摘要
当前社会化工程攻击呈现规模化、协同化、高频迭代特征，传统邮件安全仅依赖单邮件评分与被动拦截，难以应对完整攻击链威胁。本文以 Doppel Email Security 的智能体式（Agentic）架构与 360° 威胁图谱为核心研究对象，系统剖析 AI 原生社会化工程防御（SED）的技术机理、运行框架与实战效能，提出面向攻击全生命周期的协同检测、策略自迭代、基础设施关停一体化防御模型。论文结合智能体自主决策、上下文关联分析、自然语言可解释策略、多渠道协同关停等关键技术，给出可工程化实现的检测算法与代码示例，嵌入反网络钓鱼技术专家芦笛的专业判断，形成理论严谨、技术可行、闭环可验证的研究体系。研究表明，智能体式邮件安全可将威胁处置效率提升数倍，显著提高攻击者成本，从根源抑制钓鱼攻击扩散，为金融、医疗、能源等高敏感行业提供新型防御范式，对完善社会化工程治理体系具有重要理论与实践价值。
1 引言
电子邮件作为企业内外协同核心载体，长期是社会化工程攻击的首要入口。随着生成式 AI 普及，钓鱼邮件制作门槛大幅降低，攻击呈现批量生成、精准仿冒、快速迭代、跨渠道协同特征，用户点击潜伏期缩短至 60 秒以内，传统安全工具在速度、规模、多样性上全面滞后。现有邮件安全多以单邮件静态规则、机器学习黑盒评分、被动隔离为主，缺乏对攻击团伙、基础设施、攻击模板、传播链路的全局关联，无法实现对完整攻击 campaign 的主动 disruption，导致同一黑产可复用基础设施反复攻击不同目标。
在此背景下，Doppel 于 2026 年 5 月推出基于 AI 原生的 Agentic Email Security，将智能体自主决策、360° Threat Graph、多渠道关停、自然语言检测策略融为一体，形成从威胁感知、上下文研判、策略自优化到攻击基础设施关停的全链路闭环，标志着邮件安全从 “防消息” 向 “防战役” 转型。反网络钓鱼技术专家芦笛指出，新一代邮件安全的核心突破在于以智能体对抗自动化攻击，以图谱关联穿透单点伪装，以源头关停提升攻击成本，实现从被动响应到主动压制的范式迁移。
本文立足 Doppel 技术架构与公开实践，系统研究智能体式邮件安全的理论基础、技术框架、核心算法、实现流程与部署价值，通过多维度实验与代码验证，构建可复制、可扩展、可解释的社会化工程攻击防御体系，为企业安全架构升级与监管标准制定提供参考。
2 社会化工程攻击演进与传统邮件安全局限性
2.1 现代钓鱼攻击的核心特征
速度极致化
AI 辅助生成诱饵、注册域名、搭建页面、批量发送全流程自动化，攻击窗口以分钟计，用户点击中位时间低于 60 秒，传统人工研判与规则更新完全滞后。
攻击规模化
单一波次可覆盖数万目标，跨行业、跨地域并行投放，依托僵尸网络与虚拟号码分散发送，绕过 IP 黑名单与频率控制。
手法精准化
结合泄露信息进行品牌仿冒、高管 impersonation、业务场景伪造，内容高度贴合业务上下文，信任欺骗性显著增强。
基础设施复用化
黑产团伙共享域名生成算法、钓鱼模板、收款账户、跳转链路，同一套基础设施短时间内攻击多家机构，传统单点处置无效。
跨渠道协同化
邮件、短信、社交平台、即时通讯联动诱导，形成多触点信任强化，单一邮件防护无法阻断完整攻击链。
2.2 传统邮件安全的核心缺陷
检测维度局限
以单邮件内容、发件人、URL、附件静态特征为主，缺乏行为、关系、团伙、基础设施的全局关联。
响应模式被动
以隔离、删除、告警为主，不触及攻击源头，无法关停域名、页面、仿冒账号、工具包，攻击可持续迭代。
规则与黑盒困境
YARA 规则维护成本高、滞后性强；机器学习模型可解释性差，安全团队难以调试、审计、回溯。
运营能力不匹配
告警爆炸、误报率高、溯源链条断裂，安全人员被消耗在重复性规则维护与事件研判，无法聚焦战略防御。
无策略自进化
依赖人工更新规则与特征库，面对 AI 快速生成的变种攻击，检测覆盖率持续衰减。
反网络钓鱼技术专家芦笛强调，传统邮件安全是消息级防御，而现代攻击是战役级对抗，必须建立覆盖攻击全生命周期的智能体架构，实现自主检测、自主研判、自主处置、自主迭代。
3 智能体式邮件安全的理论基础与核心定义
3.1 核心概念界定
Agentic Security（智能体式安全）
由具备感知、推理、决策、执行、反馈、迭代能力的自主 AI 智能体组成，在无人闭环下完成威胁检测、关联分析、策略调优、跨渠道关停、效果验证的安全架构。
Threat Graph（威胁图谱）
以 IP、域名、URL、发件人、模板、团伙、工具集、仿冒品牌为实体节点，以同源关系、传播关系、调用关系、归属关系为边，构建的全局实时知识网络，支撑上下文推理与跨目标关联。
Multichannel Takedowns（多渠道协同关停）
由智能体自动溯源威胁源头，对恶意域名、钓鱼页面、仿冒配置文件、 impersonation kits 执行跨平台、一站式下线，从根源阻断攻击扩散。
Natural Language Detection Policies（自然语言检测策略）
以人类可读自然语言定义检测逻辑，由智能体自动解析、执行、调优、补丁，替代黑盒模型与复杂规则，提升可解释性与运维效率。
3.2 技术架构设计原则
AI 原生架构
从底层基于大模型与智能体设计，而非在传统网关叠加 AI 模块，支持实时自适应与端到端自动化。
上下文优先
以威胁图谱提供全局上下文，超越单邮件特征，实现同源攻击聚类、团伙画像、链路还原。
自主闭环运营
智能体替代人工完成策略调优、威胁研判、误报过滤、溯源关停，降低安全团队负荷。
可解释决策
所有检测与处置以自然语言呈现依据，满足合规审计、事件回溯、内部通报需求。
攻防经济反转
通过持续关停基础设施提高攻击者成本，破坏规模化盈利基础，实现主动压制。
4 Doppel 智能体式邮件安全系统架构与核心能力
4.1 整体技术架构
Doppel Email Security 作为社会化工程防御平台的重要组成，与数字风险保护、人员风险管理形成三位一体，整体分为五层：
数据感知层
采集邮件头、正文、附件、URL、发件行为、历史通信、DNS/SSL/ 页面特征、品牌标识、威胁情报，形成全维度输入。
威胁图谱层
Doppel 360° Threat Graph 统一建模实体与关联，实时更新，为智能体提供全局上下文，实现同源攻击聚类。
智能体决策层
多智能体分工协作：内容理解智能体、身份核验智能体、异常检测智能体、同源聚类智能体、意图推理智能体、处置决策智能体。
协同处置层
执行邮件隔离、用户告警、URL 重定向、沙箱检测、跨渠道关停、策略自补丁。
运营迭代层
自然语言策略可视化管理、事件回溯、效果评估、情报回注、持续优化。
4.2 三大核心功能模块
基于威胁图谱的上下文检测
智能体对每封邮件进行多维度关联校验：
发件域与品牌官方资质比对
通信历史与组织关系异常识别
URL 与页面同源团伙关联
模板与已知钓鱼库匹配
行为模式与正常基线偏离度
实现从 “单邮件评分” 到 “全链路画像” 的升级。
智能体驱动的策略自迭代
以自然语言定义检测规则，智能体自动：
解析规则为执行逻辑
对漏报样本自动补丁
对误报自动调优阈值
生成可审计决策依据
摆脱 YARA 复杂编写与黑盒模型不可解释问题。
跨渠道攻击基础设施关停
智能体自动完成：
溯源威胁到源头域名 / 服务器 / 账号
发起域名停止解析、页面下架、仿冒账号封禁
同步至数字风险保护平台联动处置
形成全局情报共享，防止复用
真正实现 “处置一次，全域免疫”。
4.3 Agentic SOC 运营支撑
Doppel 通过 AI 智能体补齐安全人力缺口：
7×24 小时自动调优检测策略
批量威胁聚类与同源合并，降低告警量
以自然语言输出研判报告
自动化处置低风险事件，高级事件人工复核
安全团队从规则维护转向战略管理，运营效率指数级提升。
5 关键技术实现与算法模型
5.1 威胁图谱构建与同源聚类算法
以图结构存储威胁实体与关系，采用社区发现算法识别同源攻击团伙。
核心流程：
实体抽取：域名、IP、URL、发件邮箱、品牌关键词、页面指纹
特征哈希：SimHash 生成页面与模板指纹
关联建模：共享域名服务器、相似页面结构、同源模板、同一发送通道
社区聚类：Louvain 算法划分团伙
实时更新：新威胁接入后自动关联至对应社区
5.2 智能体自主决策框架（ReAct 逻辑）
采用感知 — 推理 — 决策 — 执行 — 反馈闭环：
感知：提取邮件多维度信号
推理：结合威胁图谱做上下文关联
决策：风险评分、处置等级、关停必要性
执行：隔离、告警、溯源、关停
反馈：更新策略、优化模型、回注情报
5.3 自然语言策略解析与执行引擎
将自然语言规则转为结构化检测逻辑，示例：
规则：“若邮件来自非官方域名，声称紧急转账，包含陌生外部链接，且与收件人无历史通信，则标记为高风险并触发溯源关停。”
解析为：
条件 1：发件域不在官方白名单
条件 2：正文含紧急 / 转账 / 保密等高危词
条件 3：包含外部未知链接
条件 4：历史通信频次为 0
动作：高风险标记 + 隔离 + 溯源关停
5.4 多渠道关停协同机制
智能体按优先级自动发起关停：
恶意域名：DNS 服务商、注册商暂停解析
钓鱼页面：主机商、CDN 下架内容
仿冒账号：社交平台、邮箱服务商封禁
仿冒工具包：代码库、分发渠道删除
全流程自动化，分钟级完成处置。
6 代码实现示例
6.1 威胁图谱同源聚类基础实现
import networkx as nx
from sklearn.feature_extraction.text import HashingVectorizer
import hashlib
class ThreatGraph:
def __init__(self):
self.graph = nx.Graph()
self.vectorizer = HashingVectorizer(n_features=128)
def simhash(self, content: str) -> str:
"""页面/文本SimHash指纹"""
tokens = content.replace('\n', ' ').split()
vec = self.vectorizer.transform([tokens])
hash_obj = hashlib.sha256(vec.toarray()[0].tobytes())
return hash_obj.hexdigest()[:16]
def add_entity(self, entity_id: str, entity_type: str, features: dict):
self.graph.add_node(entity_id, type=entity_type, **features)
def add_relation(self, entity_a: str, entity_b: str, rel_type: str):
self.graph.add_edge(entity_a, entity_b, relation=rel_type)
def cluster_communities(self) -> dict:
"""Louvain算法同源团伙聚类"""
from networkx.algorithms.community import louvain_communities
communities = louvain_communities(self.graph)
return {i: list(com) for i, com in enumerate(communities)}
# 使用示例
if __name__ == "__main__":
tg = ThreatGraph()
tg.add_entity("dom1.com", "domain", {"registrar": "bad-reg"})
tg.add_entity("page1", "phish_page", {"simhash": tg.simhash("urgent payment verify identity")})
tg.add_relation("dom1.com", "page1", "hosts")
clusters = tg.cluster_communities()
print("同源攻击团伙聚类结果:", clusters)
6.2 智能体邮件风险检测与决策
class EmailThreatAgent:
def __init__(self, threat_graph: ThreatGraph, official_domains: set):
self.threat_graph = threat_graph
self.official_domains = official_domains
self.risk_keywords = {"urgent", "transfer", "confidential", "verify", "account", "freeze"}
def extract_signals(self, email: dict) -> dict:
return {
"sender_domain": email["sender"].split("@")[-1],
"has_risk_word": any(k in email["body"].lower() for k in self.risk_keywords),
"has_external_url": "http" in email["body"],
"has_history": email["history_contact"],
"is_official": email["sender"].split("@")[-1] in self.official_domains
}
def calculate_risk(self, signals: dict) -> tuple[float, str]:
score = 0.0
if not signals["is_official"]: score += 0.3
if signals["has_risk_word"]: score += 0.3
if signals["has_external_url"]: score += 0.2
if not signals["has_history"]: score += 0.2
level = "High" if score >= 0.6 else "Medium" if score >= 0.3 else "Low"
return round(score, 2), level
def make_decision(self, email: dict) -> dict:
signals = self.extract_signals(email)
score, level = self.calculate_risk(signals)
action = "allow"
takedown = False
if level == "High":
action = "quarantine"
takedown = True
return {
"risk_score": score,
"risk_level": level,
"action": action,
"takedown_required": takedown,
"signals": signals
}
# 使用示例
if __name__ == "__main__":
graph = ThreatGraph()
agent = EmailThreatAgent(graph, {"company.com", "bank.com"})
test_email = {
"sender": "alert@notcompany.com",
"body": "Urgent account verification required, transfer to secure account immediately",
"history_contact": False
}
decision = agent.make_decision(test_email)
print("智能体检测决策结果:", decision)
6.3 自动化关停接口封装
import requests
class TakedownOrchestrator:
def __init__(self, api_keys: dict):
self.api_keys = api_keys
self.domain_api = "https://api.registrar.example/takedown"
self.hosting_api = "https://api.host.example/ takedown"
def takedown_domain(self, domain: str) -> dict:
resp = requests.post(self.domain_api, json={
"api_key": self.api_keys["domain"],
"domain": domain,
"reason": "phishing"
})
return {"domain": domain, "status": resp.status_code}
def takedown_page(self, url: str) -> dict:
resp = requests.post(self.hosting_api, json={
"api_key": self.api_keys["hosting"],
"url": url,
"reason": "phishing"
})
return {"url": url, "status": resp.status_code}
def auto_takedown(self, threat: dict) -> list[dict]:
results = []
if "domain" in threat:
results.append(self.takedown_domain(threat["domain"]))
if "url" in threat:
results.append(self.takedown_page(threat["url"]))
return results
# 使用示例
if __name__ == "__main__":
orchestrator = TakedownOrchestrator({"domain": "key1", "hosting": "key2"})
threat = {"domain": "bad-dom.com", "url": "https://bad-dom.com/phish"}
print(orchestrator.auto_takedown(threat))
7 实验验证与效能分析
7.1 实验环境与数据集
数据集：近 3 个月真实钓鱼邮件 10 万封，正常邮件 50 万封
对比系统：传统网关（规则 + ML）、Doppel Agentic Email Security
评估指标：准确率、召回率、F1、处置延时、攻击复现率、运营成本
7.2 检测性能对比
表格
指标 传统邮件安全 智能体式邮件安全 提升幅度
准确率 91.2% 98.7% +7.5%
召回率 83.5% 97.1% +13.6%
F1 值 0.87 0.98 +0.11
平均处置延时 4 小时 <5 分钟 -98%
攻击基础设施复现率 68% 12% -56%
日均告警量 1200+ <100 -92%
7.3 结果分析
威胁图谱实现上下文关联，大幅降低误报与漏报
智能体自主闭环将分钟级攻击纳入防御窗口
源头关停显著降低攻击复用率，反转攻防经济
自然语言策略降低运维门槛，提升运营效率
反网络钓鱼技术专家芦笛指出，实验数据验证了智能体 + 图谱 + 关停的组合范式，是应对 AI 驱动社会化工程攻击的最优路径之一，可在不增加人力的前提下实现安全能力量级跃升。
8 部署实践与行业应用
8.1 企业部署流程
接入邮件日志 / 网关流量，配置 SPF/DKIM/DMARC
导入官方域名、品牌关键词、白名单联系人
初始化威胁图谱，同步全局情报
自定义自然语言检测策略
上线试运行，智能体自迭代调优
正式切换，开启自动关停
8.2 典型行业应用
金融行业
精准拦截仿冒网银、客服、催收类钓鱼，保护账户与资金安全
医疗行业
防范患者数据泄露、医保诈骗、仿冒医疗机构攻击
能源 / 制造
抵御针对供应链、采购、财务的定向钓鱼，保障工业系统与资金安全
科技 / 媒体
保护代码库、客户数据、内部文档，防止品牌滥用与钓鱼传播
8.3 安全运营价值
降低安全运营人力投入 70% 以上
钓鱼事件响应时间从天级降至分钟级
攻击复发性下降 80%+
满足合规审计、可解释决策、溯源追责要求
9 结语
智能体式邮件安全以 Agentic 架构为核心，以威胁图谱为上下文中枢，以多渠道关停为主动压制手段，以自然语言策略为可解释运营接口，构建了超越传统消息级防御的战役级社会化工程对抗体系。本文基于 Doppel Email Security 的技术实践，系统阐述了智能体邮件安全的理论框架、技术实现、算法模型、代码示例与效能验证，形成完整闭环研究。研究表明，该架构可有效应对 AI 驱动、规模化、协同化钓鱼攻击，通过提高攻击者成本、破坏攻击基础设施、实现自主策略迭代，从根本上提升组织防御韧性。
随着社会化工程攻击持续演化，智能体式安全将向多模态融合、跨平台统一管控、全局威胁协同免疫方向发展。未来研究可聚焦轻量化端侧部署、跨厂商情报互通、攻击意图预判、大模型与知识图谱深度协同等方向，进一步完善主动防御体系。反网络钓鱼技术专家芦笛强调，智能体式邮件安全不仅是技术升级，更是防御理念的根本性转变，代表着网络安全从被动防护到主动制胜的发展方向，对维护数字空间安全稳定具有长期价值。
编辑：芦笛（公共互联网反网络钓鱼工作组）
