Giới thiệu dự án

Tấn công giả mạo (Phishing) tiếp tục là một trong những mối đe dọa an ninh mạng nguy hiểm và phổ biến nhất trên toàn cầu. Theo báo cáo của Tổ chức Chống lừa đảo Quốc tế (Anti-Phishing Working Group - APWG), số lượng các vụ tấn công phishing tăng đột biến trong giai đoạn 2021–2023, đạt đỉnh điểm kỷ lục hơn 600.000 cuộc tấn công chỉ trong tháng 3 năm 2023. Tại Việt Nam, với 78,44 triệu người sử dụng Internet (chiếm 79,1% dân số), không gian mạng đang trở thành mục tiêu màu mỡ cho các chiến dịch lừa đảo tài chính và đánh cắp danh tính số.

                    SỐ VỤ TẤN CÔNG PHISHING THEO APWG (2021 - 2023)
  Số vụ
 600k |                                            / \
 200k | / \________/   \_________/
 100k |/
   0k +-------------------------------------------------------------------->
      Q1/2021       Q4/2021       Q4/2022       Q1/2023       Q4/2023

Các kỹ thuật xây dựng website lừa đảo ngày càng trở nên tinh vi. Kẻ tấn công không chỉ làm nhái giao diện người dùng (UI) giống hệt trang chính thống mà còn triển khai các kỹ thuật tấn công đồng hình (Homograph Attack), sử dụng ký tự Cyrillic/Greek thay thế chữ Latin, hoặc chèn nhiễu để tạo ra mẫu đối kháng (Adversarial Examples - AE). Điều này khiến các giải pháp truyền thống dựa trên danh sách đen/trắng (Blacklist/Whitelist) và các mô hình Học máy (Machine Learning - ML), Học sâu (Deep Learning - DL) đơn thể thức (Unimodal) dễ dàng bị đánh lừa qua các cuộc tấn công trốn tránh (Evasion Attack) và tấn công chuyển giao (Transferability Attack).

                      VÍ DỤ TÊN MIỀN NGUYÊN BẢN VÀ ĐỐI KHÁNG
  +-----------------------------------+-----------------------------------+
  | Loại tên miền                     | Chuỗi ký tự URL đại diện          |
  +-----------------------------------+-----------------------------------+
  | Tên miền hợp lệ                   | paypal.com                        |
  | Tên miền lừa đảo nguyên bản       | paypals.com (thêm ký tự 's')      |
  | Tên miền lừa đảo đối kháng (Homo) | pаypаl.com ('а' là Cyrillic U+0430)|
  | Tên miền đối kháng AWG sinh ra    | paypa1-security-verify4.com       |
  +-----------------------------------+-----------------------------------+

Khóa luận tốt nghiệp "A Study on Adversarial Sample Resistance and Defense Mechanism for Multimodal Learning-Based Phishing Website Detection" do nhóm nghiên cứu tại Trường Đại học Công nghệ Thông tin - ĐHQG-HCM (InSecLab) thực hiện nhằm giải quyết triệt để các lỗ hổng trên. Đề tài tập trung vào 5 mục tiêu cốt lõi:

  1. Khảo sát toàn diện: Đánh giá hiệu năng và tính bền vững của các mô hình ML, DL đơn thể thức và đa thể thức (Multimodal) trước các cuộc tấn công đối kháng.
  2. Thiết kế kiến trúc Shark-Eyes: Xây dựng mô hình học sâu đa thể thức 3 nhánh (DOM Tree, Lexical Domain, Visual Domain) nâng cao tỷ lệ phát hiện website lừa đảo.
  3. Phát triển khung tấn công AWG: Ứng dụng mạng sinh đối kháng Wasserstein GAN (WGAN) kết hợp thuật toán biến dị Charbot và mô hình hộp đen (Black-box) để tự động sinh mẫu URL đối kháng chất lượng cao.
  4. Đề xuất chiến lược phòng thủ: Ứng dụng kỹ thuật tái huấn luyện đối kháng (Adversarial Retraining) chọn lọc và Mạng khả diễn giải (Explainable AI - XAI Homo) để gia cố độ bền vững cho mô hình.
  5. Hiện thực hóa giải pháp: Triển khai tiện ích mở rộng (Browser Extension) Shark-Eyes trên trình duyệt web phục vụ bảo vệ người dùng cuối theo thời gian thực.

Dự án đạt được các chỉ số đo lường vượt trội: Tỷ lệ phát hiện (Detection Rate - DR) trên tập dữ liệu chuẩn đạt >98,5%, tỷ lệ trốn tránh (Evasion Rate - ER) của các mẫu đối kháng sau khi qua cơ chế phòng thủ giảm xuống dưới 4,2%, và thời gian phản hồi phân loại trung bình đạt dưới 120ms/trang web.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các phương pháp phát hiện website lừa đảo hiện nay tồn tại nhiều ranh giới kỹ thuật rõ rệt khi đối mặt với các dạng tấn công nâng cao:

Giải pháp Cơ chế hoạt động Ưu điểm Nhược điểm / Lỗ hổng
Blacklist / Whitelist Truy vấn cơ sở dữ liệu URL đã gắn nhãn Tốc độ truy vấn cực nhanh ($O(1)$), độ chính xác tuyệt đối với URL đã biết Bất lực trước website Zero-day, tên miền sinh tự động (DGA), tốn tài nguyên cập nhật
Unimodal DL (URL only) Phân tích chuỗi URL bằng CNN/LSTM Không cần tải toàn bộ trang web, chi phí tính toán thấp Dễ bị qua mặt bởi tấn công hoán đổi ký tự, Homograph, chèn nhiễu đối kháng
Traditional GAN Attacks Sinh mẫu đối kháng qua Minimax Loss Tự động hóa quá trình kiểm thử hộp đen Dễ sụp đổ mode (Mode Collapse), khó hội tụ, tạo ra URL vô nghĩa không đăng ký được
Shark-Eyes (Đề xuất) Hợp nhất đa thể thức: DOM + Ngữ nghĩa + Ảnh xám tên miền Độ chính xác cao, kháng nhiễu đối kháng vượt trội, phân tích đa chiều Đòi hỏi tải cây DOM HTML, cần tối ưu hóa tài nguyên cho client-side

Theo mô hình phân loại yêu cầu MoSCoW:

  • Must have: Trích xuất đặc trưng đa thể thức (DOM, cấu trúc từ ngữ, ảnh xám tên miền); Mô hình WGAN sinh mẫu đối kháng; Cơ chế Attention làm nổi bật đặc trưng trọng yếu.
  • Should have: Tiện ích Shark-Eyes Manifest V3; Bộ lọc kiểm tra tính hợp lệ tên miền (Domain Validator); Khung XAI giải thích quyết định.
  • Could have: Tích hợp nhánh phân tích nội dung văn bản (NLP ALBERT) và cây cú pháp trừu tượng JavaScript (AST Parser).
  • Won't have (giai đoạn này): Phân tích luồng video/âm thanh nhúng trong trang web.

Thiết kế hệ thống

Kiến trúc tổng thể của hệ thống phát hiện website lừa đảo đa thể thức Shark-Eyes kết hợp cùng khung sinh mẫu đối kháng AWG và chiến lược phòng thủ được thiết kế dạng module hóa:

                  KIẾN TRÚC MÔ HÌNH HỌC SÂU ĐA THỂ THỨC SHARK-EYES
                  
 [Input URL / HTML]

Công nghệ và phiên bản sử dụng:

  • Ngôn ngữ & Framework AI: Python v3.9+, TensorFlow v2.12+, PyTorch v2.0+, Scikit-learn v1.2+
  • Xử lý dữ liệu: BeautifulSoup4 v4.12+, Selenium WebDriver v4.9+, FastText v0.9.2
  • Tiện ích trình duyệt: JavaScript ES6, Chromium Extension Manifest V3, WebExtensions API
  • Môi trường thử nghiệm: Ubuntu 22.04 LTS, NVIDIA RTX 3090 24GB VRAM, Intel Xeon Gold 6226R

Cơ sở dữ liệu thực nghiệm bao gồm:

  1. Tập dữ liệu tên miền: 120.000 mẫu (60.000 tên miền lành tính từ Alexa Top Domains kết hợp Subfinder; 60.000 tên miền lừa đảo từ PhishTank, OpenPhish, PhishDB).
  2. Tập dữ liệu toàn diện trang web: 35.000 website chứa đầy đủ mã nguồn HTML, cây DOM, tệp JavaScript và hình ảnh chụp màn hình.

Phương pháp luận (Methodology)

Nghiên cứu áp dụng quy trình khoa học dữ liệu và an toàn thông tin khép kín 5 giai đoạn:

  1. Data Pipeline: Thu thập, làm sạch, phân tách thành phần HTML/DOM và mã hóa chuỗi nhị phân/ASCII.
  2. Adversarial Modeling (AWG): Thiết lập trò chơi đối kháng Game Theory Zero-sum sử dụng WGAN để mô phỏng chính xác hành vi của kẻ tấn công trong điều kiện Black-box.
  3. Multimodal Fusion: Huấn luyện mô hình Shark-Eyes thông qua cơ chế Late Concatenation kết hợp lớp Attention để gán trọng số tự động cho từng thể thức.
  4. Defense Hardening: Trích xuất mẫu đối kháng từ AWG, chọn lọc qua Validator và đưa vào pipeline tái huấn luyện (Adversarial Training).
  5. Production Deployment: Tối ưu hóa trọng số mô hình (ONNX / TensorFlow Lite format) và nhúng vào Chrome Extension.

Implementation và kết quả

Quá trình phát triển và Thuật toán cốt lõi

1. Nhánh trích xuất đặc trưng mô hình Shark-Eyes

  • Nhánh cấu trúc DOM: Trích xuất chuỗi thẻ HTML tuần tự, cố định độ dài $L_{DOM} = 500$, ánh xạ qua One-hot Encoding $\rightarrow$ Lớp Embedding (dim = 64) $\rightarrow$ Conv1D (64 filters, kernel size = 3) $\rightarrow$ MaxPool1D $\rightarrow$ BiLSTM (128 units) $\rightarrow$ Self-Attention.
  • Nhánh ngữ pháp tên miền: Phân tích chuỗi ký tự tên miền với độ dài cố định $L_{char} = 75$, mã hóa One-hot bảng ký tự 68 phần tử $\rightarrow$ Embedding (dim = 32) $\rightarrow$ Conv1D $\rightarrow$ MaxPool1D $\rightarrow$ GRU (64 units) $\rightarrow$ Attention.
  • Nhánh hình ảnh tên miền: Chuyển đổi mã ASCII của chuỗi ký tự tên miền thành ma trận số học 2D kích thước $16 \times 16$, chuẩn hóa trong khoảng $[0, 1]$ tương đương ảnh xám (Grayscale Image) $\rightarrow$ Conv2D (32 filters, $3 \times 3$) $\rightarrow$ BatchNormalization $\rightarrow$ MaxPooling2D ($2 \times 2$) $\rightarrow$ Dropout (0.3) $\rightarrow$ Attention.
import tensorflow as tf
from tensorflow.keras import layers, Model

def build_shark_eyes(dom_vocab_size=150, char_vocab_size=70):
    # Nhánh 1: DOM Structure
    input_dom = layers.Input(shape=(500,), name="dom_input")
    x1 = layers.Embedding(input_dim=dom_vocab_size, output_dim=64)(input_dom)
    x1 = layers.Conv1D(64, 3, padding="same", activation="relu")(x1)
    x1 = layers.MaxPooling1D(2)(x1)
    x1 = layers.Bidirectional(layers.LSTM(64, return_sequences=True))(x1)
    att1 = layers.Attention()([x1, x1])
    vec1 = layers.GlobalAveragePooling1D()(att1)

    # Nhánh 2: Lexical Domain
    input_lex = layers.Input(shape=(75,), name="lex_input")
    x2 = layers.Embedding(input_dim=char_vocab_size, output_dim=32)(input_lex)
    x2 = layers.Conv1D(32, 3, padding="same", activation="relu")(x2)
    x2 = layers.MaxPooling1D(2)(x2)
    x2 = layers.GRU(64, return_sequences=True)(x2)
    att2 = layers.Attention()([x2, x2])
    vec2 = layers.GlobalAveragePooling1D()(att2)

    # Nhánh 3: Visual Domain (Grayscale Image 16x16x1)
    input_img = layers.Input(shape=(16, 16, 1), name="img_input")
    x3 = layers.Conv2D(32, (3, 3), padding="same", activation="relu")(input_img)
    x3 = layers.BatchNormalization()(x3)
    x3 = layers.MaxPooling2D((2, 2))(x3)
    x3 = layers.Dropout(0.3)(x3)
    x3 = layers.Reshape((-1, 32))(x3)
    att3 = layers.Attention()([x3, x3])
    vec3 = layers.GlobalAveragePooling1D()(att3)

    # Decision Fusion Layer
    merged = layers.concatenate([vec1, vec2, vec3])
    dense = layers.Dense(128, activation="relu")(merged)
    dense = layers.Dropout(0.4)(dense)
    output = layers.Dense(1, activation="sigmoid", name="phishing_score")(dense)

    return Model(inputs=[input_dom, input_lex, input_img], outputs=output)

2. Khung sinh mẫu đối kháng AWG (Adversarial Website Generation)

Khung AWG sử dụng mạng Wasserstein GAN giải quyết nhược điểm mất ổn định gradient của GAN tiêu chuẩn. Hàm mục tiêu tối ưu hóa khoảng cách Wasserstein giữa phân phối tên miền thật $P_r$ và phân phối tên miền sinh đối kháng $P_g$:

$$\min_G \max_{D \in \mathcal{D}} \underset{x \sim P_r}{\mathbb{E}}[D(x)] - \underset{\tilde{x} \sim P_g}{\mathbb{E}}[D(\tilde{x})]$$

Bộ sinh $G$ nhận đầu vào là vector nhiễu $z$ cùng các mẫu tạo đột biến sơ bộ từ thuật toán Charbot, tối ưu hóa để đánh lừa Bộ phân biệt $D$ (được đồng bộ hóa nhãn liên tục từ mô hình hộp đen Black-box và Domain Validator).

import random

def charbot_mutation(legit_domain: str, tld_list: list) -> str:
    """
    Thuật toán Charbot tạo đột biến tên miền dựa trên lỗi gõ phím và thay thế ký tự.
    """
    charset = "abcdefghijklmnopqrstuvwxyz0123456789-"
    parts = legit_domain.split('.')
    sld = list(parts[0]) # Second-level domain
    
    if len(sld) > 0:
        # Chọn ngẫu nhiên vị trí đột biến
        mut_idx = random.randint(0, len(sld) - 1)
        orig_char = sld[mut_idx]
        avail_chars = [c for c in charset if c != orig_char]
        sld[mut_idx] = random.choice(avail_chars)
    
    mutated_sld = "".join(sld)
    selected_tld = random.choice(tld_list) if tld_list else parts[-1]
    return f"{mutated_sld}.{selected_tld}"

Thử nghiệm và Đánh giá hiệu năng

Nghiên cứu tiến hành đánh giá thực nghiệm chéo giữa 10 mô hình học máy/học sâu đơn thể thức và đa thể thức trên các kịch bản tấn công đối kháng chuyển giao.

                   SO SÁNH TỶ LỆ PHÁT HIỆN TRÊN MẪU ĐỐI KHÁNG
  Tỷ lệ DR (%)
         Random Forest          Fusion-CNN          Shark-Eyes
         (Baseline ML)        (Unimodal DL)       (Multimodal DL)
Mô hình kiểm thử Loại kiến trúc Độ chính xác ban đầu (Clean Accuracy) Tỷ lệ phát hiện mẫu AWG (Clean DR) Tỷ lệ phát hiện sau phòng thủ (Hardened DR) Thời gian suy luận (Inference Latency)
Decision Tree (DT) Baseline ML 88,4% 34,2% 61,5% 1,2 ms
Random Forest (RF) Ensemble Learning 96,1% 42,5% 74,8% 8,4 ms
XGBoost Ensemble Learning 96,8% 45,1% 78,2% 6,5 ms
LSTM Unimodal DL 94,5% 58,4% 81,0% 18,2 ms
CCBLA [49] Unimodal DL (5-branch) 97,2% 68,5% 86,4% 42,1 ms
Fusion-CNN [22] Unimodal DL (3-branch) 96,9% 71,2% 88,1% 25,6 ms
Multi-Modal DL [8] Multimodal (URL+JS+Text) 98,2% 86,3% 93,7% 165,0 ms
Shark-Eyes (Ours) Multimodal (DOM+Lex+Img) 98,9% 94,8% 97,6% 48,5 ms
Shark-Eyes v2 (Ours) Multimodal (+Content NLP) 99,3% 96,5% 98,5% 115,2 ms

Kết quả thực nghiệm khẳng định mô hình Shark-Eyes vượt trội hoàn toàn so với các mô hình đơn thể thức. Khi đối mặt với các cuộc tấn công đối kháng chuyển giao phức tạp nhất do khung AWG sinh ra, Shark-Eyes giữ vững tỷ lệ phát hiện ở mức 94,8% (so với 42,5% của Random Forest và 71,2% của Fusion-CNN), và tăng lên 97,6% sau khi áp dụng chiến lược phòng thủ tái huấn luyện chủ động.

Đổi mới và đóng góp

  1. Kiến trúc đa thể thức Shark-Eyes tối ưu hóa cao: Tích hợp đồng thời 3 góc nhìn bổ trợ: tính phân cấp của cây DOM HTML (bắt trọn khung sườn trang lừa đảo vốn nghèo nàn hơn trang chính thống), phân tích chuỗi ký tự qua BiLSTM/GRU, và biểu diễn ma trận ảnh xám $16 \times 16$ qua CNN (vô hiệu hóa các kỹ thuật làm xáo trộn ngữ pháp chuỗi).
  2. Khung tấn công đối kháng tự động AWG: Kết hợp tính ổn định của khoảng cách Wasserstein trong WGAN với cơ chế Black-box Feedback và bộ lọc tính hợp lệ Domain Validator, giải quyết triệt để bài toán sinh mẫu tấn công có cấu trúc hợp lệ trong môi trường thực tế.
  3. Chiến lược phòng thủ chủ động với XAI: Áp dụng phương pháp phân tích độ quan trọng của đặc trưng bằng Mạng khả diễn giải (XAI Homo) nhằm phát hiện các mẫu đồng hình tinh vi, kết hợp tái huấn luyện đối kháng có chọn lọc giúp mô hình không bị suy giảm hiệu năng trên tập dữ liệu chuẩn (No Catastrophic Forgetting).
  4. Công bố khoa học và giải thưởng uy tín:
    • Giải Ba chung cuộc: Cuộc thi "Dữ liệu với cuộc sống 2023" do Bộ Công An, ĐH Bách Khoa Hà Nội, VTV và Báo VNExpress phối hợp tổ chức.
    • 3 Công bố Hội nghị Quốc tế: SOICT 2023, MAPR 2023 (IEEE), ATC 2023 (IEEE).
    • Tạp chí Quốc tế: Công trình hoàn thiện đang trong giai đoạn bình duyệt tại tạp chí chuyên ngành IEEE Access (SCIE - Q1).

Ứng dụng thực tế và triển khai

Hiện thực hóa tiện ích mở rộng Shark-Eyes Extension

Nhóm tác giả đã đóng gói mô hình Shark-Eyes thành tiện ích bảo mật hoạt động trực tiếp trên trình duyệt Chromium (Google Chrome, Microsoft Edge, Brave) sử dụng chuẩn Manifest V3.

                    LUỒNG HOẠT ĐỘNG TIỆN ÍCH SHARK-EYES BROWSER
                    
   [Người dùng truy cập URL]
[Điểm < 0.50]   [Điểm >= 0.50]
  (An toàn)       (Cảnh báo đỏ / Chặn truy cập & Giải thích đặc trưng)
  • Quy trình triển khai:
    1. Khi người dùng điều hướng tới một trang web, Content Script tự động trích xuất cấu trúc thẻ DOM và chuỗi URL.
    2. Dữ liệu được mã hóa nhẹ và gửi về Background Service Worker.
    3. Mô hình nén ONNX Runtime Web thực hiện suy luận cục bộ trong thời gian dưới 50ms mà không gửi dữ liệu nhạy cảm của người dùng lên máy chủ bên thứ ba.
    4. Nếu phát hiện lừa đảo, tiện ích lập tức hiển thị giao diện cảnh báo đỏ toàn màn hình, cung cấp bằng chứng giải thích từ XAI và ngăn chặn hành vi gửi form dữ liệu.
       MOCKUP GIAO DIỆN CẢNH BÁO TIỆN ÍCH SHARK-EYES
 +---------------------------------------------------------+
 | [!] CẢNH BÁO: TRANG WEB LỪA ĐẢO NGUY HIỂM!              |
 |                                                         |
 | Hệ thống Shark-Eyes phát hiện trang web này có:         |
 |  - Tên miền giả mạo đồng hình (Homograph Attack): 99.2% |
 |  - Cấu trúc cây DOM bất thường (Phishing Template):94.5%|
 |                                                         |
 | [ QUAY LẠI TRANG AN TOÀN ]    [ Xem chi tiết kỹ thuật ] |
 +---------------------------------------------------------+

Phân tích Tính khả thi và Hiệu quả Đầu tư (Cost-Benefit Analysis)

  • Doanh nghiệp vừa và nhỏ (SMEs): Tiết kiệm 100% chi phí bản quyền giải pháp bảo mật cổng web đắt đỏ; giảm thiểu 95% rủi ro mất tài khoản quản trị viên do phishing nội bộ.
  • Trung tâm Điều hành An ninh mạng (SOC): Tích hợp engine Shark-Eyes qua API để phân tích tự động hàng triệu URL trong hệ thống SIEM/SOAR, giảm tải 80% thời gian điều tra thủ công cho chuyên viên bậc Tier-1.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  1. Phụ thuộc vào mã nguồn HTML tĩnh: Đối với các ứng dụng Single Page Application (SPA) dựng hoàn toàn bằng JavaScript phức tạp (React, Angular), cây DOM tải lần đầu có thể chưa phản ánh đầy đủ cấu trúc toàn diện.
  2. Chi phí tài nguyên nhánh mở rộng: Phiên bản Shark-Eyes v2 với nhánh NLP văn bản (ALBERT) có độ trễ suy luận lớn hơn (~115ms), đòi hỏi phần cứng cao hơn nếu triển khai tập trung trên server.

Hướng phát triển trong tương lai

  • Hỗ trợ Zero-shot Learning: Mở rộng mô hình nhận diện các biến thể tấn công thương hiệu mới mà không cần huấn luyện lại từ đầu.
  • Phân tích hành vi tương tác động: Bổ sung module giám sát luồng sự kiện JavaScript (DOM Mutation Observers) nhằm phát hiện các website biến đổi giao diện sau khi vượt qua vòng kiểm tra ban đầu.

Đối tượng hưởng lợi

                         CƠ CẤU ĐỐI TƯỢNG HƯỞNG LỢI

Câu hỏi thường gặp

1. Yêu cầu phần cứng tối thiểu để triển khai tiện ích Shark-Eyes là gì?

Tiện ích mở rộng Shark-Eyes chạy trực tiếp trên trình duyệt chỉ yêu cầu tối thiểu 512MB RAM khả dụng và CPU lõi kép tương thích với các trình duyệt Chromium hiện đại. Đối với máy chủ phục vụ huấn luyện lại mô hình định kỳ, khuyến nghị trang bị tối thiểu GPU 8GB VRAM (như NVIDIA RTX 3060 hoặc tương đương).

2. Mô hình xử lý tấn công giả mạo đồng hình (Homograph Attack) bằng cách nào?

Shark-Eyes sử dụng nhánh phân tích hình ảnh (Visual Domain Branch). Bằng cách chuyển đổi chuỗi ký tự ASCII/Unicode thành ma trận số học 2D và quét qua mạng tích chập CNN, các ký tự Cyrillic hay ký tự đặc biệt có hình dạng giống chữ cái Latin nhưng khác mã byte sẽ tạo ra các vết nhiễu đặc trưng, giúp bộ phân loại phát hiện chính xác mà không phụ thuộc vào chuỗi ký tự đơn thuần.

3. Hệ thống có thể tích hợp với các giải pháp SIEM/SOC doanh nghiệp không?

Có. Nhóm nghiên cứu cung cấp wrapper RESTful API viết bằng FastAPI đóng gói trong Docker Container. Các hệ sinh thái giám sát an ninh mạng như Splunk, Elastic SIEM hoặc Wazuh có thể gửi URL và mã nguồn HTML đến endpoint /api/v1/predict để nhận kết quả phân loại và điểm rủi ro chỉ sau chưa đầy 50ms.

4. Tần suất cập nhật dữ liệu và tái huấn luyện mô hình cần thiết là bao lâu?

Khuyến nghị thiết lập pipeline MLOps tự động cập nhật danh sách tên miền mới và tái huấn luyện theo chu kỳ 1 tuần/lần. Nhờ cơ chế phòng thủ đối kháng AWG tích hợp sẵn, mô hình có thể duy trì độ chính xác cao trong vòng 30–45 ngày mà không bị suy thoái hiệu năng trước các biến thể lừa đảo mới.

5. Chi phí triển khai giải pháp Shark-Eyes trong môi trường doanh nghiệp là bao nhiêu?

Toàn bộ mã nguồn, kiến trúc mô hình và tiện ích mở rộng được phát triển trên nền tảng mã nguồn mở, giúp doanh nghiệp tiết kiệm 100% chi phí bản quyền phần mềm. Chi phí duy nhất là tài nguyên máy chủ duy trì API nội bộ (khoảng 20–50 USD/tháng cho cụm Cloud VPS tiêu chuẩn phục vụ hàng nghìn người dùng).

Kết luận

Khóa luận tốt nghiệp "A Study on Adversarial Sample Resistance and Defense Mechanism for Multimodal Learning-Based Phishing Website Detection" đã giải quyết xuất sắc bài toán phát hiện website lừa đảo thế hệ mới. Thông qua việc kết hợp sáng tạo giữa mô hình học sâu đa thể thức Shark-Eyes, khung sinh mẫu đối kháng AWG (WGAN) và chiến lược phòng thủ chủ động XAI, đề tài không chỉ đạt được những thành tựu học thuật ấn tượng (3 công bố hội nghị quốc tế, bài báo Q1, giải Ba toàn quốc) mà còn mang lại một sản phẩm thực tiễn có giá trị cao bảo vệ cộng đồng người dùng Internet.

Hãy tham khảo và áp dụng ngay các kỹ thuật đa thể thức cùng cơ chế phòng thủ đối kháng để nâng tầm hệ thống bảo mật cho tổ chức của bạn!