摘要： 凭据滥用长期占据数据泄露成因的前列，生成式人工智能的普及进一步降低了仿冒域名与欺骗性登录门户的制作成本，使凭据窃取类攻击在数量与迷惑性上同步攀升，而传统安全过滤机制对绕过其规则的高仿冒站点往往难以识别。本文以端点侧凭据窃取的智能检测与防护为研究对象，在分析凭据滥用威胁态势与生成式人工智能放大效应的基础上，论证检测关口由网络侧向端点侧、由被动过滤向主动判定迁移的必要性；系统梳理域仿冒、混淆基础设施与欺骗性请求三类结构指标的识别原理；进而考察以零知识架构为核心的本地化处理如何在安全性与隐私性之间取得平衡，并探讨即时告警、用户自治与组织集中管控协同的人机交互机制。研究认为，将智能检测嵌入凭据输入关口、以零知识架构消解隐私顾虑，能够在攻击真正造成数据损失之前予以阻断，代表了应对人工智能驱动型钓鱼威胁的一条可行技术路径。
关键词： 凭据窃取；钓鱼攻击；仿冒域名；本地人工智能；零知识架构；端点安全
1 引言
在网络攻击的初始访问阶段，凭据窃取始终是攻击者最倚重的路径之一。与直接利用软件漏洞相比，窃取凭据的技术门槛更低、成功率更高，且一旦得手，攻击者便可借合法身份进入系统，规避大量基于边界的检测手段。然而，凭据窃取并非总能通过直接的暴力破解完成；在更为常见的场景中，攻击者倾向于构建仿冒登录页面，诱导用户在虚假站点输入账号与密码，即所谓钓鱼式凭据窃取。此类攻击不依赖系统漏洞，而依赖用户在身份验证环节的一次错误判断，其失效模式难以用常规补丁手段消除。
生成式人工智能的兴起正在加剧这一威胁。攻击者得以借助自动化工具批量生成形近仿冒域名与高拟真欺骗性登录门户，其制作成本趋近于零，迷惑性却显著提升；而此类恶意站点往往刻意规避传统安全过滤器的检测规则，在邮件网关、网址分类与信誉库均未收录的情况下进入用户视野。当凭据滥用在数据泄露成因中占据显著比例、且攻击手段随人工智能持续升级之时，传统 "事后过滤、规则匹配" 的检测范式面临根本性挑战，将防护关口前移至凭据输入环节成为亟待研究的课题。
本文以端点侧凭据窃取的智能检测与防护为研究对象，围绕三个相互关联的问题展开：其一，凭据窃取威胁如何被生成式人工智能放大，传统安全过滤为何失效；其二，端点侧的智能检测如何识别仿冒站点，其结构指标的技术原理何在；其三，在安全性与隐私性之间，零知识架构提供了怎样的平衡路径，用户自治与组织管控又如何协同。研究以浏览器扩展中嵌入的本地人工智能检测方案为分析样本，探讨其技术机理、隐私设计与治理意义，力图为应对人工智能驱动型凭据窃取威胁提供具有参考价值的分析框架。
2 凭据窃取威胁与检测盲区
2.1 凭据滥用与数据泄露的关联
凭据在网络安全中的双重属性，使其成为攻击者优先觊觎的对象。一方面，凭据是访问受保护资源的凭证，掌握合法凭据意味着可以绕过身份验证环节直接进入系统；另一方面，凭据本身具有高复用性，同一组账号密码常被用户在多个平台重复使用，单一凭据的泄露可能引发连锁性的账户沦陷。据 2026 年威瑞森数据泄露调查报告统计，凭据滥用参与其中的数据泄露占比接近四成，这一数据揭示了凭据在攻击链中的核心地位，也说明在端点层面遏制凭据的非法获取，对于降低整体数据泄露风险具有直接的现实意义。
凭据窃取的攻击方式呈现多元化特征。除直接的钓鱼诱导外，攻击者还会通过伪造的登录门户、嵌入仿冒表单的恶意站点、以及伪装成合法应用的界面收集用户输入。无论具体形式如何，其共同点在于：攻击的最终落点，是用户在某个仿冒交互界面中输入凭据的那一瞬间。这一特征意味着，若能在凭据输入之前对页面真实性作出有效判定，便可以从源头截断凭据窃取的攻击链。
2.2 生成式人工智能对登录仿冒的放大
生成式人工智能对凭据窃取类攻击的影响，集中体现在仿冒成本与迷惑性的双重改变上。在传统条件下，构建一个足以乱真的仿冒登录页面需要一定的开发能力与设计投入，仿冒域名的选择也受制于可用性与规避检测的考虑；而生成式工具能够快速生成与目标品牌高度一致的页面布局、视觉元素与交互流程，攻击者得以在极短时间内部署大量仿冒站点。更值得注意的是，此类站点往往针对特定品牌进行精细化仿冒，在域名、页面结构与输入字段上刻意贴近真实服务，从而显著提高用户的信任度与输入概率。
与此同时，生成式人工智能还帮助攻击者规避了传统检测的逻辑。传统安全过滤依赖规则库、信誉库与静态特征匹配，其前提是恶意站点具有可被预先识别的已知特征；而生成式技术能够持续产出变体，使站点在域名、托管位置与页面结构上不断变化，导致规则驱动的过滤器难以覆盖。正如报道所指出的，这些恶意网站往往能够绕过传统安全过滤器，在进入用户视野时仍未被识别，从而在端点层面留下检测空白。
2.3 传统安全过滤的失效机理
传统安全过滤的失效，根源于其检测位置与检测逻辑的结构性局限。从检测位置看，基于网络的过滤器部署在流量汇聚点，其视野受限于加密流量与端点差异 —— 在端到端加密普及的背景下，过滤器难以窥见加密载荷内的具体页面内容，对登录页面的真实性判定力不从心。从检测逻辑看，规则与信誉驱动的过滤器以 "已知恶意" 为前提，对前所未见的新注册域名、新部署仿冒页面缺乏识别能力，存在天然的滞后窗口。
更为根本的局限在于，传统过滤器通常面向 "整体网站信誉" 而非 "具体交互行为的风险"。一个正常站点可能在某个子页面或特定环节存在仿冒的登录输入，而整体信誉仍属良好；相反，恶意仿冒站点往往刻意伪装成合法服务的附属页面，仅凭域名与页面整体特征难以察觉。这种 "颗粒度不足" 的检测，决定了其在凭据窃取这一高度情境化的攻击面前难以胜任，防护关口必须向具备页面级、交互级判定能力的端点侧迁移。
3 端点侧的智能检测技术
3.1 检测关口由网络侧向端点侧的迁移
检测关口的迁移，是应对传统过滤失效的必然选择。端点即用户浏览器所在的设备，是凭据输入这一关键动作实际发生的场所；将检测能力部署于此，意味着防护可以在攻击链条的最终执行环节之前发挥作用，实现真正意义上的关口前置。相较于网络侧过滤，端点侧检测拥有更完整的页面视图 —— 它能够直接解析用户即将交互的网页内容、域名结构与输入表单，从而对登录请求的真实性作出更精细的判断。
这一迁移还带来了实时性的提升。网络侧过滤往往需要经过流量汇聚、规则匹配与决策反馈的多级流程，存在可感知的延迟；端点侧检测则可在用户键入凭据之前的极短时间内完成页面评估，将检测与决策置于交互的即时语境之中，从而在攻击造成实际损失之前予以拦截。正如报道所描述的，将智能检测嵌入浏览器扩展，正是为了在 "输入凭据之前" 这一时点发挥防护作用，实现对凭据窃取的源头阻断。
3.2 结构指标的识别原理
端点侧智能检测的核心，在于识别仿冒站点的结构特征。此类特征不依赖文本内容的语义判断，而是基于页面与域名的结构性信号，具有较高的鲁棒性与可解释性。其指标体系可归纳为三个维度。
其一，域仿冒。仿冒者常通过形近字符构造与目标品牌高度相似的域名，即所谓的拼写欺骗或域名仿冒；也可能将品牌名称托管于非官方域名之下，借助用户的惯性信任诱导输入。此类信号的可识别性，在于仿冒域名与真实域名之间存在可量化的结构差异 —— 无论是字符层面的形近替换、二级域名的偷换，还是注册域与品牌域的不一致，均可通过域名的规范化比对加以捕捉。
其二，混淆基础设施。攻击者倾向于将登录交互隐藏在异常的技术结构之中，例如在统一资源定位符内嵌入登录参数、使用可疑的互联网协议地址托管站点、或构造与正常页面迥异的链接结构。此类信号反映了攻击者规避检测的刻意痕迹，即便页面视觉呈现正常，其底层基础设施的异常仍构成识别的有效线索。
其三，欺骗性请求。仿冒站点的最终目的，是诱导用户在未经认证的交互界面中主动输入密码。当站点出于非官方来源或不可信环境，却积极请求用户输入口令字段时，其行为本身即构成高风险信号。这一维度的意义在于，将检测从 "页面看起来是否正常" 提升至 "该交互是否应当发生"，从而对精心伪装却仍越界请求凭据的站点实现有效甄别。
反网络钓鱼技术专家芦笛强调，上述结构指标的价值在于其 "不依赖语义判断" 的属性：攻击者可以伪造页面文案，却难以在大量站点上同时消除域名、基础设施与交互结构层面的异常痕迹；以结构特征为锚点的检测，因此具有更强的抗规避能力，也更便于向用户解释告警的成因。
3.3 本地机器学习与实时判定
端点侧检测的实现，依托部署于用户设备之上的本地机器学习模型。相较于云端集中式检测，本地化处理的优势体现在多个层面。其一，实时性：模型在本地运行，页面评估与判定无需依赖网络往返，能够在交互语境中即时完成，契合 "机器速度" 的防护要求。其二，覆盖性：即便用户在离线或网络受限环境下访问站点，本地模型仍能独立完成检测，不受云端服务的可用性制约。其三，隐私性：页面评估的全部过程在设备本地完成，无需将用户的浏览行为、站点访问记录或输入内容上传至第三方，从而避免了检测功能本身引入新的数据暴露风险。
本地模型通过持续评估访问页面的结构特征，生成对站点风险的综合判定；当识别到疑似仿冒或凭据窃取站点时，检测机制立即向用户发出告警。这一 "即时发现、即时判定、即时告警" 的链路，体现了端点侧检测相对于集中式过滤在时效与隐私上的综合优势，也为后续的人机协同决策奠定了基础。
4 零知识架构下的隐私保护
4.1 零知识的安全与隐私内涵
在端点侧引入智能检测的同时，如何保障用户数据不被检测机制本身收集与利用，构成一项核心的设计约束。零知识架构正是对这一约束的技术回应。其基本内涵在于，服务提供方在技术上无法访问、解密或以明文形式查看用户的数据，用户的密钥与敏感信息始终保留在用户设备之上，仅由用户持有与支配。在这一架构下，即便检测引擎在本地处理页面信息并作出风险判定，其处理过程也不涉及用户凭据的收集、传输或存储，从而在功能实现与数据保护之间划出清晰的边界。
就钓鱼防护这一具体场景而言，零知识架构的意义尤为突出。检测功能需要 "查看" 用户即将访问的页面以判定其真实性，这在技术上不可避免；但零知识架构确保这一 "查看" 仅发生在设备本地，且不涉及用户的实际输入内容与凭据数据。换言之，防护能力以本地化处理换取用户的数据主权，用户无需以牺牲隐私为代价获得安全保护，避免了 "为防钓鱼而引入新的数据风险" 的悖论。
4.2 本地化处理的隐私价值
从数据最小化的原则审视，本地化处理体现了对用户数据采集范围的严格收敛。集中式检测往往需要将站点访问信息、页面内容乃至用户行为特征回传至服务端进行分析，这在功能上是可行的，却也意味着服务提供方掌握了大量与用户浏览习惯相关的敏感数据，扩大了数据泄露与滥用的潜在面。而本地化处理将所有检测相关的分析限定在用户设备内部，服务端仅承担功能的分发与策略的管理，从而在源头上避免了海量用户行为数据的集中聚集，显著降低了隐私风险。
此外，本地化处理还赋予用户更强的自主掌控感。当检测与分析均在本机完成时，用户能够清晰理解其数据的流向与边界，不必担心自己的访问记录在不可见的环节被第三方获知。这一透明性对于建立用户对安全工具的信赖至关重要 —— 安全工具的使命本在于保护用户，若其运作方式本身令用户心存疑虑，反而会削弱其实际采用与持续使用。
4.3 安全性与隐私性的平衡路径
安全性与隐私性之间常被描绘为一种此消彼长的张力，但端点侧零知识检测的实践表明，二者可以通过架构设计的优化实现兼顾。其关键在于，将 "检测所需的信息" 与 "应当受保护的数据" 在逻辑与物理层面加以分离：检测引擎仅处理用于风险评估的结构性信号 —— 域名的形近程度、基础设施的异常、交互请求的性质 —— 而不触及用户凭据等高度敏感内容；且这一切均在本地方封闭环境中完成，既保证了检测的实时与完整，又维护了用户数据的私密性。据此，安全防护不必以牺牲隐私为代价，隐私保护也无需以削弱防护能力为前提。
据迪妙网络安全学院研究团队的分析，这一 "安全能力本地化、敏感数据不上行" 的设计取向，代表了身份安全产品应对隐私关切的一种可持续路径：当人工智能驱动的检测愈发依赖对用户行为的理解时，如何在功能深度与数据主权之间划定边界，将决定此类工具能否被用户与监管者广泛接纳。
5 人机协同与用户授权
5.1 即时告警与威胁明细
端点侧智能检测的价值，最终需要通过用户端的呈现与决策得以实现。当检测机制识别到疑似仿冒站点时，其第一时间向用户发出告警，并针对所识别的具体威胁模式提供明细说明 —— 是域名的形近仿冒、基础设施的混淆，还是欺骗性的凭据请求。这一 "明示威胁成因" 的设计，使告警并非仅仅给出 "该站点可疑" 的笼统结论，而是帮助用户理解其风险来自何处，从而既提升用户对告警的信任度，也反向强化用户的识别能力。
告警的即时性同样关键。检测须在用户输入凭据之前完成并呈现结果，方能在攻击造成实际损失前发挥作用；任何时滞都意味着用户可能已在未受警示的情况下交出了凭据。因此，告警机制在时效上须满足 "关口前置" 的要求，在内容上须兼顾信息充分与表达清晰，使用户在短暂交互中即可理解风险并作出决策。
5.2 用户选择权与授权机制
在告警之外，端点侧检测还须尊重用户的最终判断权。安全机制不应以剥夺用户控制权为代价，而应在提供充分信息的基础上，赋予用户选择的空间。当检测结果存疑或用户基于自身判断认为某站点可信时，其应有权在了解风险的前提下作出自己的决定 —— 或继续访问，或忽略告警，或对特定站点关闭防护。这种 "告警而非强制" 的设计，既避免了安全机制的误伤与过度干预，也维护了用户在安全决策中的主体地位，符合以用户为中心的防护理念。
值得注意的是，这类授权机制的引入并非对安全性的削弱，而是对检测准确性的现实考量。端点侧模型基于结构特征进行判定，难以保证在所有情况下绝对正确；赋予用户终局判断权，能够在模型误判时提供人工兜底，避免因过度阻断而损害正常业务或用户体验。在模型准确率与用户容忍度之间，授权机制提供了灵活的平衡空间。
5.3 组织集中管控与策略统一
在个人用户之外，组织场景下的端点防护还面临统一管控的需求。单一用户的本地设置难以满足组织对安全策略的集中治理要求，尤其当防护涉及关键资产与合规要求时，组织需要能够在统一层面启用、配置与监督端点侧的防护功能。通过管理控制台，组织管理员可以集中开启防护、制定策略、查看被拦截站点清单，并在必要时恢复访问或重新启用自动填充。这一集中管控能力，使端点侧的个体防护得以纳入组织的整体安全治理框架，实现 "个体防御" 与 "组织策略" 的有效衔接。
集中管控与用户自治并非相互排斥，而应形成层级化的协同：管理员负责设定组织层面的安全基线，用户在基线范围内保留适度的自主配置空间。这一设计既保证了组织防护的一致性与强制性，又兼顾了不同岗位、不同场景下的个性化需求，体现了端点防护在治理层面的灵活性。
6 防护体系的意义与演进
6.1 关口前置与数据最小化的双重价值
端点侧凭据窃取防护的引入，蕴含了安全设计理念上的双重推进。其一，关口的前置，将防护从 "攻击发生后的检测与响应" 前移至 "凭据输入前的预防与阻断"，从源头压缩了凭据被窃取的可能性；其二，数据的最小化，通过零知识架构与本地化处理，在获得检测能力的同时避免了新的数据暴露，实现了 "不因防护而扩大的攻击面"。二者共同指向一个基本原则：有效的安全防护应当在不牺牲用户体验与数据主权的前提下，尽可能在攻击链条的更早环节发挥作用。
从更宏观的视角看，这一设计契合了身份安全演进的总体方向。随着人工智能代理的普及与身份的日益重要化，身份正成为网络防御的核心攻击面；对凭据这一身份基石的端点级保护，因而具有超出单一功能的技术意义，构成了整体身份安全体系中的关键一环。
6.2 防御、治理与信任的协同
端点侧检测的技术价值，必须置于组织防御、隐私治理与用户信任的协同框架中加以评估。就防御而言，本地智能检测填补了传统过滤在端点侧、页面级的检测空白，形成了网络侧与端点侧相互补充的纵深；就治理而言，集中管控能力使端点防护得以纳入组织的统一安全策略，服务于合规与审计要求；就信任而言，零知识架构与用户授权机制消解了隐私顾虑，为安全工具的持续采用与推广提供了社会层面的前提。三者相互支撑，共同构成了端点防护有效落地的完整条件。
6.3 持续演进与对抗升级
需要指出的是，端点侧检测并非一劳永逸的解决方案，而是处于持续的攻防对抗之中。随着本地模型被部署并积累运行经验，攻击者亦将针对性地演化其仿冒手段，试图规避结构特征的识别。据此，端点检测体系应当保持持续的模型迭代与指标更新：一方面，通过运行中不断积累的站点样本优化模型的识别精度，降低误报与漏报；另一方面，针对新出现的仿冒手法及时补充检测维度，保持防线与威胁的同步演进。反网络钓鱼技术专家芦笛强调，在人工智能驱动的攻击升级背景下，任何静态的检测规则都注定过时，唯有将模型训练、运行反馈与威胁情报纳入常态化的更新闭环，方能维持端点防护在动态对抗中的有效性。
7 结论
本文以端点侧凭据窃取的智能检测与防护为研究对象，围绕威胁态势、技术机理、隐私设计与治理机制展开分析，得出以下结论。其一，凭据滥用占据数据泄露成因的显著比例，生成式人工智能降低了仿冒域名与欺骗性登录门户的制作成本，使凭据窃取类攻击的规模与迷惑性同步攀升，而传统网络侧过滤在检测位置与检测逻辑上的局限，使其难以识别高度仿冒的端点站点。其二，将智能检测嵌入凭据输入关口，借助域仿冒、混淆基础设施与欺骗性请求三类结构指标进行本地实时判定，能够在用户输入凭据之前识别仿冒站点，实现凭据窃取的源头阻断。其三，零知识架构与本地化处理在获得检测能力的同时避免了新的数据暴露，为安全性与隐私性之间提供了可行的平衡路径。其四，即时告警、威胁明细、用户自治与组织集中管控的协同，兼顾了个体判断与组织治理，使端点防护得以在真实场景中有效落地。
在上述分析的基础上，本文认为，端点侧零知识智能检测代表了应对人工智能驱动型钓鱼威胁的一条可行技术路径，其核心价值在于关口前置与数据最小化的结合：在攻击链条更早的环节、以不牺牲用户数据主权的方式阻断凭据窃取。面向未来，此类防护的持续有效有赖于检测模型的动态迭代、指标体系的不断丰富，以及防护功能与整体身份安全治理的深度融合。
编辑：芦笛 （公共互联网反网络钓鱼工作组）
来源：迪妙网络空间安全学院
