[论文解读] A Systematic Literature Review on Phishing and Anti-Phishing Techniques

Ayesha Arshad, Attique Ur Rehman+4 more|arXiv (Cornell University)|Apr 2, 2021

Spam and Phishing Detection参考文献 28被引用 5

一句话总结

本篇系统文献综述采用严谨的SLR方法论，对80篇筛选后的文献进行了分析，研究了网络钓鱼威胁及反网络钓鱼技术。研究识别出鱼叉式网络钓鱼、电子邮件伪造、电子邮件篡改和电话网络钓鱼是最常见的攻击类型，并发现基于机器学习的反网络钓鱼方法在各类技术中检测准确率最高。

ABSTRACT

Phishing is the number one threat in the world of internet. Phishing attacks are from decades and with each passing year it is becoming a major problem for internet users as attackers are coming with unique and creative ideas to breach the security. In this paper, different types of phishing and anti-phishing techniques are presented. For this purpose, the Systematic Literature Review(SLR) approach is followed to critically define the proposed research questions. At first 80 articles were extracted from different repositories. These articles were then filtered out using Tollgate Approach to find out different types of phishing and anti-phishing techniques. Research study evaluated that spear phishing, Email Spoofing, Email Manipulation and phone phishing are the most commonly used phishing techniques. On the other hand, according to the SLR, machine learning approaches have the highest accuracy of preventing and detecting phishing attacks among all other anti-phishing approaches.

研究动机与目标

• 基于对现有文献的综合分析，识别并分类最常见的网络钓鱼攻击类型。
• 评估各种反网络钓鱼技术的有效性，尤其关注机器学习等新兴技术。
• 提供当前网络钓鱼检测与防范研究趋势及空白点的结构化、基于证据的概述。
• 通过系统文献综述（SLR）方法整合80篇同行评审文献的研究成果，为未来研究提供指导。

提出的方法

• 采用Tollgate方法论执行系统文献综述（SLR），从多个学术数据库筛选并分析80篇文献。
• 应用预设的纳入与排除标准，确保文献选择的方法严谨性和相关性。
• 基于主题分析，将网络钓鱼技术分类为鱼叉式网络钓鱼、电子邮件伪造、电子邮件篡改和电话网络钓鱼等类别。
• 通过比较不同方法在检测准确率、可扩展性和实现复杂度方面的表现，评估反网络钓鱼技术。
• 由于其报告的高性能和在动态网络钓鱼环境中的适应性，优先考虑基于机器学习的方法。
• 将研究发现整合为攻击趋势与防御策略的结构化概述，重点基于所选文献的实证结果。

实验结果

研究问题

• RQ1 近期文献中识别出的最常见的网络钓鱼技术类型是什么？
• RQ2 不同反网络钓鱼技术在检测准确率和实际部署方面如何比较？
• RQ3 哪种反网络钓鱼方法在预防或检测网络钓鱼攻击方面表现最佳？
• RQ4 文献中识别出的网络钓鱼检测与缓解的关键研究空白和趋势有哪些？
• RQ5 基于机器学习的方法如何优于传统的基于规则或基于特征码的反网络钓鱼技术？

主要发现

• 鱼叉式网络钓鱼、电子邮件伪造、电子邮件篡改和电话网络钓鱼是近期文献中报告最多且应用最广泛的网络钓鱼技术。
• 与基于规则、启发式或特征码的方法相比，基于机器学习的反网络钓鱼技术在检测准确率方面始终表现最高。
• 该系统综述发现，由于其适应性和精确性，监督学习和集成学习模型在网络钓鱼检测中的应用呈持续增长趋势。
• 尽管准确率高，基于机器学习的方法在实际部署中仍面临模型泛化能力、数据稀缺性和对抗性攻击等挑战。
• 各研究之间缺乏标准化的评估指标和基准数据集，限制了反网络钓鱼技术之间的直接比较。
• 综述强调需要开展更多研究，以提升实时检测能力、用户行为分析能力，并探索在反网络钓鱼系统中整合多模态数据（如邮件内容、元数据、网络流量）的可行性。