🤖 machine learning

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

ThreatVisionAI is een hybride framework dat rauwe beeld-CNN's, wavelet-gebaseerde CNN's en Vision Transformers combineert om een state-of-the-art nauwkeurigheid in malwarefamilieclassificatie te bereiken door effectief complementaire ruimtelijke, frequentiedomein- en globale relationele kenmerken vast te leggen.

Oorspronkelijke auteurs: Allyson Taylor, Prashanth BusiReddyGari

Gepubliceerd 2026-07-07

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Allyson Taylor, Prashanth BusiReddyGari

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een enorme stapel vervalste bankbiljetten probeert te sorteren. Sommige zien er bijna identiek uit aan de echte, terwijl andere zijn aangepast met onzichtbare inkt of vreemde texturen die het blote oog niet gemakkelijk kan opmerken. Traditionele beveiligingsbewakers (oude antivirussoftware) controleren alleen een lijst met bekende serienummers. Als een nieuwe valse biljet nog niet eerder is gezien, laten ze het doorgaan.

Het artikel "ThreatVisionAI" stelt een nieuw, superintelligent sorteerteam voor om deze taak af te handelen. In plaats van alleen naar de serienummers te kijken, verandert dit team elk stukje malware (slechte computercode) in een grijswaardenfoto en gebruikt het drie verschillende "experts" om die foto tegelijkertijd te analyseren.

Hier is hoe de drie experts op het team werken, met behulp van eenvoudige analogieën:

De Drie Experts op het Team

De "Pixel Detective" (Raw-Image CNN):
- Wat het doet: Deze expert bekijkt de foto precies zoals hij is, pixel voor pixel. Het is als een detective die naar de vorm en kleur van een bankbiljet kijkt om te zien of de randen grillig zijn of dat er herhalende patronen zijn.
- Sterkte: Het is geweldig in het opsporen van lokale details en bekende vormen.
- Zwakte: Het mist soms subtiele verschillen als twee valse biljetten van een afstandje bijna hetzelfde lijken.
De "Texture Whisperer" (Wavelet-Based CNN):
- Wat het doet: Dit is de speciale innovatie van het artikel. Stel je voor dat je die bankbiljet door een speciaal filter haalt dat de afbeelding afbreekt in haar frequenties. Het scheidt de "gladde" delen van de "ruwe" delen en kijkt naar de horizontale, verticale en diagonale "korrel" van de afbeelding.
- Sterkte: Het kan minuscule, directionele texturen opsporen die de Pixel Detective mist. Het is alsof je de korrel van het papier kunt voelen om twee identiek uitziende valse biljetten van elkaar te onderscheiden. Het artikel vond dat deze expert cruciaal was om malwarefamilies te onderscheiden die voor het menselijk oog bijna identiek zijn.
De "Big Picture Observer" (Vision Transformer of ViT):
- Wat het doet: Terwijl de andere twee naar specifieke plekken kijken, doet deze expert een stap terug en bekijkt hij de gehele afbeelding in één keer. Het legt de verbanden tussen de linkerbovenhoek en de rechterbenedenhoek en begrijpt hoe verschillende delen met elkaar samenhangen op globaal niveau.
- Sterkte: Het begrijpt het "verhaal" van de hele afbeelding, niet alleen de individuele zinnen.

Hoe Ze Samenwerken

In plaats van één expert de uiteindelijke beslissing te laten nemen, gebruikt het team een "Weighted Soft Voting" systeem. Denk aan een jury:

De Pixel Detective krijgt 50% van de stem (het is de meest betrouwbare).
De Texture Whisperer krijgt 40% van de stem (het is erg goed in het opsporen van subtiele verschillen).
De Big Picture Observer krijgt 10% van de stem (het voegt een beetje extra context toe).

Ze combineren hun meningen om tot een definitieve beslissing te komen.

De Resultaten: Hoe Goed Ging Het?

Het team testte dit systeem op een beroemde dataset van malware-afbeeldingen genaamd Malimg, die ongeveer 9.500 afbeeldingen van 25 verschillende soorten schadelijke software bevat.

De Score: Het team behaalde een nauwkeurigheid van 98,01%. Dat betekent dat van de 100 nieuwe malware-afbeeldingen, ze de familie van de schadelijke software in 98 gevallen correct identificeerden.
De Overwinning: De "Texture Whisperer" (Wavelet) was de ster van de show. Het hielp het team om twee zeer vergelijkbare malwarefamilies (genaamd Swizzor.gen!E en Swizzor.gen!I) te onderscheiden waar de andere experts moeite mee hadden. Zonder dit frequentie-gebaseerde perspectief zou het team hen vaker hebben verward.

Het Eén Ding Dat Ze Niet Konden Oplossen

Het artikel geeft toe dat er één hardnekkig probleem is. Er zijn twee soorten malware, Autorun.K en Yuner.A, die in hun beeldvorming zo ongelooflijk vergelijkbaar zijn dat zelfs de beste menselijke experts ze niet van elkaar kunnen onderscheiden.

De AI deed haar uiterste best, maar bleef "Yuner.A" raden wanneer het eigenlijk "Autorun.K" was.
De onderzoekers gebruikten een tool genaamd Grad-CAM (die de delen van de afbeelding markeert waar de AI naar kijkt) en ontdekten dat de AI naar exact dezelfde plekken keek voor beide.
Conclusie: Dit was geen fout van de AI; het is een beperking van de data. De afbeeldingen zijn simpelweg te identiek.

De Keerzijde (Beperkingen)

Adversarial Attacks: Het artikel testte wat er gebeurt als iemand probeert de AI te misleiden door kleine, onzichtbare ruis toe te voegen aan de afbeelding (zoals een goochelaar met een trucje). De nauwkeurigheid van het systeem daalde aanzienlijk, wat aantoont dat het misleid kan worden als een aanvaller precies weet hoe het model werkt.
Oude Data: De testdata komt uit 2011. Hoewel de methode goed werkt op deze oude dataset, merken de auteurs op dat ze het nog niet op moderne, enorme datasets hebben getest.

Samenvatting

ThreatVisionAI is een hybride systeem dat niet alleen naar malware-afbeeldingen kijkt; het luistert naar de "textuur" en begrijpt de "globale structuur". Door deze drie verschillende manieren van kijken te combineren, sorteert het schadelijke software met een zeer hoge nauwkeurigheid, wat bewijst dat kijken naar de "frequentie" van een afbeelding net zo belangrijk is als het kijken naar de afbeelding zelf.

Technische Samenvatting: ThreatVisionAI

Probleemstelling

Traditionele methoden voor malwaredetectie, met name op handtekeningen gebaseerde systemen, hebben moeite met het generaliseren tegen geobfusceerde, polymorfe en zero-day dreigingen. Hoewel heuristische benaderingen bredere dekking bieden, lijden ze vaak aan een hoog aantal fout-positieven. Op afbeeldingen gebaseerde malwareclassificatie is een veelbelovend alternatief geworden door binaire bestanden om te zetten in visuele representaties om structurele relaties vast te leggen. Echter, bestaande deep learning-frameworks kampen met significante beperkingen:

Verlies van Frequentie-informatie: Standaard Convolutionele Neurale Netwerken (CNN's) en Vision Transformers (ViTs) opereren doorgaans uitsluitend in de pixelruimte. Door middel van pooling en strided convolutions worden hoogfrequente texturele details die cruciaal zijn voor het onderscheiden van nauw verwante malwarefamilies (bijv. visueel gelijkaardige varianten zoals Swizzor.gen!E en Swizzor.gen!I) weggefilterd.
Architecturale Tekortkomingen: Hoewel hybride modellen (bijv. LeViT-MC, ConvNeXt–Swin) CNN- en Transformer-takken combineren, ontbreekt een toegewijde frequentiedomein-tak. Bijgevolg blijven directionele texturele verschillen tussen families onbenut.
Interpreteerbaarheid: Veel AI-gestuurde frameworks missen duidelijke verklaringen voor de beslissingen van het model, waardoor analisten geen inzicht krijgen in waarom specifieke misclassificaties optreden.

Methodologie: ThreatVisionAI Framework

De auteurs stellen ThreatVisionAI voor, een hybride classificatieframework dat is ontworpen om complementaire ruimtelijke, frequentiedomein- en globale relationele kenmerken vast te leggen. De architectuur bestaat uit drie parallelle takken die onafhankelijk worden getraind en worden gefuseerd via gewogen soft voting:

1. Raw-Image CNN Tak

Input: Verwerkt grijswaarden malware-afbeeldingen (224 × 224) direct, die de byte-niveau visualisaties vertegenwoordigen.
Architectuur: Maakt gebruik van een ResNet-18 backbone die vanaf nul wordt getraind (geen ImageNet pretraining) om ruimtelijke kenmerken te leren van lage-niveau randen tot familiespecifieke structurele signaturen.
Functie: Legt lokale ruimtelijke patronen vast die inherent zijn aan de visuele structuur van het binaire bestand.

2. Wavelet-gebaseerde CNN Tak

Input: Verwerkt dezelfde afbeeldingen na een enkelvoudige 2D Haar wavelet decompositie. Dit transformeert de 224 × 224 afbeelding naar vier 112 × 112 coëfficiënt sub-banden:
- Approximation (cA): Laagfrequente inhoud.
- Details (cH, cV, cD): Hoogfrequente variaties in horizontale, verticale en diagonale richtingen.
Architectuur: Gebruikt een ResNet-18 backbone die is aangepast om vier-kanaals inputs te accepteren (gestapelde sub-banden).
Functie: Extraheert multi-schaal frequentiestructuren en directionele texturele cues die onzichtbaar zijn in de ruwe pixelruimte, wat helpt bij het scheiden van families met een vergelijkbare globale verschijning.

3. Vision Transformer (ViT) Tak

Input: Neemt dezelfde vier-kanaals wavelet-getransformeerde inputs als de Wavelet CNN.
Architectuur: Gebruikt een ViT-Tiny model (pre-trained op ImageNet-21k via timm). De patch projection layer is aangepast om vier kanalen te accepteren.
Functie: Modelleert langetermijn-afhankelijkheden over de gehele afbeelding met behulp van self-attention mechanismen, waarbij de globale context wordt gevangen die lokale convolutionele filters missen.

Fusiestrategie

Gewogen Soft Voting: In plaats van geleerde feature concatenatie, combineert het framework de 25-klasse waarschijnlijkheidsvectoren van elke tak via een gewogen som.
Gewichten: Bepaald via een uitgebreide grid search op de validatieset: 0.50 (Raw CNN), 0.40 (Wavelet CNN), en 0.10 (ViT).
Rationaal: Deze aanpak vereist geen extra trainbare parameters, behoudt transparantie in de bijdragen van de takken en mitigeert overfitting op kleine datasets.

Experimentele Opstelling en Resultaten

Het framework werd geëvalueerd op de Malimg dataset, die 9.465 grijswaardenafbeeldingen bevat van 25 malwarefamilies met een significante klasse-imbalans. De data werd gesplitst in 70/15/15 (train/validatie/test).

Prestatie-metrieken

Volledige Hybride Accuratesse: 98.01%
Gewogen F1 Score: 0.9742
Ablatie Inzichten:
- De Wavelet CNN alleen (0.9733 F1) presteerde beter dan de Raw CNN (0.9662 F1), wat de waarde van frequentiedomein-kenmerken aantoont.
- De ViT-tak alleen presteerde ondermaats (0.9492 F1), maar leverde een consistente, herhaalbare winst wanneer deze werd toegevoegd aan het CNN-ensemble, door bij te dragen met complementaire globale context.
- Het hybride model presteerde beter dan een twee-takken CNN+ViT ensemble (0.9692 F1), wat bevestigt dat frequentiedomein-kenmerken cruciaal zijn voor deze dataset.

Specifieke Verbeteringen

Swizzor Varianten: De Wavelet-tak verbeterde de discriminatie tussen visueel gelijkaardige families aanzienlijk. De F1 van Swizzor.gen!E steeg van 0.7368 naar 0.8571, en die van Swizzor.gen!I van 0.5263 naar 0.8276 vergeleken met de Raw CNN.
Foutanalyse (Grad-CAM): Het model classificeert Autorun.K consequent foutief als Yuner.A (F1 = 0.0000). Grad-CAM heatmaps toonden aan dat de visuele structuren en activatiepatronen voor deze twee families bijna identiek zijn, zelfs voor menselijke experts. De auteurs concluderen dat dit een fundamentele datasetbeperking is in plaats van een tekortkoming van het model.

Robuustheid en Efficiëntie

Adversariële Robuustheid: Onder Fast Gradient Sign Method (FGSM) white-box aanvallen, daalde de accuratesse significant (van 98.01% naar 7.84% bij $\epsilon=0.05$ ), wat wijst op kwetsbaarheid voor adversariële perturbaties.
Efficiëntie: Het volledige hybride model bevat 27.91M parameters en bereikt een inferentietijd van 5.4 ms per afbeelding op GPU, wat als operationeel acceptabel wordt beschouwd voor non-real-time scanning workflows.

Belangrijkste Bijdragen en Betekenis

Het papier claimt de volgende bijdragen:

Nieuwe Hybride Architectuur: Introductie van ThreatVisionAI, het eerste framework dat een toegewijde frequentiedomein (wavelet) tak integreert naast een ruimtelijke CNN en een globale context ViT voor malwareclassificatie.
Aantonen van de Waarde van Frequentiekenmerken: Ablatie-studies bevestigen dat wavelet-gebaseerde kenmerken meetbare winsten opleveren bij het onderscheiden van nauw verwante malwarefamilies die ruimtelijke filters alleen niet kunnen scheiden.
Interpreteerbaarheid: De toepassing van Grad-CAM biedt visueel bewijs dat systematische misclassificaties (specifiek Autorun.K vs. Yuner.A) worden gedreven door intrinsieke visuele gelijkenis tussen klassen, wat analisten een duidelijk begrip geeft van de beperkingen van het model.

Beperkingen en Toekomstig Werk

De auteurs erkennen expliciet verschillende beperkingen:

Dataset Omvang: De evaluatie is beperkt tot de Malimg dataset (verzameld in 2011), die de schaal en diversiteit van moderne malware-ecosystemen niet weerspiegelt. Generalisatie naar benchmarks zoals MaleVis of BIG2015 blijft ongetest.
Adversariële Kwetsbaarheid: Het model is kwetsbaar voor white-box aanvallen, en er is geen testen uitgevoerd tegen sterkere aanvallen (bijv. PGD) of dataset shifts.
Toekomstige Richtingen: De auteurs stellen toekomstig werk voor dat betrekking heeft op multi-dataset evaluatie, adversariële training, exploratie van alternatieve wavelet-bases, en de integratie van dynamische gedragssignalen voor een multi-modaal framework.