当 AI 已经能够分析恶意文件,逆向工程师还需要做什么?
原创
jishuzhain
jishuzhain
OnionSec
2026年11月15日 21:41
广东
去阅读
— ◆ —
2026 年 1 月 20 日,我写过一篇文章,标题叫。使用大模型提高安全分析工作效率
当时主要讨论的是如何利用大语言模型(LLM)改变日常安全分析工作流程。
举了三个例子。
第一个是 AutoLISP 老病毒。以前遇到类似文件,需要人工阅读脚本,理解代码逻辑,判断是否存在恶意行为。现在可以直接把脚本交给 GPT,让它解释代码意图,再由分析人员检查关键证据。单次研判时间从约 15 分钟缩短到 50 秒。
第二个是 EML 邮件分析。根据告警类型提取邮件中的网络响应数据,交给 GPT 分析异常,再回到原始邮件中检查对应痕迹。单次分析时间从约 10 分钟缩短到 10 秒。
第三个是 IDA 反编译伪代码分析。过去需要分析人员凭借经验寻找关键函数,逐步理解代码逻辑。现在可以把筛选出来的关键代码交给 GPT 辅助解释,再由人工验证分析结果。单次分析时间从约 20 分钟缩短到 10 秒。
当时我提出了一个原则:
拆分任务流程,让 LLM 来辅助我,而不是全权交给它。优先解决幻觉,而不是一股脑上线。
现在距离那篇文章已经过去了将近十个月。
重新回头看,我觉得当时讨论的其实不只是提高工作效率,而是一个更大的问题:当专业知识可以被 AI 快速调用,传统专业工作的价值究竟会发生什么变化?
• • •
01
一、专业知识正在变得不再稀缺
网络安全行业有一个非常常见的工作:分析未知文件。
不同岗位对分析结果的要求不一样。
有些场景只需要判断文件是恶意还是正常,有些需要还原文件的执行行为,有些需要分析攻击技术,还有些需要将研究成果转化为检测规则。
这些工作有一个共同点:需要获取关于未知程序的信息。
过去,这些信息的获取成本相当高。
例如,分析一个 Windows PE 文件,可能需要使用 IDA、Ghidra、x64dbg、WinDbg 等工具,理解汇编指令、函数调用关系、系统 API、内存结构和操作系统机制。
遇到复杂样本,还需要研究加壳、混淆、反调试、动态加载和各种环境检测技术。
这需要长期的知识积累和实践经验。
因此,能够快速理解一个陌生样本,本身就是一种专业竞争力。
但是现在情况正在变化。
AI 可以解释反编译代码,可以分析函数调用关系,可以识别常见加密算法,可以帮助编写分析脚本,也可以协助梳理恶意软件的执行流程。
以前需要研究人员花费几个小时才能理解的代码,现在可能只需要几分钟就能获得一个相当不错的初步解释。
这并不意味着 AI 已经能够完全替代逆向工程师。
但有一点已经比较明确:单纯掌握某种专业知识,并不再天然意味着拥有同等程度的竞争优势。
当知识获取成本持续下降,专业人员就需要重新考虑自己应该把时间花在哪里。
• • •
02
二、分析文件,不等于必须理解文件的每一行代码
我认为这是安全分析工作中一个容易被忽视的问题。
假设企业安全设备检测到一个 AutoCAD 脚本病毒。
分析人员需要做什么?
如果目标只是判断这次告警是否误报,那么可能只需要找到能够证明其恶意行为的关键代码。
没有必要为了完成一次告警研判,把整个脚本从头到尾研究透彻。
同样,假设一个邮件文件因为嵌入的网络响应数据而触发告警。
如果通过提取响应内容,就能定位到恶意脚本和相关行为,那么也没有必要进一步研究邮件解析器的所有实现细节。
再比如,一个 PE 文件被检测出具有进程注入行为。
如果只需要确认检测规则是否正确,分析人员可能只需要验证相关 API 调用及其上下文。
但如果需要研究它的完整攻击链,那么分析深度就必须继续增加。
这让我逐渐意识到:
安全分析不应该追求无条件的深度,而应该追求与决策目标相匹配的分析深度。
可以把分析工作简单分成几个层次:
1.文件定性:是否恶意?
2.行为识别:它准备做什么?
3.行为验证:它是否真的执行了这些操作?
4.影响分析:它对系统造成了什么影响?
5.技术还原:它使用了什么机制?
6.防御建设:如何检测和阻断同类行为?
不同层次需要的证据、时间和技术投入完全不同。
如果只是为了关闭一条误报告警,却投入数小时进行完整逆向分析,未必是一种合理的资源配置。
反过来,如果涉及未知内核驱动、提权漏洞或者复杂攻击链,仅凭 AI 对几段伪代码的解释就结束分析,也是不负责任的。
分析深度应该由问题决定,而不是由工具决定。
• • •
03
三、AI 能够解释代码,但解释不等于证明
这是我认为目前最值得重视的地方。
假设 AI 分析一个函数,告诉我们:
这个函数通过 OpenProcess 获取目标进程句柄,随后使用 WriteProcessMemory 修改目标进程内存,疑似实施进程注入。
从代码理解角度看,这个结论可能完全正确。
但如果我们要进一步确认真实行为,还需要回答其他问题:
—这个函数是否真的能够执行?
—目标进程 PID 从哪里获得?
—OpenProcess 是否成功?
—内存写入是否成功?
—后续是否创建了远程线程?
—整个执行过程是否受到权限或环境条件限制?
代码中出现某个 API,不代表这个 API 一定成功执行。
存在某种攻击能力,也不代表攻击已经发生。
反编译器恢复出来的伪代码,也不一定完整反映原始程序的真实语义。
因此,我们需要区分几个不同的概念:
代码存在、行为意图、执行路径、行为发生、行为效果。
它们不是同一件事情。
AI 可以帮助我们迅速理解代码,提出行为假设,寻找可能的关键函数。
但要证明某个行为是否真实发生,仍然需要结合静态分析、动态调试、系统状态、内存数据和执行轨迹等证据。
这也是为什么我认为逆向工程不会简单消失。
它的价值正在发生变化。
过去,逆向工程师需要证明自己能够看懂复杂的汇编代码。
未来,更重要的能力可能是设计一套验证机制,证明 AI 对程序行为的解释是否成立。
从知识解释转向证据验证。
这是一个值得重视的变化。
• • •
04
四、未来的竞争力可能不再是手工分析速度
设想一下未来的工作环境。
拿到一个未知 PE 文件后,AI Agent 可以自动完成:
—文件格式解析;
—静态特征提取;
—自动反编译;
—关键函数识别;
—调用链分析;
—加密算法识别;
—动态调试;
—行为假设生成;
—测试环境构建;
—检测规则生成。
研究人员不再需要亲自完成每一个步骤,而是负责确定目标、设计验证条件、审查证据以及处理复杂的异常情况。
当然,这种能力目前还不能被视为已经完全成熟的现实。复杂程序的路径恢复、环境依赖、反调试和动态行为验证仍然存在不少技术障碍。
但是技术发展的方向已经值得认真对待。
当 AI 能够承担越来越多的知识性劳动时,研究人员的价值就需要重新分配。
我认为至少有三个方向。
第一,提出正确的问题。
知道什么信息真正影响安全判断,而不是让 AI 无目的地分析大量代码。
第二,设计有效的实验。
知道如何构造运行环境、触发条件和验证方法,利用可复现的证据检验 AI 的推断。
第三,建立可靠的判断体系。
明确什么证据足以支持结论,什么情况下只能给出可能性,什么情况下必须承认未知。
这三件事情都不是简单地让模型多生成一些文字就能解决的。
• • •
05
五、从分析一个恶意文件,到建立一个可靠的分析系统
如果把视角从个人工作扩大到企业安全建设,问题又会发生变化。
一个企业每天可能收到成千上万条安全告警,也可能有大量未知文件需要分析。
如果每个文件都需要人工逆向,成本显然无法接受。
但如果完全交给 AI 自动判断,又会遇到幻觉、证据不足、环境差异和误判等问题。
因此,我更感兴趣的是构建一种分层的程序行为审计系统。
它不需要一开始就把所有文件分析得非常深入,而是根据风险和分析目标逐步投入资源。
例如:
第一层,利用文件格式解析、静态特征和已有规则进行快速筛查。
第二层,利用 AI 理解代码、调用关系和潜在行为,提出需要验证的假设。
第三层,利用动态执行、调试和系统行为追踪验证关键假设。
第四层,结合证据、业务环境和风险评估,输出可复核的分析结论。
如果证据不足,就保留未知状态,而不是强行给出黑白判断。
最终输出的也不应该只是一篇分析报告,而应该包含:
—文件实际具备哪些能力;
—哪些行为已经得到验证;
—哪些行为只是静态推测;
—哪些条件可能触发相关行为;
—对系统可能造成什么影响;
—当前检测体系能否覆盖;
—还存在哪些未知问题。
这样,AI 才真正从一个代码解释工具,变成安全分析体系中的一个组成部分。
• • •
06
六、重复的事项是浪费生命的,但自动化也需要成本
最后还需要考虑一个现实问题。
自动化并不意味着所有事情都应该自动化。
开发一套分析系统需要投入时间、算力、维护成本和验证成本。
如果某种文件一年只出现一次,人工分析只需要十分钟,那么专门开发一套复杂的自动化系统,可能并不划算。
反过来,如果某类文件每天出现几千次,哪怕每次人工只需要一分钟,累计成本也非常可观。
因此,自动化是否值得投入,本身就是一个经济问题。
可以用一个简单的模型表达:
V=N(Cm-Ca)-Cd-Cv-Co
其中:
—N:任务发生次数;
—Cm:单次人工处理成本;
—Ca:自动化后的单次处理成本;
—Cd:自动化系统开发成本;
—Cv:验证成本;
—Co:持续运营成本。
只有当长期收益能够覆盖开发、验证和运营成本时,自动化才真正产生价值。
安全建设尤其如此。
我们没有无限的预算,也没有无限的分析人员,更没有必要为了追求技术先进而把所有问题都复杂化。
AI 能够降低某些工作的成本,但不能自动证明一项自动化投资值得做。
• • •
07
写在最后
重新阅读今年 1 月写的那篇文章,我发现自己当时最关心的是如何让 AI 帮我节省时间。
现在,我更关心的是如何利用 AI 建立一套可靠的工作体系。
这两者之间有一定的距离。
过去,专业人员通过长期积累知识,获得分析陌生程序的能力。
现在,AI 正在降低知识获取和代码理解的成本。
未来,真正值得投入的可能是问题定义、实验设计、证据验证和系统工程。
我并不认为逆向工程会失去价值。
但如果一个人每天还在重复解释那些 AI 已经能够准确解释的代码,却没有进一步验证行为、提取防御价值或者改善分析流程,那么确实应该重新考虑自己的工作方式。
毕竟,我们学习技术、积累经验,最终不是为了永远重复同一套操作。
工具进步的意义,不应该只是让我们用更短的时间完成更多重复劳动,而是让我们有机会去解决以前没有时间、没有资源,甚至没有能力解决的问题。
版权声明
本站仅做备份收录,仅供研究与教学参考之用。
读者将信息用于其他用途的,全部法律及连带责任由读者自行承担,本站不承担任何责任。










评论