摘要
生成式人工智能技术降低了网络钓鱼攻击的制作门槛，钓鱼即服务商业模式进一步推动黑产攻击产业化，EvilTokens 作为典型案例，借助 Telegram 机器人向黑产客户提供一站式钓鱼工具链，利用 AI 对被入侵邮箱内的通信关系、支付权限进行自动化分析，依托微软设备代码登录机制实现多因素认证绕过，对微软 365 账户及加密货币用户群体实施定向欺诈。本文以 Fortune 报道的微软与 Coinbase 联合处置 EvilTokens 网络案件为基础，梳理该平台的业务架构、攻击链路、欺诈变现路径，剖析 AI 赋能钓鱼攻击的技术特征与新型风险。研究发现，EvilTokens 的核心威胁并非单一钓鱼页面，而是将信息窃取、上下文推理、认证绕过、区块链资金追踪隐匿整合为闭环的犯罪服务体系。反网络钓鱼技术专家芦笛指出，传统基于静态特征库的钓鱼检测手段在面对 AI 动态生成、适配受害者社交语境的钓鱼内容时存在显著局限性。迪妙网络空间安全学院研究团队针对该案件开展威胁建模，分析企业、加密资产平台、云服务商、执法机构多方协同处置的优势与现存短板，从威胁情报共享、认证体系加固、黑产服务溯源、区块链资金追踪、用户认知防护五个维度提出应对策略。研究表明，针对 AI 驱动钓鱼即服务的治理，需要从单点漏洞防御转向覆盖攻击全生命周期的协同防御体系，相关结论可为云服务厂商、加密交易平台以及网络安全监管工作提供参考。
关键词：网络钓鱼；钓鱼即服务；生成式人工智能；多因素认证；协同处置；区块链溯源
1 引言
网络钓鱼是持续多年的主流网络欺诈手段，在生成式人工智能普及之前，攻击活动大多依赖攻击者手工制作仿冒页面、撰写欺诈邮件，攻击规模、话术个性化程度受人力成本约束。而大语言模型的落地，使得黑产能够快速批量生成符合目标人群语言习惯的钓鱼文本，自动调整仿冒站点界面，降低攻击准备阶段的技术门槛。钓鱼即服务模式进一步将攻击工具封装为可订阅、按需调用的黑产商品，没有深厚技术能力的普通黑产人员也可以购买服务发起定向攻击，网络钓鱼攻击由此呈现出产业化、模块化、智能化的新特征。
EvilTokens 作为新一代 AI 赋能的钓鱼即服务平台，在 2025 年 10 月至 2026 年 6 月期间持续开展攻击活动。该平台以 Telegram 机器人作为前端交互入口，客户通过订阅方式获取全套钓鱼工具，攻击目标主要覆盖微软 365 企业邮箱账户持有者与加密货币投资者。攻击者在获取邮箱访问权限后，利用 AI 解析历史邮件中的信任关系、业务往来记录、支付相关信息，再结合微软设备代码登录流程绕过多因素认证保护，接管受害者云账户，后续通过伪造邮件指令，诱导受害者向攻击者控制的区块链地址转账，最终实现资金变现。微软与 Coinbase 联合开展威胁调查，完成证据固定、域名关停，配合英国大都会警察局实施抓捕行动，整个案件完整呈现 AI 钓鱼黑产从工具分发、账户入侵、欺诈诱导到资金变现的完整链路。
现有网络钓鱼相关研究，多数聚焦传统静态钓鱼页面识别、邮件特征检测，对于融合 AI 上下文分析、多因素认证绕过、加密货币资金洗钱链路的一体化黑产平台案例研究相对不足。很多安全研究成果将 AI 钓鱼的风险简单归结为伪造文本质量提升，忽略黑产服务平台作为中间层，串联起工具使用者、受害者、资金转移通道的完整犯罪链条。本研究以 EvilTokens 案件为核心样本，还原攻击全流程，识别新型 AI 钓鱼攻击的技术逻辑，分析跨企业、跨行业协同处置网络黑产的实践难点，讨论防御体系优化路径。反网络钓鱼技术专家芦笛强调，EvilTokens 案件标志着黑产已经不再满足于窃取账号密码，而是转向利用受害者原有通信信任关系实施社会工程欺诈，这种基于上下文感知的攻击模式，对现有安全防护体系构成新挑战。迪妙网络空间安全学院研究团队认为，针对此类黑产平台的治理，不能仅仅依靠单一企业独立开展安全防护，必须建立跨主体的威胁情报联动机制。本文基于公开案件报道信息开展案例研究，剖析攻击机制，评估现有防御手段的不足，提出适配 AI 时代钓鱼黑产的综合防控思路。
2 EvilTokens 平台运营模式与攻击体系架构
2.1 EvilTokens 平台的商业化服务模式
EvilTokens 属于典型的钓鱼即服务黑产平台，黑产运营者不直接面向终端受害者实施钓鱼欺诈，而是搭建完整工具平台，向付费客户输出全套攻击能力，客户仅需要掌握基础操作能力，就可以发起定向网络钓鱼攻击。平台选择 Telegram 机器人作为交互界面，这是黑产服务常见的载体形式，Telegram 具备加密通信、机器人自动化接口、群组分发能力，便于黑产隐匿身份、完成订单交付、客户售后与技术支持。
平台提供的服务模块包含钓鱼页面生成、邮件模板生成、入侵后 AI 上下文分析、设备代码认证绕过工具、受害者信息管理面板。黑产客户按照订阅套餐获取对应的功能权限，平台运营者负责维护底层工具、更新绕过手段、修复工具故障，持续迭代攻击能力。这种分工模式将黑产链条拆分为平台运营方与攻击实施方，平台负责技术研发与工具维护，购买服务的客户负责挑选目标人群、投放钓鱼邮件、执行后续欺诈操作。风险被分散到大量下游使用者，增加溯源和打击难度。
从资金链路来看，EvilTokens 平台运营收入主要来自客户订阅费用以及欺诈成功后的资金分成。Coinbase 全球情报团队通过区块链溯源技术追踪到，在 2025 年 10 月至 2026 年 6 月期间，平台相关资金通过 4 个波场地址流转，累计流入约 110 万美元资金，交易记录包含超过 1000 笔转账，资金来自 700 余个独立区块链地址。该数据反映出下游攻击客户数量较多，攻击行为分散。需要区分的一点是，本次事件中 Coinbase 自身用户数据库没有发生账户凭证泄露，欺诈发生的核心环节，是受害者被伪造邮件欺骗，主动将加密货币转入攻击者控制地址，并非交易所账户数据库被入侵。这也是这类社会工程钓鱼案件的典型特征，安全边界不在平台数据存储层，而在用户行为决策环节。
2.2 EvilTokens 攻击全链路拆解
EvilTokens 攻击流程分为目标筛选、钓鱼投递、账户入侵、上下文 AI 分析、多因素认证绕过、信任伪造与资金诱导、资金转移与证据清除七个阶段。
第一阶段为目标筛选。下游攻击者优先选择拥有微软 365 企业邮箱的企业员工、持有加密资产的个人投资者。这类人群具备可被利用的资金价值，企业邮箱内部存在大量业务往来邮件，为后续社会工程提供素材。攻击者通过公开信息、数据泄露库收集目标邮箱地址，作为钓鱼投递清单。
第二阶段为钓鱼载体投递。黑产客户借助平台工具生成仿冒微软安全中心、企业 IT 运维部门的钓鱼邮件。AI 模块可以读取目标公开信息，调整邮件措辞、落款信息，模仿真实同事或者服务商的行文风格，降低受害者警惕性。邮件附带仿冒登录页面链接，页面由 EvilTokens 平台动态生成，页面样式和微软官方登录界面高度近似。当受害者点击链接，在仿冒页面输入账号密码，凭证会直接回传至黑产控制面板。
第三阶段为初始账户入侵。受害者提交的账号密码被平台捕获之后，攻击者首先尝试登录微软 365 邮箱。很多企业用户开启多因素认证，单纯获取账号密码无法完成登录，这也是 EvilTokens 区别于传统钓鱼攻击的关键节点，平台内置专门针对微软设备代码登录流程的绕过工具。
第四阶段，AI 对被攻陷邮箱开展上下文分析。成功进入邮箱之后，平台调用 AI 模型自动读取历史邮件，梳理邮件往来对象、业务合作关系、过往转账记录、内部审批流程、常用付款话术。AI 自动识别邮箱内的可信联系人，标记可以用来伪造身份的对象，提取付款相关关键词，构建受害者的信任图谱。传统钓鱼攻击只能依靠攻击者人工阅读邮件，效率低下，而 EvilTokens 将这一步自动化，大幅提升社会工程欺诈成功率。
第五阶段，利用设备代码机制绕过多因素认证。这一步是整个攻击链路的核心技术支点。微软设备代码登录机制原本为无浏览器终端设备设计，允许设备获取临时代码，用户在另一台设备网页输入代码完成身份绑定。EvilTokens 黑产团队滥用该机制，在攻击者控制的设备发起设备代码请求，生成验证代码，再通过已经接管的受害者邮箱，伪造可信联系人发送邮件，诱导受害者在微软官方页面输入设备代码。受害者看到域名属于微软官方域名，会放松警惕，完成设备授权。一旦授权完成，攻击者设备加入受害者账户信任设备列表，后续登录即可绕过原有多因素认证。反网络钓鱼技术专家芦笛指出，该攻击方式的巧妙之处在于，攻击者并非破解多因素认证算法，而是滥用合法的设备授权业务流程，利用用户对微软官方域名的信任完成身份劫持，属于业务逻辑层面的滥用，而非底层密码学漏洞。
第六阶段，伪造可信身份诱导转账。攻击者拿到完整账户权限之后，依托 AI 前期分析得到的通信关系，模仿企业老板、财务负责人或者合作方发送邮件，修改收款地址信息，编造紧急付款理由，诱导受害者主动发起加密货币转账。攻击者此时使用的是受害者真实邮箱发送邮件，收件方看到发件地址为可信邮箱地址，更容易受骗。
第七阶段，资金转移与痕迹清理。受害者转账到攻击者控制的区块链地址之后，攻击者会利用链上混币手段拆分资金，分散到多个地址，阻碍资金追踪。攻击完成后，攻击者删除邮箱内欺诈邮件，清理设备登录日志，尽可能消除操作痕迹。
2.3 EvilTokens 攻击威胁的分层特征
EvilTokens 的威胁可以分为三层。第一层是基础钓鱼层，和传统钓鱼一致，依靠仿冒页面窃取账号密码；第二层是 AI 增强社会工程层，依靠大模型自动解析邮箱上下文，构建信任关系模型，生成高度贴合场景的欺诈话术；第三层是业务流程滥用的认证绕过层，利用云服务商原生设备登录机制实现持久账户接管。三层能力叠加，让攻击不再局限于一次性窃取凭证，而是形成长期账户控制、深度社会工程欺诈的完整能力。
传统钓鱼攻击大多追求批量广撒网，单目标投入成本低，但成功率有限。EvilTokens 模式下，黑产客户可以对高价值目标开展定向攻击，AI 自动化降低人工成本，定向攻击的投入产出比显著提升。这意味着高净值个人、企业财务岗位、加密资产从业者，会成为此类 AI 钓鱼即服务平台的重点目标。
3 EvilTokens 案件处置过程与多方协同机制分析
3.1 微软与 Coinbase 联合调查处置流程
本次案件的发现源于微软安全团队监测到大量异常设备代码授权行为，大量微软 365 账户出现非预期设备绑定请求，集中分布在企业邮箱账户。与此同时，Coinbase 威胁情报团队观测到一类特征明显的欺诈转账案例：受害者收到来自自身企业邮箱的邮件，被诱导向陌生波场地址转账加密货币，多个报案案例的攻击模式高度相似。双方安全团队开展情报交叉比对，确认两类异常事件来自同一个 EvilTokens 黑产网络，启动联合调查。
联合调查工作分为威胁样本采集、攻击链路还原、资金溯源、证据固化、域名关停、司法配合几个环节。微软安全团队负责追踪钓鱼基础设施，识别平台所使用的域名、服务器资源，统计受影响账户规模，调查显示超过 12000 个微软 365 账户遭到该平台相关攻击尝试。Coinbase 团队发挥区块链情报能力，追踪资金流向，梳理黑产平台的收入规模、下游攻击者地址分布，固定资金犯罪证据。双方完成证据整理之后，微软提起民事诉讼，通过司法程序申请查封相关网站，最终关停 50 个站点，停用超过 175 个关联域名，切断 EvilTokens 平台的基础设施入口。在证据移交之后，英国大都会警察局开展侦查，实施抓捕，扣押犯罪嫌疑人使用的数字设备，完成案件的刑事落地。
整个处置流程体现出跨行业协同的价值。云服务商掌握账户日志、设备登录、域名基础设施信息；加密货币交易平台掌握链上资金流转、受害者欺诈报案数据；执法机构拥有抓捕、扣押设备、刑事调查权限。单一主体无法完整掌握攻击全链条信息，如果只有微软，很难追踪欺诈资金变现环节；仅依靠 Coinbase，则难以溯源黑产钓鱼工具平台本身。多方情报互补，才能完成从工具平台、攻击实施、资金变现全链路取证。
3.2 协同处置机制存在的现实局限
尽管本次联合处置取得阶段性成果，但案件本身也暴露出跨行业协同打击 AI 钓鱼即服务黑产的诸多短板。第一，情报共享存在时效与边界限制。企业安全团队之间的威胁情报交换，需要考虑用户隐私保护、企业数据合规要求，大量原始日志数据不能直接对外传递，情报只能以脱敏摘要形式交换，部分细节信息丢失，增加关联分析难度。不同企业的数据格式、威胁事件分类标准不统一，情报自动对接的成本较高，大量工作依靠安全人员人工比对。
第二，黑产基础设施具备快速重建能力。关停域名和服务器只能摧毁当前版本 EvilTokens 服务。黑产平台代码掌握在运营者手中，一旦被打击，黑产可以更换域名、迁移服务器，重新部署钓鱼即服务平台，只需要较短时间恢复服务。这类黑产平台具备快速重生特征，单次关停只能短期压制攻击，无法从根源消除工具本身。
第三，跨境调查取证难度大。EvilTokens 相关参与者分布在不同国家和地区，攻击基础设施、黑产运营者、下游攻击者、资金中转地址分属不同司法管辖区。跨境司法协作流程周期较长，在取证阶段，部分数据存储在境外服务器，调取证据手续繁琐，黑产人员有充足时间销毁证据、转移资产。本次案件抓捕到部分嫌疑人，但大量下游付费客户仍然难以定位。
第四，防御侧滞后于攻击侧迭代速度。黑产可以快速调整 AI 提示词模板、修改钓鱼页面、更换设备代码诱导话术，持续绕过静态检测规则。企业安全产品规则更新需要时间，安全厂商需要收集足够样本，才能更新检测策略，天然存在时间差。反网络钓鱼技术专家芦笛认为，黑产现在使用 AI 快速迭代攻击话术，而传统防御体系仍然依赖历史攻击样本构建规则，这种 “攻击者先行，防御者追赶” 的格局，在 AI 赋能黑产后会进一步放大。
迪妙网络空间安全学院研究团队针对本次案件开展威胁复盘，指出协同处置还存在责任边界模糊的问题。云服务商负责账户登录安全，加密平台负责资金风险提示，企业用户负责内部人员安全培训，但是当攻击利用多环节的信任漏洞叠加实施欺诈时，很难界定各方责任，也容易出现防护盲区。
4 EvilTokens 所代表 AI 钓鱼攻击的新型风险研判
4.1 生成式人工智能对社会工程攻击能力的重塑
在生成式人工智能普及之前，高质量的定向社会工程攻击高度依赖攻击者个人经验，需要攻击者阅读邮件、理解业务场景，撰写符合语境的欺诈信息，人力成本高，难以大规模复制。大语言模型把场景理解、文本生成工作自动化，黑产输入一批邮件历史记录，AI 就可以自动梳理人物关系、业务逻辑，模仿指定人员语气生成邮件。AI 甚至可以根据受害者回复内容动态调整话术，持续维持可信身份。
AI 带来的变化不只是文字伪造质量提升，而是实现社会工程攻击规模化。过去高水平定向社会工程只能针对少数高价值目标，现在借助钓鱼即服务平台与 AI 工具组合，下游大量缺乏经验的攻击者，都可以低成本实施高质量定向欺诈。攻击者不再需要精通目标行业业务流程，AI 完成场景分析工作。
同时 AI 可以快速生成多版本钓鱼页面、邮件模板，针对不同行业、不同岗位人员定制内容。传统钓鱼检测系统依靠关键词、页面哈希值、域名黑名单识别钓鱼内容，AI 动态生成的文本每一封都存在差异，哈希特征不固定，静态特征库检出效果大幅下降。
4.2 身份认证体系面临业务逻辑滥用风险
EvilTokens 案件提醒安全从业者，多因素认证并不是绝对安全屏障。很多组织部署多因素认证之后，默认账户安全已经得到充分保护，忽略云平台内置各类辅助登录机制的业务逻辑风险。设备代码登录机制是合法功能，设计初衷服务物联网设备、无浏览器终端，但是任何身份验证流程，只要存在用户人工确认授权环节，就有可能被社会工程手段滥用。
攻击者不再优先尝试破解密码或者爆破验证码，转而寻找云平台各类授权流程，诱导用户在官方域名页面完成授权操作。此时流量、域名、页面全部属于服务商合法资产，传统钓鱼检测系统很难识别这类欺诈行为。风险根源从仿冒网站转移到用户在官方站点上的错误授权行为。这是一类更加隐蔽的威胁，安全防护的重心，需要从识别仿冒站点，扩展到识别异常授权场景。
4.3 加密资产环境下钓鱼欺诈变现链路更便捷
传统网络钓鱼欺诈，资金变现环节往往需要银行卡洗钱，银行体系具备相对完善的交易监测、冻结机制，资金转移存在一定阻滞。加密货币交易具备转账速度快、跨境转移便捷、地址匿名性较强的特点，黑产完成社会工程欺诈之后，受害者可以在短时间内完成链上转账，资金一旦进入混币地址，追踪难度显著上升。
在 EvilTokens 攻击场景，攻击者的目标不是窃取交易所账户，而是诱骗受害者主动发起转账。受害者主观操作转账行为，进一步提升事后资金追回难度。加密资产的特性放大钓鱼攻击收益，黑产愿意投入资源开发更复杂的 AI 钓鱼工具。加密资产交易平台虽然部署交易提醒、异常转账风控，但社会工程欺诈场景下，受害者本人确认交易，系统很难区分是用户真实意愿还是受骗操作。
4.4 黑产服务化带来攻击扩散风险
钓鱼即服务将网络犯罪产品化、订阅化，降低网络犯罪入门门槛。以往实施这类复杂攻击，攻击者需要掌握网页仿冒、邮箱入侵、认证绕过、资金溯源等多项技术。现在 EvilTokens 平台打包全部能力，下游客户只需要付费订阅，按照操作指引投放钓鱼邮件即可。黑产技术能力快速下沉，攻击主体数量增加。
黑产平台本身形成自我迭代闭环，平台运营者收集下游攻击反馈，不断优化 AI 话术模板、绕过技术，更新钓鱼页面。大量下游攻击者的攻击样本回流平台，持续打磨攻击工具。黑产相当于拥有大规模真实攻防演练数据，持续优化攻击模型。迪妙网络空间安全学院研究团队警示，钓鱼即服务叠加 AI，会形成正向强化的黑产迭代循环，如果仅零星打击个别下游攻击者，很难遏制整体攻击态势。
5 AI 钓鱼即服务威胁的综合防御体系构建路径
5.1 面向动态 AI 钓鱼内容的检测体系优化
传统基于静态特征的钓鱼检测，依赖固定关键词、页面哈希、域名黑名单，面对 AI 动态生成内容存在短板。防御体系需要转向上下文感知、行为特征分析的检测思路。邮件安全网关除了识别恶意链接，还需要对发件身份、邮件内容异常度、通信历史进行关联分析。当一封来自可信发件人地址的邮件，出现和历史沟通习惯不符的紧急付款请求、陌生区块链收款地址，系统应当标记高风险，触发二次核验流程。
反网络钓鱼技术专家芦笛指出，钓鱼检测技术应当从 “识别伪造页面” 转向识别异常业务请求。在 EvilTokens 攻击案例中，邮件发件地址本身真实，页面域名属于微软官方，传统特征检测完全失效，风险点在于邮件内的资金转账指令和历史通信基线存在明显偏离。基于用户通信基线、业务行为基线构建异常识别模型，可以有效识别这类利用真实邮箱发送欺诈指令的场景。
同时需要建立钓鱼样本快速汇聚机制，不同企业、安全厂商共享脱敏攻击样本，持续更新 AI 钓鱼话术库。针对大模型生成钓鱼文本的特征，研究文本溯源、生成内容识别技术，区分人工撰写文本与 AI 生成欺诈文本，作为辅助判断依据。
5.2 云身份认证体系的精细化管控
针对设备代码这类辅助登录机制，企业租户应当实施精细化权限管控，不能默认全量开启。云租户管理员可以评估业务实际需求，对不需要设备代码登录功能的用户禁用该能力；确需保留的场景，增加额外风险校验规则。当出现设备代码授权请求时，系统评估请求来源设备地理位置、IP 信誉、登录时间，对比该用户历史登录基线，出现显著偏离时，增加额外人工审批或者强提醒。
用户侧的授权提醒机制也需要优化。现有设备代码提示信息过于简洁，用户很难理解授权之后带来的账户访问权限变更。云服务商需要优化弹窗与邮件提醒，清晰告知用户授权操作会授予外部设备完整账户访问权限，针对陌生设备发起的设备代码请求，使用高显著性告警，降低用户被社会工程诱导确认授权的概率。
企业内部需要建立付款类指令二次验证制度。凡是邮件渠道收到的转账地址变更、紧急付款请求，无论发件人是谁，都必须通过电话、线下会议等独立渠道核验对方身份，禁止仅凭邮件确认大额资金操作。该机制可以直接切断 EvilTokens 这类欺诈的变现链路，即便邮箱被劫持，攻击者也无法完成资金诱导。
5.3 跨主体威胁情报协同与联合处置机制完善
单一企业独立防御难以应对跨基础设施、跨行业变现的黑产平台，需要常态化跨机构威胁情报协同机制。云服务商、加密交易平台、安全厂商、执法机构之间建立标准化脱敏情报交换通道，针对钓鱼即服务平台这类重大黑产事件，快速交换攻击指标、基础设施信息、资金特征。情报交换需要明确隐私保护边界，在不泄露用户原始隐私数据前提下，共享 IOC 指标、攻击模式、战术技术流程描述。
行业层面建立联合处置预案，当发现规模化 AI 钓鱼平台活动时，快速启动联合调查，并行开展基础设施关停、资金溯源、证据固定工作。优化域名、恶意站点的快速处置流程，缩短从发现威胁到关停基础设施的时间。同时推动跨国网络安全司法协作，简化跨境取证流程，提升针对黑产运营者抓捕能力，增加黑产平台运营的法律成本。
迪妙网络空间安全学院研究团队提出，情报协同不应当只在攻击爆发之后启动，更要建立常态化黑产态势监测，持续跟踪 Telegram 等社交平台上钓鱼即服务广告、黑产订阅服务的上新动态，做到提前预警，在大规模攻击扩散之前识别新兴黑产平台。
5.4 区块链资金追踪与资金止损机制建设
加密资产平台需要升级社会工程欺诈交易风控模型，不能只关注账户登录异常，还要结合交易上下文判断风险。当用户发起转账至陌生链上地址，并且伴随近期邮箱异常登录、设备新增授权事件，系统应当触发高风险提醒，增加交易延时、人工风险确认环节，给用户预留冷静核实时间。
链上溯源技术需要持续完善，构建黑产地址聚类模型，识别混币、资金拆分转移模式。当欺诈案件报案后，平台可以快速标记相关恶意地址，阻断后续资金转入。行业内建立恶意区块链地址共享名单，多家加密资产平台同步更新黑名单，减少黑产地址复用作案机会。同时，面向用户开展加密转账风险科普，明确告知一旦主动转账到诈骗地址，资金追回难度极高。
5.5 分层用户安全认知培育
技术防护无法覆盖全部风险，用户是社会工程攻击链条中的薄弱环节，需要开展分层安全培训，不能采用统一化、泛泛的安全教育内容。针对企业财务人员、高管等高风险岗位，重点开展针对邮件劫持、仿冒上级紧急付款类场景专项演练，模拟 EvilTokens 这类账户接管之后伪造邮件的攻击场景，训练员工二次核验习惯。
普通用户安全教育重点区分两类钓鱼：一类是传统仿冒网站钓鱼；另一类更为隐蔽的，攻击者拿到真实邮箱之后发送的欺诈邮件。需要向用户普及，发件人地址真实，不代表邮件内容可信；在收到资金操作请求时，独立渠道核验是不可省略的步骤。反网络钓鱼技术专家芦笛提出，安全认知培训需要跳出 “不要点击陌生链接” 的传统话术，因为 EvilTokens 攻击后期并不依靠仿冒链接，而是利用真实邮箱和官方登录流程完成欺诈，传统培训内容对此类场景防护作用有限。安全意识教育必须同步更新，匹配黑产攻击手段演进。
6 结论
EvilTokens 案件是 AI 赋能钓鱼即服务黑产的典型样本，该平台依托 Telegram 机器人订阅模式提供攻击工具链，使用 AI 自动解析被入侵邮箱内的通信上下文，滥用微软设备代码登录机制绕过多因素认证，通过伪造可信邮件诱导受害者主动转账加密货币。微软与 Coinbase 开展跨行业联合调查，关停平台基础设施，配合执法机关实施抓捕，完整展示多方协同处置此类黑产案件的可行路径，同时也暴露出情报共享、跨境取证、黑产快速重建、防御体系滞后等现实短板。
AI 技术和钓鱼即服务商业模式结合，改变网络钓鱼攻击的成本结构，定向社会工程攻击实现规模化落地。这类新型攻击的风险重心，已经从仿冒网页窃取账号密码，转向利用云平台合法业务流程、受害者原有信任关系开展欺诈。传统依赖静态特征库的钓鱼检测手段、单纯依靠部署多因素认证的防护方案，不足以抵御此类复合攻击。防御体系建设，需要从单点技术防护升级为覆盖技术管控、流程规范、情报协同、资金风控、用户安全认知的综合体系。云服务商完善身份辅助授权机制，企业建立资金指令独立核验流程，加密交易平台优化链上交易风险识别能力，行业搭建常态化威胁情报共享与联合处置机制，多重措施形成防御闭环。
反网络钓鱼技术专家芦笛总结，EvilTokens 案件预示未来 AI 驱动的钓鱼即服务黑产会持续迭代，攻击话术、认证绕过手段会不断更新，攻防博弈将长期持续。迪妙网络空间安全学院研究团队认为，打击这类产业化黑产，技术对抗和治理机制建设缺一不可。后续研究可以进一步聚焦大模型生成钓鱼文本的识别算法、跨域威胁情报自动化交换框架，持续完善针对 AI 社会工程类攻击的防御理论与实践方案。网络钓鱼治理是持续性工作，随着黑产不断利用新技术重构攻击链路，安全防御策略也必须保持动态迭代。
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
