Work

Состязательные атаки на модели обнаружения фишинга на основе URL-адресов

Year: 2026
Type: article
Abstract: Фишинговые атаки остаются одной из наиболее распространённых и экономически значимых киберугроз. Модели машинного и глубокого обучения для обнаружения фишинга по URL-адресам достигают F1-score 0,95–0,99 на стандартных наборах данных, однако их устойчивость к целенаправленным состязательным (adversarial) модификациям входных данных остаётся недостаточно изученной. В настоящей работе предложены систематизация видов фишинговых атак и методов их обнаружения, сравнительный анализ URL-based архитектур: Random Forest, символьная CNN, LSTM, CNN+LSTM, классификация состязательных атак на детекторы фишинга, разработан Python-фреймворк, реализующий семь типов атак уклонения в режиме чёрного ящика: подстановку омоглифов, тайпсквоттинг, инъекцию поддомена, удлинение URL, кодирование URL, GANмутацию с лучевым поиском и композитные цепочки. Разработанный фреймворк удовлетворяет следующим требования: генерация состязательных URL для семи типов атак; CLI с группами параметров для каждого типа; Python API для встраивания в автоматизированные пайплайны; детерминированная генерация через seedпараметр; поддержка предопределённых и пользовательских цепочек; визуальная подсветка изменений в verbose-режиме. Экспериментальная оценка выполнена на датасете из 73575 URL (PhishTank + Marchal2014). Показано, что омоглифные модификации снижают F1-score на 10–15% у всех архитектур; тайпсквоттинг – на 9–14%; инъекция поддомена – на 8 % у Random Forest и 8–13 % у DL-моделей; удлинение URL – на 10% у Random Forest и до 4% у DLмоделей; кодирование URL – на 6% у Random Forest и 0–10 % у DL-моделей (CNN+LSTM не деградирует). Цепочка full_evasion снижает F1 до 0,79–0,84 у всех архитектур; цепочка maximum – до 0,77–0,84. GAN-мутация с эвристическим scoring снижает F1 на 14–16% без доступа к параметрам модели. Все атаки переносимы в режиме чёрного ящика. Сформулированы практические рекомендации по повышению устойчивости детекторов: NFKC Unicodeнормализация, IDN/Punycode-детектор, состязательное обучение, ансамблирование Random Forest и DL, ограничение длины URL. Производительность фреймворка составляет до 220000 URL/мин для одиночных атак и 48 000 URL/мин для трёхстадийных цепочек.
Language: Russian
Open Access status: green
OpenAlex ID: W7165225158
FWCI:
Cites: 43
Cited by:
Related to: 10