随着计算机和互联网行业的迅猛发展,人们在享受信息技术带来的便利同时,由恶意代码(也称恶意软件)导致的计算机安全事件给国家和社会造成了巨大危害,这极大地推动了信息安全行业的发展。迫于日渐加剧的“生存压力”,黑客必须不断改造恶意代码以躲避杀毒软件的检测。恶意代码检测领域出现了很多技术,特征码检测技术凭借其效率高、误报率低的优点,被大多数杀毒软件所采用。黑客在对恶意代码进行免杀改造时,首先要对特征码的位置进行定位,随后采取相应的混淆改造手段以躲避特征码检测。实现最终的免杀需要研究者具备专业背景和辅助工具,并且消耗大量时间和精力。在本论文中,我们提出并实现了一个恶意代码的智能变异方案,不仅能够快速推导特征码所在指令,并且集成了各种混淆方法对特征指令进行擦除,使变异后的恶意代码能够躲避模型和杀毒软件的检测。本文提出的恶意代码智能变异方案分为三个部分:一、机器学习模块。基于样本的操作码Op Code N-gram特征训练XGBoost模型,从模型中分析获取影响预测结果的重要黑特征、白特征,从黑特征中推导恶意代码的特征指令。二、代码混淆模块。集成等价指令替换、垃圾指令添加等传统的混淆方法,提出并实现了基于回环跳转的指令重构方法,该方法支持对转移指令的擦除,实现对特征指令的细粒度擦除。三、加壳保护模块。为了增强变异方案的变形效果和免杀能力,本文对开源壳UPX进行了改造,实现出一款集成了压缩和加密算法的新壳,该壳内置了随机初始密钥,每次加壳后都会生成不同的程序,能快速产出大量变形的恶意代码。在机器学习模型和杀毒软件上的测试结果表明,本文的恶意代码智能变异方案能够有效躲避模型和杀毒软件,并且能在大规模样本上应用,进行快速批量免杀。