综述：反病毒系统：检测方法与架构 保罗·A·加尼乌克（Paul A. Gagniuc）

《Algorithms》：Antivirus Systems: Detection Methods and Architectures Paul A. Gagniuc

　　摘要 防病毒系统已经从静态模式匹配器演变为复杂的算法生态系统，这些系统封装了现代网络安全的更广泛逻辑。本综述剖析了它们的内部架构，追溯了从确定性字符串匹配自动机到概率性、行为性和云辅助范式的转变过程。基础模块如扫描器、启发式分析器、行为监控器和沙箱环境作为相互连接的计算层运作，形成了反映分布式智能原理的自适应反馈循环。基于签名的方法（如Aho-Corasick、Boyer-Moore和Wu-Manber）仍然是实时过滤的核心，而通过贝叶斯推理、马尔可夫建模和隐马尔可夫模型的概率性推理则扩展了对多态性和变形威胁的检测能力。行为分析借助支持向量机、深度神经架构和时间模型，能够对系统调用图和运行时遥测数据进行语义推理。此外，云辅助框架整合了联邦学习和全局声誉图，将检测转变为集体智能过程。

1. 引言
恶意软件活动的规模和复杂性持续增加，这得益于自动化工具链、多态代码生成和对抗性适应[1,2,3,4,5,6,7,8,9,10]。最近的大规模威胁情报报告显示，恶意软件样本、攻击活动和出于经济目的的入侵行为逐年增长，网络攻击造成的全球经济损失每年高达数百亿美元[11,12,13,14]。行业分析进一步表明，现代恶意软件越来越多地针对云基础设施、软件供应链和异构终端生态系统，从而在相互连接的数字环境中放大了系统风险[15,16,17]。这些趋势证实，防病毒系统仍然是当代网络安全的基础组成部分，不再仅仅是静态防御工具，而是要在持续对抗压力下运行的自适应算法基础设施[1]。防病毒系统的架构反映了网络安全本身的算法演变，从确定性模式扫描转向了动态的、基于学习的防御机制[1,2]。早期的防病毒软件基于静态范式运行，仅依赖确定性签名匹配，这种匹配方式反映了词汇模式搜索引擎的算法简单性[1,2]。随着恶意软件通过多态性、打包和混淆技术的增加，静态检测已不足以维持检测覆盖率，因为精确的字节级签名会被代码变异和打包技术破坏[1,4]。这一限制促使人们采用了能够超越已知签名的概率性和启发式模型[1,3,5]。这种转变标志着防病毒系统作为算法生态系统的出现。这些生态系统由确定性和概率性模块构建的多层检测架构组成，它们融合了自动机理论、统计推断和机器学习等不同的计算学科，形成了统一的防御框架[1,5]。在现代，防病毒引擎体现了多层集成，其中确定性模块（例如Aho-Corasick模式匹配器）与随机分类器、动态行为分析器和沙箱执行环境共存[1,6]。这些组件通过结构化数据通道、哈希索引、控制流图和特征向量进行通信。它们共同构成了更大规模网络防御基础设施中的分布式智能架构[7,8]。因此，对防病毒结构的研究超出了软件工程的范畴。这些系统构成了自适应安全系统的算法微观世界，它们通过冗余性、并行性和基于反馈的更新来获得韧性[1,5,6]。因此，本综述旨在通过讨论防病毒系统的内部机制（根据计算功能、操作层次和适应能力）来描绘其算法层次结构[9]。这些层次结构（即基于签名的、启发式的、行为性的和云辅助的）与更广泛的算法范式的对齐，展示了防病毒系统如何演变为在对抗压力下平衡精确性和泛化能力的反馈控制检测系统[10]。

2. 综述的方法论范围
本综述采用了一种结构化的叙述方法论，旨在综合防病毒系统的内部架构和算法演变，而不是进行定量元分析。文献选择基于架构相关性、算法影响以及对后续检测范式的影响，重点关注基础贡献和具有代表性的现代扩展。文献库是通过在主要科学数据库（包括IEEE Xplore、ACM Digital Library、SpringerLink、ScienceDirect和arXiv）中的针对性搜索构建的。当学术文献中未充分记录架构实践时，我们也参考了权威的技术报告。如果某项工作引入、形式化或系统化了核心检测机制，就会被纳入研究范围。这些机制包括基于签名的、启发式的、行为性的和云辅助的检测方法。纯粹的操作报告和非技术性描述被排除在外。时间范围涵盖了从早期基于签名的系统到当代云和联邦架构。分析通过比较性架构综合来进行。每项贡献都被分配到相应的功能层，并与防病毒检测方法随时间的主要变化联系起来。这种结构确保了整个综述的透明度和概念可重复性。没有定义固定的基准协议。对这里讨论的架构组件的任何未来实证评估都需要具有代表性的静态恶意软件语料库、动态执行跟踪数据集和遥测数据集。搜索过程涵盖了2000年至2025年间发表的作品，必要时也会使用更早的资料以提供历史背景。示例搜索字符串包括“防病毒架构”、“恶意软件检测综述”、“基于签名的恶意软件检测”、“启发式恶意软件检测”、“基于行为的恶意软件检测”、“沙箱恶意软件分析”和“云辅助恶意软件检测”。当研究涉及检测层、核心算法或与防病毒系统相关的架构组件时，它们会被纳入考虑。如果研究仅仅是操作报告、简短的新闻文章、非技术性总结或没有明确架构相关性的领域特定作品，则会被排除。初步搜索产生了大约230条记录，经过标题和摘要审查后，约120条记录被保留下来。经过全文评估后，最终保留了77篇参考文献。根据它们在防病毒流程中的主导功能角色，这些研究被分配到不同的层次。

与以方法为中心的调查不同，本综述首先关注架构，将防病毒系统视为分层、基于反馈的检测架构。本综述的贡献有三个方面：首先，它从架构角度系统化了防病毒系统的演变；其次，它提供了检测层的比较性综合，突出了它们在对抗压力下的功能角色、局限性和相互作用；第三，它识别了塑造未来防病毒研究的新兴架构趋势和未解决的挑战。本文的其余部分组织如下：第2节概述了防病毒系统的基础架构；第3节、第4节和第5节分析了基于签名的、启发式的、行为性的和基于学习的检测范式；第6节和第7节探讨了云辅助和硬件加速架构；第8节讨论了新兴方向；第9节以综合展望作为结论。

2. 防病毒系统的基础架构
防病毒系统的内部架构由一系列计算模块组成（见补充材料）。每个模块都有其独特的算法角色，它们共同构成了一个自适应决策引擎（图1）[1,18,19]。防病毒系统的稳定性来源于分层模块之间的相互作用，而不是任何一个单独的检测器的作用（图1）。扫描器作为数据摄取和传输模块，将二进制流转发给确定性签名过滤器。归档解压和预选机制在自动机遍历之前丢弃不必要的模式评估，从而减少了计算开销[20]。在此层之上，启发式和行为模块处理逐渐抽象的表示形式，将其输出传递给中央决策逻辑，以确定修复措施。监控组件与更新引擎之间的持续反馈闭环了适应过程，实现了与全球威胁情报的实时同步[6,21]。基础是扫描器，它通过哈希索引、块级映射和可执行结构的递归解压来遍历内存和存储段[1,22]。图1展示了现代防病毒引擎的功能架构。该图表明，防病毒效果来源于分层模块之间的协调互动，而不仅仅是一个单独检测器的作用。系统集成了主动监控、归档解压、Bloom过滤器预选和多层检测模块。防病毒引擎结合了扩展过滤器、十六进制和基于哈希的签名以及启发式规则来识别恶意代码。决策逻辑确定感染状态并激活缓解措施，如隔离、消毒或二进制重建。二进制重建将选定可执行文件的干净前缀以十六进制字节的形式存储在JSON文件中，然后通过在后缀对齐后覆盖感染前缀来恢复文件[1]。扫描器、监控和更新模块之间的持续更新和反馈保持了实时适应性和全局同步。该组件充当模式匹配层的I/O接口。模式匹配层将二进制数据导向签名数据库。该数据库中的压缩有限自动机或trie结构编码了已知的字节序列和指令模式，用于确定性识别[23]。签名数据库代表了已知恶意模式的精选存储库，也是防病毒引擎的主要可扩展性瓶颈。现代实现利用Aho-Corasick自动机或Wu-Manber过滤器，并通过Bloom哈希和块压缩进行优化，以确保在数百万个签名上的查找时间接近线性[24,25]。更新是增量式的和差分压缩的，最小化了网络负载并减少了分布式客户端之间的同步延迟[26]。

2.1. 签名语料库维护
操作部署需要持续维护签名语料库[1,22]。供应商维护一个活跃的恶意软件库，其中的条目显示了最近的现场流行情况，这由终端遥测和实验室接收的数据表明[1,26]。在定义的时间范围内（例如6-12个月）没有现场出现的签名和签名家族会被从活跃库移至用于可重复回归测试的存档库[1]。活跃库使用最近的现场样本，当某个签名家族以新的打包或混淆方式出现时，会重新生成签名模式[1]。对于启发式和行为模块，定期对最新干净软件进行阈值重新校准，并进行误报审计，以防止随着良性软件和攻击者策略的演变而导致的性能下降。这种维护周期使签名数据库与当前威胁保持一致，同时保留了历史覆盖范围以供验证[1,22]。

2.2. 分数阈值维护
漂移控制利用来自防病毒客户端收集的现场警报日志的反馈，以及手动审查标记文件后的后续更正（即最初被标记为可疑但后来被确认为干净的文件）[1,22]。漂移影响基于分数的检测，而不是精确的签名匹配[1]。启发式和行为模块输出一个怀疑分数[18,19]。基于机器学习（ML）的行为检测器为每个文件或进程输出一个数字，较大的数值表示更高的怀疑度。只有当这个数字超过设定的分数限制时，才会触发警报。分数限制是通过在代表当前用户运行情况的干净文件集上测试检测器来设定的。分数限制会调整，直到这个干净集上的误报数量保持在设定的范围内，例如，每10,000个干净文件最多1个误报，或者每天每个客户端最多固定数量的误报。接近分数限制的分数不会立即触发警报；它们会触发第二次检查，例如沙箱执行或云声誉评估，以减少误报。同样的分数限制规则也适用于启发式评分模块：只有当分数超过配置中设定的分数限制（供应商默认值或管理员设置）时，防病毒引擎才会触发警报[1,22]。防病毒客户端日志记录了哪些文件触发了警报[1]。其中一些文件在后续审查后被确认为干净文件，例如通过用户报告和分析师确认[1,22]。如果当前更新窗口中的误报数量高于之前的更新窗口，则会提高分数限制，以便警报需要更高的阈值[1]。提高分数限制并不是任意的：分数限制会提高，直到当前窗口（例如过去30-90天）中确认的干净文件上的误报率降至设定限制以下[1]。调整后的分数限制会在下一个更新窗口保持不变[1]。误报是在稍后收集的另一个干净集上测量的，这个干净集在重置步骤中不使用。这种检查验证误报率是否回到了设定的限制以下。

2.3. 跨层决策流程
每个签名条目在识别结构中充当一个决策点[27]。下一步取决于两个因素：字节模式本身及其在文件或数据流中的位置（即上下文偏移量）[27]。在确定性层之上，启发式分析器引入了概率性推理[28]。它通过静态代码指标（如操作码频率、导入表不规则性和与良性二进制文件的熵偏差）来分配怀疑分数[28]。这些指标输入到启发式树或贝叶斯分类器中[29]。结果是恶意意图的估计和以前未见过的多态变体的检测[29]。行为监控器在时间上扩展了这一逻辑，因为它能够捕获API（应用程序编程接口）调用、注册表写入以及执行过程中的网络I/O模式，从而在多维特征空间中重建动态行为特征[30,31]。这些行为指纹通过基于图的分类器或隐马尔可夫模型进行处理，以识别与恶意持久性一致的异常控制流[29]。此外，沙箱作为一个高保真度的仿真层，它隔离执行过程，捕获指令轨迹、堆栈操作和进程间通信[32]。它提供了真实的行为数据，用于优化启发式阈值，并训练嵌入在监控器中的机器学习模块。同时，更新引擎维持了防病毒生态系统的进化反馈循环，使得本地检测模型能够与云辅助的遥测数据同步，以确保对新兴威胁的全球一致性响应[33]。这些模块之间的信息流既是层次化的，也是循环的[18,34]。确定性扫描器为启发式分析器提供数据；行为监控器向数据库提供特征更新；沙箱验证概率预测；然后更新引擎将全局智能整合回本地特征[18,34]。在企业环境中，误报管理不仅依赖于分数调整，还依赖于策略控制。常见的措施包括允许列表（用于可信软件）、对已知供应商的例外处理，以及与批准路径、哈希值或管理工具（例如PowerShell、备份代理或远程管理工具）相关的排除规则。这些控制措施很重要，因为过于严格的警报规则可能会阻止正常的业务活动，如软件部署、维护或内部自动化。因此，大型组织通常更倾向于可以预测和管理的误报，而不是追求最高的检测灵敏度，因为分析师的时间消耗、用户中断和服务中断都会带来直接成本。从操作角度来看，这些层并不作为独立的判断者，而是作为分阶段的过滤器，其输出在共同的决策路径中融合[18,19,34]。精确的特征匹配（例如直接的字节模式或哈希值匹配）通常具有最高的置信度，并可以触发立即行动，而启发式和行为评分则提供加权怀疑，而不是最终决定（即分数增加而不是自动隔离[18,19]。当信号冲突时，引擎可以将案例提交给更高层次的机制，如沙箱分析或云声誉检查，而不是立即发出警报（例如，可疑的静态评分后进行沙箱执行或云端声誉检查[26,32,33]。警报分级进一步减少了分析师的工作负担，将手动审查保留给不确定的、高风险的或重复的案例（例如，同一文件家族的重复警报或特权系统进程的警报），而常规的低置信度事件则通过先前的声誉和基于规则的策略被抑制、分组或自动解决[21,26,34]。这种相互依赖性将防病毒引擎转变为一个基于反馈的检测架构，其中冗余和适应性维护了检测的完整性（图1[18]）。防病毒系统的分层架构并非出于设计偏好，而是对基本计算限制的响应。早期的单体扫描器在其时代的威胁环境中仍然有效，但随着特征数据库的增长和输入吞吐量的增加，它们变得越来越难以维护[35]。部分压力来自累积的特征增长，尤其是当旧的恶意软件家族仍然保留在活动数据库中而不是被移至存档状态时。早期软件和硬件更新速度较慢，这延长了恶意软件家族的运行寿命，使得旧特征的相关性持续时间更长。尽管如此，确定性扫描器提供了可预测的延迟，但在多态性下它们的有效性会降低[28,29]。即使在整个模式匹配失败的情况下，分段的十六进制特征仍然可以检测到许多多态性恶意软件样本。这种架构分解反映了吞吐量、适应性和可解释性之间的系统性权衡，没有单一层能够独立满足实时约束、检测覆盖率和对抗逃避的鲁棒性要求。

基于特征的检测仍然是防病毒系统的算法支柱。它基于这样一个原则：确定性识别已知的字节模式可以实现大规模恶意代码的低延迟过滤（表1[3]）。Aho-Corasick算法作为一种用于多模式搜索的线性时间自动机，因其能够以恒定的复杂度遍历文本或二进制流而成为扫描引擎的核心，这种复杂度与特征数量无关（表1[2,23]）。表1列出了不同的特征搜索方法。Aho-Corasick算法具有线性扫描成本、中等构建成本和高内存使用率，适用于多模式精确匹配；Boyer-Moore算法具有亚线性平均扫描成本、低构建成本和低内存使用率，适用于长字符串搜索；Wu-Manber算法具有亚线性平均扫描成本、中等构建成本和中等内存使用率，适用于大型特征集；Bloom过滤器预过滤器具有线性扫描加上验证步骤，低构建成本和低内存使用率，适用于快速排除非候选项；块哈希索引具有接近线性的扫描成本、中等构建成本和中等内存使用率，适用于部分块匹配。其有限状态机表示通过转换压缩和失败链接缓存进行了优化，使得防病毒扫描器能够在单次遍历中识别数千个特征，同时保持缓存一致性和可预测的内存访问[36]。补充实现，如Boyer-Moore算法，使用反向模式分析和跳过启发式方法来减少不必要的比较[37]。这种方法特别适用于执行头和多态性存根（即解密恶意软件的核心代码）中的长而独特的子字符串（图2和表1[37]）。随着匹配约束的放宽，特征匹配从严格的精确识别逐渐发展到更广泛但解释性较低的检测形式（图2）。例如，上层区域匹配层使用严格的加密或校验和签名，对于非多态性恶意软件具有高置信度，但在代码变异时会失败；中间层块匹配层通过十六进制或块级签名容忍局部变化，从而扩展了对轻微混淆二进制的覆盖范围；最低频率匹配层完全放弃固定模式，依赖于捕捉代码分布特性的统计或启发式签名。因此，它可以泛化到多态性和变形家族。这种层次结构正式化了特征引擎中从精确识别到概率推理的过渡。Wu-Manber算法通过块哈希和移位表进一步扩展了这一逻辑[24,38]。它通过将频繁的字节序列压缩成哈希键来实现亚线性平均时间复杂度。这种方法支撑了现代深度数据包检查和内联防病毒网关[24,38]。为了应对特征集的爆炸性增长，现代防病毒系统采用了混合索引架构，将确定性尝试与概率过滤器相结合[20,39]。图2展示了防病毒系统中特征匹配的层次结构。该图显示了从严格精确匹配向更广泛但解释性较低的检测形式的过渡。上层（区域匹配）通过MD5或校验和签名执行非多态性恶意软件的确定性识别；中间层（块匹配）使用容忍轻微代码变化的十六进制或部分块签名；下层（频率匹配）应用泛化到多态性或混淆代码的启发式或统计签名，标志着从固定模式检测到概率推理的过渡。Bloom过滤器是紧凑的概率成员结构，它们通过多个哈希函数预过滤候选子字符串，从而显著降低了自动机遍历频率，并可控地减少了误报率（图1[20]）。哈希链和局部敏感哈希进一步加速了分布在云辅助后端的大规模特征数据库中的模式验证[40]。通过共享前缀编码和向量化遍历压缩基于trie的特征树，减少了内存开销。这还提高了扫描过程中的SIMD（单指令多数据）并行性，适用于内核级或网关部署[41]。实时扫描带来了严格的性能约束，防病毒引擎必须在并发I/O操作下平衡检测准确性和延迟。基于GPU的并行模式匹配和FPGA（现场可编程门阵列）管线的硬件加速已成为核心优化策略，支持每秒多吉比特的数据流检查，同时不损失检测覆盖率[42]。多线程调度可以与无锁缓冲区管理（即无需显式锁的缓冲区访问）在多处理器环境中协同工作。这种组合有助于检测引擎在特征密度高时保持可扩展性。在这种情况下，扫描成本可以接近输入大小的线性关系[43]。实际上，基于特征的检测不仅作为一个遗留子系统存在，而是一个数学上成熟的过滤器，定义了良性与恶意计算之间的第一个算法边界（图2[1]）。然而，特征约束的逐渐放宽体现了精度和鲁棒性之间的基本权衡。精确特征几乎可以消除误报，但在多态性和代码打包下容易受到攻击。基于块的和基于频率的特征虽然提高了覆盖率，但代价是更高的误报率和降低的可解释性。特征数据库的扩展进一步增加了内存压力和缓存效率低下，这直接推动了概率预过滤器和硬件加速的集成。因此，基于特征的检测的演变并非由于算法过时，而是因为对抗压力将优化重点从精确性转向了可扩展性和鲁棒性。

启发式检测作为确定性特征匹配和自适应行为分析之间的算法桥梁而出现。它将概率推理引入了传统上离散的防病毒引擎决策逻辑[3]。应区分两种形式的启发式检测：基于规则的启发式依赖于人工设计的条件和阈值，如熵限制、可疑的导入模式（例如，不寻常的VirtualAlloc、WriteProcessMemory或CreateRemoteThread使用）、格式错误的头部，或分析师根据以往恶意软件知识选择的异常指令序列[18,28]。相比之下，统计和机器学习启发式则从数据中推导出决策规则，无论是通过估计的特征分布、拟合的模型参数，还是从标记的良性及恶意样本中构建的分类边界（例如，基于操作码频率、n-gram轮廓、API调用统计或节级元数据的分类器[19,29,44]。实际上，防病毒系统通常结合了这两种形式：专家定义的规则提供透明的早期过滤器（例如，对打包部分或罕见导入组合的分数增加），而数据驱动的模型则扩展了超出固定专家标准的覆盖范围（例如，贝叶斯评分、支持向量机或学习到的序列模型）。这种区分很重要，因为人工设计的阈值反映了分析师的判断，而学习到的阈值和决策边界取决于训练数据的组成、年龄和代表性。与依赖字节精确对应的特征系统不同，启发式分析器通过特征抽象进行操作，提取统计和结构属性，如指令熵、导入表异常和API频率分布，以推断恶意意图[5,18]。每个属性都通过启发式评分函数进行加权，这些函数将偏离规范基线的程度映射为基于从良性和恶意语料库中提取的经验频率数据的怀疑指数[6,21]。代码仿真作为这一层的执行基础，允许防病毒系统在受控的虚拟CPU（中央处理单元）内部解释机器指令。这暴露了打包或加密可能隐藏的潜在行为[16,32]。这种仿真还面临反分析规避。许多样本通过硬件标识符、设备驱动程序、时间检查或用户活动的缺失来测试虚拟机伪影和分析钩子。如果这些检查成功，样本可以在分析过程中延迟执行或遵循良性路径，从而降低行为可见性，并可能影响基于分数的决策。这激发了多环境分析、伪影减少和触发刺激作为动态管道中的标准对策[22,32]。仿真的指令轨迹产生动态特征集，如对可执行区域的内存写入、自修改代码段和递归解密循环，这些都是多态性或变形变换的高熵指标[8,32]。这些动态指标被输入到概率分类器中[26,43]。这些分类器根据观察到的特征之间的条件依赖性计算后验感染概率[26,43]。尽管朴素贝叶斯分类器简单，但由于其独立性假设，它们在不需要矩阵求逆或参数估计开销的情况下能够快速计算后验概率，因此仍然适用于启发式检测[26]。更复杂的模型，如离散时间马尔可夫链，能够捕获操作码转换或系统调用序列中的序列依赖性[28,44]。这允许量化行为可预测性，并识别与混淆或变异一致的随机偏差[28,44]。隐马尔可夫模型进一步扩展了这一框架，即使在可观察特征部分被运行时多态性掩盖的情况下，它们也能推断潜在的行为状态并支持分类[14,45]。因此，多态性和变形的检测归结为识别预期代码语法与观察到的代码语法之间的统计不一致性[13]。多态恶意软件通过更改加密密钥、NOP填充和指令重排序来改变表面层的表示。同时，它保留了可以通过操作码n-gram熵分析和不变子图提取（即在各种变体中仍然存在的稳定图片段）来检测的语义不变量[29,46]。相比之下，变形病毒会重构其整个语法形式。这需要统计规范化技术，如操作码规范化（即转换为常见的操作码形式）和控制流图对齐，以便恢复不变的行为特征[7,27,30]。启发式检测引入了概率推理来克服特征的刚性，但这种灵活性以不确定性和阈值敏感性为代价。统计模型严重依赖于特征选择和校准，使其容易受到概念漂移和对抗性操纵的影响。因此，尽管贝叶斯和马尔可夫模型能够捕捉结构规律，但它们在处理长距离依赖性和高维特征交互时存在困难。因此，启发式系统提高了泛化能力，但以概率置信度为代价，需要持续重新训练和谨慎的阈值管理来控制误报的上升[1]。

5. 基于行为和异常的检测
基于行为的检测通过分析程序执行的语义来超越语法检查的静态限制，即关注软件的实际行为而不是其外观[7]。这一范式的核心是系统调用监控，其中内核或API调用的序列形成反映代码功能行为的时间特征[31]。防病毒引擎通过API钩子和内核级拦截来记录与操作系统、文件系统和网络堆栈的低级交互。这些操作重建了描述事件之间因果关系的行为图[32]。这些事件图成为算法指纹，其拓扑结构可以区分合法软件和试图持久化或提升权限的恶意行为[33]。基于异常的检测器在统计或机器学习框架内解释这些行为轨迹。它们首先从良性样本中定义正常行为模型，然后将偏离该模型的行为视为潜在入侵[34]。早期的分类器依赖于基于系统调用频率和参数的特征向量距离度和聚类，而后来的模型采用了能够处理非线性决策边界的判别学习范式[35]。支持向量机将行为特征投影到高维空间，并构建超平面以最大化良性和恶意活动之间的分离[26]。相比之下，决策树通过询问每个分支上哪个特征最能区分良性文件和恶意文件来逐步分割数据[36]。随机森林通过多棵独立的树多次应用相同的想法，然后将它们的投票结果合并为一个最终决策。结果是一组明确的“如果...那么...”规则，人类分析师可以阅读这些规则。这些规则可以捕捉到在恶意软件变体中始终存在的稳定行为模式（例如文件写入、注册表更改、进程注入或网络连接[36]）。深度学习架构引入了分层特征抽象，消除了手动特征设计的需要，并使模型能够直接从原始事件序列中学习行为语义[37]。卷积神经网络（CNN）从系统活动日志中提取的特征矩阵中捕获空间相关性，有效识别恶意工作流的结构性规律[38]。自编码器执行无监督的正常行为重建，将高重建误差标记为异常指标，这一概念是许多自学习防病毒模块的基础[39]。这些架构能够检测到表面层特征已经超出传统模型识别能力的混淆恶意软件家族。时间和序列感知方法通过显式建模事件的顺序和时间来扩展这一范式。隐马尔可夫模型将程序执行表示为隐藏行为状态的随机过程，并估计编码典型操作序列的转移概率[14]。特别是长短期记忆变体的循环神经网络（RNN）能够保留扩展执行窗口内的时间依赖性。这类模型能够捕捉复杂的持久化策略和延迟的负载激活[41,47,48]。延迟激活是一种针对短期动态运行的直接规避策略。样本通过长时间睡眠、慢速循环或明确的触发器（如时间、用户输入或远程命令）来推迟恶意行为。因此，有限的分析预算可能导致在负载出现之前就结束分析，从而产生不完整的追踪并低估风险。实际的处理流程通过跳过睡眠、强制触发以及对可疑案例进行更长时间或分阶段的运行来解决这个问题。当集成到云辅助检测生态系统中时，这些模型会持续在遥测流上重新训练，不断调整决策边界以应对恶意软件行为的对抗性漂移[42,49]。因此，基于行为和异常的检测体现了防病毒逻辑从固定模式识别向自适应推理的转变，将静态保护引擎转变为持续学习的网络生物[1]。将机器学习集成到防病毒引擎中引入了模型复杂性和终端可行性之间的关键权衡。深度架构提高了表示能力，但增加了计算负载、内存占用和能耗，直接影响受限终端的延迟和用户体验[50]。此外，对抗性鲁棒性和泛化能力是相互冲突的目标：针对对抗性干扰加固的模型往往对新型恶意软件变体失去敏感性，而高度泛化的模型则表现出容易被利用的脆弱决策边界[51]。此外，尽管基于机器学习的检测器具有强大的表达能力，但它们也引入了新的攻击面。因此，基于行为的分类器仍然容易受到对抗性规避[52]。主要攻击途径包括模仿攻击、训练数据污染和运行时遥测的干扰[52]。模仿攻击针对基于行为的评分，使追踪看起来像正常软件。样本可以添加类似良性的操作、重新排序操作或填充活动，使事件统计和序列与基线匹配。这可以降低怀疑分数，同时保持恶意能力。当检测器依赖于简单的事件计数或短时间窗口（例如在短时间内发生的文件写入、注册表编辑或网络连接次数）而不是任务语义和长距离依赖性时，风险最高[51]。实际上，防病毒系统通常在机器学习阶段之前放置一个确定性过滤器（即基于规则的精确检查）。明确的案例可以及早解决（例如，精确的签名匹配可能会立即触发行动），而只有模棱两可的文件才会被传递给分类器。保护还依赖于置信度校准。在这种情况下，模型分数不被视为最终的肯定或否定决策。接近警报阈值的分数被视为不确定的，可以触发第二次检查而不是立即做出判断。进一步的保护措施是比较多个检测器的输出。如果一个模型标记文件为恶意，但另一个模型仍然不确定，则该案例被视为未解决，并被发送到更高级别的验证阶段。因此，引擎不会接受一个模型的输出作为最终结果，而是将案例推迟到沙箱或云验证。此外，深度架构还存在不透明性和解释性有限的问题，这使得取证验证和错误分析变得复杂[53]。

6. 云辅助和集体智能
防病毒智能从孤立的终端转移到以云为中心的基础设施，将检测转变为一个分布式算法过程[43,54]。这一过程现在依赖于集体遥测和联邦学习[43,54]。在这种范式中，本地代理充当传感器，从被检查的二进制文件中提取特征向量、加密哈希和行为元数据。然后，这些特征向量作为匿名签名传输到集中式分析后端，用于全局模型优化（图3）[17,42]。云辅助检测通过聚合的声誉和遥测信号将本地判决扩展为集体推理（图3）。各个客户端贡献来自本地分类置信度、行为观察或历史信任分数的声誉信号。这些信号通过加权投票机制进行聚合，以确定文件、IP地址或URL的全球恶意性评估。同样的共识逻辑从文件级别的声誉扩展到网络实体，这使得跨异构数据源（即文件、IP地址、URL和遥测记录）有一个共同的决策过程。这种概率聚合限制了来自单个端点的噪声，通过集体证据加速了零日威胁的识别。这种架构将每个受保护的节点转变为大规模推理网络的贡献者，其中聚合的统计数据增强了早期威胁识别的能力[1]。图3. 云辅助防病毒生态系统中的加权共识模型。该图展示了如何通过聚合的遥测和声誉信号将本地判决转换为集体推理。(A) 基于文件的声誉分析通过客户端响应的加权投票来确定二进制文件是否恶意，投票权重与客户端信任或模型置信度成正比。(B) 网络级别的声誉系统将这种逻辑扩展到IP地址和URL，为网络实体建立分布式共识。这两种机制都在全球遥测源上实现概率决策聚合，形成了联邦声誉图的基础。虚线箭头表示个别客户端投票流向聚合共识函数的流程。云辅助检测引入了分析能力和隐私暴露之间的基本权衡。虽然集中式聚合能够快速识别零日威胁并实现集体推理，但它需要持续的遥测传输，这引发了关于数据最小化、用户画像和合规性的担忧[55]。因此，实际的防病毒系统在受限的数据共享规则下运行，平衡检测效率与延迟、带宽消耗和隐私保护。联邦签名智能使防病毒供应商能够构建不断演变的声誉图[52,54]。这些图将文件哈希、发布者证书和在异构用户群体中观察到的行为特征联系起来[52,54]。这些图构成了云辅助声誉系统（如Microsoft Defender Cloud和Google Safe Browsing）的支柱，在这些系统中，对象的可靠性是通过其关系上下文而不是内在内容来推断的[44,56]。哈希数据的交换与遥测反馈循环相结合，允许新的威胁标识符在数百万终端之间几乎即时传播，大大减少了零日恶意软件的检测平均时间[9]。这些系统的分析核心集成了在拍字节级遥测上训练的集成分类器，使用梯度提升决策树、图嵌入和深度学习架构，根据全局频率变化不断重新加权特征[10,57]。因此，反馈强化将集体智能转变为一个自适应生态系统，其中每个客户的检测结果通过概率共识机制微妙地调整全局威胁模型（图3）[52]。尽管效率很高，但云辅助范式引入了内在的隐私和延迟困境。数据集中化增加了攻击者从共享模型输出或遥测中恢复敏感信息的风险。例如，攻击者可以推断出特定样本、用户或组织是否向系统提供了数据。因此，防病毒系统可能会使用隐私保护方法在模型更新期间隐藏或限制暴露的信息。例如差分隐私，它添加受控的随机噪声来掩盖来源，同时保持整体模式。其他方法包括安全聚合，它结合客户端更新而不单独暴露每个更新，以及同态加密，它允许在加密数据上进行计算[51,58]。此外，延迟限制也挑战了实时保护，因为网络依赖性会延迟分类反馈；这可以通过混合缓存、本地预过滤和在断开连接时自主运行的边缘推理模型来缓解[52,59]。这种架构将分布式智能与本地自治相结合，朝着一个自我优化的连续体发展，其中防病毒系统作为全球半自主防御生物体中的节点发挥作用[44]。因此，向云辅助检测的解决方案引入了结构性依赖性，从根本上改变了威胁模型。网络延迟可能在快速移动的攻击中延迟响应，而带宽消耗则在高吞吐量环境中带来可扩展性限制。集中式遥测聚合引发了隐私问题，包括推理泄露和合规性风险。此外，对持续互联网连接的依赖性降低了离线或网络降级情况下的韧性。另一个关键风险是，这种联邦声誉也可能放大错误传播。如果早期判决错误，相同的错误分类可能会通过共享的声誉信号在多个系统中传播，从而加剧误报，并不公平地惩罚合法软件。当下游系统重用继承的声誉标签且缺乏独立验证时，风险会更加严重。这种级联也可能影响合法的安全软件，特别是当早期错误标签在没有后续独立审查的情况下传播时。

7. 架构集成和优化
现代防病毒解决方案趋向于混合架构，将确定性、概率性和自适应算法集成到能够在对抗性不确定性下运行的统一检测管道中[1]。基于签名的识别与启发式推理和行为分析的融合建立了一个多层次的决策层次结构，每个模块都为可执行行为的分类提供互补的证据[3,7]。签名提供了高置信度的检测，误报率几乎可以忽略不计，而启发式和行为引擎则弥补了泛化和对抗混淆的能力，共同形成了一个集成系统，其中推理在算法层之间传播，而不是孤立存在[1,7,8]。在架构层面，这些管道作为有向无环图（DAG）进行计算操作（即，处理路径从一个阶段向前移动到下一个阶段，没有循环返回）[10,60]。一组节点提取特征，另一组执行模式匹配，第三组执行分类。这些节点通过共享内存缓冲区和低延迟队列交换数据。结果是确定性的调度和有限的延迟，也就是说，即使在负载下，每个决策的最大延迟也是已知的[10,60]。在更高的操作规模上，这些集成管道与更广泛的防病毒基础设施接口，该基础设施包括客户端代理、Web服务器和负责持续更新和签名传播的实验室系统（见图4和表2）。更新传播、实验室验证和客户端反馈形成了一个封闭的操作循环，而不仅仅是一个单向的交付链（见图4）。图4. 集中式客户端-服务器防病毒基础设施，连接终端保护、Web服务和实验室分析。该图强调更新传播、实验室验证和客户端反馈形成了一个封闭的操作循环。(A) 客户端防病毒软件持续扫描本地系统，将可疑文件和统计信息提交给中央Web服务器，并接收定期的签名更新。(B) Web服务器汇总遥测数据并将样本转发给(C) 实验室，在那里进行恶意软件分析和自动签名提取。更新后的签名数据库被重新分发给所有客户端，形成了一个检测、分析和更新传播的闭环系统，这早于现代基于云的防病毒架构。星号(*)表示提交进行分析的通用文件输入，不依赖于文件类型或格式。表2. 跨层检测总结。签名匹配使用字节和哈希值，并输出精确匹配结果；它快速且准确，但在突变情况下容易受到攻击，打包和多态性是常见的逃避手段。启发式评分使用静态特征并输出怀疑分数；它可以扩展覆盖范围，但容易受到漂移和误报的影响，特征变化是常见的逃避手段。行为评分使用事件和调用跟踪并输出怀疑分数；它提供了运行时证据，但成本较高且存在跟踪间隙，模仿和延迟是常见的逃避手段。沙箱分析使用带仪器化的运行并输出跟踪和判断；它提供了深度可见性，但受到时间预算的限制，反分析是常见的逃避手段。终端客户端执行持续的本地扫描，并将可疑文件或统计摘要提交给中央Web服务（见表3）。遥测数据通常包括文件哈希值、警报标签、本地分数值、选定的行为跟踪以及基本执行元数据，如进程 lineage、路径、时间和主机上下文。这些记录在中央Web服务处汇总，并在必要时转发给实验室系统进行更深入的分析和验证。验证结合了自动化分类、重复项删除、对选定案例的沙箱确认以及对不确定或高影响样本的分析师审查。一旦验证通过，更新将以签名添加、启发式规则更改、声誉更新或模型参数修订的形式通过定期更新渠道分发给终端客户端。如果新的更新产生了误报或不稳定，受影响的规则、签名或模型修订可以被撤回并替换为最后一个稳定版本。换句话说，Web层汇总遥测数据并将选定的样本转发到实验室环境，在那里进行自动化分析和签名提取。更新后的检测结果被重新分发给所有客户端，从而在检测、分析和部署之间创建了一个封闭的反馈循环。这种架构为现代基于云的防病毒系统和联邦防病毒系统建立了结构基础。表3. 根据输入、输出和主要角色的代表性防病毒系统架构。GPU和FPGA加速逐渐成为优化前沿，它们支持并行模式遍历和向量化哈希，用于实时检查多吉比特数据流[24,42]。GPU同时执行数千个并发线程，评估模式匹配和异常分数。结果是在不损失检测精度的情况下提高了几个数量级的吞吐量[61]。相比之下，FPGA管道直接在硬件逻辑中实现确定性自动机，如Aho-Corasick或Wu-Manber，减少了控制流开销，并确保了内联网络部署的可预测时间[23,24,62]。跨层通信允许模块动态适应：启发式分析器根据行为反馈重新调整阈值，而云智能更新将特征权重调整直接传播到本地扫描启发式算法[17,42]。这种双向数据流创建了一个反馈控制的系统，其中本地误分类影响全局重新训练，有效地关闭了检测、学习和适应之间的循环[52]。增量模型更新通过压缩的增量或量化权重矩阵进行传播。这种方法降低了传输成本，并保持了终端代理和中央分析服务器之间的同步（见图4）[51,63]。这种集成将防病毒引擎从静态过滤系统转变为持续学习的网络框架[10]。在这些框架中，模块化组件通过反馈、冗余和计算加速进行进化[10,52]。向混合防病毒架构的转变反映了在单一范式中优化所有检测目标的不可能性。确定性引擎保证速度，概率模型确保适应性，云智能实现全局上下文，但每种方法都引入了不可减少的限制[1]。因此，架构集成代表了系统级别的折中，其中冗余和跨层反馈弥补了单个模块的弱点。防病毒研究中的评估必须超越原始检测准确性。常见的衡量标准包括误报率、漏报率、检测时间和在重复更新下的警报稳定性。结果还取决于数据集组成，因为类别不平衡、采样偏差和过时的恶意软件语料库可能会扭曲报告的性能。当模型在不符合当前软件和攻击者行为的数据上进行测试时，概念漂移会进一步降低有效性。在实际部署中，评估还必须考虑延迟、CPU负载、内存使用以及在资源受限设备上的能源成本，因为一个在孤立情况下准确的检测器在终端条件下可能仍然不切实际。权衡也因部署环境而异。终端保护必须在CPU使用、内存占用、I/O开销和用户可见延迟的严格限制下运行。网关扫描可以容忍更高的吞吐量导向的计算成本，但它必须维持线速的持续流检测。云端分析提供了更广泛的计算能力和全局上下文，但它引入了更高的带宽需求、网络延迟和由于遥测传输和中央聚合而带来的隐私风险。这些可测量的限制有助于解释为什么现代防病毒系统将检测任务分布在终端、网关和云层之间，而不是集中在一个位置（见表3）。7.1. 关于多态性和跨层权衡的实证证据最近的实证工作报告了在多态性变化下检测能力的可测量损失，并支持在签名规则、客户端遥测和商业引擎之间进行层组合[64,65,66,67,68,69,70,71,72]。大规模的Android测量报告显示恶意应用程序中广泛使用了混淆技术，并表明良性应用程序也使用混淆技术，这限制了假设固定混淆标记的检测器[73]。使用沙箱分析中的API调用记录的研究报告称，随着观察时间的延长，检测能力得到了提高，因为延迟的负载操作可能会晚出现[74]。结合调用上下文（即，哪些调用发生以及它们如何连接）和库关系（即，程序使用哪些库以及它们如何链接）的图表示方法报告了高准确性，并捕获了短观察窗口无法捕捉到的长期依赖关系[75]。7.2. 在规模限制下的自动机表示多态性和混淆增加了签名多样性并扩大了规则集，这使得瓶颈从匹配理论转移到了自动机表示和内存局部性。内存局部性描述了连续的自动机步骤是否从附近的内存地址读取数据，因此大多数读取来自CPU缓存而不是RAM（随机存取内存）。大型规则集很少使用完整的DFA（确定性有限自动机），因为状态计数和转移表增长得太快。实际的扫描引擎使用压缩的转移、稀疏编码以及分割或分层自动机，在保持确定性遍历的同时减少内存压力。混合管道为已知模式保持确定性核心，然后将不确定的案例路由到更高层次，这种结构与现代防病毒扫描设计和在[76,77]中回顾的Aho-Corasick部署路线相匹配。实际上，引擎经常将NFA（非确定性有限自动机）风格的片段与DFA快速路径混合用于复杂的签名规则，以及用于频繁字面的片段。它们将字面过滤器与选择性自动机步骤结合使用。这样的引擎首先通过字面过滤器拒绝大部分输入，然后仅在剩余的候选者上运行紧凑的自动机，通常使用压缩转移和SIMD支持，如Hyperscan所示。7.3. 跨层的对抗性适应和逃避对抗压力通过不同的逃避途径影响每个检测层。签名层最容易受到打包、代码混淆、多态性和变形（即打包器、加密的负载包装器、字节级突变和指令级重写）的影响，因为这些方法改变了表面形式并降低了精确字节模式和固定结构标记的持久性[4,27,30,72]。启发式层仍然容易受到特征操纵、熵掩盖和控制的结构变化（例如填充、部分重塑、导入表更改或良性特征注入）的影响，这些变化在保持恶意功能的同时将静态指标从学习或工程化的阈值中移开[18,28,29]。行为层和沙箱层面临延迟激活、基于触发的执行、反虚拟机检查以及模仿（例如长时间睡眠调用、时间或用户操作触发、硬件和驱动程序检查或插入类似良性的文件和注册表活动），所有这些都会降低跟踪可见性或在有限的观察窗口内迫使恶意活动看起来像正常软件行为[32,48,50,52,74]。基于沙箱的分析技术创建了进一步的挑战，因为它们依赖于可信的系统工具、脚本和行政工具（例如PowerShell、cmd.exe、WMI、rundll32或计划任务），而不是依赖于明显不同的恶意软件二进制文件，这削弱了签名识别和基于行为的分离[18,50]。云层和声誉层较少受到本地代码突变的影响，但对快速基础设施变化、稀疏流行度和用于共识的遥测数据的质量仍然敏感[26,33,34,56]。这些模式表明，对抗性适应并不针对单个检测器；它探测各层之间的边界并利用每层所依赖的假设[4,18,19]。8. 对未来的思考防病毒架构正朝着一个后签名范式发展，在这个范式中，确定性识别逐渐被基于行为语义和零信任逻辑的连续推理所取代[1,45,64]。这一转变的主要技术驱动因素包括以行为为中心的推理、对抗性感知的学习、可解释性和自主恢复机制。在这些系统中，没有任何实体或过程被隐式信任；每个计算动作都通过来源、执行上下文和动态行为验证进行验证[7,47,65]。这种信任的逆转将防病毒引擎从一个反应式扫描器转变为一个主动的推理驱动的检测系统，该系统捕捉意图而不仅仅是检测静态工件[52,66]。以行为为主的框架将分析从语法识别转向对程序行为的语义理解。它们的目标是将检测与因果推理和基于强化学习的原理对齐，其中决策策略通过反馈而不是固定规则集进行演变[1,47,67]。这些模型通过分析操作上下文和控制流演变来预测恶意意图，检测出传统启发式或签名抽象无法看到的预激活指标[41,68]。这些发展还暴露了开放的研究空白，特别是在对抗性压力下的鲁棒学习、在漂移下的稳定适应以及在变化的操作环境下的可靠推理方面。防御性和对抗性机器学习之间的日益增强的相互作用定义了下一个关键前沿[48,49,51]。恶意软件开发者越来越多地通过逃避扰动、梯度掩盖和训练数据污染来利用神经分类器中的漏洞[48,49,51]。因此，防御性适应依赖于有弹性的训练机制、对抗性重新训练策略和基于集成的共识机制，这些机制在合成操作和分布变化下稳定分类器行为[49,50,69]。这样的集成减少了任何单个模型的攻击面，并稀释了对抗性偏见的影响。实际约束同样重要，因为未来的系统必须在真实的操作限制下满足可审计性、可控性、隐私保护和部署效率。尽管如此，强大的检测越来越依赖于透明性和可解释性，而不仅仅是黑盒优化。可解释的人工智能技术可以澄清自主分类器的内部决策逻辑[50,70]。例如Shapley值分配，它估计每个特征对最终决策的贡献。其他示例包括符号抽象，它将复杂的模型行为转换为更简单的规则形式，以及因果显著性分析，它识别最强烈驱动判决的输入元素。所有这些方法还支持可审计性、司法信任和法规遵从性，因为它们使得人类分析师和审计员更容易审查和解释决策的基础[50,53,70]。可解释性进一步使得在概念漂移的情况下能够快速修正模型，防止检测质量的默默下降。同时，自主防病毒生态系统集成了自我修复能力、连续反馈循环，通过冗余、预测性回滚和以弹性为导向的协调来识别、隔离和修复受损模块[52,71]。因此，未来的防病毒软件将不再是一个静态产品，而成为一个分布式适应性有机体：一个能够在充满对抗性的数字生态中感知、推理并自我恢复的系统，在持续的不确定性和积极对抗中运行[1]。

相对于现有的调查，最近已经有几项调查从基于方法的角度审查了恶意软件检测。这些包括Berrios等人对恶意软件检测和分类的系统性回顾[78]，Song对深度学习方法的回顾[79]，Gaber等人对人工智能在恶意软件检测中应用的系统性调查[80]，Bilot等人对用于恶意软件检测的图表示学习的调查[81]，以及Joshi等人对恶意软件检测技术的广泛调查[82]。这些工作提供了方法家族、数据集和性能趋势的有用总结，但它们通常按照分析技术或模型类别来组织该领域，而不是按照防病毒系统的内部结构。相比之下，本综述采用了以架构优先的视角。它研究了签名、启发式、行为、沙箱和云辅助模块如何在防病毒流程中作为交互层发挥作用。这种视角从系统层面解释了输入信号如何在各层之间传递，局部输出如何支持更高级别的决策，以及更新逻辑、部署限制和反馈路径如何塑造整个检测过程。从这个意义上说，本文的贡献不是另一个恶意软件检测方法目录，而是对防病毒系统作为分层决策结构的架构性综合。

9. 结论

防病毒系统已经演变成分层算法生态系统，其有效性来自于异构检测范式的受控交互，而不仅仅来自任何单一主导技术。确定性签名引擎提供了可验证性和可预测的过滤；启发式和行为层在代码变异的情况下实现了上下文泛化，而机器学习组件在不确定性环境中引入了概率推理。云辅助的聚合进一步将决策权外部化，将各个终端转变为分布式推理网络中的贡献者。总体来看，现代防病毒架构类似于复合决策系统，在这种系统中，弹性来自于架构的分层，而不仅仅是算法的新颖性。从本综述中得出的一个核心见解是，基于学习的检测与对抗性操纵之间的紧张关系日益加剧。虽然深度学习模型将检测能力扩展到了手工制定的规则之外，但它们对对抗性干扰和转移攻击的敏感性限制了它们作为独立防御措施的可靠性。作为回应，当代系统越来越多地通过预过滤器、置信度阈值、共识机制和基于声誉的验证，在学习组件周围重新引入确定性。这种隐性的重新确定性表明了一个更广泛的架构趋势。实际上，防病毒系统并没有将最终决策完全留给不受限制的自适应模型。它们通过固定规则、分数阈值、声誉检查和二次验证来限制基于学习的组件。因此，可控性和鲁棒性优先于纯粹的数据驱动优化。防病毒系统的历史演变遵循了一个由对抗性升级和计算限制驱动的反复模式。每一次转变——无论是签名、启发式、行为还是云智能——都解决了特定的瓶颈，同时也暴露了新的攻击面。到目前为止，防病毒架构尚未趋同于一个通用解决方案。相反，它们将检测分布在签名、启发式、行为、沙箱和云层中，因为没有任何一层能够在持续的对抗压力下同时提供速度、泛化能力、可解释性和鲁棒性。因此，未来的研究可能会较少关注更深层次的模型，而更多地关注架构保证，包括对抗性鲁棒的混合设计、基于置信度的推理流程、可解释的决策机制，以及确定性和概率层之间的形式化约束交互。这样的方向指向的防病毒系统不仅具有适应性，而且在对抗性压力下也是透明、可控和有弹性的。

补充材料

以下支持信息可以在以下链接下载：https://www.mdpi.com/article/10.3390/a19050345/s1
(1) 防病毒系统中算法构件的术语表。该补充文件为手稿中强调的所有专业术语提供了简洁的解释（例如，语义推理、系统调用图、联邦学习、混合缓存）。每个概念都在其防病毒架构中的算法角色背景下进行了说明。术语表为希望将理论构建与其在检测、学习和推理流程中的实际应用联系起来的读者提供了参考。
(2) 防病毒概念框架（PowerPoint）。它展示了防病毒工作流程的内部逻辑，包括分层签名匹配、基于共识的声誉系统、客户端-服务器集成和动态反馈循环。每张幻灯片对应论文的一个主要部分，可以用来追踪模块化检测组件在计算和组织层面上的交互方式。