PhishFusion
PhishFusion — تشخیص چندوجهی فیشینگ — تشخیص فیشینگ چندوجهی از URL و اسنپشات HTML با چهار شاخه مدل و fusion کالیبرهشده.
Interactive Sample Demoبرای مدیر: نتیجه کسبوکار
اسکنر URL بهتنهایی کمپینهای صفحه جعلی و برند را از دست میداد؛ false positive روی دامنههای جدید بالا بود.
چهار شاخه (tabular، Char-CNN، Transformer، Visual) با late fusion کالیبره؛ ROC-AUC حدود ۰.۹۹ روی holdout گروهی.
- ROC-AUC ≥ ۰.۹۹ (synthetic group-split)
- Macro F1 ≥ ۰.۹۵
- ECE < ۰.۱۲
- ~۲۰۰ ms inference CPU
«قبل از کلیک کاربر، صفحه جعلی درگاه پرداخت با توضیح SHAP مشخص میشود — نه فقط امتیاز سیاهجعبه.»
مستندات عمومی
چه میکند؟
PhishFusion یکی از محصولات پورتفولیوی هوش مصنوعی آریا اِیآی است که برای تصمیمگیری عملیاتی سازمانهای ایرانی و بینالمللی طراحی شده. نسخه عمومی روی Hugging Face یک دموی نمونه است؛ نسخه تولید با یکپارچهسازی داده، SSO و audit trail استقرار مییابد.
مخاطب غیرفنی میتواند KPI قبل/بعد، کاربرد صنعت و مسیر پایلوت را ببیند؛ مخاطب فنی pipeline، متریک قابل بازتولید و لینک Space/Model/Dataset را دنبال میکند.
درخواست پایلوت از طریق فرم تماس سایت با ذکر علاقه به PhishFusion ثبت میشود تا محدوده داده، قیود و معیار موفقیت مشخص گردد.
چه کسی از آن استفاده میکند؟
مدیران عملیات، CISO، برنامهریزان تولید، لجستیک، مالی و تیمهای مهندسی که باید تصمیم را هم برای هیئتمدیره و هم برای اجرای فنی توضیح دهند.
خروجی دمو «نمونه تعاملی» است؛ آپلود زنده فایل سازمانی روی Space عمومی توصیه نمیشود.
کاربرد در صنایع
بانک، بیمه و فینتک
کاهش ریسک تقلب، فیشینگ و نفوذ در کانالهای دیجیتال و تسریع triage SOC. پوشش فیشینگ برند، درگاه جعلی و صفحات کپیشده در بانک و تجارت الکترونیک.
نفت، گاز و انرژی
پایش تهدید IT/OT، اولویتبندی آسیبپذیری و پاسخ حادثه در تأسیسات حیاتی.
مخابرات و مراکز داده
طبقهبندی ترافیک، شکار تهدید و کاهش alert fatigue در شبکه بزرگ.
دولت و زیرساخت حیاتی
همبستگی IOC، پوشش MITRE و گزارشدهی برای تیمهای SOC ملی و سازمانی.
بهداشت و درمان
محافظت از داده بیمار، ایمیل و endpoint بدون افشای PII در دمو عمومی.
خردهفروشی و تجارت الکترونیک
تشخیص کمپین فیشینگ، بدافزار و سوءاستفاده از وب/اپلیکیشن فروش.
برای مهندس: Pipeline و معماری
URL + HTML snapshot → tabular / Char-CNN / Transformer / Visual CNN → calibrated late fusion → SHAP → verdict
معماری مرجع: URL + HTML snapshot → tabular / Char-CNN / Transformer / Visual CNN → calibrated late fusion → SHAP → verdict. اجزا روی CPU قابل اجرا هستند تا دمو و استقرار اولیه بدون GPU اجباری باشد.
خروجیها شامل امتیاز/برنامه، توضیحپذیری و ردپای تصمیم برای بازبینی انسانی است. آموزش و ارزیابی از corpus مستند پروژه پیروی میکند.
برای تولید: Docker، متغیر محیطی، و اتصال به سامانه موجود (ERP، SIEM، WMS، APS) طبق معماری هر repo انجام میشود.
پشته فنی
- Python
- scikit-learn
- LightGBM / PyTorch
- FastAPI
- Gradio
- Docker
متریکهای قابل بازتولید
| بنچمارک | جزئیات | نتیجه |
|---|---|---|
| ROC-AUC | campaign group-split 600 test | ≥ 0.99 |
| PR-AUC | phishing vs benign | ≥ 0.99 |
| Macro F1 | balanced | ≥ 0.95 |
| Latency | CPU multimodal | ~200 ms |
سوالات پرتکرار
PhishFusion چیست و چه مسئلهای را حل میکند؟
تشخیص فیشینگ چندوجهی از URL و اسنپشات HTML با چهار شاخه مدل و fusion کالیبرهشده.
آیا میتوان داده واقعی سازمان را در دمو عمومی وارد کرد؟
خیر. دمو عمومی برای نمونههای ازپیشمحاسبهشده یا داده ترکیبی است. داده production باید در استقرار on-prem یا VPC با کنترل دسترسی وارد شود.
آیا این محصول جایگزین سامانه فعلی میشود؟
تحلیل دفاعی روی اسنپشات پاکسازیشده است؛ کرال زنده بدافزار یا اجرای payload انجام نمیشود.
متریکهای صفحه از کجا آمدهاند؟
از README و eval_results هر پروژه روی Hugging Face / repo داخلی؛ اعداد بنچمارک ترکیبی را با داده سازمان خود در پایلوت بازسنجی کنید.
لینکهای Hugging Face
مدل مرتبط
درخواست پایلوت
برای استقرار on-prem، یکپارچهسازی با سامانههای موجود یا fine-tune روی داده سازمان خود تماس بگیرید.