💻 computer science

Aray: Deterministic-First Synthesis of Benign Artifacts for YARA Validation

Aray 是一个确定性优先的系统，通过合成良性的、非恶意的伪造制品来验证 YARA 规则，在无需获取底层恶意软件样本的情况下，实现了在生成与原规则相匹配的测试用例方面高达 97.6% 的成功率。

原作者： Emanuel C. A. Valente, Lourenço A. P. Júnior, Leonardo Gonçalves Chahud, Júlio Cezar Estrella, Marcus Botacin

发布于 2026-08-21

📖 1 分钟阅读☕ 轻松阅读

原作者： Emanuel C. A. Valente, Lourenço A. P. Júnior, Leonardo Gonçalves Chahud, Júlio Cezar Estrella, Marcus Botacin

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在网络安全领域，防御者依靠数字指纹来识别危险软件。这些被称为“规则”的指纹描述了恶意程序中出现的特定字节模式——即微小的碎片数据。当计算机扫描文件并发现匹配项时，就会发出警报。然而，当安全团队需要测试这些规则时，一个显著的问题随之而来。为了证明一条规则有效，他们通常需要一个真实的恶意软件来触发它。但在互联网访问受阻或数据必须保存在隔离保险库中的安全环境中，存储和移动真实的恶意软件既危险又昂贵，甚至往往是不可能的。这造成了一个瓶颈：团队拥有可以捕捉威胁的规则，但由于担心引发其试图遏制的威胁本身，他们无法安全地测试这些规则。

一组研究人员开发了一种解决方案来打破这一循环。他们创建了一个名为 Aray 的工具，该工具充当安全、无害测试文件的构建器。Aray 并不试图重建病毒，而是读取病毒外观的描述，并构建一个仅包含该规则所寻找的特定模式的完全良性的文件。想象一下，一名保安需要检查金属探测器是否工作。与其带一把真实的枪来进行测试（这很危险且需要特殊许可），不如使用一个工具来制造一个能以完全相同方式触发警报的无害塑料复制品。Aray 对数字规则也是如此。它获取恶意软件特征的复杂指令，并组装出一个满足这些指令但不包含原始威胁的有害代码、持久化机制或危险行为的文件。

研究人员在 416 条公开安全规则的大型集合上测试了这种方法。他们想看看该工具是否能在不需要接触任何真实恶意软件的情况下，成功为每条规则构建测试文件。该过程涉及两个主要阶段。首先，系统分析规则以理解其需求。有些规则很简单，可以完全由计算机的标准代码处理。其他的规则则更为复杂，涉及难以捉摸的模式。对于这些复杂的规则，系统使用大型语言模型（一种人工智能）来建议如何将规则简化为可构建的形式。至关重要的是，研究人员设计了这样一个系统，确保 AI 永远不会编写最终文件或访问计算机的核心系统。AI 只提供建议，而计算机的标准代码会在构建任何内容之前验证每一项建议。这确保了 AI 不会意外创建危险内容或破坏系统的安全性。

测试结果非常成功。该系统成功为 416 条规则中的 406 条构建了有效的测试文件，成功率接近 98%。失败的十条规则并非由于工具出错，而是因为这些特定的规则要求了一些在数学上无法构建的东西，例如一个必须具有其全部内容特定加密哈希值的文件，这是无法伪造的。对于 406 个成功的案例，研究人员验证了这些新文件在被扫描时确实触发了原始安全规则。这证实了该工具创建的文件在测试目的上与危险文件功能等效，但却完全安全，可以用于存储、移动以及灾难恢复演练。

这项工作的特别之处在于它如何处理人工智能与最终输出之间的关系。在许多现代系统中，AI 被允许直接生成代码或文件，这可能导致不可预测或不安全的结果。Aray 采取了不同的路径。它将 AI 视为一个只能提出想法的顾问，而实际的构建工作是由遵循严格规则的、僵化且可预测的计算机程序完成的。研究人员甚至设置了一个安全检查，告知 AI 连接到一个不存在的服务器。如果 AI 尝试进行连接，测试将立即失败。系统完美通过了这项检查，证明了在整个过程中，AI 从未尝试绕过安全边界。这种职责分离使得系统既能利用 AI 的创造力来解决难题，又能将危险的部分置于严格的、确定性的控制之下。

其对安全运营的影响是务实且直接的。那些需要扫描上传到云存储文件的组织，或者需要测试其灾难恢复计划的组织，现在可以无需维护恶意软件库即可进行操作。他们可以按需生成一个安全测试文件，将其上传到测试环境，并验证其检测系统是否工作正常。如果系统未能检测到测试文件，团队就知道他们的规则或扫描器存在问题，并可以在真实攻击发生前进行修复。这消除了在每个测试环境中保留危险恶意软件的需求，降低了意外泄露的风险以及维护隔离实验室的成本。该工具并不声称能解决所有可能的安全问题或理解每种病毒的所有细微差别，但它提供了一种可靠、可审计的方式，将数字威胁描述转化为一个安全、可测试的对象。

研究人员非常谨慎地定义了他们工作的界限。他们并没有证明其工具可以处理现有的每一种类型的安全规则，也没有声称它生成的文件的版本是唯一的。相反，他们展示了对于绝大多数常见的规则，该工具可以可靠地产生一个“见证者”——即一个证明规则有效的单一文件。他们还表明，整个过程是透明的；从原始规则到最终文件的每一步都是可以追踪和验证的。通过让 AI 处于辅助角色并让标准代码驱动构建过程，他们创建了一个既强大又安全的系统。这种方法为网络安全测试提供了一条新的途径，使团队能够在无需接触其旨在阻止的危险人工制品的情况下，充满信心地验证其防御能力。

技术摘要：Aray —— 用于 YARA 验证的确定性优先良性人工制品合成

1. 问题陈述

YARA 规则是恶意软件检测的标准，然而其正向验证（验证规则是否正确匹配了样本）在操作层面受到限制，因为这需要存储和分发真实的恶意软件样本。这种依赖关系产生了显著的开销：

安全与合规性： 维护活体恶意软件语料库需要严格的溯源、访问控制和隔离的分析环境。
操作摩擦： 分享一条规则很容易；但分享触发该规则的具体恶意软件标本却很难。这使得持续集成（CI）、灾难恢复（DR）演练以及隔离环境测试变得复杂。
灾难恢复（DR）的局限性： 有效的 DR 演练需要现实的场景，即恢复后的环境能够摄取一个对象、触发一条规则并将其隔离。将实时恶意软件复制到恢复区域会扩大攻击面，而排除它则会导致正向检测路径未经测试。

现有的解决方案通常依赖于恶意软件模拟或具有广泛执行权限的 LLM（大语言模型），这引入了遏制风险。本文认为，正向验证是存在性的：它仅需要规则匹配集中的一个文件级成员，而非重建原始恶意软件的行为。

2. 方法论：Aray

Aray 是一个确定性优先的 YARA 解释器和正向特征（positive-fixture）合成器。其核心设计理念是将常规代码（控制语法、容器结构和序列化）与生成模型（被限制在仅提议有效载荷字面量或规范化不支持的语法）进行分离。

2.1 架构与信任边界

系统运行在一个严格的信任边界内，模型永远不会输出后端源代码、容器元数据或完整的二进制文件。

确定性核心： 处理解析、规则简化、类型化见证者（字符串、整数）提取、布局分配以及二进制序列化（ELF、PE 或通用格式）。
模型辅助阶段： 模型仅在以下情况被调用：
1. 规范化： 为复杂的规则（如正则、变量十六进制）提议建设性的特化方案，使其具备可构建性。
2. 残余判定： 对超出确定性证明片段的候选对象进行验证。
3. 提取回退： 当确定性提取失败时，处理不支持的语法。
控制流： 流水线使用 LangGraph 进行有界重试。至关重要的是，评估环境包含一个不可达的模型端点，以确保实现阶段是纯粹确定性的。

2.2 规则规范化与特化

Aray 并不声称原始规则 $r$ 与合成规则 $r'$ 之间具有语义等价性。相反，它寻求一种建设性特化，满足 $r'(x) = \text{match} \implies r(x) = \text{match}$ 。

策略： 系统将析取（OR）简化为单个充分的分支，并将阈值（N of）简化为特定的声明集。
验证： 规范化后的候选对象需经过针对语法、规则身份和保留修饰符的确定性检查。正则见证者会在上下文（起始、结束、内部）中进行验证，以确保它们不会变成无约束的字面量。
词法检测局限性： 词法能力检测器并非完备的；无法识别的形式可能会以不完整的证据或过度约束的方式继续进行。因此，由于它不是一个完整的 YARA 求解器，系统并不保证对所有规则形式进行完整的可构建性评估。

2.3 确定性提取与布局

系统提取两类类型化证据：

字符串条目： 固定字面量、十六进制数据和具有特定编码（ASCII、Wide）及放置约束（精确偏移量、范围）的正则模式。
整数条目： 16/32 位无符号读取、比较以及嵌套指针解引用（特别是 uint32 小端序）。

布局分配：

ELF： 使用 GNU 链接器脚本将文件偏移量显式映射到虚拟地址，确保节区（sections）的精确放置。
PE： 采用两阶段低对齐策略。探测构建过程会识别链接器的节区偏移量，从而允许最终构建将字节精确放置在相对于 DOS 头的文件偏移处。
通用（Generic）： 用于生成不带可执行头部的原始人工制品的直接字节写入器。

2.4 验证预言机（Validation Oracle）

评估并不仅仅依赖于规范化后的规则。它使用一个独立的上游原始规则来扫描最终的人工制品。

人工制品必须匹配原始源规则（而非仅仅是其规范化衍生版本）。
该“预言机”通过将具体的见证者 $b$ 与原始谓词 $r$ 进行比对来验证，为每个生成的特征提供直接的源规则验证。

3. 主要贡献

本文提出了五项主要贡献：

确定性方法论： 一套将 YARA 源文件还原为独立目标规则、评估其对支持片段的可构建性、并提取类型化见证者的流水线，且无需重建恶意软件行为。
验证层： 一个用于规范化规则的确定性验证器，涵盖语法、身份以及上下文相关的正则/十六进制见证者，仅将模型判定保留给残余语义。
可执行文件合成： 用于实现 ELF（通过链接器脚本）和 PE（通过两阶段低对齐构建及构建后验证）中精确文件偏移量合成的技术。
面向扫描器的写入器： 直接生成 ELF、PE 或通用人工制品的写入器，无需编译器工具链或执行环境。
阶段化评估： 通过冻结交付（frozen handoff）和不可达的模型端点来隔离确定性实现，在 416 条公开规则上进行了端到端的评估。

4. 评估结果

系统在来自 Yara-Rules 仓库的 416 条选定公开规则上进行了评估。

规范化： 所有 416 条条目均被准入。其中 182 条（43.75%）无需模型辅助；234 条（56.25%）由模型进行了规范化。
可构建性预检： 406 条条目通过了预检检查。十条条目因预期限制被拒绝（7 个不支持的 pe.* 模块，2 个全文件哈希要求，1 个整数宽度问题）。预检专门分类已知的终止情况（例如不支持的模块、哈希原像），而非解决通用的可构建性问题。
实现（Realization）： 所有 406 条准入的条目都成功合成了人工制品。
验证： 每个合成的人工制品都匹配了其关联的上游原始规则。
- 总体产出率： 406/416 (97.6%)。
- 条件实现率： 406/406 (100%)。
- 失败情况： 在准入的规则中，零次 yara_mismatch 且零次构建失败。
确定性： 不可达端点确认了在实现阶段零次调用模型。

在过程中发现了两个特定的基于正则的失败案例（涉及锚定正则），通过强化上下文验证器进行了修复并重新验证。最终报告的数据反映了这些修复后的系统结果。

5. 意义与主张

本文谦逊地将自身的意义定位为一种操作性解决方案，而非关于 YARA 通用可满足性的理论证明。

安全性： Aray 合成的是“良性”人工制品，这些制品满足 YARA 规则但不实现恶意软件行为（如持久化、C2、有效载荷）。这允许在不分发实时恶意软件的情况下，安全地测试检测流水线、CI/CD 和灾难恢复。
遏制性： 通过将常规代码置于控制二进制结构的权威地位，并限制模型访问，Aray 降低了 LLM 辅助网络测试（例如智能体链漏洞）的风险。
可审计性： 系统提供了一个可以被检查的“构建谓词”。使用独立的原始规则预言机确保了合成的见证者是有效的，其依据是事实来源，而非仅仅是规范化的近似值。
局限性： 作者明确指出 Aray 并非完整的 YARA 求解器。它不支持所有模块（如 pe.*）、复杂的算术运算或通用的布尔条件。它产生的是一个存在性的见证者，而非规则匹配集的规范表示或极小表示。

总之，Aray 证明了一个可审计的确定性核心可以将规范化的 YARA 谓词转换为可移植的测试特征，从而显著减轻了为验证目的而维护实时恶意软件语料库的操作负担。