YD/T 3657-2020 标准解读

一、标准整体架构与篇章体系

• 第1章 范围：界定本标准适用于通信网络中面向中文域名的仿冒行为检测系统设计、开发、部署及评估，不涵盖非中文字符集域名或纯英文仿冒场景。
• 第2章 规范性引用文件：明确引用GB/T 13715—2012《汉字部件规范》、GB 18030—2005《信息技术 中文编码字符集》、YD/T 2639—2013《域名系统安全技术要求》等7项基础性标准，构成术语、编码、安全机制的支撑依据。
• 第3章 术语和定义：定义“中文仿冒域名”“形近字映射关系”“语义混淆度”“检测置信度阈值”等12个核心术语，其中“中文仿冒域名”特指以Unicode编码表示、通过字形相似性、拼音近似性或语义关联性诱导用户误认的中文域名字符串。
• 第4章 检测对象与范围：规定检测对象须覆盖二级域（含IDN编码形式）及三级域，排除DNS根域、顶级域标签及纯数字/符号组合域名；明确排除非HTTP(S)协议承载的域名解析记录。
• 第5章 检测方法与流程：分设“预处理”“特征提取”“相似性计算”“判定输出”四阶段流程，强制要求各阶段输入输出格式符合附录A数据结构定义。
• 第6章 性能指标要求：设定检出率≥98.5%（F1-score加权均值）、误报率≤0.3%、单域名平均响应时延≤200ms三项量化基线。
• 附录A～C：附录A为检测结果JSON Schema格式规范；附录B为形近字映射关系表（含3,217组Unicode码位对，覆盖GB18030一级汉字99.2%）；附录C为测试用例构造规则（含21类典型仿冒模式样本集）。

二、强制性核心条款分级

1. 检测覆盖强制性：第4.2条要求系统必须支持UTF-8与Punycode双向解析，并对所有含U+4E00–U+9FFF、U+3400–U+4DBF、U+20000–U+2A6DF三段Unicode汉字区间的域名执行检测，不得因编码转换失败跳过判定。
2. 形近判定强制性：第5.3.1条明确禁止仅依赖单字笔画数或部首匹配进行相似性计算；必须采用附录B所列映射关系表作为唯一形近判定依据，未列入表中的码位对不得认定为形近。
3. 性能基线强制性：第6.1条规定的检出率、误报率、响应时延为验收否决项，任一指标连续3次测试未达标即判定系统不符合本标准。
4. 输出格式强制性：第5.4条要求检测结果必须包含“domain”“is_phishing”“confidence_score”“matched_chars”四个必选字段，且confidence_score取值范围严格限定为[0.00, 1.00]闭区间，保留两位小数。

三、推荐性优化条款解读

• 多模态特征融合（第5.3.3条）：建议在基础形近检测外，引入拼音编辑距离（Levenshtein Distance on Pinyin）、语义向量余弦相似度（基于BERT-wwm-chinese微调模型）作为辅助特征，适用于金融、政务等高风险行业域名风控场景。
• 动态阈值调整（第6.2条）：推荐根据历史误报样本分布自动校准confidence_score阈值，适配不同网络环境下的噪声水平，但不得替代第6.1条规定的静态基线指标。
• 上下文感知检测（附录C.4.2）：建议结合WHOIS注册信息、SSL证书颁发机构、网站内容关键词共现频率构建上下文图谱，提升对“品牌词+仿冒后缀”类域名（如“支付宝-安全中心.中国”）的识别精度。
• 增量更新机制（第5.1.2条）：推荐支持形近字映射关系表（附录B）的热加载与版本回滚，更新周期不超过72小时，保障对新出现仿冒字对的及时响应能力。

四、通用基础条款说明