Resumo Técnico: Um Framework Baseado em Descompilação para Detecção de Malware com Grandes Modelos de Linguagem

Declaração do Problema

Os métodos tradicionais de detecção de malware baseados em assinaturas são cada vez mais ineficazes contra novas variantes de malware que utilizam ofuscação avançada, transformações polimórficas e vetores de ataque inéditos. Embora a Inteligência Artificial (IA) e os Grandes Modelos de Linguagem (LLMs) tenham mostrado promessa na compreensão de código e análise semântica, sua aplicação direta em código executável descompilado para classificação de malware permanece uma fronteira subexplorada. Estudos anteriores frequentemente dependem de conjuntos de dados hipotéticos ou carecem de aplicabilidade no mundo real, e as abordagens existentes da indústria frequentemente carecem de transparência metodológica. Além disso, há uma necessidade crítica de determinar se os LLMs podem substituir ou complementar robustamente o software antivírus tradicional em ambientes de produção, particularmente dada a rápida evolução dos padrões de codificação maliciosa.

Metodologia

Os autores propõem um pipeline automatizado que faz a ponte entre a análise de binários de baixo nível e a compreensão semântica de alto nível, combinando ferramentas de engenharia reversa com LLMs de última geração.

1. Pipeline de Descompilação: O sistema utiliza o desassemblador Ghidra para descompilar binários executáveis do Windows em código C legível por humanos. Esta representação intermediária serve como entrada para os LLMs.
2. Construção do Conjunto de Dados:
   • Conjunto de Dados de Linha de Base (Baseline): Derivado do livro Malware Data Science (2017), compreendendo 240 amostras de malware do tipo "Backdoor" e 365 amostras benignas. Um subconjunto foi selecionado para garantir que o texto descompilado não excedesse os limites de tokens do LLM.
   • Conjunto de Dados Contemporâneo: Compilado em 2025 a partir do Malware Bazaar, contendo 120 novas amostras de malware distribuídas em 49 famílias (ex: LummaStealer, XWorm) e 28 drivers de sistema benignos. O conjunto benigno foi intencionalmente selecionado por possuir interações de baixo nível no kernel "semelhantes a malware" para criar uma fronteira de classificação desafiadora.
3. Estratégia de Classificação:
   • Engenharia de Prompt: Um prompt zero-shot padronizado foi projetado para instruir o LLM a agir como um especialista em cibersegurança, analisar o código C em busca de funções/APIs suspeitas, aplicar regras (ex: YARA) e gerar uma saída booleana JSON estrita (True/False).
   • Avaliação do Modelo: Diversos LLMs "vanilla" (pré-treinados) (Llama 3.3 70B, Codestral, Claude 3.7 Sonnet, Gemini 2.5 Pro) foram avaliados contra o conjunto de dados de linha de base.
   • Ajuste Fino (Fine-Tuning): O melhor modelo vanilla (Gemini 2.5 Pro) foi submetido a um ajuste fino supervisionado em um subconjunto selecionado de 200 amostras (100 menores malwares, 100 menores benignos) usando o Google Cloud Vertex AI ao longo de 40 épocas.
4. Protocolos de Segurança: Toda a análise foi conduzida em máquinas virtuais isoladas e air-gapped, com armazenamento criptografado e reversão de snapshots para evitar a propagação de malware.

Resultados Principais

A avaliação comparou LLMs vanilla, um LLM com ajuste fino e um classificador XGBoost tradicional treinado em características de análise estática.

• Desempenho de LLMs Vanilla: No conjunto de dados de linha de base de 2017, os LLMs vanilla mostraram potencial, mas foram inconsistentes. O Gemini 2.5 Pro emergiu como o candidato mais forte com 80,1% de precisão, superando outros LLMs, mas ainda ficando atrás do classificador XGBoost, que alcançou 98,5% de precisão no mesmo conjunto de dados conhecido.
• Impacto do Ajuste Fino (Fine-Tuning): Quando avaliado no Conjunto de Dados Contemporâneo de 2025, o modelo Gemini 2.5 Pro com ajuste fino superou significativamente seu homólogo vanilla e o modelo XGBoost tradicional.
  • LLM com Ajuste Fino: Alcançou 83,2% de precisão (accuracy), 94,4% de precisão (precision) e 84,2% de recall.
  • LLM Vanilla: Caiu para 64,2% de precisão (accuracy) nos novos dados.
  • Classificador XGBoost: O desempenho degradou significativamente para 74,3% de precisão (accuracy), destacando a fragilidade dos modelos tradicionais ao enfrentar ameaças em evolução não presentes em seus dados de treinamento.
• Generalização: O estudo demonstra que, embora os LLMs vanilla lutem contra novas ameaças, um modelo especializado e ajustado pode generalizar melhor do que os métodos tradicionais de análise estática contra famílias de malware emergentes.

Significância e Alegações

O artigo postula que a análise impulsionada por descompilação representa uma nova fronteira viável para a detecção automatizada de ameaças, desde que condições específicas sejam atendidas:

1. Necessidade de Ajuste Fino: A principal contribuição é a demonstração de que o ajuste fino em dados específicos do domínio e curados é essencial. Os modelos vanilla, apesar de sua compreensão geral de código, não são robustos o suficiente para substituir o software antivírus tradicional sem treinamento especializado.
2. Adaptabilidade vs. Fragilidade: Os resultados destacam um trade-off crítico: modelos de aprendizado de máquina tradicionais (como o XGBoost) são altamente precisos em dados conhecidos, mas frágeis contra novas ameaças, enquanto LLMs com ajuste fino oferecem maior adaptabilidade a padrões de codificação e comportamentos em evolução.
3. Requisito de Evolução Contínua: O artigo afirma explicitamente que mesmo modelos especializados degradam ao encontrar malwares mais recentes. Portanto, manter a eficácia do modelo requer ajuste fino contínuo com ameaças emergentes para acompanhar as mudanças nos comportamentos maliciosos.
4. Implantação Prática: Ao utilizar amostras de malware autênticas e abordar as restrições de limite de tokens através da seleção de amostras, o trabalho vai além de cenários hipotéticos para demonstrar aplicabilidade prática em configurações relevantes para a produção.

Os autores concluem que, embora os LLMs ainda não sejam um substituto completo para as stacks de segurança existentes, eles oferecem uma camada de detecção poderosa e adaptável que, quando combinada com o retreinamento contínuo, pode abordar as limitações dos métodos de análise estática e baseados em assinatura. Trabalhos futuros sugerem a integração de traços de execução dinâmica e a exploração de pré-treinamento específico do domínio para aumentar ainda mais a confiabilidade e a explicabilidade.