🤖 machine learning

Adversarial Co-Evolution of Malware and Detection Models: A Bilevel Optimization Perspective

यह शोध पत्र हमलावरों और रक्षकों के बीच प्रतिकूल सह-विकास (adversarial co-evolution) को मॉडल करने के लिए बाइलेवल ऑप्टिमाइज़ेशन का उपयोग करके एक सुदृढ़ मैलवेयर डिटेक्शन डिफेंस फ्रेमवर्क प्रस्तावित करता है, जो पारंपरिक तरीकों की तुलना में इवेजन रेट (evasion rates) को काफी कम करता है और हमलावर की लागत को बढ़ाता है।

मूल लेखक: Olha Jurečková, Martin Jureček, Matouš Kozák, Róbert Lórencz

प्रकाशित 2026-04-27

📖 4 मिनट में पढ़ें☕ कॉफ़ी ब्रेक में पढ़ें

CC BY 4.0

मूल लेखक: Olha Jurečková, Martin Jureček, Matouš Kozák, Róbert Lórencz

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 एक विश्व स्तरीय "लुका-छिपी" के खिलाड़ी (मालवेयर डिटेक्टर) और भेष बदलने के उस्ताद (मालवेयर) के बीच "लुका-छिपी" का एक उच्च-दांव वाला खेल चल रहा है।

अतीत में, यह खेल सरल था: खोजने वाला सीखता है कि लोग आमतौर पर कहाँ छिपते हैं, और छिपने वाला एक नया मुखौटा पहनना सीखता है। लेकिन डिजिटल दुनिया में, यह खेल अविश्वसनीय रूप से तीव्र और खतरनाक हो गया है।

यहाँ उस पेपर के निष्कर्षों का एक विवरण दिया गया है जिसे इस उपमा (analogy) का उपयोग करके समझाया गया है।

1. समस्या: "वन-ट्रिक पोनी" रक्षा (The "One-Trick Pony" Defense)

पारंपरिक रूप से, जब कोई सुरक्षा कंपनी यह पता लगाती है कि हैकर्स छिपने का नया तरीका (एक नया "भेष") अपना रहे हैं, तो वे अपने सॉफ़्टवेयर को अपडेट करते हैं। इसे "वन-शॉट ट्रेनिंग" (One-Shot Training) कहा जाता है।

उपमा: कल्पना कीजिए कि एक सुरक्षा गार्ड देखता है कि एक चोर इमारत में घुसने के लिए जोकर का मुखौटा पहनकर आया है। गार्ड कहता है, "ठीक है, अब से मैं किसी को भी जोकर का मुखौटा पहनकर अंदर नहीं आने दूँगा।"

समस्या क्या है? चोर चतुर है। जैसे ही वह देखता है कि गार्ड जोकर को ढूंढ रहा है, वह एक समुद्री डाकू (pirate) की टोपी पहन लेता है। गार्ड अभी भी जोकर को ही ढूंढ रहा है, और चोर उसके सामने से निकल जाता है। पेपर में यही हुआ: मानक सुरक्षा प्रणालियों को 90% बार बायपास किया जा रहा था।

2. समाधान: "विकासवादी प्रशिक्षण शिविर" (Bilevel Optimization)

शोधकर्ताओं ने निर्णय लिया कि केवल एक भेष पर प्रतिक्रिया देने के बजाय, उन्हें एक "प्रशिक्षण शिविर" बनाने की आवश्यकता है जहाँ खोजने वाला और छिपने वाला एक निरंतर लूप में एक साथ विकसित होते हैं। वे इसे "बाइलेवल ऑप्टिमाइज़ेशन" (Bilevel Optimization) कहते हैं।

उपमा: एक एकल गार्ड के बजाय, एक प्रशिक्षण सिमुलेशन (Training Simulation) की कल्पना करें।

राउंड 1: छिपने वाला जोकर का मुखौटा लगाकर घुसने की कोशिश करता है। खोजने वाला उसे पकड़ लेता है।
राउंड 2: छिपने वाले को एहसास होता है कि खोजने वाला जोकर को देख रहा है, इसलिए वह समुद्री डाकू की टोपी आज़माता है। खोजने वाला तुरंत समुद्री डाकू की टोपी के बारे में सीख जाता है और उसके लिए तैयार रहता है।
राउंड 3: छिपने वाला निंजा की पोशाक आज़माता है। खोजने वाला पहले से ही एक कदम आगे है।

यह केवल एक बार का अपडेट नहीं है; यह एक सह-विकासवादी लूप (co-evolutionary loop) है। रक्षक (खोजने वाला) लगातार एक ऐसे हमलावर के खिलाफ "खेल" रहा है जो लगातार स्मार्ट भी हो रहा है। जब तक "असली" खेल शुरू होता है, खोजने वाला लगभग हर चाल के खिलाफ अभ्यास कर चुका होता है।

3. परिणाम: चोर को "हार मानने" पर मजबूर करना

शोधकर्ताओं ने इसका परीक्षण डिजिटल चोरों के तीन अलग-अलग "परिवारों" (Mokes, Strab, और DCRat) के विरुद्ध किया। परिणाम नाटकीय थे:

पूर्ण प्रतिरक्षा (Total Immunity): जबकि पुराने तरीके की रक्षा ने 90% चोरों को अंदर जाने दिया, इस नए "विकासवादी प्रशिक्षण" पद्धति ने लगभग सभी को रोक दिया (चोरों की सफलता दर को लगभग 0% तक कम कर दिया)।
छिपने की "लागत" (The "Cost" of Hiding): पुराने तरीके में, एक चोर बहुत जल्दी भेष ढूंढ सकता था। नई रक्षा के साथ, चोर को कवच में एक छोटी सी दरार खोजने के लिए हजारों अलग-अलग भेष आज़माने पड़े।

उपमा: यह एक चोर द्वारा खुले दरवाजे को खोजने (आसान) और एक हाई-टेक तिजोरी के 10,000 अलग-अलग संयोजन (combinations) आज़माने के बीच के अंतर जैसा है, ताकि बस एक झलक अंदर देखी जा सके (थकाऊ और महंगा)।

संक्षेप में (Summary in a Nutshell)

पेपर का तर्क है कि हम केवल छेद होने पर उन्हें "पैच" करके कंप्यूटर की रक्षा नहीं कर सकते। क्योंकि हैकर्स अनुकूलन (adapt) करने के लिए AI का उपयोग करते हैं, इसलिए हमारी सुरक्षा को भी उस अनुकूलन का पूर्वानुमान लगाने के लिए AI का उपयोग करना चाहिए। साइबर सुरक्षा को एक स्थिर दीवार के बजाय एक निरंतर, विकसित होते खेल के रूप में मानकर, हम ऐसे डिटेक्टर बना सकते हैं जो न केवल मजबूत हैं, बल्कि "फ्यूचर-प्रूफ" भी हैं।

तकनीकी सारांश: मैलवेयर और डिटेक्शन मॉडल का एडवरसैरियल को-इवोल्यूशन (Adversarial Co-Evolution)

1. समस्या विवरण (Problem Statement)

यह शोध पत्र साइबर सुरक्षा में एक मौलिक विषमता (asymmetry) को संबोधित करता है: जबकि मशीन लर्निंग (ML)-आधारित मैलवेयर डिटेक्टरों को स्थिर, ऐतिहासिक डेटासेट पर प्रशिक्षित किया जाता है, अनुकूलनशील हमलावर (adaptive attackers) इन रक्षा प्रणालियों को विशेष रूप से बायपास करने के लिए नए, परिष्कृत मैलवेयर वेरिएंट उत्पन्न करने हेतु रीइन्फोर्समेंट लर्निंग (RL) का उपयोग करते हैं।

पारंपरिक रक्षा तंत्र, जैसे कि वन-शॉट एडवरसैरियल ट्रेनिंग (एडवरसैरियल उदाहरणों के एक सेट पर मॉडल को एक बार फिर से प्रशिक्षित करना), अपर्याप्त हैं। वे हमलावर की पुनरावृत्ति और रणनीतिक प्रकृति (iterative and strategic nature) को समझने में विफल रहते हैं, जो एक नई रक्षा तैनात किए जाने के तुरंत बाद अपनी रणनीति बदल सकता है। यह एक "चूहे-बिल्ली के खेल" (cat-and-mouse game) को जन्म देता है जहाँ स्थिर रक्षा प्रणालियाँ विकसित होती इवेजन तकनीकों (evasion techniques) द्वारा शीघ्र ही अप्रचलित हो जाती हैं।

2. कार्यप्रणाली (Methodology)

लेखक बाइलेवल ऑप्टिमाइज़ेशन (bilevel optimization) के माध्यम से मॉडल किए गए रणनीतिक को-इवोल्यूशनरी फ्रेमवर्क की ओर बढ़ने का प्रस्ताव देते हैं।

हमलावर (आंतरिक समस्या - Inner Problem): अध्ययन MAB-malware फ्रेमवर्क का उपयोग करता है, जो एडवरसैरियल मैलवेयर जनरेशन को मल्टी-आर्म्ड बैंडिट (Multi-Armed Bandit - MAB) समस्या के रूप में मानता है। हमलावर फंक्शनलिटी-प्रिजर्विंग ट्रांसफॉर्मेशन (जैसे सेक्शन इंजेक्शन, हेडर मैनिपुलेशन) खोजने के लिए RL का उपयोग करता है, ताकि एक दुर्भावनापूर्ण फ़ाइल के 'बेनाइन' (benign) वर्गीकृत होने की संभावना को अधिकतम किया जा सके।
डिफेंडर (बाहरी समस्या - Outer Problem): डिफेंडर का लक्ष्य वर्गीकरण हानि (classification loss) को कम करना है। एक एकल प्रशिक्षण चरण के बजाय, डिफेंडर इटरेटिव बेस्ट-रिस्पॉन्स (IBR) डायनेमिक्स में संलग्न होता है।
बाइलेवल ऑप्टिमाइज़ेशन फ्रेमवर्क: इस इंटरैक्शन को इस प्रकार स्वरूपित किया गया है:
$\min_{\theta \in \Theta} \text{Loss}(f_\theta(x + \delta^*(\theta), y))$
$\text{subject to } \delta^*(\theta) \in \arg\max_{\delta \in S(x)} \text{EvasionLoss}(f_\theta(x + \delta), y)$
इस सेटअप में, हमलावर वर्तमान मॉडल $\theta$ के लिए इष्टतम विक्षेपण (optimal perturbation) $\delta^*$ खोजता है, और फिर डिफेंडर उस विशिष्ट इष्टतम प्रतिक्रिया के विरुद्ध मजबूत होने के लिए $\theta$ को अपडेट करता है। यह चक्र कई पुनरावृत्तियों (iterations) के लिए दोहराया जाता है, जो प्रभावी रूप से एक गेम-थ्योरेटिक इक्विलिब्रियम (game-theoretic equilibrium) का अनुकरण करता है।

प्रायोगिक सेटअप (Experimental Setup):
शोधकर्ताओं ने तीन मैलवेयर परिवारों (Mokes, Strab, और DCRat) में तीन दृष्टिकोणों की तुलना की:

बेसलाइन (Baseline): क्लीन डेटा पर प्रशिक्षित मानक रैंडम फॉरेस्ट (Random Forest)।
एडवरसैरियल ट्रेनिंग (Adversarial Training): एडवरसैरियल सैंपल्स का उपयोग करके वन-शॉट रिट्रेनिंग।
बाइलेवल ऑप्टिमाइज़ेशन (Bilevel Optimization): प्रस्तावित इटरेटिव को-इवोल्यूशनरी दृष्टिकोण।

3. मुख्य योगदान (Key Contributions)

गेम-थ्योरेटिक मॉडलिंग: मैलवेयर डिटेक्शन को एक स्थिर वर्गीकरण कार्य के रूप में नहीं, बल्कि दो अनुकूलनशील एजेंटों के बीच एक गतिशील, पुनरावृत्ति वाले खेल के रूप में स्वरूपित करना।
IBR के माध्यम से बाइलेवल ऑप्टिमाइज़ेशन: इटरेटिव बेस्ट-रिस्पॉन्स का उपयोग करके बाइलेवल ऑप्टिमाइज़ेशन का एक व्यावहारिक कार्यान्वयन प्रदान करना, जो डिफेंडर को हमलावर की संभावित रणनीतियों को "समाप्त" (exhaust) करने की अनुमति देता है।
रोबस्टनेस बेंचमार्किंग: यह प्रदर्शित करना कि प्रशिक्षण डेटा की मात्रा बढ़ाने के बजाय हमले और बचाव की प्रक्रिया को मॉडल करना अधिक महत्वपूर्ण है।

4. परिणाम (Results)

प्रायोगिक परिणाम पारंपरिक तरीकों और प्रस्तावित फ्रेमवर्क के बीच एक बड़ा प्रदर्शन अंतर दिखाते हैं:

मेट्रिक (Metric)	बेसलाइन (Exp 1)	एडवरसैरियल ट्रेनिंग (Exp 2)	बाइलेवल (Exp 3)
इवेजन रेट (ER)	उच्च (96% तक)	मध्यम (90% तक)	शून्य के करीब (0% – 1.89%)
हमलावर जटिलता (Attacker Complexity)	कम (औसत ~16 क्वेरी)	मध्यम	बहुत उच्च (3118 क्वेरी तक)

Mokes परिवार: बाइलेवल दृष्टिकोण ने 0% इवेजन और पूर्ण डिटेक्शन स्कोर प्राप्त किया।
DCRat परिवार: जबकि मानक एडवरसैरियल ट्रेनिंग पूरी तरह विफल रही (90% इवेजन रेट), बाइलेवल दृष्टिकोण ने खतरे को पूरी तरह से बेअसर कर दिया (0% इवेजन)।
Strab परिवार: मॉडल ने केवल 1.89% का मामूली इवेजन रेट प्राप्त किया, जो बेसलाइन के 77% इवेजन रेट की तुलना में काफी बेहतर है।
हमलावर लागत (Attacker Cost): फ्रेमवर्क ने "हमले की लागत" को काफी बढ़ा दिया। Strab परिवार के लिए, सफल इवेजन के लिए आवश्यक औसत क्वेरी की संख्या दो ऑर्डर ऑफ मैग्नीट्यूड बढ़ गई।

5. महत्व (Significance)

यह शोध प्रदर्शित करता है कि मैलवेयर डिटेक्शन में लचीलापन (resilience) डेटा की मात्रा का नहीं, बल्कि अनुकूलन (adaptation) का परिणाम है। एक बाइलेवल ऑप्टिमाइज़ेशन समस्या के रूप में इंटरैक्शन को मॉडल करके, लेखक दिखाते हैं कि डिफेंडर एक व्यावहारिक $\epsilon$ -नैश इक्विलिब्रियम ( $\epsilon$ -Nash Equilibrium) तक पहुँच सकते हैं, जहाँ हमलावर बिना अकुशल कम्प्यूटेशनल लागत के प्रभावी नए इवेजन पथ नहीं खोज सकता है। यह विकसित होते, RL-संचालित एडवरसैरियल खतरों का सामना करने में सक्षम, अगली पीढ़ी के "सेल्फ-हार्डनिंग" साइबर सुरक्षा सिस्टम विकसित करने के लिए एक ब्लूप्रिंट प्रदान करता है।