KnowPhish: Modelos de Lenguaje Grande se Encuentran con Grafos de Conocimiento Multimodal para Mejorar la Detección de Phishing Basada en Referencias

Los ataques de phishing han causado pérdidas sustanciales tanto a individuos como a empresas, lo que requiere el desarrollo de enfoques automáticos de detección de phishing robustos y eficientes. Los detectores de phishing basados en referencias (RBPD), que comparan los logotipos en una página web objetivo con un conjunto conocido de logotipos, han surgido como el enfoque más avanzado. Sin embargo, una limitación importante de los RBPD existentes es que dependen de una base de datos de conocimiento de marcas construida manualmente, lo que hace que no sea factible escalar a un gran número de marcas, lo que resulta en errores de falsos negativos debido a la cobertura insuficiente de marcas en la base de conocimiento. Para abordar este problema, proponemos un canal de recopilación de conocimiento automatizado, con el que recopilamos y lanzamos una base de datos de conocimiento de marcas multimodal a gran escala, KnowPhish, que contiene 20,000 marcas con información rica sobre cada marca. KnowPhish puede ser utilizado para mejorar el rendimiento de los RBPD existentes de manera plug-and-play. Una segunda limitación de los RBPD existentes es que dependen únicamente de la modalidad de imagen, ignorando información textual útil presente en el HTML de la página web. Para utilizar esta información textual, proponemos un enfoque basado en Modelos de Lenguaje Grande (LLM) para extraer información de marcas de las páginas web a partir del texto. Nuestro enfoque de detección de phishing multimodal resultante, KnowPhish Detector (KPD), puede detectar páginas web de phishing con o sin logotipos. Evaluamos KnowPhish y KPD en un conjunto de datos validado manualmente y en un estudio de campo bajo el contexto local de Singapur, mostrando mejoras sustanciales en efectividad y eficiencia en comparación con las líneas base de estado del arte.