ORCAGen：RAG引导生成恶意软件欺骗剧本

该论文提出 ORCAGen 框架，旨在解决传统恶意软件防御仅隔离程序而丧失观察攻击行为机会的问题。系统结合检索增强生成（RAG）与结构化提示工程，基于包含恶意软件操作程序和主动防御策略的知识库，离线生成特定于威胁的概念验证（PoC）恶意软件及对应的欺骗编排代码，并在运行时仅执行经验证的逻辑。 研究在 GPT-4o、GPT-5.5、Gemini 3.5 Flash、Qwen3-Coder 和 Claude Sonnet 4.5 五个模型上进行了评估，测试涵盖合成场景及 150 个真实恶意软件样本（包括键盘记录器、信息窃取器和勒索软件）。结果显示 GPT-5.5 所需修正最少且未观察到幻觉 API，而 Gemini 3.5 Flash 实现了最低的响应时间和运行时开销。这一发现表明 RAG 引导的结构化提示能够支持可扩展的恶意软件特定欺骗剧本构建，同时保持运行时的轻量级和确定性。 事实层面确认了不同大模型在处理此类安全任务时的性能差异，特别是 GPT-5.5 在准确性上的优势与 Gemini 3.5 Flash 在效率上的表现。推断认为引入知识库约束是减少模型幻觉的关键机制，但推测其实际部署效果可能受限于知识库的更新频率与覆盖范围。猜测部分指出该方法若被攻击者逆向理解，可能成为生成高仿真恶意软件的潜在工具，但这需要进一步实证验证。