Comparing Macro and Micro Approaches for Detecting Phishing Where It Spreads
Notice bibliographique
Résumé
Phishing attacks have evolved, increasingly leveraging legitimate platforms to bypass traditional domain and URL-based detection methods. Existing proactive approaches such as monitoring Domain Name System (DNS) anomalies and Certificate Transparency (CT) logs have become less effective, as attackers now exploit trusted websites and services. To address this challenge, we present TelePhish, a dataset of annotated Telegram messages collected from public groups in high-risk categories such as Cryptocurrency, Games, and Darknet. Unlike prior works, TelePhish emphasizes the propagational behavior of phishing by capturing Telegram group interactions, message patterns, and user engagement, rather than relying on easily manipulated textual or URL features. Using this dataset, we investigate how modeling granularity impacts phishing detection performance by adopting a macro-to-micro approach. We start from a general model that captures broad phishing patterns across Telegram, then progressively narrow to more specialized, category-aware models. We evaluate four modeling strategies: (i) a general model trained on all data, (ii) general-cluster models that segment the dataset via clustering and then train models, (iii) category models trained on each category, and (iv) categorycluster models that discover sub-patterns within each category. We show that localized models can outperform general models in capturing category-specific patterns. These findings provide guidelines for designing detection models that can be tailored to either capture general phishing patterns across the entire platform or address the unique characteristics of individual categories.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».