随着网络钓鱼攻击的激增，安全团队面临巨大压力，亟需一种能快速甄别海量可疑页面的技术手段。
在基于大语言模型（LLM）的安全应用日益普及的背景下，一项最新研究深入探讨了一个更为诱人的方向：利用小语言模型（SLMs）直接扫描原始HTML代码来检测网络钓鱼威胁的可行性。该研究评估了不同规模模型的表现，试图在检测准确率与计算成本之间寻找最佳平衡点。
研究设计：精简HTML以提升效率
尽管基于LLM的网站钓鱼检测仍处于新兴阶段，但业界对此寄予厚望。为了验证小模型的能力，研究人员采用了一个包含约一万个网站的公开数据集，并从中提取了由良性页面与钓鱼页面各半组成的平衡样本作为核心测试基准。
为了控制计算成本并模拟高效处理场景，研究人员并未将完整的网页源代码输入模型，而是采用了“修剪”策略。研究指出，长脚本块等部分对于判定页面性质的价值较低，因此被剔除；相反，与导航、图像及元数据相关的HTML标签得以保留，因为这些元素往往能暴露出欺诈性页面的布局模式。模型接收的是经过删减的HTML片段（分为保留5%和50%内容的两个版本），并依据统一的提示词模板，对页面结构、文本及链接模式进行分析，最终输出0到10的评分、分类标签（钓鱼或良性）以及简短的解释。
核心发现：准确率与稳定性的博弈
测试结果呈现出一幅喜忧参半的图景。小模型确实具备了对网站进行有效分类的能力，大多数受测模型的准确率稳定在80%以上，最高接近89%，但最低也仅为56%，显示出模型间的质量差异显著。
除了单纯的准确率，工程化落地的稳定性也是关键考量。研究中出现了一个典型的“偏科”案例：某款模型在判定钓鱼页面时展现了极高的敏锐度，其精确度高达98%，但由于经常无法按照预定格式输出结果（例如缺失标签或解释），导致其在自动化流程中实际上无法使用。相比之下，其他一些模型虽然捕捉到的威胁数量略少，但输出格式稳定，在实际应用中反而更加可靠。
值得注意的是，参数量在100亿至200亿之间的中等规模小模型，其表现已经逼近了上一代的大型模型。这表明新一代小模型在算法效率上取得了显著进步。但在运行速度上，规律依然适用：大型模型处理每个页面需数秒钟，可能拖慢扫描进度；而小模型运行虽快，却往往以牺牲部分检测结果为代价。
本地化部署的战略价值
尽管在绝对性能上存在挑战，但小模型在网络安全领域拥有大型专有模型无法比拟的优势，核心在于数据隐私与控制权。
在企业内部系统上运行小模型，意味着敏感的URL、HTML代码及用户元数据无需流向外部供应商。这对于受到严格数据保护法规限制或处理机密材料的团队至关重要。本地化部署不仅赋予了团队对数据的直接控制权，还消除了对第三方服务的依赖，避免了因云服务中断、网络故障或供应商定价变更导致的操作风险。此外，本地推理通常具备更低的延迟，这对于需要即时响应的钓鱼检测场景是一大优势。
此外，开源生态系统提供了丰富的模型选择。虽然目前公开可用的针对钓鱼检测微调的模型尚属空白，但具备研发能力的组织完全利用内部数据集对通用小模型进行微调，或构建基于检索增强生成（RAG）的系统，以进一步提升特定场景下的检测性能。
现实挑战：性能差距带来的风险
必须正视的是，小模型目前仍难以达到大型专有系统（如GPT-4等）的综合水平。这种性能差距在各项指标上均有体现。虽然部分小模型在特定窄领域任务上表现尚可，但在广泛的威胁检测中，较低的性能直接意味着更高的误报率或漏报率。
在网络安全攻防中，这种差距可能转化为实际的风险：过多的误报会消耗分析师的精力，而漏报则直接给攻击者留出了入侵的窗口。因此，虽然小模型为低成本、强调隐私的钓鱼检测提供了一条可行路径，但在现阶段，它们更适合作为辅助工具或分层防御体系的一部分，而非完全替代大型系统的独立解决方案。
论文链接：https://arxiv.org/abs/2511.15434
本文转自：GoUpSec，转载此文目的在于传递更多信息，版权归原作者所有。如不支持转载，请联系小编demi@eetrend.com删除。
