ReDence: A Hybrid Agentic and Decision-Model Framework for Rapid, Evidence-Grounded Detection of Modern Social Engineering Scams
作者: Jaishnoor Kaur, Josef Horáček, Ian Waskom, Sayak Saha Roy
分类: cs.CR, cs.LG
发布日期: 2026-10-22
💡 一句话要点
提出ReDence框架以解决现代社交工程诈骗检测问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 社交工程诈骗 证据收集 决策支持 混合模型 网络安全 自动化检测 多模态学习
📋 核心要点
- 现有的社交工程诈骗检测方法支持有限，导致分析师需手动收集和验证证据，延迟检测和处理。
- ReDence框架结合了多模态智能调查员和专门决策者，通过分工合作提升检测效率和准确性。
- 实验结果显示，ReDence在十二种诈骗类别中实现了96%的准确率，且速度显著快于现有检测器。
📝 摘要（中文）
在线社交工程诈骗的检测通常需要分析网站工作流程、验证外部来源的声明，并在多个页面之间连接证据。现有检测器在这些调查中支持有限，导致分析师需手动收集和验证证据，从而延迟检测和后续的攻击处理。为了解决这一问题，本文提出了ReDence，一个开源的混合框架，能够在多种社交工程诈骗类别中进行自适应、基于证据的检测。ReDence结合了两个本地托管的模型，分别负责调查规划、证据解释和报告的多模态智能调查员（Qwen3.5-4B），以及处理二元和多选任务的专门决策者（Tev1）。评估结果表明，ReDence在检测十二种社交工程诈骗类别时达到了96%的准确率，且速度至少是同类模型的四倍，且不妥协于调查的深度。
🔬 方法详解
问题定义：本论文旨在解决社交工程诈骗检测中的证据收集和验证效率低下的问题。现有方法在支持调查方面存在不足，导致分析师需耗费大量时间进行手动验证。
核心思路：ReDence框架通过结合两个不同功能的模型，分别负责调查规划和决策，从而提高检测的效率和准确性。这样的设计使得复杂的调查任务能够被有效分解，减少对单一语言模型的依赖。
技术框架：ReDence的整体架构包括两个主要模块：多模态智能调查员（Qwen3.5-4B）负责证据的解释和报告，而专门决策者（Tev1）则处理具体的决策任务，如浏览器操作选择和证据评估。
关键创新：ReDence的主要创新在于其混合模型的设计，通过将调查和决策任务分开，显著提高了检测速度和准确性。这种方法与现有的单一模型方法形成了鲜明对比。
关键设计：在模型设计中，采用了针对特定任务的优化策略，确保每个模型在其职责范围内表现最佳。此外，框架生成的结构化报告能够详细记录调查过程中的所有证据和决策，便于后续审计和验证。
🖼️ 关键图片
📊 实验亮点
ReDence在检测十二种社交工程诈骗类别时达到了96%的准确率，显著优于现有检测器，且处理速度至少是同类模型的四倍。这一成果展示了其在效率和准确性上的双重优势，为网络安全领域提供了新的解决方案。
🎯 应用场景
ReDence框架具有广泛的应用潜力，尤其在网络安全领域中，可以帮助分析师快速识别和处理社交工程诈骗。其高效的证据收集和决策支持能力将提升网络安全防护的整体效率，未来可能扩展到其他类型的网络欺诈检测和风险管理领域。
📄 摘要（原文）
Detecting online social engineering (SE) scams often requires examining website workflows, verifying claims against external sources, and connecting evidence across multiple pages. Existing detectors provide limited support for these investigations, leaving analysts to manually gather and validate evidence, which inevitably delays detection and subsequent takedown of these attacks. To address this gap, we present ReDence, an open-source hybrid framework for adaptive, evidence-grounded detection across diverse SE scam categories. ReDence combines two locally hosted models with complementary responsibilities: a fine-tuned multimodal agentic Investigator (Qwen3.5-4B) that performs investigative planning, evidence interpretation, and reporting, and a specialized Decider (Tev1) that handles binary and multiple-choice tasks, including browser-action selection, evidence assessment, and decisions about whether to continue an investigation. By delegating discrete decisions to a specialized model, ReDence reduces reliance on lengthy language-model responses, while preserving the reasoning capabilities required for complex investigations. Our evaluation demonstrates that ReDence achieves 96\% accuracy in detecting scams across twelve SE scam categories, substantially outperforming existing detectors while being at least four times faster than comparable agentic models without compromising investigative depth. ReDence also produces structured, evidence-grounded reports that document investigative actions, supporting and contradictory evidence, and collected artifacts, which allow analysts to independently audit detection decisions and utilize the collected evidence to support subsequent mitigation and takedown efforts.