PHÂN LOẠI MÃ ĐỘC SỬ DỤNG MẠNG NƠ-RON TÍCH CHẬP

Abstract

Cùng với sự phát triển của mạng Internet, các cuộc tấn công của các loại mã độc hại cũng gia tăng theo cấp số nhân và trở thành mối đe dọa chính đối với an ninh mạng. Việc tập trung cải tiến khả năng phát hiện các biến thể của mã độc là rất quan trọng. Theo báo cáo giữa năm của Bitdefender [1] – Một hãng bảo mật nổi tiếng đến từ Rumani, số lượng mã độc đang phát tán trên mạng Internet đã gần đạt đến mốc 1 tỉ mẫu. Với mức tăng trưởng hằng năm cực nhanh, mã độc thực sự trở thành nỗi ám ảnh kinh hoàng, gây thiệt hại nặng nề về cả thời gian lẫn tiền của. Phương pháp phát hiện phần mềm độc hại hiện nay bao gồm chủ yếu hai loại: phát hiện tĩnh và phát hiện động (static detection and dynamic detection) [2]. Dù các phương pháp hiện tại vẫn đang hoạt động tương đối hiệu quả, nhưng mã độc ngày càng được cải tiến làm cho việc phân giải đặc trưng ngày càng khó khăn, đôi khi việc này là không thể. Trong bối cảnh đó, luận văn này đề xuất phương pháp sử dụng học sâu để cải thiện việc phát hiện biến thể phần mềm độc hại. Để thực hiện, luận văn này thực hiện chuyển đổi mã độc thành hình ảnh thang độ xám (grayscale image). Sau đó, hình ảnh được chuẩn hoá và phân loại sử dụng mạng nơ ron tích chập - Convolutional Neural Network (CNN). Để kiểm tra phương pháp trên, đề tài này tiến hành một loạt các thử nghiệm với bốn mô hình CNN gồm: AlexNet, InceptionV3, ResNet50 và VGG19 trên tập dữ liệu từ cuộc thi Microsoft Malware Classification Challenge (BIG 2015)1 . Qua quá trình huấn luyện, mô hình thu được cho độ chính xác khá cao, tiêu biểu là VGG19 đã chứng minh rằng phương pháp tiếp cận này có thể đáp ứng được độ chính xác, sự linh hoạt và tiềm năng áp dụng vào thực tế.