MultiPhishGuard：基于LLM与多智能体的钓鱼邮件检测系统

1. 项目背景与核心价值

MultiPhishGuard 是近期安全顶会上备受关注的一项研究，它创新性地将大语言模型（LLM）与多智能体协同机制结合，构建了一套钓鱼邮件检测系统。传统检测方案通常依赖规则匹配或单一模型判断，而这项研究通过模拟人类专家团队的协作模式，实现了检测准确率的大幅提升（论文数据显示在公开数据集上达到98.7%的F1值）。

我在企业安全部门工作时，曾亲历过钓鱼邮件导致的重大数据泄露事件。事后复盘发现，传统方案对新型社交工程攻击的泛化能力严重不足。这正是MultiPhishGuard试图解决的核心痛点——通过多角度、多层次的协同分析，捕捉邮件文本、元数据、行为特征中的微妙异常信号。

2. 系统架构设计精要

2.1 多智能体分工原理

系统包含三类核心智能体：

1. 语义分析专家：基于微调的LLM解析邮件正文的潜在意图，特别关注紧急感营造、权威伪装等社交工程特征
2. 元数据侦探：分析发件人域名注册时间、DNS记录、跳转链接等数字足迹
3. 行为模式分析师：检测邮件发送时间频率、收件人分组策略等非文本特征

每个智能体采用不同的模型架构：

• 语义分析使用经过领域适应的LLaMA-2 13B
• 元数据检测采用LightGBM与规则引擎混合
• 行为分析基于时序Transformer

关键设计：智能体间通过"质疑-响应"机制交互。当某智能体发现可疑点但置信度不足时，会触发其他智能体的专项复核，模拟安全团队会诊场景。

2.2 协同决策机制

系统采用改进的D-S证据理论融合多源判断，特别设计了针对LLM输出的校准模块。实验显示，单纯依赖LLM语义分析会导致对专业术语邮件的误判率升高23%，而协同机制能有效抑制这类偏差。

决策流程示例：

1. 语义分析发现"发票核对"等敏感关键词（置信度0.82）
2. 元数据检测显示发件域名注册于7天前（置信度0.91）
3. 行为分析识别该邮件违反公司常规通信时段
4. 系统综合判断为钓鱼邮件（最终置信度0.96）

3. 关键技术实现细节

3.1 LLM领域适应训练

研究团队采用三阶段训练策略：

1. 基础预训练：在Enron Corpus等通用邮件语料上微调
2. 对抗增强：注入人工构造的钓鱼特征（如伪装成CE