域名抢注与拼写错误检测

01 · 判定问题建模

对已注册变体域名 g，判定模型的输出为三级标签与置信度：

判定本质是多源证据的加权融合。以下按特征维度展开。

02 · 五维特征体系

2.1 字符串特征（生成阶段已可得）

• 归一化编辑相似度、键盘邻近替换占比、混淆字符命中数；
• combosquatting 关键词命中（"login/verify/secure/update"等高危词表加权）。

2.2 注册特征

• 注册时间距离"触发事件"的时延（事件驱动型抢注的强信号，见第6页 CrowdStrike 案例）；
• 同批注册模式：同一时段内同模板批量注册多个品牌变体（通过解析/证书聚集推断，注册人字段受限见第3页 §03）；
• 注册商/NS 服务商的滥用史信誉（bulletproof 服务商加权）。

2.3 解析特征

• A/AAAA 记录指向：是否与已知恶意 IP 段、秒换 IP（fast-flux 特征）重合；
• NS 记录：使用动态 DNS/免费 NS 服务商 vs 企业自用 NS；
• MX 记录：是否存在（邮箱钓鱼变体常配 MX）。

2.4 证书特征

• CT 日志中证书数量与 SAN 共现：单证书覆盖多个品牌变体 → 高置信恶意；
• 证书颁发时间与注册时间的时序（注册后数小时内签发证书 → 自动化流水线特征）。

2.5 内容与行为特征（采集成本最高，放最后）

• 页面截图与品牌官方页面的感知哈希（pHash）/SSIM 相似度（视觉克隆检测，与课题01"仿冒域名监测识别"方法衔接）；
• 页面表单/登录框存在性、品牌 Logo 资源引用、跳转链终点；
• HTTP 响应指纹：Web 服务器、建站工具（钓鱼工具包常留下特征指纹）。

03 · 加权评分与阈值策略

规则加权评分是可解释性最好的基线模型，建议作为所有 ML 模型的对照组：

score(g) = Σ w_i × f_i(g)
# 示例权重（须以标注集校准，初始经验值）：
#   指向已知恶意IP段        +0.40
#   命中高危关键词(verify等) +0.20
#   注册时间在事件窗口内    +0.15
#   证书SAN覆盖多品牌变体   +0.25
#   品牌方NS/防御性注册特征 -0.50
# 阈值：score ≥ 0.60 → 恶意；0.30–0.60 → 可疑；< 0.30 → 良性

• 一票否决项：命中社区确认情报（PhishTank/URLhaus）或品牌方官方防御性注册清单，直接定级，不再走评分。
• 阈值校准：按品牌分组校准——金融品牌阈值从严（误报代价高），通用品牌阈值从宽（漏报代价高）；校准周期随标注集扩大滚动更新。

04 · 机器学习方法的适用边界

学术与工业界在恶意域名检测上广泛采用逻辑回归、随机森林、XGBoost 等模型，以及字符级 CNN/LSTM 做域名"语义"分类。本课题的立场：ML 作为评分模型的增强层，而非替代层，理由：

• 样本偏差风险：公开标注集（如社区情报命中）严重偏向"已作恶"域名，训练出的模型对"刚注册的休眠变体"外推能力弱；
• 可解释性要求：处置与争议解决流程要求给出可复核证据链（第8页），黑盒分数不能直接作为处置依据；
• 对抗漂移：攻击者行为模式快速演化，ML 模型需持续再训练与监控（第7页）。

工程建议：以规则评分为基线，用 ML 输出作为附加特征进入融合层；模型上线前在固定测试集上与规则基线对比 Precision/Recall，不优于基线则不上线。

05 · 评估指标体系与标注集构建

5.1 指标

• Precision（精确率）：预警中真恶意比例——决定安全团队的告警负担；
• Recall（召回率）：真实恶意变体被捕捉比例——决定防护覆盖；
• F1 与 PR 曲线下面积（AUPRC）：类别极不平衡下的主指标（恶意占比常 <5%）；
• 分品牌/分错误类型分层报告：防止高流量品牌掩盖长尾品牌的系统性漏报。

5.2 标注集构建规范

• 正样本：社区情报确认 + 人工复核网页证据，双确认入库；
• 负样本：品牌方防御性注册清单（向品牌方征集）、抽样人工标注的停放页/投资域名；
• 双人标注+仲裁：歧义样本（跳转链未落地等）经仲裁流程定级为"可疑"；
• 版本化：标注集随判定标准演进版本化，模型评估报告必须注明所用标注集版本与时间点。

06 · 中文场景特殊混淆模式

照搬英文算法会使中文互联网品牌产生系统性盲区，本课题专项覆盖：

处理方式：拼音音节规则表替代 Soundex；形近汉字表（基于 Unicode 字形数据库的笔画/结构相似度）替代拉丁混淆对表；全角字符在规范化阶段统一转半角。

07 · 误报控制专项

• 防御性注册白名单：品牌方官方持有的变体（含其注册商代理持有）入库白名单，须向品牌方定期征集更新；
• 停放页识别：停靠服务商的 NS/页脚指纹库，命中即降权（学术方法见 Vissers et al., "Parking Sensors: Analyzing and Detecting Parked Domains", NDSS 2015）；
• 灰度发布：阈值调整先在 1–2 个品牌灰度运行一周，对比告警量与确认率后再全量；
• 反馈闭环：安全团队对每条预警的处理结论（确认/误报）回流为新的标注数据，驱动权重校准——这是误报率长期收敛的关键机制。

本节参考来源（第4页）