Riepilogo Tecnico: MAGMA – Un Framework Multi-Agente RAG a Consenso Stocastico per la Rilevazione Robusta dei Malware

1. Enunciato del Problema

I rilevatori di malware basati sul deep learning (DL) contemporanei, sebbene dominanti, soffrono di una vulnerabilità critica: la cecità semantica. Trattando il codice binario come dati statistici non strutturati (ad esempio, sequenze di byte grezze), questi modelli agiscono come abbinatori di pattern stocastici privi di un vero ragionamento semantico. Questa limitazione si manifesta come "Sbagliata Certezza", dove un modello emette un verdetto ad alta confidenza (ad esempio, >99% benigno) su un campione maligno semplicemente perché una trasformazione avversaria (ad esempio, sostituzione di istruzioni, inserimento di codice morto) sposta l'input in una regione sparsa dello spazio di embedding, attraversando il confine decisionale senza alterare la funzionalità maligna sottostante.

I sistemi attuali all'avanguardia mancano di un meccanismo formale per quantificare l'incertezza epistemica (ignoranza del modello). Di conseguenza, impongono decisioni binarie anche quando gli input si trovano al di fuori della distribuzione di addestramento, fallendo nel segnalare casi anomali per la revisione umana e commettendo invece errori automatizzati catastrofici.

2. Metodologia: Il Framework MAGMA

Gli autori propongono MAGMA (Multi-Agent Generative Malware Analysis), un framework che riformula la rilevazione da un abbinamento di pattern statico a un processo probabilistico di raccolta prove. L'architettura disaccoppia la rappresentazione strutturale dal ragionamento probabilistico attraverso quattro componenti fondamentali:

A. Elevazione a Doppio Flusso

Per superare l'opacità semantica, MAGMA eleva i binari grezzi in due rappresentazioni intermedie parallele e leggibili dall'uomo prima della vettorizzazione:

1. Flusso Sintattico ($I_{ASM}$): Un'analisi lineare che produce istruzioni di assembly normalizzate. Questa cattura dipendenze architetturali granulari, manipolazioni dei registri e costanti crittografiche spesso perse nella decompilazione di alto livello.
2. Flusso Semantico ($I_{Code}$): Una decompilazione in codice pseudo-C di alto livello. Questa astrae i dettagli specifici del compilatore per isolare il Grafico del Flusso di Controllo (CFG), le dipendenze dei dati e le sequenze API fondamentali.
   Questi doppi embedding sono concatenati per formare un vettore di query composito, garantendo che l'offuscamento sintattico (ad esempio, rinominazione dei registri) non eluda la rilevazione se l'intento semantico rimane maligno, e viceversa.

B. Generazione Potenziata dal Recupero (RAG)

Invece di fare affidamento sulla memoria parametrica congelata di un Large Language Model (LLM), MAGMA interroga una Base di Conoscenza Vettoriale (KB) popolata con Funzioni Critiche per la Decisione (DCF) verificate e curate dagli analisti.

• Il sistema recupera i $k$-vicini più prossimi (DCF) basandosi sulla similarità coseno nello spazio latente.
• Questo passo radica il processo generativo nelle intelligence sulle minacce note, prevenendo le allucinazioni e convertendo il compito di classificazione in un compito di valutazione delle prove.

C. Ensemble di Coerenza Stocastica

Per sondare la stabilità del processo di ragionamento, MAGMA impiega un Ensemble di Agenti Omogenei costituito da $N$ istanze identiche di LLM.

• Campionamento Stocastico: A differenza della decodifica greedy, gli agenti operano con una temperatura $T > 0$, costringendo il modello a esplorare percorsi di ragionamento alternativi a probabilità inferiore.
• Ragionamento Indipendente: Ogni agente valuta indipendentemente le DCF recuperate e il contesto a doppio flusso per produrre un verdetto binario (Maligno/Benigno).
• Consenso: Il sistema aggrega queste uscite indipendenti per misurare la stabilità della previsione.

D. Metriche di Incertezza Quantificabili

Il framework deriva due metriche complementari per quantificare l'incertezza e guidare il processo decisionale:

1. Forza delle Prove Funzionali (FES): Un'aggregazione ponderata della fiducia nel recupero. Calcola la probabilità media assegnata alla classe "Maligno" su tutti gli agenti, scalata dal peso di similarità del contesto recuperato. Questo previene il "consenso allucinato" in cui gli agenti concordano su un verdetto senza un solido supporto probatorio.
2. Punteggio di Conflitto delle Prove (ECS): Definito come l'entropia di Shannon della distribuzione predittiva dell'ensemble.
   • Un ECS basso ($\approx 0$) indica un alto consenso (previsione stabile).
   • Un ECS alto ($\approx 1$) indica un significativo disaccordo tra gli agenti, segnalando ambiguità strutturale, perturbazione avversaria o input Fuori Distribuzione (OOD).

E. Politica Decisionale a Tre Stati

MAGMA sostituisce la classificazione binaria con una politica a tre stati:

• Maligno: Alta FES E Basso ECS.
• Benigno: Bassa FES E Basso ECS.
• Incerto (Rifiuto): Alto ECS (superamento della soglia $\tau_{stable}$).
  Gli input contrassegnati come "Incerti" vengono automaticamente rifiutati e instradati per la revisione da parte di un analista umano, impedendo al sistema di emettere verdeti sicuri ma errati su campioni ambigui.

3. Contributi Chiave

1. Architettura RAG a Doppio Flusso: Un meccanismo innovativo che mappa l'assembly sintattico e il codice pseudo-semantico in uno spazio vettoriale congiunto, radicando l'inferenza in una KB curata di Funzioni Critiche per la Decisione per mitigare l'opacità delle reti neurali.
2. Attribuzione Quantificabile (FES): Introduzione della metrica Forza delle Prove Funzionali, che pesa l'influenza dei contesti recuperati, trasformando le previsioni in scatola nera in catene di prove verificabili.
3. Auto-Coerenza Stocastica: Modellazione della rilevazione dei malware come un gioco di consenso probabilistico in cui un ensemble multi-agente (con $T>0$) valuta le prove contro criteri avversari per produrre una distribuzione predittiva limitata.
4. Rifiuto Formalizzato tramite Entropia: Definizione del Punteggio di Conflitto delle Prove (ECS) come proxy per la sensibilità alle perturbazioni avversarie, abilitando una politica di "opzione di rifiuto" razionale che arresta la classificazione quando l'incertezza epistemica è troppo elevata.
5. Valutazione Estensiva: Test completi contro varianti altamente polimorfe e baseline consolidate (MalConv, ResNeXt+), dimostrando l'efficacia della politica di rifiuto guidata dall'entropia.

4. Risultati Sperimentali

Il framework è stato valutato su un dataset di 40.814 binari (Wild-Augmented Benchmark), suddiviso temporalmente per prevenire il bias di anticipazione.

• Prestazioni di Rilevazione: MAGMA ha raggiunto un punteggio F1 del 98,4%, superando la baseline esterna più forte (ResNeXt+) di 1,3 punti percentuali e MalConv di 4,2 punti percentuali.
• Riduzione degli Errori: L'attuazione della politica di rifiuto guidata dall'entropia ha portato a un miglioramento assoluto del 4,2% nell'accuratezza della rilevazione contro i tentativi di elusione e a una riduzione del 4,0% nel Tasso di Falsi Positivi (FPR) rispetto alle baseline senza rifiuto.
• Studi di Ablazione:
  • Il solo embedding a doppio flusso ha raggiunto un F1 del 95,8%, superando MalConv.
  • L'aggiunta dell'ensemble LLM ($N=5$) ha fornito un ulteriore aumento di +2,6 punti percentuali, confermando che la diversità dell'ensemble risolve i casi borderline che il solo recupero non può gestire.
  • L'inferenza zero-shot LLM (senza RAG) ha performato male (79,6% F1), evidenziando la necessità di un radicamento potenziato dal recupero.
• Calibrazione dell'Incertezza: I campioni classificati erroneamente hanno mostrato valori di ECS significativamente più alti ($\sim 0,84$) rispetto alle previsioni corrette ($\sim 0,13$), validando l'ECS come segnale efficace per il rifiuto con intervento umano.
• Latenza: L'intera pipeline media circa 42 secondi per binario (dominata dall'inferenza LLM), posizionando MAGMA come un Livello di Verifica Cloud Tier-2 piuttosto che come uno scanner endpoint in tempo reale.

5. Significato e Affermazioni

Il documento afferma che MAGMA affronta l'asimmetria fondamentale nella difesa dai malware, dove i difensori devono delimitare tutte le varianti maligne mentre gli attaccanti hanno bisogno solo di un singolo percorso di elusione riuscito. Spostandosi dall'abbinamento di pattern deterministico alla verifica probabilistica, MAGMA quantifica esplicitamente i propri punti ciechi del modello.

Il significato risiede nella capacità del sistema di:

• Identificare l'Ambiguità Strutturale: Utilizzare la massimizzazione dell'entropia per rilevare quando un input è perturbato strutturalmente vicino al confine decisionale, anche se la funzionalità maligna è preservata.
• Prevenire la Sbagliata Certezza: Rifiutare automaticamente gli input ambigui invece di imporre una decisione binaria, riducendo così il rischio di errori automatizzati catastrofici.
• Colmare il Divario Semantico: Utilizzare il RAG per collegare il potere discriminativo degli embedding con le capacità di ragionamento degli LLM, radicando l'analisi nelle intelligence sulle minacce verificate piuttosto che in inferenze zero-shot allucinate.

Gli autori posizionano MAGMA non come sostituto dei motori AV endpoint ad alto throughput, ma come un robusto Livello di Verifica Tier-2 per i campioni della "zona grigia" che eludono i filtri delle firme ma mancano di indicatori comportamentali definitivi per la sandboxing automatizzata.