PHISHREV: A Hybrid Machine Learning and Post-Hoc Non-monotonic Reasoning Framework for Context-Aware Phishing Website Classification

إليك ملخص تقني مفصل لورقة البحث بعنوان: "PHISHREV: إطار عمل هجين بين تعلم الآلة والاستدلال غير الرتيب بعد الحدث لتصنيف المواقع الاحتيالية بناءً على السياق."

1. بيان المشكلة

تعتمد أنظمة كشف التصيد الاحتيالي حالياً بشكل كبير على نماذج التعلم الإحصائي (ML) والتعلم العميق المدربة على مجموعات بيانات ثابتة. ورغم فعاليتها في تحديد الأنماط المعروفة، إلا أن هذه النماذج تعاني من عدة قيود حرجة:

• الافتقار إلى الاستدلال السياقي: فهي تعتمد على الارتباطات الإحصائية بدلاً من الاستدلال المنطقي، مما يجعلها عرضة للتلاعب العدائي (مثل: الـ typo-squatting، وتبديل الحروف).
• الطبيعة الثابتة: بمجرد تدريب هذه النماذج، لا يمكنها التكيف بسهولة مع أنماط الهجوم الجديدة أو دمج معرفة جديدة دون عملية إعادة تدريب مكلفة.
• الإيجابيات الكاذبة (False Positives): المصنفات التي تعتمد فقط على الخصائص المعجمية غالباً ما تصنف المواقع المشروعة بشكل خاطئ أو تفشل في رصد محاولات التصيد المتطورة التي تحاكي هياكل الروابط (URLs) المشروعة.
• عدم المرونة: إن دمج قواعد جديدة (مثل سلوكيات الوسوم الوصفية "meta-tags" المحددة) يتطلب عادةً إعادة هندسة الميزات وإعادة تدريب النموذج بأكمله.

ويجادل المؤلفون بأن كشف التصيد الاحتيالي يتطلب قدرات استدلال شبيهة بالبشر وقدرة على مراجعة الاعتقادات للتعامل مع المعلومات الديناميكية، أو غير المكتملة، أو المتناقضة في البيئات الواقعية.

2. المنهجية: إطار عمل PHISHREV

الحل المقترح هو إطار عمل هجين ثنائي المرحلة يجمع بين التعلم الإحصائي القائم على البيانات والاستدلال الرمزي غير الرتيب.

المرحلة الأولى: التعلم الإحصائي (توليد الاعتقاد الأولي)

• المدخلات: مجموعة بيانات تضم 11,430 رابطاً (50% تصيد احتيالي، 50% شرعي) تحتوي على 87 ميزة معجمية.
• العملية:
  • يتم تطبيع (Normalization) الميزات باستخدام "Standard Scaler".
  • يتم تدريب أربعة مصنفات قياسية للتعلم الآلي: آلة ناقلات الدعم (SVM)، وأقرب الجيران (KNN)، وشجرة القرار (DT)، والغابة العشوائية (RF).
  • تولد المصنفات تنبؤاً أولياً ($C \in \{0, 1\}$)، والذي يمثل "الاعتقاد الأولي" بشأن ما إذا كان الرابط شرعياً أم احتيالياً.

المرحلة الثانية: الاستدلال غير الرتيب بعد الحدث (مراجعة الاعتقاد)

• المفهوم الجوهري: تستخدم هذه الطبقة البرمجة القائمة على المجموعات الإجابة (ASP) عبر برنامج الحل Clingo لإجراء استدلال غير رتيب. وخلافاً للمنطق الرتيب (حيث لا تؤدي إضافة الحقائق إلى إبطال الاستنتاجات السابقة)، يسمح الاستدلال غير الرتيب للنظام بـ سحب أو مراجعة الاستنتاجات عند ظهور أدلة جديدة متناقضة.
• بناء قاعدة المعرفة:
  • تُشفر تنبؤات المصنف كحقائق: pred(CL, ID, C).
  • يتم استخراج توافر الوسوم الوصفية (Meta-tag availability) عن طريق تحليل صفحات الويب الفعلية بحثاً عن البيانات الوصفية (الوصف، الكلمات المفتاحية، المؤلف). ويتم تشفير ذلك كـ: meta(ID, M) حيث $M \in \{yes, no\}$.
• قاعدة الاستدلال:
  يطبق النظام بديهية خاصة بالمجال: إذا تم التنبؤ برابط على أنه تصيد احتيالي ولكنه يحتوي على وسوم وصفية صالحة (وهي سمة للمواقع المشروعة)، يتم تعديل التنبؤ ليصبح "شرعياً" (benkign).
  • المنطق: إذا كان $C = \text{phishing} \land M = \text{yes} \rightarrow \text{Final Belief} = \text{benign}$.
  • خلاف ذلك، يظل تنبؤ المصنف الأصلي قائماً.
• النتيجة: تعمل هذه الطبقة كمرشح "بعد الحدث" (post-hoc) يقوم بمراجعة حالات محددة انتقائياً بناءً على قواعد رمزية بدلاً من العتبات الإحصائية.

3. المساهمات الرئيسية

1. إطار عمل هجين: دمج مصنفات التعلم الآلي مع طبقة استدلال غير رتيب قائمة على ASP لتعزيز القرار الواعي بالسياق.
2. هندسة ميزات مبتكرة: بناء ميزة ثنائية تشير إلى توافر الوسوم الوصفية عن طريق تحليل صفحات الويب بشكل مستقل، مما يميز بين المواقع المشروعة (التي تمتلك عادةً وسوماً وصفية) ومواقع التصيد (التي غالباً ما تفتقر إليها).
3. دمج المعرفة بكفاءة: القدرة على دمج معرفة جديدة بالمجال (مثل استراتيجيات التهرب الجديدة أو إشارات الشرعية) في طبقة الاستدلال في زمن قدره $O(n)$ دون الحاجة لإعادة تدريب نماذج التعلم الآلي الأساسية.
4. مراجعة الاعتقاد الصورية: إثبات استخدام المنطق الصوري لسحب تنبؤات المصنف غير الصحيحة عند وجود أدلة متناقضة (الوسوم الوصفية).

4. النتائج التجريبية

تم تقييم إطار العمل على مجموعة بيانات مقسمة إلى 80% للتدريب و20% للاختبار (2,286 حالة اختبار).

• أداء المصنف الأولي:

  • حققت الغابة العشوائية (RF) أعلى دقة بنسبة 95.89%، تلتها SVM (96.32% - ملاحظة: يظهر الجدول الأول أن SVM أعلى قليلاً، لكن RF غالباً ما توصف بأنها الأفضل في سياق النص).
  • أظهرت جميع المصنفات دقة واستدعاءً عاليين (>0.94).

• تأثير مراجعة الاعتقاد:

  • قامت وحدة المراجعة بتعديل 465 من أصل 9,144 تنبؤاً إجمالياً (حوالي 5.08% من القرارات).
  • تقليل الإيجابيات الكاذبة (FP): نجحت طبقة المراجعة باستمرار في تقليل الإيجابيات الكاذبة عبر جميع المصنفات:
    • SVM: 41 $\to$ 30
    • KNN: 47 $\to$ 34
    • DT: 69 $\to$ 48
    • RF: 49 $\to$ 35
  • دراسة حالة: نجح النظام في تصحيح الحالات التي تنبأ فيها المصنف بـ "تصيد احتيالي" بينما أشارت وجود الوسوم الوصفية إلى أنها "شرعية"، والعكس بالعكس.

• مقارنة التعقيد:

  • تعقيد التدريب: $O(T \cdot n \cdot f \cdot \log n)$ (نفس تعقيد التعلم الآلي القياسي).
  • عبء الاستدلال غير الرتيب (NMR Overhead): $O(n)$ (زمن خطي).
  • إعادة التدريب: غير مطلوبة لنماذج التعلم الآلي عند تحديث قواعد الاستدلال، مما يوفر ميزة كبيرة مقارنة بالطرق الرتيبة الحديثة.

5. الأهمية والخاتمة

يعالج PHISHREV مشكلة الجمود في أنظمة كشف التصيد الاحتيالي التقليدية. ومن خلال فصل مرحلة التعلم الإحصائي عن مرحلة صقل القرار، فإنه يقدم بنية مرنة يمكنها التكيف مع التهديدات الجديدة دون التكلفة الحسابية لإعادة تدريب نماذج التعلم العميق.

• المزايا:
  • يقلل من "إجهاد التنبيهات" (alert fatigue) عن طريق خفض الإيجابيات الكاذبة.
  • يوفر قابلية للتفسير من خلال القواعد الرمزية (ASP).
  • يتيح الدمج السريع لمعرفة الخبراء.
• القيود والعمل المستقبلي:
  • يعتمد النظام الحالي على قاعدة واحدة مصممة يدوياً (توافر الوسوم الوصفية).
  • قد يبدأ المهاجمون العدائيون في محاكاة سلوكيات الوسوم الوصفية لخداع طبقة الاستدلال.
  • يهدف العمل المستقبلي إلى دمج استراتيجيات استدلال متعددة القواعد وأدلة سياقية إضافية للتعامل مع عمليات المحاكاة العدائية المتطورة.

باختاقصار، يثبت PHISHREV أن الجمع بين التنبؤ الإحصائي والاستدلال الرمزي غير الرتيب يخلق دفاعاً أكثر قوة وتكيفاً ووعياً بالسياق ضد هجمات التصيد الاحتيالي.