基于 pyzbar 与邮件安全网关的 QR 码钓鱼Quishing检测 API 实战指南【免费下载链接】Anthropic-Cybersecurity-Skills817 structured cybersecurity skills for AI agents · Mapped to 6 frameworks: MITRE ATTCK, NIST CSF 2.0, MITRE ATLAS, D3FEND, NIST AI RMF MITRE F3 (Fight Fraud) · agentskills.io standard · Works with Claude Code, GitHub Copilot, Codex CLI, Cursor, Gemini CLI 20 platforms · 29 security domains · Apache 2.0项目地址: https://gitcode.com/GitHub_Trending/an/Anthropic-Cybersecurity-Skills本指南以 api-reference.md 为核心系统讲解 QR 码钓鱼quishing检测所依赖的关键 API用 pyzbar 解码邮件图片中的二维码、用 Python email 模块解析 EML、对解码 URL 做钓鱼特征评分并打通 Microsoft Defender for Office 365 与 VirusTotal 的威胁信誉核验。读完本文你将能够在 Anthropic-Cybersecurity-Skills 仓库的 detecting-qr-code-phishing-with-email-security 技能框架下独立构建EML 解析 → QR 解码 → URL 评分 → 外部信誉核验的完整检测管线。为什么 QR 码是邮件安全的盲区QuishingQR code phishing把恶意 URL 编码进图片里的二维码传统邮件网关只扫描正文中的纯文本链接无法读取图片内嵌内容而当用户用手机扫码时流量又发生在缺乏企业防护的个人设备上。该技能在 SKILL.md 中给出了量化背景2025 年 8 月至 11 月间 quishing 事件从 46,000 起增长到 250,000 起其中 89.3% 指向凭证窃取攻击者还演化出分割 QRsplit QR、嵌套 QRnested QR以及用 ASCII 文本绘制的 QR 码2026 年 1 月约 12% 的攻击采用该手法来绕过图片分析。从防御侧看检测链条分为四段每段都有明确的技术落点图片发现从 EML 中提取所有image/*附件与内联图Pythonemail模块QR 解码用 pyzbar 把图片中的二维码还原成文本 URLURL 分析对解码结果做 TLD、域名形态、协议、路径关键词的风险评分信誉核验对接 Microsoft Defender for Office 365 / VirusTotal 等外部服务二次确认。以下按这四段展开 API 层面的实战细节。pyzbarQR 码与条形码解码 API安装与环境依赖pyzbar 是 zbar 解码库的 Python 绑定配合 Pillow 读取图片即可使用pip install pyzbar Pillow # On Linux: apt-get install libzbar0注意 Linux 下必须安装libzbar0系统库否则 import 阶段会失败。仓库脚本对此做了优雅降级在 agent.py 与 process.py 中均以try/except ImportError包裹导入缺失时置HAS_QR False/HAS_PYZBAR False随后在解码入口如 process.py 的scan_image_for_qr打印安装提示并返回空结果保证检测流程不会因依赖缺失而崩溃。核心解码函数from pyzbar.pyzbar import decode from PIL import Image results decode(Image.open(qr.png)) for r in results: print(r.type) # QRCODE print(r.data) # bhttps://... print(r.rect) # Rect(left40, top40, width200, height200)实际落地时很少直接解码磁盘文件——邮件里的图片是内存字节。仓库在 agent.py 提供了decode_qr_from_bytes先用io.BytesIO把原始字节包装成文件对象再交给Image.open与qr_decode最后用errorsreplace容错解码避免非法 UTF-8 数据抛异常。解码对象属性AttributeTypeDescriptiondatabytesDecoded content解码内容typestrBarcode type (QRCODE, EAN13, etc.)rectRectBounding rectangle外接矩形polygonlistCorner points角点坐标qualityintDecode quality score解码质量分实战中rect/polygon可用于定位二维码在邮件图片中的位置辅助取证截图quality可用于过滤低质量误检。注意解码出的data不一定是 URLprocess.py 的处理策略是仅当内容以http://、https://或www.开头才进入 URL 分析否则标记为QR code contains non-URL data并给予低风险分 10。Python email 模块EML 解析与 MIME 遍历解析 EML 文件import email from email import policy with open(message.eml, rb) as f: msg email.message_from_binary_file(f, policypolicy.default) subject msg[Subject] sender msg[From]必须使用二进制模式打开并配合policy.default才能正确保留 MIME 结构与头字段解码语义。仓库的extract_images_from_emlagent.py正是以此方式加载邮件并同步提取Subject、From用于后续关键词打分。遍历 MIME 部件for part in msg.walk(): ctype part.get_content_type() if ctype.startswith(image/): payload part.get_payload(decodeTrue) filename part.get_filename()msg.walk()会递归遍历嵌套的multipart/*结构get_payload(decodeTrue)返回传输编码解码后的原始字节get_filename()取附件名内联图通常为None。仓库脚本对无名内联图回退为inline_image.{ext}扩展名从content_type.split(/)[1]推导如image/png→png。针对 HTML 邮件中 base64 内嵌图非附件的场景process.py 还实现了正则抓取Content-Type: image/...Content-Transfer-Encoding: base64块、base64.b64decode还原字节、再送qr_decode的完整链路——这覆盖了QR 嵌在正文而非附件的常见变体。URL 分析指标解码之后的信誉初筛可疑 TLD 列表解码出的 URL 首先与高危后缀列表比对.xyz、.top、.club、.work、.buzz、.tk、.ml、.ga、.cf、.gq。仓库将列表扩展为集合常量SUSPICIOUS_TLDSagent.py追加了.info、.online、.site、.icu等攻击者常用廉价域名process.py 则以正则\.tk$|\.ml$|\.ga$|\.cf$|\.gq$的形式参与 URL 特征匹配。钓鱼 URL 特征评分表PatternRiskIP address in domain域名直接用 IPHighDomain 40 chars超长域名MediumHTTP (no TLS)无 HTTPSMedium3 subdomains子域过多MediumURL shortener短链服务HighBase64 in path路径含 Base64High评分机制在两份脚本中都有实现可作为参数取值的参考agent.py 的analyze_urlagent.py命中一条指标记一次risk_score min(指标数 × 25, 100)即 1 条指标 MEDIUM25、2 条 HIGH50、3 条以上 CRITICAL75。process.py 的analyze_urlprocess.py按模式加权累加——可疑 URL 模式每条 15已知钓鱼基础设施Firebase/Netlify/Glitch/Cloudflare Workers 免费托管滥用每条 25短链服务 20纯 IP 域名 30子域 3 15同形字非 ASCII 域名字符 25非 HTTPS 10最终risk_score min(总分, 100)且 ≥30 判为is_suspicious。同时维护PHISHING_INFRA_PATTERNSprocess.py识别[a-z0-9]{20,}.web.app、*.netlify.app、*.glitch.me、*.workers.dev等被滥用托管平台。外部信誉核验 API初筛打分之外生产环境还需要外部威胁情报兜底。原文档给出两类核验接口。Microsoft Defender for Office 365 — Safe Links APIPOST https://graph.microsoft.com/v1.0/security/tiIndicators Content-Type: application/json Authorization: Bearer {token} { targetProduct: Azure Sentinel, threatType: Phishing, url: https://suspicious-domain.xyz/login }该调用将可疑 QR 解码 URL 作为威胁指标tiIndicator投递到 Azure Sentinel使后续到达的同类邮件触发联动告警。SKILL 中将其归入Step 2: Configure QR Code URL Analysis——对 QR 提取 URL 应用与文本 URL 相同的扫描策略、启用实时沙箱与点击时time-of-click保护。VirusTotal URL Scan APIPOST https://www.virustotal.com/api/v3/urls x-apikey: {API_KEY} Content-Type: application/x-www-form-urlencoded urlhttps://suspicious-domain.xyz提交后轮询分析结果的响应字段FieldDescriptiondata.attributes.last_analysis_stats.maliciousEngines flagging as malicious报毒引擎数data.attributes.last_analysis_stats.harmlessEngines flagging as clean判定干净的引擎数data.attributes.categoriesURL categorizationURL 分类端到端实现仓库脚本如何串起整条管线原文档给出了各 API 的独立用法而仓库把四段链路固化成了两个可直接运行的脚本这是理解各 API 协同关系的最佳源码证据。agent.py —— 目录批量扫描 JSON 报告入口命令python skills/detecting-qr-code-phishing-with-email-security/scripts/agent.py eml 文件或目录 --output report.json --verbose主流程agent.py 的analyze_emailextract_images_from_eml提取全部图片并记录Subject/From对主题做PHISHING_KEYWORDSverify/account/urgent/password/invoice 等 15 个词匹配命中即记入phishing_indicatorsdecode_qr_from_bytes解码每张图片过滤出 HTTP(S) URL 后逐个analyze_url取所有 URL 风险分最大值映射风险等级≥75 CRITICAL、≥50 HIGH、≥25 MEDIUM、否则 LOW目录模式下用os.walk递归收集全部.eml文件agent.py汇总报告统计qr_phishing_detected数并输出 JSON。process.py —— 三子命令 邮件内容模式匹配python skills/detecting-qr-code-phishing-with-email-security/scripts/process.py scan-image --image qr_image.png python skills/detecting-qr-code-phishing-with-email-security/scripts/process.py scan-email --eml-file message.eml python skills/detecting-qr-code-phishing-with-email-security/scripts/process.py check-url --url https://example.com/login # 三子命令均支持 --json 输出结构化结果除了解码与 URL 评分scan_email_contentprocess.py还在邮件正文层面做 quishing 语义检测QUISHING_EMAIL_PATTERNSprocess.py匹配scan this QR code、scan to verify/authenticate、MFA setup/enrollment/reset、voicemail notification、document signing、security update required 等典型话术检测图片丰富但纯文本极少模式去 HTML 标签后词数 50 且含img或Content-Type: image/这是 quishing 邮件的高频形态综合 QR 可疑度与正文指标数给出处置建议BLOCK and alert SOCcritical、QUARANTINE for manual reviewhigh、TAG with QR phishing warning bannermedium、DELIVER normallylow。这一话术 形态 解码三重判定正是 workflows.md 中QR Code Email Detection Pipeline的代码化实现先标准文本扫描再图片分析命中后提取 URL 走信誉与沙箱最终按 MALICIOUS / SUSPICIOUS / UNKNOWN / CLEAN 四档决策。与技能框架的衔接检测规则的落点原文档的 API 能力最终要为检测规则服务。技能包中的 template.md 给出了可直接套用的规则清单与本文 API 一一对应RuleCondition对应 API 环节QR in image内嵌图片检出二维码pyzbardecoderectQR in PDFPDF 附件含二维码email模块取附件 pyzbarASCII QR文本绘制 QR 形态邮件正文正则scan-emailImage-only email图片多、正文少QUISHING_EMAIL_PATTERNS 词数统计MFA QR themeQR MFA/认证话术正文关键词 URL 评分同时技能已在 SKILL.md 中声明了对 MITRE ATTCKT1566、T1598、T1036、T1027 等与 MITRE F3 的映射检测结果可按 mappings 目录下的框架映射进一步结构化归档供 SIEM 关联与告警分级使用。验证与上线建议原文档的 Validation 标准可作为自测清单受控测试中捕获 quishing 邮件、能命中分割 QR 与 ASCII QR 变体、QR 提取 URL 进入沙箱、移动端对恶意 QR 目标告警、用户上报率 50%、QR 检测误报率 1%。落实到本管线上建议依次验证构造含 QR 图片的.eml样本 →scan-email输出中qr_codes_found与overall_risk是否符合预期 → 高/中危样本的处置建议是否与 workflows.md 中 Block/Quarantine/Tag 分档一致 → 对接 Defender/VirusTotal 后的last_analysis_stats是否正确驱动最终放行决策。需要说明的适用前提pyzbar 解码依赖本地 zbar 库Linux 需libzbar0脚本仅做静态检测不含沙箱执行能力实时沙箱与点击时保护需依赖邮件安全网关如 Microsoft Defender for O365、Proofpoint TAP、Barracuda Multimodal AI的既有能力移动端扫码防护Palo Alto ALFA、Lookout/Zimperium 等属于网关之外的独立层详见 SKILL.md 的Step 3: Deploy Mobile-Side Protection。【免费下载链接】Anthropic-Cybersecurity-Skills817 structured cybersecurity skills for AI agents · Mapped to 6 frameworks: MITRE ATTCK, NIST CSF 2.0, MITRE ATLAS, D3FEND, NIST AI RMF MITRE F3 (Fight Fraud) · agentskills.io standard · Works with Claude Code, GitHub Copilot, Codex CLI, Cursor, Gemini CLI 20 platforms · 29 security domains · Apache 2.0项目地址: https://gitcode.com/GitHub_Trending/an/Anthropic-Cybersecurity-Skills创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考