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。本文研究基于动态行为的恶意软件检测器所面临的对抗攻击，核心问题是同一恶意软件样本在多次执行中可能产生不同的行为序列，使针对某次行为计算的扰动在后续执行中失效。作者提出面向序列数据的 Position Sensitive - Fast Gradient Sign Method，并结合两种针对执行非确定性的问题空间策略，将其整合为端到端对抗框架 Tarallo。 方法上的重点是区分特征空间扰动与问题空间中的实际修改，并处理二者在重复执行时的有效性差异。摘要没有展开算法的位置敏感机制、两种策略的具体实现、损失形式或修改约束，这些内容尚未验证。 作者报告，在沙箱环境中针对两个基于 Recurrent Neural Network（RNN）的恶意软件检测器进行的初步分析显示，Tarallo 在特征空间和问题空间攻击中的成功率最高均达 99%，并减少了导致误分类所需的修改数量；作者还报告其在白盒与黑盒场景下优于既有工作。摘要未给出各场景分别对应的成功率、样本规模、基线、修改数量及统计不确定性，不能将该最高值理解为所有设置下的共同结果。 本文的主要研究对象是恶意软件行为序列及检测器安全性，而非 EEG 或 BCI。动态执行非确定性与神经信号变异并不能直接等同；现有材料不足以建立具体的 BCI 迁移机制，因此不据此提出 EEG 效果结论或复现实验建议。实验协议、消融及统计信息尚未验证，已有 EEG 相关工作尚未检索确认。