AI 如何改变恶意软件检测：从传统杀毒到下一代防护
过去，恶意软件很好定义：病毒附着在某个文件上，杀毒软件把它删掉，事情就结束了。
但那个时代已经一去不返。如今，一次攻击就能窃取你的密码、加密你的照片、记录你的每一次按键，甚至藏身于你信任的软件之中。
更大的问题在于数量。AV-TEST 研究院每天记录的新恶意程序超过 45 万个，任何安全团队都不可能靠人工逐一审查这么多文件。于是这项工作交给了机器，杀毒软件的判定方式也随之发生了变化。
本文将介绍签名扫描的工作原理及其失效原因，探讨机器学习带来了什么、行为追踪如何在勒索软件运行时将其拦截、云端威胁情报如何把每台设备都变成一个传感器，以及 AI 目前还有哪些不足。
本文内容：
签名扫描曾行之有效，直到恶意软件学会了变形
早期的杀毒软件依靠签名技术。签名是从已知恶意文件中提取的一小段特征码，类似于指纹。
研究人员发现恶意软件样本后，会提取其特征并录入数据库。你的杀毒软件下载该数据库，再逐一比对磁盘上的所有文件。一旦匹配，文件即被拦截。
这种方法速度快、成本低且易于信任，但也存在一个重大弱点。
攻击者意识到，只需对文件稍作修改即可规避检测。更换文件名、添加填充数据或更改代码打包方式，特征指纹便不再匹配，原有的签名随即失效。
由此产生了一个时间差。在针对新威胁编写签名之前，它可能已肆虐数小时甚至数天。如今，攻击者故意制造同一程序的数千种微小变体，使得“为一版本写一签名”的防御方式陷入被动。
签名机制仍有价值，它能以毫秒级速度捕获已知威胁。但它已不足以独自抵御攻击。
为何当下的恶意软件难以识别
现代恶意软件极力伪装成无害的样子。
它们可能潜伏数日才动手，也可能以看似无害的脚本形式出现，之后再下载真正的恶意载荷。部分恶意软件甚至根本不向磁盘写入文件，微软将此归类为无文件威胁。
更糟糕的是，许多攻击直接利用计算机上已有的工具。一旦获得权限，攻击者可通过 PowerShell（一款正常的 Windows 管理工具）执行命令。LOLBAS 项目 列出了数百种可被滥用的可信 Windows 程序。
这里没有安装任何恶意组件，只是将可信工具用于非预期目的。文件扫描器几乎找不到任何抓取点。
因此，安全软件关注的问题已发生转变。不再仅仅问“我见过这个文件吗？”，而是问“这个程序实际上在做什么？”
机器学习带来的视角
机器学习并没有赋予软件第六感，而是提供了一套基于证据进行判断的方法。
模型会在海量文件数据集上训练，既包含安全文件，也包含有害文件。随着时间推移，它能学会哪些特征通常出现在哪一类文件中。它学习的维度很广：文件的结构、代码的打包方式、发起的系统调用、网络通信对象，以及与其他程序的交互方式。
当新文件出现时，模型会权衡这些特征并评估风险。尽管它从未见过这个特定的文件，但早已熟悉这类问题的典型形态。
这种能力在处理变种时尤为关键。攻击者经常重写代码表层，却保留核心逻辑不变。传统签名无法识别家族间的相似性，而基于行为和结构训练的模型往往能捕捉到它。
关注软件做什么，而非长什么样
杀毒防护的最大转变，是从扫描文件转向监控行为。
想象一台笔记本电脑上启动了一个未知程序。几秒钟内，它打开了数百份文档，逐一改写内容，修改文件扩展名，删除恢复副本，并向一个无人认知的服务器发起连接。
世界上可能没有任何签名能匹配它。但这一行为模式就是勒索软件，特征极其明显。
微软在其关于行为阻止与遏制的文档中描述了这一思路：机器学习模型对一串操作进行评分，而非针对单个文件。单看某一步操作可能完全无害，但将它们连起来解读，故事就清晰了。
优势在于时机。软件无需事先见过这款勒索软件，只要在足够早的时候识别出攻击形态并切断它即可。
在勒索软件运行期间将其拦截
勒索软件最能说明这种监控的重要性，胜过其他任何威胁类型。
已知的勒索软件家族能被签名轻松捕获。但一个全新的变种往往会径直绕过它们——这正是攻击者构建新变种的全部目的。
行为监控提供了第二次机会。软件会密切留意大量文件夹中文件的快速变更、删除备份或卷影副本的尝试，以及试图关闭安全工具的操作。联邦机构在CISA 反勒索软件中心发布的指南中也依赖这些信号，同时强调具备可恢复能力的离线备份。
一旦警告信号累积到一定程度，软件就能终止进程，或者把设备从网络中断开。哪怕只挽回一部分也很关键——在加密了 50 个文件时拦下攻击，和加密了 5 万个之后才拦下，是完全不同的两种结局。
面向普通用户的产品也在朝同一方向演进。NordVPN 的新一代杀毒软件能在恶意下载和诈骗页面到达设备之前将其拦截，这说明消费级工具早已超越了单纯的文件匹配。
云端让每台设备都成为传感器
前面讲的都是安全软件检查什么：先看文件，再看行为。另一个重大变化则是在哪里检查。
过去，签名扫描从头到尾都在你自己的机器上完成：杀毒软件下载数据库，在本地比对文件，判定就结束了。
如今的防护方案则把工作拆分开来。简单的检查留在设备上以保证即时响应，复杂的判断则交给厂商的云端——那里能看到的远比任何一台笔记本电脑多得多。
实际流程是这样的：首先，安装在设备上的代理程序会记录与安全相关的事件——进程启动、父子进程关系、注册表修改、对外连接、文件哈希。遇到自己无法判断的东西时，它会通过加密通道把相关元数据（通常是哈希值、文件的结构特征以及周边活动信息，而非整个文件）发送到厂商的后端。
微软在关于 Defender 云端防护的文档中描述了这一流程：本地客户端向云服务请求判定结果，并在等待答复期间短暂扣留该文件。
后端同时承担两项工作。自动化系统会把提交的内容与数百万其他设备报告的数据进行比对，并用规模大到根本无法装进笔记本电脑的模型来打分。
如果情况一目了然，判定结果会在一秒内自动返回，全程无需人工介入。如果情况不明，案子就会升级到厂商的威胁研究和安全运营团队——那些专门负责追踪此类攻击集群的分析师手中。
这正是"数千台设备"这一信号价值所在。如果同一个陌生的二进制文件，或同一条异常进程链，在一小时内出现在成千上万个互不相关的组织中，单独任何一家都可能毫无察觉。后端系统能立即识别出这种聚集现象，并标记出来交由人工研判。分析师随后提取样本，在沙箱环境中运行触发，确认代码行为，并编写对应的检测规则。
至此，闭环形成。已确认的案例转化为带有标签的训练数据，而这恰恰是下一代模型所必需的。输出通过两种速度分发：哈希值、域名及行为规则等新型指标在数分钟内触达所有受保护设备；重新训练的模型则以数天或数周为周期更新。
无论哪种方式，下一个潜在受害者都能得益于你设备上报的信息，无需等待下一次大型数据库更新。
在恶意软件落地前拦截攻击
并非所有威胁都以程序形式出现。大多数始于一条消息。
网络钓鱼仍是主要入口。APWG 统计发现，单季度内的钓鱼攻击超过一百万次，且伪造页面越来越难以肉眼辨别。攻击者高度模仿银行品牌、登录界面和物流通知，足以欺骗谨慎的用户。
AI 有助于检查那些人类容易忽略的细节：域名的注册时长、链接是否重定向至异常地址，以及页面是否匹配已知的诈骗工具包。
拦截此类页面，能将攻击阻断在更早阶段。无需下载、无需扫描文件、也无需事后清理。
AI 依然会出错
AI 在带来益处的同时也伴随着真实问题，有必要对此保持清醒。
误报是常见问题。异常并不等同于恶意，若软件因应用表现奇怪就将其拦截，会训练用户养成关闭防护的习惯。
速度是另一项挑战。所有分析过程都必须在不影响机器响应流畅性的前提下完成。
此外还有军备竞赛。攻击者也在研究这些模型。NIST 关于对抗性机器学习的报告指出了模型在训练期间遭受投毒或在决策时刻被欺骗的方式。模型是目标，而非堡垒。
隐私问题也值得一提。云端分析意味着文件和网络连接的相关数据会离开你的设备。向任何供应商询问其收集哪些数据以及保留多久，都是合理的要求。
多层防御胜过单一技巧
这些新技术并未取代既有方法。最强的安全体系是有意识地堆叠多种检测手段。
签名库能即时识别已知恶意软件，信誉检查会拦截不良网站和不可信程序，行为监控实时捕捉可疑活动，而机器学习则填补了尚未被命名的新威胁留下的空白。
MITRE ATT&CK 框架在此很有帮助，因为它梳理出攻击者的技术手段，让团队看清哪层防御覆盖攻击的哪个环节。
多层机制还能提供上下文。一个历史干净却突然行为怪异的文件值得深入检查，而已知恶意软件则无需任何分析。
对你意味着什么
杀毒软件早已超越了拿文件比对列表的阶段。
签名依然有其位置，但它只回答一个问题。AI 和行为监控回答的是更关键的问题：这段软件此刻在做什么？行为是否合理？
实际启示很简短。如今良好的防护，关键不在于识别恶意文件，而在于快速察觉异常行为。选择安全软件时，请确认它是监控实时活动还是仅扫描静态文件，以及它能否在危险网站和下载抵达前进行拦截。
攻击手段正变得更快、更自动化。防御体系必须同样运作，这正是 AI 成为恶意软件检测核心的真正原因。
希望你喜欢这篇文章。你可以在 LinkedIn 上与我连接。