给 AI 看的代码全是假的:用恒返 0 的 API 骗过 AI 逆向工具
Hexacorn
Hexacorn
赛博生存指南
2026年11月17日 13:58
浙江
去阅读
原文:https://www.hexacorn.com/blog/2026/11/15/anti-ai-tricks-part-1/
作者:Hexacorn
发布时间:2026-11-15
翻译模型:GLM-5.3 Flash
质量评分:★★★☆☆(3/5) | 标签:AI×安全 · 分析工具与方法论 · EDR 绕过
AI 摘要:Hexacorn 提出并验证了第一类「反 AI 逆向」构造:程序里堆 16 个入口分支,真正执行哪个由一个运行时才确定、静态无法判定的值决定——测试用例调用恒返 0 的 FreeResource API,实际永远只走 Hello00 分支。传统沙箱(真执行)不受骗,但 ChatGPT 与 Claude 的静态分析全部中招:要么猜错 API 返回值、要么把 15 个永不执行的「死分支」全部煞有介事地描述进报告。作者预言,结合运行时派生密钥解密的 PIC 代码,这类手法将催生新一代针对 AI 分析器的代码保护器。
AI 逆向工具这半年成了分析标配——把样本丢给 AI 沙箱,几分钟拿回一份像模像样的报告,连 Hexacorn 这种二十年的老逆向都承认「最近不止一次被 AI 打败」。那反过来呢?逆向分析的军备竞赛打了三十年,对抗调试器、对抗沙箱、对抗模拟器的招式浩如烟海,唯独没人正经写过「对抗 AI 分析器」。这是系列第一篇,构造简单到一句话就能说清:给 AI 看 16 条路,真路只有一条,而选哪条取决于 AI 静态分析无法判定、运行时却完全确定的值。它和 FLOSS、TTD 那条「分析工具的极限」主线是一体的——只是这次,被测的不是工具的耐心,而是它的认知模型。
十多年前(或者二十年、三十年前),我们逆向工程师面对过大量反逆向技巧。那时很多技巧同时针对人工与自动化逆向(包括调试、监控、沙箱)。一直跟这个博客的读者大概知道,我在这里描述过许多此类新奇技巧……
如今,基于 AI 的逆向工具正在改变游戏规则,多数场景下已经替代了人工逆向。把样本丢进 AI「沙箱」,很快就能拿回一份非常全面的报告。必须承认(并且感谢)这些报告质量普遍很高,似乎毫不费力就能回答大多数典型逆向问题:
- 能否确定每个提交文件的功能/角色?
- 提交的包/压缩包里哪些文件是恶意的?
- 对包含多平台代码的文件,能否全部分析?
- 对每个感兴趣的文件,能否从对抗视角深入分析?
- 样本集里有没有有趣的数据?配置?IoC?日志?键盘记录文件?加密字符串?
- 能看出哪些功能/业务逻辑?
- 有没有 C2 功能?走什么协议?有内置冗余吗?
- 有没有加载额外模块的代码?从网络、文件系统还是内存加载?
- IoC 清单是什么?
- 等等。
我必须说,AI 的逆向能力让我印象深刻,最近几个月我不止一次被 AI 打败。哎。
但是。
这显然让我开始想:应该有办法让基于 AI 的分析变得不那么可靠。
这篇文章就从这里开始。
我假设可以这样构建一个程序:让 AI 看到大量入口点,而真正的入口点在运行时由一个 AI 可能无从知晓的、可预测的计算结果选定。也就是说,喂给 AI 大量可能的出口,而真实世界只执行其中一条可预测且确定的代码分支。
所以思路很简单:构建大量代码块。只执行一个。
出于测试目的,我写了个极简单的汇编程序,在屏幕上打印一条消息。打印哪条由运行时选定的输入值决定——一个 AI 极可能猜不到的值。可以用慢速数学运算来选(与传统反沙箱的拖延例程同思路),也可以调用一个返回值可预测的 API。
我的测试程序调用 FreeResource API——众所周知它默认返回 0。这个值决定屏幕上显示哪条消息,候选如下:
Hello00 –> show this message
Hello01
Hello02
Hello03
Hello04
Hello05
Hello06
Hello07
Hello08
Hello09
Hello0a
Hello0b
Hello0c
Hello0d
Hello0e
Hello0f
实际显示的当然是「Hello00」:
图 1|实际执行结果:Hello00(原文配图)
要说明的是,任何在受控环境里真正执行样本的传统沙箱都不会被这个蹩脚技巧骗到,报告必然显示正确结果。
然而,基于 AI 的恶意软件分析工具往往只依赖静态分析,因此其报告是可以被操纵的。
把这个样本丢给可以免费使用的 ChatGPT 和 Claude 控制台(这里我不点名模型版本!),得到如下结果:
图 2|ChatGPT 的分析输出(原文配图)
以及:
图 3|Claude 的分析输出(原文配图)
我们立刻能看到三件事:
- AI 无法确定
FreeResourceAPI 返回的值; - 只要塞进大量永远不会执行、但会被 AI「看到」并描述的「死」代码,就能往最终报告里注入大量噪声;
- AI 并不总是「理解」它「看到」的代码。
更进阶的场景里,我们可以用运行时解密的位置无关代码(PIC),解密密钥从某个可预测值派生——这将让大量基于 AI 的静态分析要么失效,要么需要额外的工作(引入更多迭代、更多轮代码分析等)。
我们正在进入一个有趣的时代:逆向是一个已经解决的问题——但前提是代码作者允许它被解决。不久之后出现新型代码保护器,并非不可能……
参考
- Hexacorn:Anti-AI tricks, Part 1(本文原文):https://www.hexacorn.com/blog/2026/11/15/anti-ai-tricks-part-1/
- Microsoft Learn:FreeResource function:https://learn.microsoft.com/en-us/windows/win32/api/winbase/nf-winbase-freeresource
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