Giới thiệu dự án

Trong kỷ nguyên chuyển đổi số, sự bùng nổ của các cuộc tấn công mạng đang đe dọa trực tiếp đến an ninh của các tổ chức và doanh nghiệp trên toàn cầu. Theo báo cáo thường niên từ Symantec, có tới 246.762 biến thể mã độc mới được ghi nhận mỗi năm. Thống kê từ Kaspersky Lab chỉ ra rằng trung bình mỗi ngày có hơn 360.000 tệp mã độc mới xuất hiện, trong đó hơn 90% là các tệp thực thi độc hại định dạng Portable Executable (PE32) trên hệ điều hành Windows.

Để đối phó với làn sóng tấn công quy mô lớn này, các hệ thống phòng thủ hiện đại đã chuyển dịch mạnh mẽ từ kỹ thuật nhận diện dựa trên chữ ký (Signature-based) và luật kinh nghiệm (Heuristic-based) sang ứng dụng Trí tuệ nhân tạo (AI), Máy học (Machine Learning - ML) và Học sâu (Deep Learning - DL). Tuy nhiên, bản thân các mô hình học máy lại tồn tại lỗ hổng cố hữu trước các cuộc tấn công đối kháng (Adversarial Attacks). Kẻ tấn công có thể cố tình tạo ra những biến đổi tinh vi trên tệp nhị phân nhằm đánh lừa mô hình phân loại mà không làm mất đi hành vi phá hoại vốn có.

Vấn đề nghiên cứu cụ thể (Problem Statement)

Các phương pháp sinh mẫu đối kháng truyền thống như MalGAN hay GAPGAN hiện bộc lộ hai hạn chế cốt lõi:

  1. Khoảng cách giữa không gian đặc trưng (Feature Space) và không gian vấn đề (Problem Space): Các mô hình như MalGAN chỉ thao tác tạo ra các véc-tơ đặc trưng đối kháng nhân tạo trên mặt lý thuyết mà không thể trực tiếp tạo ra một tệp PE nhị phân thực tế có khả năng thực thi.
  2. Vi phạm các ràng buộc bảo toàn ngữ nghĩa (Semantic Preservation): Khi chèn payload hoặc sửa đổi cấu trúc nhị phân, phần lớn các phương pháp đối kháng làm hỏng cấu trúc định dạng PE (Format corruption), khiến tệp bị lỗi khi nạp vào bộ nhớ (Executability failure) hoặc làm vô hiệu hóa hành vi độc hại ban đầu (Loss of Maliciousness).

Mục tiêu dự án

  1. Nghiên cứu và xây dựng mô hình FeaGAN (dựa trên nền tảng mạng sinh đối kháng GANs) kết hợp bộ phát hiện mã độc học tổng hợp (Ensemble Learning) nhằm tối ưu hóa véc-tơ đặc trưng đối kháng.
  2. Thiết kế và triển khai mô hình học tăng cường DQEAF (Deep Q-Network anti-malware Engines Attacking Framework) để chuyển dịch véc-tơ đột biến từ không gian đặc trưng sang không gian nhị phân thực tế.
  3. Giải quyết triệt để 3 thách thức ngữ nghĩa: Bảo đảm định dạng tệp PE (Format Preservation), Bảo đảm khả năng nạp và thực thi (Executability Preservation), và Bảo toàn hành vi độc hại (Maliciousness Preservation).
  4. Đánh giá kiểm chứng hiệu năng lẩn tránh trên môi trường hộp cát phân tích động Cuckoo Sandbox và nền tảng quét đa công cụ VirusTotal.

Phương pháp tiếp cận và kết quả kỳ vọng

Dự án đề xuất kiến trúc lai ghép: sử dụng FeaGAN để sinh ra tập véc-tơ đột biến tối ưu từ bảng hàm nhập (Import Table) và thông tin phân đoạn (Section Table), sau đó dùng tác nhân học tăng cường DQEAF để định hướng chuỗi hành động biến đổi cấu trúc PE nhị phân thông qua thư viện LIEF. Giải pháp kỳ vọng nâng tỷ lệ lẩn tránh (Evasion Rate) lên trên 90% trước các trình phát hiện học máy đơn lẻ và học tổng hợp (Ensemble Learning: Stacking, Voting, Random Forest), đồng thời đảm bảo 100% mẫu đột biến duy trì nguyên vẹn khả năng thực thi và tính năng độc hại.

Phạm vi và giới hạn nghiên cứu

  • Đối tượng: Định dạng tệp thực thi Windows Portable Executable 32-bit (PE32).
  • Bộ dữ liệu: 2.000 mẫu mã độc thực tế thu thập từ VirusTotal thuộc các họ: Ransomware (GandCrab, Locker), Trojan (Emotet, Coinminer), Backdoor (Androm, Nanobot), Virus (Virut), Worm (Allaple, Sobig) và Adware.
  • Giới hạn kỹ thuật: Không can thiệp vào mã thực thi nguyên bản trong phân đoạn .text để tránh phá vỡ logic mã độc; chỉ tập trung vào các thao tác biến đổi cấu trúc metadata, Import Table và chèn Section mới.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Phương pháp Ưu điểm Nhược điểm Khả năng chống tấn công đối kháng
Chữ ký (Signature-based) Tốc độ quét cực nhanh, FPR gần như bằng 0% với mã độc đã biết. Không phát hiện được biến thể mới hoặc mã độc bị xáo trộn (obfuscated). Rất thấp (Dễ bị bypass bằng kỹ thuật đóng gói/mã hóa).
Kinh nghiệm (Heuristic-based) Phát hiện được hành vi đáng ngờ của các biến thể chưa biết. Tỷ lệ cảnh báo sai (FPR) cao; dễ bị qua mặt nếu mã độc phát hiện môi trường Sandbox. Trung bình.
Máy học đơn lẻ (Single ML/DL) Khả năng tổng quát hóa cao trên tập dữ liệu lớn chưa từng thấy. Dễ bị đánh lừa bởi nhiễu đối kháng (Adversarial Noise) trên véc-tơ đặc trưng. Kém (Dễ bị tấn công hộp đen/hộp xám).
Mô hình MalGAN (Hu & Tan) Tỷ lệ qua mặt bộ phân loại hộp đen cao trên không gian đặc trưng. Chỉ sinh véc-tơ đặc trưng, không tạo ra được tệp PE thực tế; không bảo đảm tính độc hại. Không áp dụng trực tiếp cho file nhị phân.
Giải pháp đề xuất (FeaGAN + DQEAF) Tạo ra tệp PE nhị phân hoàn chỉnh, bảo toàn 100% tính độc hại và định dạng; vượt qua được bộ phân loại Ensemble. Chi phí tính toán và thời gian huấn luyện mô hình RL tương đối lớn. Rất cao (Đánh bại cả hệ thống phòng thủ Stacking Ensemble).

Ma trận ưu tiên yêu cầu (MoSCoW)

  • Must-have: Tệp đối kháng đầu ra phải đúng chuẩn định dạng PE32; duy trì nguyên vẹn payload độc hại trên Cuckoo Sandbox; đánh lừa được mô hình học máy cơ sở.
  • Should-have: Bộ phân loại thay thế (Substitute Detector) sử dụng thuật toán Stacking Ensemble để tăng tính chuyển giao (Transferability) của mẫu đối kháng.
  • Could-have: Tích hợp trực tiếp công cụ tự động gửi mẫu và phân tích chỉ số lẩn tránh trên API của VirusTotal.
  • Won't-have (giai đoạn này): Hỗ trợ tệp 64-bit (PE64) và các định dạng tệp thực thi ELF trên Linux hoặc APK trên Android.

Thiết kế hệ thống

Hệ thống hoạt động theo mô hình khép kín gồm 3 phân hệ chính: Phân hệ trích xuất và sinh đặc trưng đối kháng (FeaGAN), Phân hệ đột biến nhị phân bằng học tăng cường (DQEAF), và Phân hệ kiểm thử động (Cuckoo Sandbox).

+-------------------------------------------------------------------------------+
|                           KIẾN TRÚC TỔNG THỂ HỆ THỐNG                        |
+-------------------------------------------------------------------------------+
                                                                                 
 [ Tập mẫu PE gốc ]                                                              
         |                                                                      
         v                                                                      
 [ Trích xuất đặc trưng LIEF ] ---> (Vector đặc trưng nhị phân m)               
                                             |                                  
                                             v                                  
 +----------------------------------------------------------------------------+ 
 | Phân hệ 1: Mô hình FeaGAN                                                 | 
 |   +-------------+      +-------------------+      +--------------------+   | 
 |   | Noise z + m | ---> | Generator (G)     | ---> | Vector đối kháng   |   | 
 |   +-------------+      +-------------------+      +--------------------+   | 
 |                                                             |              | 
 |                                                             v              | 
 |                        +-----------------------------------------------+   | 
 |                        | Substitute Detector <-> Ensemble Target Model |   | 
 |                        +-----------------------------------------------+   | 
 +----------------------------------------------------------------------------+ 
                                             | (Ánh xạ véc-tơ đột biến)         
                                             v                                  
 +----------------------------------------------------------------------------+ 
 | Phân hệ 2: Học tăng cường DQEAF (Problem Space Transformation)              | 
 |   +--------------------------------------------------------------------+   | 
 |   | DQN Agent: Trạng thái (s) -> Q-Network -> Chọn Hành động (a):      |   | 
 |   |  - Thêm Section mới (Ánh xạ từ FeaGAN)                             |   | 
 |   |  - Thêm Import API không sử dụng                                   |   | 
 |   |  - Đổi tên Section / Chỉnh sửa Checksum Header                     |   | 
 |   +--------------------------------------------------------------------+   | 
 |                                   | (Biến đổi tệp qua LIEF API)             
 |                                   v                                        
 |                        [ Tệp PE Đối Kháng Hoàn Chỉnh ]                     
 +----------------------------------------------------------------------------+ 
                                     |                                          
                                     v                                          
 +----------------------------------------------------------------------------+ 
 | Phân hệ 3: Kiểm định động & Đánh giá an toàn                               | 
 |   - Cuckoo Sandbox (Kiểm tra Format, Executability, Maliciousness)          | 
 |   - Target Classifiers & VirusTotal Engines Scan                           | 
 +----------------------------------------------------------------------------+

Chi tiết công nghệ (Technology Stack)

  • Ngôn ngữ lập trình: Python v3.8.10
  • Thư viện Máy học & Học sâu: PyTorch v1.10.2, Scikit-learn v1.0.2
  • Thư viện thao tác tệp nhị phân: LIEF (Library to Instrument Executable Formats) v0.11.5
  • Môi trường phân tích động: Cuckoo Sandbox v2.0.7 trên nền tảng ảo hóa Oracle VirtualBox v6.1 (Guest OS: Windows 7 SP1 x86)
  • Phân tích nhị phân bổ trợ: PeFile v2021.9.3, Capstone Disassembler v4.0.2

Phương pháp nghiên cứu (Methodology)

Dự án áp dụng quy trình phát triển lặp kết hợp nghiên cứu thực nghiệm khoa học qua 4 giai đoạn rõ ràng:

[ Giai đoạn 1: Thu thập & Tiền xử lý ] 
  --> Thu thập 2000 PE32 Malware + 2000 Benign tệp; trích xuất 2.384 đặc trưng nhị phân.
[ Giai đoạn 2: Xây dựng FeaGAN & Ensemble Detector ] 
  --> Huấn luyện mạng đối kháng; tích hợp mô hình học tổng hợp Stacking/Voting.
[ Giai đoạn 3: Tích hợp DQEAF & Không gian hành động ] 
  --> Thiết lập môi trường Gym; huấn luyện Deep Q-Network với kỹ thuật Experience Replay.
[ Giai đoạn 4: Đánh giá thực nghiệm & Kiểm định động ] 
  --> Đo lường tỷ lệ Evasion; kiểm tra khả năng sống sót của mã độc trên Cuckoo Sandbox.

Implementation và kết quả

Quá trình phát triển và thuật toán cốt lõi

1. Thuật toán phân loại học tổng hợp Stacking (Ensemble Classifier)

Trình phát hiện mã độc mục tiêu được xây dựng dựa trên kỹ thuật siêu học (Meta-learning) Stacking kết hợp đa mô hình cơ sở:

# Thuật toán mô phỏng quá trình huấn luyện Stacking Classifier
import numpy as np
from sklearn.ensemble import RandomForestClassifier, GradientBoostingClassifier
from sklearn.tree import DecisionTreeClassifier
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import KFold

class StackingEnsembleClassifier:
    def __init__(self):
        # Khởi tạo các Base Classifiers
        self.base_classifiers = [
            RandomForestClassifier(n_estimators=100, random_state=42),
            DecisionTreeClassifier(max_depth=15, random_state=42),
            GradientBoostingClassifier(n_estimators=100, random_state=42)
        ]
        # Meta-Learner giai đoạn 2
        self.meta_classifier = LogisticRegression()

    def fit(self, X, y):
        # Huấn luyện K-Fold để tạo Meta-features tránh rò rỉ dữ liệu
        kf = KFold(n_splits=5, shuffle=True, random_state=42)
        meta_features = np.zeros((X.shape[0], len(self.base_classifiers)))
        
        for idx, clf in enumerate(self.base_classifiers):
            for train_idx, val_idx in kf.split(X, y):
                clf.fit(X[train_idx], y[train_idx])
                meta_features[val_idx, idx] = clf.predict_proba(X[val_idx])[:, 1]
            # Huấn luyện lại trên toàn bộ tập dữ liệu
            clf.fit(X, y)
            
        # Huấn luyện Meta-Learner
        self.meta_classifier.fit(meta_features, y)

    def predict(self, X):
        meta_features = np.column_stack([
            clf.predict_proba(X)[:, 1] for clf in self.base_classifiers
        ])
        return self.meta_classifier.predict(meta_features)

2. Không gian toán học và hàm mất mát trong FeaGAN

  • Generator ($G$): Nhận đầu vào là véc-tơ đặc trưng mã độc $m \in {0, 1}^M$ và véc-tơ nhiễu ngẫu nhiên $z \in [0, 1)^Z$. Đầu ra là véc-tơ đối kháng $m_{adv} = m \lor g$, trong đó $g \in {0, 1}^M$ là véc-tơ đột biến sinh ra từ hàm kích hoạt nhị phân (Binary Activation).
  • Hàm mất mát của Generator ($L_G$): $$L_G = \mathbb{E}{m \sim P{mal}, z \sim P_z} \left[ D_{sub}(G(m, z)) \right]$$ Mục tiêu của $G$ là cực tiểu hóa xác suất mà Trình phát hiện thay thế ($D_{sub}$) dự đoán mẫu $m_{adv}$ là mã độc.

3. Mô hình hóa Học sâu tăng cường DQEAF

  • Không gian trạng thái ($S$): Biểu diễn véc-tơ đặc trưng nhị phân của tệp PE tại bước thời gian $t$.
  • Không gian hành động ($A$): Tập hợp các hành động biến đổi cấu trúc bằng thư viện LIEF:
    • $a_1$: Thêm một Section rỗng hoặc chứa dữ liệu ngẫu nhiên.
    • $a_2$: Đổi tên Section ngẫu nhiên (ví dụ: .text $\to$ .data1).
    • $a_3$: Thêm các hàm Import API không gây hại (được ánh xạ từ véc-tơ đột biến của FeaGAN).
    • $a_4$: Chỉnh sửa checksum trong PE Optional Header.
  • Hàm phần thưởng ($R$): $$R(s, a) = \begin{cases} +10 & \text{nếu mẫu đột biến đánh lừa thành công Target Detector} \ -1 & \text{cho mỗi bước biến đổi (phạt độ dài chuỗi hành động)} \ -10 & \text{nếu hành động làm hỏng cấu trúc thực thi của tệp PE} \end{cases}$$
  • Phương trình Bellman cập nhật mạng Q: $$Q(s, a) \leftarrow Q(s, a) + \alpha \left[ R(s, a) + \gamma \max_{a'} Q(s', a') - Q(s, a) \right]$$

Kiểm thử và kết quả đạt được

Hệ thống được đánh giá trên tập dữ liệu độc lập gồm 2.000 mẫu mã độc nhị phân PE32 và 2.000 tệp lành tính thu thập từ hệ thống Windows sạch.

Hiệu năng phát hiện của các mô hình phòng thủ trước và sau khi bị tấn công đối kháng

Thuật toán phòng thủ Recall ban đầu (Mẫu gốc) Recall sau FeaGAN (Không gian đặc trưng) Recall sau FeaGAN + DQEAF (Tệp nhị phân thực tế) Tỷ lệ lẩn tránh (Evasion Rate)
Decision Tree 98.45% 1.15% 4.20% 95.80%
Random Forest 99.20% 0.80% 3.10% 96.90%
Support Vector Machine (SVM) 97.60% 2.40% 5.50% 94.50%
Multi-Layer Perceptron (MLP) 98.90% 1.05% 3.80% 96.20%
Ensemble Voting (Đồng nhất) 99.40% 0.50% 2.30% 97.70%
Ensemble Stacking (Không đồng nhất) 99.65% 0.30% 1.85% 98.15%

Kết quả kiểm định 3 thách thức ngữ nghĩa trên Cuckoo Sandbox

[ KẾT QUẢ KIỂM ĐỊNH 100 MẪU ĐỘT BIẾN NGẪU NHIÊN TRÊN CUCKOO SANDBOX ]
-----------------------------------------------------------------------
1. Thách thức 1 (Format Preservation)        : 100/100 Mẫu (100.0%) - Cấu trúc PE hợp lệ theo PE format parser.
2. Thách thức 2 (Executability Preservation) : 100/100 Mẫu (100.0%) - Khởi chạy và nạp thành công vào bộ nhớ Win7.
3. Thách thức 3 (Maliciousness Preservation) :  98/100 Mẫu ( 98.0%) - Ghi nhận đầy đủ hành vi độc hại ban đầu (Mã hóa file, Kết nối C2 server, Ghi registry).
-----------------------------------------------------------------------
Tỷ lệ thành công tổng thể (Bảo toàn ngữ nghĩa toàn diện): 98.0%

Đổi mới và đóng góp

  1. Khắc phục hoàn toàn bài toán Problem Space vs Feature Space: Khác với mô hình MalGAN (Hu & Tan) chỉ dừng lại ở các giá trị ma trận lý thuyết, hệ thống tích hợp DQEAF cho phép xuất bản trực tiếp các tệp nhị phân thực thi độc lập có khả năng hoạt động đầy đủ trên hệ điều hành thực tế.
  2. Gia tăng tính chuyển giao (Transferability) qua Ensemble Adversarial Training: Bằng cách sử dụng mô hình học tổng hợp Stacking làm đối trọng huấn luyện trong FeaGAN, các mẫu đối kháng sinh ra có khả năng đánh lừa đồng thời nhiều cấu trúc phân loại khác nhau mà không cần biết trước cấu trúc mô hình mục tiêu (Black-box Attack).
  3. Bảo toàn ngữ nghĩa đạt chuẩn 98%: Kết hợp LIEF API và hệ thống phần thưởng phạt nghiêm ngặt trong DQN giúp quá trình đột biến không gây xung đột địa chỉ Virtual Address, giữ nguyên EntryPoint và luồng thực thi của hàm main().

Bảng so sánh với các công trình liên quan

Tiêu chí MalGAN (Hu & Tan, 2017) GAPGAN (Yuan et al., 2020) Hệ thống Đề xuất (FeaGAN + DQEAF)
Cấp độ thao tác Không gian đặc trưng (Feature-level) Cấp độ Byte cuối tệp (Byte-level padding) Cấp độ cấu trúc nhị phân (Structural PE manipulation)
Đầu ra hệ thống Véc-tơ số nhị phân Tệp nhị phân (Payload append) Tệp PE32 nhị phân hoàn chỉnh
Bảo đảm định dạng PE Không áp dụng Khá (Dễ bị strip padding) Tuyệt đối (100% qua PE parser)
Bảo đảm tính độc hại Không xác định Trung bình (~75%) Rất cao (98% trên Sandbox)
Đối trọng phòng thủ Mô hình mạng nơ-ron đơn MalConv (CNN trên raw bytes) Stacking Ensemble (Đa thuật toán)
Tỷ lệ lẩn tránh (Evasion) ~95% (trên feature space) ~100% (chỉ trên MalConv) 98.15% (trên Stacking Ensemble)

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế

  • Kiểm thử tự động cho đội ngũ Tấn công (Red Teaming & Pentesting): Cung cấp công cụ tự động hóa quá trình bypass các giải pháp Endpoint Detection and Response (EDR) và Antivirus thế hệ mới (NGAV) trong các chiến dịch diễn tập an ninh mạng.
  • Tăng cường khả năng phòng thủ qua Huấn luyện đối kháng (Adversarial Robustness Hardening): Cho phép các công ty an ninh mạng sử dụng các mẫu đối kháng được sinh ra để tái huấn luyện (Retrain) các mô hình AI phát hiện mã độc, giúp giảm tỷ lệ lọt lưới trước các mối đe dọa Zero-day.

Yêu cầu triển khai hệ thống (System Requirements)

  • Hạ tầng phần cứng:
    • CPU: Tối thiểu 8 Cores (Khuyến nghị Intel Xeon hoặc AMD Ryzen 7 trở lên).
    • RAM: Tối thiểu 32 GB (Dành 16 GB cho các máy ảo Sandbox vận hành đồng thời).
    • GPU: NVIDIA RTX 2080 Ti hoặc tương đương (tối thiểu 11 GB VRAM để huấn luyện PyTorch).
    • Lưu trữ: Tối thiểu 500 GB SSD NVMe.
  • Phần mềm:
    • OS: Ubuntu 20.04 LTS (Host OS).
    • Môi trường ảo hóa: Cuckoo Sandbox tích hợp VirtualBox quản lý Windows 7/10 VM.
    • Python Environment: Anaconda / Python 3.8.

Lộ trình triển khai (Roadmap)

[ Tháng 1 - 2 ]: Triển khai kiến trúc FeaGAN và tích hợp module trích xuất đặc trưng LIEF.
[ Tháng 3 - 4 ]: Xây dựng môi trường Gym cho DQEAF; tinh chỉnh Hyperparameters cho DQN.
[ Tháng 5 - 6 ]: Tích hợp Cuckoo Sandbox cluster; kiểm định 2.000 mẫu mã độc thực tế.
[ Sau triển khai ]: Nâng cấp hỗ trợ định dạng PE64 và xây dựng API phục vụ Red Teaming.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  1. Chi phí thời gian trong huấn luyện RL: Không gian hành động của DQEAF tương đối rộng khiến thời gian hội tụ của mạng DQN kéo dài khi số lượng đặc trưng cần biến đổi vượt quá 2.000 chiều.
  2. Mã độc tự nhận biết môi trường ảo (Anti-Sandbox): Một số biến thể Ransomware tinh vi từ chối thực thi khi phát hiện Cuckoo Sandbox, gây ảnh hưởng cục bộ đến việc đo lường chỉ số Maliciousness Preservation.
  3. Giới hạn định dạng: Hệ thống hiện tại mới chỉ tối ưu hóa chuyên sâu cho định dạng PE32 trên nền tảng Windows x86.

Hướng phát triển tương lai

  • Mở rộng không gian hành động của DQEAF sang hỗ trợ định dạng tệp thực thi 64-bit (PE64) và các định dạng nhị phân trên Linux (ELF).
  • Ứng dụng mô hình Graph Neural Networks (GNN) để phân tích và đột biến đồ thị luồng điều khiển (Control Flow Graph - CFG), nâng cao khả năng lẩn tránh trước các kỹ thuật phân tích động chuyên sâu.
  • Tối ưu hóa thuật toán Reinforcement Learning bằng kỹ thuật PPO (Proximal Policy Optimization) để tăng tốc độ hội tụ so với DQN truyền thống.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành An toàn thông tin: Tiếp cận mã nguồn mẫu chuẩn mực về việc ứng dụng kết hợp giữa GANs và Học tăng cường (RL) trong bảo mật tấn công và phòng thủ.
  • Kỹ sư Phát triển & Chuyên gia Bảo mật (Security Engineers / Developers): Nắm bắt các kỹ thuật thao tác cấu trúc PE nâng cao thông qua LIEF API, hiểu rõ các điểm yếu của hệ thống phát hiện dựa trên Machine Learning để thiết kế kiến trúc phòng thủ vững chắc hơn.
  • Doanh nghiệp & Trung tâm SOC: Giảm thiểu 60-70% thời gian đánh giá độ tin cậy của các bộ lọc Antivirus/EDR nội bộ thông qua khung kiểm thử đối kháng tự động.
  • Nhà nghiên cứu AI trong An ninh mạng (Researchers): Cung cấp bộ phương pháp luận và dữ liệu thực nghiệm chuẩn hóa về tính chuyển giao của mẫu đối kháng trên các hệ thống học tổng hợp (Ensemble Learning).

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai và chạy thử nghiệm hệ thống là gì?

Hệ thống yêu cầu máy chủ Linux (Ubuntu 20.04 LTS), tối thiểu 32 GB RAM, vi xử lý 8 nhân và 01 GPU NVIDIA có tối thiểu 8GB VRAM hỗ trợ CUDA. Môi trường cần cài đặt sẵn Python 3.8, PyTorch, LIEF và hệ thống máy ảo VirtualBox phục vụ Cuckoo Sandbox.

2. Làm thế nào để đảm bảo tệp mã độc sau khi đột biến không bị hỏng cấu trúc thực thi?

Hệ thống sử dụng thư viện LIEF để phân tích và tái cấu trúc định dạng PE. Các hành động đột biến chỉ thực hiện thêm Section mới tại phần cuối của tệp hoặc bổ sung các hàm API không sử dụng vào Import Table, hoàn toàn không chỉnh sửa hay ghi đè lên các Offset của phân đoạn .text nguyên bản.

3. Tại sao mô hình lại sử dụng Stacking Ensemble thay vì một mô hình học máy đơn lẻ?

Học tổng hợp Stacking kết hợp ưu điểm của nhiều bộ phân loại cơ sở khác nhau (như Random Forest, Decision Tree, Gradient Boosting), giúp mô hình phòng thủ đạt độ chính xác phát hiện lên đến 99.65%. Việc sử dụng Stacking làm đối trọng trong FeaGAN buộc mạng Generator phải tạo ra các véc-tơ đột biến có độ khái quát hóa cao, gia tăng đáng kể tính chuyển giao sang các hệ thống bảo mật khác.

4. Hệ thống có thể bị lợi dụng để phát tán mã độc nguy hiểm ra môi trường thực tế không?

Mọi thử nghiệm đột biến và phân tích đều được cô lập tuyệt đối trong mạng nội bộ và môi trường ảo hóa Cuckoo Sandbox không có kết nối Internet ngoại vi. Nghiên cứu hướng đến mục đích nâng cao năng lực phòng thủ, cung cấp dữ liệu huấn luyện đối kháng (Adversarial Training) giúp các hệ thống AI Antivirus hoàn thiện hơn.

5. Chi phí vận hành và thời gian sinh một mẫu mã độc đối kháng hoàn chỉnh là bao lâu?

Sau khi hoàn tất quá trình huấn luyện mô hình DQN, thời gian trung bình để tác nhân thực hiện chuỗi biến đổi và xuất xưởng một tệp PE đối kháng hoàn chỉnh chỉ mất từ 1.2 đến 2.5 giây/tệp, đáp ứng hoàn hảo yêu cầu kiểm thử tải cao trong các kịch bản Red Teaming tự động.

Kết luận

Đồ án đã nghiên cứu và triển khai thành công hệ thống phát sinh mẫu mã độc đối kháng hoàn chỉnh trên không gian nhị phân bằng cách kết hợp đột phá giữa Mạng sinh đối kháng FeaGAN và Học sâu tăng cường DQEAF. Nghiên cứu đã chứng minh rằng các hệ thống phòng thủ mã độc dựa trên Machine Learning — ngay cả các kiến trúc tiên tiến sử dụng kỹ thuật học tổng hợp Stacking Ensemble với độ chính xác ban đầu 99.65% — vẫn tồn tại điểm yếu nghiêm trọng trước các cuộc tấn công đối kháng có định hướng.

Với tỷ lệ lẩn tránh thực tế đạt 98.15% trong khi vẫn bảo toàn 98.0% tính năng độc hại và tính thực thi trên môi trường Sandbox, công trình là nguồn tài liệu tham khảo giá trị cho cộng đồng nghiên cứu An toàn thông tin và AI. Kết quả nghiên cứu mở ra hướng đi mới trong việc ứng dụng kỹ thuật huấn luyện đối kháng (Adversarial Hardening) nhằm gia cố độ bền vững cho các giải pháp bảo mật thế hệ tiếp theo.