Giới thiệu dự án

Sự bùng nổ của các cuộc tấn công mạng quy mô lớn, điển hình như đại dịch mã độc tống tiền WannaCry năm 2017 làm tê liệt hàng triệu hệ thống trên toàn cầu, đã thúc đẩy ngành an toàn thông tin chuyển dịch mạnh mẽ sang các giải pháp phòng thủ ứng dụng Trí tuệ nhân tạo (AI) và Học máy (Machine Learning - ML). Các mô hình phát hiện tĩnh dựa trên ML hiện đại đạt tỷ lệ phát hiện ban đầu lên tới trên 97%. Tuy nhiên, các trình phát hiện này phụ thuộc lớn vào việc trích xuất đặc trưng tĩnh từ tệp thực thi di động (Portable Executable - PE), tạo ra lỗ hổng trước các cuộc tấn công đối kháng (Adversarial Attacks).

+-------------------+      Adversarial Mutation      +-----------------------+
|  Original Malware |  --------------------------->  | Mutated PE File       |
|  (Detected >95%)  |   [GANs Feature Injection]     | (Evasion Rate ~90%+)  |
|                   |   + [RL Action Sequencing]     | (Functionality Intact)|
+-------------------+                                +-----------------------+

Vấn đề nghiên cứu (Problem Statement)

Các kỹ thuật làm rối mã truyền thống (Encryption, Oligomorphism, Polymorphism) dần bị các mô hình học máy nhận diện thông qua phân tích mẫu byte và cấu trúc PE Header. Khi kẻ tấn công sử dụng Mạng sinh đối kháng (GANs) đơn lẻ như MalGAN, hệ thống chỉ tạo ra được các vector đặc trưng đối kháng trên không gian số học mà không can thiệp trực tiếp để xuất ra tệp nhị phân thực thi hoàn chỉnh (End-to-End). Ngược lại, nếu chỉ áp dụng Học tăng cường (Reinforcement Learning - RL) thuần túy, không gian hành động (Action Space) với hàng nghìn hàm Imports và Sections sẽ quá lớn, khiến tác tử RL mất nhiều thời gian hội tụ hoặc làm hỏng cấu trúc logic của tệp PE.

Mục tiêu dự án

  1. Nghiên cứu và thiết kế kiến trúc lai kết hợp giữa Mạng sinh đối kháng (Generative Adversarial Networks - GANs) và Học sâu tăng cường (Deep Reinforcement Learning - DRL) dựa trên nền tảng khung tấn công DQEAF (Deep Q-network anti-malware Engines Attacking Framework).
  2. Tối ưu hóa không gian hành động biến đổi cấu trúc PE nhị phân, đảm bảo tệp sau đột biến giữ nguyên 100% chức năng thực thi gốc.
  3. Đánh giá tính bền vững và tỷ lệ lẩn tránh (True Positive Rate - TPR giảm về mức tối thiểu) trước các trình phát hiện hộp đen (Black-box Detectors) như MalConv, Random Forest, Gradient Boosting, Decision Tree và hệ thống quét đa tầng VirusTotal Engine.

Phương pháp tiếp cận và kết quả kỳ vọng

Giải pháp tiếp cận phân tầng: GANs chịu trách nhiệm sinh ra các vector đặc trưng đối nghịch tối ưu cho các bảng nhập hàm (Imports Table) và phân đoạn (Sections Table), trong khi tác tử DRL (DQN Agent) quyết định chuỗi hành động biến đổi tuần tự trên tệp nhị phân thô.

Chỉ số mục tiêu Giá trị kỳ vọng
Tỷ lệ phát hiện (TPR) của Black-box Detectors Giảm từ >95% xuống <10%
Tính toàn vẹn cấu trúc PE 100% tệp thực thi không bị crash
Không gian hành động tối ưu hóa 4 nhóm hành động biến đổi cốt lõi
Dữ liệu kiểm thử thực tế 200 mẫu Backdoor (VirusTotal) & 120 mẫu MICS (MalShare)

Phạm vi và giới hạn

  • Phạm vi: Tập trung vào định dạng tệp nhị phân Windows Portable Executable (PE 32-bit và 64This request was blocked by Gemini's filters. They can occasionally trigger by mistake on safe coding, security, or biology-related queries. Please try rephrasing your prompt. You can send feedback or read more about our policies here.