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

1. Enunciato del Problema

I sistemi di rilevamento del phishing si basano attualmente in larga misura su modelli di apprendimento automatico (ML) statistico e di deep learning addestrati su dataset statici. Sebbene efficaci nell'identificare pattern noti, questi modelli soffrono di diverse limitazioni critiche:

• Mancanza di Ragionamento Contestuale: Si basano su correlazioni statistiche piuttosto che su ragionamenti logici, rendendoli vulnerabili a manipolazioni avversarie (es. typo-squatting, scambio di caratteri).
• Natura Statica: Una volta addestrati, questi modelli non possono adattarsi facilmente a nuovi pattern di attacco o incorporare nuove conoscenze di dominio senza costosi riaddestramenti.
• Falsi Positivi: I classificatori puramente lessicali spesso classificano erroneamente siti legittimi o non riescono a intercettare tentativi di phishing sofisticati che mimano strutture URL legittime.
• Inflexibilità: L'incorporazione di nuove regole (es. comportamenti specifici dei meta-tag) richiede tipicamente la riprogettazione delle caratteristiche e il riaddestramento dell'intero modello.

Gli autori sostengono che il rilevamento del phishing richiede capacità di ragionamento simile a quello umano e di revisione delle credenze per gestire informazioni dinamiche, incomplete o contraddittorie in ambienti reali.

2. Metodologia: Il Framework PHISHREV

La soluzione proposta è un framework ibrido a due stadi che combina l'apprendimento statistico guidato dai dati con il ragionamento simbolico non monotono.

Fase 1: Apprendimento Statistico (Generazione Iniziale delle Credenze)

• Input: Un dataset di 11.430 URL (50% phishing, 50% legittimi) contenente 87 caratteristiche lessicali.
• Processo:
  • Le caratteristiche vengono normalizzate utilizzando uno Standard Scaler.
  • Vengono addestrati quattro classificatori ML standard: Macchina a Vettori di Supporto (SVM), Vicini più Vicini (KNN), Albero Decisionale (DT) e Random Forest (RF).
  • I classificatori generano una previsione iniziale ($C \in \{0, 1\}$), che rappresenta la "credenza iniziale" riguardo alla legittimità o al phishing di un URL.

Fase 2: Ragionamento Non Monotono Post-Hoc (Revisione delle Credenze)

• Concetto Chiave: Questo livello utilizza la Programmazione per Insiemi di Risposte (ASP) tramite il solver Clingo per eseguire ragionamenti non monotoni. A differenza della logica monotona (dove l'aggiunta di fatti non invalida mai le conclusioni precedenti), il ragionamento non monotono permette al sistema di ritirare o rivedere le conclusioni quando emergono nuove prove contraddittorie.
• Costruzione della Base di Conoscenza:
  • Le previsioni dei classificatori vengono codificate come fatti: pred(CL, ID, C).
  • La disponibilità dei meta-tag viene estratta analizzando le pagine web reali per i metadati (descrizione, parole chiave, autore). Questo viene codificato come: meta(ID, M) dove $M \in \{yes, no\}$.
• La Regola di Ragionamento:
  Il sistema applica un assioma specifico di dominio: Se un URL è previsto come phishing ma contiene meta-tag validi (una caratteristica dei siti legittimi), la previsione viene rivista in "benigno".
  • Logica: Se $C = \text{phishing} \land M = \text{yes} \rightarrow \text{Credenza Finale} = \text{benigno}$.
  • Altrimenti, la previsione originale del classificatore rimane valida.
• Esito: Questo livello agisce come un filtro "post-hoc" che rivide selettivamente istanze specifiche basandosi su regole simboliche piuttosto che su soglie statistiche.

3. Contributi Chiave

1. Framework Ibrido: Integrazione di classificatori ML con un livello di ragionamento non monotono basato su ASP per il raffinamento delle decisioni sensibili al contesto.
2. Nuova Ingegneria delle Caratteristiche: Costruzione di una caratteristica binaria che indica la disponibilità dei meta-tag analizzando indipendentemente le pagine web, distinguendo tra siti legittimi (che solitamente hanno meta-tag) e siti di phishing (che spesso li omettono).
3. Integrazione Efficiente della Conoscenza: La capacità di incorporare nuove conoscenze di dominio (es. nuove strategie di evasione o segnali di legittimità) nel livello di ragionamento in tempo $O(n)$ senza riaddestrare i modelli ML sottostanti.
4. Revisione Formale delle Credenze: Dimostrazione dell'uso della logica formale per ritirare previsioni errate dei classificatori quando sono presenti prove contraddittorie (meta-tag).

4. Risultati Sperimentali

Il framework è stato valutato su un dataset diviso in 80% per l'addestramento e 20% per il test (2.286 istanze di test).

• Prestazioni Iniziali del Classificatore:

  • Random Forest (RF) ha raggiunto la massima accuratezza al 95,89%, seguito da SVM (96,32% - Nota: la Tabella I mostra SVM leggermente più alto, ma RF è spesso citato come il miglior esecutore nel contesto del testo).
  • Tutti i classificatori hanno mostrato alta precisione e richiamo (>0,94).

• Impatto della Revisione delle Credenze:

  • Il modulo di ragionamento ha rivisto 465 su 9.144 previsioni totali (circa 5,08% delle decisioni).
  • Riduzione dei Falsi Positivi (FP): Il livello di revisione ha costantemente ridotto i falsi positivi per tutti i classificatori:
    • SVM: 41 $\to$ 30
    • KNN: 47 $\to$ 34
    • DT: 69 $\to$ 48
    • RF: 49 $\to$ 35
  • Studio di Caso: Il sistema ha corretto con successo istanze in cui i classificatori prevedevano "phishing" ma la presenza di meta-tag indicava "legittimo", e viceversa.

• Confronto della Complessità:

  • Complessità di Addestramento: $O(T \cdot n \cdot f \cdot \log n)$ (uguale al ML standard).
  • Sovraccarico NMR: $O(n)$ (tempo lineare).
  • Riaddestramento: Non richiesto per i modelli ML quando si aggiornano le regole di ragionamento, offrendo un vantaggio significativo rispetto ai metodi monotoni all'avanguardia.

5. Significato e Conclusione

PHISHREV affronta la rigidità dei tradizionali sistemi di rilevamento del phishing. Disaccoppiando la fase di apprendimento statistico dalla fase di raffinamento delle decisioni, offre un'architettura flessibile che può adattarsi a nuove minacce senza il costo computazionale del riaddestramento di modelli di deep learning.

• Vantaggi:
  • Riduce la "fatica da allerta" diminuendo i falsi positivi.
  • Fornisce interpretabilità attraverso regole simboliche (ASP).
  • Permette un rapido incorporamento di conoscenze esperte.
• Limitazioni e Lavori Futuri:
  • L'attuale sistema si basa su una singola regola manuale (disponibilità dei meta-tag).
  • Gli attaccanti avversari potrebbero iniziare a mimare i comportamenti dei meta-tag per ingannare il livello di ragionamento.
  • I lavori futuri mirano a incorporare strategie di ragionamento multi-regola e prove contestuali aggiuntive per gestire sofisticate repliche avversarie.

In sintesi, PHISHREV dimostra che combinare previsione statistica con ragionamento simbolico non monotono crea una difesa più robusta, adattabile e sensibile al contesto contro gli attacchi di phishing.