MalQwen: Fine-Tuned Qwen for Security Analysis

Metadane

• Autorzy: Tegar Ganang Satrio Priambodo et al.
• Rok: 2025
• Źródło: IEEE Access, DOI: 10.1109/ACCESS.2025.3637047
• Status: reference
• Kategoria: Security / NLP / Fine-tuning
• Tagi: reference qwen lora fine-tuning security malware llm #2025

Streszczenie

Fine-tuning modelu Qwen-7B z użyciem LoRA na zadaniu analizy złośliwego oprogramowania Android. Osiąga BERTscore 0.84 i przewyższa Gemini/LLaMA w generowaniu interpretowalnych raportów bezpieczeństwa na 429 próbkach malware.

Kluczowe Wnioski

• Qwen-7B + LoRA: BERTscore 0.84 — najlepszy w porównaniu z Gemini i LLaMA
• 429 próbek malware wystarczy do skutecznego fine-tuningu z LoRA
• Generuje interpretowalny raport (nie tylko klasyfikacja binarną)
• Qwen dobrze adaptu się do zadań security z minimalnym fine-tuningiem

Metodologia

• Base model: Qwen-7B
• Fine-tuning: LoRA (Low-Rank Adaptation)
• Dataset: 429 próbek malware Android z opisami
• Ewaluacja: BERTscore vs. Gemini, LLaMA, ChatGPT

Notatki

Rola w projekcie: Proof-of-concept że modele Qwen (user ma dostęp do qwen3-5-397b, qwen3-6-27b, qwen2-5-72b) efektywnie fine-tunują się na security tasks. Argument dla hipotezy użycia qwen jako M4 DOM analyzer lub ensemble classifier. LoRA szczególnie ważne — umożliwia fine-tuning bez pełnych zasobów GPU.