基于自动扰动策略的静态恶意样本生成模型

来源：计算机应用与软件杂志2025年第8期北京时间：

作者：吴欣隆, 郑德生, 李政禹, 温冬, 殷光强, 周永

摘要：现有的扰动方法在增加静态恶意软件逃避率的同时导致其在目标主机无法运行。针对这种情况，该文提出一种基于自动扰动策略的静态恶意样本生成模型。该策略搭建行动空间，构建自动扰动策略动作库，采用启发式组合方式，将基础策略与历史最优扰动动作进行不同组合，输出最优策略到智能体，最终得到面向静态恶意软件对抗样本生成模型。其次，定义逃避率及可用率的调和平均数Harmonic Means of Evasion and Availability, HMEA指标，以量化静态恶意软件对抗样本的有效性。在VirusShare数据集上的实验表明，该方法逃避率达42.00%, 可用率提升至99.50%, HMEA达59.07%, 证明了该方法的有效性。

关键词：深度学习, 强化学习, 恶意软件, 对抗样本, 网络安全