🤖 machine learning

SEED: Semi-supervised Continual MalwarE Detection for Tackling ConcEpt Drift on a BuDget

El artículo propone SEED, un marco de aprendizaje continuo semisupervisado que combina una función de pérdida de entropía cruzada binaria adaptada con aprendizaje activo y descomposición en valores singulares para detectar malware de manera efectiva bajo deriva de concepto con datos etiquetados limitados, superando significativamente a los métodos existentes de aprendizaje contrastivo jerárquico en conjuntos de datos con estructuras semánticas débiles.

Autores originales: Suresh Kumar Amalapuram, Bikraj Shresta, Siva Ram murthy Chebiyam, Bheemarjuna Reddy Tamma, Sumohana S Channappayya

Publicado 2026-05-26

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Suresh Kumar Amalapuram, Bikraj Shresta, Siva Ram murthy Chebiyam, Bheemarjuna Reddy Tamma, Sumohana S Channappayya

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres un guardia de seguridad en un aeropuerto concurrido. Tu trabajo es detectar a los malos (malware) entre miles de viajeros inocentes (aplicaciones benignas).

El Problema: Los Criminales "Camaleón"
El problema es que los malos cambian constantemente sus disfraces. Hace un mes, un criminal podría haber llevado un sombrero rojo; hoy, llevan uno azul. En el mundo de las computadoras, esto se llama Deriva Conceptual. Si tu sistema de seguridad fue entrenado solo con "sombreros rojos", se perderá los "sombreros azules" que aparezcan más tarde.

Para mantenerse al día, necesitas reentrenar tu sistema de seguridad cada mes. Pero hay un truco: El etiquetado es costoso y lento. Para enseñarle al sistema cómo se ve un "malvado", un experto humano debe inspeccionar y etiquetar manualmente las muestras. No puedes permitirte contratar a suficientes expertos para etiquetar a cada viajero individual. Solo tienes un presupuesto diminuto para etiquetar a unos pocos.

La Vieja Forma: La Trampa del "Emparejamiento"
Los métodos anteriores intentaron resolver esto utilizando una técnica llamada Aprendizaje Contrastivo. Imagina esto como un juego de "Encuentra al Gemelo". El sistema intenta agrupar a personas que se parecen entre sí.

El Defecto: Este juego funciona genial si tienes un álbum de fotos de todos etiquetados correctamente. Pero si solo tienes unas pocas fotos etiquetadas (el presupuesto limitado), el sistema se confunde. Intenta encontrar gemelos entre extraños y termina agrupando a personas inocentes con criminales, o viceversa. El documento muestra que cuando intentas usar este método de "emparejamiento" con etiquetas limitadas, el rendimiento del sistema de seguridad disminuye significativamente.

La Nueva Solución: SEED (El Matchmaker Inteligente)
Los autores proponen un nuevo método llamado SEED. Piensa en SEED no como un juego de gemelos, sino como un Matchmaker Inteligente que utiliza un "Banco de Memoria".

Así es como funciona SEED en tres pasos simples:

1. El "Banco de Memoria" (Buffer)

SEED mantiene una pequeña colección curada de ejemplos pasados (tanto buenos como malos) en un banco de memoria especial. No los almacena simplemente al azar; los organiza utilizando un truco matemático llamado SVD (Descomposición en Valores Singulares).

La Analogía: Imagina que el banco de memoria es una biblioteca. En lugar de guardar cada libro individual, el bibliotecario (SVD) crea un "mapa de resumen" de las historias más importantes. Este mapa es compacto pero captura la esencia de todo lo que sucedió antes. Esto ayuda a SEED a recordar el pasado sin abrumarse con demasiados datos.

2. El "Matchmaker" (Para Tareas Vistas)

Cuando llega un nuevo viajero sin etiquetar, SEED no adivina. En su lugar, lo proyecta sobre el "mapa de resumen" del Banco de Memoria.

La Analogía: Pregunta: "¿Quién en nuestra historia se parece más a esta persona?". Encuentra la coincidencia más cercana en el pasado. Si la nueva persona se parece mucho a un criminal conocido del mes pasado, SEED la trata como criminal también. Si se parecen a una persona inocente conocida, la trata como inocente.
El Beneficio: Esto permite que el sistema aprenda de la mayoría sin etiquetar conectándolos con la minoría etiquetada, sin necesidad de forzarlos en pares rígidos de "gemelos".

3. El "Detector de Incertidumbre" (Para Tareas No Vistas)

A veces, aparece un tipo completamente nuevo de criminal que no se parece en nada a nadie en el Banco de Memoria.

La Analogía: SEED calcula cuán "confundido" está sobre esta nueva persona. Si la persona está muy lejos de todos en el banco de memoria (alta incertidumbre), SEED la marca.
La Acción: Le dice al experto humano: "No estoy seguro de este. Por favor, echa un vistazo y dime si son buenos o malos". Esto asegura que el humano solo gaste su presupuesto limitado en las muestras que realmente necesitan ayuda.

4. El Período de "Enfriamiento" (Actualización Diferida del Buffer)

Uno de los mayores riesgos en seguridad son las Etiquetas Ruidosas. A veces, incluso los expertos cometen errores, o las herramientas automáticas dan la etiqueta incorrecta. Si pones inmediatamente una etiqueta incorrecta en tu Banco de Memoria, el sistema aprende la lección equivocada y extiende ese error a tareas futuras.

La Analogía: SEED introduce un período de "Enfriamiento". Cuando se recibe una nueva etiqueta, no va directamente al Banco de Memoria. Espera unos meses (un retraso).
¿Por qué? Al esperar, el sistema permite tiempo para que la etiqueta sea verificada o para que la "verdad" se estabilice. Si una etiqueta fue un error, podría ser corregida antes de que se almacene. Esto evita que el sistema "envenene" su propia memoria con datos malos.

Los Resultados: Por Qué Importa

El documento probó SEED con datos reales de sistemas Android y Windows.

La Victoria: Comparado con los antiguos métodos de "Emparejamiento", SEED fue mucho mejor atrapando a nuevos criminales no vistos, especialmente cuando los expertos humanos solo podían etiquetar un pequeño porcentaje (20%) de los datos.
La Mejora: En un conjunto de datos, SEED mejoró la detección en un 40% comparado con el método antiguo cuando las etiquetas eran escasas. En otro, mejoró en un 14%.
La Robustez: Incluso cuando las etiquetas eran ruidosas (llenas de errores), la estrategia de "Enfriamiento" de SEED mantuvo el sistema estable, mientras que otros métodos colapsaron.

En Resumen
SEED es una forma más inteligente de entrenar a los guardias de seguridad. En lugar de obligarlos a memorizar cada rostro individual (lo cual es demasiado costoso), les ayuda a conectar nuevos rostros con una memoria compacta y organizada del pasado. Sabe cuándo pedir ayuda y espera para asegurarse de que la ayuda sea precisa antes de actualizar su memoria. Esto mantiene al sistema de seguridad afilado, incluso cuando los criminales siguen cambiando sus disfraces.

Resumen Técnico: SEED - Detección Continuada Semi-supervisada de Malware

1. Declaración del Problema

Los detectores de malware basados en aprendizaje automático enfrentan una obsolescancia significativa con el tiempo debido a la deriva de concepto, donde las propiedades estadísticas de las aplicaciones benignas y maliciosas evolucionan. Este fenómeno requiere una adaptación continua (Aprendizaje en Mundo Abierto) mientras se mantiene la estabilidad frente al olvido catastrófico del conocimiento previamente aprendido.

Un cuello de botella crítico en el despliegue de tales sistemas es el presupuesto de etiquetado. En el dominio de la seguridad, obtener datos completamente etiquetados es arduo, costoso y a menudo poco fiable debido a la dinámica de etiquetado y los retrasos en la verificación. Aunque los métodos recientes del estado del arte (SOTA) como HCL (Aprendizaje Contrastivo Jerárquico) aprovechan estructuras semánticas para manejar la deriva, dependen en gran medida de datos completamente etiquetados. Los autores observan que cuando HCL se adapta a entornos semi-supervisados (utilizando solo etiquetas parciales, denotado como HCL*), su rendimiento se degrada significativamente, particularmente en conjuntos de datos que carecen de estructuras semánticas inherentes fuertes (por ejemplo, BODMAS y AndroZoo). Por ejemplo, en el conjunto de datos BODMAS, HCL* cae de un AUT (Área bajo la curva del Tiempo) de 0.795 a 0.613 en comparación con su contraparte completamente supervisada.

El artículo aborda el desafío de mantener una detección robusta de malware bajo supervisión limitada y deriva de concepto, específicamente cuando las estructuras semánticas fuertes están ausentes o cuando los presupuestos de etiquetado están restringidos.

2. Metodología: SEED

El método propuesto, SEED (Detección Continuada Semi-supervisada de Malware para Abordar la Deriva de Concepto con un Presupuesto), es un marco de aprendizaje continuo semi-supervisado que integra aprendizaje activo y una estrategia de actualización diferida del búfer. Opera en dos fases distintas: entrenamiento en "tareas vistas" (parcialmente etiquetadas) y "tareas no vistas" (completamente sin etiquetas).

2.1 Entrenamiento con Tareas Vistas (Datos Parcialmente Etiquetados)

Para tareas que contienen muestras tanto etiquetadas ( $D^l_t$ ) como no etiquetadas ( $D^u_t$ ), SEED emplea un proceso de dos pasos para aprovechar los datos no etiquetados sin depender de la pérdida contrastiva:

Construcción del Espacio de Representación mediante SVD: El método construye un espacio de representación latente utilizando los ejemplos etiquetados de tareas pasadas. En lugar de almacenar todas las representaciones crudas, aplica Descomposición en Valores Singulares (SVD) a los vectores latentes codificados para extraer vectores de base ortonormales. Esto reduce los costos de almacenamiento y captura las características más salientes de los datos.
Selección de Ejemplos y Aprendizaje Pareado: Para cada muestra no etiquetada, SEED la proyecta en el espacio de representación basado en SVD. Luego calcula distancias coseno para encontrar el ejemplo etiquetado más adecuado (o un grupo de ejemplos) desde el búfer. Un mecanismo de umbralización adaptativa selecciona la mejor coincidencia basándose en la proporción actual de datos etiquetados.
Función de Pérdida: En lugar de la pérdida contrastiva, SEED utiliza una pérdida Binaria de Entropía Cruzada (BCE) adaptada. Hace cumplir la similitud representacional entre una muestra no etiquetada y su contraparte etiquetada seleccionada en el espacio latente.
Memoria de Proyección de Gradientes (GPM): Para mitigar el olvido catastrófico, SEED utiliza GPM. Los gradientes de la tarea actual se proyectan ortogonales a las direcciones de los gradientes de las tareas anteriores (específicamente para clases de malware), asegurando que el aprendizaje de nuevas características no interfiera con las definiciones de malware previamente aprendidas.

2.2 Entrenamiento con Tareas No Vistas (Datos Completamente Sin Etiquetas)

Al encontrar tareas sin etiquetas, SEED emplea una estrategia de aprendizaje activo para transformar la tarea en una parcialmente etiquetada:

Cuantificación de la Incertidumbre: El modelo calcula la incertidumbre de las muestras no etiquetadas midiendo su distancia coseno media a los grupos benignos y de malware almacenados en el búfer.
Selección Equilibrada: Para evitar el sesgo hacia la clase mayoritaria (benigna), el método selecciona muestras para el etiquetado por analista basándose en una estrategia de clasificación equilibrada (seleccionando muestras lejanas o cercanas a grupos específicos para asegurar la representación de ambas clases).
Transición: Una vez que un subconjunto de muestras es etiquetado por un analista de seguridad, la tarea se trata como una "tarea vista" y se procesa utilizando la metodología descrita en la Sección 2.1.

2.3 Estrategia de Actualización Diferida del Búfer

Para abordar el problema del ruido en las etiquetas (común en el etiquetado de seguridad donde los veredictos iniciales pueden ser incorrectos o inestables), SEED introduce una actualización diferida del búfer. Las muestras recién etiquetadas no se agregan inmediatamente al búfer de reproducción. En su lugar, se retienen durante un período de retraso fijo (por ejemplo, 1, 3 o 11 meses) para permitir que las etiquetas se estabilicen (imitando la convergencia de los veredictos de antivirus de múltiples motores). Esto evita que las etiquetas ruidosas se propaguen durante el proceso de aprendizaje basado en reproducción.

3. Contribuciones Clave

Identificación de Limitaciones en el Aprendizaje Contrastivo: El artículo demuestra que los métodos de aprendizaje contrastivo (como HCL) sufren una degradación significativa del rendimiento en entornos semi-supervisados cuando faltan estructuras semánticas fuertes, destacando la necesidad de enfoques alternativos.
Marco SEED: Un método novedoso de aprendizaje continuo semi-supervisado que:
- Utiliza SVD para construir un espacio de representación robusto a partir de datos etiquetados limitados.
- Reemplaza la pérdida contrastiva con un enfoque de aprendizaje de similitud pareada utilizando una pérdida BCE adaptada.
- Integra aprendizaje activo para seleccionar muestras informativas de tareas completamente sin etiquetas.
Mitigación de Ruido: La introducción de una estrategia de actualización diferida del búfer para mitigar los efectos adversos del ruido en las etiquetas, mostrando robustez incluso con altas proporciones de ruido (hasta un 80%).
Evaluación Exhaustiva: Experimentos extensos en conjuntos de datos de Windows (BODMAS) y Android (AndroZoo, APIGraph) que demuestran la efectividad del método bajo presupuestos de etiquetado y niveles de ruido variables.

4. Resultados Experimentales

Los autores evaluaron SEED frente a líneas base clásicas de aprendizaje continuo (EWC, A-GEM, MIR, CBRS) y métodos de aprendizaje contrastivo (CADE, HCL, HCL*).

Rendimiento en BODMAS (Windows): SEED logró una mejora promedio del 40% en AUT (detección de malware no visto) en comparación con HCL* a través de presupuestos de etiquetado variables. Superó significativamente a HCL* (0.810 vs. 0.613) y a CADE.
Rendimiento en AndroZoo (Android): SEED mostró una mejora promedio del 14% sobre HCL* (0.855 vs. 0.780).
Rendimiento en APIGraph (Android): En este conjunto de datos, que posee estructuras semánticas fuertes (llamadas API), SEED se mantuvo competitivo con HCL*, logrando un AUT de 0.930 en comparación con 0.948 de HCL*. Esto sugiere que SEED es versátil, funcionando bien incluso cuando existen estructuras semánticas, aunque destaca más donde estas están ausentes.
Robustez al Ruido en las Etiquetas: Bajo un alto ruido en las etiquetas (hasta un 80%), SEED con la estrategia de búfer diferido mantuvo un rendimiento estable (por ejemplo, AUT(A) no visto alrededor de 0.85–0.90 en AndroZoo), mientras que los modelos entrenados directamente con etiquetas ruidosas se degradaron drásticamente.
Análisis de Sensibilidad: El método mostró mejoras consistentes con ratios de etiquetado más altos, particularmente en BODMAS, y demostró que el umbral de SVD del 95% y las métricas de distancia coseno proporcionaron el rendimiento más estable.

5. Significado y Afirmaciones

El artículo afirma que SEED proporciona una solución práctica para la detección de malware en entornos de mundo abierto con recursos limitados donde no están disponibles datos completamente etiquetados. Su significado principal radica en:

Desacoplamiento de la Estructura Semántica: A diferencia de los métodos contrastivos que requieren relaciones semánticas fuertes para formar pares positivos/negativos, SEED se basa en la proyección en un espacio de vectores de base, haciéndolo efectivo en conjuntos de datos diversos independientemente de la estructura inherente.
Eficiencia Presupuestaria: Aprovecha efectivamente una pequeña fracción de datos etiquetados (por ejemplo, 20%) para adaptarse a la deriva de concepto, reduciendo la dependencia del etiquetado manual exhaustivo.
Estabilidad frente al Ruido: Al reconocer la naturaleza dinámica de las etiquetas de seguridad, la estrategia de búfer diferido ofrece un mecanismo realista para manejar el ruido en las etiquetas sin un modelado de ruido complejo.

Los autores concluyen que SEED es robusto bajo supervisión limitada, superando al aprendizaje contrastivo en ausencia de una estructura semántica fuerte mientras permanece competitivo cuando dicha estructura está presente, ofreciendo así un enfoque equilibrado para la detección continua de malware.