本文版权为《邮电设计技术》所有，如需转载请联系《邮电设计技术》编辑部
摘 要：网络黑灰色产业正面临技术对抗升级与隐蔽传播的双重挑战，传统检测方法面临语义解析维度缺失、特征更新滞后等系统性瓶颈。提出了基于大语言模型（LLM）的智能分类框架，通过角色认知强化与上下文情感增强的双轮驱动机制，突破传统方法的性能天花板，实现F1分数0.913的分类效能。该研究将LLM技术与动态对抗场景深度融合，不仅构建了“语义消解—知识进化—多模态推理”三位一体的技术防御体系，更开发出涵盖“数据采集—模型优化—场景模拟”全流程的AI+安全教育实践平台，为网络空间治理提供了技术创新与人才培养的协同解决方案。
关键词：黑灰产；网页分类；大语言模型；角色设定；情感引导
doi：10.12045/j.issn.1007-3043.2025.09.001
背景与挑战
网络空间安全防御与黑灰色产业的技术对抗已进入深度博弈阶段。据欧盟网络安全局（ENISA）《2023年度威胁态势报告》显示，基于语义混淆和跨模态伪装的对抗性攻击手段同比增长217%，导致全球每年因黑灰产网站造成的经济损失超过3200亿美元。在此背景下，传统检测体系面临三重技术困境：语义消解维度缺失，难以破解隐喻式违法表述（如“茶叶”代指非法药品）；特征迭代远落后于黑灰产变种速度；对文本-图像协同伪装的多模态分析割裂。面对上述挑战，本研究提出基于大语言模型的黑灰产网站智能分类新范式。区别于传统特征工程，LLM在动态语义消解、实时知识进化及多模态关联推理3个方面展现出独特的优势；创新的角色认知强化框架（网络巡查官、反诈专家、受害者三维视角）与情感引导的协同机制，进一步强化了模型对隐蔽风险的认知。在此基础上，将黑灰产检测任务转化为实践教学资源，可令学生在参与“技术研究—数据标注—模型训练—分类评估”的完整流程中，培养LLM应用、风险分析与团队协作能力。
