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

1. Declaração do Problema

Os sistemas de detecção de phishing dependem atualmente fortemente de aprendizado de máquina (ML) estatístico e modelos de aprendizado profundo treinados em conjuntos de dados estáticos. Embora eficazes na identificação de padrões conhecidos, esses modelos sofrem com várias limitações críticas:

• Falta de Raciocínio Contextual: Eles dependem de correlações estatísticas em vez de raciocínio lógico, tornando-os vulneráveis a manipulações adversariais (por exemplo, typosquatting, troca de caracteres).
• Natureza Estática: Uma vez treinados, esses modelos não podem se adaptar facilmente a novos padrões de ataque ou incorporar novos conhecimentos de domínio sem um re-treinamento custoso.
• Falsos Positivos: Classificadores puramente baseados em léxico frequentemente classificam erroneamente sites legítimos ou falham em detectar tentativas sofisticadas de phishing que imitam estruturas de URL legítimas.
• Inflexibilidade: Incorporar novas regras (por exemplo, comportamentos específicos de meta-tags) geralmente exige a reengenharia de características e o re-treinamento de todo o modelo.

Os autores argumentam que a detecção de phishing requer capacidades de raciocínio semelhante ao humano e revisão de crenças para lidar com informações dinâmicas, incompletas ou contraditórias em ambientes do mundo real.

2. Metodologia: O Framework PHISHREV

A solução proposta é um framework híbrido de duas etapas que combina aprendizado estatístico orientado a dados com raciocínio não monotônico simbólico.

Fase 1: Aprendizado Estatístico (Geração Inicial de Crenças)

• Entrada: Um conjunto de dados de 11.430 URLs (50% phishing, 50% legítimas) contendo 87 características léxicas.
• Processo:
  • As características são normalizadas usando um Standard Scaler.
  • Quatro classificadores padrão de ML são treinados: Máquina de Vetores de Suporte (SVM), Vizinho Mais Próximo K (KNN), Árvore de Decisão (DT) e Floresta Aleatória (RF).
  • Os classificadores geram uma previsão inicial ($C \in \{0, 1\}$), representando a "crença inicial" sobre se uma URL é legítima ou phishing.

Fase 2: Raciocínio Não Monotônico Pós-Hoc (Revisão de Crenças)

• Conceito Central: Esta camada utiliza Programação de Conjuntos de Respostas (ASP) via solucionador Clingo para realizar raciocínio não monotônico. Diferentemente da lógica monotônica (onde adicionar fatos nunca invalida conclusões anteriores), o raciocínio não monotônico permite que o sistema retire ou revise conclusões quando surgem novas evidências contraditórias.
• Construção da Base de Conhecimento:
  • As previsões dos classificadores são codificadas como fatos: pred(CL, ID, C).
  • A disponibilidade de meta-tags é extraída analisando as páginas web reais em busca de metadados (descrição, palavras-chave, autor). Isso é codificado como: meta(ID, M) onde $M \in \{sim, não\}$.
• A Regra de Raciocínio:
  O sistema aplica um axioma específico de domínio: Se uma URL é prevista como phishing, mas contém meta-tags válidas (uma característica de sites legítimos), a previsão é revisada para "benigna".
  • Lógica: Se $C = \text{phishing} \land M = \text{sim} \rightarrow \text{Crença Final} = \text{benigna}$.
  • Caso contrário, a previsão original do classificador permanece.
• Resultado: Esta camada atua como um filtro "pós-hoc" que revisa seletivamente instâncias específicas com base em regras simbólicas, em vez de limiares estatísticos.

3. Contribuições Principais

1. Framework Híbrido: Integração de classificadores de ML com uma camada de raciocínio não monotônico baseada em ASP para refinamento de decisões consciente de contexto.
2. Engenharia de Características Inovadora: Construção de uma característica binária indicando disponibilidade de meta-tags analisando independentemente as páginas web, distinguindo entre sites legítimos (que geralmente possuem meta-tags) e sites de phishing (que frequentemente as omitem).
3. Integração Eficiente de Conhecimento: A capacidade de incorporar novos conhecimentos de domínio (por exemplo, novas estratégias de evasão ou sinais de legitimidade) na camada de raciocínio em tempo $O(n)$ sem re-treinar os modelos de ML subjacentes.
4. Revisão Formal de Crenças: Demonstração do uso de lógica formal para retirar previsões incorretas de classificadores quando evidências contraditórias (meta-tags) estão presentes.

4. Resultados Experimentais

O framework foi avaliado em um conjunto de dados dividido em 80% para treinamento e 20% para teste (2.286 instâncias de teste).

• Desempenho Inicial do Classificador:

  • Floresta Aleatória (RF) alcançou a maior precisão de 95,89%, seguida por SVM (96,32% - Nota: A Tabela I mostra a SVM ligeiramente superior, mas a RF é frequentemente citada como a melhor performance no contexto do texto).
  • Todos os classificadores mostraram alta precisão e revocação (>0,94).

• Impacto da Revisão de Crenças:

  • O módulo de raciocínio revisou 465 de 9.144 previsões totais (aproximadamente 5,08% das decisões).
  • Redução de Falsos Positivos (FP): A camada de revisão reduziu consistentemente os falsos positivos em todos os classificadores:
    • SVM: 41 $\to$ 30
    • KNN: 47 $\to$ 34
    • DT: 69 $\to$ 48
    • RF: 49 $\to$ 35
  • Estudo de Caso: O sistema corrigiu com sucesso instâncias onde os classificadores previram "phishing", mas a presença de meta-tags indicava "legítimo", e vice-versa.

• Comparação de Complexidade:

  • Complexidade de Treinamento: $O(T \cdot n \cdot f \cdot \log n)$ (mesmo que ML padrão).
  • Sobrecarga de NMR: $O(n)$ (tempo linear).
  • Re-treinamento: Não é necessário para os modelos de ML ao atualizar as regras de raciocínio, oferecendo uma vantagem significativa sobre métodos monotônicos de última geração.

5. Significado e Conclusão

O PHISHREV aborda a rigidez dos sistemas tradicionais de detecção de phishing. Ao desacoplar a fase de aprendizado estatístico da fase de refinamento de decisões, oferece uma arquitetura flexível que pode se adaptar a novas ameaças sem o custo computacional de re-treinar modelos de aprendizado profundo.

• Vantagens:
  • Reduz a "fadiga de alertas" ao diminuir falsos positivos.
  • Fornece interpretabilidade através de regras simbólicas (ASP).
  • Permite a incorporação rápida de conhecimento especializado.
• Limitações e Trabalho Futuro:
  • O sistema atual depende de uma única regra manual (disponibilidade de meta-tags).
  • Atacantes adversariais podem começar a imitar comportamentos de meta-tags para enganar a camada de raciocínio.
  • O trabalho futuro visa incorporar estratégias de raciocínio multi-regra e evidências contextuais adicionais para lidar com replicação adversarial sofisticada.

Em resumo, o PHISHREV demonstra que combinar previsão estatística com raciocínio não monotônico simbólico cria uma defesa mais robusta, adaptável e consciente de contexto contra ataques de phishing.