GitHub 热门项目：phishguard-scaffold

GitHub 项目：phishguard-scaffold 仓库地址：https://github.com/wang-rui/phishguard-scaffold 星级：1007 | 作者：王瑞 项目描述：基于LLama的建模对社交媒体网络钓鱼攻击进行联合语义检测和传播控制 =================================================== 自述文件内容： # PhishGuard：联合语义检测和传播控制 [](https://www.python.org/downloads/) [](https://pytorch.org/) [](https://opensource.org/licenses/MIT) **社交媒体上网络钓鱼检测和传播控制的统一框架，由 LLaMA 和先进的基于图形的干预策略提供支持。** 该存储库实现了*“通过基于 LLaMA 的建模对社交媒体网络钓鱼攻击进行联合语义检测和传播控制”*中描述的完整研究框架，具有深入的语义理解、对抗鲁棒性和针对全面网络钓鱼缓解的有针对性的干预。 ## 🏗️系统架构 *替代视图：[架构图 PNG](docs/architecture_diagram.png)* ````美人鱼 图TB 子图“数据层” TD[Twitter 数据
~100k 条推文] --> DP[数据预处理
• 重复数据删除
• 语言过滤
• 文本标准化] ED[边缘数据
用户交互] --> GC[图构建
• 社交网络
• 时间模式] 结束 子图“模型架构” DP --> LLaMA[LLaMA 编码器
• 语义嵌入
• 注意力机制
• LoRA 微调] LLaMA --> SE[语义增强
• 深度预测
• 针对网络钓鱼的关注
• 风险评估] SE --> CLS[分类器头
• 2 路分类
• 置信度评分] 结束 子图“培训框架” CLS --> L1[分类损失
L_cls = CrossEntropy] SE --> ADV[对抗训练
• 语义扰动
• KL 散度
• 分布锐化] ADV --> L2[对抗性损失
KL 散度鲁棒性] GC --> PG[传播图
G，具有节点 V 和边 E
• 用户节点
• 交互边] PG --> IC[独立级联
• 扩散模拟
• 扩散估计σS] IC --> L3[传播损失
L_prop = 预期传播] L1 --> JO[联合优化
L_total = L_cls + λ·L_adv + μ·L_prop] L2 --> 乔 L3 --> 乔 结束 子图“干预系统” PG --> RA[风险评估
• 模型预测
• 网络中心性
• 行为模式] RA --> CS[候选人选择
•影响力排名
•活动分析] CS --> GI[贪婪干预
• 预算优化
• 边际收益
• 影响评估] 结束 子图“输出” JO --> PM[训练模型
• 网络钓鱼检测
• 风险评分] GI --> IN[干预节点
• 最优选择
• 扩散最小化] PM --> MT[指标
• 准确率：85-95%
• F1 分数：80-92%
• AUC：90-98%] IN --> PR[传播减少
• 1