新颖的词汇及网页废弃特徴，并利用机器学习技术来建立一套欺诈广告网址侦测系统。六种不同类型的特征的组合集合精确地克服了欺诈URL分类中的混淆。基于不同的统计特性，我们使用12种不同格式的数据集进行检测，预测和分类任务。我们扩展了对不匹配和未标记数据集的预测分析。在这个框架中，我们分析了四种机器学习技术：随机森林，梯度增强，XGBoost和AdaBoost在检测部分的性能。使用我们提出的方法，我们可以实现低至0.0037的假阴性率，同时保持99.63%的高准确性。此外，我们设计了一种新的无监督的数据聚类技术，使用K均值算法的可视化分析。本文在有限知识攻击场景下分析了基于决策树模型的脆弱性。我们考虑了探测攻击，并对检测模型进行了零阶优化对抗攻击。
2022-04-27 cs.AI cs.CR cs.LG
Scam Pandemic: How Attackers Exploit Public Fear through Phishing
随着COVID-19大流行开始在全球范围内引发大范围封锁，网络犯罪分子毫不犹豫地利用用户对互联网的使用和依赖增加。在本文中，我们对大流行最初几个月的在线社交工程攻击进行了全面的测量研究。通过收集、综合和分析DNS记录、TLS证书、网络钓鱼网址、网络钓鱼网站源代码、网络钓鱼电子邮件、网络钓鱼网站的网络流量、新闻文章和政府公告，我们跟踪了2020年1月至5月期间网络钓鱼活动的趋势，并试图了解潜在趋势的主要影响。我们发现，2020年3月及4月的网络钓鱼攻击流量飙升至COVID-19前的220\%，远超典型的季节性高峰。攻击者利用受害者对疫情的不确定性和恐惧，通过各种高度针对性的诈骗，包括目前防御不足的新兴诈骗类型，以及超过生态系统集体反应的传统网络钓鱼。
2021-03-23 cs.CR
Deep Reinforcement Learning for Detecting Malicious Websites
Texas Tech University（德克萨斯理工大学）
网络钓鱼是最简单的网络犯罪形式，其目的是诱使人们泄露敏感信息，例如个人可识别的数据、银行和信用卡详细信息，甚至凭据和密码。这种简单但最有效的网络攻击通常通过电子邮件、电话或即时消息发起。被盗的凭证或私人数据然后被用于访问受害者的关键记录，并可能导致广泛的欺诈和金钱损失。因此，向受害者发送恶意消息是网络钓鱼过程的垫脚石。一个\textit{phisher}通常会建立一个欺骗性的网站，在那里受害者被诱骗输入凭据和敏感信息。因此，在对受害者造成任何有害损害之前检测这些类型的恶意网站非常重要。受钓鱼网站不断演化的启发，提出了一种基于深度强化学习的恶意URL建模和检测方法。该模型能够适应钓鱼网站的动态行为，从而学习与钓鱼网站检测相关的特征。
2019-05-22 cs.CR cs.LG stat.ML
Mitigating Label Flipping Attacks in Malicious URL Detectors Using Ensemble Trees
Ravensbourne University London (RUL)（伦敦 Ravensbourne 大学）；Bahcesehir University (BAU)（巴赫切谢希尔大学）；University of Leeds（利兹大学）；Flinders University（弗林德斯大学）
针对恶意URL检测中集成树模型易受标签翻转后门攻击的问题，提出中毒标签告警与原标签还原的防御机制，实验显示该方法能以最高100%准确率检测中毒标签。
2024-03-05 cs.AI cs.CR cs.CY
Beyond the Virus: A First Look at Coronavirus-themed Mobile Malware
随着2019冠状病毒病疫情于二零二零年初出现，一些恶意行为者开始利用这一话题。尽管有少数媒体报道提到了以冠状病毒为主题的移动恶意软件的存在，但研究界缺乏对以冠状病毒为主题的移动恶意软件的了解。在本文中，我们首次系统地研究了以冠状病毒为主题的Android恶意软件。我们首先努力创建一个每日增长的COVID-19主题移动应用程序数据集，截至2020年11月中旬，该数据集包含4，322个COVID-19主题apk样本（2，500个独特应用程序）和611个潜在恶意软件样本（370个独特恶意应用程序）。然后，我们从多个角度对它们进行了分析，包括趋势和统计数据，安装方法，恶意行为以及背后的恶意行为者。我们观察到，COVID-19主题应用程序以及恶意应用程序几乎在全球疫情爆发后就开始蓬勃发展。大多数恶意应用程序都使用相同的应用程序标识符（例如，应用程序名称、包名称和应用程序图标）。他们的主要目的要么是窃取用户的私人信息，要么是通过使用网络钓鱼和勒索等手段获利。此外，只有四分之一的COVID-19恶意软件创建者是长期活跃的习惯性开发者，而其中75%是这一流行病的新手。恶意开发者主要位于美国，主要针对英语国家，中国，阿拉伯国家和欧洲等国家。为了促进未来的研究，我们已向研究界公开发布了所有标记良好的COVID-19主题应用程序（和恶意软件）。到目前为止，全球已有30多家研究机构要求我们提供数据集，用于…
2021-04-18 cs.CR
Less is More: Robust and Novel Features for Malicious Domain Detection
恶意域名越来越常见，并构成严重的网络安全威胁。具体而言，许多类型的当前网络攻击使用URL进行攻击通信（例如，C\&C、网络钓鱼和鱼叉式网络钓鱼）。尽管在检测这些攻击方面不断取得进展，但许多令人担忧的问题仍然存在，例如防御机制的弱点。由于机器学习已经成为恶意软件检测的最突出的方法之一，提出了一种鲁棒的特征选择机制，导致恶意域检测模型，抵抗逃避攻击。基于经验数据，该机制表现出高性能。本文的主要贡献有两个：第一，它提供了一个强大的特征选择在文献中广泛使用的功能的基础上进行分析。请注意，即使特征集的维度空间减少了一半（从9个特征减少到4个特征），分类器的性能仍然得到了提高（模型的F1分数从92.92%增加到95.81%）。其次，它引入了对对手的操纵具有鲁棒性的新功能。基于对不同特征集和常用分类模型的广泛评估，本文表明，基于鲁棒特征的模型可以抵抗恶意干扰，同时可用于对非操纵数据进行分类。
2020-06-02 cs.CR
Web Phishing Net (WPN): A scalable machine learning approach for real-time phishing campaign detection
Future Cyber Defence, Research and Network Strategy BT Group（英国电信集团未来网络防御、研究与网络战略部门）
针对现有钓鱼URL检测方法计算需求高、影响隐私、难抵御威胁演变等问题，提出无监督学习方法Web Phishing Net（WPN），无需成对比较，可实时、可扩展地检测整个钓鱼活动，保护隐私且检测率高。
2025-02-17 cs.AI cs.CR cs.LG
Gone Quishing: A Field Study of Phishing with Malicious QR Codes
COVID-19大流行使恶意QR码成为共享URL（包括恶意URL）的方便中间人，从而使“quishing”或网络钓鱼成为可能。为了探索quishing现象，我们进行了一项173名参与者的研究，我们使用了一个带有恶意QR码的COVID-19数字护照注册试验作为借口。我们发现，67%的参与者乐于使用Google或Facebook凭据注册，18.5%的人愿意创建新帐户，只有14.5%的人愿意跳过注册。方便是愿意出示参与者证书的唯一最常被引用的因素。不愿意将个人账户与新服务联系起来是创建新账户或跳过注册的原因。我们还开发了Quishing Awareness Scale（QAS），发现参与者的QR码行为与他们的注册选择之间存在显着关系：选择注册Facebook的人得分最低，而选择跳过的人得分最高。我们使用我们的研究结果，提出quishing意识培训指南，并开发和测试可用的安全指标，警告用户quishing的威胁。
2022-04-08 cs.CR cs.HC
CELEST: Federated Learning for Globally Coordinated Threat Detection
Northeastern University（东北大学）；University of Virginia（弗吉尼亚大学）
近年来，网络威胁格局发生了巨大变化，每天都有新的威胁变种出现，大规模的协调活动变得更加普遍。在这项研究中，我们提出了CELEST（协作学习可扩展的威胁检测，一个联邦机器学习框架，用于通过HTTP进行全球威胁检测，HTTP是恶意软件传播和通信最常用的协议之一。CELEST利用联邦学习，在多个本地保存数据的客户端之间协作训练全球模型，从而提供更高的隐私和机密性保证。通过与联邦学习技术集成的新型主动学习组件，我们的系统不断发现和学习新的、不断发展的和全球协调的网络威胁的行为。我们表明，CELEST是能够暴露的攻击，在很大程度上是不可见的个人组织。例如，在一个具有挑战性的攻击场景中，与本地模型相比，全局模型实现了精确召回AUC的三倍增长。我们还设计了一个中毒检测和缓解方法，DTrust，专门设计用于联邦学习在协作威胁检测领域。DTrust成功地检测中毒客户使用参与客户的反馈进行调查，并将他们从培训过程中删除。我们部署CELEST在两个大学的网络，并表明它能够检测到恶意HTTP通信的高精度和低误报率。此外，在部署过程中，CELEST在一天内检测到一组先前未知的42个恶意URL和20个恶意域名，并被VirusTotal确认为恶意。
2023-03-17 cs.CR cs.LG
Client-Side Zero-Shot LLM Inference for Comprehensive In-Browser URL Analysis
本文提出一种完全在浏览器内运行的客户端零样本 LLM 框架，结合静态代码分析、动态沙箱执行和页面内容对 URL 进行恶意性分类与解释，在保护隐私的同时实现与云端方案相当的检测准确率。
2025-06-04 cs.CR
CATBERT: Context-Aware Tiny BERT for Detecting Social Engineering Emails
有针对性的网络钓鱼电子邮件正在增加，每年从组织中窃取数十亿美元。虽然传统的恶意软件签名或机器学习技术可以检测到来自附件或电子邮件中恶意URL的恶意信号，但要识别不包含任何恶意代码且不与已知攻击共享单词选择的手工制作的社交工程电子邮件具有挑战性。为了解决这个问题，我们通过用简单的适配器替换Transformer块的一半来微调预训练的BERT模型，以有效地学习自然语言的语法和语义的复杂表示。我们的上下文感知网络还可以从电子邮件标题中学习电子邮件内容和上下文特征之间的上下文表示。我们的CatBERT（上下文感知Tiny BERT）实现了87%的检测率，而DistilBERT，LSTM和逻辑回归基线分别实现了83%，79%和54%的检测率，假阳性率为1%。我们的模型也比竞争的Transformer方法更快，并且对故意用错别字或同义词替换关键字的对抗攻击具有弹性。
2020-10-07 cs.CR
Malicious Selling Strategies in E-Commerce Livestream: A Case Study of Alibaba's Taobao and ByteDance's TikTok
由于COVID-19疫情带来的限制，许多用户已将其购物模式从线下转移到线上。直播购物已经成为流行的在线购物媒体之一。然而，许多主播的恶意销售行为已经被报道。在这项研究中，我们试图探索主播的恶意销售策略，并了解观众如何看待这些策略。首先，我们从中国两个流行的直播平台--淘宝和抖音--录制了40场直播购物。我们确定了16种恶意销售策略，并发现平台设计增强了这些恶意销售策略。其次，通过对13名观众的访谈研究，我们提供了一个丰富的描述观众的意识，恶意销售策略和他们遇到的挑战，而试图克服恶意销售。最后，我们讨论的政策和设计的影响，打击恶意销售。
2022-11-08 cs.CR cs.CY cs.HC
Securing Federated Sensitive Topic Classification against Poisoning Attacks
针对GDPR敏感URL联邦分类易受投毒攻击的问题，提出基于主观逻辑与残差检测的鲁棒聚合方案，并通过理论、仿真和真实用户实验验证其高准确率与抗攻击能力。
2022-10-28 cs.CR cs.DC
Reliability and Robustness analysis of Machine Learning based Phishing URL Detectors
The University of Adelaide（阿德莱德大学）；The Centre for Research on Engineering Software Technologies（工程软件技术研究中心）
基于ML的网络钓鱼URL（MLPU）检测器作为第一级防御，保护用户和组织免受网络钓鱼攻击。最近，很少有研究对特定的MLPU检测器发起成功的对抗攻击，这对它们的实际可靠性和使用提出了质疑。然而，这些系统的鲁棒性还没有得到广泛的研究。因此，这些系统的安全漏洞，在一般情况下，仍然主要是未知的，这需要测试这些系统的鲁棒性。在这篇文章中，我们提出了一种方法来研究50个代表性的最先进的MLPU模型的可靠性和鲁棒性。首先，我们提出了一个具有成本效益的对抗性URL生成器URLBUG，它创建了一个对抗性URL数据集。随后，我们复制了50个MLPU（传统ML和深度学习）系统，并记录了它们的基线性能。最后，我们在对抗数据集上测试了所考虑的MLPU系统，并使用箱形图和热图分析了它们的鲁棒性和可靠性。我们的结果表明，生成的对抗性URL具有有效的语法，并且可以以11.99美元的年平均价格注册。在13%已经注册的对抗性URL中，63.94%被用于恶意目的。此外，当针对$Adv_\mathrm{data}$进行测试时，所考虑的MLPU模型马修相关系数（MCC）从中位数0.92下降到0.02，表明基线MLPU模型在其当前形式下不可靠。此外，我们的研究结果确定了这些系统的几个安全漏洞，并为研究人员设计可靠和安全的MLPU系统提供了未来的方向。
2022-11-24 cs.CR cs.LG
Phish-Defence: Phishing Detection Using Deep Recurrent Neural Networks
VIT-AP University（VIT-AP大学）
在不断发展的互联网世界中，获取关键数据（如密码和登录凭据）以及敏感个人信息的方法越来越多。页面模拟（通常称为网络钓鱼）是获取此类有价值信息的一种方法。网络钓鱼是黑客最直接的网络攻击形式之一，也是受害者最容易上当的形式之一。它还可以为黑客提供访问目标个人和企业帐户所需的一切。这些网站不提供服务，而是收集用户的个人信息。在本文中，我们使用循环神经网络在检测恶意URL方面实现了最先进的准确性。与以前的研究不同，这些研究关注在线内容，URL和流量数字，我们只关注URL中的文本，这使得它更快，并捕获零日攻击。该网络已经过优化，可以在移动设备和树莓派等小型设备上使用，而不会牺牲推理时间。
2022-09-06 cs.AI cs.CR cs.NE
Dual-Path Phishing Detection: Integrating Transformer-Based NLP with Structural URL Analysis
College of Computing and IT, University of Doha for Science and Technology（计算与信息技术学院，多哈科学技术大学）
本文提出一种双路径钓鱼检测框架，融合DistilBERT语义分析与随机森林URL结构分析，显著提升检测准确率，兼具模块化与可解释性。
2025-09-25 cs.AI cs.CR
Don't be a Victim During a Pandemic! Analysing Security and Privacy Threats in Twitter During COVID-19
在COVID-19封锁期间，社交媒体平台的使用量大幅上升。这些封锁期导致了一系列新的网络犯罪，从而使攻击者能够用一系列威胁来攻击社交媒体用户。本文进行了一项大规模研究，以调查流行病和封锁期对社交媒体用户安全和隐私的影响。我们分析了来自533天数据抓取的1060万条与COVID相关的推文，并调查了用户在三个不同时期（即，在锁定之前、期间和之后）。我们的研究表明，用户在撰写有关大流行形势的文章时，无意中分享了更多的个人身份信息（例如，分享附近的冠状病毒检测地点）。如果用户发布三条或更多关于疫情的敏感推文，隐私风险将达到100%。我们调查了疫情不同阶段社交媒体上共享的可疑域名数量。我们的分析显示，与其他锁定阶段相比，锁定期间可疑域名的数量有所增加。我们观察到，IT、搜索引擎和企业是包含可疑域的前三大类别。我们的分析表明，对手煽动恶意活动的策略会随着国家的流行情况而变化。
2023-03-26 cs.CR cs.CY cs.SI
COPS: A Compact On-device Pipeline for real-time Smishing detection
Samsung R&D Institute Bangalore（三星研究院班加罗尔分院）
针对短信钓鱼攻击，提出设备端轻量级流水线COPS，基于3.46MB的去纠缠变分自编码器，在开放数据集上实现98.15%和99.5%的准确率，实时警报且优于现有方法。
2024-02-06 cs.AI cs.CR
Towards a Near-real-time Protocol Tunneling Detector based on Machine Learning Techniques
本文提出一种基于机器学习与深度学习的近实时协议隧道检测器，通过分析未加密网络流特征检测隧道攻击，在测试中取得97.1%准确率和95.6%的F1分数。
2023-09-22 cs.CR
A First Look at COVID-19 Domain Names: Origin and Implications
这项工作首先研究了与COVID-19（简称Cov 19）相关的域名，使用了一个大规模的注册互联网域名数据库，该数据库包含2.6亿个不同的域名，注册了1.6K个不同的顶级域名。我们提取了2019年12月底至2020年9月底期间注册的167 K Cov 19病毒。我们试图通过我们的测量研究回答以下研究问题：RQ 1：Cov 19冠状病毒登记数量与COVID-19疫情相关吗？RQ 2：人们注册Cov 19的目的是什么？我们的主要调查结果如下：（1）与2020年4月左右的全球COVID-19疫情相似，Cov 19冠状病毒病的注册数量也经历了急剧增长，有趣的是，这比COVID-19疫情提前了约一个月，（2）70%的活跃Cov 19冠状病毒病网站的可见内容提供了有用的信息，如健康，工具，或与COVID-19相关的产品销售;及（3）不可忽略的已注册COv 19病毒被用于恶意目的。这些发现意味着区分为合法目的注册的域名与其他域名变得更具挑战性，并且密切关注Cov 19未来将如何使用/滥用至关重要。
2021-02-10 cs.CR cs.CY
Model-Based Framework for exploiting sensors of IoT devices using a Botnet: A case study with Android
僵尸网络不仅对互联网，而且对连接到互联网的设备都构成了严重的安全威胁。物联网的指数级增长、席卷全球的COVID-19疫情以及越来越多的网络犯罪分子现在可以访问或开发出越来越复杂的工具，这些因素都刺激了僵尸网络在这一领域的增长。最近爆发的僵尸网络，如Dark Nexus（来自Qbot和Mirai），Mukashi，LeetHozer，Hoaxcalls等，表明这种威胁正在以惊人的速度收敛。僵尸网络的属性使它们成为物联网设备中恶意活动的绝佳平台。这些物联网设备被需要创新和保护其客户、员工和业务合作伙伴的个人和机密数据的组织所使用。物联网设备具有内置的传感器或致动器，可以利用这些传感器或致动器来监视或控制与它们连接的实体的物理环境，从而违反了这些设备的设计隐私的基本概念。在本文中，我们设计和描述了一个模块化的僵尸网络框架的物联网。我们的框架是独立于通信信道的，因为它利用各种可用的通信信道来命令和控制物联网设备。该框架使用了一种增强的集中式架构与一种新的域通量技术。拟议的框架将提供有关如何在设计时将物联网设备中的隐私纳入其中的见解，以检查这些设备中的传感器和执行器是否受到恶意利用，从而保护隐私。本文包括设计考虑，指挥和控制结构，特点，能力，入侵，和其他相关工作。此外，概念证明僵尸网络的实施和解释使用开发的框架。
2022-01-14 cs.CR cs.SE
Advanced Anomaly Detection and Threat Intelligence in Zero Trust IoT Environments Using Machine Learning
School of Information Technology, Whitecliffe（怀特克利夫信息技术学院）；Department of Electrical & Electronic Engineering, University of Nottingham Ningbo China (UNNC)（宁波诺丁汉大学电气与电子工程系）
本文研究了在零信任架构中利用SVM、随机森林和决策树等机器学习技术提升物联网环境中的威胁检测准确性，通过SMOTE技术解决类别不平衡问题，同时探讨边缘计算与区块链在恶意URL和APT检测中的应用。
2026-04-25 cs.CR cs.NI
AbuseGPT: Abuse of Generative AI ChatBots to Create Smishing Campaigns
Tennessee Technological University（田纳西理工大学）
本文提出AbuseGPT方法，揭示攻击者如何利用提示注入攻击绕过生成式AI聊天机器人的道德标准来创建短信钓鱼活动，为防范此类新兴网络安全威胁提供了实证依据与研究指南。
2024-02-15 cs.AI cs.CR
CTI Dataset Construction from Telegram
Department of Computer Applications, Cochin University of Science and Technology, India（科钦大学科学与技术学院）
本文提出一个从 Telegram 自动收集和过滤威胁情报的端到端流水线，利用 BERT 分类器（准确率 96.64%）构建含 86,509 个恶意 IoC 的高质量 CTI 数据集。
2025-09-25 cs.AI cs.CR cs.ET
Detecting Quishing Attacks with Machine Learning Techniques Through QR Code Analysis
Electrical and Computer Engineering Department, American University of Beirut, Beirut, Lebanon（巴勒斯坦贝鲁特美国大学电气与计算机工程系）；Electrical and Computer Engineering Department, Lebanese American University, Byblos, Lebanon（黎巴嫩美国大学电气与计算机工程系）
本文提出通过分析二维码结构和像素模式直接检测Quishing攻击，使用多种机器学习模型训练，XGBoost模型在AUC上达到0.9106，证明了以二维码为中心的检测可行性。
2026-04-18 cs.AI cs.CR
Contact Tracing: An Overview of Technologies and Cyber Risks
二零二零年COVID-19疫情导致全球封城，对健康及经济造成严重影响。因此，全球各地的当局都表示需要更好的工具来监测病毒的传播并支持人类劳动。谷歌和苹果等研究人员和科技公司已提出以接触追踪应用程序的形式开发此类工具。这些应用程序的目标是不断跟踪人们的接近程度，并使智能手机用户知道他们是否曾经与确诊的人接触过，以便他们可以自我隔离，并可能进行感染测试。这些基于智能手机的联系人追踪技术的一个根本挑战是确保其用户的安全和隐私。从手动转向基于智能手机的联系人追踪会产生新的网络风险，可能会突然影响到整个人口。主要风险包括公司和/或当局滥用人们的私人数据，或恶意用户传播错误警报，以迫使个人进入隔离区。2020年4月，泛欧隐私保护邻近追踪（PEPP-PT）宣布成立，旨在为欧洲国家开发和评估安全解决方案。然而，过了一段时间，一些团队成员离开了这个联盟，并创建了DP-3 T，这导致了专家之间的国际辩论。目前，非专家关注这场辩论会令人困惑;本报告旨在通过对网络安全和隐私风险进行客观评估，阐明各种拟议技术。我们首先回顾了数字接触追踪技术的最新发展，然后探讨了针对COVID-19提出的技术的风险效用权衡。我们特别关注某些国家已经采用的技术。
2020-07-06 cs.CR cs.CY
