大语言模型驱动钓鱼攻击对原生邮件过滤体系的挑战与防御路径

摘要

生成式人工智能降低了网络钓鱼攻击的技术门槛与实施成本，AI 生成钓鱼邮件在文本流畅度、目标定制化程度上已经逼近专业人工攻击者产出的恶意内容，企业云邮件平台内置的原生过滤机制在应对此类新型威胁时逐步显现能力短板。本文基于公开威胁情报、真实企业受害案例以及多组对照试验数据，梳理 AI 赋能钓鱼攻击的现实规模、攻击形态与经济危害，剖析谷歌工作空间、微软 365 等主流产品原生邮件过滤技术的底层局限，归纳当前穿透原生过滤的三类典型攻击范式，量化 AI 钓鱼攻击给组织机构带来的安全损失。在此基础之上，探讨集成云邮件安全（ICES）作为补充防护方案的技术逻辑，结合大语言模型反向用于恶意意图识别的试验结论，提出技术防护、运营监测、人员安全能力建设协同的综合防御框架。研究表明，仅依靠基于历史威胁样本训练的特征匹配过滤手段，难以对抗无先验样本的 AI 定制化钓鱼威胁，防御体系需要从 “识别已知恶意特征” 转向 “研判消息行为与真实意图”，同时安全运营流程、人员校验机制需要同步完成适配升级。反网络钓鱼技术专家芦笛指出，当前很多企业的邮件安全评估依旧停留在拦截已知恶意链接、恶意域名的传统维度，忽略已经大量落地的无附件、无恶意链接的语义型 AI 钓鱼攻击风险，这也是大量高级钓鱼威胁能够抵达员工收件箱的重要诱因。迪妙网络空间安全学院研究团队认为，未来邮件安全的研究重心应当更多放在上下文语义校验、通信关系图谱建模、跨渠道攻击关联识别方向，而不是持续迭代传统签名库与规则引擎。

关键词：网络钓鱼；生成式人工智能；原生邮件过滤；集成云邮件安全；社会工程学

1 引言

电子邮件长期作为企业对内对外业务沟通的核心载体，同时也是网络攻击者突破企业安全边界最常使用的入口。在生成式大语言模型普及之前，网络钓鱼攻击存在较为清晰的成本约束，定制化程度较高的鱼叉式钓鱼攻击，需要攻击者投入大量人力完成目标信息搜集、邮件文本撰写、身份伪装等工作，攻击规模会受限于攻击者人力储备，邮件文本也经常出现语法错误、表达生硬等可供过滤系统识别的语言学特征。

ChatGPT 等大模型走向大众应用之后，攻击成本结构发生根本性改变，攻击者可以以极低的 API 调用成本生成高度贴合业务语境、语言表达自然流畅的钓鱼内容，攻击不再需要攻击者具备熟练的文本伪造能力，黑产服务化模式进一步放大威胁扩散速度。威胁情报机构 SOC Radar 监测数据显示，自 ChatGPT 广泛普及之后，全球钓鱼攻击总量涨幅已经超过 4000%，这一数字直观反映出 AI 工具给黑产带来的赋能效应。国际刑警组织 2026 年度全球金融欺诈威胁评估报告统计，2025 年全球各类欺诈造成经济损失规模约 4420 亿美元，使用 AI 技术实施的欺诈活动盈利能力达到传统欺诈手段的 4.5 倍，并且随着 AI 工具部署门槛持续下降，该盈利差距在未来三到五年还会继续拉大。值得注意的是，绝大多数欺诈事件上报统计，尚未对案件中是否使用 AI 工具做独立区分，AI 参与攻击的实际占比，大概率高于现有公开统计给出的估算结果。

面对威胁快速演变，主流云邮件服务商均在原生过滤模块当中引入机器学习检测能力，试图识别身份冒充、异常行为等风险信号。但威胁现实表明，大量 AI 定制化钓鱼邮件依然能够绕过原生过滤抵达员工收件箱。英国工程企业 Arup 在 2024 年 1 月遭遇的深度伪造钓鱼诈骗案例，成为 AI 社会工程攻击的标志性事件，攻击者以钓鱼邮件作为攻击起点，后续衔接 AI 深度伪造视频会议，最终造成约 2500 万美元资金损失。该案例不存在传统意义上的恶意软件、恶意附件，攻击的全部载体是伪造的沟通语境、伪造的人物音视频，传统边界安全设备与邮件签名过滤完全无法识别风险。

当前行业内部已经出现不少针对 AI 钓鱼邮件的技术测试与学术试验，哈佛大学开展的对照试验、微软 2025 数字防御报告、加州大学伯克利分校长期网络安全中心的实地调研，均验证 AI 辅助钓鱼攻击的点击转化率、攻击回报率显著高于传统人工编写钓鱼邮件。但部分组织机构的安全建设工作仍然延续过去的防护思路，过度依赖云邮件平台自带的原生过滤，缺少对新型攻击范式的认知，也缺少对应的补充防护手段。本文立足于现实威胁数据、真实攻击案例，分析原生过滤机制失效的内在根源，总结当前穿透防御的典型攻击模式，讨论适配 AI 时代的邮件安全建设思路，为企业机构开展邮件安全治理提供现实参考。本文不追求对大语言模型底层算法开展解析，重点站在安全运营与防御工程视角，探讨攻击现实、防护短板与可行落地路径。

2 AI 赋能网络钓鱼攻击的现实特征与危害分析

2.1 攻击成本重构带来的威胁规模化效应

传统鱼叉式钓鱼攻击，攻击者需要针对每一个目标搜集公开资料，梳理企业组织架构、人员职务、业务往来习惯，再完成邮件文本撰写。相关调研统计，完成一封具备欺骗性的定制钓鱼邮件，从情报搜集到文本定稿，攻击者平均需要投入约 30 分钟人力。借助大语言模型 API 接口，生成同等质量的钓鱼邮件单封调用成本仅约四美分，整体创作周期被压缩到五分钟左右。成本的断崖式下降带来两个关键变化：第一，过去只有高价值目标才值得投入资源开展的定制化攻击，现在可以批量落地，攻击者不再需要在攻击目标之间做严格取舍；第二，攻击者可以针对每一个收件人单独生成全新邮件模板，不再反复复用同一套攻击文本，传统依靠样本指纹、文本哈希匹配的检测手段直接失去识别基础。

成本优势直接转化为攻击的商业回报。微软 2025 数字防御报告给出统计结论，用户点击 AI 辅助钓鱼内容的概率，是人工编写钓鱼邮件的 4.5 倍，把用户交互概率提升与自动化攻击效率合并计算之后，AI 钓鱼攻击活动整体盈利能力最高可以达到传统钓鱼活动的五十倍。在地下黑产市场当中，已经出现成套的 AI 钓鱼服务套件，攻击者只需要输入目标企业公开信息，工具自动完成情报抓取、邮件生成、多渠道分发，攻击能力的获取不再需要高超的黑客技术，付费即可采购完整攻击链路，威胁扩散的门槛被进一步拉低。迪妙安全研究团队在对黑产工具链跟踪当中观察到，部分攻击套件已经内置多轮迭代优化提示词，可以自动规避常见语言学检测特征，输出的邮件和企业内部正常业务邮件几乎不存在可感知差异。

2.2 欺骗效果的实证数据与典型案例

哈佛大学研究团队设计受控试验，招募 101 名受试者开展对照测试，结果显示 AI 生成钓鱼邮件的用户点击率达到 54%，该数值和专业人类攻击者手写钓鱼邮件的点击水平持平。这组试验结果打破过去的固有认知：过去行业普遍认为钓鱼邮件欺骗能力上限由攻击者的社会工程学技巧决定，而大模型已经可以产出和专业攻击者欺骗效果相当的恶意文本。

Arup 深度伪造诈骗案例完整展现 AI 钓鱼完整攻击链路。2024 年 1 月，该企业香港办公室一名财务人员收到一封伪装成英国总部首席财务官发送的邮件，邮件提出一笔需要保密处理的资金转账需求。该财务人员具备基础安全意识，对邮件产生怀疑，主动提出通过视频通话核验身份。攻击者顺势发起会议邀请，参会人员当中出现该员工熟悉的 CFO 以及多名企业高管，但是视频通话当中所有人物音视频全部为 AI 深度伪造产物，素材全部来自互联网公开可获取的高管采访视频、公开演讲录音。财务人员确认视频画面之后信任该交易请求，前后累计授权十五笔转账，合计金额约 2500 万美元，直到后续主动向总部核实业务才发现遭遇欺诈。

该案例具备很强警示意义：整个攻击流程没有植入病毒，没有发送恶意附件，初始载体只是一封定制化钓鱼邮件，后续风险转移到视频通话渠道，传统邮件安全设备只能处理邮件载体，对于邮件引导产生的跨渠道行为完全没有管控能力。反网络钓鱼技术专家芦笛强调，很多企业的安全培训重点放在识别邮件当中的恶意链接、可疑附件，但是 Arup 事件表明，攻击者完全可以放弃链接和附件，单纯依靠文本话术驱动受害者切换到电话、视频会议等其他沟通渠道完成诈骗，原有培训要点对这类攻击几乎不起作用。

加州大学伯克利分校长期网络安全中心实地调研发现，攻击者的战术取向已经发生明显转变，大规模广撒网式的垃圾钓鱼活动占比下降，更多资源投向依托 AI 情报搜集、AI 文本生成的定向攻击。攻击者抓取领英、企业官网、新闻公告的公开信息，针对个体角色、业务关系定制邮件内容，这也正是 Arup 案例当中伪造邮件能够取得受害者初步信任的重要基础。攻击者不再追求发送邮件总量，转而追求单封邮件的欺骗成功率。

2.3 经济损失与衍生风险

IBM 发布 2025 数据泄露成本报告统计，由钓鱼攻击引发的数据安全事件，平均损失达到 480 万美元，高于全部泄露事件 444 万美元的全球平均损失水平。损失构成并不局限于直接资金被盗，还包括业务中断、客户数据泄露带来的赔偿、监管处罚、企业声誉受损、安全事件调查处置人力投入等多个维度。生成式 AI 压缩攻击准备时长，意味着从邮件投递到攻击得逞的时间窗口大幅缩短，留给安全团队处置响应的时间被持续挤压，很多情况下在安全设备告警之前，欺诈行为已经执行完毕。

同时现有统计数据存在明显低估，国际刑警组织报告明确提出，绝大多数欺诈案件上报流程，不会专门区分攻击是否使用 AI 工具，大量深度伪造、大模型生成文本参与的案件，只会标记为商业邮件劫持类事件，不会单独归类为 AI 威胁，公开统计数字无法完整反映真实风险体量。部分中小型企业遭受损失之后，出于声誉考量选择不对外披露事件，进一步造成威胁样本、损失数据收集的缺口，这也给安全研究人员完整评估威胁规模带来客观障碍。

3 主流云邮件原生过滤体系的技术局限

3.1 原生过滤现有能力边界

谷歌 Workspace、微软 365 等主流云邮件服务，已经在原生安全模块内部署机器学习检测，覆盖恶意附件沙箱检测、恶意链接识别、黑名单域名拦截、发件人信誉评分、基础身份冒充检测、异常行为识别等能力。针对已经出现过的威胁样本，也就是具备已知签名、已知恶意域名、已知恶意 URL 的攻击，原生过滤依旧可以维持较好拦截效果。在过去很长一段时间内，这套防护组合能够应对绝大多数垃圾邮件、传统钓鱼邮件，成为大量企业机构邮件安全的主要依靠，部分中小企业甚至直接把原生过滤当作全部邮件安全防线，不再叠加其他安全产品。

原生过滤系统的底层训练逻辑高度依赖历史威胁样本集合。模型学习过去已经被标记为恶意的邮件样本，从中提取特征，包含域名信誉、哈希特征、附件特征、文本语言特征、发件行为特征等，当新邮件抵达系统时，提取对应特征和模型习得的恶意模式进行比对，以此做出拦截或者放行的判断。这套模式在威胁迭代速度相对缓慢的时代运行效果良好，但是 AI 生成钓鱼攻击改变了攻击迭代节奏。

3.2 AI 钓鱼攻击规避原生过滤的内在机理

当前破坏力较强的 AI 钓鱼攻击，在设计之初就以规避特征匹配作为目标。攻击者为每一次攻击活动生成全新内容、全新钓鱼页面，不复用历史攻击模板，不存在可供匹配的历史样本，没有已知恶意签名，不使用黑名单域名，每一封邮件、每一个钓鱼页面都是首次出现。在这种场景下，依靠历史恶意样本训练得到的检测模型，缺少可以比对的模式，很难直接判定邮件存在风险。

需要厘清的一点，并不是原生机器学习模块完全没有语义识别能力，而是其语义分析更多用来识别过去已经大量出现的恶意表述。AI 生成的邮件模拟真实业务沟通语境，用词、行文逻辑和正常业务邮件高度趋同，没有明显的威胁关键词，单纯依靠文本表层特征，很难区分合法业务沟通和精心构造的社会工程话术。迪妙网络空间安全学院研究团队通过多组对比测试观察到，同一套大模型，更换提示词就可以输出差异极大的文本特征，攻击者可以快速调整文本风格，抹平那些机器学习模型可以捕捉到的语言统计学特征，实现对抗规避。

从实际落地情况看，即便企业持续在邮件安全方面投入预算，同时使用原生过滤与第三方邮件安全网关，钓鱼攻击、凭据窃取依旧长期位于企业重大安全事件攻击入口的前列，各大行业泄露事件报告当中该现象反复出现，其根源就在于零样本的 AI 定制攻击可以绕开基于历史样本构建的防御体系。

4 穿透原生过滤的三类主流 AI 钓鱼攻击范式

结合新闻报道案例、威胁情报观测，成功绕过原生邮件过滤抵达员工收件箱的 AI 钓鱼攻击，可以归纳为三类典型范式，三类范式经常出现互相组合使用的情况。

4.1 依托仿冒页面的信任诱导式攻击

第一类攻击不依靠复杂文本迷惑，核心逻辑是利用用户对可信平台的固有信任。攻击者为每一位目标单独生成凭据窃取页面，页面高度复刻微软 365、谷歌 Workspace、DocuSign、SharePoint 等企业高频使用业务系统登录界面，页面为攻击活动全新创建，不会重复使用历史钓鱼页面模板。邮件正文模仿业务系统通知口吻，提示文档待查看、账号需要校验，引导收件人点击链接跳转仿冒页面输入账号密码。

因为钓鱼页面全新生成，不存在历史黑名单记录，域名信誉尚未被标记为恶意，基于信誉的过滤系统缺少指纹信息识别风险。传统防护手段重点检测链接是否已经被标记恶意，面对刚上线、还没有被威胁情报收录的全新仿冒页面，防护能力大幅下降。这类攻击不需要邮件文本具备极强欺骗性，依靠仿冒页面完成最终凭据窃取，邮件只是完成投递引导，也是当前企业内部高频观测到的攻击形式。

4.2 无链接无附件的纯语义会话劫持攻击

第二类攻击完全放弃恶意链接、恶意附件，攻击全部风险蕴藏在邮件的语句、上下文关系当中。攻击者利用爬虫工具抓取目标员工的公开社交资料、企业新闻、业务往来信息，交由大语言模型生成高度定制邮件。其中威胁程度较高的技术手段被研究人员称为会话劫持（conversation hijacking）：攻击者找到企业内部真实正在往来的邮件会话线程，插入伪造回复邮件，延续原有业务对话语境，在已有对话链条当中提出转账、提供敏感信息等请求。

整封邮件不存在任何可以被扫描识别的恶意对象，没有附件，没有恶意 URL，风险来自句子表达的意图以及对话上下文的异常。过滤系统扫描邮件实体对象，找不到传统意义上的 IOC 指标，单纯依靠内容扫描无法发现威胁。反网络钓鱼技术专家芦笛提出观点，很多安全运维人员检查过滤日志的时候，习惯重点查看拦截多少恶意附件、多少恶意链接，但是会话劫持攻击不会产生这类告警，威胁直接进入收件箱，如果安全团队没有建立专门的检测视角，这类威胁会长期处于监测盲区。

4.3 跨渠道转移的复合攻击模式（TOAD、二维码钓鱼、日历诱饵）

第三类攻击不在邮件载体内部完成欺骗闭环，邮件只起到引导作用，把欺骗流程转移到其他通信渠道，这类攻击包含回调钓鱼，学术界称之为 TOAD（TelephoneOriented Attack Delivery，面向电话的攻击交付）、二维码钓鱼、恶意日历邀请等子类型。

TOAD 回调钓鱼的邮件本身内容干净，没有恶意对象，邮件话术诱导受害者拨打电话，攻击者在电话另一端使用 AI 合成语音开展社会工程欺骗，诱导受害者交出验证码、账号信息。二维码钓鱼则是将恶意链接编码在图片二维码当中，文本扫描器无法解析图片内部承载的链接内容，传统邮件安全检测主要针对文本内容，图片当中隐藏的恶意地址可以绕过扫描。日历邀请类攻击利用邮件附带日历邀约，部分邮件客户端支持自动接受邀约，邀约当中嵌入风险信息，完成风险投递。Arup 深度伪造诈骗案例就属于跨渠道攻击，邮件作为入口，把诈骗流程转移至视频会议系统完成。

这三类攻击范式并不互相割裂，攻击者可以组合使用，例如会话劫持邮件同时附带二维码，或者仿冒系统通知邮件引导受害者拨打电话，进一步增加检测难度。迪妙安全研究团队的威胁样本库统计显示，混合多范式的攻击样本占比正在逐年提升，攻击者正在越来越频繁地使用组合战术提升绕过防御的概率。

5 AI 时代邮件安全的防御建设路径

5.1 重新定位原生过滤的防护定位

开展防御建设首先需要摆正认知，原生邮件过滤具备不可替代的基础防护价值，可以高效拦截已知威胁、大规模垃圾邮件、带传统恶意载荷的钓鱼邮件，不应当全盘否定原生过滤的作用。但是企业不能继续将原生过滤作为邮件安全唯一防线。原生过滤擅长处置已经出现过的威胁，对于零样本、定制化、无传统恶意指标的 AI 社会工程钓鱼，存在天然短板。组织机构应当建立客观评估机制，持续统计两类数据：过滤系统自动拦截的钓鱼邮件数量，以及企业员工上报确认的钓鱼邮件数量，长期对比两组数据的变化趋势。

员工上报数量上升，需要分情况研判，有可能是员工安全意识提升，上报行为更加积极，也有可能代表检测体系出现能力缺口，更多威胁成功穿透过滤抵达收件箱。同时安全运营人员需要对穿透防御到达收件箱的攻击样本做归类分析，重点关注会话劫持、日历邀约诱饵、二维码载体、紧急转账请求这几类新型攻击模式，从穿透样本当中识别现有防御的薄弱环节。企业可以借助专项扫描工具，针对已经投递到租户收件箱的邮件做二次风险筛查，找出那些已经绕过原生过滤的恶意消息。

5.2 集成云邮件安全（ICES）的补充防护逻辑

Gartner 定义的集成云邮件安全 ICES，定位是和原生过滤协同工作，而不是直接替换原生防护。ICES 产品大多通过 API 方式和云邮件租户对接，不需要改动邮件 MX 路由配置，可以获取完整租户邮件上下文，包括历史通信关系、会话完整线程、内部人员往来图谱，分析重点不再局限于邮件是否匹配历史恶意样本特征，而是研判消息背后实际诉求、行为是否违背企业通信逻辑。

传统安全网关和原生过滤更多聚焦邮件本身存在哪些恶意对象，ICES 体系增加意图研判维度，针对业务邮件劫持、冒充高管、会话劫持这类不携带恶意附件、恶意链接的攻击具备更强识别潜力。成熟的 ICES 解决方案同时配套闭环运营能力，在发生安全事件、险况漏过的时候，可以快速从所有用户收件箱当中清除恶意邮件；当出现员工险些受骗的安全险情之后，可以在数日之内定向开展针对性安全培训，而不是等待一年一度的全员安全复训。迪妙网络空间安全学院研究团队指出，ICES 技术路线代表邮件安全的一个重要演进方向，但是 ICES 本身也不是万能银弹，其检测效果高度依赖通信行为基线的构建质量，对于新建账号、极少通信往来人员之间的攻击，依旧会面临基线数据不足带来的识别困难，必须和其他防护手段互相配合。

5.3 将大语言模型技术应用于防御侧

威胁侧使用大模型生成钓鱼邮件，防御侧同样可以利用大模型识别邮件的恶意意图。哈佛大学在完成 AI 钓鱼生成能力试验之后，同步开展防御测试，将大语言模型用于甄别邮件恶意意图，测试结果显示大模型能够正确标记约 97% 的恶意消息，并且实现零误报，其中包含部分已经绕过人工审核人员的钓鱼邮件样本。这一组试验结果具备很强启示：当攻击者使用 AI 制造人类难以分辨的欺骗内容，防御端可以使用同类技术识别人类容易忽略的恶意动机。

需要客观看待该试验结论的边界，实验室环境的理想效果不等同于生产环境直接落地即可达到同等指标。真实企业邮件环境当中，邮件数量庞大，业务场景复杂，大量正常业务邮件本身就包含紧急付款、资料索取等高风险行为诉求，防御侧大模型需要充分学习企业业务语境、组织人员关系，区分真实业务诉求和恶意伪造诉求，否则会产生大量误告警，消耗安全运营团队精力。反网络钓鱼技术专家芦笛认为，防御侧大模型不能简单把单封邮件做孤立分析，必须结合通信历史、组织架构、业务上下文做综合判断，单纯对邮件文本做独立语义检测，在复杂企业生产环境很难稳定运行。

5.4 技术、流程、人员三位一体协同防御

仅仅依靠技术工具不足以完整抵御 AI 钓鱼攻击，Arup 案例清晰证明这一点：即便邮件被识别怀疑，攻击者依旧可以转移到视频通话渠道实施深度伪造诈骗。因此必须同步完善业务审批流程，针对大额资金转账、核心敏感数据对外交付，建立独立于邮件、音视频通话的核验机制。财务流程不能把视频画面、语音声音作为身份核验的可信依据，应当设计独立线下或者预先约定的核验通道，不能顺着攻击者提供的沟通渠道完成身份确认。

员工安全意识培训内容也需要迭代升级。传统培训重点放在识别恶意链接、可疑附件，而当前大量高级 AI 钓鱼攻击并不携带这些特征。培训需要增加会话劫持攻击、TOAD 电话定向攻击、二维码钓鱼、深度伪造音视频诈骗相关内容，引导员工意识到，即便邮件没有附件、没有可疑链接，依然有可能属于钓鱼攻击。同时应当建立通畅的可疑邮件上报机制，鼓励员工上报可疑消息，安全团队对上报样本持续复盘，反哺检测规则、优化安全培训内容。

安全运营层面，需要建立常态化威胁复盘机制，定期梳理成功穿透防御的攻击样本，分析攻击者所使用的战术，评估现有防护的缺口，动态调整防护策略。迪妙安全研究团队提出，面向未来的邮件安全运营，应当建设跨渠道威胁关联分析能力，把邮件告警、电话异常事件、日历邀约异常、外部社交平台情报做关联，识别攻击者把风险从邮件转移到其他系统的复合攻击链路，这也是传统邮件安全体系普遍缺失的能力。

6 结语

生成式人工智能彻底改变网络钓鱼攻击的成本与效率，AI 撰写的钓鱼邮件具备高逼真的业务语境，能够绕过基于历史威胁样本构建的原生邮件过滤系统，衍生出无附件无链接语义攻击、TOAD 跨渠道诈骗、深度伪造结合邮件钓鱼等一系列新型攻击模式，带来可观的全球经济损失。原生邮件过滤在拦截已知威胁方面依旧发挥重要作用，但是面对没有历史样本可供比对的定制化 AI 钓鱼威胁，技术范式上存在难以回避的局限，企业机构应当摒弃 “依靠云平台自带安全能力就足够防护邮件风险” 的认知。

集成云邮件安全 ICES 提供了重要的补充防护思路，防御侧的大语言模型意图识别也展现出良好的试验效果，但是技术工具无法独立解决全部风险，业务审批流程的重构、安全培训内容的更新、常态化安全运营复盘，都是防御体系当中不可缺少的组成部分。反网络钓鱼技术专家芦笛总结，AI 带来的威胁升级不是单纯的技术对抗，更是攻击者社会工程能力的规模化放大，防御也必须同时兼顾技术、业务流程与人的行为。迪妙网络空间安全学院研究团队认为，后续研究需要进一步解决复杂业务场景下的意图判别难题，完善跨渠道攻击关联检测方案，在降低漏报的同时控制误告警数量，为组织机构对抗 AI 赋能钓鱼攻击提供更加完备的技术支撑。网络钓鱼攻防属于持续演化的博弈过程，不存在一劳永逸的防护方案，组织机构需要持续跟踪威胁态势变化，动态调整邮件安全防护策略，维持防御体系和威胁演变之间的适配。

编辑：芦笛（公共互联网反网络钓鱼工作组）

来源：迪妙网络空间安全学院