🤖 machine learning

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

ThreatVisionAI è un framework ibrido che combina CNN su immagini grezze, CNN basate su wavelet e Vision Transformer per raggiungere un'accuratezza allo stato dell'arte nella classificazione delle famiglie di malware, catturando efficacemente caratteristiche complementari spaziali, nel dominio della frequenza e relazionali globali.

Autori originali: Allyson Taylor, Prashanth BusiReddyGari

Pubblicato 2026-07-07

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Allyson Taylor, Prashanth BusiReddyGari

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di dover smistare una pila enorme di banconote contraffatte. Alcune sembrano quasi identiche a quelle vere, mentre altre sono state alterate con inchiostro invisibile o texture strane che l'occhio nudo non riesce a cogliere facilmente. Le guardie di sicurezza tradizionali (i vecchi antivirus) controllano solo una lista di numeri di serie noti. Se una nuova banconota falsa non è mai stata vista prima, la lasciano passare.

Il documento "ThreatVisionAI" propone un nuovo team di smistamento super intelligente per gestire questo lavoro. Invece di guardare solo i numeri di serie, questo team trasforma ogni malware (codice informatico dannoso) in una immagine in scala di grigi e utilizza tre diversi "esperti" per analizzare questa immagine simultaneamente.

Ecco come lavorano i tre esperti, usando analogie semplici:

I Tre Esperti del Team

Il "Detective dei Pixel" (CNN Raw-Image):
- Cosa fa: Questo esperto guarda l'immagine esattamente così com'è, pixel per pixel. È come un detective che osserva la forma e il colore di una banconota per vedere se i bordi sono frastagliati o se ci sono motivi ripetitivi.
- Punto di forza: È bravissimo nel individuare dettagli locali e forme familiari.
- Debolezza: A volte perde i dettagli sottili se due banconote cattive sembrano quasi identiche da lontano.
Il "Sussurratore di Texture" (Wavelet-Based CNN):
- Cosa fa: Questa è l'innovazione speciale del documento. Immagina di prendere quella banconota e farla passare attraverso un filtro speciale che scompone l'immagine nelle sue frequenze. Separa le parti "lisce" da quelle "ruvide" e osserva la "grana" orizzontale, verticale e diagonale dell'immagine.
- Punto di forza: Può individuare texture direzionali minuscole che il Detective dei Pixel perde. È come essere in grado di sentire la grana della carta per distinguere due falsi quasi identici. Il documento ha scoperto che questo esperto era fondamentale per distinguere famiglie di malware che appaiono quasi identiche all'occhio umano.
L' "Osservatore del Grande Quadro" (Vision Transformer o ViT):
- Cosa fa: Mentre gli altri due guardano punti specifici, questo esperto fa un passo indietro e guarda l'intera immagine in una volta sola. Collega i puntini tra l'angolo in alto a sinistra e l'angolo in basso a destra, comprendendo come le diverse parti si relazionano tra loro a livello globale.
- Punto di forza: Comprende la "storia" dell'intera immagine, non solo le singole frasi.

Come Lavorano Insieme

Inveovce di lasciare che un solo esperto prenda la decisione finale, il team utilizza un sistema di "Weighted Soft Voting" (Voto Pesato Morbido). Immagina sia una giuria:

Il Detective dei Pixel ottiene il 50% del voto (è il più affidabile).
Il Sussurratore di Texture ottiene il 40% del voto (è molto bravo a individuare differenze sottili).
L' Osservatore del Grande Quadro ottiene il 10% del voto (aggiunge un po' di contesto extra).

Essi combinano le loro opinioni per prendere una decisione finale.

I Risultati: Com'è Andata?

Il team ha testato questo sistema su un famoso dataset di immagini di malware chiamato Malimg, che contiene circa 9.500 immagini di 25 diversi tipi di software dannosi.

Il Punteggio: Il team ha raggiunto un'accuratezza del 98,01%. Ciò significa che, su 100 nuove immagini di malware, ne ha identificate correttamente la famiglia 98 volte.
La Vittoria: Il "Sussurratore di Texture" (Wavelet) è stato il giocatore chiave. Ha aiutato il team a distinguere tra due famiglie di malware molto simili (Swizzor.gen!E e Swizzor.gen!I) che gli altri esperti facevano fatica a separare. Senza questa visione basata sulla frequenza, il team le avrebbe confuse più spesso.

L'Unica Cosa Che Non Sono Riusciti a Risolvere

Il documento ammette che esiste un problema ostinato. Ci sono due tipi di malware, Autorun.K e Yuner.A, che sono così incredibilmente simili nella loro forma d'immagine che persino i migliori esperti umani non riescono a distinguerli.

L'IA ha fatto del suo meglio, ma continuava a indovinare "Yuner.A" quando in realtà era "Autorun.K".
I ricercatori hanno utilizzato uno strumento chiamato Grad-CAM (che evidenzia le parti dell'immagine su cui l'IA sta guardando) e hanno scoperto che l'IA guardava esattamente gli stessi punti per entrambi.
Conclusione: Questo non è stato un errore dell'IA; è un limite dei dati. Le immagini sono semplicemente troppo identiche.

Il Rovescio della Medaglia (Limitazioni)

Attacchi Avversari: Il documento testa cosa succede se qualcuno prova a ingannare l'IA aggiungendo un rumore minuscolo e invisibile all'immagine (come il gioco di prestigio di un mago); l'accuratezza del sistema è scesa significamente, mostrando che può essere raggelata se un attaccante conosce esattamente come funziona il modello.
Dati Vecchi: I dati di test sono del 2011. Sebbene il metodo funzioni bene su questo vecchio dataset, gli autori notano che non è ancora stato testato su dataset moderni e massicci.

Riassunto

ThreatVisionAI è un sistema ibrido che non si limita a guardare le immagini dei malware; ascolta la loro "texture" e comprende la loro "struttura globale". Combinando questi tre diversi modi di vedere, smista il software dannoso con un'altissima accuratezza, dimostrando che guardare la "frequenza" di un'immagine è importante quanto guardare l'immagine stessa.

Riepilogo Tecnico: ThreatVisionAI

Definizione del Problema

I metodi tradizionali di rilevamento dei malware, in particolare i sistemi basati su firme, faticano a generalizzare contro minacce offuscate, polimorfiche e zero-day. Sebbene gli approcci euristici offrano una copertura più ampia, spesso soffrono di elevati tassi di falsi positivi. La classificazione dei malware basata su immagini è emersa come un'alternativa promettente, convertendo i file binari in rappresentazioni visive per catturare le relazioni strutturali. Tuttavia, gli esistenti framework di deep learning affrontano limitazioni significative:

Perdita di Informazioni sulla Frequenza: Le reti neurali convoluzionali (CNN) standard e i Vision Transformer (ViT) operano tipicamente esclusivamente nello spazio dei pixel. Attraverso il pooling e le convoluzioni con stride, scartano dettagli testurali ad alta frequenza che sono cruciali per distinguere famiglie di malware strettamente correlate (ad esempio, varianti visivamente simili come Swizzor.gen!E e Swizzor.gen!I).
Lacune Architetturali: Sebbene i modelli ibridi (ad esempio, LeViT-MC, ConvNeXt–Swin) combinino rami CNN e Transformer, mancano di un ramo dedicato al dominio della frequenza. Di conseguenza, le differenze testurali direzionali tra le famiglie rimangono inespresse.
Interpretabilità: Molti framework basati sull'IA mancano di spiegazioni chiare sulle decisioni del modello, lasciando gli analisti senza intuizioni sul motivo per cui si verificano specifiche classificazioni errate.

Metodologia: Framework ThreatVisionAI

Gli autori propongono ThreatVisionAI, un framework di classificazione ibrido progettato per catturare caratteristiche complementari spaziali, nel dominio della frequenza e relazionali globali. L'architettura consiste in tre rami paralleli che vengono addestrati indipendentemente e fusi tramite voto soft pesato:

1. Ramo CNN Immagine Grezza (Raw-Image)

Input: Elabora immagini di malware in scala di grigi (224 × 224) direttamente, rappresentando le visualizzazioni a livello di byte.
Architettura: Utilizza un backbone ResNet-18 addestrato da zero (senza pre-addestramento su ImageNet) per apprendere caratteristiche spaziali dai bordi a basso livello fino alle firme strutturali specifiche della famiglia.
Funzione: Cattura i pattern spaziali locali intrinseci nella struttura visiva del binario.

2. Ramo CNN Basato su Wavelet

Input: Elabora le stesse immagini dopo una decomposizione wavelet 2D Haar a singolo livello. Questa trasforma l'immagine 224 × 224 in quattro sottobande di coefficienti 112 × 112:
- Approssimazione (cA): Contenuto a bassa frequenza.
- Dettagli (cH, cV, cD): Variazioni ad alta frequenza nelle direzioni orizzontale, verticale e diagonale.
Architettura: Utilizza un backbone ResNet-18 modificato per accettare input a quattro canali (sottobande impilate).
Funzione: Estrae la struttura di frequenza multi-scala e gli indizi testurali direzionali invisibili nello spazio dei pixel grezzi, aiutando la separazione delle famiglie con aspetti globali simili.

3. Ramo Vision Transformer (ViT)

Input: Prende gli stessi input a quattro canali trasformati dalle wavelet del ramo Wavelet CNN.
Architettura: Impiega un modello ViT-Tiny (pre-addestrato su ImageNet-21k tramite timm). Lo strato di proiezione dei patch è adattato per accettare quattro canali.
Funzione: Modella le dipendenze a lungo raggio attraverso l'intera immagine utilizzando meccanismi di auto-attenzione (self-attention), catturando il contesto globale che i filtri convoluzionali locali perdono.

Strategia di Fusione

Voto Soft Pesato (Weighted Soft Voting): Invece della concatenazione delle caratteristiche appresa, il framework combina i vettori di probabilità a 25 classi di ciascun ramo utilizzando una somma pesata.
Pesi: Determinati tramite una ricerca esaustiva su griglia (grid search) sul set di validazione: 0.50 (CNN Raw), 0.40 (Wavelet CNN) e 0.10 (ViT).
Razionale: Questo approccio non richiede parametri addizionali addestrabili, mantiene la trasparenza nei contributi dei rami e mitiga l'overfitting su dataset piccoli.

Configurazione Sperimentale e Risultati

Il framework è stato valutato sul dataset Malimg, contenente 9.465 immagini in scala di grigi distribuite su 25 famiglie di malware con un significativo squilibrio di classe. I dati sono stati divisi in 70/15/15 (train/validation/test).

Metriche di Performance

Accuratezza Ibrida Totale: 98.01%
F1 Score Pesato: 0.9742
Approfondimenti dall'Ablazione:
- La Wavelet CNN da sola (F1 0.9733) ha superato la Raw CNN (F1 0.9662), dimostrando il valore delle caratteristiche nel dominio della frequenza.
- Il ramo ViT da solo è stato meno performante (F1 0.9492) ma ha fornito un guadagno costante e ripetibile quando aggiunto all'ensemble CNN, contribuendo con un contesto globale complementare.
- Il modello ibrido ha superato un ensemble a due rami CNN+ViT (F1 0.9692), confermando che le caratteristiche nel dominio della frequenza sono critiche per questo dataset.

Miglioramenti Specifici

Varianti Swizzor: Il ramo Wavelet ha migliorato significativamente la discriminazione tra famiglie visivamente simili. L'F1 di Swizzor.gen!E è aumentato da 0.7368 a 0.8571, e quello di Swizzor.gen!I da 0.5263 a 0.8276 rispetto alla Raw CNN.
Analisi dei Fallimenti (Grad-CAM): Il modello ha costantemente classificato erroneamente Autorun.K come Yuner.A (F1 = 0.0000). Le mappe di calore Grad-CAM hanno rivelato che le strutture visive e i pattern di attivazione di queste due famiglie sono quasi identici, anche per gli esperti umani. Gli autori concludono che si tratta di un limite fondamentale del dataset piuttosto che di una carenza del modello.

Robustezza ed Efficienza

Robustezza Avversaria: Sotto attacchi white-box FGSM (Fast Gradient Sign Method), l'accuratezza è scesa drasticamente (dal 98.01% al 7.84% con $\epsilon=0.05$ ), indicando vulnerabilità alle perturbazioni avversarie.
Efficienza: Il modello ibrido completo contiene 27.91M di parametri e raggiunge un tempo di inferenza di 5.4 ms per immagine su GPU, il che è considerato accettabile per flussi di lavoro di scansione non in tempo reale.

Contributi Chiave e Significato

Il documento rivendica i seguenti contributi:

Nuova Architettura Ibrida: Introduzione di ThreatVisionAI, il primo framework che integra un ramo dedicato al dominio della frequenza (wavelet) insieme a una CNN spaziale e un ViT per il contesto globale nella classificazione dei malware.
Dimostrazione del Valore delle Caratteristiche di Frequenza: Gli studi di ablazione confermano che le caratteristiche basate su wavelet forniscono guadagni misurabili nella distinzione tra famiglie di malware strettamente correlate che i soli filtri spaziali non riescono a separare.
Interpretabilità: L'applicazione di Grad-CAM fornisce prove visive del fatto che le classificazioni errate sistematiche (specificamente Autorun.K vs Yuner.A) sono guidate dalla similitudine visiva intrinseca tra le classi, offrendo agli analisti una comprensione chiara dei limiti del modello.

Limitazioni e Lavori Futuri

Gli autori riconoscono esplicitamente diverse limitazioni:

Ambito del Dataset: La valutazione è limitata al dataset Malimg (raccolto nel 2011), che non riflette la scala o la diversità degli ecosistemi di malware moderni. La generalizzazione su benchmark come MaleVis o BIG2015 rimane non validata.
Vulnerabilità Avversaria: Il modello è vulnerabile ad attacchi white-box, e non sono stati condotti test contro attacchi più forti (es. PGD) o cambiamenti del dataset (dataset shifts).
Direzioni Future: Gli autori propongono come lavori futuri la valutazione su più dataset, l'addestramento avversario, l'esplorazione di basi wavelet alternative e l'integrazione di segnali comportamentali dinamici per un framework multi-modale.