Leveraging Interpretable Tsetlin Machine for PDF Malware Detection

Resumo Técnico: Aproveitando a Máquina de Tsetlin Interpretável para Detecção de Malware em PDF

Declaração do Problema
O Formato de Documento Portátil (PDF) é um padrão dominante para a troca de documentos digitais devido à sua independência de plataforma e rica funcionalidade. No entanto, essas capacidades, incluindo objetos incorporados, JavaScript e ações interativas, tornaram os PDFs um vetor de ataque primário para ataques cibernéticos. Agentes maliciosos exploram esses recursos para entregar payloads para roubo de credenciais, instalação de spyware e comprometimento de sistemas. Os métodos de detecção tradicionais enfrentam desafios significativos: abordagens baseadas em assinaturas falham contra ameaças de dia zero (zero-day), enquanto classificadores de aprendizado de máquina (ML) padrão e baseados em anomalias operam frequentemente como "caixas pretas", carecendo de interpretabilidade intrínseca. Embora existam ferramentas de explicabilidade post-hoc (ex: SHAP, LIME), elas oferecem explicações aproximadas em vez de revelar a lógica de decisão subjacente. Além disso, a rápida evolução das técnicas de ataque exige sistemas de detecção que sejam não apenas precisos, mas também computacionalmente eficientes e transparentes.

Metodologia
O artigo propõe um novo framework utilizando a Máquina de Tsetlin (TM), um modelo de ML interpretável e baseado em regras que aprende cláusulas lógicas legíveis por humanos. A metodologia procede através das seguintes etapas:

1. Extração de Características Estáticas: O framework extrai 42 características salientes diretamente de arquivos PDF sem execução. Essas características incluem elementos estruturais (ex: xref, trailer, stream), propriedades de metadados (ex: pdfsize, metadata size) e indicadores de conteúdo (ex: JS, JavaScript, OpenAction, isEncrypted).
2. Pré-processamento de Dados: Os dados brutos passam por limpeza, incluindo a remoção de amostras duplicadas e o tratamento de desequilíbrio de classes via subamostragem aleatória (undersampling). As características são normalizadas usando escala min-max e, em seguida, binarizadas usando KBinsDiscretizer para convertê-las em entradas binárias adequadas para o aprendizado de lógica proposicional.
3. Treinamento da Máquina de Tsetlin: O modelo TM aprende uma coleção de cláusulas conjuntivas. Cada cláusula consiste em uma conjunção de literais selecionados (características) e suas negações. O modelo agrega votos dessas cláusulas, ponderados por polaridade (+1 ou -1), para classificar um documento como benigno ou malicioso. O treinamento utiliza validação cruzada k-fold para garantir robustez.
4. Mecanismo de Interpretabilidade: Diferente de modelos de caixa preta, a TM fornece interpretabilidade intrínseca. As decisões de classificação são explicadas através de:
   • Mapas de Calor de Ativação de Cláusulas: Visualização de quais regras lógicas foram acionadas para uma amostra específica.
   • Análise de Votos de Classe: Quantificação da evidência (votos) que apoia uma classe específica.
   • Contribuição ao Nível de Característica: Identificação de quais características específicas impulsionaram a decisão, distinguindo entre aquelas que apoiam ou suprimem uma classificação.

Principais Contribuições

• Design do Framework: O desenvolvimento de um framework baseado em TM especificamente adaptado para a detecção de malware em PDF usando o conjunto de dados RIT-PDFMal-2026.
• Benchmarking de Desempenho: Uma avaliação numérica abrangente comparando a TM proposta contra sete classificadores de ML convencionais (Árvore de Decisão, Random Forest, KNN, Naive Bayes, Regressão Logística, XGBoost e LightGBM).
• Análise de Interpretabilidade: Uma demonstração detalhada do processo de tomada de decisão do modelo através de cláusulas aprendidas e contribuições de características, oferecendo insights transparentes sobre como documentos benignos e maliciosos são distinguidos.

Resultados Experimentais
O framework foi avaliado no conjunto de dados RIT-PDFMal-2026, que contém 24.337 amostras (13.235 benignas e 11.102 maliciosas) através de 42 características. Após o pré-processamento (remoção de duplicatas e balanceamento do conjunto de treinamento), os resultados foram os seguintes:

• Acurácia: A TM proposta alcançou uma acurácia de 98,02%. Este desempenho é competitivo com, e em algumas métricas comparável a, métodos de ensemble de última geração como Random Forest (98,28%), XGBoost (97,37%) e LightGBM (97,30%).
• Precisão, Recall e F1-Score: A TM atingiu uma precisão média macro de 96,03%, recall de 95,95% e F1-score de 95,99%, demonstrando um desempenho equilibrado entre ambas as classes.
• Eficiência: Em termos de tempo de inferência, a TM exigiu 2,853 µs por amostra. Isso é significativamente mais rápido que Random Forest (3,901 µs) e LightGBM (15,274 µs), embora ligeiramente mais lento que Árvores de Decisão e Regressão Logística.
• Estudos de Caso de Interpretabilidade: O artigo ilustra que o modelo classifica corretamente as amostras ao agregar votos de cláusulas ativadas. Por exemplo, em uma amostra benigna classificada corretamente, a classe benigna recebeu uma pontuação de voto de 10, impulsionada por características como isEncrypted e Encrypt. Inversamente, as classificações incorretas foram analisadas, revelando que a sobreposição de características entre amostras benignas e maliciosas pode ocasionalmente levar a uma agregação de votos incorreta.

Significância e Alegações
O artigo afirma que o framework proposto oferece uma solução prática para a detecção de malware em PDF, equilibrando com sucesso três fatores críticos: desempenho de detecção competitivo, eficiência computacional e interpretabilidade intrínseca.

Os autores enfatizam que, ao contrário dos classificadores de ML convencionais que exigem ferramentas de explicação post-hoc, a TM fornece inerentemente uma lógica transparente e legível por humanos. Essa transparência aumenta a confiabilidade do sistema de detecção, um requisito crucial para aplicações de cibersegurança onde entender por que um arquivo foi sinalizado é tão importante quanto a própria sinalização. O estudo conclui que, embora o trabalho atual seja limitado a um único conjunto de dados público e estudos de caso representativos, o framework TM representa uma direção promissora para pesquisas futuras em IA explicável para cibersegurança. O trabalho futuro proposto visa validar a interpretabilidade através de estudos com usuários e estender a avaliação para diversas famílias de malware.