Resumo Técnico: Cutout de Saliência Guiado por CAM e Classificação de Malware Baseada em Imagem

Declaração do Problema

A classificação de malware baseada em imagem converte arquivos executáveis binários em imagens em tons de cinza para aproveitar Redes Neurais Convolucionais (CNNs) para análise. Embora as CNNs alcancem resultados de ponta neste domínio, o overfitting continua sendo uma preocupação. Dropout e Cutout são técnicas de regularização padrão para mitigar o overfitting; o Cutout especificamente mascara regiões espaciais aleatórias das imagens de treinamento para forçar o modelo a aprender com padrões visuais diversos, em vez de depender de um único recurso local.

A questão central de pesquisa deste artigo é se a regularização Cutout pode ser melhorada guiando a colocação da região mascarada usando Class Activation Mapping de Alta Resolução (HiResCAM). Especificamente, os autores investigam se remover regiões identificadas como "baixa saliência" (menos importantes para a predição do modelo) ou "alta saliência" (mais importantes) produz melhor desempenho de classificação em comparação ao Cutout aleatório padrão. Um objetivo secundário é determinar se os comportamentos observados em conjuntos de dados de imagens naturais (como o CIFAR-100) se traduzem para o domínio de malware, ou se as imagens de malware requerem tratamento distinto devido às suas diferenças estruturais em relação às imagens naturais.

Metodologia

O estudo emprega um design experimental controlado usando ResNet18 como arquitetura de base. Os experimentos são conduzidos em dois conjuntos de dados:

1. RawMal-TF: Um conjunto de dados de malware contendo 17 famílias com 1.000 amostras cada, convertidas em imagens padrão em tons de cinza.
2. CIFAR-100: Um conjunto de dados de imagens naturais usado como benchmark comparativo.

Condições Experimentais

Quatro cenários de treinamento são comparados:

1. Sem Cutout (No Cutout): O baseline usando as imagens de treinamento originais.
2. Cutout Aleatório (Random Cutout): Cutout padrão onde regiões quadradas são selecionadas aleatoriamente.
3. Cutout de Baixa Saliência (Low-Saliency Cutout): A região de cutout é selecionada de áreas com baixa ativação em um mapa de saliência HiResCAM gerado por um modelo "professor" (um ResNet18 sem cutout treinado nos mesmos dados).
4. Cutout de Alta Saliência (High-Saliency Cutout): A região de cutout é selecionada de áreas com alta ativação no mapa de saliência HiResCAM.

Detalhes de Implementação

• Modelo Professor: Um ResNet18 treinado sem cutout gera mapas de saliência HiResCAM para as imagens de treinamento.
• Aumentação: Para cada imagem original, $M$ cópias aumentadas são criadas ($M \in \{4, 8\}$). Cada cópia tem uma região quadrada mascarada (preenchida com preto).
• Áreas de Cutout: Os experimentos testam tamanhos de máscara cobrindo 5%, 10%, 20% e 30% da área da imagem.
• Lógica de Seleção: Para o cutout guiado por CAM, as janelas candidatas são pontuadas pelo nível médio de saliência. O método seleciona uma janela do percentil inferior de 10% (baixa saliência) ou do percentil superior de 10% (alta saliência) dos candidatos para garantir diversidade entre as $M$ cópias, em vez de sempre escolher o mínimo ou máximo absoluto.
• Configuração de Treinamento: 100 épocas, otimizador SGD, tamanho de lote (batch size) 128, taxa de aprendizado de 0.1 com agendamento de cosseno (cosine scheduling). Três sementes aleatórias (42, 43, 44) são usadas para avaliar a robustez. Os dados de validação nunca são mascarados.

Principais Resultados

Resultados RawMal-TF (Malware)

Os resultados para o conjunto de dados de malware são negativos em relação à utilidade do cutout guiado por saliência:

• Superioridade do Baseline: O baseline Sem Cutout (No Cutout) alcançou a maior média de melhor acurácia de validação (72,83% ± 0,16%).
• Degradação pelo Cutout: Todas as condições de cutout (Aleatório, Baixa Saliência e Alta Saliência) resultaram em acurácias de validação médias inferiores ao baseline.
  • Melhor Cutout Aleatório ($M=4$, área de 30%): 71,55%.
  • Melhor Cutout de Baixa Saliência ($M=4$, área de 30%): 71,43%.
  • Melhor Cutout de Alta Saliência: ~70,66%.
• Saliência vs. Aleatório: O cutout de baixa saliência mostrou resultados inconsistentes em comparação ao cutout aleatório, com diferenças variando de -0,56 a +0,46 pontos percentuais entre diferentes configurações. O cutout de alta saliência foi consistentemente pior que o aleatório, com déficits de até -2,00 pontos percentuais.
• Conclusão: A colocação guiada por saliência não melhorou a classificação de malware; de fato, a abordagem aleatória padrão teve um desempenho melhor do que as abordagens guiadas, embora ambas tenham sido inferiores à ausência de aumentação.

Resultados CIFAR-100 (Imagens Naturais)

Em contraste, o conjunto de dados de imagens naturais mostrou resultados positivos para estratégias específicas de saliência guiada:

• Baseline: A acurácia Sem Cutout foi de 62,65% ± 0,57%.
• Melhoria pela Baixa Saliência: O cutout de baixa saliência com $M=4$ e área de 10% alcançou 63,51% ± 0,36%, superando o baseline em 0,86 pontos percentuais e o respectivo cutout aleatório em 1,25 pontos percentuais.
• Degradação pela Alta Saliência: O cutout de alta saliência foi consistentemente prejudicial, apresentando desempenho significativamente pior do que tanto o baseline quanto o cutout aleatório em todas as configurações.
• Robustez: O cutout de baixa saliência permaneceu robusto mesmo conforme a área da máscara aumentava (20% e 30%), enquanto o desempenho do cutout aleatório e de alta saliência deteriorou-se rapidamente.

Contribuições Principais e Significância

A principal contribuição do artigo é a demonstração empírica de que o Cutout guiado por saliência é dependente de domínio.

1. Disparidade de Domínio: O estudo estabelece que técnicas eficazes para imagens naturais (especificamente o cutout de baixa saliência) não se transferem automaticamente para imagens de malware. No domínio de malware, as regiões de "baixa saliência" identificadas pelo HiResCAM não correspondem necessariamente a informações de fundo não críticas, como ocorre em imagens naturais.
2. Natureza das Imagens de Malware: Os autores argumentam que as imagens de malware são derivadas de sequências de bytes e estruturas binárias (ex: cabeçalhos PE, limites de seção). Uma máscara quadrada local em uma imagem de malware pode remover regiões de bytes contíguas que codificam informações estruturais críticas para a classificação da família, independentemente da intensidade do pixel ou do escore de saliência. Consequentemente, mascarar essas regiões (mesmo que consideradas de "baixa saliência" por um modelo professor) pode danificar a representação em vez de regularizá-la.
3. Risco da Alta Saliência: Os resultados confirmam que mascarar regiões de alta saliência é geralmente prejudicial em ambos os domínios, pois remove os recursos mais discriminativos dos quais o modelo depende.
4. Direção Futura: O artigo sugere que, para malware, as estratégias de mascaramento devem ser conscientes da estrutura (alinhadas com offsets binários, seções PE ou transições de entropia) em vez de depender apenas de mapas de saliência baseados em imagens derivadas de pressupostos de imagens naturais.

Limitações e Escopo

Os autores explicitamente notam várias limitações:

• Especificidade da Arquitetura: Os resultados baseiam-se apenas na ResNet18; o desempenho pode diferir com outras arquiteturas (ex: ViT, EfficientNet).
• Representação de Imagem: O estudo é limitado a imagens em tons de cinza; outras transformações binário-para-imagem não foram testadas.
• Poder Estatístico: Embora três sementes tenham sido usadas, o tamanho da amostra é pequeno, e os intervalos de confiança devem ser vistos como exploratórios.
• Orçamento Computacional: Os conjuntos de treinamento aumentados ($M=4$ ou $8$) envolvem mais exemplos de treinamento do que o baseline, o que significa que a comparação não é estritamente pareada em termos de passos do otimizador.

Em resumo, o artigo conclui que, embora o Cutout guiado por saliência possa melhorar a classificação de imagens naturais, ele atualmente não oferece benefício — e pode ser prejudicial — para a classificação de malware em tons de cinza, destacando a necessidade de estratégias de aumentação específicas para o domínio na análise de malware.