该研究针对现代端点检测系统（AV/EDR）在应对自适应变体时的鲁棒性进行系统评估。当前，AV/EDR结合签名与行为检测，但传统检测管道在变体生成下的可靠性尚未充分验证。作者提出ShellForge，一种基于遗传算法（GA）的框架，用于生成后渗透变体（代表远程命令执行的功能等价变体），以系统化评估检测性能。ShellForge通过语法转换、编码方案和结构排列生成变体，并利用多目标适应度函数（结合AV/EDR检测反馈）指导进化。在沙箱环境下，将其与基准转换框架对比，发现基线签名与行为检测管道在受控变体生成下存在显著鲁棒性差距。研究还提出了可重现的端点检测鲁棒性基准，强调需要鲁棒性感知的防御监控与行为关联。该工作为安全评估人员提供了一种评估和提升端点检测系统对抗自动化变体的方法论。