💻 computer science

Transparent Malware Detection With Granular Assembly Flow Explainability via Graph Neural Networks

本文提出了一种新颖的恶意软件检测框架，该框架利用汇编流图（AFG）和元粗化（Meta-Coarsening）方法，使图神经网络（GNNs）能够在 CIC-DGG-2025 数据集上实现高推理性能与细粒度、透明的可解释性。

原作者： Griffin Higgins, Roozbeh Razavi-Far, Hossein Shokouhinejad, Ali A. Ghorbani

发布于 2026-02-02

📖 1 分钟阅读☕ 轻松阅读

原作者： Griffin Higgins, Roozbeh Razavi-Far, Hossein Shokouhinejad, Ali A. Ghorbani

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

核心问题： “黑盒”侦探

想象一下，你雇佣了一名超级聪明的保安（AI），他可以通过观察一个计算机程序，瞬间判断出它是病毒（恶意软件）还是安全的程序。这位保安非常称职。然而，问题在于：他不会告诉你为什么做出那个判断。

如果保安说：“这个文件很危险，”你可能会问：“为什么？是因为它在窃取密码的部分吗？还是因为它在删除文件的部分？”保安只会耸耸肩。在网络安全领域，这是非常危险的。如果你不知道为什么某个东西被标记为异常，你就无法信任这位保安，也无法有效地解决问题。

解决方案：一张新地图 (AFG)

这篇论文的作者想要打造一位不仅能抓捕病毒，还能直接指着那行导致问题的代码进行指控的保安。为了实现这一目标，他们创造了一种观察计算机程序的新方式，称为汇编流图 (Assembly Flow Graph, AFG)。

旧方法 (CFG)： 想象程序是一张由城市（基本块/Basic Blocks）组成的地图。你可以看到连接城市的道路，但你看不到城市内部的每一栋房子。如果 AI 说“城市 X 很坏”，你并不知道城市 X 里的哪栋房子才是罪犯。
新方法 (AFG)： 作者放大了视野。他们将地图进行了缩放，使每一条指令（每一栋房子）都成为了地图上的一个节点。现在，AI 可以看到整个街区，甚至精确到每一块砖头。这实现了细粒度的解释——能够精准地指向引起怀疑的具体指令。

挑战：地图太大了

问题在于：一个计算机程序是非常庞大的。如果你画出一张包含每一条指令的地图，它会变成一个由数百万个点和线组成的巨大、纠缠不清的网络。试图用计算机分析这个巨大的网络，就像是戴着厚厚的隔热手套去解一个拥有十亿块拼图碎片的谜题。这既耗时，又会导致计算机崩溃。

窍门：“元粗糙化” (缩放射线)

为了解决“规模过大”的问题，作者发明了一种叫做元粗糙化 (Meta-Coarsening) 的方法。你可以把它想象成地图的“缩放射线”。

第一步：草图绘制 (粗糙化 CFG)： 首先，他们把巨大的地图进行处理，将城市组合在一起，形成“超级城市”。他们把地图缩小到一个易于处理的大小。这种处理速度快且容易执行。
第二步：侦探工作： 他们在缩小后的地图上运行 AI 侦探。AI 会找到看起来可疑的“超级城市”。
第三步：放大回溯 (Backtracking)： 一旦 AI 指向了一个“超级城市”，作者就会使用特殊的地图密钥来“取消缩小”该部分的比例。他们会放大回到原始的巨大地图中，去查看该超级城市内究竟是哪些具体的指令（房子）才是罪魁祸首。

这就像是一名侦探先通过卫星照片观察整个国家，找到一个坏社区，然后使用高倍望远镜对准那个特定的社区进行放大，从而逮捕确切的罪犯。

结果：他们发现了什么？

团队在一个大型计算机程序数据集上测试了这种方法。结果如下：

有效性： 即使在缩小了地图后，AI 仍然能够区分好程序和坏程序。事实上，稍微缩小一点地图反而有助于 AI 更好地进行泛化（就像眯起眼睛看模糊的图像有时反而能帮你看到大局一样）。
解释力更强： 最重要的结果是，他们终于可以解释程序为什么是坏的。他们可以指向具体的汇编指令。
“Beta” 分数： 他们创建了一个新的测试（称为 Beta 分数）来观察解释是否真正达到了指令级别。他们发现，如果没有他们的新方法，AI 的解释是很笼统的（比如仅仅说“整个城市都很坏”）；而有了他们的方法，AI 变得非常精准（可以说“这条特定的街道很坏”）。
好程序 vs 坏程序： 有趣的是，他们发现解释一个程序为什么是安全的（良性的）比解释为什么是恶意的要容易。恶意软件通常设计得非常隐蔽且具有迷惑性，这使得定位确切的“坏”指令比定位正常软件中直截了当的逻辑要困难得多。

总结

这篇论文介绍了一种让 AI 恶意软件检测器变得透明的方法。通过创建包含每条指令的详细地图 (AFG)，并使用智能缩放技术 (Meta-Coarsening) 来应对规模问题，他们现在可以准确告诉安全专家哪一行代码是危险的。这让我们从“AI 认为这很坏”进化到了“AI 知道这条特定指令很坏，因为……”

技术摘要：基于图神经网络的具有细粒度汇编流可解释性的透明恶意软件检测

问题陈述

随着恶意软件变得日益复杂且具有规避性，检测系统必须同样智能化且具备透明度。虽然应用于控制流图（CFG）的图神经网络（GNN）在恶意软件检测方面展现出了潜力，但它们存在内在的可解释性缺失问题。现有的应用于 CFG 的基于 GNN 的可解释性方法面临一个关键限制：CFG 节点代表“基本块”（非分支指令序列），这意味着基本块内的单个汇编指令被掩盖了。因此，GNN 无法提供细粒度的、指令级的解释，导致对于哪些特定指令驱动了恶意预测存在歧义。此外，汇编流图（AFG）的规模巨大（它将每一条指令都表示为一个节点），这使得直接应用 GNN 进行预处理、嵌入和训练在计算上是难以实现的。

方法论

作者提出了一个以**汇编流图（AFG）和元粗糙化（Meta-Coarsening）**方法为核心的新型框架，旨在实现细粒度的可解释性并保持计算可行性。

1. 图构建

汇编流图 (AFG)： 与传统的以基本块为节点的 CFG 不同，AFG 将每个 CFG 节点替换为其组成该节点的顺序汇编指令的单向链表。边被重新路由，以连接这些指令列表的头部和尾部，从而创建一个每个节点代表单条指令的图。
指令编码： 使用源自 Capstone 库的 1,103 位向量对指令进行编码，捕捉操作码（opcodes）、前缀以及各种标志位。

2. 元粗糙化方法

为了解决大规模 AFG 的计算成本问题，作者引入了一个两阶段的“元粗糙化”流水线：

阶段 1：CFG 粗糙化 (C-CFG)： 作者并非直接对庞大的 AFG 进行粗糙化，而是对底层的 CFG（即“元结构”）进行粗糙化。这种方式在计算上是可行的，并且保留了与 AFG 的结构相似性。GNN 在这些粗糙化后的 CFG（C-CFG）上进行训练，并通过解释器识别重要的子图。
阶段 2：回溯与 B-AFG 训练： 在 C-CFG 层级识别出的重要子图通过层级结构“回溯”到原始 AFG，从而创建一个回溯 AFG (B-AFG) 数据集。该 B-AFG 仅包含与解释相关的特定指令级节点。第二个独立的 GNN 在这些 B-AFG 上进行训练，以生成最终的、细粒度的汇编指令级解释。

3. 评估指标

论文引入并使用了多种指标来量化解释质量：

忠实度得分 ( $fid^+$ 和 $fid^-$ )： 测量必要性（移除子图是否改变了预测）和充分性（仅保留子图是否维持了预测）。
特征化得分 ( $\lambda$ )： 一个加权调和平均值，用于衡量 C-CFG 和 B-AFG 层级之间的一致性。
$\beta$ 指标得分： 一种用于检测歧义性的新指标。如果解释是二元的（清晰的），则返回 0；如果解释是非二元的（有歧义的），则返回正值，特别强调了基本块级（有歧义）与指令级（无歧义）解释之间的差异。

核心贡献

汇编流图 (AFG)： 提出了一种新型图表示方法，能够捕获二进制可执行文件的完整汇编指令流，实现指令级的粒度。
元粗糙化： 一种通过粗糙化 CFG 来近似 AFG 粗糙化的方法，从而提高计算可行性，允许在处理大规模数据时保留回溯到指令层级的能力。
细粒度可解释性： 首次展示了在汇编指令级别提供解释的基于 GNN 的恶意软件检测，解决了基本块级 CFG 固有的歧义问题。
新型指标： 定义了用于经验性测量解释粒度的 $\beta$ 指标，并对 $\lambda$ 得分进行了改进，以评估跨层级解释的一致性。
超参数控制： 确定了允许用户在计算需求与解释表达力之间进行平衡的超参数（粗糙化系数 $r$ 和选择策略 $\epsilon$ ）。

实验结果

该方法使用 CIC-DGG-2025 数据集（包含 Windows PE x86 二进制文件）进行了评估。

推理性能： 元粗糙化方法实现了与基准模型相当甚至更优的准确率。具体而言，采用 $r=0.25$ 的 Kron 粗糙化方法和 $r=0.75$ 的 Variation Edges 方法取得了最佳结果（平均准确率高达 89.8%），这表明适度的粗糙化可以起到正则化作用，从而提高泛化能力。
可解释性：
- $\lambda$ 得分 在 Kron ( $r=0.25$ ) 时最高（0.713），表明粗糙化层级与细粒度层级之间的解释一致性强。
- 忠实度分析： C-CFG 层级表现出较高的必要性 ( $fid^+$ )，即移除识别出的子图会导致分类错误。B-AFG 层级表现出较高的充分性 ( $fid^-$ )，即所选的指令子图足以维持正确的预测。
- 粒度： 对于所有 (C-)CFG 层级， $\beta$ 指标 为 1（表示存在歧义）；而对于所有 B-AFG 层级， $\beta$ 指标 为 0（表示无歧义的、二元的指令级解释）。
类别差异： 研究观察到良性样本通常比恶意样本更具可解释性。恶意类别的特征化得分较低，表明它们更难被解释或进行一致性预测。

意义与主张

论文声称其是首个考虑在恶意软件检测中使用 GNN 进行指令级细粒度可解释性的研究。作者强调，尽管之前的研究利用了 CFG 或操作码图，但由于指令被聚合进基本块中，它们无法提供无歧义的指令级洞察。

这项工作的意义在于其能够：

提供透明的检测系统，使防御者能够理解究竟是哪些指令导致了恶意分类。
通过元粗糙化策略克服应用 GNN 于大规模指令级图时的计算障碍。
提供一个通过超参数来控制图规模与解释细节之间权衡的框架。

作者总结道，他们的方法成功提供了汇编级解释，为未来大规模恶意软件检测的可解释性研究奠定了基础，并辅助防御者表征恶意软件行为。他们也承认了局限性，包括对其他二进制格式的泛化能力以及潜在的对抗性规避问题，并指出未来的工作可以探索对抗性训练或静态生成方法来缓解这些问题。