本文提出了一种用于恶意软件表征的隐空间稳定性分析管道，旨在评估在特征空间扰动下恶意软件嵌入表示的稳定性。传统恶意软件检测器通常使用准确率、F1、ROC AUC等干净样本指标评估，但这些指标无法揭示当特征向量受到扰动时，学习到的表征如何变化、样本是否接近决策边界，或压缩表示是否保留了安全相关结构。作者在EMBER特征空间上构建了分析管道，比较了完整EMBER特征、基于PCA的压缩、beta/去噪变分自编码器（VAE）表示、曼德勃罗集启发的逃逸时间描述符以及PINN风格的隐流模块。他们定义了隐空间逃逸散度（LED）来衡量扰动下逃逸时间分布的变化，并使用PINNFlow衍生的残差、速度、风险和梯度偏移指标来刻画隐空间运动。实验使用EMBER静态PE特征向量，包含180,000个训练样本、180,000个测试样本和240,000个保留样本。结果表明，完整EMBER特征在干净分类上表现最强，ROC AUC为0.9962，F1为0.9713；PCA-64是最强的压缩基线，ROC AUC为0.9846，F1为0.9347。提出的VAE+Mandelbrot+PINNFlow表示在干净分类上未超越这些基线，但在受控特征空间扰动探针下提供了额外的诊断价值。该研究有助于理解不同表征方法对抗扰动的鲁棒性，并为设计更稳健的恶意软件检测器提供指导。