AURA: Adaptive Uncertainty-Routed Analysis for Email Threat Detection

📄 arXiv: 2609.19873v1 📥 PDF

作者: Omran Berjawi, Walid fahs, Rida Khatoun

分类: cs.LG

发布日期: 2026-09-17

备注: Under review

💡 一句话要点

提出AURA以解决邮件威胁检测中的不确定性问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 邮件威胁检测 不确定性分析 多模态系统 变换器编码器 垃圾邮件 钓鱼攻击 安全性 机器学习

📋 核心要点

  1. 现有的邮件威胁检测系统在面对不断演变的垃圾邮件和钓鱼攻击时，泛化能力不足，导致检测效果不佳。
  2. 本文提出的AURA系统通过量化URL分类器的预测不确定性，优化了邮件内容和URL的分析流程。
  3. 实验结果显示，AURA在多个数据集上表现优异，宏F1分数高达0.9858，展现出强大的泛化能力。

📝 摘要（中文）

电子邮件垃圾邮件和钓鱼攻击仍然是一个严重的安全威胁。对手越来越多地利用大型语言模型来制作上下文上令人信服的恶意消息，而现有的垃圾邮件检测系统往往难以跟上。现有方法在多样化和不断演变的攻击场景中的泛化能力有限，降低了这些系统在实际部署中的有效性。本文提出了自适应不确定性路由分析（AURA），这是一个多模态邮件威胁检测系统，分析电子邮件的内容及其嵌入的URL。AURA由两个层次构成：第一层量化URL分类器的预测不确定性，只有模糊的消息才会被提升到经过微调的变换器编码器进行语义分析。该系统在八个异构训练语料库和两个涵盖十年对抗性活动的真实世界语料库上进行了评估，AURA在分布内达到了0.9858的宏F1分数，在NazPhish-Eval和GuenterTrap-Eval上分别保持0.9502和0.9436，证明了在真实分布转变下的强泛化能力。

🔬 方法详解

问题定义：本文旨在解决现有邮件威胁检测系统在面对复杂和多样化攻击时的泛化能力不足问题。现有方法往往无法有效应对新型的恶意邮件，导致检测效果不理想。

核心思路：AURA的核心思路是通过自适应不确定性路由分析，首先量化URL分类器的预测不确定性，只有在不确定性较高的情况下，才将邮件内容传递给经过微调的变换器编码器进行深入分析。这种设计旨在提高系统的效率和准确性。

技术框架：AURA系统的整体架构分为两个主要层次：第一层为URL分类器，负责初步判断邮件中的URL是否存在威胁；第二层为变换器编码器，负责对不确定性较高的邮件进行语义分析。系统通过这两个层次的协同工作，提升了邮件威胁检测的准确性。

关键创新：AURA的主要创新在于其自适应的不确定性路由机制，使得系统能够根据预测的不确定性动态调整分析路径。这一机制与传统的静态分析方法形成鲜明对比，显著提升了检测的灵活性和准确性。

关键设计：在关键设计上，AURA采用了经过微调的变换器编码器作为语义分析模块，并在URL分类器中引入了不确定性量化机制。损失函数的设计也考虑了不确定性因素，以优化模型的学习过程。整体架构的模块化设计使得系统具有良好的扩展性。

🖼️ 关键图片

fig_0
img_1
img_2

📊 实验亮点

AURA在多个数据集上的实验结果显示，其在分布内达到了0.9858的宏F1分数，并在真实世界数据集NazPhish-Eval和GuenterTrap-Eval上分别保持了0.9502和0.9436的高性能，展现出强大的泛化能力和鲁棒性。

🎯 应用场景

AURA系统在邮件安全领域具有广泛的应用潜力，能够有效检测和防范垃圾邮件及钓鱼攻击。其自适应的不确定性分析方法可以为其他领域的威胁检测提供参考，未来可能在金融、电子商务等对安全性要求高的行业中发挥重要作用。

📄 摘要（原文）

Email spam and phishing attacks remain a critical security threat. Adversaries increasingly exploit large language models to craft contextually convincing malicious messages, and existing spam detection systems often struggle to keep pace. Generalization across diverse and evolving attack scenarios is limited, which reduces effectiveness once these systems are deployed in practice. This paper introduces Adaptive Uncertainty-Routed Analysis (AURA), a multimodal email threat detection system that analyzes both the content of an email and its embedded URLs. AURA is built around two layers: the first quantifies prediction uncertainty from a URL classifier, and only ambiguous messages are escalated to a fine-tuned transformer encoder for semantic analysis. The system is evaluated on eight heterogeneous training corpora together with two held-out real-world corpora spanning a decade of adversarial campaigns. AURA reaches a macro F1-score of 0.9858 in-distribution, and on NazPhish-Eval and GuenterTrap-Eval it maintains 0.9502 and 0.9436, respectively, which is evidence of robust generalization under genuine distribution shift.