🤖 machine learning

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

O ThreatVisionAI é um framework híbrido que combina CNNs de imagens brutas, CNNs baseadas em wavelet e Vision Transformers para alcançar uma precisão de estado da arte na classificação de famílias de malware, capturando efetivamente características complementares espaciais, do domínio da frequência e de relações globais.

Autores originais: Allyson Taylor, Prashanth BusiReddyGari

Publicado 2026-07-07

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Allyson Taylor, Prashanth BusiReddyGari

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 está tentando separar uma pilha enorme de notas falsas. Algumas parecem quase idênticas às reais, enquanto outras foram alteradas com tinta invisível ou texturas estranhas que o olho nu não consegue detectar facilmente. Os seguranças tradicionais (antivírus antigos) apenas verificam uma lista de números de série conhecidos. Se uma nova nota falsa não tiver sido vista antes, eles a deixam passar.

O artigo "ThreatVisionAI" propõe uma nova equipe de triagem superinteligente para lidar com esse trabalho. Em vez de apenas olhar para os números de série, esta equipe transforma cada malware (código de computador malicioso) em uma imagem em tons de cinza e usa três "especialistas" diferentes para analisar essa imagem simultaneamente.

Aqui está como os três especialistas trabalham, usando analogias simples:

Os Três Especialistas da Equipe

O "Detetive de Pixels" (CNN de Imagem Bruta):
- O que ele faz: Este especialista olha para a imagem exatamente como ela é, pixel por pixel. É como um detetive olhando para o formato e a cor de uma cédula para ver se as bordas são irregulares ou se há padrões repetitivos.
- Força: É ótimo para detectar detalhes locais e formas familiares.
- Fraqueza: Às vezes, perde detalhes sutis se duas notas falsas parecerem quase iguais à distância.
O "Sussurrador de Texturas" (CNN Baseada em Wavelets):
- O que ele faz: Esta é a inovação especial do artigo. Imagine pegar essa cédula e passá-la por um filtro especial que decompõe a imagem em suas frequências. Ele separa as partes "suaves" das partes "rugosas" e observa o "grão" horizontal, vertical e diagonal da imagem.
- Força: Ele consegue detectar texturas direcionais minúsculas que o Detetive de Pixels deixa passar. É como ser capaz de sentir o grão do papel para distinguir duas notas falsas que parecem idênticas. O artigo descobriu que este especialista foi crucial para distinguir famílias de malware que parecem quase idênticas ao olho humano.
O "Observador do Panorama Geral" (Vision Transformer ou ViT):
- O que ele faz: Enquanto os outros dois olham para pontos específicos, este especialista recua e observa a imagem inteira de uma só vez. Ele conecta os pontos entre o canto superior esquerdo e o canto inferior direito, entendendo como diferentes partes da imagem se relacionam entre si globalmente.
- Força: Ele entende a "história" da imagem completa, não apenas as frases individuais.

Como Eles Trabalham Juntos

Em vez de deixar um único especialista tomar a decisão final, a equipe utiliza um sistema de "Votação Suave Ponderada" (Weighted Soft Voting). Pense nisso como um júri:

O Detetive de Pixels recebe 50% do voto (é o mais confiável).
O Sussurrador de Texturas recebe 40% do voto (é muito bom em detectar diferenças sutis).
O Observador do Panorama Geral recebe 10% do voto (ele adiciona um pouco de contexto extra).

Eles combinam suas opiniões para chegar a uma decisão final.

Os Resultados: Qual foi o Desempenho?

A equipe testou este sistema em um conjunto de dados famoso de imagens de malware chamado Malimg, que contém cerca de 9.500 imagens de 25 tipos diferentes de softwares maliciosos.

A Pontuação: A equipe alcançou 98,01% de precisão. Isso significa que, de cada 100 novas imagens de malware, eles identificaram corretamente a família do software malicioso 98 vezes.
A Vitória: O "Sussurrador de Texturas" (Wavelet) foi o jogador de destaque. Ele ajudou a equipe a distinguir entre duas famílias de malware muito semelhantes (Swizzor.gen!E e Swizzor.gen!I) que os outros especialistas tiveram dificuldade em separar. Sem essa visão baseada em frequência, eles a confundiriam com mais frequência.

A Única Coisa que Não Conseguiram Corrigir

O artigo admite que existe um problema persistente. Existem dois tipos de malware, Autorun.K e Yuner.A, que são tão incrivelmente parecidos em sua forma de imagem que nem mesmo os melhores especialistas humanos conseguem distingui-los.

A IA tentou o seu melhor, mas continuava prevendo "Yuner.A" quando na verdade era "Autorun.K".
Os pesquisadores usaram uma ferramenta chamada Grad-CAM (que destaca as partes da imagem que a IA está observando) e descobriram que a IA estava olhando para os mesmos pontos exatos para ambos.
Conclusão: Isso não foi um erro da IA; é uma limitação dos dados. As imagens são simplesmente idênticas demais.

A Ressalva (Limitações)

Ataques Adversários: O artigo testou o que acontece se alguém tentar enganar a IA adicionando um ruído minúsculo e invisível à imagem (como o truque de um mágico). A precisão do sistema caiu significamente, mostrando que ele pode ser enganado se um atacante souber exatamente como o modelo funciona.
Dados Antigos: Os dados de teste são de 2011. Embora o método funcione bem neste conjunto de dados antigo, os autores observam que ainda não o testaram em conjuntos de dados modernos e massivos.

Resumo

ThreatVisionAI é um sistema híbrido que não apenas olha para as imagens de malware; ele ouve a sua "textura" e compreende a sua "estrutura global". Ao combinar essas três formas diferentes de enxergar, o sistema classifica softwares maliciosos com uma precisão muito alta, provando que observar a "frequência" de uma imagem é tão importante quanto observar a própria imagem.

Resumo Técnico: ThreatVisionAI

Definição do Problema

Os métodos tradicionais de detecção de malware, particularmente os sistemas baseados em assinaturas, têm dificuldade em generalizar contra ameaças ofuscadas, polimórficas e de dia zero (zero-day). Embora as abordagens heurísticas ofereçam uma cobertura mais ampla, elas frequentemente sofrem com altas taxas de falsos positivos. A classificação de malware baseada em imagens emergiu como uma alternativa promissora ao converter arquivos binários em representações visuais para capturar relações estruturais. No entanto, os frameworks de aprendizado profundo existentes enfrentam limitações significativas:

Perda de Informação de Frequência: Redes Neurais Convolucionais (CNNs) e Vision Transformers (ViTs) padrão operam tipicamente exclusivamente no espaço de pixels. Através de pooling e convoluções com stride, eles descartam detalhes texturais de alta frequência que são cruciais para distinguir famílias de malware intimamente relacionadas (ex: variantes visualmente similares como Swizzor.gen!E e Swizzor.gen!I).
Lacunas Arquiteturais: Embora modelos híbridos (ex: LeViT-MC, ConvNeXt–Swin) combinem ramos de CNN e Transformer, eles carecem de um ramo dedicado ao domínio da frequência. Consequentemente, diferenças texturais direcionais entre famílias permanecem inexploradas.
Interpretabilidade: Muitos frameworks de IA carecem de explicações claras para as decisões do modelo, deixando analistas sem insights sobre por que classificações incorretas específicas ocorrem.

Metodologia: Framework ThreatVisionAI

Os autores propõem o ThreatVisionAI, um framework de classificação híbrido projetado para capturar características complementares espaciais, de domínio da frequência e de relação global. A arquitetura consiste em três ramos paralelos que são treinados independentemente e fundidos via votação suave ponderada (weighted soft voting):

1. Ramo CNN de Imagem Bruta (Raw-Image)

Entrada: Processa imagens de malware em tons de cinza (224 × 224) diretamente, representando visualizações de nível de byte.
Arquitetura: Utiliza um backbone ResNet-18 treinado do zero (sem pré-treinamento no ImageNet) para aprender características espaciais, desde bordas de baixo nível até assinaturas estruturais específicas da família.
Função: Captura padrões espaciais locais inerentes à estrutura visual do binário.

2. Ramo CNN Baseado em Wavelets

Entrada: Processa as mesmas imagens após uma decomposição de wavelet 2D de nível único de Haar wavelet. Isso transforma a imagem de 224 × 224 em quatro sub-bandas de coeficientes de 112 × 112:
- Aproximação (cA): Conteúdo de baixa frequência.
- Detalhes (cH, cV, cD): Variações de alta frequência nas direções horizontal, vertical e diagonal.
Arquitetura: Utiliza um backbone ResNet-18 modificado para aceitar entradas de quatro canais (sub-bandas empilhadas).
Função: Extrai estrutura de frequência multiescala e pistas texturais direcionais invisíveis no espaço de pixels bruto, auxiliando na separação de famílias com aparências globais semelhantes.

3. Ramo Vision Transformer (ViT)

Entrada: Recebe as mesmas entradas de quatro canais transformadas por wavelet do CNN de Wavelet.
Arquitetura: Emprega um modelo ViT-Tiny (pré-treinado no ImageNet-21k via timm). A camada de projeção de patches é adaptada para aceitar quatro canais.
Função: Modela dependências de longo alcance em toda a imagem usando mecanismos de autoatenção (self-attention), capturando o contexto global que filtros convolucionais locais perdem.

Estratégia de Fusão

Votação Suave Ponderada (Weighted Soft Voting): Em vez de concatenação de características aprendidas, o framework combina os vetores de probabilidade de 25 classes de cada ramo usando uma soma ponderada.
Pesos: Determinados via busca em grade exaustiva (grid search) no conjunto de validação: 0.50 (CNN Bruta), 0.40 (CNN de Wavelet) e 0.10 (ViT).
Racional: Esta abordagem não requer parâmetros treináveis adicionais, mantém a transparência nas contribuições dos ramos e mitiga o overfitting em conjuntos de dados pequenos.

Configuração Experimental e Resultados

O framework foi avaliado no dataset Malimg, contendo 9.465 imagens em tons de cinza através de 25 famílias de malware com desequilíbrio de classe significativo. Os dados foram divididos em 70/15/15 (treino/validação/teste).

Métricas de Desempenho

Acurácia Híbrida Total: 98,01%
F1 Score Ponderado: 0,9742
Insights de Ablação:
- A CNN de Wavelet sozinha (0,9733 F1) superou a CNN Bruta (0,9662 F1), demonstrando o valor das características de domínio da frequência.
- O ramo ViT sozinho teve desempenho inferior (0,9492 F1), mas proporcionou um ganho consistente e repetível quando adicionado ao ensemble de CNN, contribuindo com contexto global complementar.
- O modelo híbrido superou um ensemble de dois ramos CNN+ViT (0,9692 F1), confirmando que as características de domínio da frequência são críticas para este dataset.

Melhorias Específicas

Variantes Swizzor: O ramo de Wavelet melhorou significamente a discriminação entre famílias visualmente similares. O F1 de Swizzor.gen!E aumentou de 0,7368 para 0,8571, e o de Swizzor.gen!I de 0,5263 para 0,8276 em comparação com a CNN Bruta.
Análise de Falha (Grad-CAM): O modelo classificou consistentemente Autorun.K como Yuner.A (F1 = 0,0000). Mapas de calor Grad-CAM revelaram que as estruturas visuais e os padrões de ativação para essas duas famílias são quase idênticos, mesmo para especialistas humanos. Os autores concluem que isso é uma limitação fundamental do dataset, não uma deficiência do modelo.

Robustez e Eficiência

Robustez Adversária: Sob ataques white-box do método Fast Gradient Sign Method (FGSM), a acurácia caiu significativamente (de 98,01% para 7,84% em $\epsilon=0,05$ ), indicando vulnerabilidade a perturbações adversárias.
Eficiência: O modelo híbrido completo contém 27,91M de parâmetros e alcança um tempo de inferência de 5,4 ms por imagem em GPU, o que é considerado aceitável operacionalmente para fluxos de trabalho de varredura não em tempo real.

Principais Contribuições e Significância

O artigo reivindica as seguintes contribuições:

Arquitetura Híbrida Inovadora: Introdução do ThreatVisionAI, o primeiro framework que integra um ramo dedicado de domínio da frequência (wavelet) junto a uma CNN espacial e um ViT de contexto global para classificação de malware.
Demonstração do Valor de Características de Frequência: Estudos de ablação confirmam que as características baseadas em wavelet fornecem ganhos mensuráveis na distinção de famílias de malware intimamente relacionadas que filtros espaciais sozinhos não conseguem separar.
Interpretabilidade: A aplicação de Grad-CAM fornece evidência visual de que as classificações errôneas sistemáticas (especificamente Autorun.K vs. Yuner.A) são impulsionadas pela similaridade visual interclasse intrínseca, oferecendo aos analistas uma compreensão clara das limitações do modelo.

Limitações e Trabalhos Futuros

Os autores reconhecem explicitamente algumas limitações:

Escopo do Dataset: A avaliação é restrita ao dataset Malimg (coletado em 2011), que não reflete a escala ou diversidade dos ecossistemas de malware modernos. A generalização para benchmarks como MaleVis ou BIG2015 permanece não validada.
Vulnerabilidade Adversária: O modelo é vulnerável a ataques white-box, e nenhum teste contra ataques mais fortes (ex: PGD) ou mudanças de dataset foi realizado.
Direções Futuras: Os autores propõem trabalhos futuros envolvendo avaliação em múltiplos datasets, treinamento adversário, exploração de bases de wavelet alternativas e a integração de sinais comportamentais dinâmicos para um framework multimodal.