HYDRA: Adaptasi Proaktif Pergeseran Malware Android melalui Pembelajaran Kontrastif Graf Hierarkis

Malware Android berkembang pesat, menyebabkan pergeseran konsep yang sangat menurunkan kinerja detektor machine learning. Strategi adaptasi yang ada bersifat reaktif—hanya merespons setelah kinerja menurun dan memerlukan anotasi manual yang signifikan—atau proaktif tetapi bergantung pada pelatihan adversarial yang tidak stabil dan representasi graf satu tingkat yang tidak lengkap. Untuk mengatasi keterbatasan ini, penulis mengusulkan HYDRA (Hybrid Drift Adaptation), kerangka proaktif yang mempelajari representasi invarian terhadap pergeseran dari data yang terstruktur secara hierarkis. Wawasan intinya adalah bahwa menggabungkan pandangan perilaku berbutir halus dan berbutir kasar memungkinkan pemodelan semantik aplikasi yang lebih komprehensif dan stabil, sementara pembelajaran kontrastif lintas domain menyelaraskan distribusi data historis dan data baru tanpa objektif adversarial yang kompleks.

Eksperimen ekstensif pada dataset malware berskala besar yang terurut waktu menunjukkan bahwa HYDRA mencapai False Negative Rate (FNR) dan False Positive Rate (FPR) yang jauh lebih rendah dibandingkan baseline state-of-the-art. Secara notable, HYDRA memerlukan sampel berlabel hingga 87.5% lebih sedikit sambil mempertahankan kinerja yang unggul. Efisiensi ini berasal dari adaptasi proaktifnya dan penggunaan efektif data target tanpa label melalui pseudo-labeling dan penyelarasan kontrastif. Hasilnya mengonfirmasi bahwa representasi graf hibrida dan objektif kontrastif lintas domain bersama-sama menghasilkan adaptasi pergeseran yang robust.