该论文面向尼日利亚金融科技（fintech）场景的钓鱼邮件问题，提出并实现了一个基于 Gmail 的浏览器扩展原型。研究背景是：冒充尼日利亚本土金融科技服务商的钓鱼邮件往往同时具备三类特征——伪造或高度相似的发件人地址、与官方域名近似的仿冒链接（lookalike），以及使用当地人熟悉的措辞与话术，这使得仅依赖单一规则的邮件过滤难以有效识别。作者的核心思路是把「基于确定性规则的元数据核验」与「基于内容的机器学习分类」结合，并将判定结果直接呈现在用户打开邮件的时刻。系统由两部分组成：（1）发件人域名与 URL 校验模块，将邮件中可见的发件人地址和链接与预先构建的 8 家金融科技平台的官方配置档案逐一比对；（2）双向长短期记忆网络（BiLSTM）文本分类器，部署在本地 Flask 服务上，接收邮件文本并输出一个钓鱼概率值。扩展综合两部分结果，向用户展示「合法 / 警告 / 钓鱼」三档判定。在实验中，作者从一个经过清洗、包含 59,622 封钓鱼与正常邮件的语料集中抽取 8,943 封作为测试集，BiLSTM 分类器取得混淆矩阵为 4,308 个真阴性、0 个假阳性、1 个假阴性、4,634 个真阳性，对应准确率 99.99%、精确率 100.00%、召回率 99.98%、F1 值 99.99%。作者同时进行了自我审查：通过分词序列分析发现训练集与测试集之间存在 5.79% 的 token 重叠，这可能导致对独立邮件的性能估计被高估。此外，作者在 Gmail 中做了功能演示，确认集成扩展能够正常产生用户可见的判定结论，但完整系统并未在带标注的测试集上进行端到端评测。论文的结论是该原型在工程上可行，而其端到端检测能力以及对未见攻击手法的泛化性仍待进一步评估，作者对此保持开放态度。