用于红队测试的奖励驱动自动化WebShell恶意代码生成器
密码学与安全
2025-06-02 v1 人工智能
摘要
频繁的网络攻击已将 WebShell 的利用与防御提升为网络安全领域的关键研究重点。然而，目前仍严重缺乏按混淆方法分类的、公开可用且标注完善的恶意代码数据集。现有的恶意代码生成方法主要依赖提示工程，其生成的有效载荷往往多样性有限且冗余度高。为了解决这些局限性，我们提出了 RAWG，一个为红队测试应用设计的奖励驱动自动化 WebShell 恶意代码生成器。我们的方法首先将常见数据集中的 WebShell 样本归类为七种不同类型的混淆。然后，我们利用大型语言模型（LLM）从每个样本中提取并规范化关键标记，创建一个标准化、高质量的语料库。利用这一精选数据集，我们对一个开源大模型进行监督微调（SFT），以生成多样化、高度混淆的 WebShell 恶意有效载荷。为了进一步提升生成质量，我们应用了近端策略优化（PPO），在强化学习过程中将恶意代码样本作为“选中”数据，将良性代码作为“拒绝”数据。大量实验表明，RAWG 在有效载荷多样性和逃逸效果上均显著优于当前最先进的方法。
引用
@article{arxiv.2505.24252,
title = {A Reward-driven Automated Webshell Malicious-code Generator for Red-teaming},
author = {Yizhong Ding},
journal= {arXiv preprint arXiv:2505.24252},
year = {2025}
}