A Comparison of Malware Image Transformations Using Grad-CAM and Hybrid Learning Models

Resumen Técnico: Una Comparación de Transformaciones de Imágenes de Malware mediante Grad-CAM y Modelos de Aprendizaje Híbridos

Planteamiento del Problema
Si bien la conversión de binarios de malware en imágenes de 2-D ha demostrado ser efectiva para la detección y clasificación basada en aprendizaje automático, el rendimiento varía significativamente dependiendo de la técnica de transformación específica utilizada. Además, la explicabilidad e interpretabilidad de estos modelos basados en imágenes permanece en gran medida inexplorada dentro del dominio del malware. Las Redes Neuronales Profundas (DNN) de alto rendimiento a menudo funcionan como "cajas negras", lo que limita la confianza y la adopción de los analistas en las aplicaciones de seguridad. Existe una necesidad crítica de comprender cómo las diferentes transformaciones de binario a imagen influyen tanto en la precisión de la clasificación como en la estructura de las explicaciones de la IA explicable (XAI), específicamente los Mapas de Activación de Clase ponderados por Gradiente (Grad-CAM). Adicionalmente, no está claro si los patrones visuales generados por las herramientas XAI (mapas de calor) contienen suficiente información estructural para servir como una representación secundaria para las tareas de clasificación.

Metodología
La investigación utiliza el conjunto de datos RawMalTF, que comprende 17,000 muestras de malware a través de 17 familias distintas. Cada muestra es convertida en ocho representaciones de imagen distintas: Grayscale (Escala de Grises), Entropy Hilbert, Byteclass Hilbert, Hybrid Image Transformation (HIT), Bigram Cartesian, Bigram Polar, Spiral y Byteclass.

El estudio emplea un enfoque experimental multifacético:

1. Arquitectura del Modelo: Una Red Neuronal Convolucional (CNN) MobileNetV2, inicializada con pesos de ImageNet, sirve como base para todos los experimentos de aprendizaje profundo. La arquitectura incluye una capa de Global Average Pooling seguida de una cabeza de clasificación densa. El entrenamiento implica un proceso de dos etapas: congelar la base para entrenar la cabeza, seguido del ajuste fino (fine-tuning) del 30% superior de las capas de la base.
2. Análisis Grad-CAM: Se generan mapas de calor Grad-CAM para cada muestra para visualizar las regiones que impulsan las decisiones de clasificación. Estos mapas de calor se analizan cualitativa y cuantitativamente.
3. Extracción de Características de XAI: Los mapas de calor Grad-CAM se tratan como imágenes de entrada. Se extraen características hechas a mano de estos mapas, incluyendo estadísticas de intensidad global, características de forma geométrica (momentos de Hu, excentricidad), Patrones Binarios Locales (LBP) y Matrices de Coocurrencia de Niveles de Gris (GLCM). Modelos de aprendizaje automático clásicos (Random Forest, XGBoost, SVM) son entrenados sobre estos vectores de características.
4. Pipelines Híbridos:
   • CNN sobre Superposiciones: Las CNNs se entrenan directamente sobre las imágenes de superposición de Grad-CAM (imagen original mezclada con el mapa de calor).
   • CNN-HOG-XGBoost Híbrido: Las incrustaciones (embeddings) de la CNN (de la capa penúltima) se concatenan con características de Histograma de Gradientes Orientados (HOG) extraídas de las imágenes de superposición, alimentando un clasificador XGBoost.
   • Fusión de Características Progresiva: Se extraen incrustaciones de modelos entrenados tanto en imágenes originales como en imágenes de superposición a través de las ocho transformaciones. Estas se concatenan en vectores de características de dimensionalidad creciente (256, 512 y 4096 dimensiones) y se clasifican utilizando Random Forest.
5. Evaluación de XAI: El estudio compara Grad-CAM contra HiResCAM. Evalúa cuantitativamente las explicaciones utilizando métricas de fidelidad (AUC de Deletion/Insertion, drop top20pct, concentración) y métricas de estabilidad (correlación de Spearman, MSE, SSIM, solapamiento Top-K) bajo perturbaciones de entrada.

Result ผลados Clave

• Precisión vs. Transformación: El rendimiento de la clasificación varía ampliamente entre las transformaciones. La transformación Entropy Hilbert produjo la mayor precisión para un modelo CNN individual (0.688), mientras que Byteclass Hilbert y Spiral tuvieron el peor desempeño.
• Precisión vs. Explicabilidad: Un hallazgo clave es que la precisión de la clasificación y la fidelidad de la explicación no coinciden. Por ejemplo, la transformación Bigram Polar produjo las explicaciones más fieles (mayor puntuación de fidelidad) pero se situó en un nivel medio de precisión. Por el contrario, Grayscale logró una alta precisión pero baja fidelidad. Entropy Hilbert surgió como la transformación más equilibrada, desempeñándose fuertemente tanto en precisión como en fidelidad.
• Estabilidad vs. Fidelidad: Se observó una relación inversa entre la fidelidad y la estabilidad. Las transformaciones con alta fidelidad (ej. Bigram Polar) exhibieron menor estabilidad ante el ruido, mientras que las transformaciones altamente estables (ej. Byteclass, Grayscale) mostraron menor fidelidad.
• Desempeño Híbrido: Los enfoques híbridos superaron consistentemente a los modelos de solo CNN. El pipeline CNN-HOG-XGBoost alcanzó una precisión máxima de 0.731 (usando imágenes HIT).
• Fusión de Características: El resultado más significativo se logró combinando las incrustaciones de los 16 modelos (imágenes originales y de superposición para las ocho transformaciones) en un vector de características de 4096 dimensiones. Un clasificador Random Forest entrenado con este vector alcanzó una precisión de prueba de 0.777, superando el benchmark anterior de 0.751 para este conjunto de datos.
• Grad-CAM vs. HiResCAM: Para la arquitectura MobileNetV2, Grad-CAM y HiResCAM produjeron explicaciones efectivamente equivalentes en la última capa convolucional, con diferencias de píxeles insignificantes.
• Dificultad de la Familia: Ciertas familias (Noon, Androm, Agensla, Injuke) siguieron siendo difíciles de clasificar en todos los experimentos, lo que sugiere similitudes estructurales inherentes que son difíciles de distinguir usando únicamente características basadas en imágenes.

Significancia y Contribuciones
Esta investigación proporciona una evaluación sistemática de los compromisos entre las elecciones de transformación de imagen, la precisión de la clasificación y la calidad de la explicación en el análisis de malware. El documento demuestra que:

1. Explicaciones como Datos: Los mapas de calor Grad-CAM no son meramente herramientas de visualización; preservan una estructura significativa de discriminación de familias y pueden usarse como entrada para la clasificación, mejorando en ocasiones el rendimiento sobre las imágenes originales.
2. Características Complementarias: Combinar incrustaciones de aprendizaje profundo con características clásicas hechas a mano (HOG) y agregar representaciones a través de múltiples tipos de transformación produce una precisión superior comparada con los enfoques de un solo modelo.
3. Desacoplamiento de Métricas: La precisión, la fidelidad y la estabilidad son propiedades distintas. Optimizar una no garantiza la optimización de las otras, lo que requiere un enfoque equilibrado para aplicaciones de seguridad prácticas donde se requieren tanto corrección como robustez.
4. Mejora del Benchmark: Al aprovechar una estrategia de fusión de características progresiva, el estudio establece un nuevo estado del arte de precisión (0.777) para el conjunto de datos de 17 familias de malware, superando los benchmarks previos basados únicamente en características HOG.

El trabajo subraya que, si bien ninguna transformación única domina todas las métricas, las estrategias híbridas y la combinación estratégica de múltiples representaciones ofrecen un camino viable hacia la construcción de sistemas de clasificación de malware que sean simultáneamente precisos, interpretables y robustos.