DLMC_Net: Adaptive Self Attention Module and Customized Convolutional Neural Network with Borderline SMOTE for Classification of Malwares using Byte Code Images

Riepilogo Tecnico: DLMC_Net per la Classificazione dei Malware

Definizione del Problema
La rapida proliferazione di varianti di malware sofisticate e generate automaticamente ha reso i tradizionali sistemi di rilevamento basati su firme sempre più inefficaci. Sebbene il machine learning (ML) e il deep learning (DL) siano stati adottati per automatizzare il rilevamento, i metodi ML tradizionali spesso si affidano a feature progettate manualmente che richiedono grandi conoscenze ed incontrano difficoltà con malware offuscati o anti-analisi. Inoltre, gli approcci di deep learning esistenti affrontano spesso due sfide critiche: la perdita di informazioni semantiche durante la conversione da binario a immagine (a causa di troncamento o padding) e il grave squilibrio delle classi nei dataset di riferimento come Malimg, dove determinate famiglie di malware superano di gran lunga altre, portando a un addestramento del modello distorto.

Metodologia
Gli autori propongono DLMC_Net, un nuovo framework di deep learning progettato per la classificazione multi-classe di 25 famiglie di malware utilizzando le Byte Code Images (BCI). La metodologia integra tre componenti principali:

1. Backbone CNN Personalizzato: Il modello impiega una rete neurale convoluzionale (CNN) su misura per estrarre caratteristiche spaziali locali da input BCI in scala di grigi di 150×150. Questo backbone consiste in due blocchi convoluzionali, ciascuno contenente uno strato convoluzionale, Batch Normalization (per stabilizzare l'addestramento e prevenire lo spostamento della covarianza interna), attivazione ReLU e Max Pooling (per il downsampling e la riduzione del costo computazionale).
2. Modulo di Auto-Attenzione Adattiva: Per affrontare il limite delle CNN nel catturare il contesto globale, le caratteristiche spaziali estratte vengono passate attraverso un meccanismo di auto-attenzione adattiva. Questo modulo apprende dinamicamente l'importanza di diverse regioni spaziali calcolando le matrici Query (Q), Key (K) e Value (V). Calcola i punteggi di attenzione per pesare le caratteristiche locali in base alla loro rilevanza, catturando così le dipendenze a lungo raggio e mettendo in risalto le regioni distintive del malware mentre sopprime le informazioni ridondanti.
3. Borderline SMOTE (BLS) per lo Squilibrio delle Classi: Riconoscendo l'intrinseco squilibrio delle classi nel dataset Malimg, gli autori utilizzano la tecnica Borderline SMOTE. A differenza dello standard SMOTE, BLS si concentra sulla generazione di campioni sintetici per le classi minoritarie specificamente vicino ai confini decisionali (dove è più probabile un errore di classificazione). Questa strategia di up-sampling assicura una distribuzione bilanciata dei dati di addestramento, impedendo al modello di essere distorto verso le classi di maggioranza.

Il flusso di lavoro prevede la conversione dei binari del malware in BCI, il ridimensionamento, la normalizzazione dei dati, l'applicazione di BLS per il bilanciamento e successivamente l'addestramento dell'architettura DLMC_Net. La classificazione finale viene eseguita tramite strati completamente connessi e una funzione di attivazione Softmax.

Contributi Chiave
Il documento delinea cinque contributi primari:

1. Architettura Innovativa: La progettazione di una struttura CNN personalizzata specificamente ottimizzata per una robusta classificazione multi-classe di malware utilizzando BCI.
2. Integrazione dell'Attenzione: L'inserimento di un modulo di auto-attenzione adattiva all'interno della CNN per migliorare la rappresentazione delle caratteristiche catturando sia i pattern locali che le dipendenze globali.
3. Semplificazione del Modello: Una riduzione del numero totale di parametri addestrabili rispetto ai modelli pre-addestrati complessi, rendendo l'architettura più efficiente.
4. Gestione dello Squilibrio: L'applicazione di Borderline SMOTE al dataset Malimg per rafforzare la rappresentazione delle classi minoritarie e migliorare la robustezza della classificazione.
5. Valutazione Comprensiva: Un'analisi comparativa approfondita contro i modelli baseline dello stato dell'arte (SOTA), che dimostra prestazioni superiori.

Risultati Sperimentali
Il modello è stato valutato sul dataset di riferimento Malimg (9.366 immagini suddivise in 25 classi) e confrontato con quattro modelli di deep learning baseline: VGG-16, InceptionResNet-V2, EfficientNet-B2 e DenseNet-201.

• Prestazioni con BLS: Il proposto DLMC_Net, quando combinato con BLS, ha raggiunto metriche di prestazione eccezionali:
  • Accuratezza: 99,92%
  • Precisione: 99,92%
  • Recall: 99,92%
  • F1-Score: 99,91%
  • AUC: 99,96%
• Confronto: Questi risultati hanno superato significativamente tutti i modelli baseline, che hanno ottenuto accuratezze comprese tra il 91,42% e il 92,24%.
• Studio di Ablazione: Lo studio ha confermato la necessità di ogni componente. Una versione del modello senza BLS o senza il modulo di attenzione è scesa all'82,95% di accuratezza. L'aggiunta di BLS ha migliorato questo valore all'87,23%, e la piena integrazione del modulo di attenzione ha portato alla precisione finale del 99,92%. Ciò dimostra che la sinergia tra dati bilanciati e il meccanismo di attenzione è critica per una classificazione ad alte prestazioni.

Significatività e Rivendicazioni
Gli autori affermano che DLMC_Net fornisce una soluzione altamente efficace e affidabile per la classificazione su larga scala dei malware. La significatività del lavoro risiede nella sua capacità di superare i limiti sia del tradizionale rilevamento basato su firme sia degli approcci standard di deep learning attraverso:

• La gestione efficace del problema dello squilibrio delle classi che tipicamente affligge i dataset di malware.
• La cattura sia dei pattern strutturali locali che delle dipendenze contestuali globali attraverso l'architettura ibrida CNN-Attention.
• Il raggiungimento di un'accuratezza di classificazione quasi perfetta (99,92%) su un benchmark standard, suggerendo che può assistere efficacemente gli esperti di sicurezza nell'identificare diverse famiglie di malware.

Il documento conclude che il framework proposto è un approccio scalabile per applicazioni nel mondo reale e suggerisce lavori futuri riguardanti l'integrazione del Quantum Machine Learning (QML) per potenziare ulteriormente il potere di rappresentazione e l'efficienza computazionale.