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。