💻 computer science

Leveraging Graph Neural Networks and Conventional Machine Learning for Phishing URL Detection

Dieses Paper schlägt ein hybrides Modell zur Erkennung von Phishing-URLs vor, das Graph Neural Networks mit Random Forest integriert, um im Vergleich zu traditionellem maschinellem Lernen und alternativen GNN-Ansätzen eine überlegene Genauigkeit und reduzierte Falsch-Positiv-Raten zu erreichen.

Ursprüngliche Autoren: Ahlam Alsufiany, Mariam Alnefaie

Veröffentlicht 2026-07-09

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Ahlam Alsufiany, Mariam Alnefaie

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Problem: Der digitale Hochstapler

Stellen Sie sich das Internet wie eine riesige, belebte Stadt vor. In dieser Stadt gibt es echte Geschäfte (Websites), in denen Sie sicher einkaufen oder Ihr Bankkonto überprüfen können. Aber es gibt auch „Hochstapler“ – Kriminelle, die gefälschte Läden bauen, die exakt wie die echten aussehen. Sie locken Sie in die Falle, um Ihnen Ihre Schlüssel (Passwörter) oder Ihren Geldbeutel (Kreditkartendaten) zu entwenden. Dies sind Phishing-Angriffe.

Lange Zeit versuchten Sicherheitswächter (traditionelle Erkennungsmethoden), diese Hochstapler aufzuspüren, indem sie eine „Sperrliste“ prüften oder nach bestimmten Tippfehlern suchten. Aber die Kriminellen werden immer schlauer; sie ändern ihre Schilder und Kostüme so schnell, dass die alten Listen nicht mehr hinterherkommen können.

Die neue Lösung: Ein Detektiv und eine Nachbarschaftswache

Die Autorinnen dieser Arbeit, Ahlam Alsufiany und Dr. Mariam Alnefaie von der Taif University, haben einen neuen Weg vorgeschlagen, um diese digitalen Kriminellen zu fangen. Sie entwickelten ein Hybridsystem, das zwei leistungsstarke Werkzeuge kombiniert:

Die „Nachbarschaftswache“ (Graph Neural Networks – GNNs):
Stellen Sie sich vor, Sie versuchen, einen Dieb in einer Nachbarschaft aufzuspüren. Eine traditionelle Methode betrachtet jedes Haus einzeln, um zu sehen, ob es verdächtig aussieht. Aber die GNN ist wie eine Nachbarschaftswache, die die Beziehungen zwischen den Häusern betrachtet.

Wenn ein Haus mit drei anderen bekannten kriminellen Verstecken verbunden ist, weiß die Wache, dass dieses Haus wahrscheinlich verdächtig ist, selbst wenn das Haus selbst völlig normal aussieht.
In dieser Arbeit sind die „Häuser“ URLs (Webadressen). Die GNN bildet ab, wie diese Websites miteinander verbunden sind. Sie lernt, dass eine Gruppe von Websites verdächtig ist, wenn sie seltsame Muster oder Verknüpfungen aufweisen, die auf einen koordinierten Betrug hindeuten.

Der „Super-Detektiv“ (Random Forest – RF):
Sobald die Nachbarschaftswache alle Hinweise über die Verbindungen gesammelt hat, übergibt sie den Fall an einen Super-Detektiv. Dieser Detektiv ist tatsächlich ein „Random Forest“, ein maschinelles Lernmodell, das wie ein Gremium aus vielen verschiedenen Detektiven fungiert, die über ein Urteil abstimmen.

Anstatt nur einer Meinung vertraut dieses Gremium auf die Hinweise (die Verbindungen aus der GNN) plus die physischen Details der Website (wie die Länge der Adresse oder ob sie über ein sicheres Schloss/SSL verfügt).
Sie stimmen gemeinsam ab: „Ist dies ein echter Laden oder ein gefälschter?“

Wie sie das System aufgebaut haben

Um ihr System zu trainieren, schauten die Forscher nicht nur auf eine einfache Liste schlechter Websites. Sie stellten eine massive „Fallakte“ aus vier verschiedenen Quellen zusammen, die über 11.000 Beispiele sowohl echter als auch gefälschter Websites kombinierte.

Das Beweismaterial säubern: Sie starteten mit 124 verschiedenen Hinweisen (Features). Einige waren redundant (wie zwei Zeugen, die exakt dasselbe aussagen). Sie nutzten einen Prozess namens „Recursive Feature Elimination“, um die 40 besten Hinweise auszuwählen, die tatsächlich relevant waren, und warfen das „Rauschen“ weg.
Das Training: Sie brachten dem System bei, Muster zu erkennen. Sie testeten sogar eine andere Version, bei der der Super-Detektiv eine einfachere „Logistische Regression“ (ein einfacher Regelbefolger) war, aber der „Random Forest“ (das Gremium der Detektiven) erwies sich als weitaus besser darin, die trickreichen Fälschungen zu entlarven.

Die Ergebnisse: Die Kriminellen fassen

Die Forscher testeten ihr neues „GNN-RF“-System gegen ältere Methoden. Das war das Ergebnis:

Die alten Wege: Traditionelle Methoden (wie die bloße Verwendung eines Entscheidungsbaums oder einer einfachen Liste) waren ordentlich und entlarvten etwa 94 % bis 96 % der Fälschungen.
Das neue Hybridsystem: Die Kombination aus der Nachbarschaftswache (GNN) und dem Super-Detektiv-Gremium (Random Forest) war ein riesiger Erfolg.
- Es entlarvte 99,3 % der Phishing-Seiten.
- Es machte sehr wenige Fehler und beschuldigte selten eine gute Website fälschlicherweise, schlecht zu sein (geringe Fehlalarme).
- Es war so gut darin, das Gute vom Bösen zu trennen, dass sein „Trennungswert“ (AUC) mit 0,99 nahezu perfekt war.

Der Kompromiss:
Es gibt einen kleinen Haken. Da die „Nachbarschaftswache“ alle Verbindungen zwischen den Websites kartieren muss, benötigt sie etwas mehr Zeit, um die Daten zu verarbeiten, als die einfachen Methoden. Die Forscher merkten jedoch an, dass das System dennoch schnell genug ist, um nützlich zu sein, und dass der enorme Gewinn an Sicherheit die leichte Verzögerung wert ist.

Das Werkzeug für die reale Welt

Die Forscher haben dies nicht nur im Labor belassen. Sie entwickelten ein benutzerfreundliches Web-Tool (unter Verwendung der Plattform Gradio).

So funktioniert es: Sie geben eine Website-Adresse in das Tool ein, und es teilt Ihnen sofort mit, ob diese „Legitim“ oder „Phishing“ ist.
Warum es wichtig ist: Dies schließt die Lücke zwischen komplexer Mathematik und alltäglicher Sicherheit, indem es normalen Menschen eine Möglichkeit gibt, zu prüfen, ob ein Link sicher ist, bevor sie darauf klicken.

Zusammenfassung

Kurz gesagt: Die Arbeit behauptet, dass wir Phishing-Betrug viel besser erkennen können als bisher, indem wir Computern beibringen, wie Websites miteinander verbunden sind (wie eine Nachbarschaftswache), und dann ein kluges Gremium von Algorithmen über das Ergebnis abstimmen lassen. Ihr neues System ist die genaueste Methode, die sie getestet haben, und bietet einen leistungsstarken Schutzschild gegen digitale Hochstapler.

Technisches Resümee: Nutzung von Graph Neural Networks und konventionellem maschinellem Lernen zur Erkennung von Phishing-URLs

Problemstellung
Phishing-Angriffe stellen eine anhaltende und eskalierende Cybersicherheitsbedrohung dar, bei der Angreifer legitime Entitäten imitieren, um vertrauliche Informationen wie Anmeldedaten oder Finanzdaten zu stehlen. Mit der Ausweitung der Internetnutzung sind diese Angriffe immer raffinierter geworden und nutzen Taktiken wie E-Mail-Spoofing und täuschende URLs. Während konventionelle Erkennungsmethoden, wie Blacklists und regelbasierte Mustererkennung, Schwierigkeiten haben, neu aufkommende Bedrohungen zu identifizieren, bieten Ansätze des maschinellen Lernens (ML) und Deep Learning (DL) eine verbesserte Erkennung durch das Erkennen komplexer Muster. Bestehende ML-Modelle verlassen sich jedoch häufig stark auf statische, individuelle URL-Merkmale und erfordern umfangreiche, kontinuierlich aktualisierte Datensätze. Zudem erfassen viele traditionelle Modelle nicht die strukturellen Beziehungen und Interdependenzen zwischen URLs, die für die Erkennung koordinierter oder komplexer Phishing-Kampagnen entscheidend sind.

Methodik
Die Autoren schlagen ein hybrides Erkennungsframework vor, das die topologischen Lernfähigkeiten von Graph Neural Networks (GNNs) mit der Klassifikationsstärke von Random Forest (RF) integriert. Die Methodik verläuft durch die folgenden Phasen:

Datenintegration und Feature Engineering:
Die Studie aggregiert Daten aus vier verschiedenen Quellen: dem „Web Page Phishing Detection Dataset“ (Kaggle) sowie drei ergänzenden Repositorien (Mendeley Data und UCI ML Repository). Dies resultiert in einem initialen Pool von 124 Merkmalen, einschließlich URL-Strukturattributen (z. B. Länge, Anzahl der Punkte), Inhaltscharakteristika und Indikatoren externer Dienste.

Vorverarbeitung: Der Datensatz wird einer Z-Score-Normalisierung unterzogen, um eine konsistente Skalierung zu gewährleisten.
Merkmalsauswahl (Feature Selection): Um Redundanz und Multikollinearität zu adressieren, werden Merkmale mit einem Korrelationskoeffizienten $\ge$ 0,5 analysiert, und die Recursive Feature Elimination (RFE) wird eingesetzt, um den Satz auf die 40 diskriminativsten Merkmale zu reduzieren.

Graphkonstruktion und GNN-Embedding:
URLs werden als Knoten innerhalb eines Web-Graphen dargestellt, um strukturelle und verhaltensbezogene Beziehungen zu erfassen. Die Autoren experimentieren mit drei Strategien zur Kantenkonstruktion, um Verbindungen zwischen den Knoten zu definieren:

K-Nearest Neighbors (KNN): Verbindung von Knoten basierend auf der Nähe im Merkmalsraum.
Schwellenwertbasiert (Threshold-based): Erstellung von Kanten, wenn die Ähnlichkeit (z. B. Cosinus-Ähnlichkeit) einen bestimmten Schwellenwert überschreitet.
Merkmalspezifisch: Verbindung von Knoten basierend auf gemeinsamen kategorialen Merkmalen.
Das GNN aktualisiert iterativ die Knotenrepräsentationen, indem es Informationen von benachbarten Knoten aggregiert, wodurch Embeddings generiert werden, die sowohl kontextuelle als auch strukturelle Erkenntnisse kapseln.

Hybride Klassifikation:
Die durch das GNN generierten Embeddings werden in einen Klassifikator eingespeist. Das primär vorgeschlagene Modell ist GNN-RF, welches GNN-Embeddings mit einem Random Forest Klassifikator kombiniert. Ein sekundäres Vergleichsmodell, GNN-LR, nutzt die logistische Regression als Klassifikator. Beide werden gegenüber traditionellen Standalone-Modellen wie Logistischer Regression (LR), Entscheidungsbaum (DT), K-Nearest Neighbors (KNN) und Random Forest (RF) evaluiert.
Bereitstellung (Deployment):
Das leistungsfähigste Modell wird über eine Gradio-basierte Web-Schnittstelle bereitgestellt, die es Nutzern ermöglicht, eine URL einzugeben und Echtzeit-Klassifikationsergebnisse zu erhalten.

Zentrale Beiträge

Hybride Architektur: Die Arbeit führt ein neuartiges GNN-RF-Modell ein, das graphbasiertes Lernen nutzt, um relationale Abhängigkeiten zwischen URLs zu erfassen und so die Einschränkungen statischer Merkmalsmodelle zu adressieren.
Umfassende Merkmalsanalyse: Die Studie kompiliert und analysiert Merkmale aus vier diversen Datensätzen und nutzt RFE, um die einflussreichsten Attribute für die Phishing-Klassifikation zu identifizieren.
Vergleichende Evaluierung: Die Forschung bietet eine detaillierte Evaluierung, die traditionelle ML-Modelle, eine GNN-LR-Alternative und das vorgeschlagene GNN-RF-Modell über mehrere Metriken hinweg vergleicht.
Praktische Implementierung: Die Arbeit schließt die Lücke zwischen theoretischer Weiterentwicklung und praktischer Anwendung, indem sie das Modell über eine zugängliche Benutzeroberfläche bereitstellt.

Experimentelle Ergebnisse
Die Experimente wurden auf einem ausgewogenen Datensatz von über 11.000 gelabelten URLs (50 % Phishing, 50 % legitim) mittels 5-facher Kreuzvalidierung durchgeführt.

Leistung: Das GNN-RF-Modell mit schwellenwertbasierten Kanten erreichte die höchste Leistung mit 97 % Genauigkeit (Accuracy), 97 % Präzision (Precision), 97 % Sensitivität (Recall) und einem F1-Score von 97 %, bei einem ROC-AUC von 0,99. Dies übertraf alle traditionellen Modelle (die zwischen 94 % und 96 % Genauigkeit lagen) sowie die GNN-LR-Alternative.
Fehlerreduktion: Das hybride Modell reduzierte die Falsch-Positiv-Rate im Vergleich zu den Baseline-Modellen signifikant, was seine Zuverlässigkeit für den realen Einsatz erhöht.
Rechenaufwand (Computational Trade-offs): Während das GNN-RF-Modell eine überlegene Genauigkeit demonstrierte, verursachte es höhere Rechenkosten. Die Verarbeitung von 1.000 Stichproben dauerte für das GNN-RF (Threshold)-Modell etwa 0,7255 Sekunden, verglichen mit 0,0025 Sekunden für den Standalone-Random-Forest. Der Speicherverbrauch blieb jedoch über alle Modelle hinweg minimal (0,00005 MB).
Alternative Modelle: Das GNN-LR-Modell bot schnellere Verarbeitungsgeschwindigkeiten (0,0100 Sekunden pro 1.000 Stichproben), aber eine etwas geringere Genauigkeit (93–94 %), was den Trade-off zwischen Geschwindigkeit und Vorhersagekraft verdeutlicht.

Bedeutung und Behauptungen
Die Arbeit postuliert, dass die Integration von Graph Neural Networks mit Ensemble-Methoden wie Random Forest eine robuste und intelligente Lösung für moderne Phishing-Bedrohungen darstellt. Die Autoren behaupten, dass ihr Ansatz kritische Limitationen in der bestehenden Literatur effektiv adressiert, insbesondere den Mangel an relationalem Kontext und die Abhängigkeit von statischen Merkmalen. Durch die Erfassung struktureller Abhängigkeiten zwischen URLs ist das GNN-RF-Modell besser in der Lage, koordinierte Phishing-Verhalten zu erkennen, die traditionelle Modelle möglicherweise übersehen.

Die Studie kommt zu dem Schluss, dass, obwohl fortgeschrittene hybride Modelle einen Rechenaufwand mit sich bringen, die signifikanten Gewinne bei der Erkennungsgenauigkeit und die Reduktion von Falsch-Positiv-Ergebnissen ihren Einsatz in Szenarien, in denen hohe Präzision entscheidend ist, rechtfertigen. Die erfolgreiche Bereitstellung über eine Gradio-Schnittstelle demonstriert die praktische Umsetzbarkeit des Systems für Cybersicherheitsexperten und Endnutzer. Die von den Autoren angedeutete zukünftige Arbeit umfasst die Echtzeit-Graphkonstruktion, Online-Lernen zur adaptiven Bedrohungserkennung sowie eine breitere Integration in Cybersicherheits-Infrastrukturen.