مقاله مدل های زبان بزرگ چند مدلی برای رهگیری و شناسایی صفحه وب فیشینگ

چکیده

To address the challenging problem of detecting phishing webpages, researchers have developed numerous solutions, in particular those based on machine learning (ML) algorithms. Among these, brand-based phishing detection that uses models from Computer Vision to detect if a given webpage is imitating a well-known brand has received widespread attention. However, such models are costly and difficult to maintain, as they need to be retrained with labeled dataset that has to be regularly and continuously collected. Besides, they also need to maintain a good reference list of well-known websites and related meta-data for effective performance. In this work, we take steps to study the efficacy of large language models (LLMs), in particular the multimodal LLMs, in detecting phishing webpages. Given that the LLMs are pretrained on a large corpus of data, we aim to make use of their understanding of different aspects of a webpage (logo, theme, favicon, etc.) to identify the brand of a given webpage and compare the identified brand with the domain name in the URL to detect a phishing attack. We propose a two-phase system employing LLMs in both phases: the first phase focuses on brand identification, while the second verifies the domain. We carry out comprehensive evaluations on a newly collected dataset. Our experiments show that the LLM-based system achieves a high detection rate at high precision; importantly, it also provides interpretable evidence for the decisions. Our system also performs significantly better than a state-of-the-art brand-based phishing detection system while demonstrating robustness against two known adversarial attacks.

چکیده به فارسی (ترجمه ماشینی)

برای پرداختن به مشکل چالش برانگیز تشخیص صفحات وب فیشینگ ، محققان راه حل های بی شماری را تهیه کرده اند ، به ویژه مواردی که مبتنی بر الگوریتم های یادگیری ماشین (ML) است.در میان اینها ، تشخیص فیشینگ مبتنی بر برند که از مدل های دید رایانه استفاده می کند تا تشخیص دهد که آیا یک صفحه وب خاص تقلید از یک برند مشهور است ، توجه گسترده ای را به خود جلب کرده است.با این حال ، چنین مدلهایی برای نگهداری پرهزینه و دشوار هستند ، زیرا باید با مجموعه داده های دارای برچسب که باید به طور منظم و به طور مداوم جمع آوری شود ، دوباره آموزش داده شوند.علاوه بر این ، آنها همچنین برای عملکرد مؤثر باید لیست مرجع خوبی از وب سایت های مشهور و متا داده های مرتبط را حفظ کنند.در این کار ، ما برای بررسی اثربخشی مدلهای بزرگ زبان (LLM) ، به ویژه LLMS چند حالته ، در تشخیص صفحات وب فیشینگ اقدام می کنیم.با توجه به اینکه LLM ها بر روی بخش بزرگی از داده ها پیش بینی شده اند ، ما قصد داریم از درک آنها از جنبه های مختلف یک صفحه وب (آرم ، موضوع ، Favicon و غیره) استفاده کنیم تا مارک یک صفحه وب خاص را شناسایی کرده و مارک شناسایی شده را مقایسه کنیم.با نام دامنه در URL برای تشخیص حمله فیشینگ.ما یک سیستم دو فاز را با استفاده از LLM در هر دو مرحله پیشنهاد می کنیم: مرحله اول بر شناسایی برند متمرکز است ، در حالی که دوم دامنه را تأیید می کند.ما ارزیابی های جامع را در یک مجموعه داده تازه جمع آوری شده انجام می دهیم.آزمایشات ما نشان می دهد که سیستم مبتنی بر LLM با دقت بالا به میزان تشخیص بالایی دست می یابد.نکته مهم ، همچنین شواهد قابل تفسیر برای تصمیمات ارائه می دهد.سیستم ما همچنین به طور قابل توجهی بهتر از یک سیستم تشخیص پیشرفته فیشینگ برند در حالی که نشان دهنده استحکام در برابر دو حمله مخالف شناخته شده است ، عملکردی دارد.