Tarallo：在问题空间中规避行为型恶意软件检测器

基于摘要分析。该研究针对基于动态行为的恶意软件检测，提出端到端对抗攻击框架 Tarallo，结合面向序列数据的特征空间算法 PS-FGSM 与两种问题空间攻击策略，处理同一恶意软件多次执行时行为不同、导致既有扰动失效的问题。 核心机制在于区分特征空间中的扰动与实际恶意软件的问题空间修改：针对一次执行行为计算的扰动，未必能在后续执行中继续误导检测器。作者称，PS-FGSM 提升了序列特征空间攻击的效率，两种问题空间策略则专门应对执行行为的非确定性。摘要未披露算法更新规则、允许的修改操作，以及如何保持修改后样本的原有功能，这些实现条件尚未验证。 作者报告，在沙箱环境中针对两个基于 RNN 的恶意软件检测器开展的初步分析显示，Tarallo 在特征空间和问题空间攻击中的成功率最高可达 99%，并减少了造成误分类所需的修改数量；作者还称其在白盒和黑盒场景中优于既有工作。摘要未给出各场景分别对应的成功率、样本规模、重复执行次数、对照方法及修改数量，不能据此判断跨执行稳定性或泛化范围，实验协议、消融及统计信息尚未验证。 该工作的主要研究对象是恶意软件检测器的对抗鲁棒性，而非 EEG 或 BCI。序列数据攻击这一共同形式不足以建立直接迁移关系；摘要没有提供神经信号约束或相应验证，不能将上述攻击效果解释为 BCI 有效性证据。