🤖 machine learning

SEED: Semi-supervised Continual MalwarE Detection for Tackling ConcEpt Drift on a BuDget

O artigo propõe o SEED, um framework de aprendizado contínuo semi-supervisionado que combina uma função objetivo de entropia cruzada binária adaptada com aprendizado ativo e decomposição em valores singulares para detectar efetivamente malware sob deriva de conceito com dados rotulados limitados, superando significativamente os métodos existentes de aprendizado contrastivo hierárquico em conjuntos de dados com estruturas semânticas fracas.

Autores originais: Suresh Kumar Amalapuram, Bikraj Shresta, Siva Ram murthy Chebiyam, Bheemarjuna Reddy Tamma, Sumohana S Channappayya

Publicado 2026-05-26

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Suresh Kumar Amalapuram, Bikraj Shresta, Siva Ram murthy Chebiyam, Bheemarjuna Reddy Tamma, Sumohana S Channappayya

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é um guarda de segurança em um aeroporto movimentado. Sua função é identificar os bandidos (malware) entre milhares de viajantes inocentes (aplicativos benignos).

O Problema: Os Criminosos "Camaleões"
O problema é que os bandidos mudam constantemente seus disfarces. Há um mês, um criminoso podia usar um chapéu vermelho; hoje, usa um azul. No mundo dos computadores, isso é chamado de Deriva de Conceito (Concept Drift). Se seu sistema de segurança foi treinado apenas com "chapéus vermelhos", ele perderá os "chapéus azuis" que aparecerem depois.

Para acompanhar, você precisa retreinar seu sistema de segurança todo mês. Mas há uma pegadinha: A rotulagem é cara e lenta. Para ensinar ao sistema como um "bandido" se parece, um especialista humano precisa inspecionar e rotular amostras manualmente. Você não pode arcar com o custo de contratar especialistas suficientes para rotular cada viajante individualmente. Você tem apenas um orçamento minúsculo para rotular alguns poucos.

O Jeito Antigo: A Armadilha do "Emparelhamento"
Métodos anteriores tentaram resolver isso usando uma técnica chamada Aprendizado Contrastivo. Imagine isso como um jogo de "Encontre o Gêmeo". O sistema tenta agrupar pessoas com aparência semelhante.

O Defeito: Esse jogo funciona muito bem se você tiver um álbum de fotos de todos rotulados corretamente. Mas se você tiver apenas algumas fotos rotuladas (o orçamento limitado), o sistema fica confuso. Ele tenta encontrar gêmeos entre estranhos e acaba agrupando pessoas inocentes com criminosos, ou vice-versa. O artigo mostra que, ao tentar usar esse método de "emparelhamento" com rótulos limitados, o desempenho do sistema de segurança cai significativamente.

A Nova Solução: SEED (O Casamenteiro Inteligente)
Os autores propõem um novo método chamado SEED. Pense no SEED não como um jogo de gêmeos, mas como um Casamenteiro Inteligente que usa um "Banco de Memória".

Veja como o SEED funciona em três etapas simples:

1. O "Banco de Memória" (Buffer)

O SEED mantém uma pequena coleção curada de exemplos passados (bons e ruins) em um banco de memória especial. Ele não os armazena aleatoriamente; organiza-os usando um truque matemático chamado SVD (Decomposição em Valores Singulares).

A Analogia: Imagine que o banco de memória é uma biblioteca. Em vez de guardar cada livro individualmente, o bibliotecário (SVD) cria um "mapa de resumo" das histórias mais importantes. Esse mapa é compacto, mas captura a essência de tudo o que aconteceu antes. Isso ajuda o SEED a lembrar do passado sem ficar sobrecarregado por muitos dados.

2. O "Casamenteiro" (Para Tarefas Vistas)

Quando um novo viajante não rotulado chega, o SEED não chuta. Em vez disso, ele projeta essa pessoa no "mapa de resumo" do Banco de Memória.

A Analogia: Ele pergunta: "Com quem da nossa história essa pessoa mais se parece?". Ele encontra a correspondência mais próxima no passado. Se a nova pessoa parecer muito semelhante a um criminoso conhecido do mês passado, o SEED a trata como criminosa também. Se parecerem a uma pessoa inocente conhecida, ele a trata como inocente.
O Benefício: Isso permite que o sistema aprenda com a maioria não rotulada conectando-a à minoria rotulada, sem precisar forçá-la a pares rígidos de "gêmeos".

3. O "Detector de Incerteza" (Para Tarefas Não Vistas)

Às vezes, um tipo completamente novo de criminoso aparece, que não se parece em nada com ninguém no Banco de Memória.

A Analogia: O SEED calcula o quão "confuso" ele está sobre essa nova pessoa. Se a pessoa estiver muito distante de todos no banco de memória (alta incerteza), o SEED a sinaliza.
A Ação: Ele diz ao especialista humano: "Não tenho certeza sobre este. Por favor, dê uma olhada e me diga se são bons ou ruins". Isso garante que o humano gaste seu orçamento limitado apenas nas amostras que realmente precisam de ajuda.

4. O Período de "Resfriamento" (Atualização Atrasada do Buffer)

Um dos maiores riscos na segurança são os Rótulos Ruidosos. Às vezes, até mesmo especialistas cometem erros, ou ferramentas automatizadas atribuem o rótulo errado. Se você colocar imediatamente um rótulo errado no seu Banco de Memória, o sistema aprende a lição errada e espalha esse erro para tarefas futuras.

A Analogia: O SEED introduz um período de "Resfriamento". Quando um novo rótulo é recebido, ele não vai direto para o Banco de Memória. Ele espera alguns meses (um atraso).
Por quê? Ao esperar, o sistema permite tempo para que o rótulo seja verificado ou para que a "verdade" se estabilize. Se um rótulo foi um erro, ele pode ser corrigido antes de ser armazenado. Isso impede que o sistema "envenene" sua própria memória com dados ruins.

Os Resultados: Por Que Isso Importa

O artigo testou o SEED em dados reais de sistemas Android e Windows.

A Vitória: Comparado aos antigos métodos de "Emparelhamento", o SEED foi muito melhor em pegar criminosos novos e não vistos, especialmente quando os especialistas humanos podiam rotular apenas uma pequena porcentagem (20%) dos dados.
A Melhoria: Em um conjunto de dados, o SEED melhorou a detecção em 40% em comparação com o método antigo quando os rótulos eram escassos. Em outro, melhorou em 14%.
A Robustez: Mesmo quando os rótulos eram ruidosos (cheios de erros), a estratégia de "Resfriamento" do SEED manteve o sistema estável, enquanto outros métodos colapsaram.

Em Resumo
O SEED é uma maneira mais inteligente de treinar guardas de segurança. Em vez de forçá-los a memorizar cada rosto individual (o que é caro demais), ele ajuda a conectar novos rostos a uma memória compacta e organizada do passado. Ele sabe quando pedir ajuda e espera para garantir que a ajuda seja precisa antes de atualizar sua memória. Isso mantém o sistema de segurança afiado, mesmo quando os criminosos continuam mudando seus disfarces.

Resumo Técnico: SEED - Detecção Contínua de Malware Semi-supervisionada

1. Declaração do Problema

Detectores de malware baseados em aprendizado de máquina enfrentam obsolescência significativa ao longo do tempo devido à deriva de conceito (concept drift), onde as propriedades estatísticas de aplicações benignas e maliciosas evoluem. Esse fenômeno exige adaptação contínua (Aprendizado de Mundo Aberto) enquanto mantém a estabilidade contra o esquecimento catastrófico de conhecimentos previamente aprendidos.

Um gargalo crítico na implantação de tais sistemas é o orçamento de rotulagem. No domínio de segurança, obter dados totalmente rotulados é árduo, caro e frequentemente pouco confiável devido às dinâmicas de rotulagem e atrasos na verificação. Embora métodos recentes do estado da arte (SOTA), como HCL (Aprendizado Contrastivo Hierárquico), aproveitem estruturas semânticas para lidar com a deriva, eles dependem fortemente de dados totalmente rotulados. Os autores observam que, quando o HCL é adaptado para configurações semi-supervisionadas (usando apenas rótulos parciais, denotado como HCL*), seu desempenho degrada-se significativamente, particularmente em conjuntos de dados que carecem de estruturas semânticas inerentes fortes (por exemplo, BODMAS e AndroZoo). Por exemplo, no conjunto de dados BODMAS, o HCL* cai de uma AUT (Área sob a Curva do Tempo) de 0,795 para 0,613 em comparação com sua contraparte totalmente supervisionada.

O artigo aborda o desafio de manter a detecção robusta de malware sob supervisão limitada e deriva de conceito, especificamente quando estruturas semânticas fortes estão ausentes ou quando os orçamentos de rotulagem são restritos.

2. Metodologia: SEED

O método proposto, SEED (Detecção Contínua de Malware Semi-supervisionada para Enfrentar Deriva de Conceito em Orçamento), é um framework de aprendizado contínuo semi-supervisionado que integra aprendizado ativo e uma estratégia de atualização de buffer atrasada. Ele opera em duas fases distintas: treinamento em "tarefas vistas" (parcialmente rotuladas) e "tarefas não vistas" (totalmente não rotuladas).

2.1 Treinamento com Tarefas Vistas (Dados Parcialmente Rotulados)

Para tarefas contendo amostras rotuladas ( $D^l_t$ ) e não rotuladas ( $D^u_t$ ), o SEED emprega um processo de duas etapas para aproveitar dados não rotulados sem depender de perda contrastiva:

Construção do Espaço de Representação via SVD: O método constrói um espaço de representação latente usando exemplares rotulados de tarefas passadas. Em vez de armazenar todas as representações brutas, aplica Decomposição em Valores Singulares (SVD) aos vetores latentes codificados para extrair vetores de base ortonormais. Isso reduz os custos de armazenamento e captura as características mais salientes dos dados.
Seleção de Exemplares e Aprendizado Pares: Para cada amostra não rotulada, o SEED projeta-a no espaço de representação baseado em SVD. Em seguida, calcula distâncias cosseno para encontrar o exemplar rotulado mais adequado (ou um grupo de exemplares) no buffer. Um mecanismo de limiar adaptativo seleciona a melhor correspondência com base na proporção atual de dados rotulados.
Função de Perda: Em vez de perda contrastiva, o SEED utiliza uma perda Cross-Entropy Binária (BCE) sob medida. Ela impõe similaridade representacional entre uma amostra não rotulada e sua contraparte rotulada selecionada no espaço latente.
Memória de Projeção de Gradiente (GPM): Para mitigar o esquecimento catastrófico, o SEED utiliza GPM. Os gradientes da tarefa atual são projetados ortogonalmente às direções de gradiente de tarefas anteriores (especificamente para classes de malware), garantindo que o aprendizado de novos recursos não interfira nas definições de malware previamente aprendidas.

2.2 Treinamento com Tarefas Não Vistas (Dados Totalmente Não Rotulados)

Ao encontrar tarefas sem rótulos, o SEED emprega uma estratégia de aprendizado ativo para transformar a tarefa em uma parcialmente rotulada:

Quantificação de Incerteza: O modelo calcula a incerteza das amostras não rotuladas medindo sua distância cosseno média para os grupos benignos e de malware armazenados no buffer.
Seleção Balanceada: Para evitar viés em direção à classe majoritária (benigna), o método seleciona amostras para rotulagem por analista com base em uma estratégia de classificação balanceada (selecionando amostras distantes ou próximas de grupos específicos para garantir representação de ambas as classes).
Transição: Uma vez que um subconjunto de amostras é rotulado por um analista de segurança, a tarefa é tratada como uma "tarefa vista" e processada usando a metodologia descrita na Seção 2.1.

2.3 Estratégia de Atualização de Buffer Atrasada

Para abordar o problema de ruído de rótulo (comum na rotulagem de segurança, onde veredictos iniciais podem estar incorretos ou instáveis), o SEED introduz uma atualização de buffer atrasada. Amostras recém-rotuladas não são adicionadas imediatamente ao buffer de replay. Em vez disso, são mantidas por um período de atraso fixo (por exemplo, 1, 3 ou 11 meses) para permitir que os rótulos se estabilizem (imitando a convergência de veredictos de antivírus de múltiplos motores). Isso impede que rótulos ruidosos se propaguem durante o processo de aprendizado baseado em replay.

3. Contribuições Principais

Identificação de Limitações no Aprendizado Contrastivo: O artigo demonstra que métodos de aprendizado contrastivo (como HCL) sofrem degradação significativa de desempenho em configurações semi-supervisionadas quando estruturas semânticas fortes estão ausentes, destacando a necessidade de abordagens alternativas.
Framework SEED: Um novo método de aprendizado contínuo semi-supervisionado que:
- Utiliza SVD para construir um espaço de representação robusto a partir de dados rotulados limitados.
- Substitui a perda contrastiva por uma abordagem de aprendizado de similaridade em pares usando perda BCE sob medida.
- Integra aprendizado ativo para selecionar amostras informativas de tarefas totalmente não rotuladas.
Mitigação de Ruído: A introdução de uma estratégia de atualização de buffer atrasada para mitigar os efeitos adversos do ruído de rótulo, mostrando robustez mesmo com altas taxas de ruído (até 80%).
Avaliação Abrangente: Experimentos extensivos em conjuntos de dados Windows (BODMAS) e Android (AndroZoo, APIGraph) demonstrando a eficácia do método sob orçamentos de rotulagem e níveis de ruído variados.

4. Resultados Experimentais

Os autores avaliaram o SEED contra baselines clássicas de aprendizado contínuo (EWC, A-GEM, MIR, CBRS) e métodos de aprendizado contrastivo (CADE, HCL, HCL*).

Desempenho no BODMAS (Windows): O SEED alcançou uma melhoria média de 40% na AUT (detecção de malware não visto) em comparação com o HCL* em orçamentos de rotulagem variados. Superou significativamente o HCL* (0,810 vs. 0,613) e o CADE.
Desempenho no AndroZoo (Android): O SEED mostrou uma melhoria média de 14% sobre o HCL* (0,855 vs. 0,780).
Desempenho no APIGraph (Android): Neste conjunto de dados, que possui estruturas semânticas fortes (chamadas de API), o SEED permaneceu competitivo com o HCL*, alcançando uma AUT de 0,930 em comparação com 0,948 do HCL*. Isso sugere que o SEED é versátil, performando bem mesmo quando estruturas semânticas existem, embora brilhe mais onde elas estão ausentes.
Robustez ao Ruído de Rótulo: Sob alto ruído de rótulo (até 80%), o SEED com a estratégia de buffer atrasado manteve desempenho estável (por exemplo, AUT(A) não visto em torno de 0,85–0,90 no AndroZoo), enquanto modelos treinados diretamente em rótulos ruidosos degradaram drasticamente.
Análise de Sensibilidade: O método mostrou melhorias consistentes com proporções de rotulagem mais altas, particularmente no BODMAS, e demonstrou que o limiar de 95% da SVD e as métricas de distância cosseno forneceram o desempenho mais estável.

5. Significado e Alegações

O artigo alega que o SEED fornece uma solução prática para detecção de malware em ambientes de mundo aberto com restrições de recursos, onde dados totalmente rotulados não estão disponíveis. Seu significado principal reside em:

Desacoplamento de Estrutura Semântica: Ao contrário de métodos contrastivos que exigem relações semânticas fortes para formar pares positivos/negativos, o SEED depende de projeção em um espaço de vetores de base, tornando-o eficaz em conjuntos de dados diversos, independentemente da estrutura inerente.
Eficiência de Orçamento: Aproveita efetivamente uma pequena fração de dados rotulados (por exemplo, 20%) para adaptar-se à deriva de conceito, reduzindo a dependência de rotulagem manual exaustiva.
Estabilidade contra Ruído: Ao reconhecer a natureza dinâmica dos rótulos de segurança, a estratégia de buffer atrasado oferece um mecanismo realista para lidar com ruído de rótulo sem modelagem de ruído complexa.

Os autores concluem que o SEED é robusto sob supervisão limitada, superando o aprendizado contrastivo na ausência de estrutura semântica forte, enquanto permanece competitivo quando tal estrutura está presente, oferecendo assim uma abordagem equilibrada para detecção contínua de malware.