本文研究了基于机器学习的恶意软件分类器在后门投毒攻击下的脆弱性。恶意软件分类器的训练流程常依赖众包威胁情报源，这为攻击者提供了天然的攻击注入点。作者聚焦于“干净标签”攻击场景，即攻击者无法控制样本标签，仅能污染训练数据中的特征。他们提出利用可解释机器学习（如特征重要性排序）来指导后门触发器的选择，以模型无关的方式生成有效后门。在多个基准数据集上（包括Windows PE文件、PDF和Android应用），针对多种机器学习模型（如随机森林、神经网络等）进行了攻击评估，展示了攻击的有效性。为了证明实际可行性，作者为Windows PE文件实现了保留功能的水印注入工具，并为Android和PDF文件采用了类似的行为保持修改方法。实验表明，这些后门攻击能与合法样本分布融合，使得防御困难。最后，文章讨论了潜在的防御策略，并指出完全防御这些攻击的挑战。该研究适合安全研究员、ML安全从业者及恶意软件分析系统开发者阅读。