phreshphish/phreshphish

PhreshPhish是一个大规模真实世界的数据集，用于钓鱼网页检测，包含钓鱼和良性HTML-URL对。分为训练集和测试集，共包含超过400,000个样本，适用于文本分类任务。

PhreshPhish is a large-scale, real-world dataset and benchmark for phishing webpage detection containing phishing and benign HTML-URL pairs, split into training and test sets with a total of over 400,000 samples, suitable for text classification tasks.

搜集汇总

数据集介绍

构建方式

在网络安全领域，高质量数据集的构建对于提升钓鱼网页检测模型的泛化能力至关重要。PhreshPhish数据集通过系统性地收集真实世界的网页HTML与URL配对信息构建而成，其训练集包含498,255个样本，测试集包含168,060个样本，涵盖了从良性到恶意钓鱼网页的广泛分布。数据采集过程注重时效性，例如在2025年3月至12月期间新增了约20万个样本，并通过下采样早期数据以增强时间一致性，确保了数据集能够反映最新的网络威胁态势。

使用方法

研究人员可利用Hugging Face的datasets库便捷地加载PhreshPhish数据集，通过指定训练集或测试集分割即可获取结构化数据。该数据集适用于文本分类任务，特别是钓鱼网页的二元判别分析。用户应遵循知识共享署名4.0国际许可协议，并仅将数据用于反钓鱼研究目的。在学术引用时，可参考相关的预印本论文，以确保研究工作的可追溯性与学术规范性。

背景与挑战

背景概述

在网络安全领域，钓鱼网页检测一直是防御网络欺诈的关键技术。PhreshPhish数据集由Thomas Dalton等研究人员于2025年创建，旨在提供一个大规模、高质量的钓鱼网站检测基准。该数据集包含近百万个钓鱼与良性网页的HTML-URL配对，其核心研究问题聚焦于提升钓鱼检测模型在真实网络环境中的泛化能力与时效性。通过提供动态更新的样本与多样化的基准测试，该数据集显著推动了钓鱼检测算法从理论验证向实际部署的过渡，为学术界与工业界提供了可靠的评估平台。

当前挑战

钓鱼网页检测面临的核心挑战在于钓鱼技术的快速演化与隐蔽性增强，使得传统基于静态特征的模型难以应对新型攻击。PhreshPhish在构建过程中需克服数据收集的时效性难题，确保样本能够反映最新的钓鱼策略，同时维持数据质量与类别平衡。此外，数据集的规模与复杂性对存储、处理及标注流程提出了较高要求，需通过高效的采集与清洗机制来保证数据的代表性与一致性。这些挑战共同凸显了在动态网络环境中构建可靠检测基准的复杂性。

常用场景

经典使用场景

在网络安全领域，钓鱼网页检测作为对抗网络欺诈的前沿阵地，对高质量数据的需求日益迫切。PhreshPhish数据集以其大规模、真实世界的HTML-URL配对样本，为机器学习模型提供了经典的训练与评估场景。研究者通常利用该数据集构建分类器，通过分析网页内容与URL特征，精准区分钓鱼页面与良性页面，从而在基准测试中验证模型在动态威胁环境下的泛化能力与鲁棒性。

解决学术问题

钓鱼检测研究长期面临数据规模有限、样本陈旧或缺乏真实世界代表性等挑战。PhreshPhish通过提供近百万条时效性强、标注准确的样本，有效解决了模型过时与泛化不足的学术难题。其精心设计的基准测试框架，涵盖多种基础比率，助力学术界深入探究类别不平衡、概念漂移及对抗性攻击等核心问题，推动了检测算法在理论层面的创新与突破。

实际应用

在实际的网络安全防御体系中，基于PhreshPhish训练的检测模型可直接部署于电子邮件网关、网页过滤系统或浏览器扩展中。这些系统能够实时扫描并拦截潜在的钓鱼攻击，保护终端用户免受凭证窃取或金融诈骗的侵害。该数据集的高质量与大规模特性，确保了模型在实际网络流量中保持高检出率与低误报率，为企业和个人构建了坚实的安全屏障。

数据集最近研究

最新研究方向

在网络安全领域，钓鱼网页检测作为对抗网络欺诈的前沿阵地，PhreshPhish数据集凭借其大规模、高质量的实时网页样本，为模型泛化能力与时效性研究提供了关键支撑。当前研究聚焦于利用该数据集训练深度学习模型，以应对钓鱼技术快速演变的挑战，探索基于HTML结构与URL特征的动态检测方法，旨在提升模型在真实网络环境中的鲁棒性与适应性。相关热点事件如人工智能驱动的钓鱼攻击激增，进一步凸显了该数据集在推动主动防御技术发展、保障数字资产安全方面的重要意义，为学术界与工业界构建下一代反钓鱼系统奠定了坚实的数据基础。