r77-rootkit项目对抗Windows Defender AMSI检测的技术分析
2025-07-06 14:51:16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
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
最新内容推荐
IEC61850建模工具及示例资源:智能电网自动化配置的完整指南 海康威视DS-7800N-K1固件升级包全面解析:提升安防设备性能的关键资源 2022美赛A题优秀论文深度解析:自行车功率分配建模的成功方法 SteamVR 1.2.3 Unity插件:兼容Unity 2019及更低版本的VR开发终极解决方案 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 Photoshop作业资源文件下载指南:全面提升设计学习效率的必备素材库 海能达HP680CPS-V2.0.01.004chs写频软件:专业对讲机配置管理利器 咖啡豆识别数据集:AI目标检测在咖啡质量控制中的革命性应用 TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南 Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
184
196
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++
648
265
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
275
97
暂无简介
Dart
623
140
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
380
3.43 K
React Native鸿蒙化仓库
JavaScript
242
315
🎉 (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
1.1 K
621
仓颉编译器源码及 cjdb 调试工具。
C++
126
856
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