Resumen Técnico: ThreatVisionAI

Declaración del Problema

Los métodos tradicionales de detección de malware, particularmente los sistemas basados en firmas, tienen dificultades para generalizarse contra amenazas ofuscadas, polimórficas y de día cero. Los enfoques heurísticos, aunque ofrecen una cobertura más amplia, suelen sufrir altas tasas de falsos positivos. La clasificación de malware basada en imágenes ha emergido como una alternativa prometedora al convertir archivos binarios en representaciones visuales para capturar relaciones estructurales. Sin embargo, los marcos de aprendizaje profundo existentes enfrentan limitaciones significativas:

1. Pérdida de Información de Frecuencia: Las Redes Neuronales Convolucionales (CNN) estándar y los Vision Transformers (ViT) operan típicamente de forma exclusiva en el espacio de píxeles. A través de la agrupación (pooling) y convoluciones con paso (strided convolutions), descartan detalles texturales de alta frecuencia que son cruciales para distinguir familias de malware estrechamente relacionadas (por ejemplo, variantes visualmente similares como Swizzor.gen!E y Swizzor.gen!I).
2. Brechas Arquitectónicas: Aunque los modelos híbridos (por ejemplo, LeViT-MC, ConvNeXt–Swin) combinan ramas de CNN y Transformer, carecen de una rama dedicada al dominio de la frecuencia. En consecuencia, las diferencias texturales direccionales entre familias permanecen sin explotar.
3. Interpretabilidad: Muchos marcos impulsados por IA carecen de explicaciones claras sobre las decisiones del modelo, dejando a los analistas sin información sobre por qué ocurren clasificaciones erróneas específicas.

Metodología: Marco de Trabajo ThreatVisionAI

Los autores proponen ThreatVisionAI, un marco de clasificación híbrido diseñado para capturar características complementarias espaciales, de dominio de frecuencia y de relación global. La arquitectura consta de tres ramas paralelas que se entrenan de forma independiente y se fusionan mediante votación suave ponderada:

1. Rama de CNN de Imagen Cruda (Raw-Image)

• Entrada: Procesa imágenes de malware en escala de grises (224 × 224) directamente, representando visualizaciones a nivel de bytes.
• Arquitectura: Utiliza un backbone ResNet-18 entrenado desde cero (sin preentrenamiento de ImageNet) para aprender características espaciales desde bordes de bajo nivel hasta firmas estructurales específicas de la familia.
• Función: Captura patrones espaciales locales inherentes a la estructura visual del binario.

2. Rama de CNN Basada en Wavelets

• Entrada: Procesa las mismas imágenes tras una descomposición de wavelet de Haar 2D de un solo nivel. Esto transforma la imagen de 224 × 224 en cuatro subbandas de coeficientes de 112 × 112:
  • Aproximación (cA): Contenido de baja frecuencia.
  • Detalles (cH, cV, cD): Variaciones de alta frecuencia en las direcciones horizontal, vertical y diagonal.
• Arquitectura: Utiliza un backbone ResNet-18 modificado para aceptar entradas de cuatro canales (subbandas apiladas).
• Función: Extrae la estructura de frecuencia multiescala y las pistas texturales direccionales invisibles en el espacio de píxeles crudos, ayudando a la separación de familias con apariencias globales similares.

3. Rama de Vision Transformer (ViT)

• Entrada: Toma las mismas cuatro entradas de subbandas transformadas por wavelet que la CNN de Wavelets.
• Arquitectura: Emplea un modelo ViT-Tiny (preentrenado en ImageNet-21k vía timm). La capa de proyección de parches se adapta para aceptar cuatro canales.
• Función: Modela dependencias de largo alcance en toda la imagen utilizando mecanismos de autoatención, capturando el contexto global que los filtros convolucionales locales omiten.

Estrategia de Fusión

• Votación Suave Ponderada: En lugar de la concatenación de características aprendidas, el marco combina los vectores de probabilidad de 25 clases de cada rama utilizando una suma ponderada.
• Pesos: Determinados mediante una búsqueda de cuadrícula exhaustiva en el conjunto de validación: 0.50 (CNN Cruda), 0.40 (CNN de Wavelet) y 0.10 (ViT).
• Justificación: Este enfoque no requiere parámetros adicionales entrenables, mantiene la transparencia en las contribuciones de cada rama y mitiga el sobreajuste en conjuntos de datos pequeños.

Configuración Experimental y Resultados

El marco fue evaluado con el conjunto de datos Malimg, que contiene 9,465 imágenes en escala de grises de 25 familias de malware con un desequilibrio de clases significativo. Los datos se dividieron en 70/15/15 (entrenamiento/validación/prueba).

Métricas de Rendimiento

• Precisión del Híbrido Completo: 98.01%
• F1 Score Ponderado: 0.9742
• Perspectivas de Ablación:
  • La CNN de Wavelet por sí sola (0.9733 F1) superó a la CNN Cruda (0.9662 F1), demostrando el valor de las características del dominio de la frecuencia.
  • La rama ViT por sí sola tuvo un rendimiento inferior (0.9492 F1), pero proporcionó una ganancia consistente y repetible al añadirse al ensamble de CNN, contribuyendo con un contexto global complementario.
  • El modelo híbrico superó al ensamble de dos ramas CNN+ViT (0.9692 F1), confirmando que las características del dominio de la frecuencia son críticas para este conjunto de datos.

Mejoras Específicas

• Variantes de Swizzor: La rama de Wavelet mejoró significamente la discriminación entre familias visualmente similares. El F1 de Swizzor.gen!E aumentó de 0.7368 a 0.8571, y el de Swizzor.gen!I de 0.5263 a 0.8276 en comparación con la CNN Cruda.
• Análisis de Fallos (Grad-CAM): El modelo clasificó erróneamente de forma consistente a Autorun.K como Yuner.A (F1 = 0.0000). Los mapas de calor de Grad-CAM revelaron que las estructuras visuales y los patrones de activación para estas dos familias son casi idénticos, incluso para expertos humanos. Los autores concluyen que esto es una limitación fundamental del conjunto de datos y no una deficiencia del modelo.

Robustez y Eficiencia

• Robustez Adversaria: Bajo ataques de caja blanca mediante el Método de Signo de Gradiente Rápido (FGSM), la precisión cayó significativamente (de 98.01% a 7.84% con $\epsilon=0.05$), indicando vulnerabilidad a perturbaciones adversarias.
• Eficiencia: El modelo híbrico completo contiene 27.91M de parámetros y logra un tiempo de inferencia de 5.4 ms por imagen en GPU, lo cual se considera aceptable operativamente para flujos de trabajo de escaneo no en tiempo real.

Principales Contribuciones y Significado

El artículo reclama las siguientes contribuciones:

1. Arquitectura Híbrida Novedosa: Introducción de ThreatVisionAI, el primer marco que integra una rama dedicada al dominio de la frecuencia (wavelet) junto con una CNN espacial y un ViT de contexto global para la clasificación de malware.
2. Valor Demostrado de las Características de Frecuencia: Los estudios de ablación confirman que las características basadas en wavelet proporcionan ganancias mensurables en la distinción de familias de malware estrechamente relacionadas que los filtros espaciales por sí solos no pueden separar.
3. Interpretabilidad: La aplicación de Grad-CAM proporciona evidencia visual de que las clasificaciones erróneas sistemáticas (específicamente Autorun.K vs. Yuner.A) son impulsadas por la similitud visual interclase intrínseca, ofreciendo a los analistas una comprensión clara de las limitaciones del modelo.

Limitaciones y Trabajo Futuro

Los autores reconocen explícitamente las siguientes limitaciones:

• Alcance del Conjunto de Datos: La evaluación se restringe al conjunto de datos Malimg (recopilado en 2011), el cual no refleja la escala o diversidad de los ecosistemas de malware modernos. La generalización a benchmarks como MaleVis o BIG2015 permanece sin validar.
• Vulnerabilidad Adversaria: El modelo es vulnerable a ataques de caja blanca, y no se han realizado pruebas contra ataques más fuertes (por ejemplo, PGD) o cambios en el conjunto de datos.
• Direcciones Futuras: Los autores proponen como trabajo futuro la evaluación en múltiples conjuntos de datos, el entrenamiento adversario, la exploración de bases de wavelet alternativas y la integración de señales de comportamiento dinámico para un marco multimodal.