该论文关注一个长期存在但缺乏系统化方法的问题：如何理解真实世界杀毒软件（AV）的检测逻辑。作者指出，以往对 AV 检测机理的研究大多停留在黑盒查询层面，只能推断出「恶意/良性」的二元判定结果，无法刻画真正驱动检测决策的细粒度区域。换言之，我们只知道 AV 判了什么，却不知道它究竟依据文件中的哪几个字节下的判断。为填补这一空白，论文提出 AVHunter——据作者称为首个在黑盒威胁模型下推断真实 AV 产品「字节级决策关键区域」的框架。其核心思路是：把 AV 视为一个只返回检测结果的不可解释函数，通过系统化地构造并查询大量在字节级别上带有微小差异的样本，观察 AV 输出是否发生翻转，从而反向定位出对检测结果起决定作用的连续字节区间；再以此类数据训练针对特定 AV 产品定制的模型，使模型既能复现该 AV 的二元检测判定，又能同时输出决策所依赖的字节级边界区域。为支撑训练与评估，作者构建了首个大规模字节级 AV 边界数据集 BABD，覆盖 11 款真实 AV 产品，并由此观察到现代 AV 的检测行为普遍与少数紧凑的决策关键字节区域相关，而非弥散在整个文件上。实验显示，AVHunter 在保持与目标 AV 平均 97.43% 检测一致率的同时，边界预测的召回率达 85.07%。作者进一步从三个方向验证所推断区域确实承载了真实的 AV 决策知识：利用边界信息引导恶意样本规避检测、在良性可执行文件上诱导误报，以及一项为期七个月的纵向追踪研究，结果表明随着 AV 产品持续更新，所推断的决策关键区域总体保持稳定。总体而言，AVHunter 把 AV 建模从传统的二元标签层面推进到细粒度边界区域定位层面，并揭示了一种新的 AV 知识泄露形态，对恶意软件分析、AV 自身安全性以及边界感知防御均有启示意义。需要注意的是，该工作属于双用途研究，其方法细节可能被用于规避检测，因此防御方应关注其被滥用与用于防护加固的双重可能性。

该论文研究基于机器学习（ML）的恶意软件检测器在训练数据构建环节面临的一个系统性风险：业界普遍直接采用杀毒引擎（AV）及其聚合服务（如 VirusTotal）给出的判定作为监督标签，隐含假设是 AV 标签可靠且与下游模型所感知的特征空间保持一致。作者指出这一假设在现实中并不成立——对样本进行极少量字节级修改即可显著改变 AV 的判定结果，而下游 ML 检测器所提取的特征表示却几乎不受影响，由此在数据集中产生“标签—特征不一致”样本，既污染训练集，也打开了投毒攻击面。 为此作者提出黑盒投毒框架 Bi-Iocane。该框架无需访问目标检测器内部，先定位对 AV 判定敏感的字节位置，再对这些字节进行改写以诱发标签翻转，从而构造两类中毒样本：一是“逃逸导向投毒”，把恶意样本改写为获得良性标签；二是“诽谤导向投毒”，把与恶意软件关联的字节模式注入正常软件，使其获得恶意标签。这些投毒样本连同其轻微变体被用于下游训练后，会污染训练数据并导致指定目标被错误分类。 实验使用 13 个 AV 引擎模拟标签聚合服务，并搭配 8 个 ML 检测器进行评估。在 30 个恶意目标和 30 个良性目标上，Bi-Iocane 组合针对不同 AV 的具体操作，生成了所有被测 AV 标签均被翻转的恶意→良性、良性→恶意样本；当这些样本及其变体进入训练流程后，所得模型平均误分类 92.08% 的原始干净目标，而每个目标的投毒预算仅约 0.06%。与此同时，被投毒模型在干净测试集上的整体性能基本保持不变，具有较强隐蔽性；六种被测投毒防御措施只能提供有限缓解。作者还通过 VirusTotal 的实测进一步确认了现实世界中的诽谤风险，并揭示 AV 到 ML 的标签供应链中存在的潜在逃逸风险。 对安全从业者而言，该工作把“数据供应链”而非“模型算法”确立为检测系统的关键薄弱环节，说明仅依赖 AV 聚合标签构建训练集可能被系统性污染，且此类污染不易被常规精度指标察觉。

该论文针对当前最先进的计算机病毒——变形病毒（metamorphic viruses）提出了一种数学层面的形式化建模与检测挑战。变形病毒具有独特的自我变异能力，能够将自身代码几乎无限地改写为大量高度不同的副本，同时保持相同的恶意功能。这种变形能力结合其他高级混淆技术，使得它们几乎无法被当前市场上的防病毒软件检测。论文的核心贡献在于证明，通过采用 van Wijngaarden 文法（一种形式语法，具有极强的生成能力），可以完全实现病毒行为上的变形特性。具体而言，作者构造了一种文法，其生成的语言恰好对应于所有变形病毒的可能形态集合。由此，防病毒软件所面临的挑战被转化为：需要构建一个能够判定该文法所生成语言的图灵机。该文将病毒检测问题提升到了计算理论层面，指出通用检测在理论上不可判定，而实际检测则受限于特定变形的识别能力。文章适合关注恶意代码演化、形式语言与自动机理论在安全中应用的研究人员阅读，也为下一代检测技术（如基于语义的检测）提供了理论基础。