该论文提出了一种名为“hamm-grams”的新型特征，用于恶意软件检测中的静态分析。传统的n-gram特征虽然被广泛使用，但存在鲁棒性不足的问题，容易因代码微小变化而失效。作者将hamm-grams定义为具有固定长度和单字符通配符的特殊正则表达式，能够在保持匹配灵活性的同时保留模式结构。核心贡献是设计了一种高效的挖掘算法，利用新的局部敏感哈希（LSH）函数，使得汉明距离较小的字节序列容易发生哈希碰撞，并在哈希桶内通过聚类确定通配符位置。该算法能够从大量可执行文件中快速找到常见的hamm-grams。实验部分在恶意软件分类和检测任务上验证了hamm-grams的优势，与传统n-gram相比，特征更具鲁棒性，分类性能得到提升。本文适合对恶意软件静态特征工程、机器学习鲁棒性感兴趣的读者。