核心理解

MAGMA 针对恶意软件检测中深度学习模型的固有局限（无法表达认知不确定性）提出解决方案。它将恶意软件分析解耦为语义代码检索和概率验证两个流，使用多智能体共识框架处理结构混淆攻击。核心创新是引入不确定性量化，使系统能在证据不足时主动拒绝决策。

核心贡献

1. 双流嵌入方案：对汇编代码和伪代码表示分别进行嵌入，隔离决策关键函数（DCF）以去除死代码噪声。

2. 随机一致性集成（Stochastic Consistency Ensemble）：多个推理智能体实例在非确定性采样下独立评估检索集。

3. 函数证据强度（FES）：检索置信度的加权聚合指标。

4. 证据冲突分数（ECS）：集成预测分布的 Shannon 熵，量化结构性歧义。

5. 拒绝选项策略：当 ECS 升高时触发拒绝，基于证据冲突而非简单置信度阈值。

为什么重要

论文在 98.4% 检测率上显著超越现有方案，解决了传统 ML 恶意软件检测器无法表达不确定性的根本问题。ECS 作为结构性歧义的有效代理，使系统在面对新型混淆攻击时能优雅降级而非给出错误高置信度预测。这对端侧安全 Agent 的记忆检索有直接价值。

论文核心方法

现有深度学习恶意软件检测器定义主流防御范式，但其复杂性也使其暴露于新型结构性规避攻击。研究将这一问题归因于模型固有的不确定性表达能力不足。

MAGMA 架构： - 双流检索：汇编+伪代码双视角，隔离 DCF - 随机一致性集成：多个智能体实例独立评估，捕捉不确定性 - FES + ECS 指标：证据强度与冲突检测 - 原则性拒绝策略：基于 ECS 的自适应拒绝

与移动端/端侧相关性

端侧安全 Agent 需要在资源受限环境中运行，MAGMA 的不确定性量化机制使系统知道"自己不知道什么"，这对边缘设备的安全决策至关重要——避免在高风险场景中过度自信导致误判。

参考文献

参考文献待从原文补充。