r77-rootkit项目对抗Windows Defender AMSI检测的技术分析
2025-07-06 13:27:08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
kernelopenEuler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。C042
MiniMax-M2.1从多语言软件开发自动化到复杂多步骤办公流程执行,MiniMax-M2.1 助力开发者构建下一代自主应用——全程保持完全透明、可控且易于获取。Python00
kylin-wayland-compositorkylin-wayland-compositor或kylin-wlcom(以下简称kywc)是一个基于wlroots编写的wayland合成器。 目前积极开发中,并作为默认显示服务器随openKylin系统发布。 该项目使用开源协议GPL-1.0-or-later,项目中来源于其他开源项目的文件或代码片段遵守原开源协议要求。C01
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
agent-studioopenJiuwen agent-studio提供零码、低码可视化开发和工作流编排,模型、知识库、插件等各资源管理能力TSX0121
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
项目优选
收起
deepin linux kernel
C
26
10
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
435
3.3 K
Ascend Extension for PyTorch
Python
242
278
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
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++
695
368
仓颉编译器源码及 cjdb 调试工具。
C++
138
869
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
暂无简介
Dart
696
163
React Native鸿蒙化仓库
JavaScript
270
328
仓颉编程语言运行时与标准库。
Cangjie
145
882