Ứng dụng mô hình học máy trong phát hiện nguy cơ mã độc trên nền tảng android

i

LỜI CAM ĐOAN
Tôi xin cam đoan các kết quả nghiên cứu trong luận văn này là sản
phẩm của cá nhân tôi dưới sự hướng dẫn của thầy giáo PGS. TS. Phạm
Thanh Giang. Các số liệu, kết quả được công bố là hồn tồn trung thực.
Những nội dung trình bày trong luận văn này là do tôi nghiên cứu, tổng
hợp từ nhiều nguồn tài liệu khác nhau. Các tài liệu tham khảo có xuất xứ
rõ ràng, và được trích dẫn đầy đủ, hợp pháp.
Tơi xin hồn tồn chịu trách nhiệm trước lời cam đoan của mình.

Hà Nội, ngày

tháng 9 năm 2020

Người cam đoan

Trần Đức Kiên


ii

LỜI CẢM ƠN
Lời đầu tiên, tôi xin được gửi lời biết ơn sâu sắc tới thầy giáo PGS.
TS. Phạm Thanh Giang, Trưởng phịng Tin học viễn thơng, Viện Cơng
nghệ thơng tin, Viện Hàn lâm Khoa học và Công nghệ Việt Nam người
thầy đã ln khuyến khích, tận tình chỉ bảo, hướng dẫn và hỗ trợ tơi trong
suốt q trình nghiên cứu.
Tôi xin dành lời cảm ơn chân thành tới các thầy cô giáo của Viện
Công nghệ thông tin đã tận tình đào tạo, cung cấp cho tơi những kiến thức
vơ giá, tạo điều kiện tốt nhất cho tôi trong quá trình học tập, nghiên cứu.

Tơi cũng xin gửi lời cảm ơn tất cả những người thân u trong gia
đình tơi cùng toàn thể bạn bè, đặc biệt là bạn Nguyễn Việt Đức, cán bộ
Phịng Tin học viễn thơng, Viện Cơng nghệ thông tin đã luôn giúp đỡ,
động viên tôi những khi khó khăn, trở ngại.
Cuối cùng, tơi xin gửi lời cảm ơn tới các đồng nghiệp của tôi tại Bộ
Tư lệnh Cảnh vệ, Bộ Công an đã giúp đỡ, tạo điều kiện thuận lợi cho tôi
học tập và nghiên cứu chương trình thạc sĩ Viện Cơng nghệ thơng tin,
Viện Hàn lâm Khoa học và Công nghệ Việt Nam.


iii

MỤC LỤC
LỜI CAM ĐOAN ....................................................................................... i
LỜI CẢM ƠN ............................................................................................ ii
MỤC LỤC ................................................................................................ iii
DANH MỤC CÁC KÝ HIỆU VIẾT TẮT ................................................. iv
DANH MỤC CÁC BẢNG BIỂU ............................................................... v
DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ .................................................... vi
MỞ ĐẦU ................................................................................................... 1
CHƯƠNG 1. TỔNG QUAN ...................................................................... 4
1.1. NGHIÊN CỨU LIÊN QUAN .......................................................... 4
1.2. GIỚI THIỆU VỀ NỀN TẢNG ANDROID ...................................... 5
1.2.1. Lịch sử hình thành và phát triển ............................................... 5
1.2.2. Một số phương pháp lây nhiễn mã độc trên nền tảng Android . 8
1.3. PHÂN TÍCH MÃ ĐỘC ................................................................... 9
1.3.1. Các phương pháp phân tích mã độc trên Android ................... 10
1.3.2. Ưu và Nhược điểm của phân tích tĩnh và phân tích động ....... 16
1.4. GIỚI THIỆU VỀ HỌC MÁY ........................................................ 17
1.4.1. Phân loại các thuật toán học máy............................................ 19

1.4.2. Giới thiệu một số thuật toán học máy hiệu quả với bài toán ... 20
CHƯƠNG 2. ỨNG DỤNG MƠ HÌNH HỌC MÁY TRONG PHÁT HIỆN
NGUY CƠ MÃ ĐỘC TRÊN NỀN TẢNG ANDROID ............................ 25
2.1. PHƯƠNG PHÁP THU THẬP DỮ LIỆU THÔ ............................. 25
2.1.1. Thu thập dữ liệu ..................................................................... 25
2.1.2. Giải thích cấu tạo file APK ..................................................... 25
2.1.3. Thực hiện dịch ngược file APK để lấy thuộc tính với apktool 28
2.1.4. Trích xuất feature từ dữ liệu thô được dịch ngược từ apktool . 30
2.2. PHƯƠNG PHÁP CHUẨN HĨA TẬP THUỘC TÍNH .................. 31
2.2.1. Tập thuộc tính......................................................................... 31
2.2.2. Chuyển dữ liệu sang khơng gian vector .................................. 34
CHƯƠNG 3. ĐỀ XUẤT MƠ HÌNH, ĐÁNH GIÁ ................................... 37
CHƯƠNG 4. KẾT LUẬN ........................................................................ 45
TÀI LIỆU THAM KHẢO ........................................................................ 46


iv

DANH MỤC CÁC KÝ HIỆU VIẾT TẮT
Ý NGHĨA

KÝ HIỆU
OS
APK

Operating system – Hệ điều hành
Android Package Kit

FN

False Negative

FP

False Positive

TN

True Negative

TP

True Positive

FNR

False Negative Rate

FPR

False Positive Rate

TNR

True Negative Rate

TPR

True Positive Rate

LR

Logistic Regression – Hồi quy Logistic

SVM

Support Vector Machine


v

DANH MỤC CÁC BẢNG BIỂU
Bảng 1.1. Ưu và nhược điểm của phân tích tĩnh, phân tích động ............. 16
Bảng 3.1. Precision và Recall của S1 đến S8 ........................................... 40
Bảng 3.2. Precision và Recall các nhóm thuộc tính ................................. 42


vi

DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ

Hình 2.1. Sơ đồ quy trình học máy cơ bản ............................................... 18
Hình 2.2. Mơ hình phân lớp nhị phân của SVM ....................................... 21
Hình 3.1. Cách đóng gói file APK ........................................................... 28
Hình 3.2. Thư mục chứa dữ liệu giải nén từ file APK .............................. 29
Hình 3.3. Biểu đồ F1 – Score của các thuộc tính S1 đến S8 .................... 39
Hình 3.4. Biểu đồ Accuracy của các thuộc tính S1 đến S8 ...................... 39
Hình 3.5. F1-score của các nhóm thuộc tính ............................................ 44

1

MỞ ĐẦU
Ngày nay cùng với sự phát triển mạnh mẽ của công nghệ thông tin
và sự phát triển của Internet tồn cầu là các nguy cơ mất an tồn thơng
tin đang trở nên nguy hiểm và khó lường hơn, trong đó mã độc hại
(malware) là một trong những mối hiểm họa nghiêm trọng trên Internet.
Mã độc ngày càng tiến hóa với những biến thể đa dạng từ virus máy tính,
worm, botnet…với các hình thức xâm nhập, che dấu ngày càng tinh vi.
Số lượng và hình thái đa dạng của mã độc ngày càng tăng, trong khi các
phần mềm phòng chống mã độc không thể phát hiện, ngăn chặn được hết
dẫn đến hàng triệu máy tính bị nhiễm mã độc. Ở Việt Nam, theo số liệu
thống kê của BKAV thì năm 2017 có đến 15 triệu máy tính ở Việt Nam
bị nhiễm mã độc tương ứng thiệt hại khoảng 12.300 tỷ đồng. Ngoài ra,
ngày nay để phát triển một mã độc mới khơng u cầu nhiều kỹ năng cao
do tính sẵn có các cơng cụ tấn cơng trên internet. Tính sẵn sàng cao của
các kỹ thuật chống phát hiện cũng như khả năng mua phần mềm độc hại
trên thị trường chợ đen dẫn đến cơ hội trở thành một kẻ tấn công cho bất
kỳ ai, không phụ thuộc vào cấp độ kỹ năng và trình độ chun mơn. Do
đó, bảo vệ hệ thống máy tính khỏi các phần mềm độc hại trên Intenet là
một trong những nhiệm vụ quan trọng nhất về an ninh mạng cho người
dùng, doanh nghiệp. Một cuộc tấn cơng đơn lẻ có thể dẫn đến dữ liệu bị
xâm phạm và gây ra những hậu quả to lớn. Sự mất mát lớn và các cuộc
tấn công thường xuyên đặt ra yêu cầu cần thiết phải có các phương pháp
phát hiện chính xác và kịp thời.
Android là một nền tảng hệ điều hành phổ biến nhất trên thiết bị di
động ngày nay. Cùng với hàng trăm nghìn ứng dụng trên các kênh lưu trữ
trực tuyến, nền tảng Android đã đáp ứng được hầu hết các nhu cầu đa
dạng của người sử dụng. Do sự phổ biến, tính mở, tính tùy biến linh hoạt

2

nên vấn đề an tồn, bảo mật nói chung và mã độc nói riêng trong hệ thống
Android ln là chủ đề nóng.
Phát hiện mã độc là một bước quan trọng để có thể ngăn chặn và
tiêu diệt hồn tồn mã độc ra khỏi thiết bị hoặc hệ thống mạng; khôi phục
lại hiện trạng của thiết bị, hệ thống mạng; truy tìm nguồn gốc tấn cơng.
Hầu hết mã độc ở dạng các chương trình, dịch vụ khơng thể đọc thơng
thường. Các cách phát hiện mã độc chính là: sử dụng các cơng cụ và các
kĩ thuật phân tích. Có hai kĩ thuật phân tích chính là Phân tích tĩnh (khơng
cần chạy mã độc trong hệ thống) và Phân tích động (thực hiện khi mã độc
chạy trong hệ thống).
Học máy là một lĩnh vực của trí tuệ nhân tạo liên quan đến việc
nghiên cứu và xây dựng các kĩ thuật cho phép các hệ thống "học" tự động
từ dữ liệu để giải quyết những vấn đề cụ thể.
Ứng dụng học máy trong phát hiện mã độc là chủ đề đang thu hút
nhiều sự quan tâm trong thời gian qua; khắc phục những nhược điểm của
các phương pháp so sánh mẫu dựa trên cơ sở dữ liệu mã độc được xây
dựng và định nghĩa từ trước là khơng có khả năng phát hiện ra các mẫu
mã độc mới, số lượng dữ liệu mã độc ngày càng gia tăng làm cho cơ sở
dữ liệu mẫu trở nên ngày càng lớn.
Hơn nữa, ngày nay số lượng mã độc ngày càng tăng cao dẫn đến số
lương mẫu ngày càng nhiểu địi hỏi phải có một phương pháp phù hợp để
phát hiện mã độc. Do đó hướng nghiên cứu dựa vào các mơ hình học máy
để phát hiện và phân loại mã độc tỏ ra là phương pháp tìm năng và hiệu
quả khi số lượng mẫu mã độc lớn và các biến thể của mã độc ngày càng
đa dạng. Tuy nhiên một trong những vấn đề chính được quan tâm là làm
thế nào để xây dựng được mơ hình học máy hiệu quả và mang lại kết quả
chính xác cao. Trong đó có một yếu tố quan trọng ảnh hưởng chính đến

mơ hình và hiệu qủa của các thuật toán học máy là lựa chọn đặc trưng và


3

các phương pháp trích chọn đặc trưng phù hợp. Trong luận văn, tác giả
đề xuất một phương pháp thu thập bộ tiêu chí mở rộng gồm các thơng tin
đa dạng thu thập từ ứng dụng Android sau đó phân tích đánh giá mức độ
an toàn của ứng dụng. Dữ liệu đánh giá dựa trên tập mẫu bao gồm 82.682
mẫu với 545.167 feature. Với tập mẫu như vậy, phương pháp hứa hẹn sẽ
đạt hiệu quả trong việc dự đoán và phát hiện các loại mã độc khác nhau,
tuy nhiên nghiên cứu vẫn sẽ đảm bảo được hiệu năng cao.


4

CHƯƠNG 1. TỔNG QUAN
1.1. NGHIÊN CỨU LIÊN QUAN
Hiện nay, nhằm thay thế phương pháp đối chiếu chữ ký số cũ với
những hạn chế trong việc xử lý các mẫu mã độc mới, các nghiên cứu
thường tập trung phân tích sâu hơn vào mỗi tập tin apk để tìm ra đặc điểm
riêng. Hai cơ chế chính là cơ chế phân tích tĩnh và cơ chế phân tích động.
Trong đó, cơ chế thứ nhất là phương pháp trích xuất đặc trưng từ mã
nguồn của tập tin cài đặt. Cơ chế còn lại là thu thập các luồng thông tin
nhập xuất trong thời gian thực thi của ứng dụng. Các đặc trưng được rút
ra từ hai phương pháp này chính là thuộc tính đầu vào của phương pháp
học máy[1].
Crowdroid, AMDA và MADAM nằm trong số các cơng trình nghiên
cứu thực hiện phát hiện phần mềm độc hại android thơng qua cơ chế phân
tích động. Trình theo dõi Crowdroid ghi lại tất cả cuộc gọi hệ thống và

sử dụng các kỹ thuật phân cụm để xây dựng mơ hình phân loại. AMDA
chỉ tập trung theo dõi các hành vi lành tính qua15 lệnh gọi hệ thống để
nhận biết mã độc. MADAM đã đề xuất một khung phát hiện kết hợp các
tính năng ở cấp lõi và cấp ứng dụng MADAM nhận thấy rằng có 11 lệnh
gọi hệ thống ở cấp độ kernel có thể mô tả tốt nhất hành vi của thiết bị.
Tuy nhiên, các đặc trưng được rút ra từ phân tích động thường rất tốn
kém và thiếu tính khái quát.
Đối với thuộc tính tĩnh, Ignacio Martín và cộng sự khai thác các thông
tin trên cửa hàng ứng dụng như ngày đưa lên, số lượt tải, số lượt bình
chọn hay tên nhà phát triển để thuộc tính. Sau đó, họ thử các thuộc tính
này với 3 thuật tốn cây quyết định, máy vec-tơ hỗ trợ và hồi quy
logistic.Chen và công sự[2] kết hợp thuật tốn PCA với 3 bộ thuộc tính
bao gồm: quyền ứng dụng, thành phần ứng dụng và hàm chức năng. Tuy
nhiên, vì số lượng mẫu có hạn với 387 mẫu nên số lượng thuộc tính chỉ


5

đạt số lượng nhỏ là 29. Cũng với sử dụng 3 bộ thuộc tính như bài báo
nhưng Drebin đã mở rộng chúng thành 8 bộ thuộc tính chi tiết hơn (quyền,
thành phần ứng dụng, bộ lọc intent, kết nối phần cứng, hàm API bị hạn
chế, quyền thực dụng, API đáng ngờ, địa chỉ mạng). Có thể thấy 8 bộ
thuộc tính này là rất phong phú và đầy đủ để chúng tối sử dụng và tiến
hành so sánh và đánh giá.

1.2. GIỚI THIỆU VỀ NỀN TẢNG ANDROID
1.2.1. Lịch sử hình thành và phát triển
Hệ điều hành Android cách đây 13 năm bởi Andy Rubin, người
sáng lập công ty Android .Inc năm 2003. Hiện nay, nó đã trở thành hệ
điều hành di động phổ biến nhất trên thế giới, đánh bại nhiều đối thủ như

Symbian, BlackBerry, Palm OS, webOS và Windows Phone[3]. Ban đầu,
Android là hệ điều hành cho các thiết bị cầm tay dựa trên lõi Linux do
công ty Android Inc. Năm 2005, Android Inc. được google mua lại và
phát triển.
Tháng 11 năm 2007, hàng điện thoại và khai thác mạng không dây
TMobile của Mỹ công bố chiếc điện thoại Android đầu tiên mang tên
TMobile G1. Cùng thời điểm, Google công bố ra mắt phiên bản Android
SDK release Candidate 1.0.
Cuối năm 2008, Google cho ra mắt một thiết bị cầm tay tên là
Android Dev Phone 1 có khả năng chạy các ứng dụng Android độc lập
mà không bị ràng buộc với các nhà cung cấp mạng điện thoại di động như
T-Mobie. Đồng thời, Google phát hành bản vá lỗi Android 1.1.
Tháng 4/2009, Android phiên bản 1.5 Cupcake được ra mắt. Trong
phiên bản này, Google đã bổ sung nhiều tính năng và cải tiến so với 2
phiên bản công khai đầu tiên như tải video lên Youtube, xoay màn hình


6

và cho phép bên thứ ba phát triển bàn phím. Đây cũng là phiên bản đầu
tiên Google đặt tên riêng cho phiên bản của Android theo tên các loại
bánh kẹo.
Tháng 9/2009, Google nhanh chóng tung ra Android 1.6 Donut.
Cập nhật quan trọng nhất trong phiên bản này là việc hỗ trợ cho các nhà
mạng sử dụng mạng CDMA. Điều này đã thúc đẩy việc các điện thoại
Android có thể vươn ra trên toàn cầu.
Tháng 10/2009, Android 2.0 Eclair được cập nhật. Đây là phiên bản
đầu tiên tính năng chuyển văn bản thành giọng nói (Text – to – speech)
được đưa vào cùng nhiều tính năng, cải tiến khác.
Tháng 5/2010, Android 2.2 Froyo được ra mắt. Các cập nhật đáng

chú ý của phiên bản này là tính năng phát sóng di động Wi-Fi, hỗ trợ
flash, Android Cloud.
Tháng 9/2010, Android 2.3 Gingerbread được google tung ra. Cho
đến nay, đây là phiên bản thấp nhất Google còn liệt kê trong các phiên
bản cập nhật. NFC lần đầu tiên được đưa vào Android. Đây cũng là phiên
bản đặt nền móng cho việc chụp ảnh selfie, hỗ trợ nhiều camera, hỗ trợ
Google Talk.
Tháng 02/2011, Android 3.0 Honeycomb được giới thiệu. Đây là
phiên bản Google tập trung phát triển dành cho máy tính bảng hoặc các
thiết bị di động có màn hình lớn.
Tháng 10/2011, Android 4.0 Ice-cream Sandwich là sự kết hợp của
Honeycomb và Gingerbread dành cho các thiết bị smartphone. Đây là
phiên bản đầu tiên Android hỗ trợ mở khóa điện thoại bằng cách chụp
ảnh khuôn mặt, đánh dấu sự phát triển của sinh trắc học trên smartphone.
Tháng 6/2012, Android 4.1 Jelly Bean được tung ra và nhận được
sự đón nhận tích cực từ cả người dùng và các nhà phát triển. Khả năng


7

phản hồi cảm ứng được cải thiện rất nhiều. Tính năng chụp hình HDR và
kết nối Miracast cũng được hỗ trợ.
Tháng 9/2013, Android 4.4 Kitkat xuất hiện. Kitkat không thật sự
có nhiều tính năng nổi trội mới nhưng đây là phiên bản được tối ưu hóa
để chạy trên các smartphone với chỉ 512MB Ram. Điều này cho phép các
nhà sản xuất cài đặt Kitkat trên các điện thoại chi phí thấp hơn, góp phần
tích cực vào việc phổ biến Android trên toàn thế giới.
Tháng 9/2014, Android 5.0 Lollipop ra mắt đánh dấu một bước thay
đổi lớn về giao diện Hệ điều hành. Trong phiên bản này, ngôn ngữ
Material Design của Google được sử dụng, nổi bật với các hiệu ứng ánh

sáng và bóng tối tự do.
Tháng 10/2015, Android 6.0 Marshmallow được phát hành. Nó bao
gồm nhiều tính năng mới như: Google Now trên Tap, ngăn kéo ứng dụng
di chuyển dọc, mở khóa bằng phương pháp sinh trắc học, hỗ trợ USB
Type-C, tích hợp Android Pay, và nhiều tính năng hơn nữa.
Tháng 8/2016, Android 7.0 Nougat được tung ra. Một số tính năng
mới trong phiên bản này gồm các chức năng đa tác vụ tốt hơn đối với
điện thoại thông minh có màn hình lớn như chia màn hình và việc chuyển
đổi nhanh giữa các ứng dụng.
Tháng 3/2017, Android 8.0 Oreo được công bố. Hệ điều hành được
bổ sung, nâng cấp nhiều thay đổi trực quan trong menu Cài đặt. Ngoài ra,
Oreo cịn hỗ trợ chế độ ảnh-trong-ảnh, các kênh thơng báo, API tự động
điền mới để quản lý mật khẩu và điền dữ liệu tốt hơn.
Tháng 3/2018, Android 9.0 Pie được phát hành. Trong phiên bản
này, một số tính năng, cập nhật đáng chú ý như cử chỉ điều hướng, thời
gian sử dụng ứng dụng, kết nối bluetooth với 5 thiết bị khác nhau song
song, tính năng xoay nhanh màn hình.


8

Tháng 9/2019, Android 10.0 chính thức phát hành. Khơng giống
các phiên bản trước đây, phiên bản 10.0 này Google không sử dụng tên
các loại bánh kẹo, được sắp xếp theo alphabet như trước đây nữa. Android
10.0 ra mắt đi kèm nhiều tính năng mới như chế độ tối tồn diện, thao tác
điều hướng mới, tăng cường bảo mật và riêng tư, chế độ Focus Mode, tối
ưu cho các sản phẩm màn hình gập.
Android đã có một chặng đường dài phát triển và hoàn thiện. Đến
nay, Hệ điều hành Android đang trở nên phổ biến nhất thế giới, tiếp cận
đến đầy đủ các đối tượng khách hàng, phân khúc khác nhau. Bằng chất

lượng, tính đa dạng của mình, Android chắc chắn sẽ còn phát triển hơn
nữa trong tương lai, phổ biến sâu, rộng hơn trong các thiết bị điện tử,
không chỉ đối với điện thoại thông minh.

1.2.2. Một số phương pháp lây nhiễn mã độc trên nền tảng
Android
Từ năm 2015 đến nay, mỗi ngày thế giới phát hiện thêm khoảng
230.000 chương trình, phần mềm độc hại[4]. Phần mềm độc hại có hành
vi nguy hiểm, có thể bao gồm cài đặt phần mềm mà không cần sự đồng ý
của người dùng. Người dùng đơi khi khơng nhận ra rằng các tệp có thể
tải xuống của họ là phần mềm độc hại, do đó các tệp này có thể được vơ
tình lưu trữ.
Có nhiều phương pháp mà các hacker áp dụng với phần mềm độc
hại để lây nhiễm vào các thiết bị Android. Bốn phương pháp phổ biến là:
- Đóng gói lại ứng dụng hợp pháp: Đây là một trong những
phương pháp phổ biến nhất được sử dụng bởi những kẻ tấn công. Họ có
thể tìm và tải về ứng dụng phổ biến trên thị trường, sử dụng các công cụ
dịch ngược, thêm các đoạn mã độc hại và sau đó đóng gói lại thành các


9

ứng dụng mới và đưa ra thị trường ứng dụng Android chính thức hoặc
của bên thứ ba. Người dùng có thể dễ dàng cài đặt các ứng dụng này do
bị dụ dỗ để tải về và cài đặt các ứng dụng bị nhiễm mã độc. Đã có khoảng
86,0% ứng dụng hợp pháp bị đóng gói lại bao gồm cả các mã độc hại sau
khi phân tích hơn 1.200 mẫu phần mềm độc hại Android [5].
- Khai thác các lỗ hổng trên ứng dụng Android: Có thể là một
lỗi trong các ứng dụng của người dùng. Những kẻ tấn cơng có thể sử dụng
lỗ hổng này để xâm nhập vào điện thoại và cài đặt phần mềm độc hại trên

thiết bị.
- Ứng dụng giả mạo: Có những ứng dụng giả mạo là các phần mềm
độc hại cho phép kẻ tấn công truy cập vào thiết bị di động của bạn. Những
kẻ tấn công tải lên trên thị trường ứng dụng các ứng dụng giả mạo là các
phần mềm chứa mã độc của kẻ tấn cơng. Ví dụ: Kẻ tấn cơng tải lên một
phần mềm có tên Facebook nhưng thực tế đó lại là phần mềm do kẻ tấn
cơng viết và có chứa mã độc trong đó.
- Cài đặt từ xa: Các phần mềm độc hại có thể được cài đặt từ xa
lên điện thoại của người dùng. Nếu kẻ tấn công có thể lấy được các thơng
tin của người sử dụng và vượt qua chúng trên chợ ứng dụng, sau đó trong
trường hợp này, các phần mềm độc hại sẽ được cài đặt vào thiết bị mà
không cần sự can thiệp từ phía người dùng[6]. Ứng dụng này sẽ chứa mã
độc hại cho phép kẻ tấn công truy cập dữ liệu cá nhân như danh sách liên
lạc, tin nhắn,...

1.3. PHÁT HIỆN MÃ ĐỘC
Mã độc là các chương trình có chứa các đoạn mã độc hại được viết
kèm hoặc toàn bộ chương trình nhằm thực hiện hành vi có mục đích xấu
như: đánh cắp thông tin, truy cập trái phép, tấn công, chiếm quyền sử


10

dụng máy,... Bất kỳ phần mềm nào cũng bị xem là mã độc nếu có một
trong biểu hiện như phá hoại, thay đổi trái phép, phá vỡ hoặc làm mất
tính bảo mật, toàn vẹn của dữ liệu người dùng.
Tùy thuộc hình thức, cơ chế hoạt động, lây lan và kiểu phá hoại mà
phân loại các kiểu mã độc như: spyware, virus, backdoor, trojan,
adware,...
Ngày nay, Internet phát triển mạnh mẽ tạo điều kiện cho việc tiếp

cận có chủ đích và tạo ra mã độc càng trở nên dễ dàng hơn mà không cần
các kiến thức quá sâu về công nghệ thông tin[7]. Chính vì vậy, thách thức
bảo vệ an tồn, an ninh thông tin trước bị đổi mới, biến thể không ngừng
của mã độc càng trở nên khó khăn.
1.3.1. Các phương pháp phát hiện mã độc trên Android
Phát hiện mã độc là một bước quan trọng trong để có thể ngăn chặn
và tiêu diệt hoàn toàn mã độc ra khỏi máy tính và hệ thống mạng; khơi
phục lại hiện trạng của mạng như ban đầu; truy tìm nguồn gốc tấn cơng.
Trước tiên cần xác định được chính xác chuyện gì đã xảy ra với
tồn bộ hệ thống, tìm được tồn bộ các thiết bị, tệp, ứng dụng đã bị lây
nhiễm.
Trong quy trình phát hiện mã độc, chúng ta cần xác định được chính
xác những gì mã độc có thể thực hiện, cách thức phát hiện mã độc trong
hệ thống mạng, phương pháp đo lường thiệt hại nó có thể gây ra. Và quan
trọng nhất cần tìm ra qui luật đặc trưng (Mã nhận diện – signatures) để
nhận diện mã độc, diệt mã độc và khôi phục hệ thống.
Hầu hết mã độc ở dạng các chương trình, dịch vụ (dạng binary)
khơng thể đọc thơng thường. Cách phát hiện mã độc chính là: sử dụng
các cơng cụ và các kĩ thuật phân tích. Có hai kĩ thuật phân tích chính:


11

+ Phân tích tĩnh (Phân tích mà khơng cần mã độc chạy trong hệ
thống): Thực hiện việc dịch ngược mã độc bằng các công cụ
Disassembler, xem nội dung và cấu trúc[8] mã nguồn để xác định xem
mã độc làm gì. Đặc trưng của phương pháp này yêu cầu kiến thức về dịch
ngược, hệ thống, tập lệnh.
+ Phân tích động (Phát hiện mã độc chạy thật trong hệ thống): Sử
dụng các trình debugger để nghiên cứu và xem cách thức thực thi của mã

độc trong mơi trường thật. Từ đó trích xuất thông tin chi tiết về mã độc:
nguồn gốc, cách thức lây nhiễm, các đoạn mã, các hàm quan trọng. Để có
thể thực hiện được phương pháp này cần trang bị kiến thức chuyên sâu
về kĩ thuật, thành thạo việc sử dụng các công cụ và nhiều kĩ năng để có
thể vượt qua các kĩ thuật của mã độc.
Một số quy tắc chính khi phân tích mã độc:
- Khơng nên tập trung quá vào những tiểu tiết, hầu hết các mã độc
đều có lượng mã nguồn rất lớn, phức tạp và có chứa nhiều mã rác. Do đó,
chúng ta nên tập trung vào các tính năng chính để tránh mất nhiều thời
gian chi tiết hóa các thơng tin khơng cần thiết.
- Mỗi cơng cụ hỗ trợ phân tích có những chức năng riêng, cần vận
dụng linh hoạt và hiệu quả dựa trên điểm mạnh của từng cơng cụ để q
trình phân tích nhanh hơn, chính xác hơn.
- Có nhiều chiến thuật phân tích khác nhau, do đó cần thay đổi chiến
thuật một cách linh hoạt để hiệu quả phân tích tốt hơn.
Việc phân tích mã độc (malware analysis) giống như một trị chơi
đuổi bắt, người viết mã độc thì ln cố che giấu cịn người phân tích thì
ln cố tìm ra các thông tin chi tiết nhất[9]. Các kĩ thuật mới được tạo ra
mỗi ngày, do đó cần ln ln cập nhật các kĩ thuật phân tích và cơng


12

nghệ mới nhất, ngồi ra cũng cần có sự sáng tạo để q trình phân tích
nhanh, hiệu quả hơn.

1.3.1.1. Phương pháp phân tích tĩnh:
Đặc điểm của phương pháp phân tích tĩnh này là sẽ kiểm tra, phân
tích Malware mà khơng thực thi mã độc. Cơ bản của việc phân tích tĩnh
bao gồm các bước kiểm tra các file thức thi mà không cần các hướng dẫn

thực tế. Qua bước phân tích tĩnh sẽ xác nhận cho chúng ta liệu file đó có
phải là mã độc hay khơng, cung cấp thơng tin về chức năng của chúng,
đôi khi những thông tin này sẽ cung cấp cho người dùng những dấu hiệu
nhận dạng các loại Malware.
Là phương pháp đơn giản và có thể thực hiện một cách nhanh
chóng. Tuy nhiên phương pháp này lại khơng có hiệu quả trong việc phân
tích những loại Malware phức tạp và do đó chúng ta có thể bỏ qua những
hành vi quan trọng mà Malware gây ra.
Trong mức này chúng ta chưa quan tâm tới việc thực thi File
Malware, trong phần này tôi sẽ tập trung vào việc phân tích mã, cấu trúc,
header của chương trình để xác định các chức năng:
- Sử dụng Hash để xác định Malware.
- Xác định các thông tin từ string, header, function của file
Mỗi kỹ thuật sẽ cung cấp các thơng tin khác nhau tùy thuộc mục
đích nghiên cứu. Tơi sẽ sử dụng một vài kỹ thuật sao cho thu thập được
càng nhiều thông tin càng tốt[10].
Sử dụng Hash để xác định Malware
Hashing là phương pháp phổ biến để nhận diện và xác định phần
mềm độc hại. Khi Malware được chạy qua một phần mềm hash sẽ tạo ra


13

một chuỗi ký tự (chuỗi ký tự này được coi như là vân tay của Malware).
Mỗi chuỗi hash xác định ra các Malware duy nhất[11], có thể chia sẻ các
mẫu hash này để giúp cho những người phân tích xác định Malware.
Sử dụng việc tìm kiếm chuỗi
Một chương trình thường chứa các chuỗi nếu nó in ra một message,
kết nối tới một đường dẫn URL hoặc copy một file đến một vị trí xác
định.

Nghiên cứu các chuỗi cũng là một phương pháp đơn giản để chúng
ta có thêm những thơng tin về chức năng của chương trình. Ví dụ, chương
trình này thường in xuất ra màn hình để cung cấp cho người dùng một
cập nhật trạng thái, hoặc để cho biết rằng một lỗi đã xảy ra. Những chuỗi
trạng thái và chuỗi lỗi kết thúc có thể nhúng trong tập tin thực thi của
chương trình và có thể vơ cùng hữu ích trong việc phân tích phần mềm
độc hại.
Việc bóc tách các chuỗi có trong các phần mềm độc hại được thực
hiện bằng các công cụ như Hex Editor, PeiD[12]. Cho dù sử dụng bất kỳ
cơng cụ gì để bóc tách các String thì các string có thể được thể hiện dưới
dạng mã ASCII hoặc Unicode. Nhưng việc phân tích chuỗi cần phải hết
sức cẩn thận vì có thể chuỗi đó được người viết Malware cố tình chèn
vào để đánh lừa người phân tích.
Việc thực hiện phân tích chuỗi có thể giúp chúng ta phát hiện ra
một số loại Malware được lưu dưới một định dạng khác để đánh lửa người
dùng như ví dụ sau: Malware netcat là một file thực thi, nhưng chúng
được lưu lại dưới định dạng là một file nén để lừa người dùng có dạng là
nc.rar.
Mỗi loại file có các byte định dạng riêng. Kiểm tra các byte định
dạng để xác định file đó là loại file gì. Chẳng hạn những file thực thi ln


14

có các byte định dạng là MZ (được thể hiện dưới dạng hex: 4D 5A), các
file nén có định dạng là PK (được thể hiện dưới dạng hex: 50 4B).
Để kiểm tra xem file này có thật sự là một file nén hay là một file
thực thi được lưu dưới dạng của một file nén[13], chúng ta có thể sử dụng
các công cụ như Hex Editor hay PEiD để kiểm tra vấn đề này.
Trình soạn thảo cho phép bạn tìm kiếm chuỗi byte cụ thể trong bản

thân file. Nó sẽ cho bạn biết liệu Malware download về như trong hình
minh hoạ ở trên có thực sự là file winzip hay khơng. Người dùng khơng
cần lo lắng liệu mình có vơ tình khiến Malware này phát huy tác dụng
hiệu quả của nó ngay bây giờ. Đơn giản là vì trong trình soạn thảo Hex,
chúng ta chỉ có thể xem được nội dung mà khơng thể kích hoạt file thực
thi.

1.3.1.2. Phương pháp phân tích động:
Đặc điểm của phương pháp phân tích động này là sẽ kiểm tra, phân
tích Malware bằng việc thực thi mã độc:
- Basic dynamic analysis: là phương pháp thực thi mã độc và giám
sát các hành vi của chúng trên hệ thống để tìm cách loại bỏ chúng, tìm ra
các dấu hiệu để nhận biết Malware. Tuy nhiên, chúng ta cần phải xây
dựng mơi trường an tồn để cho phép chạy và nghiên cứu Malware mà
không gây tổn hại đến hệ thống hoặc môi trường mạng. Cũng giống với
basic static analysis thì phương pháp basic dynamic analysis thường được
sử dụng kể cả với những người không am hiểu về kiến thức lập trình. Và
phương pháp này cũng khơng hiệu quả trong việc phân tích các loại
Malware phức tạp[14].
- Advanced dymanic analysis: đây là phương pháp sử dụng chương
trình gỡ lỗi để kiểm tra các trạng thái ngầm của mã độc khi thực thi nó.


15

Phương pháp này sẽ cung cấp cho chúng ta những thông tin chi tiết khi
thực thi mã độc. Phương pháp này sẽ giúp chúng ta thu thập thông tin khi
các thơng tin đó khó có thể lấy được từ những phương pháp phân tích
khác[15].
Dynamic analysis giám sát q trình thực hiện của Malware sau khi

đã chạy, thực thi mã độc. Kỹ thuật dynamic analysis[16] là bước thứ hai
trong tiến trình phân tích Malware, thường thì dynamic analysis sẽ được
thực hiện sau bước basic analysis Malware kết thúc.
Nếu như static analysis phân tích Malware qua việc phân tích chuỗi,
phân tích dựa trên hash, phân tích các byte định dạng, đóng gói Malware
và khơng thực thi Malware thì Dynamic analysis sẽ phân tích Malware
dựa trên việc thực thi Malware. Dynamic analysis là phương pháp hiệu
quả trong việc xác định các chức năng của Malware.Ví dụ nếu mã độc
của bạn là một keylogger thì dynamic analysis sẽ cho phép bạn xác định
các file log của keylogger trên hệ thống, giúp bạn khám phá ra những bản
ghi mà keylogger nắm giữu, giải mã ra thơng tin mà Keylogger gửi đi.
Những điều này rất khó có thể thực hiện được nếu sử dụng kỹ thuật basic
static analysis.
Mặc dù dynamic analysis là một kỹ thuật mạnh mẽ và hữu ích trong
việc phân tích Malware nhưng chúng ta chỉ nên thực hiện dynamic
analysis sau khi thực hiện static analysis[17] vì phương pháp này sẽ đặt
hệ thống của chúng ta trong tình trạng nguy hiểm. Bên cạnh việc trực
quan, dễ nhận thấy những tác động trực tiếp của Malware tới hệ thống thì
phương pháp này vẫn cịn có những hạn chế nhất định bởi không phải tất
cả các đường dẫn, các mã lệnh đều được thực hiện khi Malware mới chỉ
chạy có một phần. Trong trường hợp command của Malware yêu cầu các
tham số, mỗi tham số có thể thực hiện chức năng chương trình khác nhau,


16

và nếu không biết lựa chọn sẽ không thể tự động kiểm tra tất cả các chức
năng của Malware

1.3.2. Ưu và Nhược điểm của phân tích tĩnh và phân tích động

Để so sánh cụ thể hơn, ta xây dựng bảng so sánh sau:
Bảng 1.1. Ưu và nhược điểm của phân tích tĩnh, phân tích động
Phân tích tĩnh
Chế

Phân tích động

độ Phân tích ứng dụng khi ứng dụng Phân tích ứng dụng khi

phân tích đó khơng thực thi.

ứng dụng đang ở chế độ
thực thi.

Phân tích mã độc

Sử dụng các cơng cụ dịch -

Phân tích dựa trên

ngược để lấy mã nguồn của ứng các tính năng, hành vi của
dụng từ tệp tin APK(dex2jar,

các ứng dụng khi chạy các

APKtool,...).

ứng dụng.

dụng

Kiểm tra quyền của ứng thông

qua

tệp

tin việc kiểm tra các cuộc gọi

AndroidManifest.xml.
-

hệ thống và đường dẫn

Phân tích dựa trên các đặc thực thi.

điểm nghi ngờ bởi các họ nhất định.
-

Phân tích dựa trên

Thơng tin bị rị rỉ

trong q trình phân tích
Các lời gọi hệ thống thơng

và tiêu hao tài ngun để

qua API được phân tích nhằm phát hiện hành vi nguy
phát hiện hành vi nguy hiểm của hiểm của các ứng dụng.

ứng dụng.


17

Hạn chế

-

Trong

trường

hợp

mã -

Cần nhiều thời gian

nguồn bị làm rối sẽ giảm hiệu quả và cơng sức để phân tích
của phân tích.
-

ứng dụng trong các khoảng

Mã nguồn khơng thể được thời gian chạy khác nhau.

phân tích trong trường hợp phân
tích bytecode.
-

Khơng thể phát hiện ra mẫu

mã độc quá mới.

1.4. GIỚI THIỆU VỀ HỌC MÁY
Ngày nay, trí tuệ nhân tạo[18] (AI-Artifical Intelligent) nói chung
và học máy (Machine Learning) nói riêng đang vơ cùng được quan tâm
nghiên cứu và phát triển như một cơ hội cho cuộc cách mạng công nghiệp
lần thứ tư. Trí tuệ nhân tạo xuất hiện xung quanh ta ngày càng nhiều và
trong mọi lĩnh vực đời sống như hệ thống trợ lý ảo Siri, alexa, Google
Assitant; các dòng xe tự lái của Tesla, Google; hệ thống gợi ý phù hợp
với từng khách hàng của Amazon, Netflix, ...
Học máy là một phần của Trí tuệ nhân tạo. Theo định nghĩa trên
Wikipedia: “Học máy là một lĩnh vực nhỏ của khoa học máy tính, nó có
khả năng tự học hỏi dựa trên dữ liệu đưa vào mà khơng cần lập trình cụ
thể”.
Ý tưởng cơ bản của học máy là dựa trên một số thuật tốn xây dựng
mơ hình để giải quyết vấn đề cụ thể như phân lớp, phân loại, hồi quy...
Giai đoạn huấn luyện của học máy sử dụng dữ liệu đầu vào và mơ hình
được xây dựng để dự đốn đầu ra. Q trình học máy cơ bản như sau:


18

Hình 2.1. Sơ đồ quy trình học máy cơ bản
Quá trình để xây dựng hệ thống học máy gồm các giai đoạn sau:
- Thu thập dữ liệu (gathering data): Quá trình thu thập dữ liệu tùy
thuộc vào kiểu bài tốn ta cần xử lý. Dữ liệu có thể được thu thập từ nhiều
nguồn khác nhau như một cơ sở dữ liệu, cảm biến, tệp tin,...

- Tiền xử lý dữ liệu (data pre-processing): Tiền xử lý dữ liệu là giai
đoạn quan trọng, giúp xây dựng mơ hình học máy hiệu quả. Đây là giai
đoạn chuyển hóa dữ liêu thơ, dữ liệu từ nhiều nguồn khác nhau trong thế
giới thực thành dữ liệu sạch (dữ liệu thơ có một số đặc điểm như thiếu
xót, nhiễu, khơng nhất qn).
- Xây dựng mơ hình phù hợp (researching model): Đây là giai đoạn
ta dựa trên các thuật toán phân lớp, phân loại để xây dựng mơ hình cho
kết quả tốt nhất.
- Huấn luyện, kiểm thử đối với mơ hình (training and testing
model): Ta chia dữ liệu thành 03 phần gồm dữ liệu huấn luyện (trainning
data) để huấn luyện bộ phân lớp, dữ liệu xác nhận (validation data) để
tinh chỉnh bộ phân lớp, dữ liệu kiểm thử (testing data) để kiểm tra hiệu


19

suất bộ phân lớp. Chú ý rằng, bộ dữ liệu kiểm thử không được dùng để
huấn luyện do làm sai lệch đánh giá hiệu quả[19].
- Đánh giá (evaluation): Đây là giai đoạn ta đánh giá mơ hình, giúp
lựa chọn mơ hình phù hợp nhất đối với bộ dữ liệu và mơ hình sẽ hoạt
động hiệu quả như thế nào.

1.4.1. Phân loại các thuật tốn học máy
Hiện nay, có hai cách thơng dụng để phân loại thuật tốn học máy
là dựa vào phương thức học (learning style)[20] và dựa vào chức năng
(funtion) của thuật toán. Khi phân loại theo phương thức học thì các thuật
tốn chia làm 04 loại gồm: học có giám sát (Supervise learning), học
khơng giám sát (Unsupervise learning), học bán giám sát (Semi-supervise
learning), học tăng cường (Reinforcement Learning)[21]. Cụ thể như sau:
- Học có giám sát: Dự đốn đầu ra cho dữ liệu mới dựa trên các cặp

dữ liệu đã biết từ trước[22]. Các cặp dữ liệu này thường được gọi là dữ
liệu và nhãn. Đây là thuật tốn phổ biến nhất trong học máy. Bài tốn học
có giám sát cũng được chia thành 02 loại sau:
+ Bài toán phân loại (Classification): Đây là bài toán khi các nhãn
của dữ liệu đầu vào được có hạn như bài tốn phân loại phần mềm dính
mã độc hay khơng, phân loại email rác hay khơng, phân loại hoa,...
+ Bài tốn hồi quy (Regression): Khi nhãn không được chia thành
các loại mà mang một giá trị như một căn nhà rộng a mét, chia thành b
phòng, cách c kilomet so với trung tâm thành phố thì giá bao nhiêu?
- Học khơng giám sát: Bài tốn chỉ có dữ liệu đầu vào, cịn đầu ra
ta hồn tồn chưa biết. Tùy thuộc vào cấu trúc của dữ liệu mà bài tốn
học khơng giám sát sẽ có thể phân nhóm (clustering) hoặc giảm số chiều