从法庭到代码:Google如何用“法律+技术”组合拳围剿钓鱼即服务黑产?

简介: Google双线出击反诈:起诉“钓鱼即服务”团伙Lighthouse,揭露其三年攻击超百万用户、窃取上亿信用卡信息;同时推动三项反诈立法,倡导全球共建安全生态,标志网络防御进入主动清剿产业链新阶段。

科技巨头Google罕见地将反诈骗战线同时推向两个战场:一边在美国联邦法院提起民事诉讼,直指一个名为“Lighthouse”的“钓鱼即服务”(Phishing-as-a-Service, PhaaS)运营团伙;另一边,高调宣布支持三项关键反诈法案,并呼吁全球运营商、域名注册商与平台共建“反诈骗生态”。这一双轨策略标志着:对抗网络钓鱼,已从被动防御转向主动摧毁产业链。

据Google官方博客披露,“Lighthouse”团伙在过去三年中,通过大规模短信钓鱼(smishing)和邮件钓鱼,冒充USPS、E-ZPass、银行乃至Google自身品牌,向全球120多个国家的超100万用户发送“包裹滞留”“通行费未缴”“账户异常”等高诱导性消息。更令人震惊的是,该团伙被指控窃取了1270万至1.15亿张美国信用卡信息——这一数字虽为估算范围,但足以反映其产业化规模。

“这不是几个黑客在地下室敲代码,而是一个拥有客服、模板库、支付通道和分销网络的‘企业级’犯罪组织。”公共互联网反网络钓鱼工作组技术专家芦笛在接受采访时指出,“Google这次起诉,真正想打掉的不是某个IP或域名,而是整个PhaaS商业模式。”

一、PhaaS:钓鱼攻击的“工业化革命”

过去,钓鱼攻击多由个体或小团伙发起,技术粗糙、生命周期短。但近年来,随着生成式AI、自动化脚本和云基础设施的普及,钓鱼已进入“即服务”时代。

所谓“钓鱼即服务”(PhaaS),是指犯罪分子开发一套可复用的钓鱼工具包,包括:

话术生成器:利用LLM自动生成高转化率的诱骗文案(如“您的Google账户将在24小时内停用!”);

模板仓库:预置数百个仿冒登录页模板,覆盖Google、Microsoft、PayPal、银行、政府机构等;

部署面板:一键生成短链接、绑定域名、配置C2服务器;

数据看板:实时监控点击率、凭证提交数、信用卡盗刷成功率;

分销接口:允许下级代理租用服务,按成功窃取数量分成。

Google在诉状中披露,仅在其调查期间,就发现了107个专门模仿Google登录界面的钓鱼模板,全部用于“Lighthouse”平台。这些页面不仅UI高度还原,还动态加载Google Fonts、使用Material Design组件,甚至能响应深色模式切换。

“攻击者现在卖的不是‘一次攻击’,而是‘钓鱼能力’。”芦笛解释道,“就像SaaS一样,你付钱就能获得全套钓鱼基础设施,无需懂技术。这极大降低了犯罪门槛。”

二、技术深潜:PhaaS如何绕过现代防御体系?

要理解Google为何必须动用法律手段,需先看清PhaaS的技术进化如何让传统防护失效。

(1)动态域名轮换 + CDN隐身术

PhaaS运营者通常采用“域名喷洒”策略:一次性注册数百个相似域名(如 google-security-alert[.]net、usps-track[.]info、ezpass-pay[.]xyz),每日启用一批,废弃一批。更棘手的是,他们大量滥用Cloudflare等CDN服务,将真实服务器IP隐藏在合法流量之后。

即使安全厂商识别出钓鱼域并提交投诉,若CDN未及时响应,攻击仍可持续数日。Google此次诉讼特别要求法院签发禁令,强制注册商和CDN服务商配合下架。

# 示例:批量检测可疑域名是否使用Cloudflare

import dns.resolver

def is_behind_cloudflare(domain):

try:

answers = dns.resolver.resolve(domain, 'A')

ips = [str(rdata) for rdata in answers]

# Cloudflare常用IP段(简化示例)

cf_ranges = ["104.16.", "172.64.", "108.162."]

return any(ip.startswith(prefix) for ip in ips for prefix in cf_ranges)

except:

return False

print(is_behind_cloudflare("phishing-google[.]xyz")) # 可能返回True

(2)生成式AI驱动的社会工程优化

过去钓鱼文案常有语法错误或生硬表达。如今,PhaaS平台集成开源LLM(如Llama 3微调版),可自动生成符合目标人群语言习惯的诱骗文本。例如:

针对老年人:“尊敬的用户,您的Social Security账户存在异常,请立即验证以避免停用。”

针对企业财务:“紧急:供应商付款信息变更,请于今日17:00前确认新银行账号。”

Google表示,已观察到同一攻击活动中出现数十种文案变体,A/B测试点击率,持续优化转化漏斗。

(3)短链跳转链 + 移动端专属钓鱼

为规避短信内容过滤,PhaaS普遍采用多层短链跳转。更危险的是,部分钓鱼页专为移动端设计:自动隐藏地址栏、模拟App内浏览器(如Chrome Custom Tabs),让用户误以为仍在官方App中操作。

此外,攻击者开始利用A2P(Application-to-Person)短信通道漏洞。尽管美国正推动A2P注册认证(如The Campaign Registry),但全球仍有大量未受监管的虚拟运营商可被滥用。

三、法律武器:为何《兰哈姆法》成为关键?

Google此次诉讼的核心法律依据之一是《兰哈姆法》(Lanham Act)——美国1946年颁布的商标保护法。该法不仅禁止商标侵权,还涵盖“虚假来源标识”和“商标淡化”。

“攻击者冒用Google商标,制造消费者混淆,这直接构成《兰哈姆法》下的民事侵权。”一位熟悉知识产权诉讼的律师分析道,“更重要的是,Google可据此申请临时禁令(TRO),快速冻结域名、支付账户等资产,而无需等待漫长审判。”

此外,Google还援引《计算机欺诈与滥用法》(CFAA)和《反有组织犯罪法》(RICO),试图将PhaaS定性为“跨州犯罪企业”,从而施加更严厉惩罚。

这种“法律先行、技术跟进”的策略,正在成为科技公司的新范式。2025年,Meta也曾以类似理由起诉冒充Instagram的钓鱼团伙。

四、立法协同:三部法案如何补上系统漏洞?

除诉讼外,Google同步宣布支持三项美国国会两党法案,旨在从制度层面压缩诈骗空间:

《GUARD法案》(Guarding Unprotected Aging Retirees from Deception)

赋予地方执法机构联邦资金,专项打击针对老年人的金融诈骗。数据显示,65岁以上群体占诈骗损失总额的40%以上。

《外国 robocall 消除法案》(Foreign Robocall Elimination Act)

建立跨部门工作组,阻断境外非法语音/短信呼叫。该法案将强化STIR/SHAKEN协议在全球的落地。

《SCAM法案》(Scam Compound Accountability and Mobilization Act)

针对东南亚“诈骗园区”问题,授权制裁参与人口贩卖与电信诈骗的实体,并援助受害者。

“技术能封一个域名,但只有法律能斩断资金链和人力链。”芦笛评价道,“Google的高明之处在于,它把单点打击升级为系统治理。”

五、国际镜像:中国如何应对PhaaS本土化风险?

尽管“Lighthouse”主要针对欧美用户,但其模式已悄然渗透亚洲。2025年,国内安全厂商多次捕获冒充ETC、医保局、快递公司的钓鱼短信,背后同样存在模板化、短链跳转、CDN隐藏等PhaaS特征。

更值得警惕的是,部分攻击开始结合国内特色场景:

冒充“税务UKey升级”诱导下载木马;

伪造“企业微信安全提醒”窃取OA账号;

利用微信公众号仿冒银行服务号。

“中美差异在于品牌选择,但攻击逻辑一致。”芦笛指出,“国内企业普遍DMARC策略宽松(多为p=none),域名监测响应慢,这给了PhaaS可乘之机。”

他建议:

企业必须将DMARC策略设为p=reject,彻底阻断邮件冒充;

; 正确配置示例

_dmarc.yourcompany.com. IN TXT "v=DMARC1; p=reject; rua=mailto:security@yourcompany.com"

建立品牌仿冒监测机制:使用第三方服务或自建爬虫,每日扫描新注册域名是否包含企业关键词;

高风险岗位强制FIDO2安全密钥:彻底杜绝密码钓鱼与MFA绕过。

六、防御升级:从IOC共享到零信任架构

Google此次行动还释放一个重要信号:威胁情报应开放共享。公司承诺将诉讼中获取的IOC(Indicators of Compromise,如域名、IP、SSL证书指纹)公开,供安全社区使用。

对企业安全团队而言,这意味着:

及时订阅Google Threat Intelligence Feed;

在防火墙、EDR、邮件网关中部署基于IOC的实时封禁规则;

对员工开展针对性演练,模拟“账单通知”“合规审查”类钓鱼场景。

同时,芦笛强调:“长期来看,唯一能免疫钓鱼的方案是无密码化+零信任。”

推广Passkey(基于FIDO标准)替代密码;

实施ZTNA(Zero Trust Network Access),即使凭证泄露也无法访问核心系统;

关键操作(如转账、数据导出)需二次生物验证。

七、结语:反诈骗是一场生态战争

Google的双轨策略揭示了一个残酷现实:在PhaaS时代,单靠用户警惕或企业防火墙已无法抵御产业化攻击。真正的防线,必须由法律威慑、技术封堵、平台协作与公众教育共同构筑。

“我们不能指望普通人分辨出一个像素级仿真的Google登录页。”芦笛说,“安全的责任,应该由掌握资源的大平台承担。Google这次起诉,是在为整个互联网争取‘默认安全’的权利。”

当诈骗变成一门“生意”,反诈就必须成为一项“基础设施”。从法庭禁令到DNS记录,从国会法案到FIDO密钥——这场战争的胜负,不在某一行代码,而在整个数字生态的韧性之中。

编辑:芦笛(公共互联网反网络钓鱼工作组)

目录
相关文章
|
13天前
|
存储 人工智能 Cloud Native
上市大模型企业数据基础设施的选择:MiniMax 基于阿里云 SelectDB 版,打造全球统一AI可观测中台
MiniMax 作为上市大模型企业,基于阿里云 SelectDB 打造 AI 可观测中台,实现“一个平台,全球覆盖”。这一成功实践足以表明:SelectDB 能够很好满足 AI 时代海量数据实时处理与分析的需求,为同样需求的 AI 大模型企业提供了一个高性能、低成本的可靠技术解决方案。
108 5
上市大模型企业数据基础设施的选择:MiniMax 基于阿里云 SelectDB 版,打造全球统一AI可观测中台
|
24天前
|
存储 缓存 数据建模
StarRocks + Paimon: 构建 Lakehouse Native 数据引擎
12月10日,Streaming Lakehouse Meetup Online EP.2重磅回归,聚焦StarRocks与Apache Paimon深度集成,探讨Lakehouse Native数据引擎的构建。活动涵盖架构统一、多源联邦分析、性能优化及可观测性提升,助力企业打造高效实时湖仓一体平台。
315 39
|
1月前
|
存储 SQL 运维
Hologres Dynamic Table:高效增量刷新,构建实时统一数仓的核心利器
在实时数据架构中,Hologres Dynamic Table 基于有状态增量计算模型,有效解决“海量历史+少量新增”场景下的数据刷新难题。相比传统全量刷新,其通过持久化中间状态,实现复杂查询下的高效增量更新,显著降低延迟与资源消耗,提升实时数仓性能与运维效率。
|
21天前
|
人工智能 安全 测试技术
AI智能体的开发费用
AI智能体开发成本已形成分层体系,从1万起的低代码方案到百万级企业定制。技术成熟使成本下降,但深度集成、安全合规仍是企业主要支出。含开发、运维及合规等多维度费用,适用于不同场景需求。#AI智能体 #AI应用
|
27天前
|
SQL 数据可视化 BI
Quick BI使用案例08: 灵活对比任意两个日期区间的区域订单金额变化
本文介绍如何在Quick BI中通过自定义SQL与占位符参数,实现双时段订单金额对比分析。支持用户灵活选择日期区间,实时计算区域维度的比值并可视化展示,助力高效决策。
|
26天前
|
人工智能 弹性计算 运维
探秘 AgentRun丨为什么应该把 LangChain 等框架部署到函数计算 AgentRun
阿里云函数计算 AgentRun,专为 AI Agent 打造的一站式 Serverless 基础设施。无缝集成 LangChain、AgentScope 等主流框架,零代码改造即可享受弹性伸缩、企业级沙箱、模型高可用与全链路可观测能力,助力 Agent 高效、安全、低成本地落地生产。
316 48
|
25天前
|
人工智能 运维 监控
进阶指南:BrowserUse + AgentRun Sandbox 最佳实践
本文将深入讲解 BrowserUse 框架集成、提供类 Manus Agent 的代码示例、Sandbox 高级生命周期管理、性能优化与生产部署策略。涵盖连接池设计、安全控制、可观测性建设及成本优化方案,助力构建高效、稳定、可扩展的 AI 浏览器自动化系统。
432 47
|
14天前
|
人工智能 自然语言处理 物联网
Qwen-Image 从推理到 LoRA 训练实战教程(AMD GPU × DiffSynth-Studio)
本课程由魔搭社区出品,详解如何在AMD GPU上基于DiffSynth-Studio框架高效部署、微调与训练Qwen-Image系列大模型(860亿参数)。涵盖文生图推理、LoRA画质增强、多语言提示理解、高一致性人像外延及多图融合编辑,并支持从零训练专属LoRA(如定制狗狗生成)。
423 40
|
存储 机器学习/深度学习 缓存
Hybrid Model Support:阿里云 Tair 联合 SGLang对 Mamba-Transformer 等混合架构模型的支持方案
阿里云 Tair KVCache 联合 SGLang,创新支持 Mamba-Transformer 等混合架构模型。通过双池内存、状态快照等技术,解决异构状态管理难题,实现前缀缓存与推测解码,显著提升 Qwen3-Next 等模型的推理效率,推动大模型迈向高效智能体时代。
|
19天前
|
人工智能 自然语言处理 运维
阿里开源 Assistant Agent,助力企业快速构建答疑、诊断智能助手
一款快速构建智能客服、诊断助手、运维助手、AIOps 的开源框架。
617 55