该论文针对钓鱼邮件检测中机器学习模型的对抗鲁棒性进行了系统性比较研究。作者指出，目前大多数检测准确率报告仅基于干净、分布内测试数据，而未考虑攻击者可能故意篡改邮件以逃避检测。为此，论文选取了两个代表性方法：传统的TF-IDF + 逻辑回归基线模型，以及基于微调DistilBERT的Transformer模型。两者在六个公开数据集合并的82255封邮件统一语料库上训练，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钓鱼测试（使用对抗性扰动）。实验结果显示，两个模型在干净数据上均超过98%准确率，但对抗测试下急剧下降：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），两者差距仅0.36个百分点，相当于对抗测试集275个样本中一个邮件的差异。使用LIME、SHAP和注意力展开分析表明，两种模型依赖不同的证据但呈现相似的脆弱性。成对错误分析显示，模型在54.9%的对抗样本上同时出错，但各自也有相近数量的独有错误（分别为24和25个），说明失败模式部分互补而非完全一致。研究结果强调了干净数据准确率无法预测对抗鲁棒性，并建议将对抗测试作为钓鱼邮件检测评估的标准部分。

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。