大语言模型驱动的网络攻防新态势：基于DeepSeek的探索与实践

1.1 研究背景与意义

在数字化进程持续加速的当下，网络空间已成为关键领域，网络安全的重要性愈发凸显。随着大语言模型（Large Language Model，LLM）技术呈爆发式发展，其在网络安全攻防领域展现出巨大的应用潜力。LLM具备强大的自然语言处理能力，能够高效解析和生成代码，这为深入剖析复杂程序逻辑、精准识别潜在安全漏洞提供了有力支持。同时，以DeepSeek-R1为典型代表的模型展现出卓越的推理能力，使其可模拟攻击者的思维，预测攻击链条，为长期处于胶着状态的网络攻防对抗带来了全新的视角与方法。

本研究旨在通过深入探索LLM在网络攻防实战对抗中的应用，特别是在网络攻防长期存在技术不对称的背景下，探究AI技术融入攻防对抗时所可能引发的变革新态势，探寻AI辅助的防御手段对基于AI增强攻击的应对能力。这不仅有助于加深对网络攻防新态势的理解，还能为推动安全技术创新发展、构建更稳健的网络安全防护体系提供实践依据。

1.2 研究方法与实验设计

（1）Webshell特性与LLM能力的高度匹配：Webshell作为一种常见的恶意代码形式，其生成和检测都高度依赖代码能力，这与LLM在代码生成和理解方面的优势天然契合。

（2）Webshell攻防的演进性：Webshell攻击作为一种经典的、持续演进的网络威胁，其攻防对抗本身就具有挑战性和创新性。选取Webshell作为实验对象，既能检验LLM在解决现有安全问题上的能力，还能前瞻性地探索AI技术可能为未来攻防对抗带来的新思路和方法。

（3）Webshell攻防的复杂性与对抗性：Webshell攻防的复杂性和对抗性，为观察AI在更复杂安全场景下的表现提供了良好的平台。

2.1 实验方案设计

为了能够更加系统地了解和评估LLM在Webshell生成和检测方面的潜力与表现，本研究设计并构建了一个包含两个核心Agent的原型系统，用于模拟实时演进的Webshell攻防对抗过程。

2.1.1 系统架构

系统由两个Agent组成，均基于DeepSeek-R1模型构建：

（1）Webshell生成Agent：该Agent负责自动生成各类Webshell代码，并根据Webshell检测Agent的反馈结果进行迭代优化，以提升再生成Webshell的对抗能力。

（2）Webshell检测Agent：该Agent作为检测引擎，利用提示词工程及DeepSeek-R1预训练模型的基础能力，识别和分析可疑代码，判断其是否为Webshell。

2.1.2实验流程

原型系统按照以下流程进行攻防对抗实验：

（1）初始化生成：Webshell生成Agent利用预置提示词生成初始的Webshell代码。

（2）提交检测：生成的Webshell代码被提交至Webshell检测Agent进行分析和检测。

（3）结果反馈：检测Agent返回检测结果，包括是否判定为Webshell以及判断依据。

（4）策略调整与迭代：生成Agent根据检测结果和反馈信息，调整生成策略，改进并生成Webshell代码。

（5）循环迭代：重复步骤2-4，形成Webshell生成与检测的循环对抗过程，如下图所示。

基于DeepSeek的原型系统攻防对抗流程

2.2 实验环境与数据准备

为确保实验的一致性和可比性，生成Agent和检测Agent均采用DeepSeek-R1官方API。

实验所用的Webshell检测数据集由两部分构成：

（1）公开Webshell样本集：从GitHub等代码托管平台收集的3317个各类公开Webshell样本，用于评估LLM对已知Webshell的检测能力。

2.3 评估方法

为更加客观地评估LLM在Webshell生成和检测方面的潜力，实验采取准确率评估的方法，并开展对照试验。

（1）对照组1：对照公开Webshell样本和Agent生成的复杂Webshell样本的被检出情况，以评估LLM是否有助于提升Webshell生成侧的能力。

2.4 实验结果与分析

2.4.1 Webshell生成与检测效果

在Webshell生成方面，生成Agent累计生成了200个复杂Webshell样本。在检测方面，对于生成Agent生成的200个Webshell样本，检测Agent识别出142个（准确率71%），而传统的规则引擎仅识别出60个（准确率30%）。对于3317个已知公开Webshell样本，LLM检测Agent的准确率达到93.21%，传统规则检测引擎的准确率为82.48%。

实验数据表明：

（1）通过生成Agent生成的200个WebShell样本，其被检出率远低于公开Webshell样本的被检出率。

（2）无论是公开Webshell样本还是由Agent动态生成的复杂Webshell样本，检测Agent对其的识别率较传统第三方工具都有明显提升。

2.4.2 LLM未检出样本分析

经分析发现，LLM未检出部分公开Webshell样本的原因在于模型对特定功能文件的判定策略。这些未检出样本主要包括数据库管理工具、服务器状态探针等正常业务功能组件，模型可能将其认定为正常业务功能。

本实验初步揭示了人工智能（AI）介入网络攻防对抗的可行性与潜在问题，并为后续研究提供了有价值的启示。

3.1 大语言模型（LLM）驱动Webshell演变，提升攻击效能

此外，生成的Webshell文件体积规模呈现出显著增长趋势：初期样本行数相对较少，通常只有几行到几十行代码；而后期样本的代码量则可能达数千行。这些庞大的代码文件中，往往包含着大量看似属于合法业务范畴的功能代码，如图片处理模块、安全过滤组件、服务器资源监控程序等。部分Webshell还会主动将Webshell转为间接执行，如将恶意代码写入另一个文件，以此降低被检测发现的概率；而真正的恶意代码在整个代码文件中所占比例极小，且被极为巧妙地隐匿于正常功能代码之中，极大地增加了检测难度。

3.2 大语言模型（LLM）在Webshell检测端展现应用潜力

当面对采用多重函数嵌套、多样化编码混淆策略或伪装成常规业务功能的Webshell变种时，LLM能够打破基于表面语法特征的分析限制，通过对代码逻辑、代码风格等深层语义的理解，判别代码的实际功能用途，凸显了LLM在语义理解层面的独特优势，为Webshell检测技术的发展开拓了新的路径与方向。

3.3 大语言模型（LLM）在攻防对抗领域的应用存在局限性

在检测评估中，模型对同批次样本的识别率达到71%（142/200），优于传统检测方法，表明AI技术在检测方面具备一定的优势和应用潜力。但经深入剖析发现，其中存在特征误判现象：虽然被标记为恶意的142个样本确实呈现出恶意代码特征，但其中有 86.61%（共计 123 个）因生成缺陷导致不可利用，因而并不构成真实威胁。这一结果反映出模型虽具备一定的代码分析能力，但缺乏对代码的完整性、可利用性以及实际威胁性的深度理解。

3.4 提示工程在推理模型中依然重要

原文始发于微信公众号（ADLab）：大语言模型驱动的网络攻防新态势：基于DeepSeek的探索与实践