r77-rootkit项目中的AMSI绕过技术分析
2025-07-06 16:53:47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
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
最新内容推荐
TextAnimator for Unity:打造专业级文字动画效果的终极解决方案 Python开发者的macOS终极指南:VSCode安装配置全攻略 MQTT客户端软件源代码:物联网开发的强大工具与最佳实践指南 Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南 中兴e读zedx.zed文档阅读器V4.11轻量版:专业通信设备文档阅读解决方案 PANTONE潘通AI色板库:设计师必备的色彩管理利器 Python案例资源下载 - 从入门到精通的完整项目代码合集 TortoiseSVN 1.14.5.29465 中文版:高效版本控制的终极解决方案 CrystalIndex资源文件管理系统:高效索引与文件管理的最佳实践指南 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
411
3.16 K
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++
664
323
Ascend Extension for PyTorch
Python
227
255
暂无简介
Dart
676
160
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (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
1.21 K
659
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
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
1.03 K
492
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
342
146