文章主要内容总结本文提出了一个名为LLMalMorph的半自动化框架，旨在利用大型语言模型（LLMs）对恶意软件源代码进行修改，生成具有逃避检测能力的变体，同时保留其核心恶意功能。框架设计：LLMalMorph包含两个核心模块：函数变异器（Function Mutator）：通过抽象语法树（AST）提取恶意软件源代码中的函数、头文件和全局变量，结合精心设计的提示词（Prompt）和代码转换策略，利用LLM（如Codestral-22B）对函数进行修改。变体合成器（Variant Synthesizer）：将修改后的函数整合回源代码，通过编译和调试生成可执行变体，其中“人机协作”机制用于解决多文件依赖和复杂配置问题。实验与结果：选取10个不同类型、复杂度的Windows恶意软件样本（如勒索软件、木马等），采用6种代码转换策略（如代码优化、混淆、Windows API替换等），生成618个变体。结果显示：部分变体在VirusTotal和Hybrid Analysis上的检测率降低（平均降低10%-31%），对基于机器学习的恶意软件分类器（如Malgraph）的逃避成功率最高达91%；超过66%的逃避性变体保留了原始功能。局限性与未来方向：