r77-rootkit项目对抗Windows Defender AMSI检测的技术分析
2025-07-06 11:34:39作者:田桥桑Industrious
背景概述
在安全攻防领域,AMSI(Anti-Malware Scan Interface)是微软提供的一套反恶意软件扫描接口,它允许杀毒软件在脚本执行前进行扫描。近期微软更新了Windows Defender的行为检测机制,开始检测对AmsiScanBuffer函数的修改行为。这一变化直接影响了r77-rootkit这类需要绕过AMSI检测的工具。
技术对抗过程
初始检测机制
微软在2024年底的更新中,Windows Defender开始检测特定的指令序列模式。通过分析发现,Defender实际上是在检测以下字节序列:
0xb8,0x57,0x00,0x07,0x80,0xc3
这段汇编对应的是:
mov eax, 0x80070057
ret
这是常见的AMSI绕过技术中用于覆盖AmsiScanBuffer函数的指令。
对抗方案演进
第一阶段:数值混淆
开发者最初采用算术混淆的方式,将每个字节值拆分为两个随机数的差。例如:
// 原始值:0xb8
// 混淆为:a - b = 0xb8
StrCatW(command, Int32ToStrW(a));
StrCatW(command, L"-");
StrCatW(command, Int32ToStrW(b));
这种方式虽然能绕过简单的特征检测,但还不够完善。
第二阶段:指令流混淆
在r77-rootkit 1.5.5版本中,开发者进一步改进了方案:
- 在关键指令之间插入NOP类指令(如mov eax, eax)
- 采用随机化选择插入位置
- 保持功能不变的前提下打乱指令模式
这种技术类似于代码混淆中的"指令填充",通过增加无关指令来破坏静态特征检测。
技术原理深度解析
AMSI绕过基础
传统AMSI绕过通常采用以下步骤:
- 获取AmsiScanBuffer函数地址
- 修改函数开头指令
- 使其直接返回成功(0x80070057)
现代检测机制
微软的改进检测关注:
- 特定指令序列的模式匹配
- 关键API的修改行为
- 内存页属性变更监控
有效对抗策略
- 动态代码生成:每次执行生成不同的指令序列
- 多态技术:保持语义不变的前提下变化实现
- 时间维度混淆:定期改变驻留特征
安全启示
这一攻防案例展示了现代安全对抗的几个特点:
- 特征检测从简单字符串匹配发展到行为模式识别
- 对抗技术需要多层次的混淆和随机化
- 持续更新是保持有效性的关键
对于防御方而言,这提示需要:
- 加强运行时行为分析
- 采用机器学习检测异常模式
- 建立多层次的防御体系
总结
r77-rootkit项目与Windows Defender的这次对抗,是典型的"矛与盾"演进案例。通过分析这次技术调整,我们可以清晰地看到现代恶意软件对抗杀毒软件检测的技术思路,以及微软在行为检测方面的改进方向。这种攻防对抗将持续推动双方技术的进步,也为安全研究人员提供了宝贵的学习素材。
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 StartedRust0197
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 Notebook0126
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。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
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python06
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07
热门内容推荐
最新内容推荐
项目优选
收起
暂无描述
Dockerfile
766
5.01 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++
863
1.96 K
Ascend Extension for PyTorch
Python
722
894
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++
689
1.35 K
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
458
453
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
1.11 K
本仓库是 Flutter SDK 与 Flutter Engine 的 OpenHarmony 适配版本,由 CPF-Flutter 团队维护。开发者可使用熟悉的 Flutter 技术栈开发 OpenHarmony 应用,3.35.7 及以后的适配版本可基于本仓库源码构建支持 OpenHarmony 的 Flutter Engine。
Dart
1.02 K
265
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
152
250
CANNBot 是面向 CANN 开发的用于提升开发效率的系列智能体,本仓库为其提供可复用的 Skills 模块。
Python
1.01 K
627
Oohos_react_native
React Native鸿蒙化仓库
C++
357
425