r77-rootkit项目中的AMSI绕过技术分析
2025-07-06 23:06:44作者:殷蕙予
AMSI绕过机制概述
AMSI(Antimalware Scan Interface)是微软开发的一套反恶意软件扫描接口,它允许应用程序和服务与已安装的反恶意软件产品集成。在PowerShell环境中,AMSI会对脚本内容进行实时扫描,以防止恶意代码执行。r77-rootkit作为一个开源rootkit项目,需要有效绕过AMSI检测才能实现其功能。
常见的AMSI绕过技术
1. .NET反射绕过法
通过反射修改System.Management.Automation.AmsiUtils类中的amsiInitFailed字段值是一种常见的AMSI绕过方法。这种方法的核心代码如下:
[Ref].Assembly.GetType('System.Management.Automation.AmsiUtils').GetField('amsiInitFailed','NonPublic,Static').SetValue($null,$true)
然而,微软已经对这种直接的方法添加了签名检测。为了绕过检测,可以修改代码结构,例如:
[Ref].Assembly.GetType('System.Management.Automation.AmsiUtils').GetField('amsiInitFailed','NonPublic,Static').SetValue([System.Management.Automation.Language.NullString]::Value,$true)
这种修改可以暂时绕过检测,但效果有限。
2. AmsiScanBuffer函数修补
更彻底的绕过方法是直接修改amsi.dll中的AmsiScanBuffer函数,使其直接返回而不执行扫描。这种方法需要:
- 获取AmsiScanBuffer函数地址
- 修改函数内存权限
- 写入返回指令
这种方法效果更好,但实现代码需要高度混淆以避免被检测。
技术限制与挑战
1. 签名检测的演进
微软不断更新AMSI的签名检测机制,使得公开的绕过方法很快失效。特别是:
- 特定代码模式的检测(如SetValue(true))
- 硬件断点和VEH Hook等调试技术的检测
- .NET编译器行为的监控
2. 执行上下文的影响
测试表明,.NET反射绕过法在不同执行上下文中的效果不同:
- 单独执行可以绕过部分检测
- 与恶意代码在同一行执行时可能仍然触发检测
3. 开源项目的特殊挑战
对于r77-rootkit这样的开源项目:
- 公开的绕过代码会迅速被反病毒厂商加入特征库
- 需要用户自行修改和混淆代码才能维持有效性
- 静态检测和动态检测需要不同的应对策略
实用建议
- 代码混淆:对绕过代码进行深度混淆,避免使用已知的模式
- 私有修改:不要依赖公开的绕过代码,应自行开发私有版本
- 多层防御:结合多种绕过技术,提高成功率
- 持续测试:定期测试绕过方法的有效性,及时调整策略
结论
AMSI绕过是一场持续的技术对抗。对于r77-rootkit这样的项目,有效的绕过策略需要结合技术创新和操作安全。公开代码库中维护绕过方法效果有限,最佳实践是鼓励用户根据基本原理开发私有实现,并保持对最新防御机制的了解。理解AMSI的工作原理和检测机制,才能开发出更持久有效的绕过技术。
登录后查看全文
热门项目推荐
相关项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust075- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
Kimi-K2.6Kimi K2.6 是一款开源的原生多模态智能体模型,在长程编码、编码驱动设计、主动自主执行以及群体任务编排等实用能力方面实现了显著提升。Python00
Hy3-previewHy3 preview 是由腾讯混元团队研发的2950亿参数混合专家(Mixture-of-Experts, MoE)模型,包含210亿激活参数和38亿MTP层参数。Hy3 preview是在我们重构的基础设施上训练的首款模型,也是目前发布的性能最强的模型。该模型在复杂推理、指令遵循、上下文学习、代码生成及智能体任务等方面均实现了显著提升。Python00
热门内容推荐
最新内容推荐
项目优选
收起
暂无描述
Dockerfile
689
4.46 K
Ascend Extension for PyTorch
Python
544
668
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
955
928
Claude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed.
Get Started
Rust
415
74
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
407
323
昇腾LLM分布式训练框架
Python
146
172
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
650
232
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.08 K
564
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.59 K
925
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
642
292