Chương 1. TONG QUAN VE DE TÀI .-2- 2-52 22S£+E£2EE+E2EEZE2EEErErrerree 3 1. Giới thiệu để tài. Tính thực tiễn và ý nghĩa của đề tài.
Nội dung yêu cầu và nhiệm vụ dé tài. Pham vi nghién nh ae. Phuong phap thurc hién oo. CƠ SỞ LÝ THUYET VÀ CÁC NGHIÊN CỨU LIEN QUAN.
Cấu trúc payload XSS và các chiến lược biến đổi. Tan cong XSS 8E. Cấu trúc payload XSS. Phan loại XSS.
SSt SH HH HH He 11 2. Ston@GPX SS). sewer ah EE Neca Lesessecscessnsceeceoesceecessseceescosees 11 2. LH ng HH HH net 12 2.
DOM-based XSS. SH HH nhiệt 12 2. Chiến lược biến đổi XSS. Học tăng cường và các thuật toán hoc tăng cường.
Học tăng cường (Reinforcement Learning). Actor Critic AlgOrIthma. <6 S5 1x vn ng như 18 2. Soft Actor Critic (SÁC).- HH HH ni, 20 2.
Proximal Policy Optimization (PPO). Các biện pháp phòng thủ tan công XSS. Web Application Firewall (WAIF). - cv HH HH grế 23 2.
Cơ chế hoạt động của WAIE. HH HH ng nh Hy24 2. Lợi ích của WAIE. Ăn HH HH TH ni 24 2.
Thách thức của WAIE. LH HH HH HH HH net 25 2. Bộ phát hiện tan công dựa trên học MAY. Giới thiệu về bộ phát hiện tan công.
Các bước xây dựng bộ phát hiện tan công. Mô hình sinh mẫu tan công XSS đối kháng dựa trên học tăng cường và các NPHEN CUU LSM 8300720000. Bộ phát hiện tấn công. Bộ sinh mau tấn công XSS đối kháng.-----2- 2 2+cz+cz+cz+sz 29 2.
Các nghiên cứu liên quan và đề xuất phương pháp mới. PHƯƠNG PHAP DE XUẤTT.-2- 2-22 ++cx++cxe+rxeerxrsrxerrxee 33 3. Mô hình kiến trúc hệ thống .---- 2-2 2£ ©++EE+E£+EE+E+E++EezEzrzrerree 33 3. Tổng quan mô hình.--¿--¿-+¿+++++++2+++tx++rx+zrxesrxesree 33 3.
Bộ sinh mẫu tấn công. Mô hình tổng quan.--- 2-2 k+SE+EE+EE+EE+EE+EEEEErErrerreree 34 3. Thiết lập phần thưởng. _ Thiết lập policy.
Các thành phần của MIpPolicy. Nguyên lý hoạt động. Bộ phát hiện tấn côÔng. Mô hình tổng quan .- --:- + + E+Ek+EE+EE+EEEEEEEEEEEeErrrrrrrerei 42 3.
_ Tiền xử lý dữ liệu. Mô hình phát hiện dựa trên Deep Learning. Đánh giá mô hình, kết nối với bộ sinh mẫu tấn công. THỰC HIỆN, THUC NGHIEM VÀ ĐÁNH GIA.
Hiện thực phương pháp. - - c St x2 vn HH HH rệp 55 4. Cấu hình môi trường.--- 2 + ++E++E++EE+EE+EEEEEErErrerrerei 55 4. Thông số của các mô hình:.
Các công nghệ, framework, thư viện được sử dụng. Học máy và học sÂu. _ Xử lý ngôn ngữ tự nhiên (NLP). Xử lý và phân tích dữ liệu.
Học tăng CƯỜng.-- Ăn TH TH ngưng 63 4. Các kịch bản thực nghiệm và các thông số đánh ¬ 0. Các thông số đánh giá. Kịch bản thực nghiỆm.
Kết quả của kịch bản l. Kết quả của kịch bản 2 v. Nhan xét, nh. KETLUAN VÀ HƯỚNG PHAT TRIÊN.
ch tt E111 1111151111111 1111111111111 1151111 EcE. Hướng phát triỂn.---:-++©+++2E+++EE++2EE+tEEEvSEExrEEEverkkrrrkrrrrrrres Z2 DANH MỤC HÌNH VE Hinh 2.1 Thuat toan ActOr-Critic 1.2: Mô hình thuật toán học tang Cường.1: Mô hình tổng quan .2: Tổng quan mô hình sinh mẫu tấn công đối kháng.3: Trạng thái của Agent trong quá trình biến đổi mẫu tấn công.4: Mô hình tông quan bôj phát hiện tấn công .5: Biểu diễn các từ chứa trong payload XSS bằng word2vec.6: Cấu trúc mô hình MLP ba lớp.7: Cấu trúc mô hình LSTTM.8: Cấu trúc mô hình CNN .ccccc-ccccvvvveeercrrrvveeertrrrtrrrerrrrrrrrrreerree 52 Hình 4.1: Sơ đồ mô tả mô hình MLP.----ccc-ccccccveveeererrvvveerrerrrrreerrrrrre 57 Hình 4.2: Sơ đồ mô tả mô hình LSTM.3: Sơ đồ mô tả mô hình CÌNN.---- ¿+ec++++£EE+EE£EEEEketrkerrxerrerrreerkeereeee 60 DANH MỤC BANG Bảng 3.1: Hành động biến đổi mẫu tấn công.2: Quy tac Phan tach tt 1 .1 : Môi trường thực Nghi6. ee eeeescsssseecsssseeeeessteceessseeceesseeseesneeeessneeeesnsteessens 55 Bảng 4.2: Cấu hình mô hình Word2Vec.3: Cấu hình mô hình MILP.---cccc---cccvvvveercrervveeerterrtrrrerrrrrrrrrrerrree 56 Bảng 4.4: Cấu hình mô hình LSTM.-2-+e2+zc22tez2tzzEttrzrtrrrrrrrrrrrr 57 Bảng 4.5: Cấu hình mô hình CNN.6: Cấu hình mô hình PPO.7: Bảng so sánh hiệu suất của các mô hình phát hiện tấn công.8: Thống kê kết quả phát hiện tấn công .---c----cccccccccceeee 67 DANH MỤC TU VIET TAT XSS Cross-Site Scripting WAF Web Application Firewall MLP Multi-Layer Perceptron LSTM Long Short-Term Memory CNN Convolutional Neural Network MTCS Monte Carlo Tree Search RL Reinforcement Learning A2C Advantage Actor-Critic PPO Proximal Policy Optimization URL Uniform Resource Locator HTML HyperText Markup Language JS JavaScript GAN Generative Adversarial Networks CBOW Continuous Bag of Words NLP Natural Language Processing DR Detection Rate ER Escape Rate TÓM TẮT KHÓA LUẬN Trong lĩnh vực ứng dụng web, tan công Cross-site scripting (XSS) là một trong những loại tấn công bảo mật phô biến và nghiêm trọng nhất, cho phép kẻ tan công chèn mã độc hại vào các trang web đáng tin cậy. Điều này có thé dẫn đến đánh cắp thông tin cá nhân và hệ thống bị chiếm đoạt.
Với sự phát triển của công nghệ thông tin, việc bảo vệ các ứng dụng web khỏi các cuộc tấn công XSS trở nên cấp thiết hơn bao giờ hết. Phương pháp học máy, đặc biệt là học sâu, đã mang lại những tiến bộ đáng ké trong việc phát hiện va ngăn chặn XSS. Tuy vậy, các mô hình học sâu hiện nay van đối mặt với thách thức từ các tấn công đối kháng (adversarial examples), khiến mô hình đưa ra dự đoán sai lầm và giảm hiệu quả phát hiện XSS. Vì thế, can nghiên cứu và phát triển các phương pháp mới để cải thiện khả năng phát hiện và ngăn chặn tấn công XSS, đảm bảo độ tin cậy và an toàn của các hệ thống bảo mật web.
Đây là lý đo quan trọng đề bắt tay tiến hành nghiên cứu lĩnh vực này. Mục tiêu để tài là xây dựng một phương pháp mới để sinh mẫu tấn công Cross-Site Scripting (XSS) đối kháng bằng cách áp dụng các kỹ thuật học tăng cường. Phương pháp này cho phép mô hình học hỏi và cải thiện theo thời gian, tự động sinh ra các mẫu tấn công XSS đối kháng có khả năng vượt qua các biện pháp phòng thủ XSS hiện tại. Song, đề tài cũng đặt mục tiêu đánh giá hiệu quả của các mô hình phát hiện XSS hiện có bằng cách thử nghiệm va so sánh các mô hình học sâu như MLP, LSTM va CNN đề xác định khả năng phát hiện các mẫu tan công XSS trước và sau khi biến đôi.
Phương pháp của dé tài sử dụng thuật toán học tăng cường Gradient Policy Optimization (PPO) để sinh ra các mẫu tấn công Cross-Site Scripting (XSS) đối kháng. Trong thuật toán này, môi trường huấn luyện là bộ phát hiện tấn công XSS, gồm các mô hình học sâu như MLP, LSTM và CNN. Nhóm đã thiết kế các chiến lược biến đổi cho mẫu tấn công XSS, đảm bảo tính hợp lệ của các payload được tạo ra. Thuật toán PPO giúp tối ưu hóa chính sách học của agent bằng cách cân bằng giữa khám phá và khai thác, cho phép agent cải thiện hiệu quả trong việc tạo ra các mẫu tấn công đối kháng.
Kết quả nghiên cứu chỉ ra răng phương pháp này không chỉ tạo ra số lượng lớn các payload XSS mới mà còn giữ nguyên chức năng tan công ban đầu, đánh lừa được các hệ thống phát hiện tan công XSS hiện tại. Điều này không chỉ chứng minh tính khả thi của phương pháp ma còn nhắn mạnh tam quan trọng của việc cải thiện hiệu quả của các hệ thống phát hiện XSS. Nghiên cứu này không chỉ góp phần vào việc nâng cao khả năng phòng ngừa tấn công XSS mà còn mở ra hướng tiếp cận mới trong việc nghiên cứu và phát triển các biện pháp bảo mật web. Với những kết quả đạt được, nhóm hi vọng rằng nghiên cứu sẽ là tiền đề cho các nghiên cứu tiếp theo, hướng tới xây dựng các hệ thống phát hiện và phòng ngừa tấn công XSS ngày càng hiệu quả và an toàn hơn.
TONG QUAN VE DE TÀI 1. Giới thiệu đề tài Với sự phát triển liên tục của Internet, các ứng dụng web ngày càng trở nên mạnh mẽ, mang lại lợi ích lớn cho cuộc sống con người. Ngày càng có nhiều người dùng sử dụng Internet vào những công việc đời sống hằng ngày như: đọc báo, nhắn tin, gọi điện, trao đôi thông tin với khách hang, mua sắm trực tuyến, thanh toán hóa đơn. Tuy nhiên, đi kèm với đó là nhiều rủi ro liên quan đến bảo mật.
Các cuộc tấn công phô biến trên web bao gồm tấn công Cross-Site Scripting (XSS), XML External Entity (XXE) và SQL Injection (SQLi). Trong s6 do, tan công XSS là một trong những lỗ hồng bảo mật phổ biến và nguy hiểm nhất. XSS cho phép tin tặc chèn mã độc vào trang web, và khi người dùng truy cập vảo trang đó, mã độc sẽ chạy trên trình duyệt của họ, từ đó đánh cắp thông tin người ding như cookies, session tokens và các thông tin nhạy cảm khác. Vào năm 2021, cuộc tan công XSS vẫn được xếp vào top 10 mối đe doa bảo mật web hàng đầu theo OWASP.
Điều này cho thấy tam quan trọng của việc nghiên cứu và phát trién các phương pháp đôi phó mới và hiệu quả dé ngăn chặn cuộc tân công XSS và bảo vệ an toàn cho các ứng dung web. Các báo cáo gần đây đã chi ra rằng các cuộc tan công mạng đang ngày càng trở nên phô biến và phức tạp hơn. Từ việc tận dụng các lỗ hồng zero-day đến việc phát triển các biến thé mã độc, kẻ tan công liên tục tìm cách xâm nhập vào các trang web phô biến và vượt qua các biện pháp bảo mật hiện có. Điều này đặt ra yêu cầu về việc cải tiến và đổi mới liên tục trong các chiến lược kiểm thử xâm nhập và phòng thủ.
Mặc dù phương kiểm thử xâm nhập truyền thống vẫn được sử dụng rộng rãi trong việc phát hiện lỗ hồng web, nhưng chúng không đủ mạnh mẽ đề phát hiện các mối đe dọa tiềm tàng và các hình thức tan công ngày càng tinh vi. Cần đề xuất phương pháp kiểm thử xâm nhập mới có thé bao quát các khả năng có thể xảy ra. Các WAF truyền thống thường sử dụng quy tắc dựa trên chữ ký dé phát hiện tan công. Tuy nhiên, kẻ tan công có thể thử nhiều trường hợp khác nhau, liên tục biến đổi và che giấu đề đánh lừa các quy tắc của WAF.
Điều này làm giảm hiệu quả và đáng tin cậy của WAF truyền thống trong việc ngăn chặn các cuộc tân công. Một số nghiên cứu cho thay tan công đối kháng vẫn là van đề lớn đối với các WAF và các mô hình áp dụng học máy để phát hiện tấn công XSS. Nghiên cứu [2] của nhóm tác giá Qiuhua Wang đề xuất một phương pháp tiếp cận dựa trên công nghệ fuzzing và thuật toán học tăng cường Soft Q-Learning. Việc thêm các chuỗi fuzzing vào các vị trí cụ thé lên mẫu tấn công XSS có thể làm tăng hệ số tin cậy (xác suất mô hình phát hiện xác định payload là độc hại hay không).
Nghiên cứu này cũng áp dụng các chiến lược biến đồi payload XSS khác như mã hoá, chèn junk code, .