本文针对钓鱼邮件检测的对抗鲁棒性进行了系统比较研究。研究背景在于，当前机器学习分类器在钓鱼邮件检测中广泛应用，但其准确性往往仅在干净、分布内测试数据上评估，而忽略了对经过刻意修改以逃避检测的对抗性邮件的鲁棒性。为弥补这一空白，作者选取了两种代表性检测方法：传统的TF-IDF + 逻辑回归基线模型，以及基于微调DistilBERT的Transformer模型。两者在统一语料库（来自六个公开数据集的82,255封邮件）上训练，并在三种条件下评估：正常分布内测试、合成钓鱼测试和对抗性钓鱼测试。实验结果表明，两种模型在干净数据上的准确率均超过98%，但在对抗性测试中急剧下降：TF-IDF + LR降至64.00%（下降34.59个百分点），DistilBERT降至63.64%（下降35.40个百分点），二者差距仅0.36个百分点，相当于275个样本的对抗测试集中仅一封邮件的差异。通过LIME、SHAP和注意力展开分析发现，两种模型依赖不同的特征证据，但表现出相似的脆弱性。成对错误分析显示，模型在54.9%的对抗样本上达成一致，但各自分别有24个和25个独有错误，表明失败模式部分互补而非完全相同。研究结论明确指出，干净数据准确率不能预测对抗鲁棒性，对抗测试应成为钓鱼邮件检测评估的标准组成部分。该研究为安全从业者提供了重要启示：高基准准确率并不保证模型在对抗攻击下的安全性，需要将对抗鲁棒性纳入模型选型和部署前的评估流程。

本文研究了概念漂移（Concept Drift）对基于机器学习的钓鱼检测系统性能的影响，并提出了缓解策略。随着数字通信的快速发展，电子邮件成为主要渠道之一，但也带来了垃圾邮件和钓鱼攻击的持续威胁。传统的机器学习检测模型在静态数据集上表现良好，然而钓鱼攻击技术不断演化，导致数据分布随时间发生变化，即概念漂移，从而造成模型性能显著下降。作者评估了多种机器学习模型（如逻辑回归、随机森林、支持向量机等）在真实邮件数据集上随时间推移的准确率、召回率等指标的变化，发现多数模型在6-12个月后准确率下降超过10%。为此，本文提出了一种自适应重训练框架，结合周期性增量更新和基于漂移检测的触发式重训练策略。实验表明，该框架能够将检测性能下降幅度控制在3%以内，同时降低了频繁重训练的计算开销。研究还分析了不同特征（如邮件头、内容、元数据）对漂移的敏感性，指出基于内容的特征更容易受漂移影响。该工作为安全运维团队提供了实用的模型维护指南。

该论文针对钓鱼攻击检测问题，系统评估了多种机器学习算法在不同来源的异构数据集上的表现。研究使用了公开的UCI数据集、通过EvilGinx和Zphisher等工具生成的模拟数据集以及AI生成的数据集。实验中比较了经典模型（Logistic Regression）、集成模型（CatBoost）、神经网络（CNN）和基于Transformer的模型（DistilBERT），其中DistilBERT达到了最高准确率99.78%。为增强模型可解释性，论文引入了信息增益、SHAP和LIME等可解释AI（XAI）技术，分析影响分类结果的关键特征。此外，论文设计并实现了一个基于MCP（Master Control Program？根据上下文推测为某种部署框架）的钓鱼URL检测系统，支持实时URL分析、特征提取、基于置信度的分类以及AI辅助的安全解释。实验结果表明，集成模型和Transformer模型在钓鱼检测任务上表现优异，同时XAI技术有助于理解模型决策，提升信任度。该研究为构建可解释且高效的钓鱼检测系统提供了实证基础。