Giới thiệu dự án

Trong kỷ nguyên số hóa, các hệ thống phát hiện phần mềm độc hại (Malware Detection Systems) ứng dụng Trí tuệ nhân tạo (AI) và Học máy/Học sâu (ML/DL) đóng vai trò then chốt trong việc bảo vệ hạ tầng công nghệ thông tin toàn cầu. Theo thống kê bảo mật, hơn 90% số lượng mã độc xuất hiện trên không gian mạng nhắm trực tiếp vào hệ điều hành Microsoft Windows do tính phổ biến của nền tảng này. Mặc dù các mô hình phân loại tĩnh hiện đại (như LightGBM trên bộ đặc trưng EMBER hay mạng nơ-ron tích chập MalConv) đạt tỷ lệ phát hiện trên 95%, chúng vẫn bộc lộ lỗ hổng nghiêm trọng trước các cuộc tấn công đối kháng (Adversarial Attacks) trong không gian vấn đề (Problem Space).

Vấn đề nghiên cứu (Problem Statement)

Các kỹ thuật tạo mẫu đối kháng truyền thống trong không gian đặc trưng (Feature Space) thường chỉ thao tác trên vector số học trừu tượng mà không tạo ra được tập tin thực thi thực tế. Ngược lại, khi chuyển dịch sang không gian vấn đề bằng cách can thiệp mức byte trên định dạng PE (Portable Executable), các phép biến đổi thường xuyên phá vỡ cấu trúc nhị phân, làm hỏng con trỏ Entry Point, hỏng bảng Import Address Table (IAT) hoặc hỏng checksum, khiến mã độc mất khả năng thực thi và triệt tiêu hành vi độc hại ban đầu. Việc thiếu cơ chế kiểm chứng tính toàn vẹn chức năng (Functionality Validation) tự động theo thời gian thực khiến các biến thể sinh ra trở nên vô nghĩa trong đánh giá an ninh thực chiến.

+-------------------------------------------------------------------------+
|                  VẤN ĐỀ CỐT LÕI TRONG KHÔNG GIAN BÀI TOÁN               |
|                                                                         |
|  [Mã độc PE gốc] ---> [Biến đổi Byte ngẫu nhiên/RL] ---> [File bị hỏng] |
|                                                                         |
|  Thách thức: Tối đa hóa tỷ lệ né tránh (Evasion Rate) đồng thời         |
|              bảo toàn 100% ngữ nghĩa & hành vi thực thi độc hại         |
+-------------------------------------------------------------------------+

Mục tiêu dự án

  1. Xây dựng không gian hành động (Action Space) an toàn: Thiết lập tập hợp 10 phép biến đổi mức byte trên định dạng Windows PE sử dụng thư viện LIEF mà không làm hỏng cấu trúc tệp.
  2. Thiết kế mô hình Học tăng cường (Reinforcement Learning - RL) tối ưu: Ứng dụng thuật toán Distributional Deep Q-Network (DiDQN) kết hợp NoisyNet và Double DQN nhằm tự động tìm kiếm chuỗi hành động biến đổi tối ưu.
  3. Hiện thực Module kiểm chứng chức năng động: Tích hợp Cuckoo Sandbox để thu thập chuỗi API calls thời gian thực, áp dụng thuật toán căn chỉnh trình tự sinh học Smith-Waterman và mã hóa DNA để đo lường độ tương đồng hành vi.
  4. Đánh giá thực nghiệm đa chiều: Kiểm thử khả năng qua mặt mô hình LightGBM (ngưỡng 0.9, huấn luyện trên EMBER) và kiểm tra tính chuyển giao (Transferability) sang kiến trúc học sâu MalConv.

Phương pháp tiếp cận và kết quả kỳ vọng

  • Tiếp cận: Kết hợp học tăng cường phân phối (Distributional RL) với môi trường hộp cát Cuckoo Sandbox nhằm phản hồi điểm phạt/thưởng tức thời (Reward Shaping) dựa trên cả 3 yếu tố: Khả năng né tránh ($R_{det}$), Độ bảo toàn chức năng ($R_{sim}$) và Chi phí biến đổi ngắn nhất ($R_{dis}$).
  • Chỉ số đo lường kỳ vọng:
    • Tỷ lệ né tránh (Evasion Rate) trên tập dữ liệu kiểm thử $\ge 40%$.
    • Tỷ lệ bảo toàn chức năng sau biến đổi $\ge 85%$.
    • Số bước biến đổi trung bình (Perturbation Steps) $\le 10$ hành động để tránh làm phình kích thước tệp.

Phạm vi và giới hạn

  • Phạm vi: Tập trung vào các tệp thực thi mã độc Windows định dạng 32-bit/64-bit PE (.exe) thu thập từ VirusShare.
  • Giới hạn: Phân tích động phụ thuộc vào thời gian chạy trong môi trường Sandbox (timeout định sẵn); chưa mở rộng sang kỹ thuật chống phân tích động nâng cao (Anti-Sandbox / Evasion Sleep).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Bảng so sánh các hướng tiếp cận tạo mẫu đối kháng mã độc hiện nay:

Tiêu chí Gradient-based (FGSM, PGD) Generative Adversarial Networks (MalGAN) RL truyền thống (Anderson et al.) Giải pháp đề xuất (RL + Dynamic Validation)
Không gian tấn công Feature Space (Hộp trắng) Feature Space (Hộp đen) Problem Space (Hộp đen) Problem Space (Hộp đen thực tế)
Tính toàn vẹn PE Không tạo ra file nhị phân Không có file PE thực tế Thường xuyên gây lỗi crash file Bảo toàn thông qua Sandbox & Smith-Waterman
Độ phụ thuộc kiến thức Perfect Knowledge ($PK$) Limited Knowledge ($LK$) Limited Knowledge ($LK$) Limited Knowledge ($LK$ - Nhãn/Score)
Khả năng kiểm chứng Không có Không có Phân tích cú pháp tĩnh đơn giản Phân tích chuỗi API động trong Cuckoo Sandbox

Yêu cầu hệ thống theo mô hình MoSCoW

  • Must Have:
    • Bộ trích xuất 2.350 đặc trưng tĩnh chuẩn từ PE file bằng thư viện LIEF.
    • Tác tử DiDQN với mạng nơ-ron ước lượng phân phối giá trị Q.
    • Môi trường tương tác tuân chuẩn OpenAI Gym.
    • Module giám sát Sandbox tự động trích xuất chuỗi Windows API calls.
  • Should Have:
    • Cơ chế căn chỉnh trình tự cục bộ Smith-Waterman cho chuỗi API.
    • Thuật toán chuyển đổi danh sách API sang chuỗi ký tự DNA (4 ký tự, 5 ký tự 1.024 API, và 7-bit ASCII).
    • Hàm Reward phân tầng có trọng số linh hoạt ($W_{det}, W_{sim}, W_{dis}$).
  • Could Have:
    • Khả năng chuyển giao mẫu đối kháng sang các kiến trúc phân loại khác nhau (LightGBM $\rightarrow$ MalConv).
    • Tích hợp kỹ thuật NoisyNet loại bỏ chính sách $\epsilon$-greedy truyền thống.
  • Won't Have:
    • Tấn công tự động vào mã nguồn C/C++ trước biên dịch.
    • Phân tích mã độc trên các nền tảng di động (Android APK, iOS Mach-O).

Thiết kế hệ thống

Kiến trúc tổng thể của hệ thống tạo biến thể mã độc được mô tả qua sơ đồ sau:

Chi tiết Stack công nghệ và thông số cấu hình

  • Ngôn ngữ phát triển: Python 3.8+
  • Thư viện thao tác nhị phân: LIEF (Library to Instrument Executable Formats) v0.12+
  • Framework Học tăng cường: OpenAI Gym, PyTorch 2.0+
  • Thuật toán cốt lõi tác tử: Distributional DQN với 2 hidden layers (64 nodes/layer), $V_{min} = -10$, $V_{max} = 10$, $N_{atoms} = 51$.
  • Bộ tối ưu hóa: Adam Optimizer ($\alpha = 0.001$, $\beta_1 = 0.9$, $\beta_2 = 0.999$), NoisyNet hệ số $\sigma = 0.5$, Replay Buffer Capacity = 1.000, Prioritized Replay factor $\alpha = 0.4$.
  • Môi trường Sandbox: Cuckoo Sandbox chạy trên máy ảo Windows Guest chuyên biệt, cô lập mạng.
  • Mô hình mục tiêu phân loại:
    • LightGBM: 2.350 đặc trưng EMBER, AUC-ROC đạt 0.993, ngưỡng phát hiện $th = 0.9$.
    • MalConv: Kiến trúc CNN 1D nhúng chuỗi raw byte kích thước tối đa 2MB, Gated Convolution, Embedding dimension = 8.

Implementation và kết quả

Không gian hành động (Action Space)

Hệ thống triển khai 10 hành động cấp byte không làm thay đổi logic mã nguồn thực thi:

ACTION_SPACE = {
    0: "overlay_append",               # Thêm chuỗi byte ngẫu nhiên vào cuối file PE
    1: "imports_append",               # Bổ sung DLL và function giả lập vào IAT
    2: "section_rename",               # Đổi tên section ngẫu nhiên (vd: .text -> .data1)
    3: "section_add",                  # Tạo section mới không được gọi thực thi
    4: "section_append",               # Chèn byte rác vào khoảng trống cuối section
    5: "upx_pack",                     # Nén tệp PE bằng UPX với level ngẫu nhiên
    6: "upx_unpack",                   # Giải nén tệp PE nếu đã bị pack UPX
    7: "remove_signature",             # Gán 0 cho bảng Certificate Table trong Data Directory
    8: "remove_debug",                 # Gán 0 cho thư mục Debug trong Optional Header
    9: "break_optional_header_checksum"# Thiết lập trường Checksum về giá trị 0
}

+----------------------------------------------------------------------------+
| CẤU TRÚC ĐỊNH DẠNG TẬP TIN PORTABLE EXECUTABLE (PE) VÀ VÙNG BIẾN ĐỔI       |
|                                                                            |
| +------------------------------------+                                     |
| | DOS Header & DOS Stub              | (Kế thừa tương thích ngược)         |
| +------------------------------------+                                     |
| | PE Header & Optional Header        | <-- break_optional_header_checksum  |
| | (Data Directories: Debug, Cert)    | <-- remove_debug, remove_signature  |
| +------------------------------------+                                     |
| | Section Table (Headers)            | <-- section_rename, section_add     |
| +------------------------------------+                                     |
| | .text Section (Executable Code)    |                                     |
| | .data / .rdata Sections            |                                     |
| | .idata Section (Import Address)    | <-- imports_append                  |
| | Section Padding / Slack Space      | <-- section_append                  |
| +------------------------------------+                                     |
| | Overlay Data (Cuối tập tin)        | <-- overlay_append                  |
| +------------------------------------+                                     |
+----------------------------------------------------------------------------+

Thuật toán căn chỉnh chuỗi API và Kiểm chứng chức năng

Quy trình phân tích chuỗi API thu thập từ Cuckoo Sandbox:

  1. Lọc chuỗi trùng lặp (Sequence Cleaning):
    • Mức độ 1: Loại bỏ API gọi lặp liên tiếp: chuỗi [A, A, A, C] $\rightarrow$ [A, C].
    • Mức độ 2: Loại bỏ chuỗi con tuần tự lặp lại: [A, C, A, C, A, C, T, A] $\rightarrow$ [A, C, T, A].
  2. Mã hóa chuỗi DNA: Ánh xạ các API định danh sang tập ký tự DNA đầy đủ ($4^5 = 1.024$ API phân biệt thành chuỗi 5 ký tự dạng AAAAA, AAAAC...) hoặc bảng mã 7-bit.
  3. Căn chỉnh cục bộ Smith-Waterman: Chèn các khoảng trống (Gaps) để so khớp tối đa các hành vi tương đương giữa mẫu gốc $A$ và mẫu đột biến $B$.
def calculate_sim_max(seq_A, seq_B, aligned_A, aligned_B):
    """
    Tính độ tương đồng Sim_max dựa trên số lượng Gap và độ dài chuỗi
    """
    gap_count_A = aligned_A.count('-')
    gap_count_B = aligned_B.count('-')
    len_A, len_B = len(seq_A), len(seq_B)
    
    if gap_count_A >= gap_count_B:
        similarity = 1.0 - (gap_count_A / max(len_A, 1))
    else:
        similarity = 1.0 - (gap_count_B / max(len_B, 1))
        
    return max(0.0, min(similarity, 1.0))

Thiết kế hàm phần thưởng (Reward Function Formulation)

Tổng điểm phần thưởng phản hồi cho Agent ở mỗi bước biến đổi:

$$R = R_{det} \cdot W_{det} + R_{sim} \cdot W_{sim} + R_{dis} \cdot W_{dis}$$

Trong đó:

  • $W_{det} = 0.5$, $W_{sim} = 0.3$, $W_{dis} = 0.2$ (Tổng trọng số bằng $1.0$).
  • $R_{dis} = \frac{t_{max} - t}{t_{max}} \times R_{max}$ (Với $t_{max} = 10, R_{max} = 10$).
  • $R_{det} = 10$ nếu mẫu qua mặt được bộ phân loại ($P_{malware} < 0.9$), ngược lại $R_{det} = 0$.
  • $R_{sim}$ được tính dựa trên tỷ lệ tương đồng $F_{sim}$ so với ngưỡng $F_{thre}$:

$$S_{sim} = \begin{cases} \frac{F_{sim} - F_{thre}}{100 - F_{thre}} \times 100 & \text{nếu } F_{sim} \ge F_{thre} \ \frac{F_{sim} - F_{thre}}{F_{thre}} \times 20 & \text{nếu } F_{sim} < F_{thre} \quad (\text{Điểm phạt âm } [-20, 0]) \end{cases}$$

$$R_{sim} = \frac{S_{sim}}{S_{max}} \times R_{max} \quad (S_{max} = 100, R_{max} = 10)$$

Kết quả thực nghiệm và đối sánh

1. Đánh giá độ chính xác của các Module so sánh tương đồng trên 378 mẫu kiểm chứng

Module kiểm chứng Phương pháp mã hóa & Căn chỉnh Công thức tương đồng Độ chính xác nhận diện chức năng (%)
Mô-đun 1 Chuỗi API thô không căn chỉnh Jaccard Similarity 68.25%
Mô-đun 2 DNA ngắn 4 ký tự + Căn chỉnh $Sim_{mid}$ (Cross-match) 79.10%
Mô-đun 3 DNA 5 ký tự (1.024 API) + Căn chỉnh Gap trung bình / $(m+n)$ 84.65%
Mô-đun 4 DNA 7-bit + Căn chỉnh Smith-Waterman $Sim_A$ (Gap max / chuỗi còn lại) 88.36%
Mô-đun 5 (Đề xuất) Làm sạch cấp 2 + DNA 7-bit + Smith-Waterman $Sim_{max}$ (Gap max / chính nó) 93.12%

2. Hiệu suất tạo biến thể đối kháng trên 300 mẫu VirusShare

+----------------------------------------------------------------------+
| BIỂU ĐỒ SO SÁNH TỶ LỆ QUA MẶT VÀ BẢO TOÀN CHỨC NĂNG (300 MẪU TEST)   |
|                                                                      |
| RL không kiểm chứng:                                                 |
| Evasion Rate : [==================== 58.67% ]                        |
| Functionality: [============= 41.33% ]                               |
|                                                                      |
| RL + Module 5 (Đề xuất):                                             |
| Evasion Rate : [================= 52.33% ]                           |
| Functionality: [============================= 89.67% ]               |
+----------------------------------------------------------------------+
  • Tỷ lệ hỏng mẫu của từng hành động:
    • section_add và overlay_append: Tỷ lệ làm hỏng chức năng $< 2.1%$.
    • upx_pack: Tỷ lệ biến đổi thành công cao nhưng làm hỏng chức năng đối với một số mẫu có cấu trúc section đặc thù ($14.6%$).
    • break_optional_header_checksum: Không gây mất chức năng ($0%$), hỗ trợ giảm độ tin cậy của các bộ phân loại tĩnh dựa trên header metadata.

Đổi mới và đóng góp

Đổi mới công nghệ nổi bật

  1. Kiểm chứng chức năng động theo thời gian thực (In-the-loop Dynamic Validation): Khác với các nghiên cứu trước đây chỉ giả định tính bảo toàn cú pháp (Syntactic preservation), hệ thống tích hợp chu trình Sandbox trực tiếp vào vòng lặp huấn luyện RL, ngăn chặn Agent khai thác "lỗ hổng giả" từ các tệp nhị phân đã bị crash.
  2. Kỹ thuật Bio-inspired API Alignment: Ứng dụng đột phá của thuật toán sinh học Smith-Waterman kết hợp mã hóa DNA 7-bit vào phân tích an toàn thông tin, giúp xử lý triệt để hiện tượng trượt chuỗi API do nhiễu hệ thống trong Sandbox.
  3. Cơ chế Reward Phạt âm (Negative Penalty Shaping): Thiết lập hàm thưởng trừng phạt nghiêm khắc (từ $-20$ đến $0$ điểm) đối với các hành động phá hủy chức năng tệp, định hướng mạng nơ-ron hội tụ về các chuỗi biến đổi an toàn ngữ nghĩa.

Đóng góp khoa học và thực tiễn

  • Cung cấp một bộ khung (Framework) chuẩn hóa cho việc đánh giá độ bền vững (Robustness Benchmark) của các mô hình phát hiện mã độc AI trước khi triển khai thực tế.
  • Bộ dữ liệu thực nghiệm và trọng số hành động cung cấp cái nhìn chuyên sâu về mức độ nhạy cảm của các đặc trưng PE đối với các bộ phân loại LightGBM và MalConv.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực chiến

  • Kiểm thử xâm nhập tự động (Adversarial Red Teaming): Tự động hóa quá trình sinh các biến thể mã độc nâng cao để kiểm thử khả năng phòng thủ của hệ thống EDR (Endpoint Detection and Response) và AV (Antivirus) của doanh nghiệp.
  • Tăng cường dữ liệu huấn luyện phòng thủ (Adversarial Retraining): Đưa các mẫu đối kháng còn nguyên vẹn chức năng quay trở lại tập dữ liệu huấn luyện để tái đào tạo mô hình phân loại, nâng cao khả năng chống chịu trước các cuộc tấn công Zero-day.

Yêu cầu triển khai hạ tầng

  • Máy chủ điều khiển: Ubuntu Server 20.04/22.04 LTS, 8 Cores CPU, 32GB RAM, 300GB SSD.
  • Môi trường ảo hóa Sandbox: KVM/QEMU hoặc VirtualBox chạy Windows 7/10 64-bit Guest, cấu hình tách biệt Network Host-Only để đảm bảo an toàn tuyệt đối.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  1. Độ trễ phân tích động (Execution Overhead): Quá trình chạy máy ảo Cuckoo Sandbox tốn từ 60 đến 120 giây cho mỗi lượt kiểm tra, gây kéo dài thời gian huấn luyện tổng thể của tác tử RL.
  2. Khả năng chuyển giao xuyên kiến trúc (Cross-model Transferability): Một số biến thể tối ưu hóa riêng cho cây quyết định LightGBM chưa đạt tỷ lệ né tránh tương đương khi kiểm thử trên mô hình học sâu MalConv (đạt tỷ lệ né tránh chuyển giao $34.5%$).

Hướng phát triển tương lai

  • Ứng dụng mô hình xấp xỉ hành vi động nhanh (Fast Dynamic Proxy Model) để giảm bớt tần suất truy vấn Sandbox thực tế.
  • Mở rộng không gian hành động sang can thiệp luồng điều khiển (Control Flow Flattening / Dead Code Insertion) ở mức assembly.
  • Tích hợp thêm các kỹ thuật vượt qua cơ chế phát hiện hành vi trong bộ nhớ (In-memory Behavioral Detection).

Đối tượng hưởng lợi

1. Sinh viên và Học viên Cao học An toàn Thông tin

  • Tài nguyên học tập: Tiếp cận mã nguồn mẫu về việc kết hợp giữa Trí tuệ nhân tạo (Học tăng cường) và Kỹ thuật đảo ngược (Reverse Engineering) trên định dạng PE.
  • Nền tảng nghiên cứu: Nắm vững phương pháp luận kiểm chứng chức năng thực nghiệm bằng Sandbox.

2. Kỹ sư Phát triển AI & Bảo mật (Security Data Scientists)

  • Tối ưu hóa mô hình: Nhận diện các điểm mù (Blind spots) trong không gian đặc trưng của LightGBM và MalConv để tối ưu thuật toán trích xuất đặc trưng.
  • Pattern mã nguồn: Tham khảo kỹ thuật xây dựng môi trường tùy biến tuân thủ tiêu chuẩn OpenAI Gym cho các bài toán an ninh mạng.

3. Doanh nghiệp và Trung tâm SOC

  • Nâng cao năng lực phòng thủ: Đánh giá độc lập hiệu năng của các giải pháp bảo mật thương mại trước các kỹ thuật đột biến mã độc tinh vi.
  • Tối ưu hóa chi phí: Tự động hóa khâu đánh giá lỗ hổng mô hình AI mà không cần can thiệp thủ công từ chuyên gia phân tích mã độc cao cấp.

Câu hỏi thường gặp

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

Hệ thống yêu cầu máy chủ chạy hệ điều hành Linux (khuyến nghị Ubuntu 20.04+), CPU tối thiểu 8 nhân, 32GB RAM để vận hành đồng thời Agent huấn luyện và các máy ảo Cuckoo Sandbox. Các gói phần mềm cốt lõi bao gồm Python 3.8, PyTorch, thư viện LIEF và Cuckoo Sandbox.

2. Tại sao phải sử dụng Distributional DQN thay vì DQN truyền thống?

DQN truyền thống chỉ ước lượng giá trị kỳ vọng trung bình $Q(s, a)$, dễ dẫn đến tình trạng đánh giá quá cao các hành động biến đổi rủi ro. Distributional DQN mô hình hóa toàn bộ phân phối xác suất của phần thưởng, kết hợp cùng NoisyNet giúp tác tử khám phá không gian hành động rộng hơn và đưa ra quyết định biến đổi ổn định, chính xác hơn.

3. Làm thế nào để đảm bảo mã độc không lây nhiễm ra mạng nội bộ trong quá trình kiểm chứng?

Mô-đun kiểm chứng chức năng chạy hoàn toàn bên trong môi trường máy ảo hộp cát (Cuckoo Sandbox) được cô lập ở tầng mạng (Host-only Network hoặc ngắt hoàn toàn kết nối Internet). Mọi hành vi tạo tiến trình, ghi tệp và gọi Windows API đều được giám sát qua cơ chế Hooking an toàn từ bên ngoài Hypervisor.

4. Thuật toán Smith-Waterman giải quyết vấn đề gì trong so sánh chuỗi API?

Khi chạy trong Sandbox, cùng một mã độc có thể sinh ra các chuỗi API hơi lệch nhau do tiến trình ngầm của hệ điều hành. Thuật toán căn chỉnh cục bộ Smith-Waterman cho phép chèn các khoảng trống (Gaps) để so khớp chính xác các đoạn hành vi cốt lõi mà không bị ảnh hưởng bởi độ lệch thứ tự ngẫu nhiên.

5. Khả năng ứng dụng giải pháp này để phát hiện các dòng mã độc mới (Zero-day) như thế nào?

Bằng cách sử dụng hệ thống để chủ động sinh ra hàng nghìn biến thể đối kháng hợp lệ và đưa vào tập dữ liệu huấn luyện bổ sung (Adversarial Retraining), các mô hình học máy sẽ học được các đặc trưng bất biến (Invariant Features) của mã độc, từ đó nâng cao tỷ lệ phát hiện sớm các dòng mã độc Zero-day chưa từng thấy trong thực tế.

Kết luận

Khóa luận tốt nghiệp đã giải quyết thành công bài toán nan giải trong lĩnh vực Học máy Đối kháng (AML) ứng dụng cho an ninh mạng: Tạo biến thể mã độc Windows trong không gian vấn đề có khả năng né tránh các bộ phát hiện AI nhưng vẫn bảo toàn tuyệt đối tính toàn vẹn chức năng thực thi.

Các kết quả then chốt đạt được

  • Hiện thực hóa thành công mô hình học tăng cường DiDQN kết hợp NoisyNet và Double DQN với không gian 10 hành động can thiệp mức byte an toàn dựa trên LIEF.
  • Đột phá với Module kiểm chứng động: Ứng dụng thuật toán căn chỉnh sinh học Smith-Waterman và mã hóa DNA 7-bit, đạt độ chính xác đánh giá bảo toàn chức năng lên tới 93.12%.
  • Hiệu năng thực nghiệm ấn tượng: Đạt tỷ lệ né tránh 52.33% trước mô hình LightGBM chuẩn EMBER trong khi duy trì tỷ lệ bảo toàn chức năng độc hại lên đến 89.67%, vượt trội hoàn toàn so với các phương pháp không có cơ chế kiểm chứng động.

Nghiên cứu mở ra bước tiến quan trọng trong việc xây dựng các công cụ tự động hóa kiểm thử độ bền vững của hệ thống phòng thủ AI, đóng góp thiết thực cho công tác bảo vệ không gian mạng và phát triển các thế hệ giải pháp EDR thế hệ mới. Bạn có thể sử dụng lệnh /plan để tiếp tục lập lộ trình chi tiết tích hợp hệ thống này vào quy trình CI/CD kiểm thử an ninh phần mềm.