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 StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0118
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
fun-rec推荐系统入门教程,在线阅读地址:https://datawhalechina.github.io/fun-rec/Python03
so-large-lm大模型基础: 一文了解大模型基础知识01
最新内容推荐
项目优选
收起
暂无描述
Dockerfile
765
4.97 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
857
1.93 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
680
1.33 K
Ascend Extension for PyTorch
Python
719
879
deepin linux kernel
C
32
16
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
456
438
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++
1.08 K
1.1 K
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
151
252
CANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。
Jupyter Notebook
303
118
昇腾LLM分布式训练框架
Python
178
220