自适应语言提示（ALP）增强多模态大型语言模型中的网络钓鱼网页检测能力-计算机科学-大语言模型-网络安全.pdf

自适应语言提示（ALP）增强多模态大型语言模型中的网络钓鱼网页检

测能力

AtharvaBhargude*IshanGonehal*ChandlerHaneyDaveYoon

KevinZhu†AaronSandoval†SeanO’Brien†KaustubhVinnakota

AlgoverseAIResearch

ishangonehal835@,kevin@algoverse.us

Abstract网页元素如徽标和主题来保持品牌一致性（Li

etal.2024），但它们无法捕捉到复杂网络钓鱼

网络钓鱼攻击代表了网络安全的一个重要

内容所运用的细微语言操纵。

本威胁，需要适应性的检测技术。本研究探

译讨了通过最先进的大型语言模型（如GPT-大型语言模型（LLMs）的出现代表了网

4o和Gemini1.5Pro）的多模态能力来检络钓鱼检测范式的转变（Tushkanov2023）。随

中测网络钓鱼网页的少样本自适应语言提示着LLMs应用性的增强（Touvronetal.2023），

1

v（ALP）方法。ALP是一种结构化语义推理它们为词汇、语法和欺骗性语言结构的精细语

7方法，指导大型语言模型通过分解语言模义分析提供了独特的机会。通过利用我们新颖

5

3式、检测紧急信号以及识别在网络钓鱼内的自适应语言提示（ALP）方法，该方法受到

3容中常见的操纵性词汇来分析文本欺骗行

1少样本提示（Brownetal.2020；Agrawaletal.

.为。通过整合文本、视觉和基于URL的

72022）和结构化推理技术（Weietal.2023）的

0分析，我们提出了一种能够识别复杂网络

5钓鱼企图的统一模型。我们的实验表明，启发，我们引入了一个动态框架，以最少的标

2

:ALP通过结构化推理和上下文分析指导大记数据增强钓鱼检测。与以往主要关注静态启

v

i型语言模型显著提升了网络钓鱼检测的准发式的方法不同，我们的方法结合了语言上下

x

r确性。研究结果强调了集成多模态大型语文分析，以提高检测的鲁棒性。

a

言模型的ALP在推进网络钓鱼检测框架中同时，钓鱼战术随着大型语言模型的发展

的潜力，实现了0.93的F1分数——超过了

而演变，采用了自适应文本生成、语境感知措

传统方法。这些结果为使用大型语言模型

辞和动态内容更新来规避传统的检测机制。然

构建更强大、可解释和适应性的基于语言

的网络钓鱼检测系统奠定了基础。而，钓鱼尝试仍需使用可检测的语言线索（例

如，语气不一致、紧