Clean-label 恶意软件后门触发器数值选择研究

该论文将触发器数值选择确立为 Clean-Label 恶意软件后门的独立设计变量，而非仅关注特征选择的实现细节。研究在 EMBER 2018 和 EMBER 2024 的 Win64 PE 子集上，针对基于 LightGBM 的分类器评估了多种策略，发现激进的选择器如 MinPopulation 和 CountAbsSHAP 虽能实现高攻击成功率，但极易被 Isolation Forest 等清洗方法检测；而 CorrCountAbsSHAP 和 Quantile95 则能在保持有效性的同时降低中毒召回率。 证据显示，在分布式采样下，激进策略的攻击成功率显著上升，但其统计异常特征也更为明显。相比之下，基于相关性或分位数的策略通过控制数值的极端程度，成功平衡了攻击效果与隐蔽性。这一结果证明，攻击者若忽视数值层面的优化，可能导致后门在训练数据注入阶段即暴露风险。 事实层面确认了数值选择对攻击画像的决定性作用；推断表明现有防御体系需从特征级扩展至数值分布级监测；猜测在于未来攻击可能转向更复杂的数值扰动以绕过特定阈值检测。