YARA 规则易于分发，但用于验证规则匹配的恶意软件样本往往因法律、存储和安全性问题无法随规则一同分发，导致持续集成、灾难恢复演练和可复现扫描验证变得困难。本文提出 Aray：一个“确定性优先”的 YARA 解释器与良性正向样本合成器。Aray 的核心思路是：验证一条 YARA 规则只需构造出该规则匹配集中的一个文件级成员，而不必还原原始恶意样本。系统采用“常规代码 + 有限模型辅助”的混合架构：模型可以提出构造性规范化或类型化提取回退方案，但绝不提供后端源码或二进制结构；常规代码负责验证规范化规则、推导字符串与整型证据，并执行提取、路由、冲突检查布局以及 ELF/PE/通用序列化。只有剩余的规范化语义会交给受约束的模型评判器处理。作者在 416 条公开规则上进行了评估：无需模型辅助即可规范化 182 条，经过模型规范化后共接受 234 条；可构造性预检通过 406 条，且所有通过的预检规则生成的种子都与上游原始规则匹配。总体成功率为 406/416（97.6%），在可构造规则中为 406/406（100%）；有 10 条按预期被预检拒绝，未出现扫描器不匹配或构造失败。实现过程中确认了一个不可达端点，证明实际构造阶段零模型调用。验证过程使用原始规则作为 oracle 来检查生成的样本是否匹配源规则，证明对所有可能文件的蕴含关系是另一个更强的目标。两个锚定正则表达式问题在最终运行前已修复，因此结果反映的是修复后系统性能，而非独立保留样本的估计。