Come fanno i sistemi anti-phishing a resistere agli attacchi che li ingannano?

I rilevatori di URL dannosi proteggono gli utenti ogni giorno, ma quanto sono robusti quando gli attaccanti modificano gli indirizzi? Questo studio crea un test completo per misurare la resistenza dei sistemi anti-phishing. Vengono valutati quattro modelli: regressione logistica, XGBoost, CharCNN e BERT-base, su oltre 235.000 URL reali, inclusi attacchi mai visti prima. I modelli ottengono punteggi eccellenti su dati non modificati, ma molti crollano sotto stress realistici. L'iniezione di sottodomini fa crollare le prestazioni di alcuni modelli fino a circa 0,43, mentre BERT è molto sensibile a trucchi come i caratteri simili, il riempimento e le manipolazioni del percorso. I test di trasferimento mostrano che i modelli faticano a generalizzarsi a nuove famiglie di attacchi, e anche le spiegazioni generate (come SHAP) diventano instabili. Questi risultati offrono una solida base per costruire strumenti anti-phishing più affidabili, in grado di affrontare minacce in continua evoluzione.

Il protocollo integra cinque dimensioni critiche: perturbazioni avversariali strutturate, generalizzazione a famiglie di attacchi sconosciute, effetti compositi degli attacchi, stabilità delle spiegazioni e trasferimento di vulnerabilità esterne. Per le perturbazioni avversariali, vengono applicati attacchi di iniezione di sottodomini, omoglifi, riempimento e manipolazione del percorso, ciascuno misurato rispetto al punteggio di accuratezza base. La generalizzazione a famiglie di attacchi unseen viene valutata con un approccio leave-one-family-out, calcolando l'Robustness Degradation Index (RDI). Gli effetti compositi testano combinazioni di più perturbazioni contemporaneamente. La stabilità delle spiegazioni utilizza la similarità Jaccard top-K di SHAP tra set di input puliti e perturbati. Infine, il trasferimento di vulnerabilità esterne convalida i modelli su un set di phishing PhishTank indipendente. I risultati rivelano che i modelli tradizionali (LR, XGBoost) sono altamente suscettibili all'iniezione di sottodomini, mentre i modelli basati su transformer (BERT) mostrano una maggiore sensibilità agli attacchi basati su caratteri e percorso. I punteggi RDI evidenziano una scarsa generalizzazione a nuove famiglie di attacchi, e i cali di similarità Jaccard indicano una bassa coerenza delle spiegazioni. Questo quadro integrato consente una valutazione più realistica e completa della robustezza dei sistemi di rilevamento del phishing basati su URL.