A Comparison of Malware Image Transformations Using Grad-CAM and Hybrid Learning Models

Resumo Técnico: Uma Comparação de Transformações de Imagens de Malware Usando Grad-CAM e Modelos de Aprendizado Híbrido

Definição do Problema
Embora a conversão de binários de malware em imagens 2-D tenha se mostrado eficaz para a detecção e classificação baseadas em aprendizado de máquina, o desempenho varia significativamente dependendo da técnica de transformação específica utilizada. Além disso, a explicabilidade e a interpretabilidade desses modelos baseados em imagens permanecem amplamente inexploradas no domínio do malware. Redes Neurais Profundas (DNNs) de alto desempenho frequentemente funcionam como "caixas pretas", limitando a confiança e a adoção por analistas em aplicações de segurança. Existe uma necessidade crítica de compreender como diferentes transformações de binário-para-imagem influenciam tanto a precisão da classificação quanto a estrutura das explicações de IA explicável (XAI), especificamente os Mapas de Ativação de Classe ponderados por Gradiente (Grad-CAM). Adicionalmente, não está claro se os padrões visuais gerados por ferramentas de XAI (mapas de calor) contêm informação estrutural suficiente para servir como uma representação secundária para tarefas de classificação.

Metodologia
A pesquisa utiliza o conjunto de dados RawMalTF, composto por 17.000 amostras de malware através de 17 famílias distintas. Cada amostra é convertida em oito representações de imagem distintas: Grayscale (Escala de Cinza), Entropy Hilbert, Byteclass Hilbert, Hybrid Image Transformation (HIT), Bigram Cartesian, Bigram Polar, Spiral e Byteclass.

O estudo emprega uma abordagem experimental multifacetada:

1. Arquitetura do Modelo: Uma Rede Neural Convolucional (CNN) MobileNetV2, inicializada com pesos do ImageNet, serve como a espinha dorsal para todos os experimentos de aprendizado profundo. A arquitetura inclui uma camada de Global Average Pooling seguida por uma cabeça de classificação densa. O treinamento envolve um processo de dois estágios: congelar a espinha dorsal para treinar a cabeça, seguido pelo ajuste fino (fine-tuning) dos 30% superiores das camadas da espinha dorsal.
2. Análise Grad-CAM: Mapas de calor Grad-CAM são gerados para cada amostra para visualizar as regiões que impulsionam as decisões de classificação. Esses mapas de calor são analisados qualitativa e quantitativamente.
3. Extração de Características de XAI: Os mapas de calor Grad-CAM são tratados como imagens de entrada. Características manuais (hand-crafted) são extraídas desses mapas, incluindo estatísticas de intensidade global, características de forma geométrica (momentos de Hu, excentricidade), Padrões Binários Locais (LBP) e Matrizes de Coocorrência de Níveis de Cinza (GLCM). Modelos de aprendizado de máquina clássicos (Random Forest, XGBoost, SVM) são treinados nesses vetores de características.
4. Pipelines Híbridos:
   • CNN em Sobreposições: CNNs são treinadas diretamente nas imagens de sobreposição Grad-CAM (imagem original mesclada com o mapa de calor).
   • CNN-HOG-XGBoost Híbrido: Embeddings de CNN (da camada penúltima) são concatenados com características de Histograma de Gradientes Orientados (HOG) extraídas das imagens de sobreposição, sendo alimentados em um classificador XGBoost.
   • Fusão de Características Progressiva: Embeddings são extraídos de modelos treinados tanto em imagens originais quanto em imagens de sobreposição para todas as oito transformações. Eles são concatenados em vetores de características de dimensionalidade crescente (256, 512 e 4096 dimensões) e classificados usando Random Forest.
5. Avaliação de XAI: O estudo compara Grad-CAM com HiResCAM. Ele avalia quantitativamente as explicações usando métricas de fidelidade (AUC de Deletion/Insertion, drop top20pct, concentração) e métricas de estabilidade (correlação de Spearman, MSE, SSIM, sobreposição Top-K) sob perturbações de entrada.

Principais Resultados

• Precisão vs. Transformação: O desempenho de classificação varia amplamente entre as transformações. A transformação Entropy Hilbert apresentou a maior precisão para um único modelo CNN (0,688), enquanto Byteclass Hilbert e Spiral tiveram o pior desempenho.
• Precisão vs. Explicabilidade: Um achado fundamental é que a precisão de classificação e a fidelidade da explicação não coincidem. Por exemplo, a transformação Bigram Polar produziu as explicações mais fiéis (maior pontuação de fidelidade), mas ocupou apenas o nível intermediário em precisão. Inversamente, o Grayscale alcançou alta precisão, mas baixa fidelidade. O Entropy Hilbert emergiu como a transformação mais equilibrada, desempenhando-se fortemente tanto em precisão quanto em fidelidade.
• Estabilidade vs. Fidelidade: Uma relação inversa foi observada entre fidelidade e estabilidade. Transformações com alta fidelidade (ex: Bigram Polar) exibiram menor estabilidade sob ruído, enquanto transformações altamente estáveis (ex: Byteclass, Grayscale) mostraram menor fidelidade.
• Desempenho Híbrido: Abordagens híbridas superaram consistentemente os modelos apenas de CNN. O pipeline CNN-HOG-XGBoost alcançou uma precisão de pico de 0,731 (usando imagens HIT).
• Fusão de Características: O resultado mais significativo foi alcançado combinando embeddings de todos os 16 modelos (imagens originais e de sobreposição para todas as oito transformações) em um vetor de características de 4096 dimensões. Um classificador Random Forest treinado neste vetor alcançou uma precisão de teste de 0,777, excedendo o benchmark anterior de 0,751 para este conjunto de dados.
• Grad-CAM vs. HiResCAM: Para a arquitetura MobileNetV2, o Grad-CAM e o HiResCAM produziram explicações efetivamente equivalentes na última camada convolucional, com diferenças de pixels negligenciáveis.
• Dificuldade de Família: Certas famílias (Noon, Androm, Agensla, Injuke) permaneceram difíceis de classificar em todos os experimentos, sugerindo semelhanças estruturais inerentes que são difíceis de distinguir usando apenas características de imagem.

Significância e Contribuições
Esta pesquisa fornece uma avaliação sistemática das compensações entre escolhas de transformação de imagem, precisão de classificação e qualidade de explicação. O artigo demonstra que:

1. Explicações como Dados: Mapas de calor Grad-CAM não são meramente ferramentas de visualização; eles preservam uma estrutura significativa de diferenciação de família e podem ser usados como entrada para classificação, às vezes melhorando o desempenho em relação às imagens originais.
2. Características Complementares: Combinar embeddings de aprendizado profundo com características manuais clássicas (HOG) e agregar representações através de múltiplos tipos de transformação produz uma precisão superior em comparação com abordagens de modelo único.
3. Desacoplamento de Métricas: Precisão, fidelidade e estabilidade são propriedades distintas. Otimizar uma não garante a otimização das outras, necessitando de uma abordagem equilibrada para aplicações de segurança prática onde tanto a correção quanto a robustez são exigidas.
4. Melhoria de Benchmark: Ao utilizar uma estratégia de fusão de características progressiva, o estudo estabelece um novo estado da arte de precisão (0,777) para o conjunto de dados de 17 famílias de malware, superando os benchmarks anteriores baseados apenas em características HOG.

O trabalho ressalta que, embora nenhuma transformação única domine todas as métricas, estratégias híbridas e a combinação estratégica de múltiplas representações oferecem um caminho viável para construir sistemas de classificação de malware que sejam simultaneamente precisos, interpretáveis e robustos.