近年來，結合機器學習(Machine Learning, ML)技術的惡意軟體分類器在檢測未知物聯網惡意軟體上取得了優秀的成績。而基於控制流程圖(Control Flow Graph, CFG)特徵的檢測器可以更準確地呈現執行檔的執行流程和語義，因此被視為檢測惡意軟體的有效技術。然而，隨著機器學習的廣泛應用，評估惡意軟體檢測器的穩健性成為一項刻不容緩的重要議題。在本文中，我們希望透過對抗式攻擊評估不同模型的穩健性。我們小心地操縱目標惡意軟體樣本，並於其中注入精心設計的opcode序列來進一步修改執行流程，從而誤導基於結構的惡意軟體檢測器。特別是，我們在保留原始功能的同時生成四種類型的可用轉換，並搭配高查詢效率的優化演算法。實驗結果表明，我們的方法在使用基於結構和基於opcode特徵的檢測器上皆取得了出色的效果。