A Core-Structure-Based Automated Analysis Tool for Commercial Virtualization Obfuscation Deobfuscation
虚拟化混淆是一种强大的代码混淆技术，通过将原始程序转换为自定义虚拟机指令，显著增加了逆向分析的难度。该技术被越来越多地应用于恶意软件中，导致分析人员需要投入大量时间和精力。本文提出了一种名为 VMPredator 的自动化分析工具，旨在从混
#malware-analysis
共收录 30 条相关情报。
← 返回所有主题Control Flow Graph Recovery for Dynamically Loaded Code via Symbolic Library Resolution
该论文提出一种结合符号执行与推测性库预加载的静态控制流图（CFG）恢复技术，专门针对依赖动态代码加载来逃避静态分析的加壳软件和现代恶意软件。现有静态分析方法无法处理运行时动态链接引入的间接调用，导致无法恢复完整的CFG。本文方法在符号执行环
Semantic Validation of Packer Identification Tools: Characterization, Repair, and Downstream Impact
该论文提出了一种针对加壳识别工具（packer identification tools）的语义验证框架，旨在解决现有工具可能返回语义错误标签、导致解壳失败及下游分析不可靠的问题。核心思想是利用解壳器（unpackers）作为可执行语义契约
Chosen-Instruction Attack Against Commercial Code Virtualization Obfuscators.
该论文针对商业代码虚拟化混淆器（如Themida、VMProtect）提出了一种名为“选定指令攻击”（Chosen-Instruction Attack）的新方法。代码虚拟化是一种高级混淆技术，通过自定义虚拟机（VM）模拟原始指令的语义，使
MalwarePT: A Binary-Level Foundation Model for Malware Analysis
该论文提出 MalwarePT，一个面向二进制级别的恶意软件分析基础模型。现有自动化恶意软件分析方法大多依赖手工特征或针对特定任务设计的模型，缺乏通用性和可迁移性。近期二进制级基础模型的发展为可重用的程序表示提供了可能，但它们在恶意软件分析
FreeMOCA: Memory-Free Continual Learning for Malicious Code Analysis
FreeMOCA 是一项针对恶意代码分析中持续学习挑战的研究。每年超过 2 亿个新恶意软件样本被发现，传统的反病毒系统仅在新样本上重新训练会导致灾难性遗忘和可利用盲区，而使用全部数据集重新训练则计算成本高昂。FreeMOCA 提出了一种无记
Forecasting Malware Capabilities From Cyber Attack Memory Images.
该论文提出了一种从网络攻击内存镜像中预测恶意软件能力的新方法。研究背景在于，传统恶意软件分析通常需要动态执行或静态反编译，而内存镜像中包含了恶意软件执行时的完整状态，但直接从中提取高级语义能力（如持久化、逃避检测、横向移动等）较为困难。作者
LCC-LLM: Leveraging Code-Centric Large Language Models for Malware Attribution
本论文提出 LCC-LLM，一个面向恶意软件归因与多任务静态分析的代码中心基准数据集与证据驱动框架。研究背景是当前基于 LLM 的恶意软件归因受限于不支持的指标以及缺乏代码级别的证据支持，难以准确识别恶意和脆弱代码片段。为解决这些问题，作者
Evaluating Retrieval-Augmented Generation for Explainable Malware Analysis
该论文针对大型语言模型（LLM）在恶意软件分析中的应用进行了实证研究，重点评估检索增强生成（RAG）技术对解释质量的影响。研究背景是：安全分析师常借助LLM来自动总结和解释恶意软件行为，而RAG被认为可以通过注入外部安全知识来提升解释质量。
Static Attribution of Android Residential Proxy Malware Using Graph Kernels
该论文针对Android住宅代理应用程序（一种潜在的不受欢迎程序，PUP）的静态归因问题展开研究。这类应用会偷偷通过终端用户设备路由第三方流量，被高级威胁行为者用于广告欺诈、凭证滥用和绕过地理位置控制。由于代码复用、SDK嵌入和混淆技术，将