大模型重構惡意軟件檢測：提示詞|智能體|RAG實踐
林敬勤
- 出版商: 清華大學
- 出版日期: 2026-06-01
- 售價: $534
- 貴賓價: 9.5 折 $507
- 語言: 簡體中文
- ISBN: 7302717656
- ISBN-13: 9787302717652
-
相關分類:
Prompt Engineering
立即出貨 (庫存 < 4)
商品描述
"本書系統闡述大語言模型在惡意代碼檢測與分析領域的應用，旨在通過 LLM 提升安全分析的效率與準確性。 全書共 11 章，結構清晰、層層遞進：第 1、 2 章回顧惡意軟件檢測技術的發展歷程，並介紹 LLM 的基本原理與本地部署方法；第 3、 4 章聚焦靜態特征建模與 Prompt 工程，為樣本處理提供標準化方案；核心實戰部分（第 5、 6、 9 章）涵蓋三大典型場景——基於 LLM 的靜態特征分析、沙箱報告的自動化生成，以及基於 radare2 的逆向智能體開發，展示如何利用本地或雲端模型實現自動化分析；第 7、 8 章聚焦能力增強方向，引入 Agent 概念以構建簡易的惡意腳本自動化分析系統，並進一步探討檢索增強生成（RAG）與多模型協作機制；第 10、11 章分析 LLM 在安全應用中的潛在風險，並展望由大模型驅動的安全自動化未來。 本書提供配套代碼與模板資源，適合安全研究人員、惡意代碼分析師、 AI 安全方向開發者及高校相關專業學生閱讀參考。 "
作者簡介
林敬勤，在網路安全領域有多年的實務經驗，理論功底紮實。曾開發惡意軟體偵測引擎、終端機安全軟體及大模型輔助樣本分析系統。現參與清華大學網路科學與網路太空研究院相關課題研究工作。
目錄大綱
第 1 章 惡意軟體偵測技術演進 1
1.1 從簽名到啟發式： 傳統技術的回顧 1
1.1.1 簽名式檢測 2
1.1.2 啟發式分析檢測 4
1.2 邁向自動化與規模化： 沙箱與雲查殺的技術主導時期 7
1.2.1 自動化沙箱技術 7
1.2.2 雲查殺與大數據協同 10
1.3 AI 的引進： 從傳統機器學習到大語言模型 11
1.3.1 傳統機器學習的應用 11
1.3.2 深度學習的崛起 14
1.3.3 大語言模型的出現 16
1.4 LLM 安全應用核心優勢 16
1.4.1 文本理解與生成能力 17
1.4.2 模式識別與異常檢測能力 17
1.4.3 推理與關聯分析能力 18
1.5 本章總結 19
第 2 章 大語言模型基礎 20
2.1 大語言模型概述 20
2.1.1 LLM 的定義 21
2.1.2 LLM 的發展歷程與裏程碑 22
2.1.3 LLM 的核心能力與應用領域 27
2.2 LLM 的核心架構與技術原理概覽 27
2.2.1 Transformer 架構： LLM 的基石 28
2.2.2 預訓練與微調 31
2.3 主流開源本地模型介紹 35
2.3.1 DeepSeek 系列 35
2.3.2 Qwen（千問） 系列 35
2.3.3 Mistral 系列 36
2.3.4 LLaMA 系列 36
2.3.5 ChatGLM 系列 36
2.4 開源 vs 商業： 部署、 授權、 效能差異 37
2.4.1 部署方式與彈性差異 37
2.4.2 效能差異與資源消耗 39
2.5 開源 LLM 的本地部署 39
2.5.1 硬體準備 39
2.5.2 Anaconda 的安裝與設定 40
2.5.3 模型下載與載入 41
2.5.4 模型推理測驗流程 42
2.5.5 pipeline 介面 46
2.6 本章總結 48
第 3 章 惡意樣本的靜態特徵建模 50
3.1 速通 Windows PE 檔案結構 50
3.1.1 PE 文件格式概述 51
3.1.2 PE 文件主要組成部分 52
3.1.3 關鍵資料目錄表 54
3.1.4 PE 文件的載入過程 56
3.2 字串擷取、 熵值、 節結構與導入表 58
3.2.1 字串擷取與分析 59
3.2.2 熵值計算與意義 63
3.2.3 節結構特徵分析 65
3.2.4 導入表分析 66
3.3 特徵提取的自動化腳本 66
3.3.1 PE 檔案解析 67
3.3.2 靜態特徵擷取最佳化策略 71
3.4 樣本靜態特徵畫像 72
3.5 本章總結 73
第 4 章 Prompt Engineering 安全實戰篇 74
4.1 Prompt Engineering 基礎 74
4.1.1 Prompt Engineering 的定義 75
4.1.2 模型取樣參數 78
4.1.3 常見 Prompt 類型與設計技巧 79
4.1.4 惡意軟體分析中 Prompt 的獨特挑戰 87
4.2 惡意軟體分析 Prompt 設計原則 88
4.2.1 角色與任務設定 88
4.2.2 輸入輸出安全與可解釋性 90
4.3 惡意樣本分析 Prompt 範本集 91
4.3.1 靜態分析 Prompt 範本 91
4.3.2 動態分析 Prompt 範本 92
4.4 動態建構 Prompt 的自動化機制 94
4.4.1 字串與變數註入 94
4.4.2 模板引擎 95
4.4.3 配置化管理 96
4.5 本章總結 97
第 5 章 項目實戰之大模型判定惡意樣本 98
5.1 樣本靜態特徵提取 98
5.1.1 特徵的選擇 99
5.1.2 資料的擷取與清洗 100
5.2 Prompt 構造與樣本輸入格式標準化 105
5.3 搭建分析工具鏈 113
5.3.1 模型選擇 113
5.3.2 模型部署 115
5.4 實現樣本分析功能 117
5.4.1 模組整合與流程串聯 117
5.4.2 樣本分析功能實現與範例 118
5.4.3 本地模式限制與雲端推理增強 122
5.5 本章總結 125
第 6 章 計畫實戰之大模型分析沙箱行為日誌 127
6.1 Cuckoo 沙箱簡介 129
6.1.1 什麼是 Cuckoo 沙箱 130
6.1.2 Cuckoo 沙箱的工作原理 131
6.2 Cuckoo 沙箱安裝配置 132
6.2.1 環境準備 132
6.2.2 Cuckoo 沙箱核心組件安裝 133
6.2.3 虛擬機器配置 136
6.2.4 Cuckoo 沙箱初始化與網路配置 138
6.3 沙箱行為日誌取得 141
6.3.1 Cuckoo Sandbox 分析任務提交 142
6.3.2 分析結果擷取 144
6.3.3 核心行為日誌格式與內容 145
6.4 Prompt 設計與模型適配 147
6.4.1 樣本行為畫像建構 147
6.4.2 行為分析 Prompt 設計 156
6.4.3 模型選擇與適配 161
6.5 可視化報告產生 162
6.5.1 可視化圖表生成 162
6.5.2 報告範本渲染 163
6.6 本章總結 165
第 7 章 Agent 架構與智慧分析系統原理 166
7.1 Agent 核心概念及架構 167
7.1.1 傳統線性分析流程的限制 167
7.1.2 Agent 概念與四大能力 168
7.1.3 Agent 系統核心架構 171
7.1.4 Agent 驅動的安全分析新範式 173
7.2 Agent 實作機制之 ReAct 決策循環 174
7.2.1 ReAct 決策循環核心原理 174
7.2.2 文字解析型工具呼叫 178
7.2.3 Function Calling 與工具整合 178
7.3 Agent 基礎實務之腳本程式分析 181
7.3.1 工具實作 181
7.3.2 Function Calling 工具註冊 184
7.3.3 Prompt 設計 185
7.3.4 ReAct 決策循環核心實作 187
7.3.5 測試與觀察 189
7.4 本章總結 192
第 8 章 進階探索 RAG 與多模型協作 194
8.1 Agent 架構的限制 194
8.2 RAG 基礎與架構 195
8.2.1 RAG 核心思想 195
8.2.2 典型 RAG 流程 198
8.2.3 RAG 的安全分析應用 204
8.2.4 RAG 具體實現方式 204
8.3 多模型系統與模型路由 208
8.3.1 什麼是多模型系統 209
8.3.2 模型路由機制 210
8.4 多模式及多角色協作 212
8.4.1 單模型多角色協作 212
8.4.2 多模式多角色協作 213
8.5 本章總結 213
第 9 章 反彙編逆向 Agent 實戰 215
9.1 專案簡介與設計目標 215
9.2 系統架構設計 216
9.2.1 系統總體結構設計 217
9.2.2 系統資料流與呼叫鏈 218
9.3 radare2 工具介面封裝 219
9.3.1 radare2 工具安裝 220
9.3.2 radare2 分析指令 220
9.3.3 工具封裝實現 223
9.3.4 工具文件與註冊 227
9.3.5 項目工具清單 229
9.4 Prompt 與多角色協作機制的設計 230
9.4.1 ReAct 模板設計 231
9.4.2 反組譯函數程式碼清理角色設計 234
9.4.3 工具文件產生與註入 236
9.5 Agent 的核心控制邏輯 238
9.5.1 ReAct 主循環與上下文 239
9.5.2 Action 解析與工具調度 241
9.5.3 反組譯清理角色流程 242
9.5.4 小結 243
9.6 實驗運行與測試 244
9.6.1 實驗環境準備 244
9.6.2 啟動 AutoREX 進行樣本分析 246
9.6.3 ReAct 推理循環範例 246
9.6.4 總結報告查看 249
9.7 本章總結 252
第 10 章 淺談大模型安全應用限制與風險分析 253
10.1 模型能力限制 254
10.1.1 語意理解侷限 254
10.1.2 推理穩定性限制 255
10.1.3 知識涵蓋限制 256
10.2 系統層風險 257
10.2.1 上下文複雜性 258
10.2.2 推理過程風險 258
10.2.3 推理成本與績效限制 259
10.3 攻防中的對抗風險 260
10.3.1 模型利用攻擊 261
10.3.2 模型欺騙與逃脫 263
10.4 淺探可控分析系統 267
10.4.1 外部安全限制 267
10.4.2 內部結構化設計 269
10.4.3 獨立驗證與審計 269
10.5 本章總結 270
第 11 章 大模型驅動的安全自動化體系展望 272
11.1 從特徵配對到意圖理解 272
11.1.1 規則驅動範式 272
11.1.2 資料驅動範式 273
11.1.3 認知驅動範式 273
11.1.4 工程實務與融合架構 274
11.2 從單 Agent 到多 Agent 智能體協作 275
11.2.1 單 Agent 系統限制 275
11.2.2 多 Agent 系統架構 276
11.3 大模型下的新攻防關係 279
11.4 人機協同的安全體系 280
11.5 本章總結 281
結語 282
