Chương 1.--:-ece:+22EE22EE121. - Giới thiệu về an ninh mạng và mô phỏng web. _ Vai trò của ứng dụng W€b. Chiến lược an ninh mạng va honeypots.
Những tiến bộ trong công nghệ honeypot. Hoc Tăng cường trong an ninh mạng. Nhu cau về các giải pháp honeypot tiên tiến. Phương pháp DEEP-Dig: Công nghệ đánh lừa tiên tiến.
Lí do chọn đề tài f4 t. Phát triển một Agent DỌN dé học tập và thích ứng. Tích hợp Phương pháp DEEP-Dig cho phân tích pháp chứng. Đánh giá hiệu quả và hiệu suất trong môi trường Kiểm soát.
Đối tượng và phạm vi nghiên cứu. _ Hệ thống honeypot thích ứng. Học tăng cường sâu (DRL). Các mối đe dọa an ninh web.
Mô phỏng tấn công. Phân tích pháp chứng bới DEEP-DIg. Phạm vi nghiÊn CỨU. Pham vi kỹ thuật.
Phạm vi Ứng dụng. Phạm Vi thời Ø1an.e--c«c+certeeEekkttkrtkrrtkrrrirkrirrerrrrree 10 Chương 2. Hệ thống honeypot. Ứng dụng của RL trong an minh mạng.
Cac thuật toán chính trong RL?. Ví dụ về ứng dụng của RL trong an ninh mạng:. Phan tích pháp chứỨng. Tầm quan trọng trong an ninh mạng.
Phương pháp và công cụ. _ Tích hợp DEEP-DIg. Hướng nghiên cứu hiỆn tại. Hướng nghiên cứu trong nƯỚC.
Hướng nghiên cứu quốc tẾ.------ss++eestrccetrreerrrrerrre 15 Chương 3. HE THỐNG DE XUẤT. _ Thiết lập và triển khai hệ thống. _ Kiến trúc tổng thể.
Phat triển người đùng. _ Các thành phan và tính năng. Chỉ tiết triển khai. Các thành phan của hệ thống Honeypot thích ứng.
Thu thập dữ liệu (Data colleCfIOn). Tiền xử lý dữ liệu (Data Processing). Phân tích vector tấn công (Attack vector analysis). Tổng quan về mô hình DQN.----22++ce2ec+ttzzzztrezrtrrzrrre 26 3.
Mangáo, co nh.s-- sex thành Hà Hy nà nàngiyngiet 27 3. Mô tả chỉ tiết DQN Agent.-ccsccehHHnHHHY HH Hàn nhà gàng 28 3. Class DQN_ Ag@II.HHHHHì HH Hài, 29 3. Các thành phần của DQN Agent.
Chỉ tiết triển khai. _ Đánh giá hiệu suat của agent qua các chỉ sô Accuracy, Precision, Recall va EARS su ốm". Hệ thống đề xuất. Kiến trúc mô hình DQN Agent.
Luồng workflow của DON Agent. Phát hiện tấn công:. _ Huấn luyện và đánh giá:. Ứng dụng thực tẾ:.
Kết quả thực nghiệm.-----cc-+ceecccetirrevrvrrtrtrdrrrtrrrrrrrrrrrrrrrrrerrrre 40 Chương 4. TRÌNH BAY, ĐÁNH GIA BAN LUẬN VỀ KẾT QUẢ. Đánh giá và xác thỰC. Quy trình.
_ Thiết lập thí nghiệm:. Thu thập dữ liệu:.--eccereecerreeerireerrreerrrrerre 43 'n K@t Qua na. Quy trình kiểm tra. Thực thi tấn công.
_ Đối với tắn công SQL Injection:. Đối với tấn công XSS:.ceecceceerireeerrrireerrrre 52 Chương 5. Tóm tắt kết quả‹. Những đóng góp chính.xerrkseerirtkrirtriirtiiriiriiiriiee 60 Chương 6.
_ HƯỚNG PHÁT TRIỂN. Mở rộng các kịch bản tấn công:. Cải thiện mô hình DON. sen ung 63 DANH MỤC HÌNH Hình 1.
Kiến trúc tông thé của hệ thống honypot tích hợp Học Tăng cường. Giao diện trang chủ của ứng dụng web ngân hàng. Giao diện người dùng đăng nhập để truy cập vào tài khoản. Giao diện tài khoản tổng quan của người dùng.cc--::ccccccs 20 Hình 5.
Giao diện chuyền khoản nơi người dùng có thé nhập vào tài khoản thụ thưởng với số tiền tương ứng cần chuyên cho người dùng muốn nhận. Khi người dùng chuyền tiền thành công sẽ có thông báo xác nhận và khi người dùng tắt nó thì hệ thống sẽ tự load lại trang dé cap nhat lai số dư khả dụng của người dùng sau khi chuyền khoản. Giao diện thông tin tài khoản của người đùng. Giao diện lịch sử giao dịch, nơi người dùng có thể tra cứu lại những giao dich đã thực hiện được trong thời Qian VỪa QUA.
Giao diện phần hỏi đáp cho người dùng. Biểu diễn trang thái của DQN AgenIt. Quá trình huấn luyện DQN Agent được huấn luyện bằng cách sử dụng phát lại trải nghiệm ưu tiÊn.---cc¿--c5ccc+scErkrttrkriirtttriiirrrriiiirriirriirrrieg 34 Hình 12. Kiến trúc mô hình DQN Agent.
Kịch bản tân công SQL Injection.---cse‹eeeereeeerrreerreeeerreerre 46 Hình 14. Adam chuẩn bị các terminal dé chạy các script tắn công. Các script python được chạy dé thực hiện các cuộc tan công SQL TIJOCtiOn.--5sc SE xE HHTTHHYnHHY HH HHH THHàHY HH THHYHRE.TEH11ET1E11eTkrrrtee 49 Hình 16. Agent ghi nhận và phản hồi ngay sau khi phát hiện tắn công SQL Iinseoioi.
Tổng số cuộc tan công SQL Injection Agent đã phát hiện được. Biểu đồ đánh giá hiệu suất của agent DQN đối với tan công SQL Iiniseoioi mẻ. Kịch ban tan công XSS. Bob mở Burp Suite và cau hình Intercepting Proxy dé bắt và sửa đôi các YOU CAU HTTP.
Bob chuẩn bị 120 payload XSS, bao gồm các mã JavaScript độc hại như <SCRIPT SRC=http://ha.js></SCRIPT> <IMGSRC="javascript:alert(XSS');"> va các loại mã Script khác. Bob sử dung Burp Suite dé chặn các yêu cầu HTTP gửi từ trình duyệt đến IENidboidsfonailn. Bob chèn các payload XSS vào các trường đầu vào mật khẩu và gửi các yêu cầu đã chỉnh sửa đến máy chủ. Bob tiến hành tan công inject payload vào trường đầu vào password.
Agent ghi nhận và phản hồi ngay sau khi phát hiện tắn công XSS. 57 DANH MỤC BANG Bảng 1. Kết quả đánh giá hiệu suất của agent DQN đối với phát hiện tấn công SQL Injection. 51 DANH MỤC TU VIET TAT RL — Reinforcement Learning DỌN - Deep Q-Network DRL — Deep Reinforcement Learning SQL — Structured Query Language XSS — Cross-site scripting CSRF — Cross-site request forgery IDS - Intrusion Detection System OTP — One-time password PER — Prioritized Experience Replay MSE — Mean Squared Error TÓM TẮT KHÓA LUẬN Luận văn tốt nghiệp của tôi trình bày một nghiên cứu toàn diện về phát triển và đánh giá hệ thống honeypot thích ứng sử dụng Học Tăng cường (Reinforcement Learning - RL) và phương pháp DEEP-Dig dé phát hiện các cuộc tan công web tiên tiến.
Mục tiêu chính của nghiên cứu này là tạo ra một hệ thống thông minh có thể học hỏi và thích ứng động với các mẫu tấn công khác nhau, nâng cao hiệu quả trong việc xác định và giảm thiểu các mối đe dọa mạng tinh vi. Nghiên cứu bắt đầu với cái nhìn tổng quan về an ninh mạng và tầm quan trọng của các ứng dụng web, nhân mạnh nhu cầu ngày càng tăng về các biện pháp an ninh tiên tiến như honeypot. Bài luận xem xét các nghiên cứu hiện có về honeypot, RL trong an ninh mạng, và các kỹ thuật phân tích pháp chứng, xác định các khoảng trống trong các phương pháp hiện tại. Trọng tâm của luận văn năm ở khâu thiết kế và triển khai hệ thống honeypot thích ứng với các thành phần chính như DQN Agent chịu trách nhiệm phát hiện và phan ứng với các cuộc tan công web, Experience Replay Buffer dùng dé lưu trữ kinh nghiệm, và phân tích pháp chứng với DEEP-Dig dé khám phá các chiến lược tấn công.
Hệ thống được đánh giá trong các kịch bản tấn công khác nhau như SQL injection, XSS, và CSRF, với các chỉ số đánh giá bao gồm độ chính xác, thời gian phản hồi, và khả năng thích ứng. Kết quả cho thay hệ thống honeypot thích ứng có độ chính xác tương đối trung bình và thời gian phản hồi nhanh, chứng tỏ hiệu quả trong phát hiện và giảm thiểu các mối đe dọa, đồng thời cung cấp các thông tin pháp chứng có giá trị để cải thiện các biện pháp an ninh tổng thé. Giới thiệu về an ninh mạng và mô phóng web Trong bối cảnh kĩ thuật số hiện đại, an ninh mạng đã nôi lên như một mối quan tâm hang dau. Sự tiễn bộ không ngừng nghỉ của công nghệ đã làm tăng nhanh chóng khối lượng và độ phức tạp của các mối đe dọa mạng.
Trước đây, an ninh mạng chủ yếu tập trung vào việc bảo vệ chống lại phần mềm độc hại cơ bản và những truy cập trái phép. Tuy nhiên, bối cạnh mối đe dọa hiện đại được đặc trưng bởi các cuộc tan công tinh vi sử dung các kỹ thuật tiên tiến dé khai thác lỗ hồng trong hệ thống và ứng dụng. An ninh mạng bao gồm một loạt các biện pháp nhằm bảo vệ mạng, thiết bị, chương trình va dit liệu khỏi các cuộc tấn công, hư hỏng hoặc truy cập trái phép. Tam quan trọng của nó không thê bị đánh giá thấp được, với những hậu quả tiềm tang và các mối de doa an ninh quốc gia.
Khi các tổ chức ngày càng dựa vào cơ sở hạ tang kỹ thuật số, nhu cầu về các biện pháp an ninh mạng mạnh mẽ chưa bao giờ lớn hơn. Vai trò của ứng dụng web Các ứng dụng web đã trở thành một phần không thẻ thiếu trong nhiều khía cạnh của cuộc sông hằng ngày, từ ngân hang cá nhân và thương mại điện tử đến mạng xã hội truyền thông và hoạch định nguồn lực doanh nghiệp. Những ứng dụng này tạo điều kiện thuận lợi cho sự tương tác và giao dịch liền mạch qua internet, cung cấp các dịch vụ quan trọng cho người dùng trên toàn thế giới. Tuy nhiên, sự hiện diện phô biến và kết nối của chúng khiến chúng trở thành mục tiêu chính của các kẻ tấn công mạng.
Tính chất mở của các ứng dụng web, cùng với sự trao đổi thường xuyên của thông tin cá nhân, giới thiệu nhiều lỗ hổng cho các kẻ tan công khai thác. Các lỗ hồng phổ biến trong các ứng dụng web bao gồm SQL Injection, cross-site scripting (XSS), cross-site-request forgery (CSRF) và nhiều lỗ héng bảo mật web khác. Mỗi lỗ hồng này có thé bị khai thác dé truy cập trái phép, trích xuất dữ liệu hoặc làm gián đoạn dịch vụ. Chiến lược an ninh mang và honeypots Nhằm chống lại vô vàn mối đe dọa đối với các ứng dụng web, các chiến lược an ninh mạng phải đa dạng và linh hoạt.
Các biện pháp phòng thủ truyền thống như tường lửa, hệ thống phát hiện xâm nhập (IDS) và phần mềm chống virus tạo thành tuyến phòng thủ đầu tiên. Tuy nhiên, các biện pháp này thường không đủ đối phó với các cuộc tân công zero-day va vector tân công tinh vi liên tục tiên hóa. Honeypots đại diện cho một cách tiếp cận chủ động trong an ninh mạng, được thiết kế dé lừa dối và phân tích kẻ tan công bằng cách mô phỏng các hệ thống dé bị tổn thương. Một honeypot là một hệ thống môi nhử được cố tình phơi bày trên internet dé thu hút các kẻ tan công mạng.
Bằng cách giám sát các tương tác với honeypot, các chuyên gia anh ninh có thé thu thập những hiểu biết vô gia về phương pháp tan công, xu hướng. Honeypots có thê được phân loại thành honeypot tương tác cao và tương tác thấp. Honeypot tương tác cao mô phỏng các hệ thống hoàn chỉnh, cung cấp nhiều cơ hội tương tác cho kẻ tan công, do đó cung cấp dit liệu tan công chi tiết. Honeypot tương tác thấp, mặt khác, mô phỏng các dịch vụ hoặc lỗ hồng cụ thể, cung cấp tương tác hạn chế nhưng yêu cầu ít tài nguyên hon dé duy tri.
Những tiến bộ trong công nghệ honeypot Hiệu quả của các honeypot truyền thông thường bị giới hạn bởi tính tĩnh của chúng. Honeypot tĩnh có thể dễ dàng bị phát hiện và vượt qua bởi kẻ tấn công sử dụng các kỹ thuật tiên tiến nhằm xác định danh tính.