PHÁT TRIỂN MÔ HÌNH HỌC SÂU CÓ KHẢ NĂNG THÍCH NGHI VỚI SỰ TRÔI DẠT DỮ LIỆU TRONG PHÁT HIỆN MÃ ĐỘC ANDROID
Khoá luận tốt nghiệp · Đại học · năm 2026 · đề tài tham khảo
| Loại tài liệu | Khoá luận tốt nghiệp |
|---|---|
| Bậc học | Đại học |
| Ngành | Công nghệ thông tin |
| Tác giả | Võ Đức Thịnh |
| Người hướng dẫn | Hà Duy An |
| Cơ sở đào tạo | Trường Đại học Cần Thơ |
| Năm | 2026 |
| Nguồn | Thư viện số Trường Đại học Cần Thơ · trang gốc |
Tóm tắt
Sự tiến hóa liên tục của mã độc trên hệ điều hành Android dẫn đến hiện tượng Trôi dạt khái niệm (Concept Drift), làm suy thoái nghiêm trọng hiệu suất của các mô hình học sâu phòng thủ tĩnh. Thực nghiệm trên bộ dữ liệu chuỗi thời gian dài hạn LAMDA cho thấy, tỷ lệ bỏ lọt mã độc (FNR) của mô hình phân loại Multi-Layer Perceptron (MLP) cơ sở tăng vọt lên đến 71.68% khi đối mặt với dữ liệu tương lai xa. Để giải quyết vấn đề này, luận văn đề xuất một hệ thống phát hiện mã độc thích ứng, kết hợp giữa mạng phát hiện trôi dạt và cơ chế học liên tục. Cụ thể, nghiên cứu thiết kế một mạng Implicit Concept Autoencoder nhằm tự chủ tính toán điểm trôi dạt dựa trên độ bất định của mô hình và độ lệch khái niệm, mà không cần phụ thuộc vào các nhãn hành vi tường minh. Dựa trên điểm số này, một cơ chế Huấn luyện thích ứng (Adaptive Retraining) với 4 chiến lược (HEAVY, LIGHT, PERIODIC, SKIP) được kích hoạt để tự động cập nhật trọng số mô hình. Nhằm khắc phục hiện tượng quên lãng thảm khốc (Catastrophic Forgetting) khi liên tục tiếp thu kiến thức mới, hệ thống tích hợp bộ đệm dữ liệu (Replay Buffer), kỹ thuật Chưng cất tri thức (Knowledge Distillation) và thuật toán Củng cố Trọng số Đàn hồi cải tiến với Nhãn giả (PEWC). Kết quả thực nghiệm trên 105 chu kỳ tháng (từ 2016 đến 2025) cho thấy hệ thống thích ứng đạt hiệu quả vượt trội, phát hiện thành công 79.6% lượng mã độc và tăng 90.97% số mẫu mã độc bị bắt giữ so với mô hình tĩnh. Khi kết hợp cùng chiến lược AE Gating, tỷ lệ phát hiện mã độc tổng thể nâng lên mức 84.5%. Đồng thời, hệ thống bảo lưu xuất sắc tri thức cũ, với mức suy giảm F1-Score trên tập dữ liệu gốc chỉ ở mức 1.12%. Bên cạnh đó, luận văn cũng đóng góp quan trọng trong việc định danh hiện tượng "Né tránh kép" (Dual Evasion), làm rõ giới hạn của các hệ thống phát hiện trước những biến thể mã độc sao chép hoàn hảo đặc trưng của ứng dụng lành tính. The continuous evolution of Android malware leads to Concept Drift, severely degrading the performance of static deep learning defense models. Experiments on the longitudinal LAMDA dataset demonstrate that the False Negative Rate (FNR) of a baseline Multi-Layer Perceptron (MLP) classifier surges to 71.68% when facing farfuture data. To address this challenge, this thesis proposes an adaptive malware detection system that integrates a drift detection network with continual learning mechanisms. Specifically, the research designs an Implicit Concept Autoencoder to autonomously calculate a drift score based on model uncertainty and concept deviation, without relying on explicit behavioral labels. Driven by this score, an Adaptive Retraining mechanism featuring four strategies (HEAVY, LIGHT, PERIODIC, SKIP) is triggered to dynamically update model weights. To mitigate Catastrophic Forgetting during the continuous acquisition of new knowledge, the system incorporates a Replay Buffer, Knowledge Distillation, and Pseudo-Label Elastic Weight Consolidation (PEWC). Evaluation over 105 monthly cycles (from 2016 to 2025) reveals that the adaptive system achieves outstanding efficacy, successfully detecting 79.6% of malware and yielding a 90.97% increase in intercepted malware samples compared to the static baseline. When combined with the AE Gating strategy, the overall detection rate improves to 84.5%. Furthermore, the system excellently preserves prior knowledge, with the F1-Score drop on the original dataset contained at merely 1.12%. Additionally, this thesis makes a significant contribution by identifying the "Dual Evasion" phenomenon, highlighting the fundamental limitations of detection systems against malware variants that perfectly clone benign application features.
Bản toàn văn lưu tại thư viện Trường Đại học Cần Thơ
Thông tin và tóm tắt ở trên lấy từ kho số mở của thư viện trường. Bản toàn văn do thư viện trường quản lý — có nơi cho đọc trực tuyến, có nơi cần tài khoản bạn đọc của trường.
Mở tại thư viện trường ↗
Dùng tài liệu tham khảo cho đúng
- Đọc để hiểu cách người trước đặt câu hỏi, chọn phương pháp, trình bày số liệu — rồi tự làm với dữ liệu và bối cảnh của bạn.
- Ý, số liệu, bảng biểu lấy từ tài liệu này phải trích dẫn (tác giả, năm, tên đề tài, cơ sở đào tạo).
- Đề tài trùng tên vẫn làm được nếu khác đơn vị khảo sát, thời gian hoặc cách tiếp cận — nêu rõ điểm khác trong phần mở đầu.
Hướng dẫn chọn đề tài, cấu trúc và số liệu cho ngành này: Luận văn công nghệ thông tin · Hỏi đáp từng chương với người hướng dẫn số: Học Giả Số · Công cụ số: Luận Văn Số.
Đề tài cùng ngành
- PHÁT TRIỂN WEBSITE QUẢN LÝ KINH DOANH THUỐC DÙNG ASP.NET CORE VÀ KIỂM THỬ TỰ ĐỘNG THEO KỊCH BẢN USE CASE DÙNG KATALON STUDIO
- HỆ THỐNG QUẢN LÝ CỬA HÀNG CÀ PHÊ
- HỆ THỐNG CHIA SẺ TÀI NGUYÊN HỌC TẬP – PHÂN HỆ TÌM KIẾM VÀ KIỂM TRA TÀI LIỆU TRÙNG LẶP
- XÂY DỰNG HỆ THỐNG QUẢN LÝ MUA BÁN ĐỒ CŨ CHO SINH VIÊN KẾT HỢP TÌM KIẾM BẰNG HÌNH ẢNH
- DEVELOPING A NUTRITION TRACKING APPLICATION FOR ATHLETES
- PHÁT TRIỂN GAME PLATFORM 2D “KIMETSU NO MICHI” TRÊN NỀN TẢNG UNITY
- BUIDING A FUNCTIONAL FOOD E-COMMERCE WEBSITE
- NÂNG CAO HIỆU QUẢ KIỂM ĐẾM HÀNG HÓA XUẤT – NHẬP KHO TỪ VIDEO GIÁM SÁT BẰNG PHÁT HIỆN VÀ THEO DÕI ĐA ĐỐI TƯỢNG
Tác giả muốn gỡ, sửa thông tin hoặc bổ sung bản toàn văn: gửi yêu cầu qua trang Liên hệ, kèm đường dẫn trang này.