学习看起来良性：通过 API 导入注入对恶意软件检测器的定向规避
密码学与安全
2026-05-19 v1 机器学习
摘要
基于机器学习的恶意软件检测器广泛应用于杀毒软件和端点检测系统中，但其对静态特征的依赖使其容易受到对抗性操纵。本文研究恶意软件样本是否可以通过添加少量所选类别特有的 Win32 API 导入，在不移除任何现有导入或重训检测器的情况下，被故意误分类为特定的良性软件类别，而不仅仅是被判定为“非恶意软件”。我们提出了一个以条件变分自编码器（CVAE）为核心的框架，其解码器是严格加性的。它可以引入新的 API 调用，但绝不会移除现有调用，从设计上保证了恶意软件功能不被破坏。对于每个恶意软件样本，该框架自动识别其最相似的良性类别，并将其作为规避目标。一个知识蒸馏的可微代理实现了针对不可微集成检测器的基于梯度的训练。在从 3,799 个 Windows 可执行文件中提取的六类二进制 Win32 API 导入向量数据集（五个良性类别，一个恶意软件类别）上的实验表明，面对召回率达 87.5% 的检测器，仅添加 20 个 API 导入即可将召回率降至 30%。在 k=20 时，在规避了检测的样本中，99% 被分类为预期目标类别。CVAE 在所有测试的注入规模（k = 5 到 50）下均优于基于频率的基线和随机选择。在提交至 VirusTotal 的真实 PE 文件上的验证证实，该攻击可迁移至商业静态检测引擎，平均使标记引擎数量减少 54.5%。这些发现暴露了基于 API 的恶意软件分类器中的一个具体漏洞，并证明通过最小且保留功能的修改即可实现对所选良性类别的定向规避。
引用
@article{arxiv.2605.18624,
title = {Learning to Look Benign: Targeted Evasion of Malware Detectors via API Import Injection},
author = {Juozas Dautartas and Olga Kurasova and Juozapas Rokas Čypas and Viktor Medvedev},
journal= {arXiv preprint arXiv:2605.18624},
year = {2026}
}