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
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
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
407
3.14 K
Ascend Extension for PyTorch
Python
226
252
暂无简介
Dart
673
160
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
319
🎉 (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
658
React Native鸿蒙化仓库
JavaScript
262
326
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
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
220
仓颉编译器源码及 cjdb 调试工具。
C++
135
868