Resumo Técnico: MAGMA – Um Framework Multi-Agente RAG de Consenso Estocástico para Detecção Robusta de Malware

1. Declaração do Problema

Os detectores de malware baseados em aprendizado profundo (DL) contemporâneos, embora dominantes, sofrem de uma vulnerabilidade crítica: cegueira semântica. Ao tratar código binário como dados estatísticos não estruturados (por exemplo, sequências de bytes brutos), esses modelos atuam como correspondentes de padrões estocásticos, carecendo de raciocínio semântico verdadeiro. Essa limitação manifesta-se como "Erroneidade Confiante", onde um modelo emite um veredito de alta confiança (por exemplo, >99% benigno) sobre uma amostra maliciosa simplesmente porque uma transformação adversarial (por exemplo, substituição de instruções, inserção de código morto) desloca a entrada para uma região esparsa do espaço de incorporação, cruzando o limite de decisão sem alterar a funcionalidade maliciosa subjacente.

Os sistemas atuais de última geração carecem de um mecanismo formal para quantificar a incerteza epistêmica (ignorância do modelo). Consequentemente, eles forçam decisões binárias mesmo quando as entradas estão fora da distribuição de treinamento, falhando em sinalizar casos anômalos para revisão humana e, em vez disso, cometendo erros automatizados catastróficos.

2. Metodologia: O Framework MAGMA

Os autores propõem o MAGMA (Análise de Malware Generativa Multi-Agente), um framework que reformula a detecção de correspondência de padrões estática para um processo probabilístico de coleta de evidências. A arquitetura desacopla a representação estrutural do raciocínio probabilístico através de quatro componentes principais:

A. Elevação de Duplo Fluxo

Para superar a opacidade semântica, o MAGMA eleva binários brutos para duas representações intermediárias paralelas e legíveis por humanos antes da vetorização:

1. Fluxo Sintático ($I_{ASM}$): Um mapeamento de desmontagem linear que produz instruções de assembly normalizadas. Isso captura dependências arquiteturais granulares, manipulações de registradores e constantes criptográficas frequentemente perdidas na descompilação de alto nível.
2. Fluxo Semântico ($I_{Code}$): Uma descompilação para código pseudo-C de alto nível. Isso abstrai detalhes específicos do compilador para isolar o Grafo de Fluxo de Controle (CFG), dependências de dados e sequências principais de APIs.
   Essas incorporações duplas são concatenadas para formar um vetor de consulta composto, garantindo que a ofuscação sintática (por exemplo, renomeação de registradores) não evite a detecção se a intenção semântica permanecer maliciosa, e vice-versa.

B. Geração Aumentada por Recuperação (RAG)

Em vez de confiar na memória paramétrica congelada de um Modelo de Linguagem de Grande Escala (LLM), o MAGMA consulta uma Base de Conhecimento Vetorial (KB) preenchida com Funções Críticas para Decisão (DCFs) verificadas e curadas por analistas.

• O sistema recupera os $k$-vizinhos mais próximos (DCFs) com base na similaridade cosseno no espaço latente.
• Esta etapa fundamenta o processo generativo em inteligência de ameaças conhecida, prevenindo alucinações e convertendo a tarefa de classificação em uma tarefa de avaliação de evidências.

C. Ensemble de Consistência Estocástica

Para sondar a estabilidade do processo de raciocínio, o MAGMA emprega um Ensemble de Agentes Homogêneos consistindo de $N$ instâncias idênticas de LLM.

• Amostragem Estocástica: Diferentemente da decodificação gulosa, os agentes operam com uma temperatura $T > 0$, forçando o modelo a explorar caminhos de raciocínio alternativos e de menor probabilidade.
• Raciocínio Independente: Cada agente avalia independentemente as DCFs recuperadas e o contexto de duplo fluxo para produzir um veredito binário (Malicioso/Benigno).
• Consenso: O sistema agrega essas saídas independentes para medir a estabilidade da previsão.

D. Métricas de Incerteza Quantificáveis

O framework deriva duas métricas complementares para quantificar a incerteza e orientar a tomada de decisão:

1. Força de Evidência Funcional (FES): Uma agregação ponderada da confiança de recuperação. Calcula a massa de probabilidade média atribuída à classe "Malicioso" em todos os agentes, escalada pelo peso de similaridade do contexto recuperado. Isso previne o "consenso alucinado", onde os agentes concordam com um veredito sem forte respaldo evidencial.
2. Pontuação de Conflito de Evidências (ECS): Definida como a entropia de Shannon da distribuição preditiva do ensemble.
   • ECS baixa ($\approx 0$) indica alto consenso (previsão estável).
   • ECS alta ($\approx 1$) indica desacordo significativo entre os agentes, sinalizando ambiguidade estrutural, perturbação adversarial ou entradas Fora de Distribuição (OOD).

E. Política de Decisão de Três Estados

O MAGMA substitui a classificação binária por uma política de três estados:

• Malicioso: Alta FES E Baixa ECS.
• Benigno: Baixa FES E Baixa ECS.
• Incerto (Rejeitar): Alta ECS (excedendo o limiar $\tau_{stable}$).
  Entradas marcadas como "Incertas" são automaticamente rejeitadas e roteadas para revisão por analista humano, impedindo que o sistema emita vereditos confiantes, mas errôneos, sobre amostras ambíguas.

3. Contribuições Principais

1. Arquitetura RAG de Duplo Fluxo: Um mecanismo inovador que mapeia assembly sintático e pseudo-código semântico para um espaço vetorial conjunto, fundamentando a inferência em uma KB curada de Funções Críticas para Decisão para mitigar a opacidade de redes neurais.
2. Atribuição Quantificável (FES): Introdução da métrica Força de Evidência Funcional, que pondera a influência dos contextos recuperados, transformando previsões de caixa-preta em cadeias de evidências auditáveis.
3. Auto-Consistência Estocástica: Modelagem da detecção de malware como um jogo de consenso probabilístico onde um ensemble multi-agente (com $T>0$) avalia evidências contra critérios adversariais para produzir uma distribuição preditiva limitada.
4. Rejeição Formalizada via Entropia: Definição da Pontuação de Conflito de Evidências (ECS) como um proxy para sensibilidade a perturbações adversariais, permitindo uma política de "opção de rejeição" principista que interrompe a classificação quando a incerteza epistêmica é muito alta.
5. Avaliação Extensiva: Testes abrangentes contra variantes altamente polimórficas e baselines estabelecidas (MalConv, ResNeXt+), demonstrando a eficácia da política de rejeição guiada por entropia.

4. Resultados Experimentais

O framework foi avaliado em um conjunto de dados de 40.814 binários (Benchmark Wild-Augmented), dividido temporalmente para evitar viés de previsão futura.

• Desempenho de Detecção: O MAGMA alcançou uma pontuação F1 de 98,4%, superando a baseline externa mais forte (ResNeXt+) em 1,3 pontos percentuais e o MalConv em 4,2 pontos percentuais.
• Redução de Erros: A imposição da política de rejeição guiada por entropia resultou em uma melhoria absoluta de 4,2% na precisão de detecção contra tentativas de evasão e uma redução de 4,0% na Taxa de Falsos Positivos (FPR) em comparação com baselines sem rejeição.
• Estudos de Ablação:
  • A incorporação de duplo fluxo sozinha alcançou 95,8% de F1, superando o MalConv.
  • Adicionar o ensemble de LLM ($N=5$) forneceu um aumento adicional de +2,6 pp, confirmando que a diversidade do ensemble resolve casos limítrofes que a recuperação sozinha não consegue.
  • Inferência zero-shot de LLM (sem RAG) performou mal (79,6% de F1), destacando a necessidade de fundamentação aumentada por recuperação.
• Calibração de Incerteza: Amostras mal classificadas exibiram valores de ECS significativamente mais altos ($\sim 0,84$) em comparação com previsões corretas ($\sim 0,13$), validando a ECS como um sinal eficaz para rejeição com intervenção humana.
• Latência: O pipeline completo média ~42 segundos por binário (dominado pela inferência de LLM), posicionando o MAGMA como uma Camada de Verificação em Nível 2 na Nuvem em vez de um scanner de endpoint em tempo real.

5. Significado e Alegações

O artigo afirma que o MAGMA aborda a assimetria fundamental na defesa contra malware, onde os defensores devem delimitar todas as variantes maliciosas, enquanto os atacantes precisam apenas de um caminho de evasão bem-sucedido. Ao mudar de correspondência de padrões determinística para verificação probabilística, o MAGMA quantifica explicitamente os pontos cegos do próprio modelo.

O significado reside na capacidade do sistema de:

• Identificar Ambiguidade Estrutural: Usar a maximização de entropia para detectar quando uma entrada está estruturalmente perturbada perto do limite de decisão, mesmo que a funcionalidade maliciosa seja preservada.
• Prevenir Erroneidade Confiante: Rejeitar automaticamente entradas ambíguas em vez de forçar uma decisão binária, reduzindo assim o risco de erros automatizados catastróficos.
• Preencher a Lacuna Semântica: Utilizar RAG para conectar o poder discriminativo das incorporações com as capacidades de raciocínio dos LLMs, fundamentando a análise em inteligência de ameaças verificada em vez de inferência zero-shot alucinada.

Os autores posicionam o MAGMA não como um substituto para motores de antivírus de endpoint de alto rendimento, mas como uma camada de verificação robusta de Nível 2 para amostras da "zona cinzenta" que evadem filtros de assinatura, mas carecem de indicadores comportamentais definitivos para sandboxing automatizado.