论文《PhantomCall: Evading ML Malware Detectors via Function Call Graph Perturbation》研究了面向Windows PE恶意软件机器学习检测器的对抗攻击。现有攻击通常针对原始字节、PE头或函数内部控制流图（CFG），但尚未将函数调用图（FCG）作为攻击面。FCG是图基恶意软件检测器的重要特征。作者提出PhantomCall，这是一种黑盒攻击方法，通过向目标调用点注入完全可执行的虚拟函数来扰动FCG，从而在CFG与FCG中新增节点和边，同时保持程序语义。该方法结合了分类器引导搜索和可调节的注入参数，能够应对三种架构迥异的分类器。实验基于2025年收集的Windows恶意软件语料库，针对MalConv（原始字节CNN）、MalGraph（图基GNN）以及SAFE+GNN（在2024年语料库上从头训练的纯FCG GNN）进行评估，并在两种FPR阈值下测试。结果显示，最佳PhantomCall变体在所有配置下的攻击成功率达85%至100%，在MalGraph上比此前最优方法最多高出14.78个百分点，在SAFE+GNN上最多高出95.5个百分点，同时平均生成逃逸变体的速度比此前方法快达2.9倍。对于MalConv和MalGraph，大多数逃逸仅需修改单个调用点；此外，在全部配置中，86%至97%的评估逃逸变体在基于沙箱的语义测试中保留了原始恶意行为。该研究首次系统地证明了FCG扰动可作为一种高效的对抗攻击表面，对依赖图神经网络的恶意软件检测器构成显著威胁。