rootdrifter/mirage

# mirage 这是一篇达到学位论文水平的研究，旨在评估前沿的大语言模型 (LLM) 是否能够超越模式匹配，进而对驱动社会工程学成功的心理机制进行因果推理。核心问题是：一个 LLM 能否不仅标记出钓鱼信息，还能解释它*为什么*会奏效？ ## 概述 社会工程学攻击 —— 钓鱼邮件、短信钓鱼、电话钓鱼 —— 之所以能够成功，是因为它们利用了认知启发法，而不是软件漏洞。现有的检测系统将电子邮件建模为无序的特征集合，标记词汇异常和黑名单匹配，同时忽略了促使收件人顺从的因果驱动因素 —— 紧迫感、权威性、信任。Verizon 的 2024 年度数据泄露调查报告 (DBIR) 发现，在 68% 的已确认数据泄露事件中都存在人为因素。这项研究融合了两种很少被结合在一起的分析传统： 1. **因果图发现** —— 使用四种算法的集成从真实的钓鱼数据中自动构建有向无环图 (DAG)，并通过 DoWhy 反驳测试进行验证。 2. **结构化 LLM 询问** —— 针对这些相同的图谱，对四个前沿模型进行系统探测，以衡量它们的解释在多大程度上能复现已验证的因果结构。 这种双路径设计产生了一个具体的基准：不是评估模型能否检测钓鱼信息，而是评估它们对信息*为什么*具有说服力的推理是否与统计学推断出的真实基准相匹配。这种区别对于可审计、可解释的安全工具至关重要。 ## 威胁模型与目标 **攻击者的行为：** 社会工程学活动利用心理结构 —— 紧迫感、权威性、信任 —— 来抑制深思熟虑并提高点击率。活动会轮换语义（用“最后通知”代替“紧急”），以击败静态特征权重，迫使检测器去追逐词汇标记，而不是底层的操纵机制。 **防御缺口：** 当前的 ML 过滤器过度拟合了相关性模式。一个学到“URGENT”与钓鱼相关的检测器，当攻击者改用“时间敏感”或转向语音时就会失效。因果推理 —— 识别*什么导致*了顺从，而不是什么与之同时出现 —— 能够产生经受得住对抗性改写的防御措施。 **研究目标：** - O1：生成混合 DAG，捕捉钓鱼邮件、短信钓鱼和电话钓鱼数据集中五个行为结构之间的因果关系。 - O2：使用与五个结构对齐的 36 个结构化 prompt，针对这些 DAG 对 GPT-4、Claude 3 Sonnet、Gemini 2.5 Pro 和 DeepSeek-67B 进行基准测试。 - O3：量化模型在因果推理方面的优势、劣势和失败模式。 - O4：明确当前 LLM 适用于因果信息检测 pipeline 的场景，以及在哪些场景下仍需进行微调或使用混合 Graph-LLM 集成。 ## 方法论 ### 数据集 评估了三个数据集，每个数据集都映射到相同的五结构 schema，以便分数的差异反映的是推理技能而不是 schema 不匹配： | 渠道 | 原始行数 | 清洗后行数 | 恶意比例 % | 特征 | |-------------------|----------|--------------|-------------|----------| | 电子邮件钓鱼 | 88,647 | 59,788 | 31.15% | 10 | | 短信钓鱼 | 67,008 | 67,008 | 39.07% | 10 | | 合成电话钓鱼 | 60,000 | 60,000 | 30.00% | 10 | 钓鱼邮件语料库 (Vrbančič, Fister and Podgorelec, 2020) 提供了主要的基准。 短信钓鱼数据集 (Salman, Ikram and Kaafar, 2024) 涵盖了经过规避优化的 SMS。电话钓鱼模拟是使用条件变分自编码器 (CVAE) 合成的，保留了潜在因果支架，同时去除了特定渠道的表面伪影。 所有记录均已匿名化。没有要求任何模型生成实时钓鱼内容 —— prompt 仅引用了行为结构。 ### 特征到结构的映射 技术指标被转化为五个植根于社会工程学心理学的行为结构： | 结构 | 代表性技术特征 | |--------------|----------------------------------------------------------------| | 混淆 | 缩短的 URL，重定向数量，解析的 IP 数量 | | 信任 | URL 在 Google 索引中，TLS-SSL 认证，域名在 Google 索引中 | | 权威性 | 嵌入在 URL 中的电子邮件地址 | | 欺骗 | 域名激活时间（域名年龄） | | 紧迫性 | 网站响应时间 | 结构分数计算为贡献特征值的归一化平均值 (`C_j = (1/|S_j|) Σ f_i m_ij`)，并提供 z-score 和总和变体以供敏感性检查。 ### 图 Pipeline —— 混合 DAG 构建 四种因果发现算法独立处理每个数据集： - **GES** (贪婪等价搜索) —— 基于得分，处理高维稀疏数据 - **PC-Algorithm** (Peter–Clark) —— 基于约束，条件独立性测试 (α = 0.05) - **Bayesian Networks** —— 概率性，在噪声条件下进行推理 - **DeepNOTEARS** —— 梯度下降结构学习，捕捉非线性关系 (L1 = 0.01) 这些图被合并为两个混合集成：**GES ∪ BN** 和 **PC ∪ DeepNOTEARS**。双向和语义上荒谬的边被修剪；在行为学上有根据的冲突边被保留。所有中间图的迭代都被存储以用于回滚和比较。 跨数据集 DAG 稳健性结果： | 渠道 | GES-BN | PC-DNT | DoWhy 结果 | 备注 | |---------|--------|--------|--------------|------------------------| | 邮件 | Pass | Pass | Success | 完全一致 | | 语音 | Pass | Pass | Success | 边分歧 | | 短信 | Pass | Fail | Partial | NOTEARS 无环性失败 | ### DoWhy 验证 每个结构→结果的边都进入了 DoWhy 的四阶段 pipeline：陈述假设，识别估计量，使用二项式 GLM 进行估计，以及通过稳健性检查进行反驳。反驳方法包括 n = 500 次 Monte-Carlo 安慰剂置换、随机共同原因注入和 bootstrap 子集测试。安慰剂运行中的最小经验 p 值：p ≈ 0.002。 所有五个结构均通过： | 结构 | β (对数几率) | 安慰剂 p | 随机共同原因 p | 子集 p | 结论 | |--------------|--------------|-----------|-----------|----------|---------| | 混淆 | 0.116 | 0.002 | 0.92 | 0.92 | Pass | | 信任 | 0.273 | 0.002 | 0.84 | 0.92 | Pass | | 紧迫性 | −0.067 | 0.002 | 1.00 | 0.96 | Pass | | 欺骗 | −0.177 | 0.002 | 0.68 | 0.95 | Pass | | 权威性 | −0.441 | 0.002 | 0.94 | 0.98 | Pass | 经过验证的混合 DAG 作为所有后续 LLM 评分的真实基准。 ### 验证后的 DAG 中的显著因果链 ``` Urgency → Deception → Phishing Trust → Obfuscation → Phishing Authority → Deception → Phishing ``` 欺骗在所有发现方法中都表现为一个汇聚中介变量。混淆起到了技术放大器的作用 —— 它是操纵的推手，而不是发起者。 ### LLM Pipeline —— 结构化 prompt 评估 选择了四个前沿模型，以涵盖不同的指令微调风格和参数规模： **GPT-4**、**Claude 3 Sonnet**、**Gemini 2.5 Pro**、**DeepSeek-67B**。 模型接收了分布在五个推理类别中的 36 个结构化 JSON prompt： | prompt 类别 | 实例数 | 比例 | |------------------|-----------|------------| | 概率 | 6 | 16.7% | | 条件 | 6 | 16.7% | | 影响排序 | 6 | 16.7% | | 逆向推理 | 6 | 16.7% | | 固定 prompt | 12 | 33.3% | 固定 prompt 针对直接的边识别、多步因果链推理和结构排序。逆向 prompt 测试了模型能否在结构反转或缺失的情况下进行推理 —— 这是最严苛的对抗性条件。 每个响应都在五个同等权重的维度上进行评分： - **意识** —— 明确将结构命名为具有因果关系 - **深度** —— 解释超越相关性，深入到心理机制 - **结构** —— 因果链连贯且无环 - **方向性** —— 当 prompt 颠倒原因/结果时，箭头保持正确 - **泛化性** —— 当特征漂移或渠道改变时，推理依然成立 综合得分：`S_LLM = Σ(w_i × d_i)`，等权重 (w_i = 0.2)。 DeepSeek-67B 在两个 RunPod H100 SXM GPU pod 上进行评估（80 GB VRAM，16 vCPU，125 GB RAM）， 使用固定的采样参数（temperature 0.70，top-p 0.95，max tokens 1024）。所有其他模型均通过各自的 Web 界面进行查询，并采用确定性/低温预设。 ### 评分者间信度 评分信度通过双向随机组内相关系数 ICC(2,1) 评估，该系数是在两个评分波次、四名评分者和五个评分维度中计算得出的： **ICC(2,1) = 0.98 (95% CI ≈ 0.94–0.99)** —— 被归类为“几乎完全一致” (Shrout and Fleiss, 1979)。 各维度的 ICC 值范围从 0.89（方向性）到 0.97（结构）。 ## 结果与发现 ### 各模型的 DAG 对齐度 | 模型 | 对齐度 (/20) | 保真度 (/60) | DAG 对齐度 % | S_LLM (/5) | |-----------------|-----------------|----------------|-----------------|------------| | GPT-4 | 18.5 | 58.0 | **94.2%** | **4.60** | | Claude 3 Sonnet | 16.0 | 56.5 | **85.7%** | **4.14** | | Gemini 2.5 Pro | 14.0 | 45.5 | 72.3% | 3.45 | | DeepSeek-67B | 10.0 | 34.5 | 53.0% | 2.44 | GPT-4 获得了最高的综合得分 (4.60/5)，重现了 94.2% 的专家验证图的边，并在反事实 prompt 下保持连贯性。Claude 3 Sonnet 紧随其后，得分为 4.14/5。 ### 维度细分 (S_LLM 组件) | 模型 | 意识 | 深度 | 结构 | 方向性 | 泛化性 | |-----------------|-----------|-------|-----------|----------------|-----------------| | GPT-4 | 5.00 | 4.67 | 4.58 | 4.50 | 4.25 | | Claude 3 Sonnet | 4.83 | 4.58 | 3.92 | 4.00 | 3.38 | | Gemini 2.5 Pro | 4.00 | 3.58 | 3.67 | 3.50 | 2.50 | | DeepSeek-67B | 3.08 | 2.67 | 2.33 | 2.50 | 1.62 | ### 结构层面的解释保真度 | 结构 | GPT-4 (A/D) | Claude (A/D) | Gemini (A/D) | DeepSeek (A/D) | |--------------|-------------|--------------|--------------|----------------| | 欺骗 | 5.0 / 5.0 | 5.0 / 5.0 | 5.0 / 4.5 | 4.0 / 3.5 | | 紧迫性 | 5.0 / 5.0 | 5.0 / 5.0 | 4.5 / 4.0 | 3.0 / 3.0 | | 混淆 | 5.0 / 4.5 | 5.0 / 5.0 | 3.5 / 3.5 | 3.5 / 2.5 | | 权威性 | 5.0 / 4.5 | 5.0 / 4.5 | 3.5 / 3.5 | 2.5 / 2.5 | | 信任 | 5.0 / 4.5 | 4.5 / 4.0 | 4.0 / 3.0 | 2.5 / 2.5 | | 因果性 | 5.0 / 4.5 | 4.5 / 4.0 | 3.5 / 3.0 | 3.0 / 2.0 | *A = 意识 (0–5)，D = 深度 (0–5)* ### 特定模型的失败模式 **GPT-4** 产生了最稳健且内部最一致的因果结构，准确识别了中介节点，并表现出对结构相互作用的深刻理解。在链构建、排序任务和逆向推理方面表现卓越。它是唯一能够持续尝试进行真正因果解释而非相关性描述的模型。 **Claude 3 Sonnet** 在欺骗和紧迫性方面表现强劲，在多步链中取得了中等程度的成功。在比较任务中偶尔缺乏更深的抽象能力，但保持了较高的逻辑一致性。当推理需要将结构连接成更长的因果序列时，表现稍显逊色。 **Gemini 2.5 Pro** 表现出一致的结构识别能力，但解释深度有所降低。响应通常是描述性的，而不是推断性的 —— 尤其是在排序和因果解释任务中。在逆向方向和缺失结构的 prompt 中表现挣扎。 **DeepSeek-67B** 表现出基本的意识，但在推理深度方面表现不佳。对信任和紧迫性的排序错误；将信任线索视为保护性的，而不是可利用的；未能映射出关键的间接因果链。尽管其参数规模庞大，但在对抗性 prompt 转折下，响应变得不那么稳定。 ### 跨数据集压力测试 核心因果边 —— 紧迫性 → 欺骗 和 信任 → 权威性 —— 在电子邮件和语音数据集中经受住了扰动，支持了 Pearl (2009) 的标准，即真正的因果关系应该在表面扰动中存活下来。 当特征漂移到合成的电话钓鱼集时，顶级模型的深度得分最多下降了 0.42 分，揭示了在现实世界跨渠道迁移中的脆弱性。错误分类集中在低深度结构（信任、混淆）上，进一步证实了因果深度和对齐存在部分关联。 ### 核心发现 当前的前沿 LLM 能够检测社会工程学中的表面模式，并重现粗略的因果结构，但在多跳因果链和逆向推理方面始终表现吃力。在受控条件下，GPT-4 的因果流利度接近人类水平；基准测试中处于底部的模型则退回到基于相关性的解释，这在对抗性改写下会失效。所有模型都存在的意识得分和深度得分之间的差距表明，结构识别是可靠的因果防御的必要但不充分条件。 ## 对抗性规避 —— 为什么因果检测能抵御它 这是整个项目的实际回报，表述得足够通俗易懂，适合非专业人士理解。一个**相关性**检测器 —— 本质上是每一个主流的钓鱼过滤器 —— 是从*当今*钓鱼信息的*表面*进行学习的：比如“URGENT”一词、特定的发件人格式、某种链接形状、某条主题行。它在攻击者改变这些表面特征之前一直有效，而攻击者*可以*改变它们。一个能够访问该检测器（或其副本）的对手会发送一个又一个变体，观察哪些变体的得分低于阻断阈值，并保留那些能蒙混过关的改动。这是一种廉价的爬山攻击 (hill-climbing attack)。 将“URGENT”替换为“时间敏感”，重构发件人行，重塑 URL —— 该信息在人类身上依然起作用，但过滤器不再识别它。表面恰恰是攻击者所控制的，因此依赖于表面的检测器，攻击者就可以通过调整来绕过它。 **因果**检测器的构建方式不同。它不是学习*钓鱼看起来是什么样*，而是学习*是什么导致钓鱼成功*：即使收件人顺从的底层机制 —— 紧迫感、权威性、信任、欺骗。下面这句话解释了它的稳健性： 如果攻击者为了规避因果检测器而剥离了紧迫感、权威性和欺骗，他们也就去除了驱使收件人采取行动的杠杆 —— 因此也就没有留下任何成功的钓鱼信息可供捕获了。能够击败相关性过滤器的规避手段（对表面进行改写）恰恰是因果检测器对其免疫的规避手段，因为它根本就不看表面。这就是 Pearl 标准在运营层面的体现：真正的因果关系能够在表面扰动中存活下来 —— 而在跨渠道压力测试中，核心边（紧迫性→欺骗，信任→权威性）从电子邮件一直转移到合成语音时，**确实**存活了下来。 因此，研究问题不是“因果检测是否是一个好主意”，而是“当今的 LLM 是否真的能够进行它所需的因果推理”。基准测试给出了诚实的回答：**GPT-4 重现了 94.2%** 的已验证因果结构，并在反转的 prompt 下表现出色；而最弱的模型（**DeepSeek-67B, 53.0%**）则退回到了相关性描述 —— 这意味着，如果将其部署为检测器，它将完全以上述方式被规避。因果稳健性仅与实现它的推理器一样强大，而衡量这一差距正是本研究贡献所在。 ## 从研究到部署 —— SOC 实际上将如何使用它 上面关于规避抗性的论述是“为什么”。这里是“怎么做” —— 从研究 DAG 到在生产电子邮件网关上运行的富化层的路径。它被刻意设定为检测工程的工作，而不是一篇论文。 1. **在*你自己的*基准上构建因果图，而不是公开的语料库。** 这里经过验证的 DAG 是在公开的钓鱼数据上发现的；在部署中，组织应在其**自己**确认的钓鱼邮件和确认的合法邮件上重新运行发现 pipeline。这些结构（紧迫感、权威性、信任、欺骗、混淆）具有普适性；但*边强度*应根据 SOC 实际防御的流量重新进行估算，以便模型能反映出该组织真实的对手情况。 2. **在带有历史标记的邮件上训练 DoWhy 估计器。** 使用 SOC 的裁定历史（分析师处置结果、沙盒结果、用户报告）作为真实基准。DoWhy 的反驳测试（安慰剂/随机共同原因）成为一道*部署关卡*：在本地数据上未能通过反驳的边不能发布。 3. **作为富化层部署，绝不作为唯一的阻断决策。** 模型位于现有网关之后，作为一个富化阶段：每条信息都会获得一个**因果置信度得分**以及触发的具体结构（例如“高权威性 + 紧迫性，以欺骗为中介”）。它是对现有的相关性过滤器的补充，而不是替代 —— 这是纵深防御，并且它会故障开放至现有的控制机制。 4. **让告警具有解释性，而不是非黑即白。** 分析师看到的不再是“垃圾邮件：是/否”，而是信息拉动了*哪些因果杠杆*。这是分类级别的上下文：一条在持久因果结构上得分很高的信息，即使其表面看起来很新颖，也值得关注 —— 这正是相关性过滤器会漏掉的情况。可解释性还能缩短 MTTD/MTTR，并为审计轨迹提供支持。 5. **在闭环中根据分析师的反馈进行微调。** 每位分析师的处置结果都会作为标签反馈回来；定期重新估算边强度并重新运行反驳。因为该模型依赖的是因果结构而不是表面 token，所以这个循环的漂移速度远远慢于关键字/相关性模型 —— 重新训练是一种修正，而不是表面检测器所需要的那种不断的追赶。 **为什么这很难被探测。** 相关性过滤器可以通过对手发送测试变体并观察得分来反向工程（即上一节的爬山攻击）。因果富化层暴露给这种探测的信息要少得多：得分反映的是*攻击者必须保留才能使钓鱼奏效的机制*，因此那种廉价的“不断改写直到通过”的循环就不再奏效了。部署继承了研究的特性 —— 表面扰动不会改变因果得分。 **坦诚的部署警告。** 这是一个富化和优先级排序层，而不是银弹：它增加了延迟和模型依赖，步骤 1 中的本地重新发现需要足够的历史标记记录（这里再次适用 [规模论证](#dataset-scale--what-88647-records-buys)），而且推理质量受限于实现它的模型 —— 一个弱的推理器会退化到相关性行为，这正是结果中 GPT-4 对比 DeepSeek-67B 的差距所量化的内容。 **与检测实验室的联系。** 这是在 *watchtower* Wazuh SIEM 家庭实验室中实际动手应用的相同准则：思考一种技术*为什么*奏效，从而为它编写检测规则。基于表面指标（特定的字符串、hash 值、IP 地址）的相关性规则，相当于上述脆弱钓鱼过滤器的 SIEM 版本 —— 对手很容易规避。持久的检测依赖于攻击者在不放弃攻击的情况下无法移除的*机制* —— 这是实际运用中的 Pyramid of Pain。这里的因果思维和那里的检测工程是指向两个问题的同一项技能。 ## 数据集规模 —— 88,647 条记录带来了什么 主要的语料库是 **88,647 封原始钓鱼电子邮件**（清洗后为 59,788 封），另外还有 67,008 条短信钓鱼记录和 60,000 条合成电话钓鱼记录。在这里，规模不是为了虚荣；它是使统计声明站得住脚的基础。 - **稳定的估计和紧凑的区间。** 每个渠道都有数以万计的记录，结构→结果的影响规模（DoWhy 表中的对数几率 β）精确到足以被信任并*经受反驳*。信度上限说明了这一点：ICC(2,1) = 0.98，95% CI ≈ 0.94–0.99 —— 只有大量且一致的样本才能产生如此窄的区间。 - **检测微弱和逆向影响的能力。** 几个结构是通过*负面*或间接的对数几率起作用的（权威性 β = −0.441，紧迫性 β = −0.067）。如此微妙的影响在几百个样本的噪声中就会消失；在这个规模下，它们足够稳定，以至于所有五个结构都在 p ≈ 0.002 的水平上通过了安慰剂测试（每个 n = 500 次 Monte-Carlo 置换）。 - **稳健的结构发现。** 因果发现算法（GES、PC、Bayesian Networks、DeepNOTEARS）非常消耗数据 —— 稀疏的数据会产生不稳定且相互矛盾的图。允许将边*合并*为经验证的混合 DAG 的跨方法共识，只能从大量且具有代表性的样本中出现。 - **有意义的保留测试集。** 规模使得合成电话钓鱼的跨渠道压力测试具有意义 —— 事实表明，因果边能够在渠道转换中存活下来，而不是一个小数据集产生的伪影。 **较小的数据集会漏掉什么。** 如果只有几百封电子邮件，该 pipeline 很可能只会浮现出一两个最明显的相关性（“URGENT” ≈ 钓鱼）然后停止 —— 这正是本项目旨在超越的那种脆弱的、基于相关性的信号。微妙的中介变量（欺骗作为汇聚中介；混淆作为技术*放大器*，而不是发起者）、负系数结构以及跨渠道的稳健性，都需要 88,647 条记录所提供的统计功效。正是规模将“一个关于钓鱼的似是而非的故事”转变成了“一个经过反驳的、可重现的因果模型”。 *（诚实声明：88,647 是原始语料库；清洗后保留了 59,788 条记录。两者同时报告，以免夸大规模声明。）* ## 局限性与未来工作 知识分子的诚实强化了结果；这些是真正的局限。 - **人工评分。** S_LLM 维度是由多名评分者根据固定的评分标准进行评估的。ICC(2,1) = 0.98 表明评分高度一致，但基于评分标准的“深度”和“泛化性”评分保留了不可简化的主观判断成分。 - **模型版本控制 / 可重复性。** 四个模型中的三个（GPT-4、Claude 3 Sonnet、Gemini 2.5 Pro）是通过它们的 Web 界面查询的，而不是固定的 API 快照；只有 DeepSeek-67B 是在受控硬件上运行的。前沿模型会在其名称之下不断更新，因此这些分数是**该代模型的快照**，而不是永久可重现的常数。 - **结构→特征的映射是一种建模选择。** 诸如 *紧迫性 ≈ 网站响应时间* 或 *欺骗 ≈ 域名年龄* 之类的代理是合理的操作化，而不是真实基准；不同的映射可能会改变边权重。 - **合成电话钓鱼。** 语音渠道是通过 CVAE 生成的，旨在保留潜在的因果支架，而无需处理真实的个人语音数据（这是一个刻意的隐私选择）。因此，它是一个关于电话钓鱼结构的模型，而不是捕获的真实世界电话钓鱼，那里的 -0.42 深度下降可能部分这一点。 - **一张较弱的图。** 短信钓鱼的 DAG 仅得到了部分验证（PC ∪ DeepNOTEARS 未能通过 NOTEARS 无环性检查），因此跨渠道的声明最坚实的依据还是电子邮件和语音图谱。 - **探测集大小。** 跨越四个模型的 36 个结构化 prompt 是一个有针对性的探测，而不是穷尽的探测；更大的 prompt 库和更多的模型会使结论更严密。 - **是可行性，而非部署。** 这项工作对 LLM 是否能够进行稳健检测器所需的因果推理进行了*基准测试*（目标 O4）。它**没有**发布实时的因果信息检测器；构建并对其进行红队测试是未来的工作。 **后续研究应该：** 通过固定的 API 快照固定模型版本；扩大 prompt 库和模型集；根据人工标记的真实基准验证结构→特征的映射；在真实（非合成）电话钓鱼上进行测试；并构建一个实际的因果信息检测器，以实证**衡量**规避抗性 —— 从而将上述论点从合理的推论转变为红队测试的结果。 ## 展示的技能 | 技能领域 | 证据 | |-----------------------------|---------------------------------------------------------------------------------| | 因果推断 | 通过 GES、PC、Bayesian Networks、DeepNOTEARS 构建 Hybrid DAG | | 统计验证 | DoWhy 四阶段反驳 pipeline；n=500 次 Monte-Carlo 安慰剂测试 | | ML 安全研究 | 将因果方法应用于 88,647 条记录的真实钓鱼语料库 | | LLM 评估 | 设计并执行了跨四个前沿模型的 36 个 prompt 结构化评估| | 定量分析 | SLLM 综合评分，ICC 评分者间信度，重加权敏感性分析 | | 威胁建模 | 将技术指标映射到心理操纵结构 | | 对抗稳健性 | 阐明了为什么因果结构能够抵御击败相关性过滤器的表面改写 | | 跨渠道泛化 | 测试了在电子邮件、短信和语音攻击面上的稳健性 | | 实验设计 | 将图发现与 LLM 解释保真度分离开来的双路径框架 | | 研究交流 | 学位论文级别的写作；具有明确评分维度的结构化评分标准 | | Python / 数据工程 | YAML 驱动的模块化 pipeline；可重现的 HPC 执行；DAG 版本控制 | *这是 [rootdrifter](https://github.com/rootdrifter) 安全作品集的一部分 —— 由拥有安全许可的候选人构建和维护。目前已持有英国签发的安全许可，而非正在等待审查：从第一天起即可部署到需要安全许可的工作中。*

标签：DLL 劫持, 人工智能, 可解释AI, 因果推断, 大语言模型, 用户模式Hook绕过, 社会工程学检测, 逆向工具, 钓鱼攻击分析