LLMalMorph：使用大型语言模型生成变种恶意软件的可行性研究

大型语言模型（LLM）已经改变了软件开发和自动化代码生成。受这些进展的启发，本文探讨了LLM修改恶意软件源代码以生成变体的可行性。我们引入了LLMalMorph，这是一个半自动化框架，它利用LLM的语义和语法代码理解能力来生成新的恶意软件变体。LLMalMorph从恶意软件源代码中提取函数级信息，并结合定制设计的提示和策略性定义的代码转换，以指导LLM生成变体，而无需资源密集型的微调。为了评估LLMalMorph，我们收集了10个不同类型、复杂性和功能的Windows恶意软件样本，并生成了618个变体。我们全面的实验表明，在保留恶意软件功能的同时，可以一定程度上降低这些恶意软件变体的杀毒引擎检测率。此外，尽管未针对任何基于机器学习（ML）的恶意软件检测器进行优化，但一些变体也成功实现了对基于ML的恶意软件分类器的显著攻击成功率。我们还讨论了当前LLM从源代码生成恶意软件变体的能力局限性，并评估了这项新兴技术在更广泛的恶意软件变体生成背景下的地位。