Resumen Técnico: MAGMA – Un Marco de Consenso Estocástico Multi-Agente RAG para la Detección Robusta de Malware

1. Declaración del Problema

Los detectores de malware contemporáneos basados en aprendizaje profundo (DL), aunque dominantes, adolecen de una vulnerabilidad crítica: ceguera semántica. Al tratar el código binario como datos estadísticos no estructurados (por ejemplo, secuencias de bytes crudas), estos modelos actúan como coincidentes de patrones estocásticos carentes de un razonamiento semántico real. Esta limitación se manifiesta como "Falsa Confianza", donde un modelo emite un veredicto de alta confianza (por ejemplo, >99% benigno) sobre una muestra maliciosa simplemente porque una transformación adversaria (por ejemplo, sustitución de instrucciones, inserción de código muerto) desplaza la entrada hacia una región dispersa del espacio de incrustaciones, cruzando el límite de decisión sin alterar la funcionalidad maliciosa subyacente.

Los sistemas actuales de vanguardia carecen de un mecanismo formal para cuantificar la incertidumbre epistémica (ignorancia del modelo). En consecuencia, fuerzan decisiones binarias incluso cuando las entradas se encuentran fuera de la distribución de entrenamiento, fallando en señalar casos anómalos para revisión humana y, en su lugar, cometiendo errores automatizados catastróficos.

2. Metodología: El Marco MAGMA

Los autores proponen MAGMA (Análisis de Malware Generativo Multi-Agente), un marco que reformula la detección desde la coincidencia de patrones estática hacia un proceso probabilístico de recopilación de evidencia. La arquitectura desacopla la representación estructural del razonamiento probabilístico mediante cuatro componentes centrales:

A. Elevación de Doble Flujo

Para superar la opacidad semántica, MAGMA eleva los binarios crudos a dos representaciones intermedias paralelas y legibles por humanos antes de la vectorización:

1. Flujo Sintáctico ($I_{ASM}$): Un mapeo de desensamblado lineal que produce instrucciones de ensamblaje normalizadas. Esto captura dependencias arquitectónicas granulares, manipulaciones de registros y constantes criptográficas que a menudo se pierden en la descompilación de alto nivel.
2. Flujo Semántico ($I_{Code}$): Una descompilación a código pseudo-C de alto nivel. Esto abstrae detalles específicos del compilador para aislar el Grafo de Flujo de Control (CFG), las dependencias de datos y las secuencias de API centrales.
   Estas dos incrustaciones se concatenan para formar un vector de consulta compuesto, asegurando que la ofuscación sintáctica (por ejemplo, renombrado de registros) no eluda la detección si la intención semántica sigue siendo maliciosa, y viceversa.

B. Generación Aumentada por Recuperación (RAG)

En lugar de depender de la memoria paramétrica congelada de un Modelo de Lenguaje Grande (LLM), MAGMA consulta una Base de Conocimiento Vectorial (KB) poblada con Funciones Críticas para la Decisión (DCF) verificadas y curadas por analistas.

• El sistema recupera los $k$-vecinos más cercanos (DCF) basándose en la similitud coseno en el espacio latente.
• Este paso ancla el proceso generativo en inteligencia de amenazas conocida, previniendo alucinaciones y convirtiendo la tarea de clasificación en una tarea de evaluación de evidencia.

C. Conjunto de Consistencia Estocástica

Para sondear la estabilidad del proceso de razonamiento, MAGMA emplea un Conjunto de Agentes Homogéneos compuesto por $N$ instancias idénticas de LLM.

• Muestreo Estocástico: A diferencia de la decodificación codiciosa, los agentes operan con una temperatura $T > 0$, forzando al modelo a explorar rutas de razonamiento alternativas de menor probabilidad.
• Razonamiento Independiente: Cada agente evalúa independientemente las DCF recuperadas y el contexto de doble flujo para producir un veredicto binario (Malicioso/Benigno).
• Consenso: El sistema agrega estas salidas independientes para medir la estabilidad de la predicción.

D. Métricas de Incertidumbre Cuantificables

El marco deriva dos métricas complementarias para cuantificar la incertidumbre y guiar la toma de decisiones:

1. Fuerza de Evidencia Funcional (FES): Una agregación ponderada de la confianza de recuperación. Calcula la masa de probabilidad media asignada a la clase "Malicioso" a través de todos los agentes, escalada por el peso de similitud del contexto recuperado. Esto previene el "consenso alucinado" donde los agentes coinciden en un veredicto sin un respaldo de evidencia sólido.
2. Puntuación de Conflicto de Evidencia (ECS): Definida como la entropía de Shannon de la distribución predictiva del conjunto.
   • ECS baja ($\approx 0$) indica un alto consenso (predicción estable).
   • ECS alta ($\approx 1$) indica un desacuerdo significativo entre los agentes, señalando ambigüedad estructural, perturbación adversaria o entradas Fuera de Distribución (OOD).

E. Política de Decisión de Tres Estados

MAGMA reemplaza la clasificación binaria con una política de tres estados:

• Malicioso: Alta FES Y Baja ECS.
• Benigno: Baja FES Y Baja ECS.
• Incierto (Rechazar): Alta ECS (superando el umbral $\tau_{stable}$).
  Las entradas marcadas como "Inciertas" se rechazan automáticamente y se enrutan para revisión por analistas humanos, evitando que el sistema emita veredictos confiables pero erróneos sobre muestras ambiguas.

3. Contribuciones Clave

1. Arquitectura RAG de Doble Flujo: Un mecanismo novedoso que mapea el ensamblaje sintáctico y el pseudo-código semántico a un espacio vectorial conjunto, anclando la inferencia en una KB curada de Funciones Críticas para la Decisión para mitigar la opacidad de las redes neuronales.
2. Atribución Cuantificable (FES): Introducción de la métrica Fuerza de Evidencia Funcional, que pondera la influencia de los contextos recuperados, transformando predicciones de caja negra en cadenas de evidencia auditables.
3. Auto-consistencia Estocástica: Modelado de la detección de malware como un juego de consenso probabilístico donde un conjunto multi-agente (con $T>0$) evalúa la evidencia contra criterios adversarios para producir una distribución predictiva acotada.
4. Rechazo Formalizado mediante Entropía: Definición de la Puntuación de Conflicto de Evidencia (ECS) como un proxy para la sensibilidad a perturbaciones adversarias, habilitando una política de "opción de rechazo" principista que detiene la clasificación cuando la incertidumbre epistémica es demasiado alta.
5. Evaluación Exhaustiva: Pruebas integrales contra variantes altamente polimórficas y líneas base establecidas (MalConv, ResNeXt+), demostrando la eficacia de la política de rechazo guiada por entropía.

4. Resultados Experimentales

El marco fue evaluado en un conjunto de datos de 40,814 binarios (Benchmark Wild-Augmented), dividido temporalmente para evitar sesgos de anticipación.

• Rendimiento de Detección: MAGMA logró una puntuación F1 del 98.4%, superando a la línea base externa más fuerte (ResNeXt+) en 1.3 puntos porcentuales y a MalConv en 4.2 puntos porcentuales.
• Reducción de Errores: La imposición de la política de rechazo guiada por entropía resultó en una mejora absoluta del 4.2% en la precisión de detección frente a intentos de evasión y una reducción del 4.0% en la Tasa de Falsos Positivos (FPR) en comparación con líneas base que no rechazan.
• Estudios de Ablación:
  • La incrustación de doble flujo por sí sola logró un 95.8% de F1, superando a MalConv.
  • La adición del conjunto de LLM ($N=5$) proporcionó un aumento adicional de +2.6 pp, confirmando que la diversidad del conjunto resuelve casos limítrofes que la recuperación por sí sola no puede.
  • La inferencia de LLM en cero disparos (sin RAG) tuvo un rendimiento deficiente (79.6% F1), destacando la necesidad de un anclaje aumentado por recuperación.
• Calibración de Incertidumbre: Las muestras mal clasificadas exhibieron valores de ECS significativamente más altos ($\sim 0.84$) en comparación con las predicciones correctas ($\sim 0.13$), validando la ECS como una señal efectiva para el rechazo con intervención humana.
• Latencia: El pipeline completo promedia ~42 segundos por binario (dominado por la inferencia de LLM), posicionando a MAGMA como una Capa de Verificación en la Nube de Nivel 2 en lugar de un escáner de punto final en tiempo real.

5. Significado y Afirmaciones

El artículo afirma que MAGMA aborda la asimetría fundamental en la defensa contra malware, donde los defensores deben acotar todas las variantes maliciosas mientras que los atacantes solo necesitan un camino de evasión exitoso. Al cambiar de la coincidencia de patrones determinista a la verificación probabilística, MAGMA cuantifica explícitamente los puntos ciegos del propio modelo.

El significado radica en la capacidad del sistema para:

• Identificar Ambigüedad Estructural: Utilizar la maximización de la entropía para detectar cuando una entrada está perturbada estructuralmente cerca del límite de decisión, incluso si la funcionalidad maliciosa se preserva.
• Prevenir la Falsa Confianza: Rechazar automáticamente las entradas ambiguas en lugar de forzar una decisión binaria, reduciendo así el riesgo de errores automatizados catastróficos.
• Cerrar la Brecha Semántica: Utilizar RAG para conectar el poder discriminativo de las incrustaciones con las capacidades de razonamiento de los LLM, anclando el análisis en inteligencia de amenazas verificada en lugar de inferencia alucinada en cero disparos.

Los autores posicionan a MAGMA no como un reemplazo para los motores de antivirus de punto final de alto rendimiento, sino como una robusta capa de verificación de Nivel 2 para muestras de la "zona gris" que eluden los filtros de firma pero carecen de indicadores conductuales definitivos para el aislamiento automatizado.