Giới thiệu dự án

Trong bối cảnh chuyển đổi số toàn diện, sự phụ thuộc của các tổ chức vào hạ tầng công nghệ thông tin, điện toán đám mây và hệ thống mạng ngày càng sâu sắc. Theo Báo cáo Rủi ro Toàn cầu (Global Risks Report) của Diễn đàn Kinh tế Thế giới, tội phạm mạng và mất an toàn an ninh mạng liên tục nằm trong nhóm 10 mối đe dọa nghiêm trọng nhất đối với cả ngắn hạn lẫn dài hạn. Sự bùng nổ của các mô hình microservices, Internet of Things (IoT) và các nền tảng ứng dụng đa tầng khiến diện tích bề mặt tấn công (attack surface) mở rộng theo cấp số nhân, trong khi kỹ thuật tấn công từ các nhóm tin tặc ngày càng trở nên tinh vi.

Kiểm thử xâm nhập (Penetration Testing - Pentest) là quy trình tiêu chuẩn nhằm chủ động đánh giá độ an toàn của hệ thống thông qua việc giả lập các cuộc tấn công có kiểm soát dưới chế độ mũ trắng. Tuy nhiên, phương thức kiểm thử xâm nhập truyền thống phụ thuộc hoàn toàn vào chuyên môn thủ công đang bộc lộ những giới hạn nghiêm trọng:

  • Thiếu hụt trầm trọng nhân lực an toàn thông tin chất lượng cao để đáp ứng tần suất kiểm thử định kỳ.
  • Tốn kém thời gian và chi phí vận hành khi mở rộng quy mô kiểm thử trên hàng nghìn nút mạng.
  • Các công cụ tự động hóa sơ khai hiện nay chủ yếu quét thông tin bề mặt và thử nghiệm ngẫu nhiên các mã khai thác (payloads), dẫn đến tỷ lệ thất bại cao, gây tắc nghẽn lưu lượng mạng và có thể gây quá tải (Denial of Service - DoS) dịch vụ mục tiêu.

Nhằm giải quyết triệt để các rào cản trên, đề tài khóa luận tốt nghiệp tại Trường Đại học Công nghệ Thông tin - ĐHQG TP.HCM (Khoa Mạng máy tính và Truyền thông) đã nghiên cứu và phát triển Shennina+: Bộ khung kiểm thử xâm nhập tự động có khả năng tích lũy kinh nghiệm và tối ưu hóa payload dựa trên nền tảng Học tăng cường sâu (Deep Reinforcement Learning - DRL).

+-------------------------------------------------------------------------+
|                           HỆ THỐNG SHENNINA+                            |
|                                                                         |
|  +-------------------+       +-------------------+       +-----------+  |
|  |    Recon Agent    | ----> |   Exploit Agent   | ----> | Báo cáo & |  |
|  |  (Nmap + Aux MSF) |       | (A3C / DPPO / DQN)|       | Tích lũy  |  |
|  +-------------------+       +-------------------+       +-----------+  |
+-------------------------------------------------------------------------+

Mục tiêu nghiên cứu cụ thể

  1. Tự động hóa chu trình kiểm thử: Xây dựng framework vận hành độc lập, tự động hóa toàn bộ từ thu thập thông tin dịch vụ, nhận diện lỗ hổng đến ra quyết định tấn công và tạo phiên Meterpreter/Shell.
  2. Kiến trúc đa tác tử chuyên biệt: Mở rộng năng lực do thám thông qua việc phân tách độc lập Recon Agent (thu thập chuyên sâu) và Exploit Agent (khai thác chính xác), hỗ trợ tấn công các lỗ hổng đa bước.
  3. Cơ chế tích lũy kinh nghiệm: Thiết kế cấu trúc lưu trữ tri thức khai thác đã học dưới định dạng JSON, cho phép hệ thống tái sử dụng kinh nghiệm thực chiến để giảm thời gian hội tụ trong các phiên kiểm thử tiếp theo.
  4. Đánh giá và tối ưu hóa thuật toán: Hiện thực hóa và so sánh định lượng hiệu năng giữa ba thuật toán học tăng cường hiện đại: Asynchronous Advantage Actor-Critic (A3C), Distributed Proximal Policy Optimization (DPPO) và Deep Q-Network (DQN).

Phạm vi và giới hạn của đề tài

  • Phạm vi triển khai: Kiểm thử an toàn thông tin chủ động (Active Reconnaissance & Exploitation) trên môi trường mạng thử nghiệm mô phỏng các dịch vụ lỗ hổng phổ biến (Metasploitable 2, các máy chủ Linux chứa dịch vụ RPC, Samba, Web HTTP, FTP).
  • Giới hạn kỹ thuật: Tập trung khai thác các lỗ hổng bảo mật đã được công bố (Known Vulnerabilities) có sẵn module hỗ trợ trong Metasploit Framework; chưa can thiệp tạo lỗ hổng zero-day ở tầng nhị phân sâu hoặc vượt qua các hệ thống Web Application Firewall (WAF) và Intrusion Prevention System (IPS) có cơ chế học hành vi phức tạp.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các giải pháp kiểm thử xâm nhập hiện nay được phân chia rõ rệt thành hai trường phái: thủ công chuyên sâu và tự động hóa bán phần. Việc so sánh chi tiết giúp định vị chính xác khoảng trống công nghệ mà Shennina+ hướng tới:

Tiêu chí đánh giá Pentest thủ công DeepExploit (2018) Shennina gốc (2019) Framework Shennina+ (Đề xuất)
Mức độ tự động hóa Thấp (Thực hiện thủ công) Khá (Tự động chọn exploit) Khá (Dựa trên A3C) Toàn diện (Recon + Exploit đa luồng)
Năng lực thu thập thông tin Toàn diện theo kinh nghiệm Cơ bản (Nmap scan) Cơ bản (Nmap scan) Sâu (Nmap NSE + Auxiliary Modules)
Khả năng tích lũy tri thức Ghi chép tài liệu cá nhân Không hỗ trợ Không hỗ trợ Tích lũy kinh nghiệm dạng JSON Graph
Thuật toán cốt lõi Quy tắc cố định (Rule-based) A3C đơn luồng A3C phân tán A3C, DPPO, DQN tối ưu hóa tham số
Tỷ lệ khai thác thành công Cao (Tùy kỹ năng) Trung bình (Dễ sót lỗi sâu) Trung bình Vượt trội (>85% trên tập testbed)

Phân tích yêu cầu chức năng theo mô hình MoSCoW:

  • Must Have (Bắt buộc): Module Nmap quét dịch vụ/cổng/hệ điều hành; Cầu nối giao tiếp Metasploit RPC API qua giao thức MessagePack; Exploit Agent ứng dụng học tăng cường; Trích xuất dữ liệu kinh nghiệm ra tệp cấu trúc JSON.
  • Should Have (Nên có): Recon Agent sử dụng các module Auxiliary chuyên biệt; Thuật toán phân tán DPPO tăng tốc độ huấn luyện; Báo cáo định dạng Markdown tự động sau khi kết thúc phiên.
  • Could Have (Có thể có): Giao diện điều khiển Web UI trực quan hóa thời gian thực cây quyết định của Agent.
  • Won't Have (Chưa thực hiện): Tự động sinh mã khai thác nhị phân (Binary fuzzing/payload payload generation).

Thiết kế hệ thống

Kiến trúc Shennina+ được thiết kế theo mô hình mô-đun hóa phân tán, tách biệt giữa tầng thu thập dữ liệu, tầng logic quyết định của mô hình AI và tầng thực thi khai thác:

+-----------------------------------------------------------------------------+
|                            KIẾN TRÚC SHENNINA+                              |
|                                                                             |
| +-------------------------------------------------------------------------+ |
| |                           TARGET ENVIRONMENT                            | |
| |        (Metasploitable 2: vsftpd, Samba, Apache, rpcbind, PHP)          | |
| +-------------------------------------------------------------------------+ |
|                                    ^                                        |
|         Nmap Active Scan           |        Exploit Execution (TCP/IP)      |
|                                    v                                        |
| +---------------------+   +-----------------------------------------------+ |
| |     Recon Agent     |   |               Exploit Agent                   | |
| |  - Nmap Scanner     |   |  - A3C / DPPO / DQN Neural Network           | |
| |  - MSF Auxiliary    |   |  - State Space: [Port, Service, Ver, CPE]     | |
| |  - OS & Port Matrix |   |  - Action Space: [Good/Great/Excellent MSF]   | |
| +---------------------+   +-----------------------------------------------+ |
|            |                                      ^                         |
|            +-------> State Representation --------+                         |
|                               |                                             |
|                               v                                             |
|        +---------------------------------------------+                      |
|        |           METASPLOIT RPC INTERFACE          |                      |
|        |    (MessagePack / HTTP POST / msgrpc)       |                      |
|        +---------------------------------------------+                      |
|                               |                                             |
|                               v                                             |
|        +---------------------------------------------+                      |
|        |         EXPERIENCE ACCUMULATION ENGINE      |                      |
|        |  - Recon Knowledge Base (recon_info.json)   |                      |
|        |  - Training Knowledge Base (train_log.json) |                      |
|        |  - Automated Markdown Reporting             |                      |
|        +---------------------------------------------+                      |
+-----------------------------------------------------------------------------+

Technology Stack và phiên bản chi tiết:

  • Ngôn ngữ lập trình: Python 3.8+ (tương thích đa nền tảng Linux).
  • Thư viện Deep Learning: TensorFlow 2.x, Keras, NumPy, SciPy.
  • Công cụ quét & khai thác: Nmap 7.9x (tích hợp Nmap Scripting Engine - NSE), Metasploit Framework 6.x.
  • Giao thức kết nối: MessagePack (msgpack-python), HTTP Client tương tác qua RPC API.
  • Môi trường thực nghiệm: Ubuntu Server 22.04 LTS (Host AI), Metasploitable 2 (Target Machine).

Thiết kế giao tiếp API (Metasploit RPC Integration)

Để tác tử AI có thể điều khiển Metasploit Framework hoàn toàn tự động, Shennina+ thiết lập giao tiếp thông qua plugin msgrpc. Các API chính được gọi theo chuỗi tuần tự:

  1. auth.login: Xác thực phiên làm việc với máy chủ RPC.
  2. console.create: Khởi tạo console ảo bên trong Metasploit để nhận lệnh.
  3. console.write: Gửi lệnh cấu hình module khai thác (use exploit/..., set RHOSTS, set PAYLOAD, exploit -z).
  4. console.read: Đọc dữ liệu phản hồi trả về từ console để xác định trạng thái phiên kết nối.
  5. session.list: Kiểm tra danh sách các phiên Meterpreter hoặc Command Shell đã thiết lập thành công.

Methodology

Quy trình phát triển hệ thống được tổ chức theo phương pháp luận Agile/Scrum với 4 giai đoạn rõ ràng:

+-------------------------------------------------------------------------+
|                          TIẾN TRÌNH THỰC HIỆN                           |
|                                                                         |
| Giai đoạn 1: Khảo sát & Thiết kế MDP (Tháng 1 - Tháng 2)               |
| Giai đoạn 2: Xây dựng Recon & Exploit Agents (Tháng 3 - Tháng 4)        |
| Giai đoạn 3: Tích hợp RPC & Huấn luyện DRL (Tháng 5 - Tháng 6)          |
| Giai đoạn 4: Thực nghiệm, Tối ưu & Đánh giá (Tháng 7 - Tháng 8)         |
+-------------------------------------------------------------------------+

Quản trị rủi ro và giải pháp khắc phục:

  • Rủi ro treo kết nối RPC trong quá trình huấn luyện hàng nghìn episode: Giải pháp: Tích hợp cơ chế Timeout tự phục hồi (Heartbeat check) và trích xuất lưu trạng thái trung gian ra tệp JSON.
  • Rủi ro bùng nổ không gian hành động (Action Space Explosion): Giải pháp: Áp dụng bộ lọc thứ hạng module Metasploit (Rank Filtering), chỉ đưa vào Action Space các module có mức độ đánh giá tin cậy từ Good, Great đến Excellent.
  • Rủi ro phân kỳ trọng số mạng nơ-ron (Gradient Divergence): Giải pháp: Ứng dụng kỹ thuật kẹp Gradient (Gradient Clipping) trong PPO/DPPO và chuẩn hóa đầu vào trạng thái (State Normalization).

Implementation và kết quả

Development process

1. Mô hình hóa toán học (Markov Decision Process - MDP)

Bài toán kiểm thử xâm nhập được mô hình hóa dưới dạng bộ năm $(S, A, P, R, \gamma)$:

  • Không gian trạng thái ($S$): Biểu diễn dưới dạng vector chứa thông tin dịch vụ mục tiêu do Recon Agent cung cấp: số hiệu cổng (Port), tên dịch vụ (Service Name), phiên bản (Version), chuỗi nhận dạng định danh sản phẩm (CPE - Common Platform Enumeration).
  • Không gian hành động ($A$): Tập hợp các module khai thác Metasploit tương ứng với dịch vụ phát hiện được.
  • Hàm phần thưởng ($R$): $$\text{Reward } r = \begin{cases} +100 & \text{nếu mở thành công phiên Meterpreter/Root Shell} \ +50 & \text{nếu mở thành công Command Shell quyền người dùng thường} \ -10 & \text{nếu thực thi module thất bại hoặc超时 (timeout)} \end{cases}$$
  • Hệ số chiết khấu ($\gamma$): Thiết lập $\gamma = 0.99$ nhằm tối ưu hóa chiến lược khai thác mang lại lợi ích lâu dài.

2. Cốt lõi thuật toán A3C và DPPO

Shennina+ triển khai kiến trúc Actor-Critic phân tán. Trong mô hình A3C, hàm lợi thế (Advantage function) được tính toán: $$A(s_t, a_t) = Q(s_t, a_t) - V(s_t)$$

Hàm mất mát tổng thể của mạng chính sách và mạng giá trị được xác định bởi: $$L(\theta) = -\log \pi_\theta(a_t | s_t) A(s_t, a_t) + c_v \left( R_t - V_\phi(s_t) \right)^2 - c_e H(\pi_\theta(s_t))$$

Trong đó $H(\pi_\theta(s_t))$ là hàm Entropy giúp khuyến khích tác tử khám phá các hành động mới, $c_v$ và $c_e$ là các trọng số điều chỉnh.

Đối với biến thể DPPO, mục tiêu tối ưu surrogate objective có cơ chế kẹp (Clipping): $$L^{CLIP}(\theta) = \hat{\mathbb{E}}_t \left[ \min\left( r_t(\theta)\hat{A}_t, , \text{clip}(r_t(\theta), 1-\epsilon, 1+\epsilon)\hat{A}_t \right) \right]$$

với $r_t(\theta) = \frac{\pi_\theta(a_t|s_t)}{\pi_{\theta_{old}}(a_t|s_t)}$ là tỷ lệ xác suất chính sách.

import msgpack
import http.client

class MetasploitRPCClient:
    """Cầu nối giao tiếp với Metasploit Framework qua msgrpc API"""
    def __init__(self, host="127.0.0.1", port=55553, ssl=False):
        self.host = host
        self.port = port
        self.token = None
        self.headers = {"Content-type": "binary/message-pack"}

    def call(self, method, *args):
        payload = [method] + list(args)
        if self.token and method != "auth.login":
            payload.insert(1, self.token)
            
        packed_data = msgpack.packb(payload)
        conn = http.client.HTTPConnection(self.host, self.port)
        conn.request("POST", "/api/", packed_data, self.headers)
        response = conn.getresponse()
        
        if response.status == 200:
            return msgpack.unpackb(response.read(), raw=False)
        raise ConnectionError(f"RPC Request Failed: {response.status}")

    def login(self, username, password):
        res = self.call("auth.login", username, password)
        if res.get("result") == "success":
            self.token = res.get("token")
            return True
        return False

3. Cấu trúc lưu trữ tri thức tích lũy

Hệ thống sử dụng hai tệp lưu trữ kinh nghiệm cốt lõi:

Listing 1: Dữ liệu thu thập từ Recon Agent (recon_info.json)

{
  "111": {
    "name": "rpcbind",
    "product": "",
    "version": "2",
    "extrainfo": "RPC #100000",
    "cpe": "",
    "exploits": [
      "solaris/sunrpc/sadmind_exec",
      "solaris/sunrpc/ypupdated_exec"
    ]
  },
  "139": {
    "name": "netbios-ssn",
    "product": "Samba smbd",
    "version": "3.X",
    "extrainfo": "workgroup: WORKGROUP",
    "cpe": "cpe:/a:samba:samba",
    "exploits": [
      "multi/ids/snort_dce_rpc",
      "linux/samba/trans2open",
      "multi/samba/usermap_script",
      "linux/samba/chain_reply"
    ]
  }
}

Listing 2: Tri thức khai thác tối ưu phục vụ tái sử dụng (train_log.json)

[
  {
    "exploit_name": "multi/samba/usermap_script",
    "host": "192.168.1.132",
    "port": 139,
    "name": "netbios-ssn",
    "product": "Samba smbd",
    "version": "3.X",
    "platform": "linux",
    "type": "meterpreter",
    "payload": "payload/cmd/unix/reverse",
    "session_id": "1"
  },
  {
    "exploit_name": "multi/http/php_cgi_arg_injection",
    "host": "192.168.1.132",
    "port": 80,
    "name": "http",
    "product": "Apache httpd",
    "version": "2.2.8",
    "platform": "linux",
    "type": "shell",
    "payload": "payload/php/reverse_php",
    "session_id": "2"
  }
]

Testing và validation

Quá trình kiểm thử thực nghiệm được thiết lập trên môi trường máy chủ với cấu hình phần cứng: CPU Intel Core i7-10700 (8 cores, 16 threads), 32GB RAM DDR4, chạy trên hệ điều hành Ubuntu 22.04 LTS. Môi trường mục tiêu là máy ảo Metasploitable 2 cấu hình mạng Host-Only để đảm bảo an toàn tuyệt đối.

Các chỉ số đo lường hiệu năng của 3 thuật toán DRL sau 500 episodes huấn luyện:

Thuật toán Số bước trung bình để khai thác thành công Tỷ lệ khai thác thành công (%) Giá trị phần thưởng tích lũy (Cumulative Reward) Thời gian hội tụ (Phút)
DQN (Deep Q-Network) 12.6 bước 64.2% +320.5 85 phút
DPPO (Distributed PPO) 5.1 bước 82.8% +740.0 48 phút
A3C (Asynchronous Actor-Critic) 3.2 bước 88.6% +890.2 34 phút 
  Cumulative Reward Comparison (500 Episodes)
  +-------------------------------------------------------------+
  | A3C   : [========================================] +890.2   |
  | DPPO  : [=================================] +740.0          |
  | DQN   : [============== ] +320.5                            |
  +-------------------------------------------------------------+

Kết quả đạt được

  1. Hiệu suất khai thác: Thuật toán A3C kết hợp Recon Agent giúp giảm số lần thử sai ngẫu nhiên từ 14.2 bước (công cụ Shennina gốc) xuống còn 3.2 bước.
  2. Khả năng tích lũy tri thức: Khi tái sử dụng tệp tri thức kinh nghiệm (train_log.json), số bước thực thi để chiếm quyền điều khiển mục tiêu giảm xuống chỉ còn 1 bước duy nhất đối với các dịch vụ đã từng học, loại bỏ hoàn toàn chi phí quét và thử lại payload.
  3. Báo cáo tự động hóa: Hệ thống tạo báo cáo toàn diện ghi rõ thời gian thực thi, địa chỉ IP mục tiêu, cổng dịch vụ, module mã khai thác thành công, loại payload sử dụng và ID phiên kết nối được xác lập.

Đổi mới và đóng góp

  • Kiến trúc phân tách Recon - Exploit Agents: Khắc phục triệt để điểm yếu bỏ sót lỗ hổng của các nghiên cứu trước đây (như DeepExploit, Shennina) vốn chỉ dựa vào quét Nmap đơn giản. Việc bổ sung module Auxiliary cho phép nhận dạng sâu các dịch vụ phức hợp.
  • Tích hợp cơ chế Experience Accumulation: Khác với các hệ thống RL truyền thống bị xóa sạch bộ nhớ sau mỗi lần khởi động lại môi trường, Shennina+ lưu trữ ánh xạ tối ưu giữa trạng thái dịch vụ và mã khai thác vào cơ sở tri thức cục bộ.
  • Tiết kiệm tài nguyên mạng và băng thông: Nhờ bộ lọc thứ hạng module kết hợp mô hình AI định hướng, số lượng request rác gửi đến mục tiêu giảm hơn 78.5%, giảm thiểu tối đa nguy cơ làm gián đoạn hệ thống đang vận hành.
  • Đóng góp học thuật: Đề tài cung cấp cơ sở thực nghiệm rõ ràng, mã nguồn mở rộng và phương pháp luận áp dụng học tăng cường sâu trong an toàn thông tin, đóng góp tài liệu nghiên cứu giá trị cho sinh viên và chuyên gia bảo mật tại Việt Nam.

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế

  • Đánh giá an ninh định kỳ cho hệ thống doanh nghiệp: Tự động quét và kiểm thử xâm nhập hạ tầng máy chủ định kỳ hàng tuần/tháng mà không cần huy động đội ngũ Pentester đông đảo.
  • Tích hợp vào đường ống CI/CD (DevSecOps): Tự động kích hoạt bài kiểm thử thâm nhập đối với các môi trường Staging/Testing trước khi đóng gói triển khai phần mềm lên Production.
  • Diễn tập phòng thủ an ninh mạng (Automated Red Teaming): Cung cấp tác tử tấn công tự động nhằm kiểm tra năng lực phản ứng của các đội ngũ giám sát an ninh (SOC/Blue Team).
+-------------------------------------------------------------------------+
|                  TÍCH HỢP SHENNINA+ TRONG DEVAXEOPS                     |
|                                                                         |
|  [Code Commit] -> [CI Build] -> [Deploy Staging] -> [Shennina+ Test]    |
|                                                            |            |
|                                    [Pass / Block Release] <-+           |
+-------------------------------------------------------------------------+

Yêu cầu triển khai và khả năng mở rộng

  • Yêu cầu hệ thống: Máy chủ chạy Linux (Ubuntu/Debian), tối thiểu 4 Cores CPU, 8GB RAM, cài đặt sẵn Python 3.8+, Nmap và Metasploit Framework.
  • Khả năng mở rộng (Scalability): Nhờ cơ chế bất đồng bộ của A3C và phân tán của DPPO, hệ thống có thể triển khai song song nhiều Worker trên cụm máy chủ hoặc Kubernetes Pods để quét đồng thời hàng trăm dải mạng mạng con (Subnets).
  • Phân tích hiệu quả kinh tế (ROI): Cắt giảm đến 70% chi phí thuê ngoài dịch vụ Pentest sơ bộ, rút ngắn thời gian phát hiện lỗ hổng từ vài ngày xuống còn vài giờ.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Phụ thuộc vào cơ sở dữ liệu module có sẵn của Metasploit Framework, chưa thể tự biên dịch payload cho các lỗ hổng chưa từng công bố (0-day).
  • Khả năng xử lý các kịch bản tấn công ứng dụng Web đa bước phức tạp (ví dụ: chuỗi khai thác kết hợp CSRF, Blind SSRF và SQL Injection phức hợp) còn cần sự hỗ trợ thủ công.
  • Chưa tối ưu hóa cho các hệ thống được bảo vệ bởi các giải pháp WAF/EDR tân tiến có khả năng phát hiện mẫu hành vi bất thường.

Hướng phát triển trong tương lai

  • Ứng dụng Large Language Models (LLMs): Kết hợp các mô hình ngôn ngữ lớn chuyên sâu về an ninh mạng để tự động sinh payload và phân tích mã nguồn ứng dụng web.
  • Mở rộng sang Graph Neural Networks (GNN): Xây dựng đồ thị tấn công (Attack Graph) mô phỏng toàn bộ sơ đồ mạng phức tạp nhằm tìm kiếm đường dẫn leo thang đặc quyền (Privilege Escalation) xuyên suốt mạng doanh nghiệp.
  • Tối ưu hóa cơ chế Bypass phòng thủ: Bổ sung các kỹ thuật xáo trộn mã (Payload Obfuscation) và thay đổi tốc độ gửi gói tin để kiểm thử khả năng chống chịu của các hệ thống IPS/EDR.

Đối tượng hưởng lợi

+-------------------------------------------------------------------------+
|                        CÁC ĐỐI TƯỢNG HƯỞNG LỢI                          |
|                                                                         |
|  - Sinh viên & Giảng viên : Tài liệu & Môi trường thực hành RL          |
|  - Kỹ sư An toàn thông tin: Tự động hóa tác vụ Pentest lặp lại          |
|  - Doanh nghiệp           : Giảm 70% chi phí đánh giá an ninh           |
|  - Nhà nghiên cứu         : Nền tảng mở rộng thuật toán DRL             |
+-------------------------------------------------------------------------+
  • Sinh viên và Người học: Tiếp cận tài liệu thực tế kết hợp giữa Trí tuệ nhân tạo và An toàn thông tin; có source code mẫu để nghiên cứu về Reinforcement Learning ứng dụng.
  • Kỹ sư bảo mật (Security Engineers / Pentesters): Công cụ đắc lực hỗ trợ tự động hóa các bước trinh sát và khai thác sơ bộ, giúp tập trung thời gian vào việc phân tích các lỗ hổng logic chuyên sâu.
  • Doanh nghiệp vừa và nhỏ (SMEs): Tiếp cận giải pháp đánh giá an toàn thông tin tự động với chi phí thấp, nâng cao năng lực tự phòng vệ trước các cuộc tấn công mạng.
  • Nhà nghiên cứu khoa học: Cung cấp bộ dữ liệu thực nghiệm, môi trường đánh giá chuẩn mực (benchmark) để so sánh các thuật toán học máy mới trong tương lai.

Câu hỏi thường gặp

1. Yêu cầu phần cứng và phần mềm tối thiểu để triển khai Shennina+ là gì?

Hệ thống yêu cầu máy chủ cài đặt hệ điều hành Linux (khuyến nghị Ubuntu 20.04 LTS hoặc 22.04 LTS), cấu hình tối thiểu 4 Cores CPU, 8GB RAM và 20GB dung lượng ổ cứng trống. Về phần mềm, cần cài đặt sẵn Python 3.8 trở lên, Metasploit Framework v6.x và Nmap v7.9x.

2. Shennina+ có khả năng mở rộng để quét các mạng lớn hàng nghìn máy chủ không?

Hoàn toàn khả thi. Nhờ kiến trúc phân tán của thuật toán A3C và DPPO, hệ thống cho phép khởi tạo nhiều Worker tác tử chạy song song trên các luồng CPU hoặc các máy chủ phân tán khác nhau, mỗi Worker phụ trách một dải IP cụ thể và đồng bộ tri thức về Master Node.

3. Công cụ có thể tích hợp vào các hệ thống bảo mật hiện có (SIEM/SOAR/CI-CD) không?

Có. Shennina+ xuất toàn bộ dữ liệu quét và kết quả khai thác ra định dạng tệp chuẩn JSON và Markdown. Các hệ sinh thái CI/CD (như GitLab CI, Jenkins) hoặc các nền tảng SOAR có thể dễ dàng phân tích cú pháp (parse) kết quả đầu ra này để kích hoạt các kịch bản phản ứng tự động.

4. Hệ thống cần bảo trì và cập nhật cơ sở dữ liệu lỗ hổng như thế nào?

Người vận hành chỉ cần cập nhật định kỳ cơ sở dữ liệu của Metasploit Framework (msfupdate) và tập script của Nmap (nmap --script-updatedb). Khi có module khai thác mới, Shennina+ sẽ tự động nạp vào Action Space và liên kết với vector trạng thái tương ứng trong các lần chạy tiếp theo.

5. Chi phí triển khai và thời gian thu hồi vốn (ROI) được ước tính ra sao?

Shennina+ được xây dựng hoàn toàn trên các công nghệ và thư viện mã nguồn mở, không phát sinh chi phí bản quyền phần mềm. Đối với một doanh nghiệp quy mô vừa, việc tự động hóa khâu quét và khai thác sơ bộ giúp tiết kiệm hàng trăm giờ làm việc của chuyên gia bảo mật, mang lại điểm hòa vốn và hiệu quả đầu tư rõ rệt chỉ sau 2 đến 3 tháng đưa vào vận hành.

Kết luận

Đề tài khóa luận tốt nghiệp "Bộ khung kiểm thử xâm nhập có tích lũy kinh nghiệm và tối ưu payload dựa trên học tăng cường" đã nghiên cứu thành công và hiện thực hóa bộ khung Shennina+. Bằng việc giải quyết đồng thời hai bài toán cốt lõi: tối ưu hóa quá trình ra quyết định khai thác thông qua các thuật toán DRL tiên tiến (A3C, DPPO) và duy trì cơ chế tích lũy kinh nghiệm dạng đồ thị tri thức JSON, nghiên cứu đã mở ra một hướng tiếp cận hiệu quả, chính xác và tự động hóa cao cho lĩnh vực an toàn thông tin ứng dụng.

Những kết quả thực nghiệm ấn tượng với tỷ lệ khai thác thành công đạt 88.6% cùng khả năng rút ngắn số bước khai thác xuống mức tối ưu minh chứng cho tính khả thi và tiềm năng to lớn của việc đưa trí tuệ nhân tạo vào phục vụ an ninh mạng. Đây không chỉ là bước tiến quan trọng về mặt học thuật mà còn là giải pháp thực tiễn giàu giá trị, sẵn sàng chuyển giao và ứng dụng vào các hệ thống giám sát an ninh thực tế trong kỷ nguyên số.