本研究提出了一种基于对比学习的无监督学习框架 Fun2Vec，能够直接作用于反汇编二进制函数，并且不需要人工标记相似或不相似信息，在二进制代码的相似性检测领域有着极高的准确率和优势。

Sep, 2022

通过结合长文档转换器和中间表示的使用，本文提出了一种能够进行跨体系结构功能搜索的模型，无需手动特征工程、预训练或动态分析步骤。我们将该方法与一系列基准方法进行了对比，在一般函数搜索任务和有针对性的漏洞搜索任务中，我们的方法表现出强大的性能，优于所有基准方法。

Oct, 2023

DISCO 是一种基于自我监督的模型，结合原创的代码转换算法和注入真实世界安全漏洞的数据增强技术来预训练 Transformer 模型，以更好地识别源代码中的相似之处和不同之处，并区分易受攻击程序和良性程序。

Oct, 2021

本文介绍了一种基于注入良性内容的黑盒攻击方法，通过优化注入负载与规避检测的概率之间的权衡，利用很少的查询和小的负载，我们的黑盒攻击可以绕过两个流行的静态 Windows 恶意软件检测器，并且可以在平均 12 个标准的商业杀软中规避检测。

Mar, 2020

本文提出一种基于图像语义的黑盒对抗攻击方法 ColorFool，可以生成无限制扰动并通过颜色选择实现隐藏，相较于其他五种方法在场景和对象分类任务中对三种深度神经网络的对抗攻击中表现出更高的成功率，对防御框架表现更强，具有更强的传递性。

Nov, 2019

本文提出了一种在黑盒恶意软件分类器上近似模型的最佳努力对抗逼近策略，使用特征表示映射和跨领域可转移性，通过局部训练替代模型，使用不同特征类型进行目标模型的逼近，本方法对两种黑盒分类器进行了评估。

Jun, 2020

该研究提出了 qFool 算法，它是一种基于决策的攻击算法，可以使用少量的查询生成对抗样本。该算法可以在减少查询数量的同时，在低频子空间中限制对抗扰动，从而使其更具计算效率。最终，该算法在商业图像识别系统中获得了欺骗效果的证明。

Mar, 2019

通过随机化输入的潜在表示，我们提出了一个名为 AdvFooler 的轻量级、适应各种攻击方法的防御机制，主要目标是困惑生成对抗样本的过程，从而达到误导对手的效果，并在两个基准数据集上证明近乎最先进的防御能力。

Oct, 2023

提出了一种基于神经网络的方法来计算二进制函数的编码，并通过测量两个函数之间编码的距离来有效地检测二进制代码的相似性，称为 Gemini，将生成时间从 1 周减少到 30 分钟到 10 小时，并在现实世界的案例中展示了 Gemini 比现有技术更好地识别易受攻击的固件图像的能力，是一种成功应用深度学习解决计算机安全问题的方法。

Aug, 2017

该研究介绍了一种基于鞍点优化的方法在二进制域内生成功能保留的恶意软件对抗样本，以及将其融入模型训练当中，提高模型对对抗样本的鲁棒性，并引入一种在线计量方式来评价模型的鲁棒性预期。

Jan, 2018