该论文提出了一种面向实际部署的黑盒后门防御方法 TRIM（Trigger Removal by Identifying Manipulated Regions），用于在推理阶段检测并选择性清除深度神经网络图像分类模型中的后门触发器。后门攻击通过隐藏的恶意触发器让模型在保持高干净准确率的同时，对特定输入产生错误分类。现有防御通常依赖模型内部结构、训练数据或干净验证样本，在仅有模型黑盒访问权限的真实场景中难以部署。TRIM 的核心思路是定位导致模型反常行为的图像区域，并在不影响良性内容的前提下仅净化这些区域。其创新由三个关键组件构成：(i) 基于深度特征表示的区域分割；(ii) 通过图像修复与扩散重建实现的自适应触发器发现，不预设触发器的类型、形状或位置；(iii) 选择性区域净化，在保留良性内容的同时清理被污染的区域。此外，TRIM 会缓存已发现触发器的特征嵌入，以便快速识别和避免重复检测。在多种数据集和后门类型（包括混合式、稀疏、不同大小及多个触发器）上的广泛实验中，TRIM 显著优于现有黑盒防御方法，将攻击成功率（ASR）降低至最低 1.16%，同时保持最高 87.87% 的干净准确率。结果表明，即使防御者没有任何辅助数据，也能在推理阶段有效缓解后门攻击。

恶意软件检测是网络安全的核心挑战之一。传统基于静态特征（如签名、熵）的方法容易受到加壳（packing）技术的干扰，而基于可视化的方法将二进制字节映射为灰度图像，利用视觉分类器进行检测，具有抗规避和无需反汇编的优势。然而，可执行文件加壳会生成高熵图像，破坏模型依赖的结构模式，且加壳在良性软件中也普遍存在（如压缩或版权保护），因此仅靠加壳状态无法可靠区分恶意性。现有方法未能在统一的监督框架下解决这一问题。为此，本文提出 ViPER（Vision-based Packing-Aware Encoder for Robust Malware Detection），一种基于视觉的、具有打包感知能力的鲁棒恶意软件检测模型。ViPER 采用 LoRA 微调的 ViT-B/14 骨干网络，并设计双头架构，同时学习恶意软件分类和打包检测任务。打包感知门控机制根据推断的打包状态调节恶意软件分类的决策边界，从而对加壳和未加壳样本采用不同的决策规则。针对训练中打包标签分布不均的问题，使用频率加权损失和联合类-打包层的分层采样。实验在 200,000 张 Windows PE 字节图图像上进行，ViPER 的平衡准确率达到 0.8521，ROC-AUC 为 0.9260，AUPR 为 0.9279，在所有主要指标上均优于现有基线，且打包检测 AUC 达到 0.9949。该研究表明，显式建模打包状态能够显著提升基于视觉的恶意软件检测的鲁棒性。