首页
学习
活动
专区
圈层
工具
发布
社区首页 >专栏 >生成式人工智能语境感知钓鱼攻击的形成机理与防御

生成式人工智能语境感知钓鱼攻击的形成机理与防御

原创
作者头像
芦笛
发布于 2026-11-12 06:58:57
发布于 2026-11-12 06:58:57
1380
举报

摘要:公开社交媒体上的日常叙事正在成为鱼叉式钓鱼的免费情报来源,生成式模型则把情报转化为可信文本的过程压缩到近乎零成本。本文以得克萨斯大学阿灵顿分校一项已被 NDSS 2027 接收的研究为主干材料,回到其原始论文核对样本规模、评估维度与统计口径,拆解语境感知钓鱼的四阶段技术构造,辨明 “十条帖子即可成信” 这一传播表述的实际含义,并以八个质量维度的评分、受试者可疑度判断与三类安全护栏的检测结果为依据,说明此类攻击的有效性来自内容与收件人经历的吻合,而非措辞的精致程度。分析显示,默认护栏的失效不是实现缺陷,而是危害类别、判定粒度与意图组合三重错配的结果;可行的干预须前移至提示层与投递层,并把收件人语境的一致性核验作为补充判据。文末给出证据边界与三层治理框架。

关键词:鱼叉式钓鱼;生成式人工智能;语境感知;内容审核;社会工程

1 引言

鱼叉式钓鱼在很长时间里依赖静态属性。攻击者掌握的信息通常是职务、单位、同事姓名、常用邮箱后缀一类不随时间快速变化的事实,来源多为泄露数据库、企业公开名录或职业社交平台。这类素材足以伪造一封 “来自财务部” 的邮件,却难以伪造一段只有当事人自己知道的经历。防御方也因此形成了相对稳定的判别经验:措辞生硬、称谓笼统、链接指向可疑域名、附件类型异常,凡此种种都被写进了邮件网关规则与用户培训材料。

变化的起点不在文本生成质量,而在情报结构。公开社交账号持续输出的是带时间戳的日常叙事:某场演出的座位视角、某家酒店的早餐、某次航班的延误、家庭成员的名字与生日、对工作压力的抱怨。这些内容单独看无甚价值,聚合起来却构成一份关于 “此人最近在做什么、在意什么、害怕什么” 的动态档案。得克萨斯大学阿灵顿分校的研究团队把这一路径系统化,提出语境感知鱼叉式钓鱼的概念,其论文已被 2027 年 3 月在首尔召开的网络与分布式系统安全研讨会(NDSS 2027)接收。2026 年 11 月 9 日,面向消费者的技术专栏 CyberGuy 对该研究作了转述,用 “你发的几张演唱会照片,第二天就变成了一封看起来来自场馆的邮件” 作为叙事入口。

本文不重复这类现象描述,而是把该研究当作分析对象,回答三个问题:语境感知攻击在技术上依靠哪些环节成立;其有效性证据强到什么程度、又弱在何处;现有防护为何大面积失效,治理应当落在哪一层。取材上需要说明一点:上述专栏页面的功能建议部分嵌入了杀毒软件与个人数据删除服务的推广链接,带有商业属性,其技术参数亦经简化处理,因此本文只取其事实线索,凡涉及样本量、检出率、评分数值的表述,一律回到原始论文核对。

2 研究材料与评估口径

2.1 样本与生成流程

研究以 Instagram 为数据源。作者于 2024 年 7 月 20 日通过 Meta 的公开内容监测接口 CrowdTangle 检索到一万个公开账号,从中随机抽取 200 个作为分析对象,采集时间窗为 2023 年 6 月 24 日至 2024 年 6 月 24 日。每个账号取最近二十条帖子,不足二十条者取全部,最终得到 3,268 条帖子,字段包括图片、配文、粉丝数、发布时间、互动数据与帖子地址。图片经截图后由多模态模型生成描述,与配文一并进入后续的语境抽取。样本中有一半账号的帖子不足二十条,作者对熵值作了归一化处理,以免帖子数量差异干扰趋势判断。

生成环节使用五个模型,既包括闭源商业模型 GPT-4、Claude 3 Haiku、Gemini 1.5 Flash,也包括开源的 Gemma 7B 与 LLaMA 3.3。每个目标账号以一条或多条语境线索为锚点,套用七类社会工程策略中的一类,产出结构化邮件。全流程共生成 17,916 封邮件,其中 Gemma 5,045 封、LLaMA 4,855 封、Claude 3,959 封、GPT-4 2,634 封、Gemini 1,423 封。各模型对每个账号的平均产出差别明显:Gemma 25.47 封、LLaMA 24.52 封、Claude 19.99 封、GPT-4 13.28 封、Gemini 7.18 封。差异并非算力问题,而是提示中设置了弃答条件,当模型判断现有语境不足以支撑一封自洽的邮件时可以选择不生成。Gemini 的产出最少、离散度最小,说明其弃答阈值最高;Claude 的离散度最大,说明其判断在不同账号间不稳定。这一细节常被转述忽略,却直接关系 “规模化” 能否成立:生成能力的上限不等于有效攻击的上限。

2.2 评分与人工校验

邮件质量按八个维度作二元判定,分别是语境相关性、说服力、情感操纵、个性化程度、语言自然度、行动指令的具体性、发件人可信度、技术完备度。由于样本量接近一万八千封,全部人工标注不可行,作者采用三个商业模型投票的方式打分,并抽取 150 封由两名人工标注者独立复核。集成投票的一致性系数为 0.76,两名人工标注者之间达到 0.93;以人工共识为基准,模型集成的判定准确率为 98.3%,二十处不一致全部属于漏判,没有出现把低质邮件判为高质的反向错误。这一校验设计有一个值得称道的细节:评分时模型与人工都能看到生成该邮件所用的社交帖子,一封标注为 “地点类诱饵” 的邮件,只有在其提到的地点确实出现在原始帖子中,才计为语境相关。若无此约束,“语境相关性” 会退化为 “读起来像那么回事”。

2.3 对照语料

真实世界的对照样本取自反钓鱼工作组(APWG)的 eCrimeX 举报接口,随机抽取 6,000 封,时间自 2023 年 9 月 19 日起,涉及被仿冒组织超过 610 家。由于该库不提供结构化标签,作者先用脚本解析邮件头与正文,再用同一套模型投票区分鱼叉式与广撒式,判定其中的 3,937 封(65.6%)属于鱼叉式,作为基准。两名人工标注者对 100 封正例与 100 封反例复核,一致性 0.95,模型集成与人工共识的吻合率为 99%。

2.4 三处需要校正的传播口径

第一处是帖子数量。专栏称 “最少十条帖子就足以构造一封可信的诈骗邮件”,原始论文的表述更为谨慎。熵值分析显示,信息量在第 1 至第 3 条帖子间上升最快,第 5 条之后趋于平缓,增量在第 5 条后降至 0.03 以下,第 10 条后降至 0.01 以下;实体抽取的边际增益稳定在每帖 0.4 至 0.8 个,未见明显饱和点。作者的结论是 “10 至 15 条帖子可提取足够语境”。换言之,十至十五条是信息饱和的经验阈值,而非 “任意十帖必成” 的充要条件。更关键的一组数据是:用户画像平均只含 8 至 9 个不同实体,而生成邮件中出现 17 至 50 个,其中多数是模型凭世界知识补写的;真正被沿用的用户特有线索通常只有一至两条,例如一项音乐爱好或一次近期旅行。这说明邮件可信并不要求攻击者掌握大量真实细节,少量真实锚点加上模型的自洽叙述已经够用,同时也说明大量细节是虚构的,一旦收件人追问便会露馅。

第二处是效果量。论文报告的五模型合并结果中,个性化维度达标率为 85.15% 至 90.09%,真实钓鱼为 8.6%;说服力为 78.49% 至 98.90%,真实钓鱼为 32.7%;语言自然度为 99.79% 至 100%,真实钓鱼为 51.0%;情感操纵为 73.77% 至 99.66%,真实钓鱼为 54.4%。这些是 “达标邮件占该类样本的比例”,属于构成比,不是 “每个收件人受骗概率提升的百分点”。把 90% 与 8.6% 相减得出 “提高八十一个百分点” 的说法在统计上不成立,两者的分母不同、判定主体不同,只能作同尺度内的相对比较。

第三处是护栏检出率。专栏写 “默认设置下只识别出 0% 至 19% 的请求”,论文的原始数值是 ShieldGemma-2B 拦截 12.1%、LlamaGuard-3-8B 拦截 0.0%、WildGuard-7B 拦截 19.2%,即放行率分别为 87.9%、100%、80.8%。区间上限应为 19.2%,专栏取整为 19% 并无实质偏差,但 “0%” 一项对应的是 LlamaGuard 在该批提示上完全未触发,而非 “接近零”,这一表述的强度应当保留。

3 语境感知攻击的技术构造

3.1 四阶段流程

该框架由四个串联环节构成,每一环节都可独立替换,这也是其工程上的危险之处。

第一环是语境抽取。模型同时读取配文与图片描述,抽取姓名、地点、所属机构、近期活动、情绪倾向,并把结果落成结构化字段。提示中明确禁止使用占位数据,缺项即留空,以压低虚构率。这一步解决的是 “从散乱帖子中提炼可用的社会关系与生活事件”。

第二环是策略与语境的组合。七类策略分别是诱饵、恐吓、桃色陷阱、互惠交换、尾随跟进、身份仿冒、情绪利用;五个语境维度分别是地点、关系、兴趣、情绪、事件。两类要素交叉组合,得到三十五格。诱饵配地点,会生成 “你常去的那家店推出会员回馈”;尾随跟进配事件,会在用户发布求职信息后送来 “招聘方” 的回复;恐吓配情绪,会利用用户刚吐露的工作压力制造 “账号异常” 的紧迫感。组合本身并不新奇,社会工程手册早有分类,新意在于组合由模型自动完成,且组合的依据是目标本人刚刚公开的内容。

第三环是风格模仿。模型被要求分析目标帖子的语气、句长、表情符号使用习惯、标点密度、常用口头语,并在邮件中复现。这一步针对的是长期有效的判别经验:诈骗邮件往往语气僵硬、句式整齐、称谓失真。当邮件沿用了收件人自己写信时的节奏,“读起来不像外人” 这一层怀疑就被削弱了。

第四环是输出整形。邮件补齐主题行、发件人身份、签名档,并以纯文本形式给出网址,不作超链接。这一处理有针对性的技术考虑:以超链接对象为抓取目标的链接信誉检查,在纯文本网址上拿不到可解析的超链接指向,域名信誉查询与跳转链分析都会落在空处,而收件人复制粘贴到浏览器后跳转照常发生。安全厂商对这一手法并不陌生,但把它写进自动化生成流水线,意味着规避动作已从人工经验变成了默认配置。

3.2 审核规避与成本结构

闭源模型对显式的钓鱼请求通常会拒绝。研究团队记录了一次直接请求被 GPT-4o 退回的实例,模型回复 “无法协助撰写旨在制造恐慌或紧迫感的邮件”。随后作者改用三种手法,使同一目标得以实现:把任务拆成抽取属性、分析风格、判断语境是否充分三步,以思维链的形式逐步推进,使请求在每一步都显得正当;把敏感词替换为温和同义词,例如以 “个性化信息” 替代 “诈骗”“欺骗”;把恶意目标包裹在日常场景中,例如 “给朋友写一段提醒”。三种手法叠加后,同一个模型输出了带主题行、带签名、带网址的完整邮件。这一对比说明,当前的内容审核以 “请求文本是否含恶意表述” 为主要判据,而攻击者已把恶意转移到流程结构与上下文关系中。

成本方面,按公开的接口价目(每百万输入词元十美元、每百万输出词元三十美元)计算,一封邮件的生成成本在 0.2 至 0.4 美分之间。各模型在 105 次标准化生成中的成功率为:GPT-4 94.3%、Gemini 78.1%、Claude 77.1%、LLaMA 66.7%、Gemma 60.0%。单封耗时从 Gemini 的 0.63 秒到 LLaMA 的 16.7 秒不等。反网络钓鱼技术专家芦笛指出,这一成本结构改变了攻防的经济学基础:过去一封高质量定向邮件需要人工侦察与撰写,成本以小时计;现在成本以美分计,攻击者的约束条件从 “写得出” 变成 “送得到”。他同时提醒,上述单价只覆盖推理环节,画像采集、账号养护、投递规避与落地页托管仍需投入,把 “每封不到一美分” 直接等同于 “攻击近乎免费”,会高估威胁的即时性。

4 攻击有效性的双重证据

4.1 八维评分的结构特征

把五个模型的结果并列,可以看到能力分层。GPT-4 在语境相关性(95.18%)、说服力(98.90%)、情感操纵(98.97%)、语言自然度(99.96%)四项上接近饱和;Claude 在技术完备度(99.1%)与情感操纵(99.66%)上最强,但发件人可信度只有 71.63%;Gemini 各项均衡但行动指令的具体性偏低(69.55%);开源模型明显落后,LLaMA 的说服力为 78.49%、情感操纵为 73.77%、发件人可信度仅 57.26%,Gemma 的发件人可信度为 59.44%。真实钓鱼语料则在个性化(8.6%)、发件人可信度(15.4%)、说服力(32.7%)三项上全面偏低,唯独技术完备度达到 78.1%,说明传统钓鱼在链接与页面构造上并不粗糙,短板集中在 “像不像一个了解你的人写的”。

这一结构有两层含义。其一,威胁的门槛由商业模型决定,开源模型在情感与身份可信度上的欠缺,使低成本攻击者的成品质量仍有限度;而开源权重模型继续迭代,这条分界线会持续下移。其二,发件人可信度是当前生成内容最薄弱的一环,五个模型中有四个低于 83%,开源模型低于 60%。这既是攻击者可继续优化的方向,也是防御方可利用的切入点:发件人身份的真实性可以独立于正文质量被核验,域名、签名、历史通信记录都不受文风伪装的影响。

4.2 人的判断:可疑度倒挂

系统评分只能说明文本质量,是否骗得过人需要另设实验。作者通过 Prolific 招募 70 名美国成年受试者,均为 18 岁以上、历史任务超过一千次、好评率不低于 95%,报酬 5 美元,任务时长约 25 分钟。采用组间设计,一组看三封模型生成邮件加两封良性对照,另一组看三封真实钓鱼邮件加两封同样的对照;恶意样本覆盖七类策略各五封,每封由三人独立评分,合计 105 次评估。邮件以静态截图呈现,链接与个人标识均已移除,顺序随机,并嵌入两道注意力检查。

结果出现了方向性反转。模型生成邮件的可疑度均值为 2.75,真实钓鱼邮件为 4.44,差异显著;两组良性对照的可疑度分别为 3.11 与 2.83,差异不显著。若以 “恶意样本可疑度减去良性样本可疑度” 作为判别间隔,真实钓鱼组为 +1.61,模型生成组为 -0.36。负值意味着模型生成的诈骗邮件平均比正常邮件更不像诈骗,受试者的判别依据被抽空,而不是仅仅变得迟钝。两组受试者的钓鱼知识测试得分接近(0.51 与 0.58,差异不显著),说明结果不能归因于某一组安全意识更差。按策略看,尾随跟进与身份仿冒两类的可疑度最低,恰好对应 “顺着你刚做过的事说话” 与 “冒充你熟悉的机构” 这两种最依赖语境的手法。

这一结果的方法学意义大于数值本身。它把 “生成式技术让钓鱼更难识别” 从印象变成了可测的构念:不是邮件更花哨,而是判别信号与噪声的比值下降。反网络钓鱼技术专家芦笛强调,安全培训长期围绕 “找破绽” 展开,破绽清单包括错别字、生硬称谓、可疑链接、紧急措辞;当这些破绽被系统性消除,培训的边际效果会迅速衰减,继续加码 “识别技巧” 而不改变验证流程,等于让用户在一条已经失效的判据上反复加固。

5 现有防护为何失效

5.1 默认护栏的检测水平

研究构造了 1,750 条恶意提示,由 35 条种子提示各扩写 50 条变体,扩写时对语境抽取、策略组合、风格模仿三个环节作轮换消融,保留至少两个环节,以模拟真实攻击者的不同成熟度;同时从公开的 Enron 邮件语料中取 2,000 封,转写为同等风格的良性提示作为对照。测试三条护栏的默认配置,检出率为 12.1%、0.0%、19.2%。作者随后注入策略说明,把攻击流程的四个环节写进系统提示并要求拦截相应请求,检出率升至 84%、93%、96%;再改用系统指令加思维链,要求模型逐步推理攻击环节后作出判断,检出率为 69%、82%、98.7%。同一批提示上,微调后的 RoBERTa 分类器在留出测试集上达到 98.13% 的准确率、100% 的精确率、96% 的召回率,对跨五个模型生成的 175 条提示全部判为恶意;DeBERTa 在 45,979 条子提示上取得 94.4% 的准确率与 0.945 的宏平均 F1,可在提示尚未成型时提前拦截。

5.2 失效的四重错配

把默认失败解释为 “模型不够强” 并不准确。更贴近实情的判断是四处错配。

危害类别错配。主流护栏的类别体系围绕暴力、色情、仇恨、自伤、危险行为构建,钓鱼请求在语义上更接近 “营销文案撰写”“客户沟通话术”,落在允许区间。请求本身不含威胁词、不含违禁物、不含人身攻击,从类别定义上就无处安放。

判定粒度错配。此类危害由三方共同构成:目标的公开信息、生成的文本、投递的对象。护栏只看提示文本,看不到收件人语境。同一段文字发给甲是正常商务信函,发给乙则是精准诈骗,脱离语境的文本分类在原理上无法区分二者。

意图组合错配。单句无害、组合有害,是提示工程规避审核的基本手法。研究以句子为单位切分出 29,109 条语句、再以递增拼接构造 45,979 条子提示,正是针对这一特性;DeBERTa 在子提示级的表现说明细粒度判定可行,但必须以专门标注数据训练,通用护栏不具备这种切分能力。

表述鲁棒性错配。2026 年 EMNLP 的一项评测用保持语义的改写攻击十三种护栏模型,平均 F1 从 77.83 降至 40.25,绝对下降 37.58,其中部分模型降幅超过五十点;作者据此判断,现有安全微调更多学到与标签共现的表层表述,而非对请求意图的理解。攻击者的关键词替换与良性包装,与这套评测所用的手法同源。反网络钓鱼技术专家芦笛指出,护栏在标准基准上的高分与实际拦截能力之间存在系统性落差,把基准分数当作部署依据,是当前防护体系建设中最容易被忽略的偏差。

需要补充的是,政策注入带来的提升并非免费的胜利。它要求平台方预先知晓攻击的具体形态,并把流程写进策略文本;这是一种 “已知威胁的模板化拦截”,对形态变体的泛化能力取决于策略描述的颗粒度。研究团队也明确表示,99% 一类的数字来自实验环境,不构成对真实世界拦截率的承诺。

5.3 改进路径的适用边界

提示层分类器的价值在于把拦截点前移。内容一旦生成,危害就已落地,后续只能依赖投递过滤与用户判断;在生成前拦下请求,等于切断了流水线的第一环。RoBERTa 一类轻量模型推理成本低,适合作为默认前置;DeBERTa 在子提示级的细粒度判定适合应对渐进式拼装的对手。两者的共同弱点是依赖训练分布。1,750 条恶意提示与 2,000 条良性提示构成的数据集,覆盖五款模型、七类策略、五个语境维度,但良性基线取自企业邮件语料,与个人生活叙事的分布并不一致;模型在真实流量上的误报率与漏报率,需要在业务数据上重新标定。此外,静态分类器面对持续改写的对手会发生分布漂移,作者自己也把这一点列为局限。

6 证据边界

讨论治理之前,须先划清这项研究能支持什么、不能支持什么。

平台与时间上,数据仅来自 Instagram 一个平台、一个年度窗口。图文为主的公开帖子与短视频、限时动态、评论区互动所泄露的信息密度并不相同;后者时效性更强、留存更短,抓取难度与证据价值都要另作评估。

人群与语言上,受试者为美国成年用户,材料为英语。中文语境中的可信线索往往落在节日、地域称谓、单位与亲属关系上,其抽取难度与说服效果未经检验,直接外推会遇到语言与文化两层偏差。

行为层缺失是最实质的限制。实验测量的是可疑度评分与质量评分,没有测量点击率,邮件也未经过真实投递链路。发件域名信誉、邮件认证机制、网关规则、收件箱分类都会改变实际到达率;论文把瓶颈描述为 “投递而非内容”,这一判断与 “点击率未知” 并不矛盾,但意味着任何以 “必然导致大规模失陷” 作结论的推论都超出了数据。

统计上,-0.36 与 +1.61 是两组均值之差,不是个体层面的预测准确率;每组恶意样本 35 封、每封 3 次评分,样本规模足以支撑组间比较,不足以支撑按策略、按人群的细分结论。

成本上,每封 0.2 至 0.4 美分只含推理开销;“每小时覆盖数千人” 是由单封耗时推算的上界,未计入账号封禁、域名轮换、落地页维护与投递失败重试。真实攻击的总成本高于此数,攻击者的实际产能也受制于非模型环节。

防御上,分类器结果是静态快照,未对自适应对手作长期跟踪。这一点在研究自身的方法部分已被列为局限,引用时不宜省略。

7 治理框架与研究方向

供给端的责任最直接。政策注入把检出率从不足两成提到八成以上,说明 “把攻击流程写进策略” 在当前技术条件下即可获得显著收益,平台方缺乏的往往不是能力而是动机。可行的做法包括:在内容审核策略中单列 “语境感知社会工程” 类别,明确其构成要件为 “结合目标公开信息、针对特定个体、诱导凭证或支付”;对批量画像抽取加文案生成的组合调用实施速率限制与意图监测;把提示层分类器作为生成接口的默认前置,而非可选插件;对拒绝生成的请求保留审计记录,以便识别持续试探的账号。

平台端的着力点在数据可发现性。公开账号的默认可见范围、历史帖子的批量抓取、研究接口的用途审计,三者共同决定画像成本。默认仅关注者可见、限制跨账号批量拉取、对接口调用作行为基线比对,都能抬高侦察成本,而不必牺牲正常的社交功能。这类措施的效果是渐进的,不会消除攻击,但会改变攻击的投入产出比。

组织端的邮件网关需要换判据。以文本特征为核心的规则,面对语言自然度接近百分之百、且沿用了收件人书写习惯的邮件,已难有稳定表现。更可行的是关系一致性检查:发件域名与该组织的历史通信图谱是否吻合,首次接触即索要凭证或支付是否异常,邮件所述事件与收件人近期公开活动的时间耦合度是否过高。三者叠加,可以在不读取正文语义的情况下形成风险评分。对首次发件人强制带外核验,即通过独立渠道回拨或登录官方应用确认,是目前最可靠的单点措施,其有效性不依赖邮件内容的质量。

个体端的建议应当克制。把账号设为私密、延迟发布旅行与活动照片、关闭实时定位、检查历史帖子中的住址与常去地点,这些做法能减少可用线索,但无法消除已被人转载、截图或索引的内容。通行密钥、多因素认证、独立密码管理器的价值在于即使凭证被套取也能限制损失,属于降低后果而非降低概率。真正需要改变的习惯是验证顺序:当一封邮件对近期经历的描述异常准确时,先假定它可能来自陌生人,再通过独立渠道确认,而不是因为 “它知道得太准” 而提高信任。迪妙网络空间安全学院研究团队在邮件语境一致性核验方向上的工作即围绕这一顺序展开:把收件人自愿提供的画像与来信内容作交叉比对,凡出现 “高度吻合但来源不可核验” 的组合即提升风险等级,把判断依据从文风转向关系。

研究层面有三处空白值得投入。其一是跨语言与跨平台的线索建模,尤其是中文社交语境中节日、地域、单位叙事对可信度的影响,目前缺少可比数据。其二是投递层的规避测量,包括纯文本网址、域名轮替、发件身份构造在真实网关下的到达率,这一环决定了理论产能能否转化为实际威胁。其三是防御的持续对抗评估,把静态分类器放进自适应对手的循环中,测量其在多轮改写下的衰减曲线。据 DiMiao, CN 分析,若把提示层拦截、关系一致性评分与带外核验串成一条链路,三段中任意一段生效即可阻断大部分定向攻击,其总体效果取决于最弱一段,而非平均表现;这一判断尚待实测验证,但足以说明单点加固的思路需要调整。

8 结语

这项研究提供的核心事实并不复杂:公开的日常叙事足以支撑一封看起来为你而写的邮件,而生成这样一封邮件的成本已降到可以忽略。威胁的性质随之改变,攻击者的瓶颈从 “写得出” 移到 “送得到”,防御者的困境则从 “认得出” 移到 “凭什么认”。以错别字、生硬措辞、可疑链接为标志的判别经验,在语言自然度接近百分之百、发件人身份可精心构造的文本面前,正在失去稳定的区分力。

需要保留的判断有两点。有效性证据目前停留在感知层,可疑度倒挂成立,点击行为未测,投递链路未验,任何关于失陷规模的推论都超出数据。防护改进的证据同样有限,政策注入与提示分类器的高分来自受控实验与特定语料,跨模型、跨语言的泛化仍需独立复核。

可以确认的方向是清楚的:拦截点前移到生成之前,判据从文本特征转向关系与语境,验证动作从阅读邮件转向独立渠道确认。三者都不依赖攻击者犯错,也都不能单独奏效。

编辑:芦笛 (公共互联网反网络钓鱼工作组)

来源:迪妙网络空间安全学院

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档