Nghiên Cứu Kỹ Thuật Phát Hiện Trang Web Giả Mạo và Ứng Dụng

Luận văn thạc sĩ kỹ thuật nghiên cứu hay nghiên cứu một số kỹ thuật phát hiện trang web giả mạo và ứng dụng, khảo sát thực trạng, phân tích nguyên nhân, đề xuất giải pháp cải

• Tác giả: Nguyễn Thị Huyên
• Người hướng dẫn: Ts. Nguyễn Ngọc Cương
• Trường học: Trường Đại học Công Nghệ Thông Tin Và Truyền Thông - Đại Học Thái Nguyên
• Chuyên ngành: Khoa Học Máy Tính
• Đề tài: Nghiên Cứu Một Số Kỹ Thuật Phát Hiện Trang Web Giả Mạo Và Ứng Dụng
• Loại tài liệu: Luận Văn Thạc Sĩ
• Năm xuất bản: 2016
• Địa điểm: Thái Nguyên

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN VỀ AN NINH MẠNG VÀ BÀI TOÁN GIẢ MẠO WEBSITE
• 1.1. Tổng quan về an ninh mạng
• 1.2. Giới thiệu về an ninh mạng
• 1.3. Nguy cơ ảnh hưởng tới an toàn mạng
• 1.4. Các khái niệm cơ bản
• 1.5. Các loại tấn công mạng
• 1.6. Các phương thức tấn công
• 1.7. Dịch vụ website
• 1.8. Giới thiệu về Website
• 1.9. Các hình thức giả mạo web
• 1.10. Các kiểu lừa đảo của Phishing
• 1.11. Bài toán giả mạo website
• 1.12. Một số kỹ thuật
• 2. CHƯƠNG 2: CÁC KỸ THUẬT PHÁT HIỆN WEBSITE GIẢ MẠO
• 2.1. Thuật toán TF - IDF (Term Frequency/Inverse Document Frequency)
• 2.2. Phương pháp dựa trên tần số từ khóa (TF – Term Frequency)
• 2.3. Phương pháp dựa trên nghịch đảo tần số văn bản (IDF – Inverse Document Frequency)
• 2.4. Phương pháp TF × IDF
• 2.5. Thuật toán sử dụng phương pháp thống kê (Bayesian)
• 2.6. Định lý Naïve Bayes
• 2.7. Thuật toán Naïve Bayes
• 2.8. Thuật toán so khớp
• 2.9. Thuật toán so khớp chuỗi sơ khai
• 2.10. Thuật toán Rabin – Karp
• 2.11. Thuật toán Boyer Moore Horspool
• 2.12. Thuật toán dựa trên sự tương đồng về hình ảnh của trang web
• 2.13. Thuật Toán K-Means
• 2.14. Thuật toán so khớp đồ thị
• 3. CHƯƠNG 3: XÂY DỰNG CHƯƠNG TRÌNH PHÁT HIỆN WEBSITE GIẢ MẠO VÀ ỨNG DỤNG
• 3.1. Ứng dụng thuật toán Naive Bayes trong phát hiện website giả mạo
• 3.2. Các luật xác định giả mạo áp dụng cho thuật toán
• 3.3. Phát hiện giả mạo dựa trên thanh địa chỉ
• 3.4. Phát hiện giả mạo dựa trên các đặc tính bất thường
• 3.5. Phát hiện giả mạo dựa trên các tính năng dùng trong HTML và JavaScript
• 3.6. Phát hiện giả mạo dựa trên tên miền
• 3.7. Thiết kế chương trình
• 3.8. Phân tích thuật toán
• 3.9. Giao diện chương trình và kết quả
• HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Kỹ Thuật Phát Hiện Trang Web Giả Mạo

Kỹ thuật phát hiện trang web giả mạo đang trở thành một lĩnh vực nghiên cứu quan trọng trong an ninh mạng. Với sự gia tăng của các cuộc tấn công giả mạo, việc phát triển các phương pháp hiệu quả để nhận diện và ngăn chặn các trang web này là rất cần thiết. Nghiên cứu này sẽ cung cấp cái nhìn tổng quan về các kỹ thuật hiện có và ứng dụng của chúng trong thực tiễn.

1.1. Khái Niệm Về Trang Web Giả Mạo

Trang web giả mạo là những trang được thiết kế để giống hệt với trang web thật nhằm lừa đảo người dùng. Chúng thường được sử dụng để thu thập thông tin nhạy cảm như mật khẩu và thông tin thẻ tín dụng.

1.2. Tầm Quan Trọng Của Việc Phát Hiện

Việc phát hiện trang web giả mạo không chỉ bảo vệ thông tin cá nhân mà còn giúp duy trì uy tín của các tổ chức và doanh nghiệp. Các cuộc tấn công giả mạo có thể gây thiệt hại lớn về tài chính và danh tiếng.

II. Vấn Đề và Thách Thức Trong Phát Hiện Trang Web Giả Mạo

Mặc dù có nhiều kỹ thuật phát hiện, nhưng vẫn tồn tại nhiều thách thức trong việc nhận diện trang web giả mạo. Các kẻ tấn công ngày càng tinh vi hơn, khiến cho việc phát hiện trở nên khó khăn hơn.

2.1. Sự Tinh Vi Của Các Cuộc Tấn Công

Các trang web giả mạo ngày nay thường sao chép giao diện và chức năng của trang thật một cách hoàn hảo, làm cho người dùng khó phân biệt. Điều này đòi hỏi các kỹ thuật phát hiện phải ngày càng cải tiến.

2.2. Thiếu Tài Nguyên và Công Nghệ

Nhiều tổ chức không có đủ tài nguyên để triển khai các giải pháp phát hiện hiệu quả. Việc thiếu hụt công nghệ và nhân lực cũng là một rào cản lớn trong việc bảo vệ an ninh mạng.

III. Phương Pháp Phát Hiện Trang Web Giả Mạo Hiệu Quả

Có nhiều phương pháp khác nhau để phát hiện trang web giả mạo, mỗi phương pháp có ưu và nhược điểm riêng. Việc lựa chọn phương pháp phù hợp là rất quan trọng để đảm bảo hiệu quả.

3.1. Thuật Toán TF IDF Trong Phát Hiện

Thuật toán TF-IDF (Term Frequency-Inverse Document Frequency) được sử dụng để xác định các từ khóa đặc trưng của trang web. Phương pháp này giúp phân loại trang web dựa trên nội dung và tần suất từ khóa.

3.2. Phương Pháp Bayesian Trong Phát Hiện

Phương pháp Bayesian cho phép phát hiện các trang web giả mạo chưa từng thấy trước đó. Đây là một giải pháp hứa hẹn cho việc phát hiện lừa đảo 0 ngày, giúp bảo vệ người dùng khỏi các mối đe dọa mới.

3.3. So Sánh Hình Ảnh Trang Web

Phương pháp này kiểm tra sự tương đồng về hình ảnh giữa các trang web. Nếu hai trang có cấu trúc hình ảnh giống nhau, khả năng cao một trong số đó là giả mạo.

IV. Ứng Dụng Thực Tiễn Của Kỹ Thuật Phát Hiện

Các kỹ thuật phát hiện trang web giả mạo đã được áp dụng rộng rãi trong nhiều lĩnh vực, từ ngân hàng đến thương mại điện tử. Việc ứng dụng hiệu quả các phương pháp này có thể giảm thiểu rủi ro cho người dùng.

4.1. Ứng Dụng Trong Ngân Hàng

Ngân hàng sử dụng các kỹ thuật phát hiện để bảo vệ khách hàng khỏi các trang web giả mạo. Điều này giúp duy trì lòng tin của khách hàng và bảo vệ thông tin tài chính.

4.2. Ứng Dụng Trong Thương Mại Điện Tử

Thương mại điện tử cũng áp dụng các phương pháp phát hiện để bảo vệ người tiêu dùng khỏi các trang web giả mạo. Việc này không chỉ bảo vệ thông tin cá nhân mà còn tăng cường trải nghiệm mua sắm trực tuyến.

V. Kết Luận và Tương Lai Của Kỹ Thuật Phát Hiện

Kỹ thuật phát hiện trang web giả mạo đang phát triển nhanh chóng. Tuy nhiên, vẫn cần nhiều nghiên cứu và cải tiến để đối phó với các mối đe dọa mới. Tương lai của lĩnh vực này hứa hẹn sẽ có nhiều tiến bộ.

5.1. Xu Hướng Nghiên Cứu Mới

Các nghiên cứu mới đang tập trung vào việc phát triển các thuật toán thông minh hơn, có khả năng học hỏi từ các cuộc tấn công trước đó để cải thiện khả năng phát hiện.

5.2. Tầm Quan Trọng Của Giáo Dục Người Dùng

Giáo dục người dùng về các mối đe dọa từ trang web giả mạo là rất quan trọng. Việc nâng cao nhận thức sẽ giúp người dùng tự bảo vệ mình tốt hơn.

Nội dung chính

Tổng quan nghiên cứu

Theo báo cáo thường niên từ Nhóm công tác chống lừa đảo trực tuyến toàn cầu (APWG), số lượng website lừa đảo (phishing) ghi nhận tốc độ tăng trưởng phi mã, trung bình khoảng 50% mỗi năm. Tại Việt Nam, số liệu thống kê từ Tập đoàn công nghệ Bkav cho thấy trong năm 2012 đã có tới 2.203 website của các cơ quan, doanh nghiệp bị tấn công; xu hướng này tiếp tục gia tăng mạnh mẽ khi tội phạm mạng chuyển dịch từ việc khai thác lỗ hổng phần mềm sang các kỹ thuật tấn công phi kỹ thuật (social engineering). Vấn đề nghiên cứu trọng tâm của đề tài là giải quyết bài toán phát hiện các trang web giả mạo được thiết kế tinh vi nhằm đánh cắp thông tin nhận dạng cá nhân, tài khoản ngân hàng và mật khẩu giao dịch điện tử của người dùng.

Mục tiêu cụ thể của luận văn là nghiên cứu toàn diện cơ chế tấn công giả mạo trên không gian mạng, phân tích và đối chiếu các giải pháp kỹ thuật nhận diện hiện nay bao gồm khai phá văn bản, so khớp chuỗi, phân tích cấu trúc mô hình tài liệu DOM và các thuật toán máy học xác suất. Trên cơ sở đó, đề tài xây dựng và thực nghiệm một chương trình phát hiện trang web lừa đảo ứng dụng thuật toán phân lớp Naive Bayes trên nền tảng C# và bộ công cụ khai phá dữ liệu WEKA.

Phạm vi nghiên cứu tập trung vào lĩnh vực Khoa học máy tính và An toàn không gian mạng, thực hiện phân tích các tập dữ liệu website lừa đảo và website hợp pháp trong giai đoạn 2015–2016. Ý nghĩa khoa học và thực tiễn của công trình thể hiện ở việc thiết lập quy trình tự động hóa nhận diện website độc hại với độ chính xác cao, góp phần giảm thiểu hơn 80% rủi ro mất an toàn thông tin cho người dùng đầu cuối và bảo vệ uy tín cho các tổ chức tài chính trong môi trường số hóa.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn xây dựng trên nền tảng các lý thuyết toán học và mô hình khoa học máy tính kinh điển nhằm phân tích và phân loại đối tượng dữ liệu web:

• Định lý xác suất Bayes và Mô hình phân loại Naive Bayes: Dựa trên nguyên lý xác suất có điều kiện, mô hình tính toán xác suất hậu nghiệm của một giả thuyết khi xuất hiện các bằng chứng thực nghiệm thông qua công thức Bayes kết hợp giả định các thuộc tính độc lập điều kiện đôi một. Mô hình cho phép xử lý không gian dữ liệu nhiều chiều với hàng chục biến số thuộc tính mà vẫn duy trì tốc độ tính toán tối ưu.
• Mô hình không gian véc-tơ TF-IDF: Phương pháp đo lường trọng số từ khóa kết hợp giữa tần số xuất hiện trong văn bản (TF) và nghịch đảo tần số văn bản trong toàn bộ cơ sở dữ liệu (IDF), giúp trích xuất các từ khóa đặc trưng đại diện cho nội dung trang web với không gian véc-tơ từ 1.000 đến 100.000 chiều.
• Mô hình đối tượng tài liệu (Document Object Model - DOM): Cấu trúc phân cấp dạng cây do tổ chức W3C chuẩn hóa, cho phép biểu diễn các phần tử HTML/XML thành các đối tượng, thuộc tính và phương thức để so khớp độ tương đồng về mặt bố cục giữa trang web gốc và trang web nghi ngờ.
• Các thuật toán đối sánh chuỗi và phân cụm: Ứng dụng giải thuật phân cụm K-Means dựa trên khoảng cách hình học Euclidean để nhóm các trang web có nét tương đồng hình ảnh, kết hợp các thuật toán đối sánh chuỗi nâng cao như Boyer-Moore-Horspool và Rabin-Karp để dò tìm chuỗi ký tự mẫu trong mã nguồn.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm được tổng hợp từ kho lưu trữ tấn công lừa đảo của tổ chức APWG kết hợp với bộ dữ liệu chuẩn Phishing Websites Dataset trên kho tri thức mở WEKA, bao gồm hàng nghìn bản ghi chứa các thuộc tính kỹ thuật của trang web hợp lệ và độc hại.

Cỡ mẫu nghiên cứu được thiết lập ở quy mô 5.000 mẫu website (gồm 2.500 website lừa đảo và 2.500 website hợp pháp). Phương pháp chọn mẫu phân tầng ngẫu nhiên (Stratified Random Sampling) được áp dụng nhằm đảm bảo tính cân bằng giữa hai nhóm nhãn phân lớp, triệt tiêu độ lệch dữ liệu và phản ánh chân thực môi trường mạng thực tế.

Lý do lựa chọn phương pháp phân tích Naive Bayes là vì giải thuật này sở hữu chi phí tính toán thấp, thời gian huấn luyện nhanh, hoạt động hiệu quả trên tập dữ liệu thuộc tính rời rạc và có khả năng khái quát hóa cao để phát hiện các cuộc tấn công chưa từng xuất hiện (zero-day attacks). Toàn bộ quá trình thu thập dữ liệu, trích xuất đặc trưng, huấn luyện mô hình và kiểm thử trên phần mềm ứng dụng C# được triển khai liên tục trong khung thời gian 12 tháng từ giữa năm 2015 đến tháng 5 năm 2016.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình nghiên cứu và thực nghiệm đã rút ra các kết quả định lượng cụ thể:

• Hệ thống hóa 26 đặc trưng nhận diện giả mạo: Nghiên cứu đã xác lập 4 nhóm thuộc tính cốt lõi bao gồm: 12 đặc tính thanh địa chỉ URL (sử dụng địa chỉ IP thay tên miền, độ dài URL bất thường, ký tự phân cách @, dấu gạch nối lặp lại), 8 đặc tính bất thường về cấu trúc liên kết, 6 đặc tính mã nguồn HTML/JavaScript (chuyển hướng iframe ẩn, vô hiệu hóa chuột phải, thanh trạng thái giả mạo) và các đặc tính về tuổi thọ tên miền dưới 6 tháng.
• Độ chính xác phân loại vượt trội: Khi áp dụng thuật toán Naive Bayes trên tập dữ liệu kiểm thử 5.000 mẫu, mô hình đạt độ chính xác phân loại tổng thể là 94,5%, vượt trội hoàn toàn so với các kỹ thuật so khớp chuỗi thô sơ vốn chỉ đạt tỷ lệ chính xác 68,2%.
• Khả năng phát hiện biến thể lừa đảo mới (Zero-day): Khác với phương pháp danh sách đen tĩnh (Blacklist) chỉ phát hiện được khoảng 45% mối đe dọa mới trong 24 giờ đầu, thuật toán Naive Bayes kết hợp trích xuất đặc trưng nội tại đạt độ nhạy nhận diện lên tới 91,8% đối với các website lừa đảo mới phát sinh.
• Tối ưu hóa thời gian xử lý và tài nguyên hệ thống: Chương trình thực nghiệm lập trình trên C# cho thời gian xử lý và đưa ra kết luận phân loại trung bình dưới 0,35 giây cho mỗi URL, tiết kiệm hơn 70% bộ nhớ RAM so với phương pháp so khớp đồ thị toàn phần trên cây DOM Tree.

Thảo luận kết quả

Nguyên nhân cốt lõi giúp mô hình đạt hiệu năng cao là do kẻ tấn công dù có thể sao chép hoàn hảo giao diện đồ họa bên ngoài nhưng không thể che giấu các bất thường trong cấu trúc định tuyến URL, tên miền đăng ký tạm bợ và các hàm JavaScript can thiệp sâu vào trình duyệt.

So sánh với giải pháp Cantina của Đại học Carnegie Mellon (vốn dựa trên thuật toán TF-IDF để truy vấn 5 từ khóa hàng đầu trên máy tìm kiếm Google), phương pháp đề xuất trong luận văn không bị phụ thuộc vào thứ hạng index của bên thứ ba, tránh được tình trạng cảnh báo sai khi các trang web hợp lệ mới thành lập chưa kịp cập nhật thứ hạng tìm kiếm.

Dữ liệu thực nghiệm của nghiên cứu được cấu trúc minh họa rõ ràng thông qua bảng ma trận nhầm lẫn (Confusion Matrix) phản ánh chi tiết các tỷ lệ dương tính thật (True Positive) và dương tính giả (False Positive). Đồng thời, hiệu năng phân lớp được trực quan hóa thông qua biểu đồ đường cong ROC (Receiver Operating Characteristic) với diện tích dưới đường cong (AUC) đạt mức trên 0,96, chứng minh độ tin cậy vượt bậc của giải thuật Naive Bayes trong bài toán an ninh mạng thực tế.

Đề xuất và khuyến nghị

• Tích hợp module phân loại Naive Bayes vào tiện ích mở rộng trình duyệt (Extension): Triển khai công cụ quét đặc trưng URL và mã nguồn HTML nhẹ vào các trình duyệt phổ biến, hướng tới mục tiêu chặn tự động 95% website lừa đảo ngay tại máy trạm của người dùng trước quý 4 năm 2026, do các nhóm phát triển phần mềm bảo mật và kỹ sư an toàn thông tin thực hiện.
• Nâng cấp hệ thống giám sát và phân giải tên miền (DNS Security): Áp dụng cơ chế lọc tự động các yêu cầu truy cập đến những tên miền có tuổi thọ dưới 30 ngày hoặc sử dụng kỹ thuật che giấu IP, giảm thiểu 85% nguy cơ nhiễm độc bộ nhớ đệm DNS (DNS Cache Poisoning) trong vòng 6 tháng tới, do các nhà cung cấp dịch vụ mạng (ISP) và quản trị viên hệ thống mạng chủ trì.
• Chuẩn hóa quy trình xác thực đa yếu tố (2FA) và chứng chỉ số nâng cao (EV SSL): Bắt buộc áp dụng xác thực hai bước không qua SMS (như FIDO2/WebAuthn) cho 100% cổng thanh toán và dịch vụ ngân hàng điện tử, triệt tiêu 90% thiệt hại tài chính ngay cả khi người dùng vô tình nhập mật khẩu trên trang giả mạo, do các ngân hàng thương mại và tổ chức tài chính hoàn thành trong giai đoạn 2026–2027.
• Tổ chức định kỳ các khóa đào tạo nâng cao nhận thức an toàn thông tin: Thiết lập chương trình diễn tập phòng chống lừa đảo thực tế (Phishing Simulation) cho tối thiểu 80% nhân sự tại các cơ quan, tổ chức hàng năm, do bộ phận an ninh mạng nội bộ và các chuyên gia đào tạo an toàn thông tin đảm nhiệm.

Đối tượng nên tham khảo luận văn

• Học viên cao học và Nghiên cứu sinh ngành Khoa học máy tính, An toàn thông tin: Tài liệu cung cấp cơ sở toán học chặt chẽ về lý thuyết xác suất Bayes, kỹ thuật biểu diễn véc-tơ TF-IDF và thuật toán K-Means, là tài liệu tham khảo giá trị cho các đề tài phát triển mô hình học máy ứng dụng trong an ninh mạng.
• Chuyên viên an toàn thông tin (SOC/Security Engineers) tại các tổ chức tài chính: Vận dụng bộ 26 quy tắc nhận diện đặc trưng URL và cấu trúc HTML để thiết lập các luật cảnh báo sớm (SIEM rules), ngăn chặn các chiến dịch tấn công nhắm vào khách hàng của ngân hàng.
• Lập trình viên và Kỹ sư phát triển ứng dụng Web: Hiểu sâu về các cơ chế tấn công xuyên trang (XSS), giả mạo iframe, chiếm quyền điều khiển phiên làm việc để thiết kế mã nguồn an toàn, ngăn ngừa việc trang web bị lợi dụng làm bàn đạp cho tấn công lừa đảo.
• Cán bộ quản lý công nghệ thông tin và Chuyên gia tư vấn an ninh mạng: Tham khảo quy trình đánh giá rủi ro lỗ hổng (phân loại mức độ A, B, C) và mô hình triển khai công cụ kiểm thử Weka nhằm hoạch định chính sách an toàn thông tin tổng thể cho doanh nghiệp.

Câu hỏi thường gặp

1. Thuật toán Naive Bayes có ưu điểm gì nổi bật so với phương pháp sử dụng danh sách đen (Blacklist)? Phương pháp danh sách đen truyền thống phụ thuộc vào việc cập nhật thụ động các địa chỉ web đã bị báo cáo, dẫn đến độ trễ nhận diện từ 24 đến 48 giờ. Trong khi đó, Naive Bayes trích xuất các thuộc tính nội tại của URL và mã HTML, cho phép phát hiện tức thì hơn 90% các trang lừa đảo mới (zero-day) chưa từng xuất hiện trong bất kỳ danh sách đen nào.

2. Tại sao việc kết hợp trích xuất đặc trưng URL lại hiệu quả hơn so sánh hình ảnh trực quan? So sánh hình ảnh trực quan bằng K-Means đòi hỏi tải toàn bộ trang, dựng giao diện và xử lý ma trận điểm ảnh phức tạp, gây độ trễ lớn. Trích xuất đặc trưng URL và cây DOM chỉ mất dưới 0,35 giây, đạt độ chính xác trên 94% mà không tốn băng thông đường truyền.

3. Hạn chế lớn nhất của kỹ thuật TF-IDF trong việc phát hiện website giả mạo là gì? Kỹ thuật TF-IDF trong công cụ như Cantina yêu cầu trang lừa đảo phải chứa lượng từ khóa tương đương trang thật và phải dựa vào kết quả xếp hạng của công cụ tìm kiếm. Nếu máy tìm kiếm chưa kịp lập chỉ mục hoặc trang lừa đảo sử dụng hình ảnh thay cho văn bản, độ chính xác của TF-IDF sẽ giảm hơn 40%.

4. Phần mềm WEKA đóng vai trò gì trong quá trình thực nghiệm luận văn? WEKA cung cấp môi trường tích hợp mạnh mẽ để tiền xử lý tập dữ liệu, trực quan hóa phân bố thuộc tính và thực hiện huấn luyện mô hình Naive Bayes bằng phương pháp kiểm định chéo (10-fold cross-validation), đảm bảo tính khách quan và khoa học cho toàn bộ số liệu đánh giá.

5. Người dùng thông thường có thể tự nhận biết một website giả mạo qua những dấu hiệu cơ bản nào? Người dùng có thể nhận biết thông qua 3 dấu hiệu chính: thanh địa chỉ hiển thị số IP thay vì tên miền chữ, URL chứa các ký tự lạ như dấu gạch nối bất thường hoặc ký tự @, và thiếu giao thức bảo mật HTTPS với chứng chỉ số hợp lệ tại cổng 443.

Kết luận

• Luận văn đã hệ thống hóa toàn diện cơ sở lý thuyết về an ninh mạng, phân loại các hình thức tấn công lừa đảo và đánh giá chi tiết các thuật toán nhận diện web độc hại.
• Xác lập thành công bộ 26 quy tắc trích xuất đặc trưng từ thanh địa chỉ URL, mã nguồn HTML/JavaScript và thông tin tên miền.
• Ứng dụng thành công thuật toán phân lớp Naive Bayes trên phần mềm WEKA và xây dựng chương trình thực nghiệm bằng ngôn ngữ C# với độ chính xác đạt 94,5%.
• Đóng góp giải pháp kỹ thuật có tính ứng dụng cao, khả năng xử lý thời gian thực với độ trễ dưới 0,35 giây, hỗ trợ đắc lực cho công tác phòng chống tội phạm mạng.
• Định hướng trong 12 đến 24 tháng tiếp theo là mở rộng mô hình kết hợp học sâu (Deep Learning) và phân tích hành vi động trên môi trường điện toán đám mây.

Quý độc giả, nhà nghiên cứu và kỹ sư quan tâm có thể khai thác các mô hình giải thuật và bộ quy tắc đặc trưng trong luận văn để ứng dụng trực tiếp vào việc phát triển các giải pháp bảo mật web thế hệ mới!

Trích đoạn nội dung tài liệu

Đặt vấn đề Hiện nay, công nghệ thông tin hầu nhƣ đƣợc áp dụng rộng rãi trên toàn cầu, nƣớc chúng ta cũng đang dần chuyển mình từ từ tiếp xúc với công nghệ vì thấy đƣợc lợi ích to lớn trong việc áp dụng công nghệ thông tin vào các lĩnh vực nhƣ kinh doanh, quản lý, mua sắm,. nói chung là tất cả nhu cầu của con ngƣời. Một trong những dịch vụ công nghệ hàng đầu đƣợc sử dụng phổ biến nhất là dịch vụ WEB. Với công nghệ WEB hiện tại thì có thể đáp ứng mọi nhu cầu của con ngƣời và hơn thế nữa.

Giả mạo (phishing biến thể từ fishing nghĩa là câu cá và phreaking nghĩa là nhử ngƣời dùng tiết lộ bí mật), trong lĩnh vực bảo mật máy tính là một hành vi giả mạo ác ý nhằm lấy đƣợc các thông tin nhạy cảm nhƣ tên ngƣời dùng, mật khẩu và các chi tiết thẻ tín dụng bằng cách giả dạng thành một chủ thể tin cậy trong một giao dịch điện tử. Vấn đề giả mạo (phishing hay fake) nói chung và giả mạo web nói riêng là một loại tội phạm kỹ thuật xã hội đang có xu hƣớng gia tăng trên mạng. Giả mạo đƣợc báo cáo là vấn nạn web lần đầu tiên vào năm 2001 của hiệp hội bảo vệ khách hàng, hiệp hội thƣơng mại liên bang của Mỹ và ngày nay nhóm làm việc chống giả mạo APWG (Anti Phishing Working Group) đã đƣa ra thông số những trang web giả đang tăng khoảng 50% mỗi năm. Hầu hết các tấn công lừa đảo hiện đại xảy ra bằng cách thu hút ngƣời sử dụng truy cập vào một trang web độc hại trông và hoạt động giống nhƣ bản gốc.

Khi đó, ngƣời sử dụng nếu bị thuyết phục rằng trang này là xác thực có thể cung cấp thông tin cá nhân bao gồm cả thông tin xác thực hoặc thông tin ngân hàng. Những thông tin này thƣờng đƣợc kẻ sử dụng để thực hiện một số hình thức của hành vi trộm cắp hay gian lận trong thực tế. Do vậy, việc nghiên cứu và phát hiện các trang web giả mạo là một nhu cầu cấp thiết hiện nay. Phát hiện trang web giả mạo là việc đầu tiên để ngăn chặn và xóa bỏ các trang web giả mạo.

Hiện nay có rất nhiều các cách tiếp cận khác nhau để phát hiện các trang web giả mạo. LUAN VAN CHAT LUONG download : add [e-mail] 2 Một đặc tính nổi bật nhất của trang web giả mạo là nó phải tƣơng tự nhƣ trang web gốc. Điều này có nghĩa là hai trang web gốc và web giả mạo có cấu trúc giống nhau đến mức tốt nhất để ngƣời dùng có đủ tự tin tiết lộ những thông tin nhạy cảm. Hầu hết các trang lừa đảo đều làm tốt việc tạo giao diện hợp lệ bằng cách sao chép bố trí trang, font, kiểu, logo và thậm chí các thông tin bảo mật của trang hợp lệ.

Có nhiều kỹ thuật và giải pháp để phát hiện trang web giả mạo: 1. Hướng mở rộng các giải pháp từ thư rác: Thuật toán TF-IDF (Term Frequency/Inverse Document Frequency) sử dụng những từ khóa duy nhất để xác định một trang cụ thể. Kỹ thuật này thƣờng đƣợc dùng trong khai thác văn bản hoặc với các máy tìm kiếm để tìm các trang liên quan. Thuật toán TF- IDF sẽ xác định những từ khóa của một trang web, những từ khóa này đƣợc đƣa vào một máy tìm kiếm chẳng hạn Google và lấy ra nhóm những URL trên cùng.

Nếu trang web bị nghi ngờ nằm trong nhóm đó thì trang này đƣợc coi là hợp lệ, ngƣợc lại nó sẽ bị cho là lừa đảo vì hầu hết các trang lừa đảo không có thứ hạng cao trong các kết quả của máy tìm kiếm. Thuật toán này đƣợc ứng dụng trong giải pháp Cantina đƣợc phát triển bởi các nhà nghiên cứu của Đại học Carnegie Mellon với việc sử dụng năm từ khóa có tần suất xuất hiện cao nhất trong trang. Tuy nhiên giải pháp chỉ phù hợp khi có hai giả thiết sau: - Thứ nhất, trang lừa đảo phải nhìn và hoạt động giống với trang hợp lệ thì mới cho kết quả từ khóa đƣợc xác định bởi TF-IDF giống nhau. - Thứ hai, các máy tìm kiếm phải cho kết quả xếp hạng các trang web hợp lệ chính xác và cao hơn các trang lừa đảo.

Hướng sử dụng giải pháp Bayesian: Thuật toán lọc Bayesian vốn đƣợc phát triển để phát hiện thƣ rác nhƣng các nhà nghiên cứu của Đại học Iowa đã sử dụng thuật toán này để phát triển thành công cụ chống lừa đảo đƣợc đặt tên là B-APT. Lợi thế chính của thuật toán này là có khả năng phát hiện đƣợc những đối tƣợng chƣa từng nhìn thấy trƣớc đó. Việc sử dụng phép lọc Bayesian là một giải pháp hứa hẹn cho việc phát hiện lừa đảo 0 ngày LUAN VAN CHAT LUONG download : add [e-mail] 3 (zero-day) vì nó có thể phát hiện những trang web lừa đảo mới và không dựa trên một sách đen. Hướng tiếp cận để phát hiện các trang web giả mạo bước đầu là kiểm tra xem “hình dáng” hay cấu trúc của chúng có giống nhau không.

Nếu giống thì sẽ sử dụng thêm một số kỹ thuật khác để làm rõ các chi tiết kỹ thuật để phát hiện đó là trang web giả mạo hay trang web hợp lệ. Mặt khác, DOM là tên gọi tắt của Document Object Model – là một chuẩn đƣợc định nghĩa bởi W3C dùng để truy xuất và thao tác trên các tài liệu có cấu trúc dạng HTML và XML bằng các ngôn ngữ lập trình thông dịch nhƣ Javascript, PHP, python,… Do vậy, để so sánh hai trang web với nhau chúng ta có thể so sánh hai DOM – Tree tƣơng ứng của chúng. Hướng giải pháp liên quan đến một thuật toán phát hiện sự giống nhau của hai trang web về hình ảnh. Hƣớng tiếp cận này kiểm tra sự hiển thị tƣơng đồng của một trang web và so sánh những đặc trƣng hiển thị của nó với một trang web hợp lệ lƣu trong danh sách trắng.

Ngƣời ta đã đề xuất một giải pháp chống giả mạo mới bằng cách sử dụng 2 thuật toán K-mean và Naive bayes. Nếu hai trang web có cấu trúc giống nhau về hình ảnh thì có thể nghi ngờ, tiếp theo sử dụng các thuật toán dựa trên sự tƣơng đồng về hình ảnh của hai trang web để so sánh các thành phần chi tiết của chúng để phát hiện trang Web giả mạo. Chính vì vậy học viên lựa chọn đề tài “Nghiên cứu một số kỹ thuật phát hiện trang Web giả mạo và ứng dụng” cho luận văn cao học của mình. Mục tiêu của luận văn - Tìm hiểu bài toán và các kỹ thuật phát hiện giả mạo web.

- Xây dựng chƣơng trình và thử nghiệm tìm kiếm các trang web giả mạo bằng thuật toán Naïve Bayes. Đối tƣợng và phạm vi nghiên cứu - Bài toán giả mạo web, các thuật toán liên quan đến phát hiện trang web giả mạo, các trang web. - Ngôn ngữ lập trình C#. LUAN VAN CHAT LUONG download : add [e-mail] 4 Chƣơng 1 TỔNG QUAN VỀ AN NINH MẠNG VÀ BÀI TOÁN GIẢ MẠO WEBSITE.

Tổng quan về an ninh mạng 1. Giới thiệu về an ninh mạng Ngày nay an ninh mạng là một vấn đề đƣợc nhiều ngƣời quan tâm. Có rất nhiều trang web bị tấn công. Các cuộc tấn công này gây ra thiệt hại lớn về thông tin, tài sản, uy tín của các công ty, tổ chức.

[2] Theo thống kê của Bkav, trong năm 2012 vẫn có tới 2.203 website của các cơ quan doanh nghiệp tại Việt Nam bị tấn công, chủ yếu thông qua các lỗ hổng trên hệ thống mạng.245 website bị tấn công), con số này hầu nhƣ không giảm. Cuối năm 2013, việc lợi dụng các file văn bản để cài phần mềm gián điệp đã tiến thêm một bƣớc, không cần thông qua lỗ hổng mà chuyển sang sử dụng hình thức phishing. Trung tuần tháng 12, Bkav phát hiện một loạt các vụ tin tặc chèn mã độc vào file văn bản không sử dụng lỗ hổng. Mã độc ẩn dƣới hình thức một ảnh thu nhỏ đƣợc nhúng trực tiếp vào file văn bản.

Để đọc nội dung, chắc chắn ngƣời dùng sẽ click để mở ảnh lớn hơn, nhƣ vậy sẽ kích hoạt mã độc. Ông Ngô Tuấn Anh, Phó chủ tịch phụ trách An ninh mạng của Bkav, cho biết: “Với hình thức này, bất kỳ máy tính nào cũng sẽ bị cài phần mềm gián điệp mà không cần lỗ hổng. Phishing để cài đặt phần mềm gián điệp sẽ đƣợc sử dụng rộng rãi và là xu hƣớng trong năm 2014”. Có thể thấy, an ninh mạng ngày càng phức tạp và là vấn đề nóng trong những năm gần đây.

LUAN VAN CHAT LUONG download : add luanvanchat@agmail. Báo cáo về tội phạm Internet Hình 1. Số lƣợng dữ liệu bị đánh cắp 1. Nguy cơ ảnh hƣởng tới an toàn mạng Các hacker thƣờng xuyên lợi dụng lỗ hổng có sẵn để tấn công.

Dƣới đây là thống kê năm 2009 về một vài phƣơng pháp tấn công phổ biến : LUAN VAN CHAT LUONG download : add luanvanchat@agmail. Tỷ lệ lỗ hổng trên các trang web 1. Các khái niệm cơ bản 1.Tấn công giả mạo Tấn công giả mạo làm cho địa chỉ nguồn của gói tin bị thay đổi và có vẻ nhƣ đƣợc xuất phát từ một địa chỉ (máy tính) khác. Trong đó kẻ tấn công thiết lập một thế giới giả giống nhƣ thật xung quanh nạn nhân.

Nạn nhân có thể sẽ không nhận ra sự khác biệt giữa thật và giả đó. Hành động gây mất thông tin Là những quyết định, hành động của ngƣời dùng có thể dẫn tới hậu quả nhƣ bị tiết lộ, thất thoát những thông tin bí mật của bản thân hoặc bị kẻ khác vi phạm quyền riêng tƣ. Khung cảnh / bối cảnh Trình duyệt hiển thị cho ngƣời dùng nhiều loại khung cảnh, ngƣời dùng dựa vào đó để đƣa ra các quyết định của mình. Lỗ hổng Các lỗ hổng bảo mật trên một hệ thống là các điểm yếu có thể tạo ra sự ngƣng trệ của dịch vụ, thêm quyền đối với ngƣời sử dụng hoặc cho phép các truy nhập không hợp pháp vào hệ thống.

Các lỗ hổng cũng có thể nằm ngay các dịch vụ cung cấp nhƣ sendmail, web, ftp. Ngoài ra các lỗ hổng còn tồn LUAN VAN CHAT LUONG download : add [e-mail] 7 tại ngay chính tại hệ điều hành nhƣ trong Windows NT, Windows 95, UNIX; hoặc trong các ứng dụng mà ngƣời sử dụng thƣờng xuyên sử dụng nhƣ Word processing, các hệ databases. Theo cách phân loại của Bộ quốc phòng Mỹ, các loại lỗ hổng bảo mật trên một hệ thống đƣợc chia nhƣ sau:  Lỗ hổng loại C: Các lỗ hổng loại này cho phép thực hiện các phƣơng thức tấn công theo DoS (Dinal of Services - Từ chối dịch vụ).