摘要
杀毒（AV）解决方案仍然是抵御恶意软件的核心防御机制。然而，许多杀毒引擎难以检测到变形恶意软件，因为这类软件会以不可预测的方式不断改变其内部结构。为了解决这一局限性，我们提出了一种以对抗为导向的方法，该方法能够自动生成新的恶意软件变种，这些变种能够逃避大部分杀毒系统的检测，从而为加强防御技术提供素材。在这项研究中，我们使用进化算法（EA）来生成无法被检测到的恶意软件变种，并通过三个评估标准来指导算法的进化过程：生成样本的逃避能力，以及它们与原始恶意软件在行为和结构上的相似性。我们对三个恶意软件家族进行了测试，以评估进化算法生成变种的有效性。结果表明，进化算法生成的变种能够逃避高达94%的杀毒检测器，显著超过了原始恶意软件的逃避率。此外，我们还评估了这些变种是否能够提升机器学习模型的训练效果。为此，我们在迁移学习框架中使用了预训练的自然语言处理（NLP）Transformer模型来改进变形恶意软件的分类能力。当将这些进化后的变种纳入训练数据后，分类准确率达到了93%。这些结果凸显了使用多样化进化算法生成样本来强化恶意软件分类器的价值，从而提高了安全系统应对不断演变威胁的鲁棒性。
