L'IA face aux grands problèmes du monde · Informatique théorique · Nature (computational biology) · 2026-10-16
Attribution multiniveau des sous-familles de logiciels malveillants à partir d'images RGB d'exécutables à l'aide d'un apprentissage profond augmenté par attention
Titre original: Multi-level malware subfamily attribution from RGB executable images using attention-augmented deep learning
L'analyse des logiciels malveillants exige des décisions à plusieurs niveaux, de la détection à l'attribution à une famille puis à une sous-famille fine. Les auteurs proposent un cadre d'apprentissage profond hiérarchique qui prend en entrée des images RVB de fichiers Windows PE et réalise la détection, la classification par famille et l'attribution à 33 sous-familles au sein d'une même architecture à sorties multiples. Quatre modèles d'apprentissage par transfert enrichis d'attention ont atteint une exactitude de 99 % en classification binaire, de 96–97 % au niveau des familles et de 91–95 % au niveau des sous-familles, avec des scores F1 macro allant jusqu'à 0,89 pour l'attribution fine.