ChatSpamDetector: Leveraging Large Language Models for Effective Phishing Email Detection
本研究提出ChatSpamDetector系统，通过将邮件数据转化为提示词利用大型语言模型进行钓鱼邮件检测并提供详细推理，实验表明基于GPT-4的系统准确率达99.70%，有效提升了检测与用户决策能力。
2024-08-23 cs.CR
Phishing Codebook: A Structured Framework for the Characterization of Phishing Emails
针对现有钓鱼邮件研究对定性特征关注不足的问题，本文提出结构化框架Phishing Codebook，通过迭代定性编码提取描述特征，在503封邮件数据集上验证其在相似邮件识别、用户响应生成等场景的应用价值，并公开相关资源。
2024-08-16 cs.CR
What You See is Not What You Get: The Role of Email Presentation in Phishing Susceptibility
本研究通过与大型组织合作开展钓鱼培训演练，探索设备和链接呈现方式对钓鱼易感性的影响，发现移动设备用户更易点击掩码链接，揭示了链接呈现方式在钓鱼攻击易感性中的重要作用。
2023-04-03 cs.CR cs.HC
Characterizing the Networks Sending Enterprise Phishing Emails
本研究分析企业钓鱼邮件的中继网络，发现大量钓鱼邮件来自高信誉网络，并部署动态网络特征分类器，额外识别3-5%攻击。
2024-12-16 cs.CR
Nebulon Enterprise Simulated Threats for Phishing Research (NEST-Phish): A Synthetic Enterprise Phishing Email Dataset for Behavioral and Machine-Learning Research
针对企业场景网络钓鱼公开数据集不足的问题，研究团队构建了NEST-Phish合成网络钓鱼邮件数据集，含匹配的合法与钓鱼邮件及标注，可支撑监督检测等多方向研究。
2026-09-07 cs.CR
SpearBot: Leveraging Large Language Models in a Generative-Critique Framework for Spear-Phishing Email Generation
针对LLMs生成鱼叉式网络钓鱼邮件的风险，提出对抗性框架SpearBot，通过越狱提示和批评者反馈迭代优化邮件以逃避检测，实验表明其高欺骗性及潜在危害。
2024-12-15 cs.CR
Phishing Detection through Email Embeddings
Texas Tech University（德克萨斯理工大学）
通过机器学习技术检测网络钓鱼电子邮件的问题已经在文献中被广泛讨论。传统的和最先进的机器学习算法已经证明了构建具有高精度的分类器的可能性。现有的研究通过一般指标来处理网络钓鱼和真正的电子邮件，因此并不完全清楚什么网络钓鱼特征有助于分类器的变化。在本文中，我们制作了一组具有类似指标的网络钓鱼和合法电子邮件，以调查这些线索是否被电子邮件嵌入捕获或忽略，即，向量化然后，我们将精心制作的电子邮件输入机器学习分类器，以了解开发的电子邮件嵌入的性能。我们的研究结果表明，使用这些指标，电子邮件嵌入技术是有效的电子邮件分类为网络钓鱼或合法的。
2020-12-28 cs.CR cs.LG
Analysis and prevention of AI-based phishing email attacks
Kansas State University（堪萨斯州立大学）
针对生成式AI使钓鱼邮件个性化且更难检测的问题，本文构建公开AI钓鱼邮件语料库，并用多种机器学习与描述性分析方法验证其可被高准确率识别，强调需用AI生成样本训练防御系统。
2024-05-08 cs.AI cs.CL cs.CR
Phishing in Organizations: Findings from a Large-Scale and Long-Term Study
在本文中，我们提出了我们与合作伙伴公司合作进行的大规模和长期网络钓鱼实验的结果。我们的实验持续了15个月，在此期间，超过14，000名研究参与者（公司员工）在正常工作环境中收到了不同的模拟钓鱼电子邮件。我们还在公司的电子邮件客户端部署了一个报告按钮，允许参与者报告他们收到的可疑电子邮件。我们测量了网络钓鱼电子邮件的点击率、提交凭据等危险操作以及报告的可疑电子邮件。我们的实验结果提供了三种类型的贡献。首先，我们的一些研究结果支持以前的文献与改进的生态有效性。这种结果的一个例子是电子邮件警告的良好效果。其次，我们的一些结果与先前的文献和常见的行业惯例相矛盾。令人惊讶的是，我们发现，在模拟网络钓鱼练习中进行嵌入式培训，正如当今行业中普遍部署的那样，并没有使员工对网络钓鱼更具弹性，而是可能会产生意想不到的副作用，使员工更容易受到网络钓鱼的影响。第三，我们报告新的发现。特别是，我们是第一个证明，使用员工作为一个集体的网络钓鱼检测机制是实用的大型组织。我们的研究结果表明，这种众包可以快速检测新的网络钓鱼活动，组织的运营负荷是可以接受的，员工在很长一段时间内保持活跃。
2021-12-14 cs.CR cs.HC
The Impact of Emerging Phishing Threats: Assessing Quishing and LLM-generated Phishing Emails against Organizations
本研究通过针对不同规模组织的三次钓鱼模拟实验，评估了二维码钓鱼与LLM生成钓鱼邮件的实际攻击效果，发现二者威胁显著，且员工自我感知的防范意识与组织抗钓鱼能力正相关。
2025-05-17 cs.CR
MeAJOR Corpus: A Multi-Source Dataset for Phishing Email Detection
本文提出MeAJOR多源钓鱼邮件数据集，整合135894个样本及广泛特征，并通过四种分类模型实验验证其有效性，XGB达到98.34%的F1分数，解决了现有数据集在类别不平衡、泛化性和可复现性方面的不足。
2025-11-06 cs.AI cs.CR cs.HC
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
LLM-Powered Intent-Based Categorization of Phishing Emails
University of Oslo（奥斯陆大学）；Norwegian Defence Research Establishment (FFI)（挪威国防研究机构（FFI））
针对传统钓鱼邮件检测依赖元数据、识别效果有限的问题，本研究利用大语言模型基于邮件意图进行检测与分类，提出意图类型分类体系并构建混合数据集，验证了大语言模型在该领域的应用潜力。
2025-06-17 cs.AI cs.CR
Robust ML-based Detection of Conventional, LLM-Generated, and Adversarial Phishing Emails Using Advanced Text Preprocessing
Purdue University Northwest（普渡大学西北分校）；University of New Mexico（新墨西哥大学）；Rochester Institute of Technology（罗切斯特理工学院）
针对LLM生成及对抗性钓鱼邮件检测难题，提出含拼写纠正与单词拆分的增强文本预处理流程，结合NLP与机器学习算法，在公开数据集上实现94.26%准确率，并对多种对抗攻击及LLM生成邮件展现鲁棒性。
2025-10-13 cs.CR
APOLLO: A GPT-based tool to detect phishing emails and generate explanations that warn users
University of Bari “A. Moro”（巴里大学）；King’s College London（伦敦国王学院）
针对网络钓鱼攻击日益复杂的问题，研究提出基于GPT-4o的APOLLO工具，可检测钓鱼邮件并生成解释，分类准确率最高达99%，且生成的警告比现有基线更易理解、可信。
2024-10-10 cs.CR cs.HC
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
Phishing Email Detection Using Large Language Models
University of Science and Technology of China（中国科学技术大学）
提出LLMPEA框架，利用GPT-4o等三种前沿LLM检测钓鱼邮件，准确率超90%，并揭示对抗攻击、提示注入和多语言攻击的漏洞。
2026-06-16 cs.AI cs.CR cs.IR
Community Targeted Phishing: A Middle Ground Between Massive and Spear Phishing through Natural Language Generation
看看今天的网络钓鱼全景，我们能够识别两种截然相反的方法。一方面，大规模网络钓鱼的目标是尽可能多的人与通用和预先形成的文本。另一方面，鱼叉式网络钓鱼通过手工制作的电子邮件瞄准高价值的受害者。虽然现在这两个世界部分交叉，但我们设想未来自然语言生成（NLG）技术将使攻击者能够通过机器定制的电子邮件瞄准人口稠密的社区。在本文中，我们介绍了我们所谓的社区定向网络钓鱼（CTP），以及一些展示NLG技术如何制作此类电子邮件的工作流程。此外，我们还展示了先进的NLG技术如何为网络钓鱼者提供新的强大工具，从复杂的数据集中提取新的信息，并利用这些信息来威胁受害者的私人数据。
2018-06-23 cs.CR cs.CY
In-context learning for the classification of manipulation techniques in phishing emails
CNRS（法国国家科学研究中心）；LAAS（拉劳斯自动控制实验室）；Université de Toulouse（图卢兹大学）；INSA（法国工业与应用科学学院）；LERASS（图卢兹大学机器人与自动化研究所）
本研究使用GPT-4o-mini的上下文学习，基于40种操纵技术分类法对真实法语钓鱼邮件进行细粒度分类，准确率达0.76，展示了ICL在钓鱼分析中的潜力。
2025-06-26 cs.AI cs.CR
Phishing Mitigation Techniques: A Literature Survey
电子邮件是一种通信渠道，被认为是个人和组织之间交换信息的保密通信媒介。由于攻击者向用户发送恶意电子邮件以欺骗他们披露其私人个人信息（如用户名、密码和银行卡详细信息等），因此有关电子邮件的机密性考虑不再是这种情况。然而，现有的传统解决方案在帮助电子邮件用户识别钓鱼电子邮件和合法电子邮件方面受到限制。本文揭示了不同的电子邮件和网站钓鱼攻击检测的解决方案。它首先提供了不同的现有网络钓鱼缓解方法的文献分析。然后讨论了这些技术的局限性，最后探讨了如何改进网络钓鱼检测。
2021-04-14 cs.CR
Enhancing Phishing Email Identification with Large Language Models
Georgia Institute of Technology（佐治亚理工学院）
本文研究大型语言模型在钓鱼邮件检测中的有效性，实验表明其在高精确率下达到高准确率，并能提供可解释的决策证据。
2025-02-07 cs.AI cs.CR
An intelligent classification model for phishing email detection
网络钓鱼攻击是一种趋势性的网络攻击，其应用从专业黑客传达给人们的社会工程消息，旨在愚弄用户以泄露他们的敏感信息，这些消息的最流行的通信渠道是通过用户的电子邮件。提出了一种基于知识发现、数据采掘和文本处理技术的网络钓鱼邮件智能分类模型。本文介绍了网络钓鱼术语权重的概念，它评估的重量，每封电子邮件中的网络钓鱼术语。预处理阶段通过应用文本词干和WordNet本体来增强，以用单词同义词来丰富模型。该模型应用了五种流行的分类算法的知识发现过程，并在分类准确率方面取得了显着的提高，使用随机森林算法的准确率为0.991，使用J48的准确率为0.984，据我们所知，这是公认的数据集的最高准确率。本文还提出了一个类似的建议分类技术的比较研究。
2016-08-07 cs.CR
SoK: Human-Centered Phishing Susceptibility
网络钓鱼被认为是对组织和个人的严重威胁。虽然在阻止网络钓鱼攻击方面取得了重大的技术进步，但人们仍然是网络钓鱼电子邮件到达其电子邮件客户端后的最后一道防线。关于这个主题的大多数现有文献都集中在与网络钓鱼相关的技术方面。然而，导致人类容易受到网络钓鱼攻击的因素仍然没有得到很好的理解。为了填补这一空白，我们回顾了现有的文献，我们提出了一个三阶段的网络钓鱼易感性模型（PSM），用于解释人类如何参与网络钓鱼检测和预防，我们系统地研究了网络钓鱼易感性变量在文献中的研究，并使用我们的模型对它们进行分类。该模型揭示了需要解决的几个研究差距，以提高用户的检测性能。我们还提出了一个实际的影响评估的价值，研究网络钓鱼的易感性变量，和证据标准的质量。这些可以作为未来研究的指导方针，以改善实验设计，结果质量，并增加结果的可靠性和普遍性。
2022-02-16 cs.CR cs.CY cs.HC
Context-Aware Phishing Email Detection Using Machine Learning and NLP
University of Cincinnati（辛辛那提大学）
本文提出一种基于机器学习的钓鱼邮件检测系统，通过自然语言处理技术分析邮件内容，提取上下文特征，采用逻辑回归模型实现95.41%的准确率。
2026-03-28 cs.CR
Federated Phish Bowl: LSTM-Based Decentralized Phishing Email Detection
University of Tokyo（东京大学）；United Nations University（联合国大学）
近年来，随着越来越复杂的网络钓鱼活动，网络钓鱼电子邮件吸引人们使用更合法的个人上下文。为了解决这个问题，而不是传统的基于语法的算法，更自适应的检测系统，如自然语言处理（NLP）驱动的方法是必不可少的理解网络钓鱼文本表示。然而，围绕收集可能包含机密信息的网络钓鱼数据的担忧阻碍了模型学习的有效性。我们提出了一个分散的网络钓鱼电子邮件检测框架，称为联邦钓鱼碗（FedPB），有利于协同钓鱼检测与隐私。特别是，我们设计了一个知识共享机制与联邦学习（FL）。该框架使用长短期记忆（LSTM）进行网络钓鱼检测，通过在客户端之间共享全局词嵌入矩阵来进行调整，每个客户端都使用非IID数据运行其本地模型。我们收集了最近的网络钓鱼样本，研究所提出的方法使用不同的客户端数量和数据分布的有效性。结果表明，FedPB可以达到一个集中式的钓鱼检测器的竞争力的性能，具有一般性的各种情况下，FL保持预测准确率为83%。
2022-07-05 cs.CR cs.LG
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
Cyri: A Conversational AI-based Assistant for Supporting the Human User in Detecting and Responding to Phishing Attacks
Sapienza University of Rome（罗马智慧大学）；Link Campus University of Rome（罗马 LINK 校园大学）
本研究提出Cyri——一款基于大型语言模型的对话式助手，通过本地处理网络钓鱼邮件语义特征（如紧急性）、支持多模态交互与按需检测，有效提升用户识别网络钓鱼的能力并保障数据隐私。
2025-02-09 cs.AI cs.CR cs.HC
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
Email Summarization to Assist Users in Phishing Identification
Monash University（莫纳什大学）；CSIRO’s Data61（澳大利亚联邦科学与工业研究组织数据61研究所）
网络钓鱼攻击最近变得更加精确、有针对性，并通过训练数据进行定制，仅在存在特定信息或线索时才会激活。它们比传统的网络钓鱼检测具有更大的适应性。因此，自动检测系统不可能总是100%准确，这增加了在面对潜在的网络钓鱼电子邮件时预期行为的不确定性。另一方面，以人为中心的防御方法广泛关注用户培训，但面临着让用户跟上不断出现的模式的困难。因此，以新颖的方式分析电子邮件内容以及总结与电子邮件收件人最相关的内容的进展是进一步打击这些威胁的潜在途径。为了解决这一差距，这项工作利用基于transformer的机器学习来（i）分析预期的心理触发因素，（ii）检测可能的恶意意图，以及（iii）创建具有代表性的电子邮件摘要。然后，我们合并这些信息并将其呈现给用户，以允许他们（i）轻松确定电子邮件是否是“钓鱼”和（ii）自学高级恶意模式。
2022-03-24 cs.CR cs.LG
Evaluation of Federated Learning in Phishing Email Detection
Data61, CSIRO（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）
使用人工智能（AI）来检测网络钓鱼电子邮件主要依赖于大规模的集中式数据集，这会带来无数的隐私、信任和法律问题。此外，考虑到泄露商业敏感信息的风险，组织不愿意共享电子邮件。因此，获得足够的电子邮件来有效地训练全球AI模型是不常见的。因此，隐私保护的分布式和协作机器学习，特别是联邦学习（FL），是一个迫切需要的。在医疗保健领域已经很普遍，但在多组织协作的背景下，基于FL的网络钓鱼检测的有效性和有效性仍然存在问题。据我们所知，本文的工作是第一次调查使用FL在电子邮件反钓鱼。本文基于深度神经网络模型，特别是RNN和BERT用于钓鱼电子邮件检测。它分析了FL纠缠学习在各种设置下的性能，包括平衡和不对称的数据分布。我们的研究结果证实了FL在网络钓鱼电子邮件检测中的性能统计数据与平衡数据集的集中式学习和低组织计数的性能统计数据相当。此外，我们观察到的变化时，增加组织计数的性能。对于固定的总电子邮件数据集，当将组织计数从2增加到10时，基于全局RNN的模型的准确率下降了1.8%。相比之下，当从2到5个组织时，BERT准确率提高了0.6%。然而，如果我们允许在FL框架中引入新组织来增加整体电子邮件数据集，则通过实现更快的收敛速度来提高组织级别的性能。此外，如果电子邮件数据集分布高度不对称，则由于高度不稳定的输出，FL的整体全局模型性能会受到影响。
2021-05-21 cs.CR cs.LG
Profiler: Profile-Based Model to Detect Phishing Emails
University of New South Wales（新南威尔士大学）；Cybersecurity CRC（网络安全合作研究中心）；CSIRO’s Data61（联邦科学与工业研究组织Data61研究所）
随着时间的推移，电子邮件网络钓鱼变得越来越普遍，越来越复杂。为了应对这种增长，已经开发了许多用于检测网络钓鱼电子邮件的机器学习（ML）算法。然而，由于这些算法训练的电子邮件数据集有限，它们不善于识别各种攻击，因此遭受概念漂移;攻击者可以在其电子邮件或网站的统计特征中引入小的变化，以成功地绕过检测。随着时间的推移，文献报道的准确性与算法在现实世界中的实际有效性之间存在差距。这体现在频繁的假阳性和假阴性分类中。为此，我们提出了一个多维的电子邮件风险评估，以减少攻击者适应他们的电子邮件，避免检测的可行性。这种电子邮件网络钓鱼检测的水平方法可以分析传入电子邮件的主要特征。我们开发了一个风险评估框架，其中包括三个模型，分析电子邮件的（1）威胁级别，（2）认知操纵，（3）电子邮件类型，我们结合返回最终的风险评估分数。分析器不需要大数据集来进行有效的训练，并且其对各种电子邮件特征的分析减少了概念漂移的影响。我们的Profiler可以与ML方法结合使用，以减少其错误分类，或者在训练阶段作为大型电子邮件数据集的标签。我们使用最先进的ML算法对来自澳大利亚一家大型研究机构的9000封合法电子邮件和900封网络钓鱼电子邮件的数据集进行分析，评估Profiler对机器学习集成的功效。我们的研究结果表明，Profiler减轻了概念漂移的影响，并提供了比ML集成方法少30%的假阳性和25%的假阴性电子邮件分类…
2022-08-18 cs.CR cs.LG
Adversarial Robustness of Phishing Email Detection: A Comparative Study of TF-IDF + Logistic Regression and Fine-Tuned DistilBERT
University of Hertfordshire（赫特福德大学）
研究网络钓鱼邮件检测的对抗鲁棒性，对TF-IDF + 逻辑回归和微调DistilBERT两种方法在正常、合成及对抗条件下对比。发现干净数据准确率不能预测对抗鲁棒性，两种模型依赖不同证据但脆弱性相似，对抗测试应成检测评估标准。
2026-08-25 cs.AI cs.CR cs.CY
Multilingual Email Phishing Attacks Detection using OSINT and Machine Learning
针对多语言邮件钓鱼检测难题，提出融合OSINT工具提取17项特征，结合五种机器学习算法实验验证随机森林在英阿语料上达97.37%准确率，优于无OSINT基线模型，填补多语言钓鱼检测研究空白。
2025-01-15 cs.CR
A framework for securing email entrances and mitigating phishing impersonation attacks
针对现有防护偏重邮件内容而忽视邮箱入口与设置的问题，本文提出在发送按钮加入安全码并保护转发设置，以缓解账户劫持和内部钓鱼冒充攻击。
2023-12-07 cs.CR
EPhishCADE: A Privacy-Aware Multi-Dimensional Framework for Email Phishing Campaign Detection
提出首个隐私感知的多维框架EPhishCADE，通过分层结构结合图上下文聚类看似无关的钓鱼攻击，仅依赖URL实现跨组织协作检测，降低分析人员负担。
2025-02-28 cs.CR
An Explainable Transformer-based Model for Phishing Email Detection: A Large Language Model Approach
Department of Computer Science and Engineering, BGC Trust University Bangladesh（Bangladesh BGC Trust 大学 计算机科学与工程系）；Department of Computer Science and Engineering, International Islamic University Chittagong（Bangladesh 国际伊斯兰大学 昌德加荣分校 计算机科学与工程系）；Centre for Securing Digital Futures, School of Science, Edith Cowan University（澳大利亚 埃德温·考文大学 科学学院 安全数字未来中心）
本文提出一种优化微调的基于Transformer的DistilBERT模型用于钓鱼邮件检测，通过预处理解决类别不平衡，实现高准确率，并利用LIME等可解释AI技术揭示模型的预测机制。
2025-08-14 cs.AI 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
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
A Large-Scale Empirical Study of Modern Phishing Email Content
University of Tennessee, Knoxville（田纳西大学诺克斯维尔分校）；Korea University（高丽大学）
本研究基于290万封真实钓鱼邮件的大规模语料，利用LLM流水线分析主题、行动号召和冒充三个维度，发现攻击手段多样化但响应方式趋同，且附件承担补充、替代或强化文本的三种角色，并揭示了发票主题钓鱼CTA的长期演变。
2026-09-28 cs.CR
Revisiting Email Spoofing Attacks
电子邮件系统是抵御网络钓鱼和社会工程攻击的中心战场，但电子邮件提供商仍然面临着对传入电子邮件进行身份验证的关键挑战。因此，攻击者可以应用欺骗技术来冒充受信任的实体，以进行高度欺骗性的网络钓鱼攻击。在这项工作中，我们研究电子邮件欺骗回答三个关键问题：（1）电子邮件提供商如何检测和处理伪造的电子邮件？(2)在什么情况下，伪造的电子邮件可以穿透防御到达用户收件箱？(3)一旦伪造的电子邮件进入，电子邮件提供商如何警告用户？警告真的有效吗？我们通过对35个流行的电子邮件提供商（数十亿用户使用）的端到端测量以及由模拟和真实网络钓鱼实验组成的广泛的用户研究（N = 913）来回答这些问题。我们有四个关键发现。首先，大多数流行的电子邮件提供商都有必要的协议来检测欺骗，但仍然允许伪造的电子邮件进入用户收件箱（例如，Yahoo Mail、iCloud、Gmail）。其次，一旦伪造的电子邮件进入，大多数电子邮件提供商都不会向用户发出警告，特别是在移动电子邮件应用程序上。一些供应商（例如，Gmail（Gmail）甚至有误导性的用户界面，使伪造的电子邮件看起来真实。第三，一些电子邮件提供商（9/35）已经为未经验证的电子邮件实施了视觉安全提示，这对减少危险的用户操作产生了积极的影响。比较模拟实验与现实的网络钓鱼测试，我们观察到的安全提示的影响是不太显着的，当用户在现实世界中的设置措手不及。
2018-01-02 cs.CR
A Gmail-Based Phishing Detection Prototype for Nigerian Fintech Emails Using Sender Checks and BiLSTM Classification
Federal University of Technology, Minna（尼日利亚明纳联邦科技大学）
针对尼日利亚金融科技钓鱼邮件，提出结合发件人检查与BiLSTM分类的Gmail扩展原型，实现高精度检测，但需进一步评估端到端性能。
2026-09-24 cs.CR
An Innovative Information Theory-based Approach to Tackle and Enhance The Transparency in Phishing Detection
针对AI钓鱼检测缺乏可解释性的问题，提出基于深度学习的邮件钓鱼攻击定位方法，可同时预测风险并定位关键钓鱼相关信息，在7个真实数据集上较基线性能提升1.5%-3.5%。
2024-04-17 cs.CR
Detecting and Characterizing Lateral Phishing at Scale
我们提出了横向网络钓鱼攻击的第一个大规模特征，基于来自92个企业组织的1.13亿封电子邮件的数据集。在横向网络钓鱼攻击中，攻击者利用受损的企业帐户向其他用户发送网络钓鱼电子邮件，从而从被劫持用户帐户中的隐式信任和信息中获益。我们开发了一个分类器，可以发现数百封真实世界的横向钓鱼电子邮件，同时每一百万封钓鱼电子邮件中产生不到四个误报。利用我们检测到的攻击，以及用户报告的事件语料库，我们量化了横向网络钓鱼的规模，确定了攻击者遵循的几个主题内容和收件人定位策略，阐明了攻击者表现出的两种复杂行为，并估计了这些攻击的成功率。总的来说，这些结果扩展了我们对“企业攻击者”的心理模型，并揭示了企业网络钓鱼攻击的现状。
2019-10-02 cs.CR cs.SI
E-PhishGen: Unlocking Novel Research in Phishing Email Detection
University of Padua（帕多瓦大学）；University of Liechtenstein（列支敦士登大学）；Orebro University（奥雷布罗大学）；University of Reykjavik（雷克雅未克大学）
本文批判性评估了钓鱼邮件检测研究，发现现有基准数据集缺乏代表性且导致检测方法表现虚高；为此提出基于LLM的框架 E-PhishGEN 生成新型多语言数据集 E-PhishLLM，证明检测仍有巨大改进空间。
2025-09-15 cs.AI cs.CR
A Survey on the Principles of Persuasion as a Social Engineering Strategy in Phishing
本综述系统回顾了劝说原则在钓鱼攻击中作为社会工程策略的应用，指出鱼叉式钓鱼因可针对目标定制信息而尤为有效，并强调当前研究在理解该策略影响方面仍存在显著空白。
2024-12-24 cs.CR cs.CY cs.HC
Catching the Phish: Detecting Phishing Attacks using Recurrent Neural Networks (RNNs)
University of Oxford（牛津大学）；University of Kent（肯特大学）
在线服务在我们日常生活中的出现伴随着一系列恶意尝试，以欺骗个人执行不受欢迎的操作，通常是为了对手的利益。这些尝试中最流行的媒介是网络钓鱼攻击，特别是通过电子邮件和网站。为了抵御此类攻击，迫切需要自动化机制来在恶意内容到达用户之前对其进行识别。机器学习技术已逐渐成为此类分类问题的标准。然而，识别网络钓鱼内容的常见可测量特征（例如，在电子邮件中）是众所周知的困难。为了解决这个问题，我们对基于递归神经网络（RNN）的网络钓鱼内容分类器进行了一项新的研究，该网络可以在没有人工输入的情况下识别这些特征。在这个阶段，我们的研究范围是电子邮件，但我们的方法可以扩展到网站。我们的研究结果表明，该系统优于国家的最先进的工具。此外，我们的分类器是高效的，只考虑文本，特别是电子邮件的文本结构。由于这些功能很少被认为是在电子邮件分类，我们认为，我们的分类器可以补充现有的分类器具有较高的信息增益。
2019-08-09 cs.CL cs.CR cs.CY
Quantifying Susceptibility to Spear Phishing in a High School Environment Using Signal Detection Theory
鱼叉式网络钓鱼是一种欺骗性攻击，它使用社会工程学通过有针对性的受害来获取机密信息。它的特点是利用社会线索和个性化信息来针对特定的受害者。以前关于鱼叉式网络钓鱼弹性的工作主要集中在便利样本上，对学生的关注不成比例。相反，在这里，我们报告一个高中社区的评估。我们聘请了57名高中学生和教职员工（12名高中学生，45名工作人员）作为利用信号检测理论（SDT）研究的参与者。通过基于网络的分析，参与者的任务是区分网络钓鱼电子邮件和真实电子邮件。结果显示，无论参与者的技术背景如何，他们在自我检测方面都存在过度自信的偏见。这些发现对于评估代表性不足的人群的决策以及通过检查人类易感性来保护人们免受潜在的鱼叉式网络钓鱼攻击至关重要。
2020-07-08 cs.CR cs.CY
Breaking Bad Email Habits: Bounding the Impact of Simulated Phishing Campaigns
School of Business, University of Pittsburgh（匹兹堡大学商学院）；Pamplin College of Business, Virginia Polytechnic Institute and State University（弗吉尼亚理工大学潘普林商学院）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
本文提出了一种结合边际结构模型和相关随机效应的分析框架，用于评估模拟钓鱼活动对员工点击行为的因果影响，并揭示了设计策略对持续性的影响。
2026-03-04 cs.CR cs.CY
Targeted Phishing Campaigns using Large Scale Language Models
University Of Houston（休斯顿大学）
在这项研究中，我们的目标是探索自然语言模型（NLM），如GPT-3和GPT-2生成有效的钓鱼电子邮件的潜力。网络钓鱼电子邮件是一种欺诈性邮件，旨在欺骗个人泄露敏感信息或采取有利于攻击者的行动。我们提出了一个框架，用于评估NLM在生成这些类型的电子邮件的性能的基础上的各种标准，包括所生成的文本的质量，绕过垃圾邮件过滤器的能力，以及欺骗个人的成功率。我们的评估表明，NLM能够生成难以检测的网络钓鱼电子邮件，并且在欺骗个人方面具有很高的成功率，但其有效性取决于所使用的特定NLM和训练数据。我们的研究表明，NLM可能会对网络钓鱼攻击的流行产生重大影响，并强调需要进一步研究将NLM用于恶意目的的道德和安全影响。
2022-12-30 cs.CL cs.CR cs.LG
Anomaly Detection in Emails using Machine Learning and Header Information
Canadian Institute for Cybersecurity（加拿大网络安全研究所）；University of New Brunswick（新不伦瑞克大学）
电子邮件中的异常（如网络钓鱼和垃圾邮件）会给个人和组织带来重大的安全风险，如隐私、金钱和品牌声誉的损失。以往的电子邮件异常检测研究依赖于单一类型的异常和对邮件正文和主题内容的分析。这种方法的缺点是它考虑了电子邮件内容的书面语言。为了克服这一缺陷，本研究进行特征提取和电子邮件头数据集的选择，并利用多类和一类异常检测方法。实验分析结果表明，只有电子邮件头信息是足够的，可靠地检测垃圾邮件和钓鱼电子邮件。监督学习算法，如随机森林，SVM，MLP，KNN及其堆叠集成被发现是非常成功的，实现了97%的网络钓鱼和99%的垃圾邮件的高准确性分数。使用One-Class SVM的单类分类分别对垃圾邮件和钓鱼邮件实现了87%和89%的准确率。实际的电子邮件过滤应用程序将受益于只使用标题信息在资源利用率和效率方面。
2022-03-19 cs.AI cs.CR cs.LG
Lateral Phishing With Large Language Models: A Large Organization Comparative Study
University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）
本研究针对大型组织开展实验，对比LLM生成与人类编写的横向钓鱼邮件效果，发现前者与通信专业人员编写的邮件有效性相当，揭示LLMs加剧钓鱼威胁，为防御提供参考。
2025-04-15 cs.CL cs.CR
AdaPhish: AI-Powered Adaptive Defense and Education Resource Against Deceptive Emails
United Nations University（联合国大学）
针对传统钓鱼邮件演练人工匿名化、仅限内部使用的局限，提出基于LLMs和向量数据库的AdaPhish平台，实现钓鱼邮件自动匿名分析、实时检测新策略及长期趋势跟踪，提供可扩展的协作式防御与教育方案。
2025-02-10 cs.AI cs.CR
Enhancing Phishing Detection in Financial Systems through NLP
本文提出一种基于NLP的钓鱼邮件检测方法，结合TF-IDF和语义相似性分析，在金融系统场景下分别达到79.8%和67.2%的检测准确率。
2025-07-06 cs.CR
Sustaining Cyber Awareness: The Long-Term Impact of Continuous Phishing Training and Emotional Triggers
University of Oslo（奥斯陆大学）；University of Luxembourg（卢森堡大学）；Technology Innovation Institute（技术创新研究所）
本研究通过20个组织和超1300名员工的12个月纵向实验，发现持续钓鱼模拟与定向训练能在6个月内将员工受骗率减半，且员工流失会波动安全意识，强调了长期行为干预对增强组织网络韧性的战略重要性。
2025-10-31 cs.CR cs.HC
