技術概要: ThreatVisionAI

問題提起

従来のマルウェア検出手法、特にシグネチャベースのシステムは、難読化、ポリモーフィック、あるいはゼロデイ攻撃に対して汎用性を維持することに苦慮している。ヒューリスティックなアプローチはより広いカバー範囲を提供する一方で、高い偽陽性率に悩まされることが多い。画像ベースのマルウェア分類は、バイナリファイルを視覚的な表現に変換することで構造的関係を捉える有望な代替案として浮上している。しかし、既存のディープラーニング・フレームワークには以下のような重大な限界が存在する：

1. 周波数情報の喪失: 標準的な畳み込みニューラルネットワーク（CNN）やVision Transformer（ViT）は、通常、ピクセル空間のみで動作する。プーリングやストライド付き畳み込みを通じて、密接に関連するマルウェアファミリー（例：Swizzor.gen!E と Swizzor.gen!I のような視覚的に類似したバリアント）を区別するために極めて重要な高周波テクスチャの詳細が破棄されてしまう。
2. アーキテクチャの欠落: ハイブリッドモデル（例：LeViT-MC、ConvNeXt–Swin）はCNNとTransformerのブランチを組み合わせているが、専用の周波数ドメイン・ブランチを欠いている。その結果、ファミリー間の方向性のあるテクスチャの違いが活用されていない。
3. 解釈可能性: 多くのAI駆動型フレームワークは、モデルの決定に対する明確な説明を欠いており、アナリストに対してなぜ特定の誤分類が発生したのかという洞察を与えない。

手法: ThreatVisionAI フレームワーク

著者らは、空間的、周波数ドメイン的、およびグローバルな関係的特徴を補完的に捉えるように設計されたハイブリッド分類フレームワークである ThreatVisionAI を提案している。このアーキテクチャは、3つの並列ブランチで構成され、これらは独立して訓練された後、重み付きソフト投票によって融合される。

1. 生画像 CNN ブランチ

• 入力: バイトレベルの可視化を表すグレースケール・マルウェア画像（224 × 224）を直接処理する。
• アーキテクチャ: 低レベルのエッジからファミリー固有の構造的シグネチャまで、空間的特徴を学習するために、ImageNetの事前学習を行わず（事前学習なし）ゼロから訓練された ResNet-18 バックボーンを利用する。
• 機能: バイナリの視覚的構造に内在する局所的な空間パターンを捉える。

2. ウェーブレットベース CNN ブランチ

• 入力: 単一レベルの2D Haarウェーブレット分解 を適用した後の同一画像。これにより、224 × 224 の画像は4つの112 × 112 の係数サブバンドに変換される：
  • 近似 (cA): 低周波成分。
  • 詳細 (cH, cV, cD): 水平、垂直、および対角方向の高周波変動。
• アーキテクチャ: 4チャンネルの入力を受け入れるように修正された ResNet-18 バックボーンを使用する（サブバンドをスタックしたもの）。
• 機能: ピクセル空間では不可視な多スケールの周波数構造と方向性テクスチャのキューを抽出し、グローバルな外観が類似しているファミリーの分離を支援する。

3. Vision Transformer (ViT) ブランチャ

• 入力: ウェーブレットCNNと同じ4チャンネルのウェーブレット変換入力を受け取る。
• アーキテクチャ: timm を介して ImageNet-21k で事前学習された ViT-Tiny モデルを採用。パッチ投影層は4チャンネルを受け入れるように適応されている。
• 機能: 自己注意（self-attention）メカニズムを用いて画像全体の長距離依存関係をモデル化し、局所的な畳み込みフィルタが逃してしまうグローバルなコンテキストを捉える。

融合戦略

• 重み付きソフト投票: 学習された特徴量の連結ではなく、各ブランチの25クラスの確率ベクトルを重み付き和を用いて結合する。
• 重み: 検証セットにおける網羅的なグリッドサーチによって決定：0.50 (Raw CNN)、0.40 (Wavelet CNN)、および 0.10 (ViT)。
• 根拠: このアプローチは追加の学習パラメータを必要とせず、ブランチの貢献度における透明性を維持し、小規模なデータセットに対する過学習を軽減する。

実験設定と結果

フレームワークは、深刻なクラス不均衡を持つ25のマルウェアファミリーを含む Malimg データセット（9,465枚のグレースケール画像）を用いて評価された。データは 70/15/15 (訓練/検証/テスト) に分割された。

パフォーマンス指標

• フルハイブリッド精度: 98.01%
• 加重F1スコア: 0.9742
• アブレーションによる洞察:
  • Wavelet CNN 単体（F1: 0.9733）は Raw CNN（F1: 0.9662）を上回り、周波数ドメインの特徴の価値を実証した。
  • ViT ブランチ単体（F1: 0.9492）はパフォーマンスが低かったが、CNNアンサンブルに加えることで一貫して再現性のある利得を提供し、補完的なグローバルコンテキストに寄与した。
  • ハイブリッドモデルは、2ブランチの CNN+ViT アンサンブル（F1: 0.9692）よりも優れた性能を示し、周波数ドメインの特徴がこのデータセットにおいて極めて重要であることを裏付けた。

具体的な改善点

• Swizzor バリアント: Wavelet ブランチは、視覚的に類似したファミリー間の識別を大幅に改善した。Raw CNN と比較して、Swizzor.gen!E の F1 は 0.7368 から 0.8571 へ、Swizzor.gen!I は 0.5263 から 0.8276 へ向上した。
• 失敗分析 (Grad-CAM): モデルは Autorun.K を Yuner.A と一貫して誤分類した（F1 = 0.0000）。Grad-CAM ヒートマップは、これら2つのファミリーの視覚的構造と活性化パターンが、人間の専門家にとってもほぼ同一であることを明らかにした。著者らは、これはモデルの欠陥ではなく、データセット自体の根本的な限界であると結論付けている。

堅牢性と効率性

• 敵対的堅牢性: Fast Gradient Sign Method (FGSM) ホワイトボックス攻撃下において、精度は大幅に低下し（98.01% から $\epsilon=0.05$ において 7.84% へ）、敵対的摂動に対する脆弱性を示した。
• 効率性: フルハイブリッドモデルは 27.91M パラメータ を含み、GPU 上で 5.4 ms/画像 の推論時間を達成しており、これは非リアルタイムのスキャニング・ワークフローにおいて運用可能なレベルであるとみなされる。

主な貢献と意義

本論文は以下の貢献を主張している：

1. 新規ハイブリッドアーキテクチャ: マルウェア分類のために、空間的 CNN とグローバルコンテキスト ViT と並んで、専用の周波数ドメイン（ウェーブレット）ブランチを統合した初のフレームワークである ThreatVisionAI を導入した。
2. 周波数特徴の価値の実証: アブレーション研究により、ウェーブレットベースの特徴が、空間フィルタだけでは分離できない密接に関連するマルウェアファミリーを区別するための測定可能な利得を提供することが確認された。
3. 解釈可能性: Grad-CAM の適用により、系統的な誤分類（具体的には Autorun.K 対 Yuner.A）が、クラス間の固有の視覚的類似性に起因することを視覚的な証拠とともに示し、モデルの限界に対する明確な理解をアナリストに提供した。

限界と今後の課題

著者らは以下の限界を明示的に認めている：

• データセットの範囲: 評価は 2011 年に収集された Malimg データセットに限定されており、現代のマルウェアエコシステムの規模や多様性を反映していない。MaleVis や BIG2015 といったベンチマークへの汎用性は未検証である。
• 敵対的脆弱性: モデルはホワイトボックス攻撃に対して脆弱であり、より強力な攻撃（例：PGD）やデータシフトに対するテストは行われていない。
• 今後の方向性: 著者らは、マルチデータセット評価、敵対的学習、代替ウェーブレット基底の探索、および動的な行動信号を統合したマルチモーダルフレームワークへの発展を今後の課題として提案している。