SoK: Large Language Model-Generated Textual Phishing Campaigns End-to-End Analysis of Generation,...

文章总结与翻译

一、文章主要内容

本文是首篇关于大型语言模型（LLM）生成文本钓鱼攻击的知识体系化（SoK）研究，围绕LLM生成钓鱼攻击的“生成-特征-防御”全生命周期展开分析，旨在填补当前对LLM驱动钓鱼攻击系统性研究的空白。

1. 研究背景与问题

• 钓鱼攻击现状：文本钓鱼因低成本、高扩展性等特点占比极高（96%通过电子邮件传播），2025年全球因钓鱼攻击损失超450亿美元，且LLM的出现催生“钓鱼即服务”模式，82%的钓鱼邮件利用LLM生成，其鱼叉式钓鱼邮件点击率超30%，远超人工制作水平。
• 现有研究不足：过往研究多聚焦LLM漏洞或传统钓鱼检测，缺乏对LLM钓鱼攻击全生命周期的系统性分析，且将LLM钓鱼生成仅视为“滥用”案例，未作为专门研究对象。

2. 核心研究框架：GenCharDef（生成-特征-防御）

（1）LLM钓鱼内容生成技术（RQ1）

从数据、提示词、对抗性引导三个维度梳理生成方法：

• 数据引导生成：包括任务适配模型微调（如用钓鱼邮件数据集微调GPT-2、BART）和知识增强生成（结合外部知识如目标人物维基百科信息、社交数据生成个性化钓鱼内容）。
• 提示词引导生成：分为人工制作提示词（基础指令提示、条件提示、序