O Uso de LLMs na Detecção de Malware: Um Estudo Exploratório e Comparativo entre Códigos-Fonte e Arquivos Executáveis
Resumo
Este artigo avalia a detecção de amostras de malware pelos serviços ChatGPT, Gemini e DeepSeek, comparando o desempenho em códigos-fonte e executáveis compilados, observando paralelamente os resultados de detecção do VirusTotal. Os LLMs tiveram melhor desempenho no código-fonte. Nos executáveis, Gemini e DeepSeek geraram falsos negativos, enquanto o ChatGPT detectou todas as amostras. Em contrapartida, o VirusTotal obteve baixa detecção nos códigos-fonte. Os resultados indicam que LLMs mostram potencial promissor para a ciberdefesa, destacando-se na análise de código-fonte e complementando ferramentas tradicionais baseadas em assinaturas e heurística.
Referências
Fraunhofer FKIE. (s.d.). BPFdoor. Malpedia. [link].
Gupta, M., Akiri, C., Aryal, K., Parker, E., & Praharaj, L. (2023). From ChatGPT to ThreatGPT: Impact of Generative AI in Cybersecurity and Privacy. IEEE Access, 11, 80218-80245.
Jelodar, H., Bai, S., Hamedi, P., Mohammadian, H., Razavi-Far, R., & Ghorbani, A. (2026). Large Language Model (LLM) for Software Security: Code Analysis, Malware Analysis, Reverse Engineering. JISA’26, 98, 104390.
Kaspersky. (2025). Kaspersky Security Bulletin: Crime and malware statistics. Securelist. [link].
Qian, X., Zheng, X., He, Y., Yang, S., & Cavallaro, L. (2025). LAMD: Context-driven android malware detection and classification with LLMs. IEEE SPW, 126-136.
Sihwail, R., Omar, K., & Ariffin, K. Z. (2018). A survey on malware analysis techniques: Static, dynamic, hybrid and memory analysis. IJASEIT , 8(4-2), 1662-1671.
Stanford University. (2026). Artificial Intelligence Index Report 2026. Stanford Institute for Human-Centered Artificial Intelligence. [link].
VirusTotal. (s.d.). How it works. VirusTotal Docs. [link].
Xue, D., Zhao, G., Fan, Z., Li, W., Xu, Y., Liu, Z., ... & Yuan, Z. (2024). Poster: An exploration of large language models in malicious source code detection. In ACM SIGSAC Conference on Computer and Communications Security, 4940-4942.
Zhao, W., Wu, J., & Meng, Z. (2025). Apppoet: Large language model based android malware detection via multi-view prompt engineering. Expert Systems with Applications, 262, 125546.
Gupta, M., Akiri, C., Aryal, K., Parker, E., & Praharaj, L. (2023). From ChatGPT to ThreatGPT: Impact of Generative AI in Cybersecurity and Privacy. IEEE Access, 11, 80218-80245.
Jelodar, H., Bai, S., Hamedi, P., Mohammadian, H., Razavi-Far, R., & Ghorbani, A. (2026). Large Language Model (LLM) for Software Security: Code Analysis, Malware Analysis, Reverse Engineering. JISA’26, 98, 104390.
Kaspersky. (2025). Kaspersky Security Bulletin: Crime and malware statistics. Securelist. [link].
Qian, X., Zheng, X., He, Y., Yang, S., & Cavallaro, L. (2025). LAMD: Context-driven android malware detection and classification with LLMs. IEEE SPW, 126-136.
Sihwail, R., Omar, K., & Ariffin, K. Z. (2018). A survey on malware analysis techniques: Static, dynamic, hybrid and memory analysis. IJASEIT , 8(4-2), 1662-1671.
Stanford University. (2026). Artificial Intelligence Index Report 2026. Stanford Institute for Human-Centered Artificial Intelligence. [link].
VirusTotal. (s.d.). How it works. VirusTotal Docs. [link].
Xue, D., Zhao, G., Fan, Z., Li, W., Xu, Y., Liu, Z., ... & Yuan, Z. (2024). Poster: An exploration of large language models in malicious source code detection. In ACM SIGSAC Conference on Computer and Communications Security, 4940-4942.
Zhao, W., Wu, J., & Meng, Z. (2025). Apppoet: Large language model based android malware detection via multi-view prompt engineering. Expert Systems with Applications, 262, 125546.
Publicado
21/10/2026
Como Citar
MARIN, Lucas Andrei Cancelier; LADEIRA, Ricardo de la Rocha.
O Uso de LLMs na Detecção de Malware: Um Estudo Exploratório e Comparativo entre Códigos-Fonte e Arquivos Executáveis. In: ESCOLA REGIONAL DE REDES DE COMPUTADORES (ERRC), 23. , 2026, Santa Maria/RS.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2026
.
p. 150-155.
DOI: https://doi.org/10.5753/errc.2026.36024.
