Los métodos de aprendizaje profundo se han aplicado a la detección de malware. Sin embargo, los algoritmos de aprendizaje profundo no son seguros, ya que pueden ser fácilmente engañados por muestras adversariales. En este documento, estudiamos cómo generar muestras adversariales de malware utilizando modelos de aprendizaje profundo. Los métodos basados en gradientes suelen utilizarse para generar muestras adversariales. Estos métodos generan muestras adversariales caso por caso, lo que es muy demorado para generar una gran cantidad de muestras adversariales. Para abordar este problema, proponemos un método novedoso para generar muestras adversariales de malware. A diferencia de los métodos basados en gradientes, extraemos secuencias de bytes de características de muestras benignas. Las secuencias de bytes de características representan las características de las muestras benignas y pueden afectar la decisión de clasificación. Inyectamos directamente las secuencias de bytes de características en muestras de malware para generar muestras adversariales. Las secuencias de bytes de características pueden compartirse para producir diferentes muestras adversariales, lo que puede generar eficientemente una gran cantidad de muestras adversariales. Comparamos el método propuesto con los métodos de inyección aleatoria y basados en gradientes. Los resultados experimentales muestran que las muestras adversariales generadas utilizando nuestro método propuesto tienen una alta tasa de éxito.