Automated Malware Family Classification using Weighted Hierarchical Ensembles of Large Language Models
यह शोधपत्र एक ज़ीरो-लेबल मैलवेयर फैमिली क्लासिफिकेशन फ्रेमवर्क का प्रस्ताव करता है जो निर्णय-स्तर के भविष्यवाणियों को एकत्रित करने के लिए प्रीट्रेंड लार्ज लैंग्वेज मॉडल्स के एक वेटेड पदानुक्रमित एन्सेम्बल (weighted hierarchical ensemble) का लाभ उठाता है, जिससे लेबल किए गए डेटासेट या मॉडल रिट्रेनिंग पर निर्भर किए बिना ओपन-वर्ल्ड परिदृश्यों में मजबूती और स्केलेबिलिटी को बढ़ाया जा सकता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक अपराधी की पहचान करने की कोशिश कर रहे एक जासूस हैं। पुराने दिनों में, आप एक विशिष्ट उंगलियों के निशान या एक अनोखे टैटू की तलाश करते (ये पारंपरिक मैलवेयर डिटेक्शन के हैंडक्राफ्टेड फीचर्स की तरह हैं)। लेकिन आधुनिक अपराधी स्मार्ट हैं; वे मास्क पहनते हैं, कपड़े बदलते हैं और यहाँ तक कि अपने उंगलियों के निशान भी बदल देते हैं (यह ऑब्फस्केशन और पैकिंग है)। यदि आप केवल इन विशिष्ट विवरणों पर भरोसा करते हैं, तो आप उन्हें पकड़ने से चूक जाएंगे।
यह पेपर इन डिजिटल अपराधियों को पकड़ने का एक नया तरीका प्रस्तावित करता है, जिसमें AI जासूसों (लार्ज लैंग्वेज मॉडल्स, या LLMs) की एक टीम शामिल है जिन्हें यह सिखाने की आवश्यकता नहीं है कि अपराधी का "रूप" कैसा दिखता है। इसके बजाय, वे इस बात को समझने के लिए अपनी भाषा और कोड की सामान्य समझ का उपयोग करते हैं कि अपराधी क्या करने की कोशिश कर रहा है।
यहाँ उनके समाधान का सरल विवरण दिया गया है:
1. समस्या: "एक जासूस" का जाल
आमतौर पर, जब हम मैलवेयर (बुरे सॉफ़्टवेयर) को खोजने के लिए AI का उपयोग करते हैं, तो हम इसे हजारों लेबल किए गए उदाहरणों पर प्रशिक्षित करते हैं। लेकिन वास्तविक दुनिया में, हर दिन नया मैलवेयर आता है, और अक्सर हमारे पास अभी तक उनके लिए लेबल नहीं होते हैं।
- समस्या: यदि आप केवल एक AI जासूस से किसी अपराधी की पहचान करने के लिए कहते हैं, तो वह गलत अनुमान लगा सकता है। एक AI सोच सकता है कि एक "ट्रोजन" (एक छिपा हुआ जासूस) एक "वायरस" (एक स्व-प्रतिकृति जर्म) है क्योंकि वे समान दिखते हैं। दूसरा "बैकडोर" (एक गुप्त प्रवेश द्वार) से भ्रमित हो सकता है और उसे "स्पाइवेयर" कह सकता है।
- उपमा: कल्पना कीजिए कि आप कोहरे से भरे जंगल में एक पक्षी की पहचान करने के लिए एक अकेले व्यक्ति से पूछते हैं। वे अनुमान लगा सकते हैं कि यह "ईगल" है जबकि वास्तव में यह एक "हॉक" है। वे स्मार्ट हैं, लेकिन वे असंगत हो सकते हैं।
2. समाधान: "विशेषज्ञों की एक परिषद"
एक AI पर निर्भर रहने के बजाय, लेखकों ने एक विशेषज्ञों की परिषद (Council of Experts) बनाई है। उन्होंने चार अलग-अलग शक्तिशाली AI मॉडल्स (जैसे Qwen, CodeLLaMA, GPT-4, और GPT-5) का उपयोग किया।
- प्रशिक्षण की आवश्यकता नहीं: ये AI पहले से ही "प्री-ट्रेन्ड" (उन्होंने पूरा इंटरनेट और लाखों कोड स्निपेट्स पढ़े हैं) हैं। शोधकर्ताओं को उन्हें फिर से सिखाने की आवश्यकता नहीं थी। उन्होंने बस उनसे एक सरल प्रश्न पूछा: "यह किस प्रकार का बुरा सॉफ़्टवेयर है?"
- जीरो-लेबल का जादू: यह सबसे शानदार हिस्सा है। उन्हें AI को प्रशिक्षित करने के लिए "सही उत्तरों" की सूची की आवश्यकता नहीं थी। उन्होंने बस AIs को उनके मौजूदा ज्ञान का उपयोग करके अनुमान लगाने दिया।
3. गुप्त मंत्र: भारित पदानुक्रम (The Weighted Hierarchy)
केवल चार AIs को पूछना और बहुमत से निर्णय लेना पर्याप्त नहीं है, क्योंकि कुछ AI दूसरों की तुलना में बेहतर होते हैं, और कुछ विशिष्ट प्रकार के मैलवेयर से भ्रमित हो सकते हैं। लेखकों ने एक तीन-चरणीय मतदान प्रणाली बनाई है:
चरण A: "भारित" वोट (सबसे अच्छे की बात सुनना)
सभी AI समान नहीं होते। कुछ "रैनसमवेयर" (डेटा लॉक करने वाले) को पहचानने में बेहतर होते हैं, जबकि अन्य "ट्रोजन" को पहचानने में बेहतर होते हैं।
- उपमा: एक जूरी की कल्पना करें। यदि एक जूरी सदस्य एक प्रसिद्ध फोरेंसिक विशेषज्ञ है, तो उनके वोट का महत्व उस जूरी सदस्य से अधिक होगा जिसने केवल अनुमान लगाया था। शोधकर्ताओं ने उन AIs को "अधिक वोट" दिए जो ऐतिहासिक रूप से अधिक सटीक थे।
चरण B: "पदानुक्रम" (पहले बड़ी तस्वीर देखना)
कभी-कभी AI सटीक नाम पर सहमत नहीं हो पाते (जैसे, क्या यह "स्पाइवेयर" है या "बॉट"?)। अटकने के बजाय, सिस्टम ज़ूम आउट करता है।
- उपमा: यदि जूरी इस बात पर सहमत नहीं हो पाती कि अपराधी "जेब काटने वाला" है या "दुकान में चोरी करने वाला", तो वे पहले बड़ी श्रेणी पर सहमत होते हैं: "चोर"।
- सिस्टम मैलवेयर को पहले व्यापक व्यवहारों में समूहित करता है (जैसे, "स्व-प्रतिकृति", "डेटा चुराना", "पेलोड इंस्टॉल करना")। एक बार जब वे व्यापक व्यवहार पर सहमत हो जाते हैं, तो वे विशिष्ट परिवार चुनने की कोशिश करते हैं। यह AIs को सूक्ष्म विवरणों पर बहस करने से रोकता है जब वे वास्तव में बड़े चित्र के बारे में काफी हद तक सही होते हैं।
चरण C: "टाई-ब्रेकर"
यदि AI अभी भी विभाजित हैं, तो सिस्टम एक नियम का उपयोग करता है: "सबसे विशिष्ट, सूचनात्मक उत्तर चुनें।"
- उपमा: यदि जूरी "कुत्ता" और "पूडल" के बीच बंटी हुई है, तो नियम कहता है, "पूडल के साथ जाएं" क्योंकि यह जानवर के बारे में अधिक बताता है।
4. परिणाम: एक स्मार्ट जासूस टीम
शोधकर्ताओं ने इसका परीक्षण वास्तविक दुनिया के विंडोज मैलवेयर के एक विशाल डेटासेट पर किया।
- परिणाम: "विशेषज्ञों की परिषद" (भारित पदानुक्रमित एन्सेम्बल) किसी भी एकल AI की तुलना में मैलवेयर परिवारों की पहचान करने में बहुत बेहतर थी जो अपने आप में काम कर सकता था।
- यह क्यों मायने रखता है: यह तब भी काम करता है जब मैलवेयर को भारी रूप से छिपाया (पैक्ड/ऑब्फस्केटेड) गया हो और तब भी जब शोधकर्ताओं के पास AI को सिखाने के लिए कोई "चीट शीट" (लेबल किया गया डेटा) नहीं थी।
सारांश उपमा
पारंपरिक मैलवेयर डिटेक्शन को ज्ञात चेहरों की सूची की जांच करने वाले एक सुरक्षा गार्ड के रूप में सोचें। यदि अपराधी मास्क पहनता है, तो गार्ड विफल हो जाता है।
यह नया तरीका अनुभवी जासूसों की एक टीम की तरह है जो एक कमरे में बैठे हैं। उनके पास चेहरों की सूची नहीं है। इसके बजाय, वे अपराधी के व्यवहार (वे कैसे चलते हैं, वे कौन से उपकरण ले जाते हैं) को देखते हैं।
- वे प्रत्येक एक अनुमान लगाते हैं।
- सबसे अनुभवी जासूसों को अधिक जोर से बोलने का मौका मिलता है (वेटिंग)।
- यदि वे सटीक नाम पर सहमत नहीं होते हैं, तो वे पहले अपराध के प्रकार पर सहमत होते हैं (पदानुक्रम)।
- वे अपराधी को पकड़ने के लिए अपने ज्ञान को मिलाते हैं, भले ही अपराधी ने भेष बदला हो।
यह दृष्टिकोण साइबर सुरक्षा को अधिक मजबूत, स्केलेबल और भविष्य के "अज्ञात" खतरों के लिए तैयार बनाता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।