Tóm tắt Luận văn Thạc sĩ: Phát hiện URL độc hại dựa trên học sâu

Trong bối cảnh công nghệ thông tin phát triển nhanh chóng và Internet trở nên phổ biến, an toàn thông tin mạng ngày càng đóng vai trò thiết yếu trong việc bảo vệ dữ liệu và hệ thống khỏi các mối đe dọa trực tuyến. Sự gia tăng của các URL độc hại đặt ra thách thức đáng kể, đòi hỏi các giải pháp phát hiện hiệu quả. Đề án này tập trung vào việc phát hiện URL độc hại bằng cách áp dụng các phương pháp học sâu tiên tiến. Mục tiêu là phân tích các yếu tố và mẫu trong cấu trúc URL để xây dựng một hệ thống có khả năng nhận diện và ngăn chặn các hoạt động độc hại trên không gian mạng, góp phần nâng cao khả năng phòng thủ mạng.

Các nhà nghiên cứu, sinh viên và chuyên gia trong lĩnh vực khoa học máy tính, an toàn thông tin mạng, và trí tuệ nhân tạo, đặc biệt những người quan tâm đến ứng dụng của học sâu trong phát hiện các mối đe dọa trực tuyến.

Đề án này giới thiệu một hệ thống tự động để phát hiện URL độc hại thông qua việc phân loại các đường dẫn web. Bằng cách tận dụng các phương pháp học sâu trong lĩnh vực trí tuệ nhân tạo, hệ thống được huấn luyện trên một lượng lớn dữ liệu để nhận diện các yếu tố và mẫu đặc trưng của URL có khả năng gây hại. Cụ thể, mô hình học sâu, như mạng nơ-ron học sâu (deep neural networks) và đặc biệt là mạng nơ-ron tích chập (CNN), được xây dựng và tối ưu hóa thông qua quá trình huấn luyện. Quy trình này bao gồm việc phân tích dữ liệu từ một tập dữ liệu thử nghiệm lớn mang tên Malicious URLs dataset, bao gồm 651.191 URL được gán nhãn rõ ràng như 'benign', 'defacement', 'phishing', và 'malware'. Sau khi huấn luyện, mô hình có thể triển khai để đánh giá mức độ độc hại của các URL mới. Kết quả thử nghiệm cho thấy mô hình đạt được độ chính xác cao với độ đo F1 là 98.99%. Hệ thống này không chỉ cải thiện khả năng phát hiện sớm và ngăn chặn các mối đe dọa trực tuyến mà còn cung cấp một công cụ mạnh mẽ trong lĩnh vực an toàn thông tin. Hướng phát triển trong tương lai bao gồm việc khám phá các kiến trúc mô hình học sâu khác như RNN và LSTM, mở rộng quy mô tập dữ liệu huấn luyện, và thử nghiệm mô hình trên các tập URL đa dạng hơn để đảm bảo tính ứng dụng rộng rãi và hiệu quả thực tiễn.