🤖 machine learning

ThreatVisionAI: A Hybrid CNN-ViT Framework for Image-Based Malware Classification

ThreatVisionAI est un cadre hybride qui combine des CNN d'images brutes, des CNN basés sur les ondelettes et des Vision Transformers pour atteindre une précision de pointe dans la classification des familles de malwares en capturant efficacement des caractéristiques spatiales, fréquentielles et relationnelles globales complémentaires.

Auteurs originaux : Allyson Taylor, Prashanth BusiReddyGari

Publié 2026-07-07

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Allyson Taylor, Prashanth BusiReddyGari

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de trier une pile massive de faux billets de banque. Certains ressemblent presque parfaitement aux vrais, tandis que d'autres ont été altérés avec de l'encre invisible ou des textures étranges qu'on ne peut pas facilement repérer à l'œil nu. Les gardes de sécurité traditionnels (les anciens antivirus) se contentent de vérifier une liste de numéros de série connus. Si un nouveau faux billet n'a jamais été vu auparavant, ils le laissent passer.

Le papier « ThreatVisionAI » propose une nouvelle équipe de tri super intelligente pour gérer ce travail. Au lieu de simplement regarder les numéros de série, cette équipe transforme chaque malware (code informatique malveillant) en une image en niveaux de gris, puis utilise trois « experts » différents pour analyser cette image simultanément.

Voici comment les trois experts travaillent, en utilisant des analogies simples :

Les trois experts de l'équipe

Le « Détective de Pixels » (CNN d'image brute) :
- Ce qu'il fait : Cet expert regarde l'image exactement telle qu'elle est, pixel par pixel. C'est comme un détective qui examine la forme et la couleur d'un billet pour voir si les bords sont dentelés ou s'il y a des motifs répétitifs.
- Sa force : Il est excellent pour repérer les détails locaux et les formes familières.
- Sa faiblesse : Il manque parfois de subtilité si deux faux billets se ressemblent presque de loin.
Le « Murmureur de Textures » (CNN basé sur les ondelettes) :
- Ce qu'il fait : C'est l'innovation majeure du papier. Imaginez que vous preniez ce billet et que vous le passiez à travers un filtre spécial qui décompose l'image en ses fréquences. Il sépare les parties « lisses » des parties « rugueuses », et observe le « grain » horizontal, vertical et diagonal de l'image.
- Sa force : Il peut repérer de minuscules textures directionnelles que le Détective de Pixels rate. C'est comme être capable de sentir le grain du papier pour distinguer deux faux billets d'apparence identique. Le papier a découvert que cet expert était crucial pour différencier des familles de malwares qui se ressemblent presque de manière identique pour l'œil humain.
L'« Observateur de la Vue d'Ensemble » (Vision Transformer ou ViT) :
- Ce qu'il fait : Tandis que les deux autres se concentrent sur des points spécifiques, cet expert prend du recul pour regarder l'image entière à la fois. Il relie les points entre le coin supérieur gauche et le coin inférieur droit, comprenant comment les différentes parties de l'image sont liées entre elles de manière globale.
- Sa force : Il comprend « l'histoire » de l'image complète, et pas seulement les phrases individuelles.

Comment ils travaillent ensemble

Au lieu de laisser un seul expert prendre la décision finale, l'équipe utilise un système de « Vote Pondéré Doux » (Weighted Soft Voting). Imaginez cela comme un jury :

Le Détective de Pixels obtient 50 % des voix (il est le plus fiable).
Le Murmureur de Textures obtient 40 % des voix (il est très doué pour repérer les différences subtiles).
L'Observateur de la Vue d'Ensemble obtient 10 % des voix (il ajoute un peu de contexte supplémentaire).

Ils combinent leurs opinions pour prendre une décision finale.

Les résultats : Quel est leur succès ?

L'équipe a testé ce système sur un jeu de données célèbre d'images de malwares appelé Malimg, qui contient environ 9 500 images de 25 types différents de logiciels malveillants.

Le score : L'équipe a atteint une précision de 98,01 %. Cela signifie que sur 100 nouvelles images de malwares, ils ont correctement identifié la famille du logiciel malveillant 98 fois.
La victoire : Le « Murmureur de Textures » (Wavelet) a été le joueur vedette. Il a aidé l'équipe à distinguer deux familles de malwares très similaires (Swizzor.gen!E et Swizzor.gen!I) que les autres experts peinaient à séparer. Sans cette vue basée sur la fréquence, l'équipe les aurait confondus plus souvent.

La chose qu'ils n'ont pas pu corriger

Le papier admet qu'il existe un problème persistant. Il y a deux types de malwares, Autorun.K et Yuner.A, qui sont si incroyablement similaires sous forme d'image que même les meilleurs experts humains ne peuvent les distinguer.

L'IA a fait de son mieux, mais elle continuait de deviner « Yuner.A » alors qu'il s'agissait en réalité d'« Autorun.K ».
Les chercheurs ont utilisé un outil appelé Grad-CAM (qui met en évidence les parties de l'image que l'IA regarde) et ont découvert que l'IA regardait exactement les mêmes endroits pour les deux.
Conclusion : Ce n'était pas une erreur de l'IA ; c'est une limitation des données. Les images sont tout simplement trop identiques.

Le revers de la médaille (Limites)

Attaques Adverses : Le papier teste ce qui se passe si quelqu'un essaie de tromper l'IA en ajoutant un bruit minuscule et invisible à l'image (comme le tour de passe-passe d'un magicien). La précision du système chute considérablement, montant qu'il peut être trompé si un attaquant connaît précisément le fonctionnement du modèle.
Données Anciennes : Les données de test datent de 2011. Bien que la méthode fonctionne bien sur ce vieux jeu de données, les auteurs notent qu'ils n'ont pas encore testé cela sur des ensembles de données modernes et massifs.

Résumé

ThreatVisionAI est un système hybride qui ne se contente pas de regarder les images de malwares ; il écoute leur « texture » et comprend leur « structure globale ». En combinant ces trois manières différentes de voir, il trie les logiciels malveillants avec une très haute précision, prouvant que regarder la « fréquence » d'une image est tout aussi important que de regarder l'image elle-même.

Résumé Technique : ThreatVisionAI

Énoncé du Problème

Les méthodes traditionnelles de détection de logiciels malveillants, en particulier les systèmes basés sur les signatures, peinent à se généraliser face aux menaces obscurcies, polymorphes et de type "zero-day". Bien que les approches heuristiques offrent une couverture plus large, elles souffrent souvent de taux de faux positifs élevés. La classification de logiciels malveillants par imagerie est apparue comme une alternative prometteuse en convertissant les fichiers binaires en représentations visuelles pour capturer les relations structurelles. Cependant, les cadres de deep learning existants font face à des limitations significatives :

Perte d'information de fréquence : Les réseaux de neurones convolutifs (CNN) et les Vision Transformers (ViT) standards opèrent généralement exclusivement dans l'espace des pixels. Par le biais du pooling et des convolutions à foulée (strided convolutions), ils rejettent les détails texturaux à haute fréquence qui sont pourtant cruciaux pour distinguer des familles de malwares étroitement liées (par exemple, des variantes visuellement similaires comme Swizzor.gen!E et Swizzor.gen!I).
Lacunes architecturales : Bien que les modèles hybrides (ex. LeViT-MC, ConvNeXt–Swin) combinent des branches CNN et Transformer, ils manquent d'une branche dédiée au domaine fréquentiel. Par conséquent, les différences texturales directionnelles entre les familles ne sont pas exploitées.
Interprétabilité : De nombreux cadres pilotés par l'IA manquent d'explications claires sur les décisions du modèle, laissant les analystes sans indication sur les raisons pour lesquelles des erreurs de classification spécifiques se produisent.

Méthodologie : Le cadre ThreatVisionAI

Les auteurs proposent ThreatVisionAI, un cadre de classification hybride conçu pour capturer des caractéristiques complémentaires dans les domaines spatial, fréquentiel et relationnel global. L'architecture se compose de trois branches parallèles qui sont entraînées indépendamment et fusionnées via un vote pondéré doux (weighted soft voting) :

1. Branche CNN d'image brute (Raw-Image)

Entrée : Traite directement des images de malwares en niveaux de gris (224 × 224), représentant des visualisations au niveau des octets.
Architecture : Utilise un backbone ResNet-18 entraîné de zéro (sans pré-entraînement ImageNet) pour apprendre les caractéristiques spatiales, des bords de bas niveau jusqu'aux signatures structurelles spécifiques aux familles.
Fonction : Capture les motifs spatiaux locaux inhérents à la structure visuelle du binaire.

2. Branche CNN basée sur les ondelettes (Wavelet-Based)

Entrée : Traite les mêmes images après une décomposition par ondelettes de Haar 2D à un seul niveau. Cela transforme l'image 224 × 224 en quatre sous-bandes de coefficients 112 × 112 :
- Approximation (cA) : Contenu à basse fréquence.
- Détails (cH, cV, cD) : Variations à haute fréquence dans les directions horizontale, verticale et diagonale.
Architecture : Utilise un backbone ResNet-18 modifié pour accepter des entrées à quatre canaux (sous-bandes empilées).
Fonction : Extrait la structure fréquentielle multi-échelle et les indices texturaux directionnels invisibles dans l'espace des pixels bruts, aidant ainsi à la séparation des familles ayant des apparences globales similaires.

3. Branche Vision Transformer (ViT)

Entrée : Prend les mêmes entrées de quatre canaux que la CNN par ondelettes.
Architecture : Emploie un modèle ViT-Tiny (pré-entraîné sur ImageNet-21k via timm). La couche de projection de patch est adaptée pour accepter quatre canaux.
Fonction : Modélise les dépendances à longue portée à travers l'image entière en utilisant des mécanismes d'auto-attention, capturant le contexte global que les filtres convolutifs locaux ne peuvent saisir.

Stratégie de Fusion

Vote Doux Pondéré (Weighted Soft Voting) : Au lieu d'une concaténation de caractéristiques apprenable, le cadre combine les vecteurs de probabilité des 25 classes de chaque branche à l'aide d'une somme pondérée.
Poids : Déterminés via une recherche par grille exhaustive sur l'ensemble de validation : 0,50 (CNN Brut), 0,40 (CNN Ondelettes) et 0,10 (ViT).
Raisonnement : Cette approche ne nécessite aucun paramètre supplémentaire entraînable, maintient la transparence des contributions de chaque branche et limite le surapprentissage sur de petits ensembles de données.

Configuration Expérimentale et Résultats

Le cadre a été évalué sur le jeu de données Malimg, contenant 9 465 images en niveaux de gris réparties en 25 familles de malwares avec un déséquilibre de classe important. Les données ont été divisées selon un ratio 70/15/15 (entraînement/validation/test).

Métriques de Performance

Précision de l'hybride complet : 98,01 %
Score F1 pondéré : 0,9742
Aperçus de l'ablation :
- Le CNN par ondelettes seul (F1 de 0,9733) a surpassé le CNN brut (F1 de 0,9662), démontant la valeur des caractéristiques du domaine fréquentiel.
- La branche ViT seule a sous-performé (F1 de 0,9492) mais a apporté un gain constant et reproductible lorsqu'elle est ajoutée à l'ensemble CNN, contribuant à un contexte global complémentaire.
- Le modèle hybride a surpassé l'ensemble deux branches CNN+ViT (F1 de 0,9692), confirmant que les caractéristiques du domaine fréquentiel sont critiques pour ce jeu de données.

Améliorations Spécifiques

Variantes Swizzor : La branche Ondelettes a considérablement amélioré la distinction entre les familles visuellement similaires. Le F1 de Swizzor.gen!E est passé de 0,7368 à 0,8571, et celui de Swizzor.gen!I de 0,5263 à 0,8276 par rapport au CNN Brut.
Analyse d'échec (Grad-CAM) : Le modèle a systématiquement classé par erreur Autorun.K comme étant Yuner.A (F1 = 0,0000). Les cartes de chaleur Grad-CAM ont révélé que les structures visuelles et les motifs d'activation de ces deux familles sont presque identiques, même pour les experts humains. Les auteurs concluent qu'il s'agit d'une limitation fondamentale du jeu de données plutôt que d'une défaillance du modèle.

Robustesse et Efficacité

Robustesse Adversaire : Sous des attaques "white-box" par la méthode FGSM (Fast Gradient Sign Method), la précision a chuté de manière significative (de 98,01 % à 7,84 % pour $\epsilon=0,05$ ), indiquant une vulnérabilité aux perturbations adverses.
Efficacité : Le modèle hybride complet contient 27,91 M de paramètres et atteint un temps d'inférence de 5,4 ms par image sur GPU, ce qui est jugé acceptable opérationnellement pour des flux de travail de scan non temps réel.

Contributions Clés et Signification

L'article revendique les contributions suivantes :

Architecture Hybride Novatrice : Introduction de ThreatVisionAI, le premier cadre intégrant une branche dédiée au domaine fréquentiel (ondelettes) aux côtés d'un CNN spatial et d'un ViT à contexte global pour la classification de malwares.
Valeur Démontrée des Caractéristiques Fréquentielles : Les études d'ablation confirment que les caractéristiques basées sur les ondelettes apportent des gains mesurables pour distinguer les familles de malwares étroitement liées que les filtres spatiaux seuls ne peuvent séparer.
Interprétabilité : L'application de Grad-CAM fournit une preuve visuelle que les erreurs de classification systématiques (spécifiquement Autorun.K vs Yuner.A) sont dictées par une similitude visuelle inter-classe intrinsèque, offrant aux analystes une compréhension claire des limites du modèle.

Limitations et Travaux Futurs

Les auteurs reconnaissent explicitement plusieurs limitations :

Portée du Jeu de Données : L'évaluation est restreinte au jeu de données Malimg (collecté en 2011), qui ne reflète pas l'échelle ou la diversité des écosystèmes de malwares modernes. La généralisation à des benchmarks comme MaleVis ou BIG2015 reste non validée.
Vulnérabilité Adversaire : Le modèle est vulnérable aux attaques "white-box", et aucun test contre des attaques plus fortes (ex. PGD) ou des changements de distribution de données n'a été effectué.
Directions Futures : Les auteurs proposent pour les travaux futurs une évaluation multi-jeux de données, l'entraînement adversaire, l'exploration d'autres bases d'ondelettes et l'intégration de signaux comportementaux dynamiques pour un cadre multimodal.