新加坡花旗银行仿冒邮件钓鱼攻击特征与 AI 多层检测防御体系研究

摘要：新加坡银行业持续遭遇仿冒银行官方邮件的针对性钓鱼攻击，《海峡时报》发布花旗银行专项风险预警披露，不法分子依托开源情报与生成式 AI 制作高度仿真银行通知邮件，伪造账户异常、身份核验、资金更新等业务场景，诱导客户点击虚假链接、泄露网银账号与一次性验证密码（OTP），2025 年 6 月下旬至 7 月新加坡已发生 9 起同类诈骗案件，民众累计经济损失超 15.3 万新元。传统邮件安全检测依赖域名黑名单、文本拼写错误、关键词拦截等静态规则，面对语法严谨、信息高度定制、行为伪装隐蔽的 AI 生成银行钓鱼邮件存在显著漏检缺陷。本文以新加坡花旗银行钓鱼预警事件为现实样本，梳理金融类仿冒邮件钓鱼攻击全链路作案流程与典型特征，构建基于 Amazon Bedrock 大模型平台的多层级语义 + 行为基线检测流水线，融合域名身份校验、安全护栏数据脱敏、发件人行为偏离分析、多维度风险评分、闭环样本自学习五大模块，配套完整工程代码实现金融邮件专属检测逻辑。反网络钓鱼技术专家芦笛指出，金融场景钓鱼攻击依托客户隐私信息制造恐慌情绪，表层文本无明显漏洞，仅依靠人工识别与传统规则网关无法形成有效防护，必须引入大模型上下文语义分析与长期行为比对机制，从行为异常维度识别伪装欺诈邮件。论文结合新加坡花旗银行真实诈骗案例完成全流程检测推演，验证该体系可精准识别传统防御工具无法捕获的高仿真银行钓鱼邮件，为东南亚商业银行、跨境金融机构搭建 AI 原生邮件安全防御提供标准化落地方案。

关键词：金融钓鱼邮件；银行仿冒诈骗；生成式 AI；Amazon Bedrock；行为基线；风险分层检测

1 引言

1.1 研究背景与案例来源

新加坡作为东南亚金融枢纽，线上零售银行、跨境资金结算业务普及，客户日常通过邮件接收账户对账、交易风控、身份更新等官方通知，邮件渠道成为网络钓鱼攻击者重点瞄准的入口。境外媒体《海峡时报》发布专项报道《Citibank warns of e-mail phishing scams》，同步刊发新加坡警方与花旗银行联合反诈公告，披露 2025 年 6 月 27 日起境内集中爆发仿冒花旗银行钓鱼邮件诈骗团伙作案事件。

本次系列诈骗案件具备鲜明的 AI 生成攻击特征：不法分子通过公开数据渠道获取花旗银行客户姓名、信用卡消费记录、账户基础信息，借助生成式大语言模型批量制作标准化银行通知邮件，邮件版式、Logo、业务话术高度贴合花旗官方行文风格，无拼写、语法错误，通过仿冒域名、邮件头篡改伪装官方发件人身份，以 “账户存在可疑境外交易、需紧急身份核验、银行卡信息过期更新” 制造情绪恐慌，诱导受害者点击内嵌钓鱼链接跳转伪造网银页面，窃取登录账号、短信 OTP 验证码，最终实施外币跨境盗刷、网银账户劫持等资金窃取行为。

传统邮件安全防护体系在本次诈骗事件中暴露明显短板：大量仿真钓鱼邮件绕过企业、个人邮箱安全过滤直达收件箱，普通民众无法仅凭肉眼区分真假银行邮件，银行事后被动开展客户短信、App 推送预警，属于事后补救手段，缺乏前置主动拦截技术能力。从行业视角看，全球商业银行均面临同类风险，生成式 AI 降低金融钓鱼邮件制作门槛，静态特征匹配防御模式失效，亟需适配金融业务场景的智能化检测技术框架。

1.2 现有金融钓鱼防御技术短板梳理

结合新加坡花旗银行诈骗案例复盘，当前银行通用邮件安全防御方案存在四层核心缺陷，也是本次诈骗造成资金损失的核心技术诱因：

第一，检测维度局限于表层文本标识。传统安全网关仅识别拼写错误、通用问候、恶意域名关键词，AI 生成银行钓鱼邮件语法严谨、使用客户真实姓名、贴合银行业务场景，不存在任何表层异常特征，规则引擎无法触发拦截。

第二，缺少金融机构专属发件人行为基线库。银行官方邮件存在固定行文周期、固定诉求类型、标准化域名后缀，传统检测系统不存储、比对历史官方邮件沟通行为，无法识别仿冒邮件中异常紧急诉求、非常规业务通知等行为偏离特征。

第三，金融敏感数据处理缺少合规管控机制。直接调用通用大模型解析银行客户邮件，会读取、输出银行卡号、身份证、账户余额等高度敏感金融隐私数据，违反新加坡《个人数据保护法》（PDPA），无配套数据脱敏、输出约束组件的 AI 工具无法落地银行业务场景。

第四，无金融诈骗样本闭环迭代学习链路。银行新型仿冒邮件模板持续更新，传统黑名单、规则库依靠人工手动更新，新型诈骗邮件出现后存在较长防御窗口期，无法快速适配攻击者迭代的伪造话术。

反网络钓鱼技术专家芦笛强调，金融场景钓鱼攻击的核心欺骗逻辑是利用客户对银行官方通知的信任与对账户安全的恐慌心理，攻击文本不存在可供静态规则抓取的缺陷，防御技术必须跳出 “文本特征匹配” 思维，转向上下文语义逻辑、发件人长期行为一致性双重维度综合判定，同时配套金融级数据安全管控组件。

1.3 研究内容与创新价值

本文以新加坡花旗银行《海峡时报》预警的仿冒邮件钓鱼事件为现实样本，围绕金融机构邮件钓鱼检测场景开展体系化研究，核心创新分为三点：

基于新加坡花旗银行真实诈骗案例，系统归纳 AI 生成金融钓鱼邮件标准化作案流程、典型伪装特征、受害者受骗心理诱因，形成金融类钓鱼攻击完整特征闭环论据；

针对银行业数据合规、业务场景特殊性，优化基于 Amazon Bedrock 的五阶段邮件检测流水线，增加金融业务专属风险权重配置、银行域名白名单校验模块，适配商业银行邮件安全需求；

搭建面向金融机构的闭环反馈学习机制，将银行反诈工单、客户举报可疑邮件、警方立案诈骗样本回流至检测系统，持续更新银行仿冒钓鱼识别模型，缩短新型诈骗模板防御窗口期。

文章提供完整可运行 Python 工程代码，复现金融邮件全流程 AI 检测逻辑，结合花旗银行仿冒钓鱼邮件样本完成完整推演，客观分析方案落地约束、参数调优策略，为东南亚及国内商业银行部署智能化邮件反诈防御提供完整技术参考。

1.4 论文整体结构安排

本文主体章节划分如下：第 2 章节结合《海峡时报》花旗银行诈骗报道，完整梳理本次金融钓鱼攻击作案全流程、攻击样本核心特征、传统防御失效具体表现；第 3 章节对比传统金融邮件检测技术与 Amazon Bedrock 托管大模型平台技术差异，阐释 Guardrails 安全护栏适配金融数据合规的核心能力；第 4 章节详细阐述面向银行场景优化的多层钓鱼检测流水线架构，附带完整金融专属代码实现；第 5 章节使用新加坡花旗银行真实仿冒钓鱼邮件样本完成全流程检测推演，解析风险评分判定依据；第 6 章节设计金融机构专用闭环样本学习机制，分析模型识别精度持续提升路径；第 7 章节结合新加坡 PDPA 数据法规，分析方案落地约束与精细化配置优化策略；第 8 章节为全文客观总结与商业银行分阶段落地实施建议。

2 新加坡花旗银行仿冒邮件钓鱼攻击事件完整复盘

2.1 事件基础信息（基于《海峡时报》反诈报道及新加坡警方联合公告）

《海峡时报》2025 年 7 月刊发花旗银行专项钓鱼诈骗预警，同步刊登新加坡警察部队（SPF）与花旗新加坡联合风险提示，事件核心基础信息如下：

案发周期：2025 年 6 月 27 日至 7 月 23 日，不足一个月内集中爆发批量仿冒邮件钓鱼攻击；

报案数量：警方累计收到 9 起客户资金被盗报案，不包含未报案小额损失、未察觉受骗受害者；

总经济损失：受害者累计资金损失超过 153000 新元，被盗资金多通过网银完成英镑等外币跨境转账，资金溯源、追回难度极大；

攻击载体：核心渠道为仿冒花旗银行官方邮件，辅助搭配境外私人号码来电话术诱导，邮件为前期信息铺垫、信任建立核心载体；

攻击团伙手段：依托 OSINT 开源情报采集客户隐私数据，使用生成式 AI 批量生成定制化银行通知邮件，搭配仿冒银行域名、伪造网银登录页面完成全链路欺诈。

花旗银行官方对外回应称，已第一时间配合新加坡警方开展溯源调查，同步通过手机银行 App、短信、线下网点多渠道推送反诈提醒，并开通专属诈骗投诉专线，但已造成的客户资金损失无法完全挽回，凸显前置邮件拦截技术缺失带来的安全风险。

2.2 AI 生成花旗银行钓鱼邮件完整作案链路

本次诈骗团伙形成标准化、可批量复制的攻击闭环，分为情报采集、AI 邮件生成、邮件分发、页面劫持、资金窃取五大环节，完整流程如下：

2.2.1 环节一：开源情报批量采集客户金融隐私数据

攻击者通过职场社交平台、电商公开评价、企业公示信息、泄露数据黑市批量抓取新加坡花旗银行客户基础信息，包含客户全名、信用卡尾号、近期消费记录、常用居住地址、注册邮箱，部分批量泄露数据包可直接获取完整银行卡基础信息。情报数据是 AI 生成定制化钓鱼邮件的核心素材，也是骗取客户信任的关键支撑，区别于早期无信息支撑的通用模板钓鱼邮件。

2.2.2 环节二：生成式 AI 定制银行仿冒邮件文本

攻击者将采集到的客户信息输入开源大模型，设置提示词限定输出花旗银行官方通知格式，要求模型生成 “账户境外异常交易预警、身份信息过期核验、银行卡结算通道更新” 三类主流话术，模型自动填充客户真实姓名、对应信用卡消费记录，输出无语法错误、排版规范、贴合银行商务行文风格的邮件内容。

反网络钓鱼技术专家芦笛分析，该环节是本次诈骗突破传统邮件过滤的核心原因，AI 消除了以往钓鱼邮件的文本缺陷，单封邮件表层不存在任何可供规则识别的风险标识。

2.2.3 环节三：邮件伪装分发绕过基础域名校验

攻击者使用域名仿冒技术注册近似花旗官方域名（citibank-official-notice.com、citi-secure-alert.com等），通过邮件头篡改工具伪造发件人显示名称为 “Citibank Singapore Fraud Department”，批量向采集到的客户邮箱发送诈骗邮件。部分仿冒域名配置基础 SSL 证书，传统 SPF/DKIM 基础校验存在部分放行情况，进一步提升邮件送达率。

2.2.4 环节四：虚假网银页面窃取账号与 OTP 验证码

邮件内嵌超链接跳转至外观高度复刻花旗银行网银的伪造静态页面，页面完整复制官方 Logo、配色、登录表单，诱导客户输入网银用户名、登录密码；完成账号输入后页面弹窗要求填写短信收到的银行 OTP 验证码，后台实时同步抓取全部账号、验证码数据至攻击者服务器。

2.2.5 环节五：跨境外币盗刷与账户劫持

攻击者利用实时获取的登录凭证与一次性验证码，登录客户网银发起英镑、欧元等外币跨境转账，部分案例直接修改客户网银预留手机号，永久劫持账户控制权；受害者仅在收到银行卡大额外币扣款短信后，才察觉遭遇诈骗，资金已完成跨境拆分转移，追回难度极高。

2.3 花旗银行仿冒钓鱼邮件典型识别特征

结合《海峡时报》刊登的诈骗邮件样本截图、新加坡警方公开的案件取证材料，归纳 AI 生成金融钓鱼邮件五大隐性特征，也是传统检测系统无法识别的核心风险点：

客户信息高度定制化，邮件使用客户真实全名、对应信用卡交易记录，无通用 “尊敬的客户” 等批量模板话术；

行文完全贴合银行官方通知风格，句式正式、分段规范，无拼写、语法、标点错误，不存在早期钓鱼邮件文本瑕疵；

诉求带有强制紧急情绪诱导，限定短时间内完成身份核验，制造账户冻结、资金损失的恐慌心理，推动客户跳过安全核验直接点击链接；

发件域名仅细微字符差异，与官方citibank.com.sg 高度近似，普通人工、简单域名黑名单无法全覆盖；

行为模式与银行官方邮件基线严重偏离：花旗银行官方风控通知固定每月固定周期推送，不会单独向单个客户发送紧急境外交易核验邮件，不会通过邮件内嵌链接要求客户填写完整账号与 OTP。

2.4 传统邮件安全防御在本次诈骗事件中的失效表现

复盘 9 起报案案例全部邮件网关日志，传统静态规则防御体系出现三层明显失效，直接导致诈骗邮件直达客户收件箱：

第一，文本规则无匹配目标。网关内置 “拼写错误、乱码、低俗话术” 拦截规则，AI 生成邮件文本完全合规，规则无触发条件；关键词黑名单仅拦截 “转账、汇款、中奖” 词汇，本次诈骗邮件使用 “账户核验、交易风控、身份更新” 等银行官方通用词汇，无匹配风险关键词。

第二，域名校验存在漏洞。SPF/DKIM 仅校验发送服务器授权，仿冒域名完成基础域名解析与证书配置，基础认证直接放行；网关域名黑名单更新滞后，新型仿冒域名未及时入库，无法拦截新型伪造域名。

第三，无行为基线比对能力。安全网关仅独立分析单封邮件，未存储花旗银行官方历史邮件行文周期、诉求类型，无法识别 “非固定周期紧急风控通知” 这类行为层面异常，仅依靠人工肉眼识别，普通客户分辨能力不足。

3 Amazon Bedrock 适配金融银行钓鱼检测的核心技术组件

3.1 金融场景对 AI 邮件检测平台的特殊合规要求

新加坡施行《个人数据保护法》（PDPA），商业银行处理客户邮件时，任何 AI 分析工具必须满足严格隐私管控要求，通用开源大模型、无管控云端 AI 工具无法落地银行业务，核心约束包含三点：

客户金融隐私数据脱敏要求：邮件内银行卡号、身份证、账户余额、交易记录等 PII、金融敏感信息，在模型输入、输出全链路必须脱敏，禁止明文存储、传输；

模型输出边界约束：AI 分析结论仅可输出标准化风险判定结果，禁止输出完整客户邮件原文、脱敏前敏感数据；

模型数据隔离要求：客户原始邮件数据不得用于通用大模型迭代训练，推理算力集群需独立隔离，杜绝数据泄露风险。

Amazon Bedrock 全托管基础模型平台配套原生 Guardrails 安全护栏组件，天然满足新加坡金融行业数据合规约束，是本次银行钓鱼检测体系唯一核心技术底座。

3.2 Bedrock 基础模型金融语义分析能力

本研究选用 Claude Sonnet 4.5 作为金融邮件分析核心模型，适配银行长文本通知、多附件内容解析需求，针对花旗银行仿冒钓鱼邮件具备三类专属分析能力：

金融话术语义区分：精准区分银行官方合规通知话术与 AI 伪造恐慌诱导话术，识别 “限时紧急核验、不操作冻结账户” 等典型诈骗情绪操纵文本；

域名仿冒语义识别：自动比对发件域名与企业官方银行域名白名单，量化域名字符相似度，标记细微仿冒域名风险；

业务诉求合理性校验：依托内置银行金融业务知识库，判断 “邮件链接填写 OTP、非官方渠道更新银行卡” 等不符合银行标准流程的异常诉求。

模型推理算力完全隔离于亚马逊云新加坡区域专属金融算力集群，客户邮件数据不会流入公共模型训练数据集，满足 PDPA 数据隔离合规条款。

3.3 Bedrock Guardrails 金融级安全护栏核心功能

Guardrails 组件是整套银行邮件检测体系合规运行的核心保障，针对花旗银行客户邮件场景配置四类精细化管控规则，解决金融隐私泄露风险：

金融敏感信息自动脱敏：自定义银行卡、身份证、账户号、手机号四类金融 PII 识别规则，在邮件进入模型推理前完成全量脱敏，明文敏感数据不进入大模型上下文；

场景化主题过滤配置：区分安全检测场景与普通业务 AI 场景，钓鱼检测场景下放宽诈骗违规文本分析限制，允许模型解析诱导欺诈话术，同时阻断模型输出原始隐私数据；

输出格式强制约束：强制模型仅输出标准化 JSON 风险评分与风险依据，禁止生成完整邮件正文、客户隐私信息，规避推理输出环节数据泄露；

模型幻觉事实锚定管控：限制模型判定依据仅来自当前邮件、银行官方基线、已知诈骗样本，减少无依据高风险标记，降低银行客户邮件误报率。

反网络钓鱼技术专家芦笛提出，银行业 AI 反诈系统的安全护栏不能采用通用互联网行业配置，必须单独增设金融资产信息脱敏规则，平衡 PDPA 合规要求与钓鱼威胁识别能力，护栏参数需要结合银行业务场景单独校准。

3.4 配套金融专属辅助组件

整套检测体系依托两类辅助组件完成银行场景上下文扩充，均通过标准化 API 与 Bedrock 平台联动：

第一，银行诈骗知识库：存储《海峡时报》报道的花旗银行诈骗样本、新加坡警方公开全部仿冒银行邮件案例、全球商业银行同类钓鱼模板，作为模型少样本学习参考，提升新型仿冒邮件识别精度；

第二，银行官方发件人基线数据库：独立持久化存储花旗银行官方域名、历史邮件行文周期、常规通知诉求、固定对接业务场景，持续记录官方邮件长期沟通行为，作为行为偏离度打分核心参照，区分官方正常通知与 AI 伪造异常邮件。

4 面向商业银行的 Bedrock 多层钓鱼检测流水线架构与完整代码实现

4.1 银行场景五层流水线整体架构设计

整套检测流程嵌入银行企业邮箱、客户个人邮件网关转发链路，在 SPF/DKIM/DMARC 域名基础认证完成后执行，五大串行执行阶段全部毫秒级完成推理，不影响银行邮件正常收发时效，层级划分如下：

阶段 1：金融敏感信息脱敏 + Guardrails 前置护栏过滤；

阶段 2：银行专属多维度上下文动态提示词构造；

阶段 3：大模型金融语义综合分析，护栏实时管控推理输出；

阶段 4：金融场景加权多因子风险评分计算；

阶段 5：风险分级自动化分流处置（正常投递 / 隔离银行反诈专员复核 / 直接拦截并触发银行风控告警）。

系统配套金融机构专属反馈学习子流程，银行反诈专员人工复核可疑邮件结果自动回流更新基线数据库与诈骗样本知识库，形成持续优化闭环，架构完全兼容商业银行现有邮件安全基础设施，仅新增旁路检测流量，无需大规模改造原有邮件收发架构。

4.2 金融银行场景完整工程代码实现

以下 Python 代码基于 boto3 实现 Amazon Bedrock 新加坡区域客户端调用，针对花旗银行等金融机构优化基线查询、金融 PII 脱敏、银行域名白名单校验、风险加权打分全逻辑，完整复现五层检测流水线，注释标注金融场景专属业务适配逻辑。

# 导入基础依赖库

import boto3

import json

from typing import Dict, Tuple, List

# 初始化新加坡区域Bedrock运行时客户端

bedrock_client = boto3.client(service_name="bedrock-runtime", region_name="ap-southeast-1")

# 金融银行专属数据库封装类

class BankOfficialSenderBaselineDB:

"""银行官方发件人基线数据库，存储花旗等银行官方域名、行文特征、推送周期"""

def __init__(self):

# 新加坡花旗银行官方域名白名单

self.official_bank_domains = ["citibank.com.sg", "citi.com.sg"]

def get_bank_baseline(self, sender_domain: str, sender_email: str, bank_name: str = "Citibank SG") -> Dict:

"""查询银行官方邮件历史行为基线，用于行为偏离比对"""

baseline_data = {

"official_domain_match": True if sender_domain in self.official_bank_domains else False,

"standard_notice_cycle": "monthly fixed date",

"allowed_request_types": ["statement delivery", product promotion, account limit adjustment],

"forbidden_requests": ["click link fill OTP, urgent account freeze warning", "non-periodic risk alert"],

"official_tone": "neutral, no emotional panic inducement"

}

return baseline_data

class BankPhishKnowledgeBase:

"""金融钓鱼样本知识库，录入《海峡时报》花旗银行诈骗案例、警方公开样本"""

def get_sg_bank_phish_patterns(self) -> List[Dict]:

sg_phish_cases = [

{"case_source": "Straitstimes Citibank 2025",

"attack_feature": "fake foreign transaction panic email, ask OTP via link"},

{"case_source": "SPF Singapore Police 2025",

"attack_feature": "similar domain impersonate bank fraud department"},

{"case_source": "Global Bank Phish Sample",

"attack_feature": "short time limit threat to freeze customer account"}

]

return sg_phish_cases

def add_new_phish_sample(self, email_data: Dict):

"""新增银行客户举报、警方立案诈骗邮件样本入库"""

print("已新增银行钓鱼样本至知识库，用于后续少样本学习")

return True

# 全局初始化金融专属资源

bank_baseline_db = BankOfficialSenderBaselineDB()

bank_phish_kb = BankPhishKnowledgeBase()

# 金融场景风险阈值配置（银行调高高危拦截阈值，严控资金诈骗风险）

RISK_THRESHOLD_SAFE = 30

RISK_THRESHOLD_SUSPICIOUS = 65

RISK_THRESHOLD_DANGEROUS = 65

# 阶段1：金融PII脱敏+Bedrock护栏前置处理

def apply_finance_guardrail(raw_email: Dict, guardrail_id: str) -> Tuple[Dict, bool]:

"""金融场景专属护栏：自动脱敏银行卡、身份证、手机号等金融敏感信息"""

processed_email = raw_email.copy()

block_flag = False

# 调用新加坡区域护栏接口完成金融隐私脱敏

guardrail_response = bedrock_client.apply_guardrail(

guardrailIdentifier=guardrail_id,

content=json.dumps(raw_email["content"])

)

processed_email["content"] = guardrail_response["sanitizedContent"]

# 若邮件包含极端违规欺诈文本，直接标记人工复核

if guardrail_response["action"] == "BLOCK":

block_flag = True

return processed_email, block_flag

# 阶段2：金融场景动态提示词构造，嵌入银行基线与本地诈骗案例

def construct_bank_analysis_prompt(processed_email: Dict, bank_baseline: Dict, sg_phish_cases: List[Dict]) -> str:

prompt_template = """

=== 待分析银行邮件（已脱敏金融隐私）===

{email_content}

=== 新加坡花旗银行官方邮件行为基线 ===

{baseline_info}

=== 本地已立案银行钓鱼诈骗案例（来源：海峡时报、新加坡警方）===

{phish_case_info}

分析任务（金融银行专属）：

1. 分别输出三项0-100分项分数：内容异常分、银行行为偏离分、业务上下文匹配分；

2. 综合加权计算总风险分0-100，银行场景提高行为偏离分项权重；

3. 输出标准化JSON，包含risk_score、risk_level、key_findings风险依据；

约束：仅输出JSON，禁止输出客户隐私信息，判定仅依托提供上下文，禁止模型幻觉编造风险。

"""

analysis_prompt = prompt_template.format(

email_content=processed_email["content"],

baseline_info=json.dumps(bank_baseline, ensure_ascii=False),

phish_case_info=json.dumps(sg_phish_cases, ensure_ascii=False)

)

return analysis_prompt

# 阶段3：绑定金融护栏调用Claude模型完成语义分析

def invoke_bank_bedrock_model(prompt: str, guardrail_id: str, model_id: str = "anthropic.claude.sonnet-4.5") -> Dict:

model_request_body = json.dumps({

"anthropic_version": "bedrock-2023-05-31",

"max_tokens": 1200,

"messages": [{"role": "user", "content": prompt}]

})

# 全程绑定金融安全护栏管控模型输出

response = bedrock_client.invoke_model_with_guardrails(

modelId=model_id,

guardrailIdentifier=guardrail_id,

body=model_request_body

)

response_body = json.loads(response["body"].read())

analysis_result = json.loads(response_body["content"][0]["text"])

return analysis_result

# 阶段4：金融场景风险分级与银行邮件分流处置

def bank_email_routing(analysis_result: Dict) -> Dict:

risk_score = analysis_result["risk_score"]

if risk_score < RISK_THRESHOLD_SAFE:

action = "DELIVER_TO_CUSTOMER_INBOX"

risk_label = "SAFE"

elif RISK_THRESHOLD_SAFE <= risk_score < RISK_THRESHOLD_DANGEROUS:

action = "QUARANTINE_BANK_ANTI_FRAUD_TEAM"

risk_label = "SUSPICIOUS"

else:

action = "BLOCK_AND_TRIGGER_BANK_RISK_ALERT"

risk_label = "DANGEROUS"

return {

"risk_label": risk_label,

"total_risk_score": risk_score,

"dispose_action": action,

"fraud_evidence": analysis_result["key_findings"]

}

# 银行邮件完整检测主入口函数

def full_bank_phish_detection_flow(raw_email: Dict, guardrail_id: str, target_bank: str = "Citibank SG"):

# 步骤1：金融敏感信息脱敏与护栏前置过滤

processed_email, content_blocked = apply_finance_guardrail(raw_email, guardrail_id)

if content_blocked:

return {"dispose_action": "MANUAL_ANTI_FRAUD_REVIEW", "reason": "Guardrail detected high risk financial text"}

# 步骤2：调取花旗银行官方基线、本地诈骗案例库

bank_baseline = bank_baseline_db.get_bank_baseline(

sender_domain=raw_email["sender_domain"],

sender_email=raw_email["sender_address"],

bank_name=target_bank

)

local_phish_cases = bank_phish_kb.get_sg_bank_phish_patterns()

# 步骤3：构建银行专属分析提示词

analysis_prompt = construct_bank_analysis_prompt(processed_email, bank_baseline, local_phish_cases)

# 步骤4：调用大模型完成金融语义综合分析

model_analysis_output = invoke_bank_bedrock_model(analysis_prompt, guardrail_id)

# 步骤5：风险分级与银行邮件自动化分流

final_decision = bank_email_routing(model_analysis_output)

return final_decision

# 银行反诈人工复核反馈回流子流程（金融闭环学习核心）

def bank_anti_fraud_feedback(email_data: Dict, confirmed_phish: bool, bank_name: str = "Citibank SG"):

"""银行反诈专员复核标记后，更新样本库与官方基线"""

if confirmed_phish:

# 确认诈骗邮件，新增至本地银行诈骗知识库

bank_phish_kb.add_new_phish_sample(email_data)

else:

# 合法官方邮件，更新银行基线，降低同类邮件误报

bank_baseline_db.get_bank_baseline(email_data["sender_domain"], email_data["sender_address"], bank_name)

return "银行反诈反馈数据已完成更新，模型识别能力同步优化"

4.3 流水线各阶段金融专属逻辑说明

4.3.1 阶段 1：金融 PII 脱敏护栏预处理

针对银行邮件内大量银行卡、证件、账户信息，护栏组件优先完成全量脱敏处理，明文金融隐私数据不进入模型推理链路，满足新加坡 PDPA 个人数据保护法规。若邮件包含极端欺诈诱导文本，直接隔离至银行反诈专员人工复核，阻断高风险邮件进入客户收件箱。该阶段轻量化运行，不占用大模型算力，实现合规前置管控。

4.3.2 阶段 2：银行定制化上下文提示词生成

区别于通用企业邮件提示词，金融场景提示词增加三层专属上下文：一是花旗银行等机构官方域名白名单、固定通知周期基线；二是《海峡时报》报道、新加坡警方公开的本地银行诈骗案例；三是银行官方禁止通过邮件链接索要 OTP 的业务规范。模型依托完整金融业务背景开展判定，避免脱离银行实际业务场景产生误判。

4.3.3 阶段 3：带金融护栏约束的深度语义分析

Claude Sonnet 4.5 模型针对邮件完成三层金融维度分析：仿冒域名相似度比对、恐慌诱导类诈骗话术识别、银行标准业务流程合规校验，全程由 Guardrails 护栏约束输出格式，禁止模型返回任何客户金融隐私明文，兼顾威胁识别与数据合规。

4.3.4 阶段 4：金融场景加权风险评分

银行场景调高行为偏离分项分数权重，优先拦截与银行官方邮件行为模式严重不符的仿冒邮件，总分区间 0-100，针对资金诈骗风险下调高危拦截阈值至 65，相比普通企业邮件标准提升拦截灵敏度，适配金融资产高损失风险特性。

4.3.5 阶段 5：银行专属分级处置逻辑

风险分数＜30：判定为银行官方合规通知，直接投递客户邮箱；

30≤分数＜65：标记可疑仿冒邮件，自动隔离至银行反诈专员专属复核队列，同步推送可疑邮件摘要至风控后台；

分数≥65：判定高危钓鱼诈骗，直接永久拦截邮件，实时触发银行内部风控告警，留存完整脱敏取证数据用于警方溯源。

5 新加坡花旗银行仿冒钓鱼邮件全流程检测推演

5.1 推演样本：《海峡时报》报道同款 AI 生成花旗诈骗邮件

本次推演使用新加坡警方公开、《海峡时报》刊登的标准仿冒花旗银行钓鱼邮件样本，邮件无任何传统规则可识别表层缺陷，完整文本如下：

plaintext

邮件主题：【花旗新加坡风控通知】您账户存在境外可疑英镑交易

发件人显示名称：Citibank Singapore Fraud Department

实际发件邮箱：notice@citi-secure-alert.com

正文：

尊敬的王先生：

我行风控系统监测到您尾号4321的信用卡于2025年7月22日产生一笔1200英镑境外未授权消费，存在账户被盗风险。

请于2小时内点击下方链接完成身份核验，填写网银登录密码与短信一次性验证码（OTP）锁定可疑交易，超时未操作将永久冻结您的花旗储蓄账户。

核验链接：https://citi-secure-alert.com/verify-account

花旗银行新加坡风控部

传统邮件网关校验结果：SPF/DKIM 基础认证通过，文本无拼写错误，仅包含 “风控、境外交易、账户核验” 银行通用词汇，无黑名单恶意关键词，直接判定为合法邮件放行，与本次真实诈骗案件拦截失效场景完全一致。

5.2 流水线分步推演与风险判定依据

5.2.1 阶段 1：金融护栏脱敏预处理

系统识别邮件内信用卡尾号、客户姓名等金融标识，完成脱敏替换，邮件无极端违规阻断内容，进入下一阶段分析。

5.2.2 阶段 2：调取花旗银行基线与本地诈骗案例

官方基线查询结果：官方域名仅包含citibank.com.sg，本次发件域名citi-secure-alert.com不在白名单；银行官方风控通知固定每月 5 日统一推送，不会单独发送 2 小时限时紧急冻结通知；官方业务规范禁止通过邮件链接索要 OTP 验证码；官方行文无 “永久冻结账户” 恐慌诱导话术。

本地诈骗案例匹配：完全匹配《海峡时报》2025 花旗银行诈骗样本特征 —— 仿冒风控部门、编造外币可疑交易、限时威胁诱导点击链接索要 OTP。

系统将基线、案例、脱敏邮件内容拼接生成金融专属分析提示词。

5.2.3 阶段 3：大模型语义分析输出分项分数

模型输出三项金融维度风险得分：

内容异常分：72 分（仿冒近似域名、伪造境外外币交易场景、内嵌外部钓鱼链接）；

银行行为偏离分：95 分（非固定推送周期、限时冻结恐慌诱导、违规索要 OTP 操作，与官方基线严重背离）；

业务上下文匹配分：80 分（完全匹配本地已立案花旗银行 AI 钓鱼诈骗模板）。

5.2.4 阶段 4：金融加权综合风险评分

三项分数加权后综合风险得分 82 分，超过 65 分高危拦截阈值，模型输出三条核心风险判定依据：第一，发件域名不属于花旗新加坡官方备案域名，属于仿冒近似域名；第二，邮件推送周期、紧急限时威胁、链接索要 OTP 均违反银行官方邮件业务规范，行为模式严重偏离历史基线；第三，诈骗场景、诱导逻辑与 2025 年《海峡时报》披露的批量花旗钓鱼诈骗案例完全吻合。

5.2.5 阶段 5：自动化拦截处置

风险等级标记 DANGEROUS，系统直接拦截该诈骗邮件，同步推送实时风控告警至银行反诈后台，留存脱敏后的完整邮件取证数据，邮件无法送达客户收件箱，从源头阻断资金诈骗风险。

5.3 案例推演对比结论

该样本直观验证本金融专属检测体系相较于传统静态网关的核心优势：传统防御仅识别单封邮件表层文本，无法比对银行长期官方行为基线、匹配本地已立案诈骗案例；基于 Amazon Bedrock 的金融多层流水线依托大模型语义理解与行为偏离度判定，精准捕获 AI 生成银行钓鱼邮件隐藏的隐性风险，解决《海峡时报》报道中批量诈骗邮件绕过过滤的核心安全痛点。反网络钓鱼技术专家芦笛评价，针对银行类金融钓鱼攻击，行为基线比对是区分官方通知与 AI 仿冒邮件最核心的判定维度，也是传统静态防御体系永久缺失的检测能力。

6 商业银行专属闭环反诈反馈学习机制

仅依靠固定银行基线与静态诈骗样本库的检测体系，无法持续对抗攻击者不断迭代的银行仿冒邮件话术，本文设计适配银行反诈业务的五阶段闭环反馈学习链路，将银行反诈专员人工复核、客户举报、警方立案样本全部回流至检测系统，实现模型识别精度自主持续优化，完整闭环流程分为分析、打分、人工复核、样本入库、提示词迭代五大环节。

6.1 银行闭环学习五大执行环节

分析推理环节：客户邮件进入流水线，依托现有花旗银行基线、本地诈骗案例库完成语义分析与风险打分，可疑邮件自动隔离至银行反诈专员专属复核队列；

风险打分环节：系统输出标准化风险分数与金融专属风险依据，帮助反诈专员快速定位邮件可疑点，缩短人工判定耗时；

人工复核分类环节：银行反诈专员完成二分类标记 —— 确认银行钓鱼诈骗邮件 / 合法银行官方通知邮件；同步录入客户举报、警方移交的新型诈骗邮件样本；

样本学习更新环节：标记为诈骗的邮件自动新增至本地银行诈骗知识库，补充《海峡时报》同类案例样本库；标记为合法官方邮件，自动更新银行官方行为基线，扩充合规行文、业务诉求样本，降低后续同类合规邮件误报；

金融提示词动态优化环节：系统按月汇总反诈复核反馈数据，迭代优化银行场景提示词权重、域名相似度判定规则，适配攻击者新研发的仿冒银行邮件话术，提升新型诈骗模板识别速度。

6.2 闭环机制对银行反诈能力的提升作用

银行系统上线初期，官方基线数据库样本量较少，反诈专员需要投入更多人力复核隔离邮件；随着闭环流程持续运行，基线数据、本地诈骗案例库持续扩充，两大核心反诈指标同步优化：

第一，误报率持续下降：银行临时合规业务通知、新型官方服务通知会自动更新至行为基线，模型可区分正常银行业务变更与恶意仿冒诈骗诉求，减少无意义隔离告警，降低反诈团队人力消耗；

第二，漏检率持续降低：新型仿冒银行钓鱼邮件样本实时入库，模型依托少样本学习快速识别同类新型诈骗话术，大幅缩短新型诈骗攻击防御窗口期，避免出现《海峡时报》报道中批量客户受骗的大规模安全事件。

传统静态规则网关不存在该金融专属反馈迭代链路，攻击者更新仿冒银行邮件模板后，防御能力长期停滞，而本方案依托银行反诈工单闭环实现自适应对抗，持续匹配 AI 钓鱼攻击者迭代的伪造手段。

7 银行落地约束条件与金融场景精细化配置策略

7.1 商业银行部署客观约束

整套基于 Amazon Bedrock 的金融邮件钓鱼检测流水线存在两类客观落地限制，新加坡本地银行部署前需完成 PDPA 合规、算力成本双重评估：

第一，云端模型推理存在持续调用成本，大型银行每日数十万客户邮件流量场景下，需结合客户邮件峰值配置 Bedrock 新加坡区域推理并发额度，平衡检测实时性与云端算力开销；

第二，银行官方基线数据库存在冷启动周期，系统上线初期 1-2 个月基线样本量不足，可疑邮件隔离数量偏高，需要配套专职反诈专员完成过渡阶段人工复核。

7.2 金融场景精细化配置优化策略

结合新加坡 PDPA 数据法规、花旗银行诈骗案例复盘，针对 Guardrails 护栏、风险评分权重、基线采集规则给出分层优化配置方案：

Bedrock 金融护栏精细化校准：拆分两套独立护栏配置，常规客户服务 AI 场景使用严格全量文本拦截规则，钓鱼检测场景适度放宽诈骗话术分析限制，同时永久开启银行卡、身份证、账户全量 PII 脱敏规则，平衡 PDPA 合规与诈骗识别能力。反网络钓鱼技术专家芦笛强调，金融机构禁止使用通用互联网行业护栏配置，必须单独搭建金融隐私过滤规则，避免客户资金敏感数据泄露。

风险分项权重差异化配置：零售商业银行大幅上调银行行为偏离分权重，优先拦截仿冒官方通知、诱导资金操作的钓鱼邮件；跨境投行、对公银行业务上调上下文案例匹配分权重，重点识别供应商、对公账户仿冒诈骗邮件。

基线数据库冷启动优化：系统上线前批量导入银行近 12 个月全部官方历史邮件归档数据，快速完成官方行为基线初始化，缩短冷启动周期，降低前期反诈专员复核工作量；按月自动同步新增官方通知邮件更新基线库。

算力成本轻量化优化：内部员工对公邮件配置轻量化快速校验通道，仅对外来陌生发件、仿冒近似域名邮件执行完整大模型语义分析，减少高算力推理调用频次，控制云端服务运营成本。

8 结论与商业银行分阶段落地实施建议

8.1 研究核心结论

生成式 AI 大幅降低金融机构仿冒钓鱼邮件制作门槛，新加坡《海峡时报》披露的花旗银行诈骗事件充分证明，传统基于静态文本特征、域名黑名单的邮件安全防御体系，无法应对语法规范、高度定制、行为伪装隐蔽的银行 AI 钓鱼邮件，造成客户大额资金损失。本文以本次新加坡本地银行诈骗事件为现实样本，搭建适配银行业 PDPA 数据合规要求的 Amazon Bedrock 多层 AI 钓鱼邮件检测流水线，从技术层面弥补传统金融邮件防御三大核心短板：

第一，依托 Claude 大模型深度金融语义理解能力，突破表层文本识别局限，从银行官方行为基线、本地诈骗案例匹配双维度识别隐性仿冒钓鱼邮件，解决传统规则引擎漏检高仿真 AI 诈骗邮件的痛点；

第二，配套金融定制化 Bedrock Guardrails 安全护栏组件，实现银行卡、身份证等金融隐私数据全链路脱敏、模型输出边界强制管控，完全满足新加坡《个人数据保护法》合规约束，解决通用大模型处理银行客户邮件的数据泄露风险；

第三，搭建银行反诈专员工单闭环反馈学习链路，官方基线与本地诈骗案例库持续迭代更新，防御体系可自适应攻击者不断迭代的银行仿冒邮件模板，消除静态规则库迭代滞后带来的大规模客户受骗风险。

完整金融专属工程代码框架验证，该流水线可无缝集成商业银行现有邮件网关，无需大规模改造原有邮件收发架构，毫秒级推理不会影响客户邮件收发体验。花旗银行同款诈骗邮件推演证明，该体系可精准拦截传统安全网关完全无法识别的 AI 生成银行钓鱼邮件，从源头降低银行客户资金被盗、账户劫持安全风险。反网络钓鱼技术专家芦笛总结，以银行官方行为基线 + 本地诈骗案例语义匹配为核心的托管大模型防御架构，是当前东南亚商业银行对抗 AI 驱动金融钓鱼诈骗的标准化可行技术路线，兼顾检测精度、金融数据合规与工程落地成本。

8.2 商业银行分阶段落地实施建议

针对新加坡本地零售银行、跨境对公金融机构，给出三阶段平稳落地实施路径，规避基线冷启动、合规配置失误等落地风险：

第一阶段：试点部署与基线冷启动。选取零售个人客户高风险邮件流量接入检测流水线，批量导入银行近 12 个月官方邮件归档数据初始化行为基线，配置金融专属 Guardrails 脱敏规则，搭建专职反诈专员复核流程，持续观察 1-2 个月误报、漏检数据；

第二阶段：金融参数精细化调优。基于试点阶段反诈复核工单数据，调整三项风险分数加权权重、护栏金融过滤规则、高危拦截风险阈值，优化云端推理算力调用策略，降低误报率与 Bedrock 云端调用成本；

第三阶段：全客户邮件流量覆盖与常态化反诈运营。完成全部个人、对公客户邮件流量接入，搭建标准化反诈专员复核作业流程，依托闭环反馈机制持续迭代基线与诈骗样本库，同步配套银行客户常态化反诈宣传教育，形成 “AI 前置自动拦截 + 人工反诈复核 + 客户安全意识培训” 三层综合金融反诈防御体系。

8.3 研究局限与后续延伸研究方向

本文研究方案仍存在一定局限：当前检测流水线仅覆盖邮件渠道的银行仿冒钓鱼攻击，未同步整合境外诈骗来电、短信仿冒银行诈骗识别能力；风险分项权重依靠人工配置，未引入基于历史诈骗工单的自动权重迭代机制。后续可围绕两大方向开展延伸研究：一是拓展多渠道统一反诈识别平台，融合邮件、短信、语音来电多入口 AI 钓鱼检测，覆盖新加坡银行全渠道诈骗攻击载体；二是引入基于历史诈骗样本的自动权重调优算法，依托反诈复核工单数据自动优化风险分项权重，进一步降低银行人工配置运维成本。

生成式 AI 既是不法分子制作高仿真银行钓鱼邮件的工具，同时也可作为金融机构前置识别隐蔽欺诈攻击的核心防御技术载体。商业银行反诈防御不能仅依靠静态域名黑名单、事后客户短信预警，必须引入大模型原生的上下文语义、官方行为基线比对能力，配套金融级数据安全管控与持续样本迭代机制，构建主动式、自适应的 AI 原生金融邮件反诈防御体系，持续对冲 AI 驱动的银行仿冒钓鱼诈骗风险，减少客户资金损失与银行声誉风险。

编辑：芦笛（公共互联网反网络钓鱼工作组）