- 综合排序
- 最热优先
- 最新优先
- 来自专栏公共互联网反网络钓鱼（APCN）
面向 macOS 终端用户的 AI 驱动钓鱼文本检测技术研究 —— 以 Moonlock Scam Detector 为例
本文以 Scam Detector 为研究对象，结合终端安全需求与文本检测技术，系统分析钓鱼文本的语言特征、行为诱导特征与 URL 风险特征，构建轻量级 AI 检测模型，给出可工程化的特征提取、分类推理 在此背景下，MacPaw 将 Scam Detector 集成于 Moonlock 安全套件，以轻量化 AI 模型为核心，面向普通用户提供一键检测、风险评分、处置指引能力，实现钓鱼攻击 “先发识别”。 Scam Detector 以本地化、轻量化、可解释、易操作为目标，填补终端文本钓鱼检测空白。 3 Moonlock Scam Detector 技术架构与实现机制3.1 整体架构设计Scam Detector 采用四层轻量化架构，适配 macOS 终端环境：输入层：接收邮件正文、聊天记录、短信等文本 3.3 风险评分与决策机制系统对各维度特征加权计算，输出 0–100 scam 概率分数：0–30：安全，无明显风险；31–60：可疑，建议谨慎核对；61–100：高风险，立即停止操作并按指引处置。
17110编辑于 2026-05-21 FFCA-YOLO：突破小物体检测瓶颈，提升遥感应用中的精度与效率
因此设计了一种高精度的小型物体检测器FFCA-YOLO，其包括三个创新的轻量级即插即用模块：特征增强模块（FEM）、特征融合模块（FFM）和空间上下文感知模块（SCAM）。 SCAM（空间上下文感知模块）经过FEM和FFM处理后，特征图已经包含了局部背景信息并较好地表示了小物体的特征。在此阶段，SCAM通过建模小物体与背景之间的全局关系来进一步提升物体与背景的分辨能力。 SCAM利用全局上下文信息，有效抑制背景噪声，强化小物体与背景的区别。SCAM由三个分支组成，每个分支执行不同的任务：第一个分支：使用全局平均池化（GAP）和全局最大池化（GMP）操作来整合全局信息。 通过这种方式，SCAM能够精确捕捉到多层次的上下文信息，进一步增强对小物体的感知能力。 SCAM通过上述处理步骤，使得每一层的像素空间上下文得到有效表示。SCAM不仅提升了小物体的检测精度，还加强了背景与物体之间的分辨能力，特别是在复杂背景的环境下。
1.2K20编辑于 2025-02-18- 来自专栏AI算法与图像处理
论文/代码速递2022.10.17！
Papers-with-Code-Demo ECCV2022论文和代码整理：https://github.com/DWCTOD/ECCV2022-Papers-with-Code-Demo 最新成果demo展示： 标题：SCAM between images with Semantic Cross Attention Modulation 主页：https://imagine.enpc.fr/~dufourn/publications/scam.html 代码：https://github.com/nicolas-dufour/SCAM 论文：https://arxiv.org/pdf/2210.04883v1.pdf 最近的大量工作以语义条件下的图像生成为目标 在这项工作中，我们引入了SCAM（Semantic Cross Attention Modulation，语义交叉注意调制），这是一个系统，它对图像的每个语义区域（包括前景和背景）中丰富多样的信息进行编码 iDesigner和CelebAMask HD数据集上的大量实验表明，SCAM优于SEAN和SPADE；此外，它还开创了学科转移的新境界。
51240编辑于 2022-12-11 - 来自专栏AI算法与图像处理
ECCV2022 | 超越 SPADE，SCAM语义生成图像能应对更具挑战性的任务! 论文代码速递2022.10.14！
Papers-with-Code-Demo ECCV2022论文和代码整理：https://github.com/DWCTOD/ECCV2022-Papers-with-Code-Demo 最新成果demo展示： 标题：SCAM between images with Semantic Cross Attention Modulation 主页：https://imagine.enpc.fr/~dufourn/publications/scam.html 代码：https://github.com/nicolas-dufour/SCAM 论文：https://arxiv.org/pdf/2210.04883v1.pdf 最近的大量工作以语义条件下的图像生成为目标 在这项工作中，我们引入了SCAM（Semantic Cross Attention Modulation，语义交叉注意调制），这是一个系统，它对图像的每个语义区域（包括前景和背景）中丰富多样的信息进行编码 iDesigner和CelebAMask HD数据集上的大量实验表明，SCAM优于SEAN和SPADE；此外，它还开创了学科转移的新境界。
61830编辑于 2022-12-11 - 来自专栏网络安全技术点滴分享
为何AI反诈骗防护比以往任何时候都更重要
了解为何在2025年AI驱动的防护至关重要，以及Avast Scam Guardian如何免费保护每个人免受网络钓鱼、虚假网站和欺诈的侵害。 AI可以：在可疑信息中读出言外之意分析隐藏的网页内容以发现诈骗分析语气和上下文以嗅出诈骗从数百万先前的诈骗中学习以保持领先认识到对可访问的智能诈骗防护的迫切需求，Avast推出了Scam Guardian Scam Guardian还包括Web Guard，这是我们AI驱动的在线安全功能，分析您访问网站中的内容，寻找隐藏的诈骗。 如果您想要更多保护，Scam Guardian Pro增加了高级电子邮件扫描功能，以保护您所有设备上的收件箱安全。最重要的是，这个世界级的AI安全不仅适用于懂技术的人——它适用于任何地方的每个人。
22710编辑于 2025-10-28 - 来自专栏公共互联网反网络钓鱼（APCN）
数据泄露背景下加密货币债务免除钓鱼诈骗机理与防御研究
import timeclass MaliciousWalletDetector: def __init__(self): self.risk_tags = {"phishing", "scam test_addr, test_tx, test_risk_db) print("地址风险:", res)4.4 链上诈骗资金追踪代码通过归集与转移特征识别诈骗资金路径，支持监管溯源：def trace_scam_funds incoming} # 去向地址数 dest_addresses = {tx.get("to") for tx in outgoing} # 归集特征：多入少出典型诈骗 is_scam_pattern "source_count": len(source_addresses), "dest_count": len(dest_addresses), "is_scam_flow ": is_scam_pattern, "in_total": sum(tx.get("value", 0) for tx in incoming), "out_total"
33910编辑于 2026-03-28 - 来自专栏公共互联网反网络钓鱼（APCN）
基于微软官方邮件通道滥用的钓鱼攻击机理与防御研究
"Content-Type": "application/json"}def trigger_fake_notification(tenant_id: str, target_email: str, scam_content """ 模拟触发含钓鱼内容的微软官方通知 :param tenant_id: 攻击者注册的租户ID :param target_email: 受害者邮箱 :param scam_content "notificationType": "AccountVerification", # 恶意内容注入通知标题与描述 "title": f"账号异常：请立即核验 - {scam_content test_tenant = "fake-tenant-id-202605" target_list = ["user1@example.com", "user2@example.com"] scam_text 验证以恢复账户访问" for target in target_list: res = trigger_fake_notification(test_tenant, target, scam_text
19310编辑于 2026-05-29 - 来自专栏区块链大本营
全球第二大暗网是如何垮台的？
埋下了两条暗线： 一个平台会因为另一平台的倒闭而收获大量流量，但着可能招致网站无法负荷； 另一条线是：平台可能因黑客盗窃而损失惨重，进而下线；抑或是，平台意识到被警方盯上后，会产生“出逃骗局”（Exit Scam 2015年对于暗网市场来说是一个分水岭，该年3月份，一家名为“进化”（Evolution)的暗网市场进行了一次大规模的“Exit Scam”，在窃取了用户以及商户托管的价值1200万美元的比特币（这一数值相当于彼时整个暗网市场金额的一半 how-german-and-us-authorities-took-down-the-owners-of-darknet-drug-emporium-wall-street-market/ https://darkwebnews.com/darkwebmarkets/wall-street-market-exit-scam / https://www.forbes.com/sites/daveywinder/2019/05/03/did-a-bitcoin-exit-scam-cause-dark-web-wall-street-market-crash
1.4K30发布于 2019-05-15 【AI守护Show】
fcgi-bin/aai/aai_tts" tts_app_id = "TTS_APP_ID" tts_app_key = "TTS_APP_KEY" # 定义识别函数 def recognize_scam print("非诈骗信息") else: print("请求失败") # 测试 text = "您的银行卡账号已被冻结，请点击链接进行解冻操作" recognize_scam
38610编辑于 2025-08-29- 来自专栏人工智能极简应用
【人工智能】Transformers之Pipeline（十五）：总结（summarization）
Prosecutors said the marriages were part of an immigration scam. Prosecutors said the immigration scam involved some of her husbands, who filed for permanent residence
74110编辑于 2024-09-05 - 来自专栏公共互联网反网络钓鱼（APCN）
谷歌双线出击：起诉“钓鱼即服务”团伙，推动立法构建反诈新生态
谷歌公开支持三项正在美国国会审议的反诈法案：《GUARD法案》：授权州和地方执法部门使用联邦资金打击针对老年人的金融诈骗；《外国非法机器人电话消除法案》：建立跨部门工作组，阻断境外来源的非法语音与短信呼叫；《SCAM 法案》：制定国家级反诈骗战略，重点打击“诈骗园区”（scam compounds）并制裁相关实体。
51210编辑于 2025-11-14 - 来自专栏公共互联网反网络钓鱼（APCN）
AI上阵，短信防线升级：SKT用深度学习狙击韩国“全民诈骗潮”，中国运营商能否借镜？
AutoTokenizer.from_pretrained("skt/sk-bert-sms")model = AutoModel.from_pretrained("skt/sk-bert-sms")def is_scam_sms (text, scam_embeddings, threshold=0.85):inputs = tokenizer(text, return_tensors="pt", truncation=True inputs).last_hidden_state.mean(dim=1)# 计算与已知诈骗样本的余弦相似度similarities = F.cosine_similarity(embedding, scam_embeddings
67510编辑于 2026-01-21 - 来自专栏程序袁的专栏
微服务架构下的测试应对策略（下）
Rainsberger在InfoQ上提出 Integration Tests Are a Scam。 Rainsberger后来还在博客上发表了 《Integration Tests Are a Scam》，文章借用强有力的数据分析来证实自己的观点。
1.4K40发布于 2018-09-29 - 来自专栏FreeBuf
鱿鱼游戏不止致命，还有骗子用它赚了210万美元
参考文章 https://securityaffairs.co/wordpress/124047/cyber-crime/squid-game-cryptocurrency-exit-scam.html
64730发布于 2021-11-08 - 来自专栏Biometrics
Digital Identity Verification and its Pros and Cons
Identity verification services lead to a reduced risk of scam and fraudulent activities.
1.1K00发布于 2020-01-20 - 来自专栏FreeBuf
Orbit Chain遭攻击，受损金额高达8600万美元
区块链威胁跟踪服务 Scam Sniffer 报告称，在整个 2023 年，共有超过 32 万名受害者被盗取了 2.95 亿美元，其中最著名的案例是 Inferno Drainer 和 MS Drainer
48610编辑于 2024-01-04 - 来自专栏公共互联网反网络钓鱼（APCN）
生成式 AI 赋能下大规模网络钓鱼攻击与防御技术研究
= get_text_embedding(SCAM_TEXT_TEMPLATE)def sms_risk_detect(sms_content): """单条短信风险检测主函数""" # (sms_emb, scam_emb).max().item() normal_score = util.cos_sim(sms_emb, normal_emb).max().item() print(f"待检测短信：{sms_content}") print(f"与诈骗文本相似度：{round(scam_score,2)}，与正常文本相似度：{round(normal_score, 2)}") if scam_score >= SEMANTIC_THRESHOLD and normal_score < SEMANTIC_THRESHOLD: return "高危 ：AI生成诈骗短信，执行拦截" elif 0.6 <= scam_score < SEMANTIC_THRESHOLD: return "可疑：文本存在诈骗语境，标记并人工复核"
15610编辑于 2026-06-15 - 来自专栏FreeBuf
WhatsApp 新骗局曝光，可劫持用户账户
参考来源 https://www.hackread.com/new-whatsapp-otp-scam-allow-hackers-hijack-account/
3.5K20编辑于 2022-06-08 - 来自专栏公共互联网反网络钓鱼（APCN）
生成式 AI 驱动新型网络诈骗的攻防技术与治理体系研究
向量化模型，用于提取文本语义特征vectorizer = TfidfVectorizer(stop_words=["的", "了", "和", "是"])# 预设已知诈骗话术样本库（涵盖各类AI诈骗场景）scam_sample_texts + normal_sample_textssample_vectors = vectorizer.fit_transform(all_samples)scam_vectors = sample_vectors [:len(scam_sample_texts)]def detect_ai_scam_text(input_text, threshold=0.65): """ 基于语义相似度检测AI诈骗文本 ，您的账户状态异常，请点击链接完成安全验证" # 测试2：正常工作文本 test2 = "下周团建地点已确定，请各位员工准时参与" res1, score1 = detect_ai_scam_text (test1) res2, score2 = detect_ai_scam_text(test2) print(f"检测文本1：{test1} 结果：{res1} 相似度分值：{score1
15410编辑于 2026-06-14 - 来自专栏公共互联网反网络钓鱼（APCN）
工业化 AI 欺诈下全球金融诈骗治理与技术防御研究
X = np.hstack([text_vec, np.array(text_feats).reshape(1,-1), np.array(url_feats).reshape(1,-1)]) scam_prob 行为异常 is_anomaly = detect_anomaly(np.array(user_behavior).reshape(1,-1)) # 综合决策 risk_score = scam_prob "block": block, "risk_score": round(risk_score,4), "is_anomaly": is_anomaly, "scam_probability ": round(scam_prob,4) }# ==============================================# 测试运行# ===================
52510编辑于 2026-03-31
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号