🤖 AI

Automated Malware Family Classification using Weighted Hierarchical Ensembles of Large Language Models

该论文提出了一种基于加权层次集成预训练大语言模型的零标签恶意软件家族分类框架，通过聚合多个模型的决策级预测并采用“先粗粒度行为后细粒度家族”的层次化推理策略，有效克服了传统方法对标注数据和动态分析的依赖，显著提升了在开放世界场景下的可扩展性与鲁棒性。

原作者： Samita Bai, Hamed Jelodar, Tochukwu Emmanuel Nwankwo, Parisa Hamedi, Mohammad Meymani, Roozbeh Razavi-Far, Ali A. Ghorbani

发布于 2026-04-06

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Samita Bai, Hamed Jelodar, Tochukwu Emmanuel Nwankwo, Parisa Hamedi, Mohammad Meymani, Roozbeh Razavi-Far, 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

这篇论文讲述了一个关于如何更聪明地识别电脑病毒（恶意软件）的新方法。为了让你轻松理解，我们可以把这件事想象成在一个巨大的、混乱的图书馆里，让一群专家来辨认“坏书”。

1. 背景：为什么这很难？

想象一下，世界上每天都有成千上万本新书（新的病毒）被写出来。这些书不仅数量巨大，而且非常狡猾：

伪装术（混淆/打包）：它们把封面撕掉，或者把内容用密码锁起来，让普通的检查员（传统的杀毒软件）根本看不出里面是坏书。
变种多：它们长得像，但名字不同，或者稍微改几个字就变成新书了。

以前的方法通常是让一个超级专家（深度学习模型）去死记硬背这些书的特征，或者需要有人把书拆开（动态运行）看它干了什么。但这有两个大问题：

太依赖“标准答案”：以前需要大量有人工标注好的“坏书”样本来训练专家，但新病毒出来太快，来不及标注。
专家也会犯错：单个专家看多了也会眼花，或者被伪装术骗了，而且不同专家对同一本书的判断可能完全相反。

2. 核心创意：请一群“大语言模型”专家来开会

这篇论文提出了一种不需要死记硬背、也不需要拆开书的新方法。他们找来了几位顶级的“大语言模型”（LLM，就像现在的 AI 聊天机器人，比如 GPT-4 等），这些模型读过海量的代码和书籍，天生就懂“坏书”的逻辑。

但是，直接问一个 AI 可能会得到错误答案。所以，作者设计了一个**“加权分层委员会”**（Weighted Hierarchical Ensemble）的机制。

这个机制是怎么工作的？我们可以把它想象成三个步骤：

第一步：大家各自发表意见（决策层聚合）
把一本可疑的“书”（病毒代码）同时给 4 位不同的 AI 专家看。

专家 A 说：“这是特洛伊木马。”
专家 B 说：“这是后门。”
专家 C 说：“这是间谍软件。”
专家 D 说：“这是特洛伊木马。”

第二步：给专家打分（加权策略）
并不是所有人的话都算数。作者先让这 4 位专家在一份“已知答案的试卷”（人工标注的小样本）上考个试。

如果专家 A 考得最好，他的票数权重就是 1.0。
如果专家 B 考得一般，他的权重可能只有 0.6。
这样，在最终投票时，考得好的专家说话更有分量。这就像在一个委员会里，资深专家的投票权重比实习生大。

第三步：先定大类，再定小类（分层决策）
这是最精彩的部分。如果专家们吵得不可开交（比如有的说是木马，有的说是后门，有的说是间谍），直接选一个可能会选错。
作者设计了一个**“先粗后细”**的投票流程：

第一层（粗粒度）：先不管具体名字，大家先投票决定它属于哪个**“行为大类”**。
- 比如：是“窃取信息的”（间谍/木马/后门）？还是“自我复制的”（蠕虫/病毒）？还是“勒索钱财的”（勒索软件）？
- 在这个层面上，专家们更容易达成一致。
第二层（细粒度）：一旦确定了是“窃取信息类”，再在这个小圈子里，根据权重投票决定具体是“木马”还是“间谍软件”。
特殊情况处理：如果还是平局，系统会根据“谁更具体”的规则来裁决（比如“后门”比“木马”更具体，就选“后门”）。

3. 这个方法的厉害之处

不需要重新训练：就像不需要教这些专家怎么读书，直接让他们用现有的知识去分析就行（零样本/Zero-label）。
抗干扰能力强：单个专家可能会被病毒的伪装骗到，但一群专家通过“少数服从多数”加上“资深专家加权”，很难同时被所有人骗。
像人类分析师一样思考：人类专家也是先看“这病毒想干嘛”（大类），再看“它具体叫什么”（小类）。这个方法模仿了人类的推理过程。

4. 实验结果

作者用了一个包含真实世界病毒的大数据集（SBAN）来测试。

结果：这个“专家委员会”的表现，比任何单个AI 专家都要好，也比简单的“少数服从多数”（大家权重一样）要好。
意义：即使在没有标准答案、没有动态运行病毒（不运行它，只看代码）的情况下，也能非常准确地识别出病毒家族。

总结

这篇论文就像是在说：

“面对狡猾的病毒，不要指望一个超级英雄（单个 AI 模型）去解决所有问题。我们要组建一个由不同专家组成的委员会，给经验丰富的专家更大的话语权，并且让他们先讨论大方向，再纠结小细节。这样，即使病毒千变万化，我们也能像老练的侦探一样，准确揪出它的真面目。”

这种方法让网络安全分析变得更智能、更稳健，而且不需要依赖大量昂贵的人工标注数据。

论文技术总结：基于加权层次集成大语言模型的自动化恶意软件家族分类

1. 研究背景与问题定义 (Problem)

核心挑战：
恶意软件家族分类是自动化恶意软件分析中的关键任务，但在现实世界环境中面临巨大挑战。主要困难包括：

混淆与加壳 (Obfuscation & Packing)： 现代恶意软件广泛使用打包、混淆和多态技术，使得传统的基于特征工程（如静态特征、动态行为）和签名检测的方法失效。
数据依赖与泛化性差： 现有的机器学习和深度学习方法通常依赖大量标注数据、手工特征或昂贵的动态分析（沙箱执行）。这导致模型在面对未知家族、概念漂移（Concept Drift）或开放世界场景时，泛化能力不足。
大语言模型 (LLM) 的局限性： 虽然 LLM 在代码理解和零样本推理方面表现出色，但单个 LLM 在恶意软件分类任务中存在预测不一致、对提示词敏感以及缺乏鲁棒性的问题。现有的基于 LLM 的方法多采用单模型推理或扁平化集成，难以解决语义重叠家族（如 Trojan 与 Backdoor）之间的模糊性。

研究目标：
提出一种**无标签（Zero-label）**的恶意软件家族分类框架，能够在无需监督训练、无需微调（Fine-tuning）且无需动态执行的情况下，利用预训练大语言模型（LLMs）的决策能力，实现对 Windows PE 恶意软件家族的鲁棒分类。

2. 方法论 (Methodology)

该论文提出了一种**基于加权层次集成（Weighted Hierarchical Ensemble）**的决策级分类框架。其核心思想是将分类问题转化为多模型决策聚合问题，而非传统的特征学习问题。

2.1 核心流程

输入与提示 (Input & Prompting)：
- 输入：恶意软件的源代码（Source Code）及 API 导入列表。
- 策略：使用统一的**零样本（Zero-shot）**提示词，要求模型直接输出 10 个预定义恶意软件家族中的一个名称，禁止额外解释。
- 模型：选取多个预训练 LLM（如 Qwen, CodeLLaMA, GPT-4.1, GPT-5.1）并行处理。
数据预处理与标准化 (Normalization & Validation)：
- 清洗 LLM 的输出，移除无效响应（如 Markdown 格式、解释性文本）。
- 将同义标签映射到标准家族名称（例如，将 "Backdoor" 和 "RAT" 统一映射）。
加权层次集成决策 (Weighted Hierarchical Ensemble)：
这是该框架的核心创新，分为三个阶段：
- 阶段 1：加权家族投票 (Weighted Family Voting)
  - 根据各模型在验证集（Gold Set）上的宏观 F1 分数（Macro-F1）计算权重 $w_i$ 。
  - 计算每个家族的加权得分 $S(f) = \sum w_i$ 。如果某家族得分超过总权重的一半（>50%），直接输出该结果。
- 阶段 2：行为组聚合 (Behavior-Group Consolidation)
  - 若没有家族获得绝对多数，将 10 个家族映射到 5 个粗粒度的行为组（如：Trojan-like, Installer, Self-Replicating, Ransomware, Obfuscated）。
  - 在行为组层面进行加权投票。如果某行为组获胜，则在该组内选择得分最高的具体家族。
- 阶段 3：基于特异性的平局解决 (Specificity-Based Tie Resolution)
  - 若仍存在平局，利用预定义的**特异性排名（Specificity Ranking）**打破僵局。
  - 原则：优先选择行为描述更具体的标签（例如，在 Trojan 和 Backdoor 之间，若两者得分相同，优先选择 Backdoor，因为其语义更具体）。

2.2 数据集与评估

数据集： 使用 SBAN (Source-Binary-Assembly-Natural language) 数据集的恶意软件子集。该数据集包含源代码、汇编、二进制和自然语言描述的多模态数据。
评估标准： 使用人工标注的 200 个样本作为“金标准（Gold Set）”进行权重校准和最终评估。
指标： 准确率 (Accuracy)、宏观精确率 (Macro-Precision)、宏观召回率 (Macro-Recall) 和宏观 F1 分数 (Macro-F1)。

3. 主要贡献 (Key Contributions)

决策级 LLM 分类框架：
首次将恶意软件家族分类 formulated 为预训练 LLM 的决策聚合问题，完全摒弃了手工特征提取、监督重训练和动态执行，实现了真正的“零标签”推理。
性能感知加权集成策略 (Performance-Aware Weighted Ensemble)：
提出了一种基于宏观 F1 分数的加权方案，根据模型在不同家族上的表现动态分配权重，有效降低了单一模型不稳定性带来的负面影响，增强了跨家族的鲁棒性。
行为感知的层次决策结构 (Hierarchical Decision Framework)：
设计了“粗粒度行为推理 $\rightarrow$ 细粒度家族归属”的层次结构。通过先解决行为组层面的模糊性，再细化到具体家族，显著缓解了语义重叠家族（如 Trojan/Backdoor/Spyware）之间的分类混淆。
严格约束下的全面评估：
在缺乏标注数据、动态执行和微调的严格约束条件下，通过 SBAN 数据集验证了该方法的有效性。实验证明，加权层次集成在各项指标上均优于单个 LLM 和未加权的简单集成方法。

4. 实验结果 (Results)

基线对比： 单个 LLM 模型（如 GPT-4.1, GPT-5.1）表现参差不齐，且 Macro-F1 分数较低（GPT-4.1 约为 0.403，GPT-5.1 约为 0.427），表明单模型在复杂恶意软件分类中不够稳定。
集成效果：
- 均匀投票 (Uniform Voting)： 准确率提升至 0.740，Macro-F1 为 0.481。
- 加权投票 (无层次)： 准确率略降 (0.735)，表明单纯加权不足以解决所有问题。
- 加权层次集成 (最终方案)： 达到了最佳性能，准确率为 0.750，Macro-F1 为 0.481（在保持高准确率的同时，通过层次结构提升了召回率和鲁棒性）。
消融实验： 证明了“加权”和“层次结构”两个组件的必要性。层次结构有效解决了粗粒度阶段的错误传播，而加权校准则优化了模型贡献度。
提示词敏感性： 实验表明，虽然不同提示词设计对结果有细微影响，但集成框架对提示词变化具有较好的鲁棒性，结构性决策逻辑比提示词工程更为关键。

5. 意义与展望 (Significance & Future Work)

学术与实践意义：

开放世界适应性： 该方法不依赖特定家族的标注数据，能够适应不断演变的恶意软件威胁，特别适合开放世界（Open-World）场景。
可解释性： 层次化决策过程模拟了人类分析师的推理逻辑（先判断行为类型，再确定具体家族），提高了分类结果的可解释性。
成本效益： 无需昂贵的动态沙箱环境或大规模数据标注，仅利用静态代码和预训练模型即可完成分类，降低了分析门槛。

局限性与未来方向：

数据规模： 当前评估基于较小的金标准数据集（200 样本），未来需扩展到更大规模语料库。
静态限制： 目前仅使用静态代码输入，未来计划结合轻量级动态信号或混合信号以提升对加壳/混淆样本的识别能力。
层次构建： 当前的层次结构是人工定义的，未来可探索数据驱动的层次归纳（Data-driven Hierarchy Induction）。

总结：
该论文提出了一种创新且实用的恶意软件家族分类范式，通过加权层次集成巧妙利用了大语言模型的语义理解能力，克服了传统方法在开放世界环境下的局限性，为自动化威胁情报分析提供了新的技术路径。