该论文提出了一种基于混合专家（Mixture of Experts, MoE）架构的统一多任务恶意软件分析框架，旨在解决传统单模型检测方法在处理异构、加壳及稀有恶意软件样本时泛化能力不足的问题。框架同时执行三项关键任务：恶意软件家族分类、加壳/未加壳检测以及恶意/良性识别。研究比较了两种输入表示：高维EMBER特征集和从PE文件提取的原始1D字节数组。作者探索了多种MoE变体，包括同构MoE、异构MoE和多门MoE（MMoE），并在标准与对抗设置下使用原始和变异样本评估性能。实验结果显示，多门MoE模型性能最佳，综合检测率达到0.9744，失败率仅2.56%，且在突变引起的分布偏移下表现出更强的鲁棒性。该工作证明了专家专业化和任务特定路由在处理复杂恶意软件分布中的有效性，为构建可扩展且鲁棒的恶意软件检测系统提供了新方向。