Đồ Án Tốt Nghiệp: Phát Hiện Lỗ Hổng Phần Mềm Sử Dụng Phương Pháp Xử Lý Ngôn Ngữ Tự Nhiên

Phát hiện lỗ hổng phần mềm là một trong những thách thức lớn trong lĩnh vực an ninh mạng. 67 trang · Học viện Công nghệ Bưu chính Viễn thông · 2022.

• Tác giả: Phạm Ngọc Quân
• Người hướng dẫn: TS. Đỗ Xuân Chợ
• Trường học: Học viện Công nghệ Bưu chính Viễn thông
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Phát Hiện Lỗ Hổng Sử Dụng Phương Pháp Xử Lý Ngôn Ngữ Tự Nhiên
• Loại tài liệu: Đồ án tốt nghiệp
• Năm xuất bản: 2022
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN VỀ LỖ HỔNG PHẦN MỀM
• 1.1. Một số định nghĩa và khái niệm
• 1.2. Phân loại lỗ hổng
• 1.3. Nguyên nhân gây ra lỗ hổng
• 1.4. Khái niệm lỗ hổng phần mềm
• 1.5. Các loại lỗ hổng phần mềm
• 2. CHƯƠNG 2: NGHIÊN CỨU VÀ ĐỀ XUẤT PHƯƠNG PHÁP
• 2.1. Một số nghiên cứu liên quan
• 2.2. Phát hiện lỗ hổng phần mềm dựa trên luật
• 2.3. Phát hiện lỗ hổng sử dụng học máy học sâu
• 2.4. Đề xuất phương pháp
• 2.5. Học sâu sử dụng kỹ thuật xử lý ngôn ngữ tự nhiên (Natural Language Processing)
• 2.6. Đầu vào và đầu ra của mô hình
• 2.7. Mô hình phân loại để xuất
• 2.8. Word2vec + LSTM/Bidirectional LSTM
• 3. CHƯƠNG 3: THỬ NGHIỆM VÀ ĐÁNH GIÁ KẾT QUẢ
• 3.1. Dữ liệu thử nghiệm
• 3.2. Kịch bản thử nghiệm
• 3.3. Phương pháp đánh giá
• LỜI CẢM ƠN
• DANH MỤC TÀI LIỆU THAM KHẢO
• DANH MỤC CÁC BẢNG, SƠ ĐỒ, HÌNH
• KÝ HIỆU CÁC CỤM TỪ VIẾT TẮT

Tóm tắt

I. Tổng quan về phát hiện lỗ hổng phần mềm sử dụng NLP

Phát hiện lỗ hổng phần mềm là một trong những thách thức lớn trong lĩnh vực an ninh mạng. Việc sử dụng các phương pháp xử lý ngôn ngữ tự nhiên (NLP) để phát hiện lỗ hổng phần mềm đang trở thành xu hướng mới. Các nghiên cứu cho thấy rằng NLP có thể giúp cải thiện độ chính xác trong việc phát hiện các lỗ hổng, từ đó giảm thiểu rủi ro cho hệ thống.

1.1. Khái niệm về lỗ hổng phần mềm và NLP

Lỗ hổng phần mềm là điểm yếu trong mã nguồn cho phép kẻ tấn công khai thác. NLP là công nghệ cho phép máy tính hiểu và xử lý ngôn ngữ tự nhiên, giúp phát hiện các lỗ hổng thông qua phân tích mã nguồn.

1.2. Tầm quan trọng của việc phát hiện lỗ hổng phần mềm

Việc phát hiện lỗ hổng phần mềm kịp thời giúp bảo vệ dữ liệu và hệ thống khỏi các cuộc tấn công. Các lỗ hổng không được phát hiện có thể dẫn đến mất mát thông tin và thiệt hại tài chính lớn.

II. Vấn đề và thách thức trong phát hiện lỗ hổng phần mềm

Mặc dù có nhiều phương pháp phát hiện lỗ hổng, nhưng vẫn tồn tại nhiều thách thức. Các phương pháp truyền thống thường gặp khó khăn trong việc phát hiện chính xác các lỗ hổng, dẫn đến nhiều kết quả sai lệch. Điều này làm tăng thời gian và chi phí cho việc kiểm tra và xử lý.

2.1. Các phương pháp phát hiện lỗ hổng truyền thống

Các phương pháp như phân tích tĩnh và phân tích động thường không đủ hiệu quả. Chúng có thể tạo ra nhiều kết quả dương tính giả và âm tính giả, gây khó khăn cho các chuyên gia an ninh.

2.2. Tác động của lỗ hổng phần mềm đến an ninh mạng

Lỗ hổng phần mềm có thể dẫn đến các cuộc tấn công nghiêm trọng, như đánh cắp dữ liệu và tấn công từ chối dịch vụ. Điều này không chỉ ảnh hưởng đến doanh nghiệp mà còn đến người dùng cuối.

III. Phương pháp phát hiện lỗ hổng phần mềm bằng NLP

Sử dụng NLP trong phát hiện lỗ hổng phần mềm mang lại nhiều lợi ích. Các mô hình học máy có thể phân tích mã nguồn và phát hiện các mẫu lỗ hổng một cách tự động. Điều này giúp giảm thiểu thời gian và chi phí cho việc kiểm tra.

3.1. Mô hình học sâu trong phát hiện lỗ hổng

Mô hình học sâu như LSTM và BERT có thể được áp dụng để phân tích mã nguồn. Chúng giúp cải thiện độ chính xác trong việc phát hiện các lỗ hổng phần mềm.

3.2. Quy trình phát hiện lỗ hổng bằng NLP

Quy trình này bao gồm thu thập dữ liệu, tiền xử lý, xây dựng mô hình và đánh giá kết quả. Mỗi bước đều quan trọng để đảm bảo tính chính xác và hiệu quả của phương pháp.

IV. Ứng dụng thực tiễn của phương pháp phát hiện lỗ hổng phần mềm

Phương pháp phát hiện lỗ hổng phần mềm bằng NLP đã được áp dụng trong nhiều dự án thực tế. Các kết quả cho thấy rằng việc sử dụng NLP giúp phát hiện lỗ hổng nhanh chóng và chính xác hơn so với các phương pháp truyền thống.

4.1. Các dự án thành công trong phát hiện lỗ hổng

Nhiều tổ chức đã áp dụng thành công phương pháp này để bảo vệ hệ thống của họ. Các dự án này đã chứng minh tính hiệu quả của NLP trong việc phát hiện lỗ hổng.

4.2. Kết quả nghiên cứu và đánh giá

Các nghiên cứu cho thấy rằng việc áp dụng NLP có thể giảm thiểu đáng kể số lượng lỗ hổng không được phát hiện. Điều này giúp nâng cao an ninh mạng cho các tổ chức.

V. Kết luận và tương lai của phát hiện lỗ hổng phần mềm

Phát hiện lỗ hổng phần mềm sử dụng NLP là một xu hướng mới đầy hứa hẹn. Tương lai của phương pháp này sẽ tiếp tục phát triển với sự tiến bộ của công nghệ. Việc cải thiện độ chính xác và giảm thiểu thời gian phát hiện sẽ là mục tiêu hàng đầu.

5.1. Hướng phát triển trong tương lai

Các nghiên cứu sẽ tiếp tục tìm kiếm các mô hình mới và cải tiến hiện tại để nâng cao hiệu quả phát hiện lỗ hổng. Sự kết hợp giữa NLP và các công nghệ khác sẽ mở ra nhiều cơ hội mới.

5.2. Tầm quan trọng của việc nâng cao nhận thức

Nâng cao nhận thức về lỗ hổng phần mềm và các phương pháp phát hiện là rất cần thiết. Điều này sẽ giúp các tổ chức bảo vệ tốt hơn trước các mối đe dọa an ninh mạng.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong kỹ thuật phần mềm hiện đại, việc đảm bảo chất lượng và an toàn thông tin là ưu tiên xuyên suốt chu kỳ phát triển cũng như vận hành hệ thống. Sự gia tăng liên tục về quy mô và độ phức tạp của các ứng dụng phần mềm kéo theo nguy cơ xuất hiện nhiều điểm yếu kỹ thuật, trở thành mục tiêu cho các cuộc tấn công có chủ đích. Khi hệ thống tồn tại lỗ hổng mà người quản lý không kịp thời phát hiện và áp dụng bản vá trước khi bị tin tặc khai thác, hậu quả có thể dẫn đến việc rò rỉ dữ liệu nhạy cảm, tấn công từ chối dịch vụ (DoS), hoặc nghiêm trọng nhất là hệ thống bị chiếm quyền kiểm soát hoàn toàn để phát tán mã độc.

Để giải quyết bài toán phát hiện sớm khiếm khuyết phần mềm, hai phương pháp tiếp cận chủ đạo được ứng dụng trong thực tế gồm:

1. Phương pháp phân tích tĩnh: Phân tích trực tiếp cấu trúc mã nguồn hoặc mã dịch ngược của ứng dụng mà không cần thực thi chương trình. Phương pháp này đánh giá các đặc trưng mã nguồn nhằm tìm kiếm các điểm yếu bảo mật tiềm ẩn.
2. Phương pháp phân tích động: Tự động phát hiện lỗ hổng thông qua việc theo dõi hành vi thực thi thực tế của chương trình, phân tích phản hồi và trạng thái hệ thống trước các tác động đầu vào.

Mặc dù phương pháp phân tích tĩnh mang lại hiệu quả phòng ngừa cao từ giai đoạn phát triển, các công cụ phân tích mã nguồn truyền thống hiện nay bộc lộ nhược điểm lớn khi tạo ra tỷ lệ kết quả dương tính giả (false positive) và âm tính giả (false negative) cao. Tình trạng này đòi hỏi chuyên viên an ninh phải tiêu tốn nhiều thời gian và chi phí rà soát thủ công. Xuất phát từ thực tế đó, đồ án tập trung nghiên cứu đề tài “Phát hiện lỗ hổng sử dụng phương pháp xử lý ngôn ngữ tự nhiên”.

• Mục tiêu nghiên cứu: Nghiên cứu và đề xuất phương pháp phân tích tĩnh mã nguồn dựa trên kỹ thuật Xử lý ngôn ngữ tự nhiên (NLP) và mô hình Học sâu (Deep Learning), nhằm tự động hóa quy trình phân loại và dự đoán các lỗ hổng phần mềm.
• Nhiệm vụ nghiên cứu:
  1. Hệ thống hóa các khái niệm, cơ chế phát sinh, tiêu chuẩn phân loại lỗ hổng phần mềm và các giải pháp phân tích mã nguồn hiện nay.
  2. Đánh giá các nghiên cứu liên quan về phát hiện lỗ hổng dựa trên luật (rule-based) và học máy/học sâu.
  3. Xây dựng quy trình tiền xử lý mã nguồn và đề xuất các mô hình phân loại: Word2vec kết hợp mạng nơ-ron hồi quy (LSTM/Bidirectional LSTM) và mô hình Transformer (BERT).
  4. Thực nghiệm, đối sánh hiệu quả giữa các kịch bản thử nghiệm để xác định mô hình tối ưu.
• Đối tượng và phạm vi nghiên cứu:
  • Đối tượng: Lỗ hổng bảo mật phần mềm thể hiện qua các đoạn mã nguồn chương trình (ngôn ngữ C/C++, Java).
  • Phạm vi: Tiếp cận mã nguồn dưới dạng văn bản tĩnh; sử dụng tập dữ liệu mã nguồn đã được gán nhãn theo các lỗ hổng chuẩn hóa; ứng dụng kỹ thuật nhúng từ và học sâu hai chiều.

---

Cơ sở lý thuyết và phương pháp

Khung lý thuyết và khái niệm chuẩn hóa

Nghiên cứu tổng hợp các định nghĩa học thuật và tiêu chuẩn công nghiệp về lỗ hổng bảo mật từ các tổ chức quốc tế:

• ISO 27005: Định nghĩa lỗ hổng là điểm yếu của một tài sản hoặc nhóm tài sản có thể bị khai thác bởi một hoặc nhiều mối đe dọa gây tổn hại đến hoạt động của tổ chức.
• IETF RFC 2828: Lỗ hổng là điểm yếu trong thiết kế, phát triển hoặc quản lý hệ thống có thể bị khai thác để vi phạm chính sách bảo mật.
• NIST, ENISA, ISACA: Xác định lỗ hổng là khiếm khuyết trong thủ tục kiểm soát, thiết kế hoặc triển khai nội bộ, dẫn tới các sự kiện bất ngờ ảnh hưởng đến tính an toàn, toàn vẹn và sẵn sàng của hệ thống.

Về cơ chế phát sinh, nghiên cứu phân chia lỗ hổng thành các nhóm sai sót phần mềm điển hình:

• Vi phạm an toàn bộ nhớ (Memory Safety): Lỗi tràn bộ đệm (buffer overflow), lỗi quản lý bộ nhớ động và con trỏ, biến chưa được khởi tạo, tràn ngăn xếp (stack overflow), lỗi cấp phát (allocation failures).
• Lỗi xác thực đầu vào (Input Validation): Không kiểm tra chặt chẽ tính hợp lệ của dữ liệu nhập.
• Điều kiện thực hiện (Race Condition): Lỗi logic khi đầu ra phụ thuộc vào trình tự hoặc thời gian của các sự kiện không được kiểm soát.
• Lỗi phân quyền: Phân quyền lẫn lộn (privilege confusion) và chiếm quyền thực thi (privilege escalation theo chiều dọc hoặc chiều ngang).

Về mặt tiêu chuẩn định lượng, đồ án sử dụng:

• Hệ thống CVE (Common Vulnerabilities and Exposures): Chương trình của MITRE thiết lập từ năm 1999 nhằm định danh chuẩn hóa các lỗ hổng theo cấu trúc CVE-Năm-Số_định_danh, tích hợp cùng chuẩn SCAP.
• Hệ thống CVSS (Common Vulnerability Scoring System): Thang điểm từ NVD phản ánh mức độ nghiêm trọng của lỗ hổng theo phiên bản 3.0: Không nghiêm trọng (0), Thấp (0.1–3.9), Trung bình (4.0–6.9), Cao (7.0–8.9), và Nghiêm trọng (9.0–10.0).

Dải điểm CVSS (CVSS Scores)	Số lượng lỗ hổng ghi nhận	Tỷ lệ phần trăm (%)
0 – 1	616	0.5
10	19.029	11.1

Nguồn: Tổng hợp thống kê trích từ Bảng 1.1 trong văn bản đồ án.

Phương pháp nghiên cứu và mô hình đề xuất

Đồ án tiếp cận theo phương pháp thực nghiệm khoa học, kết hợp phân tích văn bản tĩnh và học sâu:

• Xử lý mã nguồn như văn bản: Mỗi tệp mã nguồn được xem là một chuỗi ký tự. Quy trình tiền xử lý bao gồm việc loại bỏ thành phần gây nhiễu (chú thích/comment), chuẩn hóa danh xưng (đổi tên biến và hàm đại diện), tách từ và coi các dấu cú pháp (ngoặc, dấu chấm, toán tử) là các từ con riêng biệt.
• Biểu diễn từ vựng (Word Embedding): Sử dụng mô hình Word2vec với kiến trúc Skip-gram (dự đoán các từ ngữ cảnh dựa vào từ đích) nhằm ánh xạ các từ/từ con trong mã nguồn thành các vectơ đặc trưng trong không gian hình học nhiều chiều.
• Mô hình chuỗi thời gian (Sequential Models):
  • LSTM (Long Short-Term Memory): Sử dụng cơ chế trạng thái tế bào (cell state) cùng 3 cổng tương tác (cổng quên - forget gate, cổng vào - input gate, cổng ra - output gate) để duy trì thông tin phụ thuộc xa.
  • Bidirectional LSTM (BiLSTM): Mở rộng cấu trúc gồm 2 mạng LSTM độc lập đọc dữ liệu tuần tự theo hai chiều xuôi (forward) và ngược (backward), giúp nắm bắt ngữ cảnh toàn diện trước và sau của vị trí mã nguồn đang xét.
• Mô hình Transformer (BERT): Áp dụng kiến trúc bộ mã hóa hai chiều (Bidirectional Encoder Representations from Transformers) với cơ chế chú ý (Attention mechanism), tinh chỉnh từ điển và mô hình đã được đào tạo trước (pre-training / fine-tuning) cho bài toán phân loại nhãn lỗ hổng. Lớp phân loại cuối cùng sử dụng hàm Softmax để xuất ra phân phối xác suất dự đoán.

---

Nội dung chính theo từng chương

Chương 1. Tổng quan về lỗ hổng phần mềm

Chương này cung cấp bức tranh toàn diện về bảo mật phần mềm và các giải pháp rà soát lỗ hổng:

• Phân loại và nguyên nhân: Phân loại lỗ hổng theo phạm vi (phần cứng, phần mềm, mạng, con người, site, tổ chức) và vòng đời phần mềm (lỗi thiết kế, lỗi thực hiện, lỗi sử dụng/vận hành). Nhóm 9 nguyên nhân cốt lõi gây phát sinh lỗi được làm rõ: sự phức tạp của hệ thống, thói quen tái sử dụng mã, số lượng kết nối lớn, quản lý mật khẩu yếu, khiếm khuyết kiến trúc hệ điều hành, duyệt web độc hại, thiếu kiểm tra đầu vào và sự thiếu sót trong việc rút kinh nghiệm từ lỗi cũ.
• Các giải pháp giảm thiểu và kiểm tra: Trình bày mô hình Cây chỉ định mục tiêu an ninh (SGIT), Lược đồ kiểm tra lỗ hổng (VID) và Mô hình đồ thị hoạt động an ninh (SAG) nhằm trợ giúp rà soát logic bảo mật từ sớm.
• Các phương pháp phát hiện:
  • Phân tích tĩnh: Phân tích đối chiếu mẫu (công cụ Grep); phân tích từ vựng (Flawfinder, ITS4, RATS); phân tích dựa trên cây cú pháp trừu tượng AST (công cụ Lint); phương pháp vòng loại (Jeffrey Foster, Shankar); phân tích luồng dữ liệu và phân tích dữ liệu vấy bẩn (taint analysis trong Perl).
  • Phân tích động: Kỹ thuật tiêm lỗi (fault injection), kỹ thuật kiểm thử mờ (fuzzing), và kỹ thuật theo dõi dữ liệu bẩn động (dynamic taint).
• Phần mềm quét lỗ hổng: Kiến trúc 4 thành phần (Scan Engine, Scan Database, Report Module, User Interface); phân loại công cụ quét dựa trên mạng và dựa trên máy chủ, cùng các nhược điểm nội tại như chỉ có tính tức thời và phụ thuộc vào sự cấu hình của con người.

Chương 2. Nghiên cứu và đề xuất phương pháp

Chương 2 phân tích các nghiên cứu tiền đề và chi tiết hóa giải pháp công nghệ:

• Tổng quan nghiên cứu liên quan:
  • Các nghiên cứu dựa trên luật: Thuật toán kiểm tra luật tối ưu trên cây AST cải thiện tốc độ so khớp hơn 28.7%; ứng dụng thuật toán Apriori phát hiện lỗ hổng logic trên ứng dụng web; mô hình MRVDAVE sử dụng đồ thị luồng điều khiển CFG và PCFG phát hiện lỗi quản lý bộ nhớ; mô hình 3 thành phần (Analysis, Rule process, Detection).
  • Các nghiên cứu học máy và học sâu: Ứng dụng mô hình trích xuất đặc trưng tự động từ mã nguồn C/C++; ứng dụng mô hình RNN của Karpathy trong việc học cú pháp mã nguồn; ứng dụng LSTM và mô hình BERT trong xử lý văn bản mã hóa.
• Quy trình xử lý dữ liệu và kiến trúc đề xuất:
  • Tiền xử lý: Lược bỏ chú thích, chuẩn hóa tên biến, cấu trúc lại các khối lệnh C/C++ nhằm loại bỏ nhiễu cú pháp mà vẫn giữ nguyên luồng logic.
  • Mô hình Word2vec + LSTM/BiLSTM: Áp dụng Skip-gram để huấn luyện embedding từ tập dữ liệu; đưa chuỗi vector qua các tầng nhớ LSTM/BiLSTM; sử dụng lớp Softmax ở đầu ra để dự đoán xác suất nhãn lỗ hổng.
  • Mô hình BERT: Ứng dụng cấu trúc Transformer Encoder hai chiều, khai thác cơ chế Attention để học mối quan hệ giữa các token trong ngữ cảnh toàn cục, khắc phục hạn chế xử lý tuần tự của mạng hồi quy.

Chương 3. Thử nghiệm và đánh giá kết quả

Nội dung chương 3 tập trung vào khâu triển khai thực nghiệm kỹ thuật:

• Dữ liệu thử nghiệm: Xây dựng tập dữ liệu mã nguồn mẫu gồm các tệp mã có chứa lỗ hổng bảo mật và các tệp mã an toàn đã được phân loại (Bảng 3.1: Các lỗ hổng trong bộ dữ liệu).
• Kịch bản thử nghiệm: Thiết kế 3 kịch bản thực nghiệm riêng biệt:
  • Kịch bản 1: Đánh giá hiệu năng nhận diện lỗ hổng của mô hình sử dụng mạng hồi quy LSTM (Bảng 3.2: Các kết quả thử nghiệm của kịch bản 1).
  • Kịch bản 2: Thử nghiệm mô hình cải tiến với mạng hồi quy hai chiều Bidirectional LSTM (Bảng 3.3: Các kết quả thử nghiệm của kịch bản 2).
  • Kịch bản 3: Thực nghiệm mô hình ngôn ngữ dựa trên Transformer với kiến trúc BERT (Bảng 3.4: Các kết quả thử nghiệm của kịch bản 3).
• Phương pháp đánh giá: So sánh các chỉ số phân loại giữa các mô hình để xác định giải pháp có độ chính xác cao nhất và giảm thiểu dương tính giả.

Chương 4. Kết luận

Chương kết luận tổng hợp lại toàn bộ các mục tiêu đã hoàn thành của đề tài:

• Khẳng định tính hiệu quả của phương pháp tiếp cận mã nguồn như dữ liệu văn bản tự nhiên kết hợp các kỹ thuật học sâu tiên tiến.
• Nêu rõ các phát hiện kỹ thuật, các điểm còn tồn đọng trong quá trình thử nghiệm và vạch ra định hướng nâng cấp hệ thống trong tương lai.

---

Kết quả và đóng góp

Nghiên cứu mang lại những kết quả và đóng góp cụ thể sau:

• Về mặt phương pháp luận:
  • Hệ thống hóa chi tiết các phương pháp phát hiện lỗ hổng phần mềm từ truyền thống (đối chiếu chuỗi, phân tích từ vựng, phân tích AST, phân tích luồng điều khiển CFG/PCFG) đến các kỹ thuật hiện đại dựa trên học máy và xử lý ngôn ngữ tự nhiên.
  • Thiết kế quy trình tiền xử lý dữ liệu mã nguồn chuyên biệt cho mô hình học sâu, chuẩn hóa cấu trúc tệp mã thô thông qua việc lọc bỏ chú thích và chuẩn hóa định danh biến/hàm, hạn chế sự phân mảnh từ vựng.
• Về mặt kỹ thuật và mô hình hóa:
  • Xây dựng thành công quy trình phân loại lỗ hổng bằng Word2vec (kiến trúc Skip-gram) kết hợp cùng mô hình mạng hồi quy đơn chiều (LSTM) và hai chiều (BiLSTM).
  • Ứng dụng thành công mô hình ngôn ngữ Transformer (BERT) hai chiều vào việc phân tích ngữ cảnh mã nguồn, tận dụng cơ chế Attention để ghi nhận phụ thuộc xa giữa các lệnh mà không bị giới hạn bởi cơ chế trượt tuần tự.
• Về mặt thực nghiệm:
  • Thiết lập bộ dữ liệu mẫu đại diện cho các nhóm lỗ hổng phổ biến (ghi nhận tại Bảng 3.1).
  • Triển khai và đối sánh tường minh kết quả của 3 kịch bản thử nghiệm (Kịch bản 1 dùng LSTM, Kịch bản 2 dùng BiLSTM, Kịch bản 3 dùng BERT), cung cấp cơ sở định lượng để lựa chọn mô hình tối ưu cho các hệ thống kiểm tra mã nguồn tự động.

---

Hạn chế và hướng nghiên cứu tiếp

Hạn chế được ghi nhận

• Tập dữ liệu nhúng từ Word2vec: Mô hình Word2vec trong đồ án được huấn luyện trực tiếp trên chính bộ dữ liệu thử nghiệm có quy mô giới hạn sau bước tiền xử lý, chưa được tiếp cận các kho mã nguồn mở khổng lồ, dẫn đến không gian biểu diễn từ vựng chưa thực sự phong phú.
• Hạn chế của mô hình hồi quy (LSTM): Tốc độ tính toán của LSTM còn tương đối chậm, khả năng mở rộng xử lý phụ thuộc xa chỉ đạt mức tương đối so với kiến trúc Attention, và không thể đồng thời xem xét ngữ cảnh hai chiều nếu chỉ dùng LSTM đơn lớp.

Hướng nghiên cứu tiếp

• Mở rộng tập dữ liệu đào tạo cho tầng biểu diễn từ vựng Word2vec bằng cách thu thập các kho mã nguồn C/C++, Java quy mô lớn nhằm tối ưu hóa trọng số embedding.
• Thử nghiệm các kiến trúc Transformer tiên tiến hơn như XLNet (sử dụng phương pháp tự hồi quy để học ngữ cảnh hai chiều) và Transformer-XL (giải quyết triệt để vấn đề giới hạn độ dài chuỗi cố định) để xử lý các tệp mã nguồn có kích thước lớn mà không làm suy giảm hiệu năng mô hình.

---

Giá trị tham khảo

Đồ án là tài liệu chuyên khảo hữu ích cho:

• Sinh viên và học viên chuyên ngành An toàn thông tin, Công nghệ thông tin: Đặc biệt là người thực hiện các đề tài nghiên cứu về kiểm thử phần mềm, an toàn mã nguồn, ứng dụng trí tuệ nhân tạo (AI/NLP) trong an ninh mạng.
• Kỹ sư phát triển phần mềm và chuyên viên bảo mật (SecOps): Tham khảo quy trình tiền xử lý làm sạch mã nguồn (Chương 2) và cơ chế phân loại lỗ hổng để xây dựng các công cụ quét mã nguồn tĩnh (SAST) tự động tại doanh nghiệp.
• Nội dung đáng chú ý: Toàn bộ phần tổng quan các kỹ thuật phân tích tĩnh (từ vựng, AST, CFG, taint analysis) tại Chương 1 và cấu trúc so sánh các mô hình học sâu (LSTM vs. BiLSTM vs. BERT) tại Chương 2 và Chương 3.

---

Câu hỏi thường gặp

1. Tại sao đồ án lại lựa chọn phương pháp phân tích văn bản (NLP) thay vì các phương pháp phân tích tĩnh truyền thống như AST hay đối chiếu mẫu?

Các phương pháp truyền thống như đối chiếu mẫu (dùng lệnh Grep) hoặc phân tích từ vựng đơn thuần (Flawfinder, ITS4) thường tạo ra tỷ lệ dương tính giả và âm tính giả rất lớn do không hiểu được ngữ nghĩa và bối cảnh sử dụng biến/hàm. Phân tích cây AST đòi hỏi thuật toán so khớp phức tạp, duyệt cây tốn thời gian. Tiếp cận mã nguồn dưới dạng văn bản và áp dụng NLP kết hợp học sâu cho phép mô hình tự động học trực tiếp các đặc trưng cú pháp và ngữ nghĩa từ dữ liệu mà không cần định nghĩa tập luật thủ công.

2. Sự khác biệt cơ bản giữa việc ứng dụng mô hình LSTM tiêu chuẩn và Bidirectional LSTM (BiLSTM) trong bài toán này là gì?

Mô hình LSTM tiêu chuẩn chỉ đọc chuỗi mã theo một chiều duy nhất từ trái sang phải, do đó chỉ dự đoán nhãn dựa vào các token xuất hiện phía trước. Trong khi đó, việc đánh giá tính an toàn của một dòng mã nguồn thường phụ thuộc vào cả ngữ cảnh trước đó (khai báo, cấp phát) và các câu lệnh thực thi phía sau (sử dụng, giải phóng bộ nhớ). BiLSTM khắc phục nhược điểm này bằng cách kết hợp đồng thời hai mạng LSTM độc lập (forward và backward), giúp nắm bắt đầy đủ ngữ cảnh hai chiều của đoạn mã.

3. Quy trình tiền xử lý mã nguồn thô trong đồ án được thực hiện qua các bước nào?

Quy trình tiền xử lý bao gồm:

1. Gán nhãn cho các tệp mã nguồn (chứa lỗ hổng hoặc an toàn).
2. Loại bỏ các thành phần gây nhiễu như các đoạn ghi chú/chú thích (comments).
3. Chuẩn hóa tên hàm và tên biến để tạo cấu trúc mã nhất quán, tránh việc mô hình ghi nhớ các định danh đặc thù.
4. Tách mã thành chuỗi các từ và từ con (tokenization), trong đó các ký tự cú pháp và toán tử logic ({, }, (, ), ;, +, -, *, /) được xử lý như các từ riêng biệt.

4. Hệ thống phân loại điểm CVSS phiên bản 3.0 được phân chia theo các mức độ nào trong đồ án?

Theo tài liệu đồ án, mức độ nghiêm trọng của lỗ hổng theo điểm CVSS v3.0 được chia thành 5 cấp độ:

• Không nghiêm trọng: 0 điểm.
• Thấp: từ 0.1 đến 3.9 điểm.
• Trung bình: từ 4.0 đến 6.9 điểm.
• Cao: từ 7.0 đến 8.9 điểm.
• Nghiêm trọng: từ 9.0 đến 10.0 điểm.

5. Mô hình BERT được cấu hình và sử dụng như thế nào để phân loại lỗ hổng phần mềm?

Đồ án sử dụng phần bộ mã hóa (Encoder) của mô hình Transformer trong kiến trúc BERT. Bộ từ điển tiếng Anh gốc được tinh chỉnh để tương thích với các từ khóa và ký hiệu cú pháp lập trình. Khác với các mô hình hồi quy duyệt tuần tự, cơ chế Attention của BERT cho phép đọc toàn bộ chuỗi token trong một lần xử lý theo cả hai chiều không gian, qua đó nắm bắt chính xác mối tương quan ngữ cảnh phức tạp của các đoạn mã. Đầu ra của BERT được kết nối với hàm Softmax để tính toán phân phối xác suất cho từng lớp lỗ hổng cần dự đoán.

---

Kết luận

Đồ án tốt nghiệp của tác giả Phạm Ngọc Quân đã giải quyết bài toán phát hiện lỗ hổng phần mềm bằng cách tiếp cận mã nguồn dưới góc độ ngôn ngữ tự nhiên kết hợp các mô hình học sâu hiện đại. Nghiên cứu đã hệ thống hóa đầy đủ cơ sở lý luận về lỗ hổng bảo mật, thiết lập quy trình tiền xử lý mã nguồn bài bản, đồng thời thiết kế và thử nghiệm đối sánh các kiến trúc Word2vec + LSTM/BiLSTM với mô hình Transformer (BERT). Kết quả đạt được cung cấp nền tảng học thuật và định hướng thực nghiệm rõ ràng cho việc phát triển các công cụ rà soát an toàn mã nguồn tự động trong kỹ thuật phần mềm.

Trích đoạn nội dung tài liệu

CHƯƠNG 1. TONG QUAN VE LO HONG PHAN MEM 10 19029 11.1: Phân phối lỗ hồng theo CVSS Scores Vulnerability Distribution By CVSS Scores CVSS Score Ranges No 39223 M:2 Mỗi CVE nhận được điểm Hệ thống chấm điểm lỗ hồng phổ biến (Common Vulnerability Scoring System - CVSS) từ NVD sẽ cho biết mức độ nghiêm trọng về bảo mật của nó. Xếp hang mức độ nghiêm trọng bảo mật của NVD giúp các nhà phát triển và nhóm bảo mật xác định được mức độ nghiêm trọng và phạm vi ảnh hưởng của lỗ hồng dé phân bổ nguồn lực, khắc phục hậu quả. Điểm CVSS tuân theo một công thức được tạo thành từ vài chỉ số bảo mật.

Các chỉ số liên quan đến việc xác định mức độ nghiêm trọng của một lỗ hong bao gồm hướng truy cập của nó, độ phức tạp của cuộc tấn công, tính bảo mật của dữ liệu được xử lý bởi hệ thống chứa lỗ hồng, tính toàn vẹn của hệ thống bị khai thác. Trong phiên bản 3.0 mức độ nghiêm trong của lỗ hồng được phân loại thành các cấp độ như sau: PHAM NGỌC QUAN - D17AT02 23 Đồ án tốt nghiệp Đại học CHƯƠNG 1. TONG QUAN VE LO HONG PHAN MEM - Không nghiêm trọng (0) - Thấp (0,1-3,9) - Trung bình (4,0-6,9) - Cao (7,0-8,9) - Nghiêm trọng (9,0-10,0) 1. Các giải pháp giảm thiểu lỗ héng phần mềm Việc xây dựng các mô hình là phương pháp tiếp cận đầu tiên dé đối phó với các 16 hông dựa trên sự hiêu biêt vê nó.

Trong phân này sé đưa ra hai phương giảm thiêu lô hông. Với mục đích là đánh giá các mã nguôn phân mêm trong quá trình xây dựng dé phát hiện ra bất kỳ lỗi bảo mật trong thời gian này mà không cần phải có bước kiểm tra chuyên sâu sau khi đã hoàn thiện phần mềm. Phương pháp kiểm tra phần mém Phương pháp kiểm tra phần mềm là quá trình đọc trực tiếp mã nguồn phần mềm hoặc các tài liệu liên quan dé tim ra lỗi và sửa chữa chúng trong quá trình phát triển. Khi các lỗi tìm thay sớm sẽ tiết kiệm chi phí cũng như sẽ dé dang hơn khi sửa lỗi.

Tuy nhiên, dé đạt được kết quả tốt trong quá trình kiểm tra phần mềm, một yếu tổ quan trọng là khả năng của các nhân viên kiểm soát, các loại lỗi mà họ cần kiểm tra. Thông thường, quá trình kiểm tra phần mềm là một bước bắt buộc trong quá trình phát triển phần mềm. Dưới đây là hai phương pháp kiểm tra dựa trên việc hệ thống hóa các kiến thức của các chuyên gia bảo mật nhằm tìm ra các lỗ hồng trên phần mềm. - Xây dựng cây SGIT (Security Goal Indicator Trees) Cay chi dinh muc tiéu kiém tra an ninh (Security Goal Indicator Trees — SGIT) tập trung vào các tính năng tích cực của các phần mềm mà có thể được xác định trong suốt quá trình kiểm tra.

Một SGIT là một đồ thị mà sốc là một mục tiêu an ninh và các con của nó là các chỉ số hoặc các thuộc tính để xác định được mục tiêu đó. Tuy nhiên, vì không phải tất cả các thuộc tính đều có thể mô tả tường minh nên nó có thể có một số chỉ số tiêu cực. Các chỉ số này sẽ có một giá tri logic với mục tiêu và phải được kiểm tra dé đạt được mục tiêu. SGIT được xây dựng bởi các chuyên gia về an toàn thông tin.

Ví dụ về một SGIT cho mục tiêu kiểm soát đữ liệu được mô tả trong hình 1.3, nó cho thấy các quan hệ phụ PHAM NGỌC QUAN - D17AT02 24 Đồ án tốt nghiệp Đại học CHƯƠNG 1. TONG QUAN VE LO HONG PHAN MEM thuộc, các chỉ sô tích cực và tiêu cực, ngoài ra còn có các cây SGIT khác được trỏ tới (như “An audit component exIsts”). PHAM NGỌC QUAN - D17AT02 25 Đồ án tốt nghiệp Đại học CHƯƠNG 1. TONG QUAN VE LO HONG PHAN MEM Automated Secunty Audit Analysis Hinh 1.3: Vi du Security Goal Indicator Trees - Lược đồ kiểm tra lỗ hồng VID (Vulnerability Inspection Diagram) Xây dựng lược đồ kiểm tra lỗ hồng (Vulnerability Inspection Diagram) cũng là một phương pháp kiểm tra phần mềm thủ công với mục đích là mang lại lợi ích cho các lập trình viên từ những kiến thức và kinh nghiệm của các chuyên gia bảo mật trong quá trình phát triển ứng dụng.

Vì vậy, một VID là một đồ thị định hướng cho các lập trình viên dé kiểm tra phần mềm nhằm phát hiện các lỗ hồng trên phần mềm. Thông thường, với mỗi loại lỗ hổng sẽ có một lược đồ tương ứng được xây dung. PHAM NGOC QUAN - D17AT02 26 Đồ án tốt nghiệp Đại học CHƯƠNG 1. TONG QUAN VE LO HONG PHAN MEM 1.

Phương pháp xây dựng mô hình SAG (Security Activity Graph) Mô hình hoạt động an ninh (Security Activity Graphs — SAGs) cũng rất hiệu quả trong việc phòng chống lỗ hồng. Nó là một biéu đồ bao gồm các nguyên nhân cụ thé của các hoạt động an ninh trong quá trình phát triển phần mềm. Biéu đồ trong hình 1.3 cho thay sự lựa chọn khác nhau dé giải quyết van đề “Lacking design to implementation traceability”. Lacking design to Implementation traceability Generate a code from Cross-reference index design Code comments linking Between desing and code to design objects code Hình 1.4: Ví du mô hình SAG 1.

Phát hiện lỗ hỗng phần mềm Trong phan này sẽ xem xét một số phương pháp phát hiện lỗ hồng phần mềm phô biến dùng phương pháp phân tích tĩnh và phương pháp động nhằm đưa ra dự đoán lỗ hổng phần mềm. Trong đó phương pháp phân tích tĩnh là phương pháp phát hiện lỗ hong mà không cần phải chạy mã nguồn dé thực hiện phát hiện lỗ hồng. Với phương pháp động, các mã nguồn phần mềm được chạy bên trong một môi trường được kiểm soát dé thực hiện việc phát hiện lỗ hồng hoặc thu thập các dau hiệu dé phát hiện lỗ hồng. Phương pháp dự đoán tinh 1.

Phương pháp đối chiếu mẫu Phương pháp đối chiếu mẫu là kỹ thuật phân tích tính đơn giản nhất. Một ví dụ cụ thể áp dụng phương pháp này như sau: Sử dụng công cụ Grep dé tìm tat cả các lần xuất hiện của chuỗi “strepy” trong toàn bộ mã nguồn của một phần mềm được viết bằng ngôn ngữ lập trình C. Khi đó, kết quả trả về hầu hết đều đưa ra hàm strcpy() trong thư viện của C. Việc này dẫn tới chúng thường bị lạm dụng và dễ gây ra các lỗ hồng tiềm năng.

PHAM NGỌC QUAN - D17AT02 27 Đồ án tốt nghiệp Đại học CHƯƠNG 1. TONG QUAN VE LO HONG PHAN MEM Do vậy, phương pháp này được đánh giá là thiếu tính thực tiễn. Nó có thé không phân tích được các mã nguồn đơn giản và do vậy, nó cũng không phù hợp dé phân tích, phát hiện các lỗ hồng bảo mật phức tap. Phân tích từ vựng Phương pháp phân tích từ vựng cải tiến hơn so với phương pháp đối chiếu mẫu.

Một lexer được sử dụng dé chuyén ma nguồn thành 1 bộ các thẻ (token), trong đó đã loại bỏ các khoảng trang. Các thẻ nay sẽ được đối chiếu lại một lần nữa với cơ sở dữ liệu các mẫu lỗ hồng đã biết, từ đó đưa ra kết quả chính xác hơn. Một số công cụ sử dụng phương pháp này như Flawfinder, RATS, ITS4. - Công cụ Flawfinder: Nó chứa một cơ sở dit liệu lớn các mẫu lỗ hong phan mềm.

Khi phân tích mã nguồn, nó tạo ra một danh sách các lỗ hổng bảo mật tiềm năng, trong đó phân thành các mức độ rủi ro tương ứng. Danh sách các lỗi được đưa ra cũng được sắp xếp theo mức độ rủi ro của chúng. Và những lỗi có mức độ rủi ro các nhất được đưa lên đầu tiên. Từ đó, có thé tìm ra được lỗ hồng thực sự của phần mềm.

- ITS4: Nó cũng là một công cụ phát hiện lỗ hồng phần mềm tương tự như Flawfinder, nhưng nó có khả năng phân tích được nhiều ngôn ngữ ngoài ngôn ngữ C. Một điểm khác biệt nữa là ITS4 có các xử lý đặc biệt dựa trên các luật trong bộ tập luật của nó. Ví dụ như khi xử lý đánh dau hàm strepy(), hàm này được gọi là an toàn nếu tham số thứ hai của hàm là một chuỗi tĩnh. Tuy nhiên, phương pháp này vẫn còn những nhược điểm như các lợi ích của phân tích từ vựng còn nhỏ, con số sai số được đưa ra sau khi phân tích vẫn còn rất lớn.

Phân tích dựa trên cây cú pháp trừu tượng (AST) Bước tiếp theo trong việc cải thiện tính chính xác của kỹ thuật phân tích tĩnh là phân tích các mã nguồn và xây dựng cây cú pháp trừu tượng (AST) đại diện của chương trình. Việc này thường được thực hiện từ đầu vào của các chương trình biên dịch và nó cung cấp khả năng tái sử dụng các mã nguồn. Một trong các công cụ phân tích mã nguồn tĩnh sớm nhất là công cụ kiểm tra cú phát Lint được xây dựng từ năm 1979. Công cụ này phát hiện ra các đoạn lệnh không hợp lệ, các biến không được sử dụng hay các hàm được goi với số tham số không đúng.

Các bộ biên dịch mới đã có thể thực hiện được hầu hết các hàm kiểm tra như trên nên công cụ Lint đã trở nên lỗi thời, nhưng phương PHAM NGỌC QUAN - D17AT02 28 Đồ án tốt nghiệp Đại học CHƯƠNG 1. TONG QUAN VE LO HONG PHAN MEM pháp phân tích dựa trên cây cú pháp trừu tượng van được sử dung cho các công cụ phân tích phức tạp hơn. Vấn đề phân tích cú pháp C và đặc biệt là mã nguồn C++ có thể là một nhiệm vụ hết sức phức tạp. Trong khi hầu hết các chương trình biên dịch đều tương thích với ngôn ngữ C, thì các phần mềm lại có thể dựa trên các ngôn ngữ không chuẩn khác.

Do vây, dẫn tới việc phải mở rộng biên dịch hoặc gây ra lỗi biên dịch. Cây cú pháp trừu tượng cho phép chúng ta phân tích không chỉ cú pháp mà còn là ngữ nghĩa của một chương trình. Khi sử dụng phương pháp phân tích từ vựng có thê gây nhằm lẫn giữa các biến cùng tên như là một lỗi hàm, nhưng khi dùng phân tích AST sẽ có thê phân biệt được các loại định danh khác nhau. Trên cây cú pháp trừu tượng thì biéu đồ mức độ và độ phức tạp được mở rộng, từ đó có thê đưa ra được nhiều lỗ hồng tiềm ẩn hơn so với phương pháp phân tích từ vựng.

Các phương pháp phân tích trừu tượng hơn như phân tích lu6ng dữ liệu hay phân tích lưu lượng dữ liệu có thé được xây dựng bằng cách sử dụng cây cú pháp trừu tượng.