本文提出一种基于符号网络（signed network）的恶意URL识别方法 SiNMULI。研究背景是：传统机器学习、深度学习和伪造网站检测方法大多依赖静态数据分析，难以应对恶意网站的动态演变和对抗性混淆。作者将恶意URL识别问题转化为一个基于符号网络的二分类问题，其理论根基来自社交网络分析与社交平衡理论。具体而言，该方法利用URL的外部反向链接（backlinks）构建符号网络：每个节点代表一个URL，超链接作为带符号的边（正边表示良性关系，负边表示恶意关系）。通过基于平衡理论的推理机制，算法沿边传播符号，并采用51%多数规则对未标记域名进行分类。在真实数据集上的实验结果表明，SiNMULI取得了99.89%的准确率、99.62%的精确率和99.80%的F1分数，优于传统机器学习与深度学习基线模型。此外，该方法具有可解释性、对对抗性混淆的鲁棒性，并且不依赖训练数据，是一种轻量级、可扩展的现实世界网络防御方案。适合关注恶意URL检测、社交网络分析在安全中的应用以及对抗性机器学习的研究人员阅读。

本文针对恶意URL重定向网络难以实时发现的问题，提出了一种主动式的发现与测量方法。恶意URL常通过多层重定向隐藏自身以逃避检测，传统方法多为被动响应，难以实时捕捉重定向流量。作者提出一个三步算法：首先收集种子域名的重定向路径；其次将共享重定向路径中公共节点的域名进行聚类；最后通过IP同驻关系搜索其他关联域名。实验基于对2,300个流行假新闻网站的审计，从中选取276个发生重定向的假新闻域名作为种子，成功发现了三个大规模重定向活动。进一步验证表明，91%的入口域名并非新注册，而是近期过期后被重新注册并停放于专用主机的域名。为缓解该威胁，作者部署了系统自动收集新重新注册的域名并发布新的重定向网络。在五个月的运营中，其威胁情报报告获得了超过50,000次Google搜索展示，并被商业安全厂商工具推荐。此外，研究结果已报告给Google和AWS，两家公司均迅速采取行动移除恶意组件。该工作为持续发现来自重新注册域名的规避性重定向流量提供了一条可行途径。

本研究针对社交媒体应用中链接分享功能的安全漏洞展开探索性分析。随着社交媒体平台成为全球主流通信工具，用户频繁通过链接分享进行内容交互，但攻击者常利用此功能发布恶意URL，诱导用户点击以实施钓鱼、恶意软件传播等攻击。研究选取了Google Play商店排名前五的安卓社交应用（如Facebook、Twitter等），设计实验评估其在用户分享恶意链接时的监测与过滤能力。实验通过在不同平台发布已知恶意链接，记录各应用的响应行为，包括是否拦截、是否显示警告或允许直接访问。结果表明，绝大多数被测试应用缺乏有效的防御机制，无法阻止恶意URL的发布和传播；仅有少数应用对部分链接进行了拦截或标记。研究虽然具有探索性质，但揭示了一个重要的安全漏洞——即攻击者或无意用户可轻易利用平台缺乏过滤的弱点散布恶意链接。文章还讨论了链接攻击的多种形式（如伪装、短链接等），并指出当前安全措施在用户体验与防护之间的权衡不足。该研究为改进社交媒体平台的安全设计、提升用户对链接风险的认知提供了实证依据，适合安全研究人员、平台开发者及政策制定者阅读。