恶意软件分析系统（包括动态分析沙箱和数字取证与事件响应平台）依赖遥测管道（由收集代理、序列化器和数据库后端组成）来捕获程序行为并呈现给分析人员。本文揭示这些数据处理组件本身构成可利用的攻击面，攻击者无需禁用传感器或获取高权限即可触发“分析拒绝”（Denial-of-Analysis, DoA）状态。作者提出了一类新的漏洞——遥测复杂度攻击（Telemetry Complexity Attacks, TCAs），利用无界收集机制与有界处理能力之间的不匹配。攻击方法通过递归生成子进程，产生深度嵌套、体积超大的对象，压垮序列化（如JSON/BSON）的深度和大小限制、存储边界以及可视化层。攻击效果因产品而异，包括行为报告被截断或缺失、数据库插入被拒绝、序列化触发递归和大小错误、仪表盘无响应，某些情况下恶意代码被正常执行但未被记录或呈现给分析人员。作者对18个商业和开源恶意软件分析平台及EDR解决方案进行了评估，其中7个产品在遥测管道的不同阶段失败；已分配两个CVE编号（CVE-61301和CVE-61303），一个待定，一个归属底层库，其他产品已发布补丁或配置变更。论文讨论了根本原因，并提出了缓解策略，以防止由对抗性遥测触发的DoA攻击。本文适合沙箱和EDR产品开发者、安全运营人员以及从事恶意软件分析的研究者阅读。

本文对2020年至2023年间收集的1300个真实世界中的钓鱼工具包（Phishkits）进行了深度分析，旨在揭示其架构和操作动态。钓鱼攻击一直是攻击者绕过现代防御、渗透关键系统的常用手段，而Phishkits在其中扮演了关键角色，它们通常用于快速生成具有迷惑性的钓鱼页面、执行逃避策略，并与远程攻击者建立后门以窃取数据。研究团队从架构设计、源代码实现、通信通道以及泄露数据的性质等多个维度对样本进行了剖析。他们识别出两类主要的逃避机制：动态重定向和针对来访流量的属性分析，用于伪装和辨别爬虫与真实受害者。同时，研究发现这些工具包高度依赖现有的即时通讯服务（如Telegram等）来传输窃取到的数据，而非使用传统C2基础设施。尽管存在这些高级功能，但分析表明，真正具备复杂功能的Phishkits占比很小，有284个（占21.8%）甚至没有任何逃避机制。此外，虽然各工具包在具体实现细节上存在差异，但维持钓鱼页面正常功能的核心组件高度相似甚至完全相同。这种高水平的代码复用和对已知技巧的依赖，使得大量钓鱼工具包的行为模式可预测，这为安全团队在大规模场景下自动检测和防御此类攻击提供了便利。该研究为理解现代Phishkits的演化提供了宝贵的数据支撑，并指出了防御方可以利用的共性弱点。

本文是一篇针对恶意软件分析实践的用户研究论文，旨在填补学术界对实际恶意软件分析工作流程认知的空白。尽管已有大量研究关注恶意软件分析技术本身，但从业者实际采用的分析流程、目标及决策因素却鲜有研究。作者对来自18家不同公司的21名专业恶意软件分析师进行了用户研究，这些分析师背景多样，覆盖不同类型的安全团队。研究围绕三个核心问题展开：（1）实际工作中恶意软件分析师的不同目标是什么？（2）典型的专业恶意软件分析师工作流程由哪些环节组成？（3）当分析师决定进行动态分析时，他们会考虑哪些因素来搭建动态分析系统？基于参与者的回答，作者提出了恶意软件分析师的分类学，并识别出五种常见的分析工作流程。此外，研究还揭示了分析师在不同工作阶段面临的挑战，例如静态分析中的代码混淆、动态分析环境搭建的复杂性、时间压力以及工具链集成问题。基于这些挑战，作者提出了两个未来研究方向，旨在提高分析工具的实用性并解决实际痛点。最后，作者为恶意软件分析工具开发者提供了改进工具可用性的建议指南。该研究为安全社区提供了对实际恶意软件分析过程的深入理解，有助于连接学术研究与工业实践，推动更具实用价值的研究方向。

该论文针对JavaScript恶意代码混淆与反混淆领域展开研究。随着JavaScript的广泛使用，攻击者利用复杂混淆技术隐藏恶意行为，而现有反混淆工具普遍存在输入格式支持有限、只能处理特定混淆类型、输出结果难以理解等缺陷，严重制约了实际安全分析效果。为此，作者提出了JSIMPLIFIER，一种综合性JavaScript反混淆工具。其核心架构采用多阶段流水线，包括预处理、基于抽象语法树的静态分析、动态执行跟踪以及大语言模型增强的标识符重命名。此外，论文设计了多维度的评估指标，综合控制流与数据流分析、代码简化程度、熵度量以及基于大语言模型的可读性评估，以更全面衡量反混淆效果。研究团队构建并公开了迄今规模最大的真实混淆JavaScript数据集，包含44,421个样本（其中23,212个为真实恶意样本，21,209个为良性样本）。实验结果表明，JSIMPLIFIER在20种混淆技术上处理能力达到100%，在评估子集上正确率为100%，代码复杂度降低88.2%，并通过多个大语言模型验证实现超过4倍的可读性提升。该成果为JavaScript反混淆研究树立了新的基准，并具备实际安全应用价值。适合对恶意脚本分析、代码反混淆、大语言模型安全应用感兴趣的研究人员与安全工程师阅读。

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。

恶意软件分析需要快速解读复杂的爆炸报告（包含文件系统、网络和进程行为）。虽然大型语言模型（LLM）在技术性工件解释方面表现出色，但闭源顶尖模型的不透明性和不断上涨的API成本促使研究者探索开源替代方案。然而，许多开源模型体积庞大，需要大量计算资源和托管费用，使资源受限的部署难以承担。本文研究编排式小型语言模型（SLM）集成体在结构化回答恶意软件爆炸报告问题方面能否匹敌或超越单一LLM的性能。作者首先在Meta的CyberSecEval Malware Analysis基准上测试了11个开源SLM、3个网络安全预训练模型和6个顶尖LLM以建立基线。随后设计并评估了四种编排架构：(i) 多智能体流水线，将分析分解为结构化证据收集和推理阶段；(ii) 对抗性辩论框架，两个智能体迭代批判对方推理；(iii) 层级咨询系统，将通用SLM与网络安全专用专家模型配对；(iv) 混合架构，结合证据驱动流水线与对抗性辩论推理。混合系统（Qwen3-4B与Foundation-Sec-8B）取得了35.30%的整体准确率，超过了最强的网络安全专用基线（22.54%）和最强的无证据顶尖基线（34.77%）；但当提供相同证据流水线时，基于证据的Gemini仍是最强配置（38.22%）。这些发现表明，证据驱动的编排能显著提升协作SLM在恶意软件爆炸报告解读支持方面的性能。

本文针对恶意软件分析沙箱中执行时间参数的选择问题展开研究。沙箱执行时间过长会降低可扩展性，过短则可能导致恶意行为未被完全触发，影响数据收集的质量。然而，目前缺乏关于如何选择最优执行时间的明确指南。为了填补这一空白，作者首次开展了大规模研究，系统评估执行时间对收集事件数量和质量的影响。通过测量系统调用和代码覆盖率随时间的变化，刻画了在沙箱中可观察到的运行时行为比例。最后，基于不同时间窗口收集的数据，实现了机器学习驱动的恶意软件检测方法，并报告了不同时间点观察到的事件的重要性。该研究有助于安全分析师在资源效率和检测有效性之间找到平衡点。

本文介绍了 Burnyard，一种针对恶意软件分析的新型轻量级二进制仿真平台。当前主流的恶意软件分析实践依赖于沙箱技术，即在大型数据中心的隔离虚拟机中执行可疑二进制文件。然而，这种方法存在若干缺陷：首先，样本可能因网络连接或共享基础设施而无意中暴露给 VirusTotal、MalwareBazaar 等公开平台，导致隐私泄露或样本被公开；其次，沙箱环境资源消耗大、运行时间长，且需要大量管理开销。Burnyard 通过采用二进制仿真技术来替代全系统虚拟化，显著降低了资源占用和启动延迟。它能够捕获二进制文件运行时的关键行为，如系统调用、内存访问、文件操作等，并将这些观测结果记录为结构化的 CSV 事件轨迹。这种轻量级方法不仅加快了分析速度，还减少了对底层宿主机的依赖，使得分析可以在更受限的环境中（如边缘设备）进行。主要贡献包括：提出了基于仿真的低开销恶意软件分析框架；设计了高效的事件记录机制，将运行时行为转化为易于分析的 CSV 格式；实验表明 Burnyard 在检测准确率和性能上可与传统沙箱媲美，但资源消耗大幅降低。该研究适合安全分析师、恶意软件研究员以及需要大规模或远程场景下快速分析样本的团队阅读。

本论文对两种旨在对乌克兰电网实施停电的恶意软件进行了深入分析。研究者设计并实现了一种新型沙箱环境，该沙箱能够模拟变电站中的各类网络拓扑、设备特性和通信协议，从而安全地执行专门针对变电站设备的恶意代码，并详细记录攻击者在变电站设备上可能执行的精确操作序列。通过对恶意软件的动态分析，论文揭示了此前未被记录的恶意行为，例如对MMS（制造报文规范）协议载荷的详细算法还原。此外，论文还探讨了未来类似恶意软件可能造成的不同影响，通过比较攻击不同目标（如断路器、保护继电器等）所产生的物理后果，说明攻击目标的差异会直接导致不同程度的电网扰动或停电范围。该研究的主要贡献包括：首次公开了Industroyer类恶意软件在IEC 61850环境下的具体协议交互细节；提供了一套可复用的沙箱仿真框架用于工控恶意软件分析；以及从攻击者视角系统化阐述了工控系统攻击的潜在影响路径。适合工控安全研究员、电力系统防御工程师及威胁情报分析师阅读。

Android恶意软件分析面临鲁棒分类和检测隐匿攻击的挑战。现代威胁采用代码混淆、动态加载、加壳甚至隐写技术来规避传统静态和动态特征检测，降低了基于签名的系统有效性，并削弱了依赖显式语义指标（如权限、API调用、控制流结构）的机器学习模型的可靠性。本文提出了一种名为\approachname的内存取证恶意软件检测框架，将分析视角从语义程序建模转向基于信号的结构表示。该方法将静态字节码和早期执行内存快照通过直接二进制到波形映射转换为音频波形，无需反汇编或特征工程，保留了低层结构模式。生成的信号使用手工设计的频谱描述符、卷积神经网络和基于transformer的嵌入进行处理。在CICMalDroid2020数据集和VirusTotal恶意软件上的实验表明，\approachname达到了98.0%的准确率，优于静态声纳化方法和当前最先进的技术。本研究为恶意软件分析提供了一种新颖的信号处理视角，展示了音频特征在识别恶意行为方面的潜力。

该论文提出首个能够直接处理编译后可执行文件原始字节的“大字节模型”（Large Byte Model），无需依赖反汇编或反编译等开销高昂且易出错的“提升”工具。传统大语言模型（LLM）无法理解原始字节序列，因此难以直接应用于底层恶意软件分析。作者通过设计一套自定义字节分词器（byte tokenizer）实现词汇扩展，使模型能够原生处理二进制字节流，并回答关于恶意软件二进制文件的复杂问题。实验表明，该模型在恶意软件家族分类任务上达到69%的准确率，在架构分类任务上达到98%的准确率。研究还发现，在训练过程中注入领域知识（如指令、操作码结构等）对模型性能至关重要，而直接使用现有通用LLM则缺乏准确性和洞察力。目前该模型已部署给少量分析师进行试用反馈。本工作为安全分析中的自动化二进制理解提供了新范式，尤其适用于恶意软件检测、分类和逆向工程场景。

该论文针对网络威胁情报中动态恶意软件行为建模的语义精确性问题展开研究。当前业界广泛使用的恶意软件描述标准MAEC和STIX虽然提供了丰富的词汇，但其数据结构复杂且混淆了本体论上的关键区分，例如将持久性恶意软件工件（如文件、注册表键）与执行过程中产生的运行时事件（如进程创建、网络连接）混为一谈，导致无法清晰表达动态行为语义，并限制了基于执行轨迹的推理能力。作者以统一基础本体论（UFO）为理论透镜，对MAEC和STIX中与动态分析相关的核心构造进行了基础本体论分析，揭示了因混淆工件、倾向（dispositions）和运行时事件而引发的本体论失配问题。基于这些洞察，论文提出MAECO-Lite轻量本体，采用模块化结构，核心模块包括样本、进程、动作、系统工件以及MITRE ATT&CK技术，并严格区分持久实体与运行时事件，从而在保持语义清晰的同时支持动态分析数据的处理。初步评估使用描述逻辑概念学习算法，表明该简化本体显著提升了学习性能，证明了基于本体论建模可在语义清晰度和计算可用性两方面带来改进。该工作适合安全分析师、本体工程师及威胁情报平台开发者阅读，以更好地理解和建模恶意软件行为。

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，旨在从混淆代码中提取语义单元，从而恢复程序的原始语义。VMPredator 结合了内存分析和轨迹分析等多种技术，并设计为最小化对特定虚拟机内部结构的依赖，使其能够处理现有工具无法应对的多种虚拟化混淆变种。实验结果表明，该工具能将混淆程序长度平均缩减约85%，并通过验证确认小规模程序可以完整恢复为与原始语义相同的代码。该研究为反混淆领域提供了新的自动化方法，有助于提升恶意软件分析效率和深度。

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境中设置自定义软件钩子，拦截动态加载操作（如dlopen、GetProcAddress等），并将实际库加载到分析状态中。系统采用两级架构：底层存储拦截函数，上层跟踪指令，全部在符号执行引擎内完成。通过完全符号执行避免执行潜在恶意代码，从而安全分析恶意软件。实验使用16个合成基准程序，包含加密库名、网络触发加载、环境派生路径、多阶段解密链、无文件执行和手动ELF解析等多种混淆技术。结果表明，与纯静态分析相比，该方法平均多恢复29.8%的CFG节点和26.5%的边，库检测的精确率和召回率均达100%，所有发现均通过Frida动态插桩验证。

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：若工具预测为某加壳族，则对应的解壳器应能恢复出可分析的程序内容，从而自动生成测试预言（test oracle），无需人工标注真值。基于此，作者构建了一套系统化流程，用于检测、定位并修复11款开源加壳识别工具及6款VirusTotal专有工具的语义缺陷。大规模实证研究表明，语义错误普遍存在且反复出现，主要源于不完整的签名和不稳定的启发式逻辑。修复后，加壳识别覆盖率最高提升58.6%，下游恶意软件分类性能平均提升超过13.6%。该工作对构建可信的恶意软件分析流水线具有重要价值。

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，使得逆向工程极其困难。恶意软件开发者常滥用此类商业混淆器隐藏恶意行为。由于商业混淆器的内部机制是黑盒，分析人员需要在大规模高度混淆的程序上进行逆向工程，成本高且不精确。论文的核心思想是：攻击者可以主动选择并输入特定指令，观察混淆器对这些指令的翻译输出，从而推断虚拟机内部的操作码、执行逻辑等关键信息。该方法不需要对混淆器进行静态逆向，而是通过动态多对一的指令映射分析，逐步恢复原始程序的语义。实验结果表明，该攻击能够有效针对多个商业混淆器，显著降低反混淆的复杂度和时间开销。论文的主要贡献包括：揭示了商业混淆器的可攻击性，提出了一种实用的黑盒分析方法，并提供了评估基准。适合逆向工程、恶意软件分析和软件安全领域的研究人员与从业者阅读。

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中的应用尚未充分探索，且多数模型仍采用字节级分词，难以捕获多字节代码模式。MalwarePT 基于 ModernBERT 架构的编码器，在 Windows PE 可执行文件的代码段字节上进行掩码语言模型预训练。研究核心问题是：单一预训练编码器能否在不同粒度的恶意软件分析任务间迁移，以及分词设计如何影响这种迁移。为此，作者在代码段字节上训练了字节对编码分词器，将频繁出现的多字节模式压缩到固定上下文窗口内。在三个下游任务上评估了模型：API 调用预测（token级）、功能分类（函数级）和恶意软件检测（程序级，并考虑了时间漂移）。实验表明：预训练在 API 调用预测和功能分类上带来显著增益；增大 BPE 词汇量（超越字节级基线）可提升性能，在词汇量 1024 时达到最佳权衡；在误报率约 0.001 的恶意软件检测中，MalwarePT 优于神经网络基线，并与依赖 PE 结构特征工程模型互补。与现有二进制基础模型对比，MalwarePT 的设计选择在所有下游任务上均取得改进。该工作为构建统一的二进制级基础模型用于恶意软件分析提供了实证依据。

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 提出了一种无记忆（memory-free）且计算高效的持续学习框架，通过自适应逐层插值（adaptive layer-wise interpolation）在连续任务更新之间保留先前知识，其核心是利用热启动任务最优（warm-started task optima）在参数空间中由低损失路径连接的特性。方法不依赖存储旧样本，避免内存开销。实验在 Windows（EMBER）和 Android（AZ）恶意软件基准上进行，涵盖类增量（Class-IL）和域增量（Domain-IL）两种设置。结果显示，FreeMOCA 在 Class-IL 设置中表现显著，在 EMBER 和 AZ 上均优于 11 个基线方法；同时大幅减少遗忘，实现最佳保留性能，在 EMBER 和 AZ 上准确率分别提升高达 42% 和 37%。作者发布代码，表明参数空间中的热启动插值可作为基于回放的持续恶意软件检测的可扩展且有效的替代方案。该研究为安全领域持续学习提供了实用思路。

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。作者设计了一个基于机器学习的框架，首先从内存镜像中提取底层特征（如API调用序列、内存操作模式、注册表修改等），然后通过特征工程和分类模型将这些特征映射到恶意软件的高阶能力标签（如C2通信、数据窃取、权限提升等）。实验使用了大量真实恶意软件样本和模拟攻击生成的内存镜像数据集，验证了模型能够以较高的准确率（>85%）预测恶意软件的能力类别。该方法有助于安全分析师在无需运行样本的情况下快速评估恶意软件的威胁等级，提升应急响应效率。主要贡献包括：1）定义了从内存镜像到恶意软件能力的映射框架；2）公开了标注数据集；3）实验证明了预测的有效性。

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，作者构建了 LCCD 数据集，包含约 34,000 个 PE 样本，通过大规模逆向工程流水线处理，以反编译 C 代码、汇编代码、CFG/FCG 结构、十六进制数据、PE 元数据、可疑 API 证据和结构特征等多种形式表示。框架层面，LCC-LLM 整合了 LangGraph 编排的静态分析与多源网络安全知识，采用七层检索增强生成流水线、基于 CoVe 的 IoC 验证以及多维质量门控机制，提升事实可靠性和面向分析师的决策支持。使用课程顺序指令数据对 DeepSeek-R1-Distill-Qwen-14B 和 Qwen3-Coder-30B-A3B 进行 QLoRA 微调。在 43 种恶意软件分析任务类型上的评估显示平均语义相似度达到 0.634，在结构化报告生成、IoC 提取、漏洞评估、恶意软件配置提取和恶意软件类别检测等任务上表现最佳。基于 MalwareBazaar 样本的真实案例研究中，证据驱动流水线实现了 10/10 的结构化分析通过率，生成了 CFG/FCG 证据、MITRE ATT&CK 映射、检测指南和分析师就绪报告。结果表明代码中心表示、检索基础验证和推理指导提升了 LLM 辅助恶意软件归因的可靠性和实用价值。

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。作者以VirusTotal报告作为结构化输入，在多个LLM上对比了有无RAG时的解释效果。实验发现，RAG在大多数情况下反而降低了解释质量，具体表现为：引入分散注意力的弱相关上下文、增加叙述噪声或生成泛泛的写实性描述。这表明，当结构化安全证据已经足够时，RAG会产生反效果。作者因此提出，恶意软件解释本质上是信号提取任务，而非知识检索问题，并基于此给出了安全开发工作流的设计建议。该研究挑战了RAG在安全关键型管道中的普遍适用性，为未来设计更可靠的LLM辅助分析工具提供了重要参考。

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，将未知APK归属到特定代理网络非常困难。论文提出了一种静态分析流水线，用于自动化的代理软件家族归属。该流水线从包含四个商业代理网络的3,365个Android代理应用标注语料库中提取图结构表示（控制流图和函数调用图）以及行为签名。研究者评估了单独使用Weisfeiler-Lehman图核特征以及将其与二进制能力向量融合后，在多个分类器上的表现。通过5折DEX分组交叉验证防止数据泄漏，SGD在扩展数据集上达到了0.985的宏F1分数。为了支持可解释性，论文将分类器决策映射到自动生成的Yara规则，在过滤非判别性签名后，每个家族的准确率最高可达88.45%。最后，论文在更广泛的生态背景下讨论了这些结果：扩展数据集中，仍可从APKPure获取的多数应用（51.4%）仍然包含嵌入的代理SDK代码。对开发者账户的进一步分析显示，有23名开发者负责其他包含此类功能的应用，表明代理提供商与开发者之间存在持续的商业合作关系。