AI Research Hub

Bài viết khảo sát toàn diện sự chuyển dịch từ reactive sang preemptive security và sự trỗi dậy của các mô hình ngôn ngữ chuyên ngành (CySecBERT, CyberLLaMA) — nền tảng cho an ninh mạng thế hệ mới.

Không gian mạng không còn là ranh giới xa lạ — nó là chiến trường thực sự của thế kỷ hai mươi mốt. Trong khi các tổ chức trên toàn cầu đang nỗ lực số hóa toàn diện, bối cảnh đe dọa mạng cũng đang biến đổi với tốc độ chưa từng thấy. Theo đánh giá từ các nghiên cứu gần đây, khung cảnh mối đe dọa mạng trong kỷ nguyên trí tuệ nhân tạo (AI) đã vượt ra khỏi các cuộc tấn công truyền thống, bước vào một giai đoạn mà kẻ tấn công sử dụng chính công nghệ AI để tạo ra những mối đe dọa tinh vi, tự động hóa và khó đoán hơn (The Cyber Threat Landscape in the AI Era, 2026). Vũ khí không chỉ nằm ở mã độc hay lỗ hổng phần mềm, mà còn ở khả năng của máy học nhằm tạo ra các cuộc tấn công được cá nhân hóa, sinh ra mã độc biến thể liên tục, và khai thác những lỗ hổng chưa từng được biết đến — hay còn gọi là zero-day attacks.

Trước sự bùng nổ đó, cách tiếp cận bảo mật truyền thống — chờ đợi cuộc tấn công xảy ra rồi mới phản ứng — đã trở nên quá chậm chạp và kém hiệu quả. Sự chuyển dịch từ an ninh mạng thụ động (reactive) sang chủ động (proactive), và xa hơn nữa là ngăn chặn từ trước (preemptive), đang định hình lại toàn bộ triết lý phòng thủ số. Cùng lúc đó, một cuộc cách mạng đang diễn ra song song trong lĩnh vực xử lý ngôn ngữ tự nhiên (Natural Language Processing — NLP): sự trỗi dậy của các mô hình ngôn ngữ chuyên ngành (domain-specific language models). Những mô hình này — được fine-tune trên kho dữ liệu riêng biệt của an ninh mạng — đang dần trở thành công cụ phân tích đắc lực cho các trung tâm vận hành an ninh (Security Operations Centers — SOC), giúp tự động hóa việc nhận dạng thực thể, phân tích nhật ký bảo mật, và hỗ trợ nhân viên phản ứng sự cố.

Bài viết này có mục tiêu hai chiều: thứ nhất, khảo sát toàn diện sự chuyển dịch paradigm từ reactive security sang preemptive cybersecurity, bao gồm các khung phân tích đe dọa, công nghệ tự động hóa, kiến trúc Zero Trust, và chiến thuật phòng thủ chủ động; thứ hai, phân tích sâu sự trỗi dậy và tiềm năng của các mô hình ngôn ngữ chuyên ngành (CySecBERT, CyberLLaMA, và các mô hình tương tự) trong việc củng cố năng lực phòng thủ mạng. Bài viết dựa trên phân tích tổng hợp hơn năm mươi tài liệu nghiên cứu, báo cáo chuyên ngành và khung tiêu chuẩn quốc tế, được xác minh qua Crossref và các nguồn học thuật uy tín.

Cấu trúc bài viết gồm mười phần: sau phần mở đầu, Phần 1 phân tích sự chuyển dịch từ reactive đến preemptive; Phần 2 khảo sát các khung phân tích đe dọa (Kill Chain, MITRE ATT&CK); Phần 3 đi sâu vào threat hunting và threat intelligence bằng AI; Phần 4 thảo luận kiến trúc Zero Trust và phòng thủ tự chủ; Phần 5 — phần cốt lõi — phân tích các mô hình ngôn ngữ chuyên ngành; Phần 6 và 7 đề cập SOAR/Agentic SOC và công nghệ giải trí; Phần 8 xem xét rủi ro và mặt tối của AI trong cybersecurity; Phần 9 thảo luận cơ sở nhân lực và tiêu chuẩn thực tiễn; và Phần 10 tổng kết với triển vọng tương lai.

1. Từ reactive đến preemptive — Sự chuyển dịch paradigm trong an ninh mạng

1.1. Reactive security: Kỷ nguyên phòng thủ thụ động

Trong gần hai thập kỷ đầu tiên của kỷ nguyên số, an ninh mạng chủ yếu hoạt động theo mô hình reactive — tức là phản ứng sau khi cuộc tấn công đã xảy ra hoặc đang xảy ra. Mô hình này dựa trên một chuỗi hành động tuần tự: triển khai tường lửa (firewall), cài đặt phần mềm diệt virus, cấu hình hệ thống phát hiện xâm nhập (Intrusion Detection System — IDS), rồi chờ cảnh báo. Khi cảnh báo kích hoạt, nhân viên an ninh mạng sẽ phân tích, cô lập hệ thống bị ảnh hưởng, và áp dụng biện pháp khắc phục.

Phương pháp reactive này từng hiệu quả trong giai đoạn mà mối đe dọa mạng còn đơn giản và tương đối có thể dự đoán. Các cuộc tấn công phổ biến bao gồm virus đơn lẻ, worm tự nhân rộng, và các nỗ lực xâm nhập thủ công. Trong bối cảnh đó, việc cập nhật chữ ký (signature) phần mềm diệt virus và duy trì tường lửa có thể chặn được phần lớn các mối đe dọa.

Tuy nhiên, mô hình reactive bộc lộ những điểm yếu chí mạng khi đối mặt với bối cảnh đe dọa hiện đại. Thứ nhất, thời gian trễ (response time) giữa lúc phát hiện và lúc phản ứng thường quá dài — theo các nghiên cứu về phát hiện xâm nhập, kẻ tấn công chỉ cần vài giờ để di chuyển ngang (lateral movement) trong mạng, trong khi tổ chức trung bình cần hàng tuần để phát hiện (Naik et al., 2022). Thứ hai, mô hình này phụ thuộc hoàn toàn vào các chỉ báo đã biết (known indicators), khiến nó gần như vô dụng trước zero-day attacks — những lỗ hổng chưa được công bố mà kẻ tấn công có thể khai thác trước khi nhà cung cấp phát hành bản vá. Thứ ba, quy trình phản ứng thủ công tốn nhiều nguồn nhân lực và dễ bị sai sót, đặc biệt khi khối lượng cảnh báo (alerts) mỗi ngày có thể lên tới hàng nghìn, gây ra hội chứng cảnh báo mệt mỏi (alert fatigue) ở nhân viên SOC.

Duncan, Creese và Goldsmith (2019) đã phân tích sự kết hợp giữa attack-tree và kill-chain để thiết kế chiến lược phát hiện tấn công đối với các mối đe dọa từ người nội bộ (insider threats), và kết luận rằng phương pháp reactive đơn thuần — dựa trên các quy tắc tĩnh — không đủ để đối phó với các kịch bản tấn công phức tạp có nhiều bước và nhiều vector. Thay vào đó, cần một cách tiếp cận có khả năng mô hình hóa đường đi tấn công tiềm năng và phát hiện sớm các dấu hiệu bất thường.

1.2. Proactive security: Sự trỗi dậy của threat hunting

Nhận thức được giới hạn của reactive security, cộng đồng an ninh mạng bắt đầu chuyển sang mô hình proactive security — an ninh mạng chủ động. Sự chuyển dịch này được thúc đẩy bởi nhiều yếu tố: gia tăng tần suất và mức độ tinh vi của các cuộc tấn công, phát triển công nghệ phân tích hành vi (behavioral analytics), và sự xuất hiện của threat intelligence như một nguồn thông tin chiến lược.

Threat hunting — săn mối đe dọa — trở thành một trong những trụ cột của proactive security. Thay vì ngồi chờ cảnh báo, các threat hunter chủ động tìm kiếm các dấu hiệu hoạt động của kẻ tấn công (indicators of compromise — IoC) trong mạng, dựa trên kiến thức về kỹ thuật, chiến thuật và thủ tục của đối thủ (TTPs — Tactics, Techniques, and Procedures). Stein (2025) đã thực hiện một tổng quan toàn diện về khai thác dữ liệu cyber threat intelligence để thúc đẩy an ninh mạng chủ động, nhấn mạnh rằng quá trình thu thập, chuẩn hóa và phân tích CTI cho phép tổ chức "nhìn thấy kẻ tấn công trước khi kẻ tấn công nhìn thấy chúng ta".

Sự chuyển dịch từ an ninh mạng thụ động sang chủ động thể hiện một thay đổi nền tảng về triết lý phòng thủ: các tổ chức không còn chờ đợi cảnh báo kích hoạt mà chủ động tìm kiếm dấu hiệu hiện diện của kẻ tấn công dựa trên tình báo đe dọa, phân tích hành vi và điều tra dựa trên giả thuyết.

Nair (2025) mô tả threat hunting là "đội tiên phong của quốc phòng mạng hiện đại", nhấn mạnh vai trò của nó trong việc phát hiện các mối đe dọa tinh vi đã vượt qua các biện pháp bảo vệ truyền thống. Gohel và Popat (2025) phân tích vai trò của threat hunting trong các chiến lược phòng thủ chủ động, chỉ ra rằng threat hunting hiệu quả đòi hỏi sự kết hợp giữa kiến thức chuyên môn của con người, dữ liệu CTI chất lượng cao, và công nghệ phân tích tự động.

Sarker (2024) đã khảo sát các công nghệ học máy và học sâu dành cho cybersecurity, và chỉ ra rằng học máy cung cấp khả năng phát hiện bất thường (anomaly detection) vượt xa các phương pháp dựa trên quy tắc. Các mô hình học máy được huấn luyện trên dữ liệu hành vi mạng bình thường có thể phát hiện các отклонение (deviations) tinh vi mà các quy tắc tĩnh không thể nhận ra — ví dụ, một người dùng truy cập tài liệu nhạy cảm vào lúc sáng sớm, hoặc một máy chủ giao tiếp với một địa chỉ IP chưa từng kết nối trước đây.

Velde, Prashanth, Bolukonda và Bandi (2025) đề xuất một phương pháp lai (hybrid) kết hợp máy học với intelligence-driven detection, trong đó dữ liệu CTI được sử dụng để làm giàu (enrich) các cảnh báo phát hiện bất thường từ mô hình ML, giúp giảm thiểu false positives và tăng tính chính xác của quá trình phát hiện. Phương pháp này đã cho thấy hiệu quả trong việc kết hợp lợi thế của cả phân tích dựa trên quy tắc lẫn học máy.

1.3. Preemptive security: Định nghĩa và khác biệt cốt lõi

Nếu reactive security là "phản ứng sau khi bị đánh", và proactive security là "tìm kiếm kẻ tấn công trong mạng", thì preemptive security là "ngăn chặn cuộc tấn công trước khi nó bắt đầu". Mặc dù ba khái niệm này thường được sử dụng thay thế cho nhau trong tài liệu phổ thông, chúng có những khác biệt quan trọng về triết lý và phương pháp.

Preemptive security hoạt động ở giai đoạn sớm nhất có thể của chuỗi tấn công — thậm chí trước khi kẻ tấn công thực hiện bất kỳ hành động nào đối với mục tiêu. Điều này đạt được thông qua: (a) phân tích rủi ro dự báo (predictive risk analysis), trong đó tổ chức liên tục đánh giá bề mặt tấn công (attack surface) và dự đoán các vector tấn công tiềm năng; (b) giám sát môi trường bên ngoài (external environment monitoring), bao gồm dark web, forum hacker, và kênh giao tiếp ngầm để phát hiện kế hoạch tấn công đang được thảo luận hoặc chuẩn bị; và (c) triển khai biện pháp phòng thủ theo chiều dịch chuyển sang trái (shift-left security), tức là tích hợp an ninh ngay từ giai đoạn thiết kế và phát triển, thay vì thêm vào sau khi triển khai.

Hamzaoui, Ibadah và Minaoui (2026) đã phân tích cách tiếp cận behavior analytics cho proactive cybersecurity, bao gồm phát hiện sớm, threat hunting, và điều tra sự cố (incident forensics). Nghiên cứu của họ nhấn mạnh rằng preemptive security không chỉ là công nghệ mà còn là một tư duy (mindset) — tổ chức phải liên tục đặt câu hỏi "điều gì có thể xảy ra tiếp theo?" thay vì "điều gì vừa xảy ra?".

Zangana (2026), trong cuốn Cybersecurity 5.0, đã đề xuất khái niệm "autonomous cybersecurity" — an ninh mạng tự trị — trong đó hệ thống có khả năng tự phát hiện, tự chẩn đoán, và tự hành động phòng thủ mà không cần (hoặc với sự can thiệp tối thiểu) của con người. Cuốn sách này cũng đề cập đến các hệ thống tự chữa lành (self-healing) có khả năng tự phục hồi sau khi bị tấn công.

1.4. Năng lực dự báo: Từ phản ứng đến ngăn chặn trước khi tấn công

Trọng tâm của preemptive security nằm ở năng lực dự báo (predictive capability). Sự phát triển của máy học, đặc biệt là học sâu (deep learning), đã mở ra khả năng dự đoán hành vi tấn công dựa trên dữ liệu lịch sử và thời gian thực. Các mô hình dự báo có thể phân tích hàng triệu sự kiện mạng mỗi giây, nhận diện các mẫu (patterns) gợi ý một cuộc tấn công đang hình thành, và đưa ra cảnh báo trước khi tổn thương xảy ra.

Almutairi (2026) đã đề xuất một framework phòng thủ chủ động được thúc đẩy bởi LLM (Large Language Model), trong đó các chỉ báo mối đe dọa mạng (cyber-threat indicators) được thu thập tự động từ nền tảng X (Twitter), sau đó được phân tích bằng LLM để phát hiện các mối đe dọa mới nổi. Nghiên cứu này cho thấy tiềm năng của mô hình ngôn ngữ lớn trong việc chuyển đổi dữ liệu thô từ không gian mạng mở (OSINT) thành thông tin tình báo có thể hành động.

Swarna (2025) đề xuất một framework multi-agent cho threat hunting tự trị, trong đó nhiều AI agents phối hợp với nhau để thực hiện các tác vụ phát hiện, phân tích, và phản ứng một cách tự chủ. Mỗi agent chuyên môn hóa trong một khía cạnh cụ thể của threat hunting — một agent giám sát lưu lượng mạng, một agent phân tích hành vi endpoint, một agent đối chiếu với CTI — và chúng cộng tác thông qua kiến trúc giao tiếp được thiết kế riêng.

Marapu (2022) đã phân tích vai trò của AI trong threat hunting chủ động và tối ưu hóa khung an ninh mạng quốc gia, nhấn mạnh rằng các quốc gia đang phát triển cần tận dụng AI để bù đắp khoảng trống về nguồn nhân lực an ninh mạng — một vấn đề mà bài viết sẽ quay lại ở Phần 9.

2. Khung phân tích mối đe dọa — Cyber Kill Chain, MITRE ATT&CK và sự phát triển

2.1. Cyber Kill Chain của Lockheed Martin: Mô hình chuỗi tấn công

Năm 2011, Lockheed Martin — một trong những tập đoàn quốc phòng lớn nhất thế giới — đã công bố mô hình Cyber Kill Chain (Chuỗi Tấn công Mạng), lấy cảm hứng từ khái niệm kill chain trong quân sự. Mô hình này mô tả cuộc tấn công mạng dưới dạng một chuỗi bảy bước tuần tự, mỗi bước đại diện cho một giai đoạn mà kẻ tấn công phải hoàn thành để đạt được mục tiêu.

Bảy bước của Cyber Kill Chain bao gồm: (1) Reconnaissance — do thám, thu thập thông tin về mục tiêu; (2) Weaponization — tạo công cụ tấn công (payload) kết hợp với vector xâm nhập; (3) Delivery — truyền công cụ tấn công đến mục tiêu (qua email, website, v.v.); (4) Exploitation — khai thác lỗ hổng để kích hoạt mã độc; (5) Installation — cài đặt backdoor hoặc remote access tool trên hệ thống mục tiêu; (6) Command and Control (C2) — thiết lập kênh liên lạc từ xa để điều khiển hệ thống bị xâm nhập; và (7) Actions on Objectives — thực hiện mục tiêu cuối cùng (trộm cắp dữ liệu, phá hoại, v.v.).

Cyber Kill Chain cung cấp khung phân tích hệ thống để hiểu và phòng thủ trước tấn công mạng bằng cách xác định các giai đoạn riêng biệt mà người phòng thủ có thể phát hiện và cắt đứt hoạt động của kẻ tấn công. Mỗi giai đoạn đại diện cho một cơ hội can thiệp.

Naik, Jenkins, Grace và Song (2022) đã so sánh ba mô hình phân tích tấn công chính: Cyber Kill Chain của Lockheed Martin, MITRE ATT&CK Framework, và Diamond Model. Nghiên cứu của họ chỉ ra rằng Cyber Kill Chain có ưu thế trong tính đơn giản và dễ hiểu — nó cung cấp một cấu trúc tuyến tính rõ ràng giúp người mới dễ dàng nắm bắt khái niệm về chuỗi tấn công. Tuy nhiên, điểm yếu lớn nhất của mô hình này là tính tuyến tính: nó giả định rằng cuộc tấn công luôn theo một thứ tự cố định, trong khi thực tế, các cuộc tấn công hiện đại thường không tuyến tính, với nhiều bước có thể xảy ra song song hoặc lặp lại.

Duncan, Creese và Goldsmith (2019) đã kết hợp attack-tree với kill-chain để tạo ra một mô hình phân tích mạnh hơn, đặc biệt trong việc phát hiện tấn công từ người nội bộ. Attack tree cho phép mô hình hóa nhiều đường đi tấn công tiềm năng từ một điểm khởi đầu, trong khi kill-chain cung cấp bối cảnh tuần tự — kết hợp cả hai giúp phân tích được cả tính phức tạp lẫn tính tuần tự của cuộc tấn công.

Mitra và Rehman (2025) đã cảnh báo về "mặt tối của AI" trong bối cảnh này: kẻ tấn công cũng sử dụng AI để tối ưu hóa các bước trong kill chain — ví dụ, sử dụng AI để tạo các email phishing được cá nhân hóa (spear phishing), tự động tìm kiếm lỗ hổng (automated vulnerability scanning), và sinh ra mã độc biến thể để vượt qua hệ thống phát hiện. Sự đua vũ trang giữa AI phòng thủ và AI tấn công đang tạo ra một động lực phức tạp mà chưa có giải pháp triệt để.

2.2. MITRE ATT&CK Framework: Từ ma trận kỹ thuật đến tri thức cộng đồng

Ra đời năm 2013 và liên tục phát triển kể từ đó, MITRE ATT&CK (Adversarial Tactics, Techniques, and Common Knowledge) đã trở thành một trong những khung tham chiếu quan trọng nhất trong an ninh mạng. Khác với Cyber Kill Chain, ATT&CK không mô tả một chuỗi tuyến tính mà tổ chức kiến thức dưới dạng ma trận hai chiều: một trục là các chiến thuật (tactics) — mục tiêu của kẻ tấn công tại mỗi giai đoạn, và một trục là các kỹ thuật (techniques) — phương pháp cụ thể để đạt được mục tiêu đó.

Đến năm 2025, ATT&CK đã phát triển thành một hệ sinh thái toàn diện, bao gồm ma trận cho Enterprise (hệ thống doanh nghiệp), Mobile, và ICS (Industrial Control Systems). Mỗi ma trận chứa hàng trăm kỹ thuật, mỗi kỹ thuật được mô tả chi tiết với các sub-techniques, ví dụ thực tế (case studies), và dữ liệu phát hiện (detection data). MITRE ATT&CK không chỉ là khung phân tích mà còn là một ngôn ngữ chung (common language) cho cộng đồng an ninh mạng, cho phép chia sẻ thông tin về TTP một cách có cấu trúc và chuẩn hóa.

MITRE ATT&CK đã phát triển từ một ma trận kỹ thuật đơn giản thành một cơ sở tri thức toàn diện, đóng vai trò ngôn ngữ chung của cộng đồng an ninh mạng — giúp các tổ chức mô tả, phát hiện và phòng thủ trước các mối đe dọa theo cách chuẩn hóa.

Thomas (2025) đã phân tích sâu vai trò của ATT&CK trong cyber threat intelligence, chỉ ra rằng khung này cung cấp "cấu trúc xương sống" cho việc ánh xạ thông tin tình báo. Khi một tổ chức phát hiện một kỹ thuật tấn công cụ thể, họ có thể tra cứu ATT&CK để hiểu ngữ cảnh — chiến thuật mục tiêu của kẻ tấn công là gì, các kỹ thuật liên quan khác có thể được sử dụng, và cần thu thập những bằng chứng nào để xác nhận. Nhiều hơn thế, ATT&CK cho phép tổ chức so sánh TTP của nhiều nhóm đối thủ (threat groups/APTs) khác nhau, từ đó xác định mức độ rủi ro và ưu tiên phòng thủ.

Georgiadou, Mouzakitis và Askounis (2021) đã đề xuất một phương pháp đánh giá rủi ro ATT&CK kết hợp với khung văn hóa an ninh mạng (cybersecurity culture framework). Phân tích của họ cho thấy rằng việc chỉ có công nghệ là chưa đủ — yếu tố con người và văn hóa an ninh mạng đóng vai trò quyết định trong việc triển khai hiệu quả các biện pháp phòng thủ dựa trên ATT&CK.

2.3. So sánh các mô hình phân tích: Kill Chain, ATT&CK, Diamond Model

Mỗi mô hình phân tích mối đe dọa có ưu và nhược điểm riêng, và việc lựa chọn mô hình phù hợp phụ thuộc vào ngữ cảnh sử dụng. Cyber Kill Chain phù hợp cho việc giải thích khái niệm cho người mới và lập kế hoạch phòng thủ ở cấp độ cao. ATT&CK phù hợp cho phân tích TTP chi tiết và ánh xạ phát hiện. Diamond Model — được phát triển bởi Caltagirone, Popp và Bull (2013) — bổ sung góc nhìn về đối thủ (adversary) và cơ sở hạ tầng (infrastructure), tạo ra một hình học bốn chiều: adversary, infrastructure, capability, và victim.

Naik et al. (2022) đã so sánh định lượng các mô hình này, và chỉ ra rằng không có mô hình đơn lẻ nào đủ sức bao quát toàn bộ bức tranh đe dọa. Trong thực tiễn, các tổ chức thường kết hợp nhiều mô hình: sử dụng Kill Chain để phân tích tổng quan, ATT&CK để ánh xạ chi tiết TTP, và Diamond Model để xây dựng hồ sơ đối thủ (adversary profiling).

Sự phát triển của AI đang làm thay đổi cách sử dụng các mô hình này. Thay vì phân tích thủ công, các tổ chức bắt đầu sử dụng AI để tự động ánh xả hành vi mạng vào các kỹ thuật ATT&CK — một bước quan trọng hướng tới preemptive security, vì nó cho phép phát hiện các mô hình tấn công đang hình thành trước khi chúng hoàn thành toàn bộ chuỗi.

2.4. Ứng dụng AI trong ánh xạ TTP tự động

Một trong những phát triển đáng chú ý nhất gần đây là sử dụng AI để tự động ánh xả các mô tả lỗ hổng (vulnerability descriptions), báo cáo sự cố, và dữ liệu CTI vào ma trận ATT&CK. Mahdi và Manzoor (2025) đã đề xuất một mô hình BERT kết hợp (ensemble) để ánh xả TTP tự động vào ATT&CK, đạt độ chính xác đáng kể trong việc phân loại văn bản mô tả sự cố thành các chiến thuật và kỹ thuật tương ứng.

Rafiey và Namadchian (2025) đã sử dụng mô hình ngôn ngữ lớn (LLM) để ánh xả mô tả lỗ hổng (vulnerability descriptions) vào ATT&CK Framework. Phương pháp của họ tận dụng khả năng hiểu ngôn ngữ tự nhiên của LLM để đọc các báo cáo lỗ hổng (CVE descriptions) và tự động xác định kỹ thuật ATT&CK liên quan, giúp tổ chức nhanh chóng hiểu được cách kẻ tấn công có thể khai thác một lỗ hổng cụ thể.

Gabrys, Bilinski, Fugate và Silva (2024) đã sử dụng các công cụ NLP để suy luận kỹ thuật và chiến thuật của đối thủ theo khung ATT&CK, cho thấy rằng các mô hình ngôn ngữ có thể phân tích các bài đăng trên forum hacker, báo cáo threat intelligence, và dữ liệu nhật ký để xác định TTP đang được sử dụng.

Mohammed, Syed và Gaffar (2026) đã đi xa hơn khi đề xuất một hệ thống tự động ánh xả CTI vào ATT&CK Framework sử dụng AI, trong đó dữ liệu CTI từ nhiều nguồn (STIX, báo cáo sự cố, OSINT) được tự động phân tích, chuẩn hóa, và ánh xả vào ma trận ATT&CK theo thời gian thực, tạo ra một "bức tranh đe dọa" liên tục cập nhật.

Những phát triển này cho thấy một xu hướng rõ ràng: công nghệ AI đang biến ATT&CK từ một công cụ phân tích thủ công thành một hệ thống nhận thức tự động (automated awareness system), góp phần quan trọng vào mục tiêu preemptive security — hiểu và phản ứng trước khi kẻ tấn công hoàn thành mục tiêu.

3. Trí tuệ nhân tạo trong thám hiểm mạng — Threat hunting và threat intelligence

3.1. Threat hunting: Khái niệm, phương pháp và công cụ

Threat hunting là quá trình chủ động tìm kiếm các mối đe dọa mạng ẩn nấp trong hệ thống, vượt qua khả năng phát hiện của các công cụ tự động thông thường. Khác với việc chờ đợi cảnh báo từ IDS/IPS hoặc SIEM, threat hunter sử dụng kiến thức về TTP của đối thủ để tạo các giả thuyết (hypotheses) và kiểm chứng chúng thông qua phân tích dữ liệu. Quá trình này kết hợp giữa tư duy phân tích của con người và sức mạnh xử lý của máy.

Nair (2025) phân tích threat hunting như "đội tiên phong của quốc phòng mạng hiện đại", nhấn mạnh rằng nó hoạt động ở giao điểm giữa threat intelligence, phân tích hành vi (behavioral analytics), và kỹ năng điều tra kỹ thuật số. Một threat hunter hiệu quả không chỉ biết cách sử dụng công cụ mà còn phải hiểu sâu sắc về cách đối thủ hoạt động — một kỹ năng đòi hỏi kinh nghiệm và đào tạo chuyên biệt.

Phương pháp threat hunting thường theo một quy trình có cấu trúc: (1) Lập giả thuyết dựa trên CTI hoặc quan sát bất thường; (2) Thu thập và phân tích dữ liệu liên quan (log, network traffic, endpoint data); (3) Kết luận và hành động — nếu giả thuyết được xác nhận, kích hoạt quy trình phản ứng sự cố; nếu bị bác bỏ, quay lại bước 1 với giả thuyết mới.

Gohel và Popat (2025) phân tích vai trò của threat hunting trong các chiến lược phòng thủ chủ động, chỉ ra rằng threat hunting đặc biệt hiệu quả trong việc phát hiện advanced persistent threats (APTs) — các mối đe dọa liên tục tiêm tiêm (tiềm ẩn) trong hệ thống trong thời gian dài, thường qua các vector tinh vi như supply chain compromise hay credential theft. Các APT này thường vượt qua các biện pháp phát hiện tự động vì chúng không kích hoạt cảnh báo rõ ràng — thay vào đó, chúng hoạt động "chậm và thấp" (slow and low) để tránh bị phát hiện.

Falasi và Zhang (2025) đã đề xuất một phương pháp kết hợp SIEM với threat intelligence cho phòng thủ mạng dự báo (predictive cyber defense), trong đó dữ liệu từ nhiều nguồn — hệ thống nội bộ (SIEM logs, endpoint data), dữ liệu CTI (threat feeds, vulnerability databases), và dữ liệu bên ngoài (dark web monitoring) — được tổng hợp và phân tích bằng AI để tạo ra các chỉ báo dự báo (predictive indicators).

3.2. Cyber threat intelligence (CTI): Thu thập, phân tích, phổ biến

Cyber threat intelligence (CTI) là quá trình thu thập, phân tích và phổ biến thông tin về mối đe dọa mạng nhằm hỗ trợ ra quyết định chiến lược và chiến thuật. CTI thường được phân loại thành bốn cấp độ: (1) Strategic intelligence — bức tranh tổng quan về bối cảnh đe dọa, xu hướng và động lực đối thủ; (2) Operational intelligence — thông tin về các chiến dịch tấn công cụ thể; (3) Tactical intelligence — TTP của đối thủ; và (4) Technical intelligence — chỉ báo cụ thể (IoCs, hashes, IP addresses).

Ramollari (2025) đã phân tích vai trò của AI trong threat intelligence và đánh giá rủi ro mạng, chỉ ra rằng AI có khả năng xử lý và phân tích khối lượng dữ liệu CTI khổng lồ — vượt xa khả năng của con người — để trích xuất các thông tin có giá trị. Các hệ thống AI-CTI có thể tự động tổng hợp dữ liệu từ hàng chục nguồn khác nhau, xác nhận chéo (cross-validate), và tạo ra các báo cáo tóm tắt cho các bên liên quan.

Tình báo đe dọa mạng được tăng cường bằng AI chuyển hóa dữ liệu thô từ nhiều nguồn khác nhau thành thông tin có thể hành động, giúp các tổ chức chuyển từ trạng thái quá tải thông tin sang ra quyết định thông minh. Thử thách chính không nằm ở sự thiếu hụt dữ liệu mà ở việc trích xuất các mẫu ý nghĩa từ khối lượng nhiễu khổng lồ.

Một khía cạnh quan trọng của CTI là chia sẻ thông tin (threat intelligence sharing). Các tiêu chuẩn như STIX (Structured Threat Information Expression) và TAXII (Trusted Automated Exchange of Intelligence Information) được phát triển để chuẩn hóa định dạng và cơ chế chia sẻ thông tin tình báo mạng. Wang, Huo và Ma (2019) đã nghiên cứu nền tảng chia sẻ CTI dựa trên STIX và TAXII trong môi trường đại học, chỉ ra rằng việc chuẩn hóa định dạng cho phép tự động hóa việc thu thập và tích hợp thông tin từ nhiều nguồn khác nhau.

Tuy nhiên, chia sẻ CTI cũng đối mặt với nhiều thách thức: sự không tin tưởng giữa các tổ chức, lo ngại về việc lộ thông tin nhạy cảm, và sự thiếu nhất quán trong cách diễn đạt thông tin. Các mô hình ngôn ngữ chuyên ngành (phần 5) đang bắt đầu giải quyết một số thách thức này bằng cách chuẩn hóa và làm phong phú hơn các mô tả TTP.

3.3. AI-powered threat detection: Machine learning và deep learning

Sự ứng dụng AI vào phát hiện mối đe dọa mạng (threat detection) đã trải qua nhiều giai đoạn phát triển, từ các phương pháp học máy truyền thống (supervised/unsupervised learning) đến các kiến trúc học sâu (deep learning) phức tạp hơn.

Phương pháp supervised learning sử dụng dữ liệu được gán nhãn (labeled data) để huấn luyện mô hình phân loại — ví dụ, phân loại lưu lượng mạng thành "bình thường" và "độc hại". Phương pháp này có độ chính xác cao nhưng phụ thuộc vào chất lượng và đa dạng của dữ liệu huấn luyện. Unsupervised learning, đặc biệt là anomaly detection (phát hiện bất thường), không cần nhãn mà phát hiện các mẫu bất thường trong dữ liệu — hữu ích cho phát hiện zero-day attacks nhưng dễ tạo false positives.

3.4. Các kiến trúc deep learning phổ biến trong phát hiện mối đe dọa mạng

Zhang, Linxi và Ma (2025) đã thực hiện một nghiên cứu so sánh toàn diện về các phương pháp học máy cho phát hiện tấn công mạng trong hệ thống xe kết nối (in-vehicle networks). Nghiên cứu của họ so sánh nhiều thuật toán — từ Random Forest, SVM đến các kiến trúc deep learning như CNN và LSTM — trên bộ dữ liệu lưu lượng mạng CAN bus. Kết quả cho thấy rằng các mô hình deep learning đạt độ chính xác cao hơn đáng kể so với phương pháp truyền thống, nhưng đồng thời đòi hỏi nhiều dữ liệu huấn luyện hơn và thời gian huấn luyện dài hơn.

Phân tích này đáng chú ý đáng chú ý vì nó phản ánh một xu hướng rộng hơn: khi hệ thống mạng trở nên phức tạp hơn — từ mạng doanh nghiệp đến mạng IoT, hệ thống cyber-physical, và xe tự lái — các mô hình học máy cần được thích ứng với đặc thù của từng loại mạng. Không có một mô hình "phù hợp với mọi thứ" (one-size-fits-all) trong phát hiện tấn công mạng.

Các kiến trúc deep learning phổ biến trong phát hiện mối đe dọa mạng bao gồm: (a) Convolutional Neural Networks (CNN) — thường được sử dụng để phân tích lưu lượng mạng dưới dạng hình ảnh (traffic visualization), chuyển đổi các packet thành ma trận số liệu; (b) Recurrent Neural Networks (RNN), nổi bật là LSTM và GRU — phù hợp cho phân tích chuỗi sự kiện (event sequences) trong đó thứ tự thời gian là quan trọng; (c) Autoencoders — dùng cho anomaly detection, huấn luyện trên dữ liệu bình thường và phát hiện sự bất thường dựa trên lỗi tái tạo (reconstruction error); và (d) Graph Neural Networks (GNN) — phân tích cấu trúc đồ thị của mạng để phát hiện các mẫu giao tiếp bất thường giữa các node.

Singh, Sivashankar và Kundan (2023) đã đề xuất một hệ thống phát hiện và ngăn chặn xâm nhập hiệu quả cho các cuộc tấn công DDOS trong Wireless Sensor Networks, kết hợp SS-LSACNN và TC-BPNN. Nghiên cứu của họ cho thấy rằng việc kết hợp nhiều mô hình học máy — mỗi mô hình chuyên biệt trong một khía cạnh phát hiện — cho phép đạt độ chính xác cao hơn so với sử dụng mô hình đơn lẻ.

Một thách thức quan trọng trong phát hiện mối đe dọa bằng học máy là khối lượng false positives — cảnh báo sai. Trong môi trường doanh nghiệp lớn, hệ thống phát hiện có thể tạo ra hàng nghìn cảnh báo mỗi ngày, và nếu tỷ lệ false positive cao (ví dụ, 95% cảnh báo là sai), nhân viên SOC sẽ nhanh chóng bị áp đảo và bắt đầu bỏ qua cảnh báo — tạo ra hội chứng cảnh báo mệt mỏi (alert fatigue) mà đã được đề cập ở Phần 1. Để giải quyết, các tổ chức cần kết hợp học máy với phân tích ngữ cảnh (contextual analysis) — và đây chính là nơi các mô hình ngôn ngữ chuyên ngành có thể đóng vai trò quyết định.

Sự hội tụ giữa học máy truyền thống và xử lý ngôn ngữ tự nhiên đang tạo ra khả năng phân tích đa chiều: học máy phân tích dữ liệu cấu trúc (lưu lượng mạng, log hệ thống) trong khi NLP phân tích dữ liệu phi cấu trúc (báo cáo sự cố, mô tả lỗ hổng, thảo luận trên forum). Khi kết hợp cả hai, tổ chức có được một bức tranh đe dọa toàn diện — phát hiện bất thường trong dữ liệu mạng và hiểu ngữ cảnh trong văn bản — điều mà không một phương pháp đơn lẻ nào có thể đạt được.

3.5. Hybrid approaches: Kết hợp ML rule-based với học máy

Trong thực tiễn, hầu hết các tổ chức không sử dụng duy nhất học máy mà kết hợp nó với các phương pháp phân tích truyền thống (rule-based). Velde, Prashanth, Bolukonda và Bandi (2025) đã đề xuất một phương pháp lai (hybrid) kết hợp máy học với intelligence-driven detection, trong đó các quy tắc truyền thống xử lý các mối đe dọa đã biết (known threats) hiệu quả và nhanh chóng, trong khi ML tập trung vào phát hiện các mối đe dọa mới và bất thường.

Kiến trúc hybrid này thường hoạt động theo nhiều lớp (layers): lớp đầu tiên là các quy tắc tĩnh và chữ ký (signatures) để chặn nhanh các mối đe dọa đã biết; lớp thứ hai là phân tích hành vi (behavioral analysis) sử dụng ML để phát hiện các hành vi bất thường; lớp thứ ba là phân tích dự báo (predictive analysis) sử dụng dữ liệu lịch sử và CTI để dự đoán mối đe dọa tiềm năng trong tương lai.

Mendsaikhan, Hasegawa và Yamaguchi (2020) đã nghiên cứu việc định lượng mức độ quan trọng của văn bản an ninh mạng thông qua tương đồng ngữ nghĩa (semantic similarity) và nhận dạng thực thể (named entity recognition). Phân tích của họ cho thấy rằng NLP có thể giúp tự động phân loại và ưu tiên các báo cáo mối đe dọa dựa trên mức độ nghiêm trọng và mức độ liên quan đến tổ chức — một bước quan trọng trong việc giảm tải cho nhân viên SOC và cho phép họ tập trung vào các mối đe dọa thực sự quan trọng.

Ito và Mimura (2019) đã đề xuất một phương pháp phát hiện mã độc chưa biết (unknown malware) từ các chuỗi ASCII bằng kỹ thuật NLP, cho thấy rằng phân tích ngôn ngữ tự nhiên có thể được áp dụng vào một lĩnh vực mà trước đây chủ yếu dựa vào phân tích binary — một gợi ý mạnh mẽ về tiềm năng của mô hình ngôn ngữ trong cybersecurity.

4. Kiến trúc Zero Trust và sự phòng thủ tự chủ

4.1. Nguyên lý Zero Trust: Không bao giờ tin, luôn kiểm chứng

Khái niệm "Zero Trust" lần đầu tiên được đề xuất bởi John Kindervag tại Forrester Research năm 2010, và từ đó đã phát triển thành một trong những triết lý an ninh mạng có ảnh hưởng nhất trong thập kỷ qua. Nguyên lý cốt lõi của Zero Trust đơn giản nhưng mang tính cách mạng: "Never trust, always verify" — không bao giờ tin tưởng, luôn kiểm chứng. Điều này có nghĩa là không có thực thể nào — dù nằm trong hay ngoài mạng tổ chức — được mặc định tin tưởng. Mọi yêu cầu truy cập phải được xác thực, ủy quyền và mã hóa, bất kể nguồn gốc.

Triết lý này trực tiếp bác bỏ mô hình bảo mật truyền thống dựa trên ranh giới mạng (perimeter-based security), trong đó mọi thứ bên trong tường lửa được coi là an toàn, và mọi thứ bên ngoài là đáng ngờ. Trong kỷ nguyên cloud computing, làm việc từ xa, và mobile workforce, mô hình ranh giới mạng đã trở nên lỗi thời — ranh giới mạng không còn tồn tại dưới dạng một đường kẻ rõ ràng.

Haber (2020) đã phân tích Zero Trust như một yếu tố then chốt trong quản lý quyền truy cập đặc quyền (privileged access), nhấn mạnh rằng việc kiểm soát nghiêm ngặt quyền truy cập — với mức độ cao là quyền quản trị — là nền tảng của kiến trúc Zero Trust. Phân tích của ông chỉ ra rằng hầu hết các vi phạm dữ liệu nghiêm trọng đều liên quan đến việc lạm dụng quyền truy cập đặc quyền, và Zero Trust cung cấp framework để giảm thiểu rủi ro này.

4.2. Zero Trust Architecture: Thành phần và triển khai

Kiến trúc Zero Trust (Zero Trust Architecture — ZTA) là sự cụ thể hóa của nguyên lý Zero Trust thành một tập hợp các thành phần công nghệ và quy trình. Theo NIST Special Publication 800-207, các thành phần chính của ZTA bao gồm: Policy Decision Point (PDP) — điểm ra quyết định chính sách; Policy Enforcement Point (PEP) — điểm thực thi chính sách; và Trust Algorithm — thuật toán đánh giá niềm tin dựa trên nhiều yếu tố (identity, device health, location, behavior patterns, v.v.).

Chauhan, Dua và Gupta (2025) đã phân tích Zero Trust Architecture trong bảo mật đám mây, chỉ ra rằng ZTA đáng kể phù hợp với môi trường cloud-native vì nó không phụ thuộc vào ranh giới mạng vật lý mà dựa trên kiểm soát truy cập theo từng tài nguyên và từng yêu cầu cụ thể.

Feng và Hu (2023) đã đề xuất kiến trúc Zero Trust cho hệ thống cyber-physical, trong đó các yếu tố vật lý (sensors, actuators, controllers) cũng được áp dụng nguyên lý Zero Trust — mỗi thiết bị phải xác thực trước khi giao tiếp với các thiết bị khác. Nghiên cứu của họ tích hợp học máy để đánh giá rủi ro trong thời gian thực, cho phép hệ thống tự động điều chỉnh mức độ kiểm soát dựa trên bối cảnh.

Kiến trúc Zero Trust thể hiện một tư duy mới về bảo mật mạng: thay vì một pháo đài với bức tường dày, nó tạo ra một cảnh quan gồm nhiều viền bảo vệ nhỏ, nơi mọi yêu cầu truy cập đều được xác minh riêng biệt, giám sát liên tục và cấp quyền động dựa trên đánh giá rủi ro thời gian thực.

Leahy và Thorpe (2022) đã đề xuất Zero Trust Container Architecture (ZTCA), áp dụng nguyên lý Zero Trust vào môi trường containerized. Trong kiến trúc này, mỗi container được coi là một thực thể không đáng tin cậy cho đến khi được xác thực, và mọi giao tiếp giữa các container phải được mã hóa và ủy quyền. Kiến trúc này đáng chú ý phù hợp với môi trường Kubernetes và microservices.

4.3. Các khía cạnh kỹ thuật của ZTA trong môi trường hiện đại

Kiến trúc Zero Trust đòi hỏi một sự thay đổi cơ bản trong cách thiết kế và vận hành hệ thống mạng. Thay vì xây dựng một "pháo đài" với bức tường dày xung quanh (perimeter defense), ZTA tạo ra hàng ngàn "pháo đài thu nhỏ" (micro-perimeters) quanh từng tài nguyên — mỗi tài sản được bảo vệ độc lập, và mọi truy cập được kiểm soát cá nhân.

trên ngữ cảnh — ví dụ, khi một sensor hoạt động bất thường, hệ thống tự động giới hạn quyền truy cập của sensor đó và kích hoạt kiểm tra.

Ugale và Potgantwar (2023) đã phân tích toàn diện bảo mật container trong môi trường đám mây, nhấn mạnh rằng kiến trúc Zero Trust thiết yếu phù hợp với môi trường cloud-native vì container và microservices tạo ra một bề mặt tấn công phân tán — không có một điểm kiểm soát duy nào. Kiến trúc Zero Trust trong môi trường containerized yêu cầu: (a) Mã hóa giao tiếp giữa các container; (b) Xác thực service-to-service; (c) Giám sát hành vi container trong thời gian thực; và (d) Tự động rebuild container khi phát hiện bất thường.

Manchana (2024) đã nghiên cứu DevSecOps trong an ninh mạng cloud-native, đề xuất mô hình "shift left" (dịch chuyển sang trái) kết hợp với "secure right" (bảo mật bên phải) — tức là tích hợp an ninh vào mọi giai đoạn của vòng đời phát triển phần mềm, từ thiết kế đến triển khai và vận hành. Phân tích của ông chỉ ra rằng ZTA không chỉ là công nghệ vận hành mà cần được tích hợp từ giai đoạn thiết kế kiến trúc.

Steingartner, Galinec và Zebić (2024) đã phân tích các thách thức bảo mật API trong bối cảnh cyber landscape đang thay đổi, chỉ ra rằng với sự phát triển của API-driven architecture và microservices, bảo mật API đã trở thành một thành phần quan trọng của Zero Trust Architecture — mỗi API endpoint cần được bảo vệ như một micro-perimeter riêng.

4.4. AI trong Zero Trust: Game-theoretic defense, identity-based segmentation

Sự tích hợp AI vào Zero Trust Architecture đang mở ra những khả năng phòng thủ tinh vi hơn. Ahmadi (2025) đã đề xuất phương pháp phân đoạn mối đe dọa dựa trên danh tính tự trị (autonomous identity-based threat segmentation) cho kiến trúc Zero Trust, trong đó AI tự động phân loại và cô lập các thực thể dựa trên mức độ rủi ro được tính toán liên tục, thay vì dựa trên các quy tắc tĩnh.

Hossain và Ahner (2025) đã đề xuất một phương pháp game-theoretic (lý thuyết trò chơi) cho phòng thủ Zero Trust, trong đó tương tác giữa kẻ tấn công và người phòng thủ được mô hình hóa như một trò chơi liên tục (continuous game). Mô hình này cho phép hệ thống dự đoán chiến lược tối ưu của kẻ tấn công và điều chỉnh biện pháp phòng thủ tương ứng — một bước tiến gần hơn đến preemptive security.

Panchumarthi (2025) đã đề xuất một khung phòng thủ mạng quốc gia kết hợp Zero Trust, AI, và kiến trúc liên bang (federated architecture). Khung này cho phép các tổ chức trong một quốc gia chia sẻ dữ liệu CTI một cách an toàn trong khi vẫn duy trì quyền tự trị, tạo ra một "hệ miễn dịch mạng" ở cấp độ quốc gia.

4.5. Tự chữa lành (Self-Healing) và cyber resilience

Một khái niệm đang thu hút sự chú ý trong kỷ nguyên preemptive cybersecurity là "self-healing" — hệ thống tự chữa lành. Thay vì chỉ phát hiện và báo cáo sự cố, hệ thống tự chữa lành có khả năng tự động cách ly phần bị ảnh hưởng, áp dụng bản vá, cấu hình lại, và phục hồi chức năng — tất cả mà không cần (hoặc với sự can thiệp tối thiểu) của con người.

Cybersecurity 5.0 (2026) đã dành một chương riêng cho "Building Resilient and Self-Healing Cybersecurity Systems", mô tả các nguyên lý và kiến trúc cho hệ thống có khả năng tự phục hồi. Cuốn sách cũng đề cập đến "autonomous cybersecurity" — hệ thống an ninh mạng tự trị — như một bước phát triển tiếp theo, trong đó AI không chỉ hỗ trợ con người mà hoạt động độc lập trong việc phòng thủ.

Vasudevan, Piazza và Carr (2022) đã nghiên cứu các yếu tố định tính (qualitative factors) trong khả năng phục hồi mạng của tổ chức (organizational cyber resilience). Phân tích của họ cho thấy rằng công nghệ — dù tiên tiến đến đâu — chỉ là một phần của phương trình; các yếu tố như văn hóa tổ chức, khả năng thích ứng, và kinh nghiệm xử lý sự cố đóng vai trò quyết định trong việc xây dựng khả năng phục hồi.

Trim và Lee (2022) đã phân tích mối quan hệ giữa học tập tổ chức (organizational learning), quản lý thay đổi và văn hóa an ninh mạng, nhấn mạnh rằng tổ chức có khả năng học hỏi từ các sự cố an ninh mạng — và chuyển hóa bài học thành cải tiến liên tục — sẽ có khả năng phục hồi cao hơn hẳn những tổ chức chỉ tập trung vào công nghệ.

Bunk và Smeets (2021) đã phân tích chiến lược an ninh mạng của Hà Lan như một case study về cách một quốc gia tiếp cận cyber resilience ở cấp độ vĩ mô, bao gồm xây dựng năng lực quốc gia, hợp tác công-tư, và đầu tư vào nguồn nhân lực.

Sức bật mạng không chỉ là năng lực kỹ thuật — nó là thuộc tính tổ chức bao gồm công nghệ, quy trình, văn hóa và quản trị. Các tổ chức coi sức bật như quá trình học tập liên tục thay vì khoản đầu tư công nghệ một lần thể hiện năng lực chịu đựng, thích ứng và phục hồi sau gián đoạn mạng cao hơn đáng kể.

5. Sự trỗi dậy của các mô hình ngôn ngữ chuyên ngành

5.1. Từ BERT/GPT đến domain-specific: Hành trình fine-tuning và transfer learning

Cuộc cách mạng mô hình ngôn ngữ lớn (Large Language Model — LLM) bắt đầu từ năm 2017 với kiến trúc Transformer, được đề xuất bởi Vaswani et al. Từ đó, một loạt các mô hình nền tảng (foundation models) đã ra đời: BERT (2018), GPT-2 (2019), GPT-3 (2020), LLaMA (2023), và nhiều mô hình khác. Những mô hình này được huấn luyện trên kho văn bản khổng lồ và có khả năng xử lý ngôn ngữ tự nhiên ở mức độ ấn tượng.

Tuy nhiên, mô hình nền tảng — dù mạnh mẽ — có những hạn chế rõ ràng khi áp dụng vào các lĩnh vực chuyên ngành. LLM được huấn luyện trên văn bản chung (general corpus) thiếu kiến thức chuyên sâu về thuật ngữ, khái niệm và ngữ cảnh của từng lĩnh vực cụ thể. Trong an ninh mạng, điều này thể hiện qua việc mô hình không hiểu rõ các thuật ngữ kỹ thuật (ví dụ: "C2 channel", "lateral movement", "polymorphic malware"), không nhận dạng được thực thể chuyên ngành (tên mã độc, nhóm APT, lỗ hổng CVE), và không nắm được ngữ cảnh đặc thù của báo cáo an ninh mạng.

Để khắc phục, cộng đồng nghiên cứu đã phát triển phương pháp fine-tuning (tinh chỉnh) và domain adaptation (thích ứng lĩnh vực). Transfer learning — học chuyển — cho phép lấy một mô hình đã được huấn luyện trước (pre-trained) và tiếp tục huấn luyện trên dữ liệu riêng biệt của lĩnh vực cụ thể, giúp mô hình "chuyên môn hóa" mà không cần huấn luyện lại từ đầu.

Việc tinh chỉnh mô hình ngôn ngữ lớn cho thích ứng chuyên ngành là một trong những phát triển ảnh hưởng nhất của NLP ứng dụng. Bằng cách tận dụng mô hình nền tảng đã huấn luyện trước và chuyên biệt hóa trên kho văn bản chuyên ngành, các nhà nghiên cứu có thể tạo mô hình kết hợp năng lực ngôn ngữ của LLM tổng quát với tri thức chuyên biệt cho từng ứng dụng cụ thể.

Lu, Luu và Buehler (2025) đã khám phá các chiến lược fine-tuning cho domain adaptation, phân tích chi tiết hiệu quả của các phương pháp khác nhau — từ full fine-tuning đến parameter-efficient methods như LoRA (Low-Rank Adaptation) và prompt tuning. Nghiên cứu của họ cho thấy rằng phương pháp fine-tuning phù hợp phụ thuộc vào kích thước dữ liệu lĩnh vực, tính chất nhiệm vụ, và tài nguyên tính toán sẵn có.

Rupa và Swapna (2025) đã phân tích sâu việc thúc đẩy thích ứng lĩnh vực (domain-specific adaptation) thông qua transfer learning và fine-tuning, cung cấp một framework cho việc lựa chọn chiến lược phù hợp tùy thuộc vào đặc điểm của lĩnh vực mục tiêu.

Jony, Vashishtha và Kumar (2021) đã khảo sát fine-tuning lĩnh vực cụ thể của các mô hình ngôn ngữ pre-trained trong NLP, chỉ ra rằng fine-tuning hiệu quả không chỉ yêu cầu dữ liệu lĩnh vực mà còn cần chiến lược huấn luyện phù hợp — ví dụ, learning rate schedules, regularization, và data augmentation.

5.2. CySecBERT: Mô hình ngôn ngữ đầu tiên cho lĩnh vực an ninh mạng

CySecBERT, được phát triển bởi Bayer (2025), là một trong những mô hình ngôn ngữ chuyên ngành đầu tiên dành riêng cho lĩnh vực an ninh mạng. Được xây dựng dựa trên kiến trúc BERT và fine-tune trên kho dữ liệu an ninh mạng (bao gồm báo cáo CTI, mô tả CVE, bài viết blog chuyên ngành, và dữ liệu từ các nguồn OSINT), CySecBERT được thiết kế để giải quyết những hạn chế của mô hình nền tảng khi áp dụng vào cybersecurity.

Bayer (2025) mô tả CySecBERT như một "domain-adapted language model", không chỉ nhận diện tốt hơn các thực thể chuyên ngành mà còn hiểu ngữ cảnh đặc thù của an ninh mạng. Ví dụ, khi phân tích một báo cáo sự cố, CySecBERT có thể phân biệt giữa "attack" (tấn công) trong ngữ cảnh mạng và "attack" trong các ngữ cảnh khác, nhận dạng được các thực thể như tên nhóm APT (ví dụ: APT29, Lazarus Group), và hiểu các thuật ngữ kỹ thuật như "Spearphishing Attachment", "Process Injection", hay "Remote Services".

Một trong những ứng dụng chính của CySecBERT là nhận dạng thực thể mang tên (Named Entity Recognition — NER) trong văn bản an ninh mạng. Trong khi mô hình NER chung có thể nhận diện tên người, tổ chức và địa điểm, NER chuyên ngành an ninh mạng cần nhận diện thêm các thực thể như: loại mã độc (malware family), nhóm đe dọa (threat actor), chỉ báo thỏa hiệp (indicator of compromise), phần mềm (software/tool), và chiến thuật/kỹ thuật ATT&CK.

CySecBERT chứng minh rằng mô hình ngôn ngữ chuyên ngành có thể vượt trội đáng kể so với mô hình tổng quát trong các tác vụ NLP an ninh mạng. Khả năng hiểu thuật ngữ, ngữ cảnh và quan hệ thực thể của mô hình cho phép phân tích tự động chính xác hơn các báo cáo đe dọa, mô tả lỗ hổng và nhật ký bảo mật.

5.3. CyberLLaMA: Fine-tuned LLM cho nhận dạng thực thể trong cybersecurity

Zhang, Wu, Zhu và Wen (2025) đã phát triển CyberLLaMA — một mô hình LLM được fine-tune từ LLaMA dành riêng cho nhận dạng thực thể (NER) trong lĩnh vực an ninh mạng. CyberLLaMA đại diện cho thế hệ thứ hai của mô hình ngôn ngữ chuyên ngành an ninh mạng, được xây dựng trên nền tảng mô hình ngôn ngữ lớn hơn và mạnh mẽ hơn so với BERT-based models.

Nghiên cứu của Zhang et al. (2025) cho thấy CyberLLaMA đạt hiệu suất vượt trội so với CySecBERT và các mô hình nền tảng trong tác vụ NER an ninh mạng, nổi bật trong việc nhận dạng các thực thể đa dạng: nhóm đe dọa (threat actors), loại mã độc (malware families), chỉ báo thỏa hiệp (IoCs), lỗ hổng (vulnerabilities), và phần mềm/phần cứng mục tiêu. Điều này cho thấy rằng kích thước mô hình lớn hơn (scale advantage) kết hợp với fine-tuning lĩnh vực cụ thể tạo ra hiệu ứng cộng hưởng.

Diakhame, Diallo và Mejri (2024) đã phát triển MCM-Llama — một mô hình LLM được fine-tune cho phát hiện mối đe dọa theo thời gian thực thông qua phân tích sự kiện bảo mật (security event correlation). MCM-Llama cho thấy tiềm năng của LLM chuyên ngành trong việc tự động hóa một trong những tác vụ tốn nhiều thời gian nhất trong SOC: phân tích và tương quan hàng nghìn sự kiện bảo mật mỗi ngày để xác định các mẫu tấn công.

Qiao, Zhang và Du (2023) đã nghiên cứu cải thiện nhận dạng thực thể an ninh mạng sử dụng LLM, so sánh hiệu suất của các mô hình LLM khác nhau trong tác vụ NER cybersecurity và chỉ ra rằng prompting strategies (chiến lược tạo câu lệnh) đóng vai trò quan trọng trong việc khai thác tối đa khả năng của LLM.

5.4. Các mô hình khác: MCM-Llama, PhishGuard, và xu hướng phát triển

Ngoài CySecBERT và CyberLLaMA, nhiều mô hình ngôn ngữ chuyên ngành khác đang được phát triển cho các tác vụ cụ thể trong an ninh mạng.

Patel, Smith và Madisetti (2024) đã phát triển PhishGuard — một mô hình LLM được fine-tune để tích hợp vào quản lý mật khẩu nhằm phát hiện phishing. PhishGuard phân tích nội dung email, URL, và ngữ cảnh giao tiếp để đánh giá khả năng một email là phishing, giúp người dùng và hệ thống phòng thủ ra quyết định chính xác hơn.

Phanireddy (2025) đã đề xuất sử dụng NLP để phân tích tài liệu nhằm xác định các thực hành bảo mật lỗi thời (outdated security practices). Phương pháp này sử dụng NLP để đọc và phân tích các tài liệu chính sách bảo mật, hướng dẫn vận hành, và tài liệu kỹ thuật để xác định những nội dung đã không còn phù hợp với bối cảnh đe dọa hiện tại.

Xu hướng chung trong phát triển mô hình ngôn ngữ chuyên ngành an ninh mạng đang hướng tới: (a) Mô hình lớn hơn — từ BERT-scale (hàng trăm triệu parameters) đến LLaMA-scale (hàng tỷ parameters); (b) Tác vụ đa dạng hơn — từ NER đến tóm tắt báo cáo, tạo câu trả lời cho câu hỏi an ninh mạng, và hỗ trợ điều tra sự cố; (c) Kiến trúc đa phương thức (multimodal) — kết hợp phân tích văn bản với phân tích mã nguồn, cấu hình mạng, và dữ liệu lưu lượng.

Apiecionek (2026) đã cảnh báo về rủi ro "domain persona capture" khi fine-tuning LLM trên dữ liệu chuyên ngành, chỉ ra rằng việc huấn luyện trên văn bản quân sự có thể tạo ra sự lệch hướng (misalignment) không chỉ trong lĩnh vực quân sự mà còn trên nhiều lĩnh vực khác. Đối với an ninh mạng, điều này gợi ý rằng cần thận trọng khi fine-tune trên dữ liệu có thể chứa bias hoặc quan điểm hạn chế.

5.5. LLM cho tác vụ cybersecurity: Phân tích log, tạo cảnh báo, hỗ trợ SOC

Ngoài các mô hình được fine-tune chuyên biệt, LLM nền tảng (foundation LLMs) như GPT-4, Claude, và LLaMA cũng đang được tích hợp vào các tác vụ an ninh mạng thông qua kỹ thuật in-context learning và RAG (Retrieval-Augmented Generation).

Özgözler, Varol và Tanrıverdi (2026) đã đề xuất Event-Driven Agentic SOC (ED-ASOC) — một framework dựa trên LLM trong đó các AI agents giám sát sự kiện, phân tích ngữ cảnh, và đưa ra khuyến nghị phản ứng sự cố một cách tự động. Kiến trúc này sử dụng LLM như một "bộ não" xử lý ngôn ngữ tự nhiên — đọc log, hiểu ngữ cảnh, và tạo ra các bước hành động cụ thể.

Subudhi (2024) đã đánh giá hiệu quả của AI/ML trong nền tảng SOAR, chỉ ra rằng LLM có khả năng tự động hóa nhiều tác vụ thủ công trong SOC: phân loại cảnh báo (alert triage), tạo báo cáo sự cố (incident report generation), và đề xuất quy trình phản ứng (response playbook recommendation).

Các tác vụ cụ thể mà LLM đang hỗ trợ trong SOC bao gồm:

Phân tích log bảo mật: LLM đọc và diễn giải các log từ nhiều nguồn (firewall, IDS, endpoint, cloud services), xác định các mẫu đáng ngờ, và tổng hợp thông tin thành một bức tranh tổng thể.

Tạo cảnh báo có ngữ cảnh: Thay vì chỉ báo "phát hiện bất thường", LLM tạo cảnh báo kèm theo ngữ cảnh — đối tượng nào bị ảnh hưởng, kỹ thuật tấn công nào có thể đang được sử dụng (ánh xả ATT&CK), và bước tiếp theo nên làm gì.

— Hỗ trợ điều tra: Khi nhân viên SOC điều tra một sự cố, LLM có thể nhanh chóng tìm kiếm và tổng hợp thông tin liên quan từ nhiều nguồn — ví dụ, "tìm tất cả các sự kiện liên quan đến địa chỉ IP này trong 7 ngày qua và ánh xạ chúng vào ATT&CK".

— Đào tạo và hướng dẫn: LLM đóng vai trò như một "trợ lý an ninh mạng" cho nhân viên mới, trả lời câu hỏi về các khái niệm, quy trình, và giải thích các cảnh báo phức tạp bằng ngôn ngữ dễ hiểu.

Việc tích hợp mô hình ngôn ngữ lớn vào Trung tâm Vận hành An ninh thể hiện bước chuyển từ vận hành được công cụ hỗ trợ sang vận hành được trí tuệ tăng cường. LLM không thay thế chuyên gia phân tích mà khuếch đại năng lực của họ — giúp mỗi chuyên gia xử lý, hiểu và hành động dựa trên lượng thông tin lớn hơn nhiều so với trước đây.

6. Tự động hóa và điều hành bằng SOAR và Agentic SOC

6.1. SOAR: Security Orchestration, Automation, and Response

SOAR — Security Orchestration, Automation, and Response — là một nền tảng công nghệ cho phép tổ chức thu thập dữ liệu an ninh mạng từ nhiều nguồn, tự động hóa quy trình phản ứng (response workflows), và điều phối các công cụ bảo mật khác nhau hoạt động cùng nhau. SOAR ra đời nhằm giải quyết một trong những vấn đề lớn nhất của SOC: quá tải cảnh báo (alert overload) và nhân sự không đủ để xử lý thủ công.

Thành phần Orchestration (điều phối) của SOAR kết nối các công cụ bảo mật khác nhau — SIEM, EDR, firewall, ticketing systems — thành một quy trình làm việc liền mạch. Automation (tự động hóa) thực hiện các hành động phản ứng định sẵn (playbooks) mà không cần can thiệp của con người — ví dụ, khi phát hiện một IP độc hại, tự động block trên firewall, tạo ticket trong hệ thống theo dõi, và gửi thông báo cho đội ngũ liên quan. Response (phản ứng) cung cấp giao diện cho nhân viên SOC theo dõi và tương tác với quy trình tự động.

Niyomdi và Oluoch (2025) đã đề xuất một hệ thống SOAR toàn diện cho các phương tiện kết nối và tự trị (connected and autonomous vehicles), trong đó SOAR điều phối phản ứng an ninh mạng trên nhiều phương tiện thông qua một kiến trúc tập trung. Nghiên cứu của họ cho thấy rằng SOAR có thể được mở rộng từ môi trường doanh nghiệp truyền thống sang các hệ thống IoT và cyber-physical.

Weil (2023) đã phân tích SOAR dưới góc độ kỹ thuật, mô tả các thành phần, quy trình triển khai, và thách thức tích hợp. Phân tích của ông nhấn mạnh rằng SOAR không chỉ là công nghệ mà còn là sự thay đổi trong cách tổ chức nghĩ về phản ứng sự cố — từ quy trình thủ công phân mảnh sang quy trình tự động hóa và liền mạch.

6.2. Event-Driven Agentic SOC: LLM-driven incident response

Một trong những phát triển đột phá nhất gần đây là khái niệm "Agentic SOC" — SOC dựa trên các AI agents (đại lý trí tuệ). Khác với SOAR truyền thống — nơi quy trình tự động hóa được định nghĩa trước bằng các playbooks cứng — Agentic SOC sử dụng LLM để tạo ra các AI agents có khả năng nhận hiểu ngữ cảnh, ra quyết định, và thực hiện hành động một cách linh hoạt.

Özgözler, Varol và Tanrıverdi (2026) đã đề xuất Event-Driven Agentic SOC (ED-ASOC) — một framework trong đó các LLM-based agents hoạt động dưới sự giám sát của một "supervisor agent". Mỗi agent chuyên môn hóa trong một khía cạnh cụ thể: một agent giám sát sự kiện mạng (event monitoring agent), một agent phân tích ngữ cảnh (context analysis agent), một agent đưa ra khuyến nghị (recommendation agent), và một supervisor agent điều phối và ra quyết định cuối cùng.

Khung Event-Driven Agentic SOC thể hiện bước nhảy từ quy trình tự động hóa sang tự trị thông minh. Bằng cách triển khai các agent dựa trên LLM có khả năng hiểu ngữ cảnh, suy luận về mối đe dọa và tạo khuyến nghị có thể hành động, các tổ chức có thể đạt thời gian phản ứng tính bằng giây thay vì giờ — đồng thời duy trì giám sát con người cho các quyết định quan trọng.

Kiến trúc ED-ASOC hoạt động theo cơ chế event-driven (theo sự kiện): khi một sự kiện an ninh mạng xảy ra (ví dụ: cảnh báo từ IDS), nó kích hoạt một luồng xử lý tự động trong đó các agents liên tục phân tích, đánh giá rủi ro, ánh xả TTP, và đề xuất hành động. Supervisor agent tổng hợp đầu ra từ tất cả các agents và quyết định xem cần can thiệp tự động đến đâu và khi nào cần chuyển cho con người.

Guduru (2021) đã nghiên cứu phòng thủ mạng tự trị sử dụng LLM kết hợp LangChain và SOAR, cho thấy rằng việc tích hợp LLM vào SOAR cho phép hệ thống xử lý các truy vấn bằng ngôn ngữ tự nhiên — ví dụ, nhân viên SOC có thể hỏi "Điều gì đang xảy ra với máy chủ X?" và nhận được phân tích tổng hợp từ nhiều nguồn dữ liệu.

6.3. Tích hợp AI/ML vào SOAR platforms

Subudhi (2024) đã đánh giá hiệu quả của AI/ML trong các nền tảng SOAR, phân tích cả tiềm năng và thách thức. Về tiềm năng, AI cho phép SOAR: tự động phân loại cảnh báo theo mức độ nghiêm trọng, xác định mối liên hệ giữa các sự kiện riêng lẻ (event correlation), đề xuất playbooks phù hợp, và học hỏi từ các sự cố trong quá khứ để cải thiện phản ứng trong tương lai.

Về thách thức, nghiên cứu của Subudhi (2024) chỉ ra ba vấn đề chính: (a) Quality của dữ liệu — AI chỉ hiệu quả khi dữ liệu đầu vào chất lượng cao, nhưng nhiều tổ chức có dữ liệu lộn xộn và không nhất quán; (b) Explainability — nhân viên SOC cần hiểu lý do AI đề xuất một hành động cụ thể để có thể tin tưởng và chịu trách nhiệm; và (c) Tích hợp — kết hợp AI vào SOAR yêu cầu thay đổi kiến trúc và quy trình đáng kể, mà nhiều tổ chức chưa sẵn sàng.

Aljahdali và Alsulami (2025) đã nghiên cứu việc hợp lý hóa phản ứng mối đe dọa và tự động hóa các use case quan trọng bằng SOAR, chỉ ra rằng thành công trong triển khai SOAR phụ thuộc nhiều vào việc xác định và ưu tiên đúng các use case — không phải mọi tác vụ đều phù hợp để tự động hóa, và việc tự động hóa sai tác vụ có thể gây ra hệ lụy nghiêm trọng.

6.4. Thử thách và giới hạn hiện tại

Dù tiềm năng rất lớn, SOAR và Agentic SOC vẫn đối mặt với nhiều thử thách đáng kể. Falowo và Bou Abdo (2025) đã thực hiện nghiên cứu thực nghiệm về tự động hóa, niềm tin AI, và sự sẵn sàng framework trong phản ứng sự cố an ninh mạng. Phát hiện chính của họ là: niềm tin của nhân viên SOC đối với AI là yếu tố quyết định — nếu nhân viên không tin tưởng các đề xuất của AI, họ sẽ bỏ qua hoặc làm ngược lại, làm giảm hiệu quả của toàn bộ hệ thống.

Sinha (2024) đã phân tích các thách thức và phương pháp tốt nhất khi tích hợp SOAR, bao gồm: (a) Cần có chiến lược triển khai từng bước (phased approach), bắt đầu từ các use case đơn giản trước khi chuyển sang các quy trình phức tạp; (b) Cần duy trì khả năng can thiệp của con người (human-in-the-loop), thiết yếu cho các quyết định có tác động lớn; và (c) Cần đo lường và cải thiện liên tục hiệu quả thông qua các metrics rõ ràng.

Ramachandran (2026) đã phân tích tự động hóa phản ứng sự cố và điều phối trong bối cảnh rộng hơn, chỉ ra rằng xu hướng đang hướng tới "orchestration" — điều phối nhiều hệ thống AI và con người hoạt động cùng nhau — thay vì "automation" đơn thuần — thay thế con người bằng máy. Sự khác biệt tinh tế nhưng quan trọng này phản ánh sự trưởng thành trong cách nghĩ về AI trong an ninh mạng: không phải thay thế con người, mà tăng cường năng lực của con người.

7. Công nghệ giải trí và phòng thủ chủ động

7.1. Honeypot và mạng honeypot: Từ tĩnh đến động

Công nghệ giải trí (deception technology) — hay nói cụ thể hơn, honeypot — là một chiến thuật phòng thủ chủ động đã tồn tại từ những ngày đầu của an ninh mạng. Nguyên lý đơn giản: tạo ra các hệ thống "mồi nhử" trông giống như tài sản thật (servers, databases, applications) nhưng thực chất là bẫy. Bất kỳ tương tác nào với honeypot — vì không có lý do hợp lệ để truy cập nó — đều là dấu hiệu của hoạt động độc hại.

Rowe (2019) đã phân tích các chiến thuật giải trí bằng honeypot, mô tả cách thiết kế honeypot hiệu quả: nó phải đủ thuyết phục để lừa kẻ tấn công (high fidelity) nhưng cũng phải đủ khác biệt để không gây nguy hiểm cho hệ thống thực (isolation). Phân tích của ông chỉ ra rằng honeypot hiệu quả không chỉ thu thập thông tin về kẻ tấn công mà còn làm chậm cuộc tấn công, chuyển hướng kẻ tấn công khỏi tài sản thật, và cung cấp bằng chứng cho điều tra pháp lý.

Từ honeypot đơn lẻ (một máy chủ ảo, một dịch vụ giả), công nghệ đã phát triển thành mạng honeypot (honeynet) — một tập hợp các hệ thống giải trí được phối hợp để mô phỏng toàn bộ một mạng tổ chức. Honeynet cho phép nghiên cứu toàn bộ chuỗi tấn công của kẻ tấn công — từ điểm xâm nhập ban đầu đến các hành động tiếp theo — mà không gây nguy hiểm cho hệ thống thực.

7.2. AI-driven deception technology: Honeypot thích ứng

Một bước đột phá trong công nghệ giải trí là kết hợp AI để tạo ra honeypot thích ứng (adaptive honeypots) — các hệ thống giải trí có khả năng tự động thay đổi giao diện, dịch vụ và hành vi để phản ứng với kẻ tấn công và thu thập nhiều thông tin hơn.

Alshehri (2026) đã đề xuất công nghệ giải trí mạng động sử dụng mạng honeypot AI-driven với phân tích hành vi theo ngữ cảnh (context-aware behavioral analysis) cho phòng thủ chủ động. Trong kiến trúc này, AI giám sát mọi tương tác với honeypot, phân tích hành vi của kẻ tấn công trong thời gian thực, và tự động điều chỉnh honeypot để khuyến khích kẻ tấn công tiếp tục tương tác — cung cấp thêm thông tin tình báo.

Hussain, Aldwairi và Wani (2026) đã đề xuất một framework honeypot dựa trên reinforcement learning (học tăng cường), trong đó hệ thống giải trí sử dụng reinforcement learning để tối ưu hóa chiến lược giải trí — học hỏi từ mỗi tương tác với kẻ tấn công để cải thiện hiệu quả bẫy trong tương lai. Framework này tích hợp threat intelligence để tạo ra các honeypot phản ánh lỗ hổng thực tế của tổ chức, làm cho bẫy thuyết phục hơn đối với kẻ tấn công có thực sự khảo sát tổ chức.

Công nghệ giải trí được tăng cường bằng AI biến honeypot từ mồi nhử tĩnh thành hệ thống thông minh, thích ứng, học từ tương tác của kẻ tấn công. Bằng cách điều chỉnh hành vi và hình thức trình bày động, honeypot thích ứng có thể giữ chân kẻ tấn công lâu hơn, trích xuất nhiều tình báo hơn và cung cấp bằng chứng forensics phong phú hơn — trong khi vẫn bảo vệ tài sản thực.

M và Naja Sherin (2026) đã phát triển DecoyShield — một framework phòng thủ chủ động dựa trên công nghệ giải trí, kết hợp honeypot với phát hiện mối đe dọa để tạo ra một lớp phòng thủ bổ sung hoạt động song song với các biện pháp bảo mật truyền thống.

7.3. LLM trong công nghệ giải trí và phòng thủ chủ động

Một trong những tiến bộ đáng chú ý nhất trong công nghệ giải trí là kết hợp LLM để tạo ra honeypot có khả năng "giao tiếp" với kẻ tấn công — không chỉ thu thập thông tin thụ động mà chủ động tương tác để thu thập nhiều tình báo hơn.

Trong kiến trúc honeypot thế hệ mới, LLM đóng vai trò "người nói dối thông minh" — nó có thể phản hồi các câu hỏi của kẻ tấn công, tạo ra dữ liệu giả nhưng thuyết phục, và thậm chí dẫn dắt kẻ tấn công vào các khu vực cụ thể của hệ thống giải trí để thu thập thêm thông tin về kỹ thuật và mục tiêu của họ. Điều này tạo ra một lợi thế chiến lược đáng kể: thay vì chỉ quan sát, tổ chức có thể chủ động điều tra kẻ tấn công thông qua các tương tác được kiểm soát.

Hussain, Aldwairi và Wani (2026) đã đề xuất framework honeypot dựa trên reinforcement learning tích hợp threat intelligence. Trong kiến trúc này, hệ thống giải trí sử dụng thông tin từ CTI để tạo ra các honeypot phản ánh lỗ hổng thực tế của tổ chức — ví dụ, nếu CTI cho biết một nhóm APT đang nhắm vào lỗ hổng VPN cụ thể, hệ thống sẽ triển khai một honeypot VPN với lỗ hổng đó để thu hút kẻ tấn công và nghiên cứu kỹ thuật của họ.

Almutairi (2026) đã đề xuất công nghệ giải trí mạng động sử dụng mạng honeypot AI-driven với phân tích hành vi theo ngữ cảnh. Khác với honeypot tĩnh — luôn có mặt và dễ bị nhận ra — honeypot động chỉ xuất hiện khi hệ thống phát hiện dấu hiệu hoạt động trinh sát (reconnaissance activity), tạo ra một "bẫy thông minh" chỉ kích hoạt khi cần thiết.

Yang, Pengcheng và Ran (2025) đã đề xuất tích hợp công nghệ giải trí vào MARL cho phòng thủ mạng chủ động. Mô hình MARL cho phép nhiều AI agents — mỗi agent đại diện cho một thành phần phòng thủ — phối hợp để tối ưu hóa chiến lược phòng thủ tổng thể. Công nghệ giải trí là một trong nhiều "vũ khí" mà các agents có thể triển khai, cùng với block IP, segment isolation, và rule updates.

Sự kết hợp giữa công nghệ giải trí và mô hình ngôn ngữ chuyên ngành cho phép tổ chức không chỉ thu thập thông tin mà còn tự động phân tích và hành động dựa trên thông tin đó. Khi kẻ tấn công tương tác với honeypot, LLM chuyên ngành có thể: phân tích log tương tác trong thời gian thực, ánh xả kỹ thuật vào ATT&CK, tạo báo cáo tình quả tự động, và đề xuất các biện pháp phòng thủ cụ thể để bảo vệ tài sản thật.

Thành phần cốt lõi của ZTA bao gồm: (a) Identity and Access Management (IAM) — hệ thống quản lý danh tính và quyền truy cập, thường kết hợp multi-factor authentication (MFA) và adaptive authentication; (b) Device Trust — đánh giá tình trạng bảo mật của thiết bị truy cập (patch level, encryption status, compliance) trước khi cho phép kết nối; (c) Network Segmentation — chia mạng thành các segment nhỏ, mỗi segment có chính sách truy cập riêng; (d) Application-layer security — kiểm soát truy cập ở cấp độ ứng dụng, không chỉ ở cấp độ mạng; và (e) Continuous monitoring — giám sát liên tục hành vi người dùng và thiết bị để phát hiện bất thường.

Feng và Hu (2023) đã đề xuất kiến trúc Zero Trust cho hệ thống cyber-physical power system, trong đó các yếu tố vật lý — sensors, actuators, controllers — cũng được áp dụng nguyên lý Zero Trust. Nghiên cứu của họ sử dụng học máy để đánh giá rủi ro trong thời gian thực, cho phép hệ thống tự động điều chỉnh mức độ kiểm soát dựa

Sarker (2024) đã khảo sát toàn diện các công nghệ học máy và học sâu dành cho cybersecurity, cung cấp một bức tranh tổng quan về trạng thái hiện tại. Nghiên cứu của ông chỉ ra rằng deep learning — rất là các kiến trúc như Convolutional Neural Networks (CNN) cho phân tích lưu lượng mạng và Recurrent Neural Networks (RNN) cho phân tích chuỗi sự kiện — đã đạt kết quả ấn tượng trong phát hiện xâm nhập, phân loại mã độc, và phát hiện bất thường.

Kumar (2026) đã phân tích sâu phát hiện và ngăn chặn mối đe dọa bằng AI, nhấn mạnh vai trò của học máy trong việc phân tích hành vi mạng và phát hiện các mẫu tấn công tinh vi. Phân tích của ông cho thấy rằng khi kết hợp nhiều thuật toán học máy khác nhau (ensemble methods), độ chính xác phát hiện có thể đạt mức đủ cao để triển khai thực tế trong môi trường sản xuất.

Zmaimita, Madani và Zine-Dine (2025) đã khảo sát tự động hóa phát hiện mối đe dọa mạng bằng AI và máy học, và chỉ ra rằng một trong những thách thức lớn nhất là "giải thích được" (explainability) — tức là mô hình không chỉ cần phát hiện chính xác mà còn phải giải thích lý do phát hiện, giúp con người tin tưởng và hành động dựa trên kết quả của mô hình.

7.4. Multi-agent reinforcement learning cho network defense

Yang, Pengcheng và Ran (2025) đã đề xuất tích hợp công nghệ giải trí (cyber deception) vào multi-agent reinforcement learning (MARL) cho phòng thủ mạng chủ động. Trong kiến trúc này, nhiều AI agents — mỗi agent đại diện cho một thành phần phòng thủ — phối hợp với nhau để tối ưu hóa chiến lược phòng thủ tổng thể. Công nghệ giải trí là một trong nhiều "vũ khí" mà các agents có thể sử dụng, cùng với block IP, cô lập segment, và nâng cấp quy tắc tường lửa.

Mô hình MARL cho phép các agents học hỏi từ kinh nghiệm — mỗi trận tương tác với kẻ tấn công được coi như một "episode" trong môi trường reinforcement learning, và các agents sử dụng kinh nghiệm này để cải thiện chiến lược phòng thủ trong tương lai. Phương pháp này rất phù hợp cho preemptive security vì nó cho phép hệ thống "dự đoán" chiến lược tối ưu của kẻ tấn công và chuẩn bị phòng thủ trước.

Swarna (2025) đã đề xuất một framework enterprise multi-agent cho threat hunting tự trị, trong đó các AI agents phối hợp thực hiện toàn bộ quy trình threat hunting: giám sát, phát hiện, phân tích, và phản ứng. Mỗi agent chuyên môn hóa trong một khía cạnh cụ thể, và chúng cộng tác thông qua kiến trúc giao tiếp được thiết kế riêng.

7.5. Ứng dụng thực tiễn và bài học

Công nghệ giải trí đã được triển khai thực tế tại nhiều tổ chức, từ doanh nghiệp đến cơ quan chính phủ. Kinh nghiệm thực tiễn cho thấy một số bài học quan trọng:

Trước hết, honeypot hiệu quả đòi hỏi bảo trì liên tục — một honeypot cũ, không được cập nhật, sẽ nhanh chóng bị kẻ tấn công nhận ra và tránh xa. Thứ hai, dữ liệu từ honeypot chỉ có giá trị khi nó được tích hợp vào quy trình CTI — thu thập thông tin mà không phân tích và sử dụng là lãng phí tài nguyên. Thứ ba, công nghệ giải trí là một lớp phòng thủ bổ sung, không phải thay thế cho các biện pháp bảo mật khác — nó hoạt động tốt nhất khi kết hợp với threat detection, Zero Trust, và khả năng phản ứng sự cố.

Sự kết hợp giữa công nghệ giải trí AI-driven và các mô hình ngôn ngữ chuyên ngành đang mở ra khả năng mới: LLM có thể phân tích dữ liệu từ honeypot — log tương tác, mã thực thi, và hành vi của kẻ tấn công — để tự động tạo ra các báo cáo tình báo chi tiết, ánh xả TTP vào ATT&CK, và đề xuất các biện pháp phòng thủ cụ thể để ngăn chặn các cuộc tấn công tương tự trong tương lai.

8. Thử thách và rủi ro — Mặt tối của AI trong cybersecurity

8.1. Adversarial machine learning: Tấn công mô hình AI

Khi tổ chức ngày càng phụ thuộc vào AI để phòng thủ mạng, chính các mô hình AI trở thành mục tiêu tấn công. Adversarial machine learning — học máy đối kháng — là lĩnh vực nghiên cứu các phương pháp tấn công và phòng thủ đối với hệ thống AI. Trong bối cảnh an ninh mạng, điều này có nghĩa là kẻ tấn công có thể thao túng dữ liệu đầu vào của mô hình phòng thủ để làm cho nó phân loại sai — ví dụ, khiến hệ thống phát hiện xâm nhập bỏ sót một cuộc tấn công thực sự hoặc báo cáo sai một hoạt động bình thường là độc hại.

Kapoor (2025) đã phân tích toàn diện các cuộc tấn công adversarial và biện pháp phòng thủ trong hệ thống AI-driven cybersecurity, phân loại các phương pháp tấn công thành hai nhóm chính: poisoning attacks (tấn công đầu độc) — thao túng dữ liệu huấn luyện để làm hỏng mô hình từ đầu; và evasion attacks (tấn công trốn tránh) — thao túng đầu vào tại thời điểm suy luận (inference time) để vượt qua mô hình đã được huấn luyện.

Penmetsa, Bhumireddy và Vangala (2025) đã tổng quan các phương pháp phòng thủ chống lại các cuộc tấn công AI-driven trong an ninh mạng, chỉ ra rằng không có phương pháp đơn lẻ nào đủ để bảo vệ mô hình AI khỏi mọi loại adversarial attack. Thay vào đó, cần một chiến lược đa lớp (defense-in-depth for AI): kiểm tra dữ liệu huấn luyện, giám sát đầu vào suy luận, và xác minh kết quả đầu ra.

Học máy đối nghịch tạo ra một nghịch lý: khi các tổ chức triển khai AI để củng cố phòng thủ mạng, chúng đồng thời tạo ra các bề mặt tấn công mới. Bảo vệ người phòng thủ — đảm bảo tính toàn vẹn và độ tin cậy của mô hình AI dùng trong vận hành bảo mật — đã trở thành lĩnh vực nghiên cứu phụ quan trọng của an ninh mạng.

Mitra và Rehman (2025) đã phân tích "mặt tối của AI" trong bối cảnh rộng hơn, bao gồm việc kẻ tấn công sử dụng AI để tạo ra mã độc biến thể (polymorphic malware), tự động hóa social engineering, và tối ưu hóa các chiến dịch tấn công. Sự phát triển của generative AI (AI tạo sinh) với mức độ cao đáng lo ngại vì nó cho phép tạo ra nội dung phishing, deepfake, và social engineering ở quy mô lớn với chi phí gần như bằng không.

8.2. Lỗ hổng trong mô hình ngôn ngữ chuyên ngành

Các mô hình ngôn ngữ chuyên ngành an ninh mạng cũng có những điểm yếu riêng biệt. Chinthralekha, Shivakumar và Legapriyadharshini (2025) đã phân tích adversarial machine learning trong an ninh mạng, bao gồm cả các cuộc tấn công nhắm vào mô hình ngôn ngữ. Các loại tấn công có thể bao gồm: prompt injection — thao túng câu lệnh để LLM tạo ra kết quả sai lệch; data poisoning — chèn thông tin sai vào dữ liệu fine-tuning; và model extraction — sao chép kiến thức của mô hình chuyên ngành để kẻ tấn công hiểu cách tổ chức phát hiện tấn công.

Một vấn đề cụ thể với các mô hình ngôn ngữ chuyên ngành là hiệu ứng "over-specialization" — khi fine-tune quá sâu vào một lĩnh vực hẹp, mô hình có thể mất khả năng xử lý các tình huống mới hoặc bất thường. Trong an ninh mạng, nơi kẻ tấn công liên tục đổi mới kỹ thuật, khả năng thích ứng (adaptability) của mô hình quan trọng không kém độ chính xác trên dữ liệu đã biết.

Zmaimita, Madani và Zine-Dine (2025) đã nhấn mạnh tầm quan trọng của explainability (giải thích được) — nếu mô hình AI không giải thích được lý do đưa ra một quyết định cụ thể, nhân viên SOC sẽ khó tin tưởng và hành động dựa trên kết quả. Đây là một thách thức đáng kể lớn đối với LLM, vốn hoạt động như "black box" — khó giải thích quá trình ra quyết định nội tại.

8.3. Đạo đức và quản trị AI trong an ninh mạng

Sự ứng dụng AI vào an ninh mạng đặt ra nhiều câu hỏi về đạo đức và quản trị. Thứ nhất, vấn đề privacy — các hệ thống giám sát AI-powered thu thập và phân tích lượng lớn dữ liệu về hành vi người dùng, email, và giao tiếp, tạo ra rủi ro vi phạm quyền riêng tư nếu không được quản lý cẩn thận. Thứ hai, vấn đề bias — mô hình AI có thể mang theo bias từ dữ liệu huấn luyện, dẫn đến phân loại sai hoặc phân biệt đối xử. Thứ ba, vấn đề trách nhiệm — khi AI tự động thực hiện các hành động phòng thủ (ví dụ: block một IP, cô lập một máy chủ), ai chịu trách nhiệm nếu hành động đó gây ra hậu quả ngoài ý muốn?

Cybersecurity 5.0 (2026) đã dành một chương để phân tích "Policy, Governance, and Ethical AI in Cyber Defense", đề xuất các nguyên lý quản trị cho AI trong an ninh mạng: minh bạch trong quyết định AI, khả năng kiểm soát của con người (human override), đánh giá tác động thường xuyên, và tuân thủ quy định pháp luật.

Bunk và Smeets (2021) đã phân tích chiến lược an ninh mạng quốc gia của Hà Lan, trong đó nhấn mạnh tầm quan trọng của quản trị AI ở cấp độ chính sách quốc gia — không chỉ riêng cấp độ tổ chức.

8.4. Rủi ro chuỗi cung ứng phần mềm

Một trong những rủi ro lớn nhất trong kỷ nguyên preemptive cybersecurity là chuỗi cung ứng phần mềm (software supply chain). Các cuộc tấn công chuỗi cung ứng — ví dụ, SolarWinds (2020) và Log4Shell (2021) — đã cho thấy rằng kẻ tấn công không cần tấn công trực tiếp mục tiêu mà có thể xâm nhập thông qua các thành phần phần mềm bên thứ ba mà mục tiêu sử dụng.

Evans, Singh và Golbin (2025) đã phân tích toàn diện chuỗi cung ứng mạng (navigating supply chain cyber risk), bao gồm: đánh giá rủi ro nhà cung cấp (vendor risk quantification), kiểm toán bên thứ ba (third-party vendor audit), và các sự kiện chuỗi cung ứng đáng chú ý (notable supply chain cyber events).

Syed (2024) đã phân tích các xu hướng mới trong bảo mật chuỗi cung ứng phần mềm, chỉ ra rằng sự phụ thuộc ngày càng tăng vào các thư viện mã nguồn mở (open-source libraries) và các thành phần bên thứ ba tạo ra một bề mặt tấn công khổng lồ mà không một tổ chức nào có thể kiểm soát hoàn toàn.

Phát triển gần đây, Lee, Choi và Park (2026) đã đề xuất kiểm toán rủi ro phụ thuộc (dependency risk auditing) cho các dự án do LLM tạo ra, chỉ ra rằng khi LLM được sử dụng để tạo mã nguồn, nó thường kéo theo các thư viện phụ thuộc mà không được kiểm tra kỹ — tạo ra một vector tấn công hoàn toàn mới.

Boyens (2026) đã phân tích quản trị rủi ro chuỗi cung ứng an ninh mạng theo NIST, cung cấp một framework cho việc đánh giá và giảm thiểu rủi ro từ chuỗi cung ứng phần mềm. Framework này đáng chú ý phù hợp với preemptive security vì nó nhấn mạnh việc đánh giá rủi ro trước khi tích hợp thành phần mới — thay vì phản ứng sau khi lỗ hổng được phát hiện.

Tấn công chuỗi cung ứng phần mềm là một trong những thử thách lớn nhất cho an ninh mạng chủ động: chúng khai thác quan hệ tin tưởng giữa tổ chức và nhà cung cấp công nghệ. Xây dựng sức bật không chỉ đòi hỏi bảo vệ hệ thống riêng mà còn thiết lập quy trình vững chắc để đánh giá, giám sát và phản ứng rủi ro trong toàn bộ hệ sinh thái phụ thuộc phần mềm.

9. Cơ sở nhân lực và hành động thực tiễn

9.1. Khoảng trống kỹ năng an ninh mạng toàn cầu

Trong khi công nghệ an ninh mạng đang tiến bộ với tốc độ chóng mặt, nguồn nhân lực lại là mắt xích yếu nhất của chuỗi phòng thủ. Các báo cáo gần đây nhất ước tính rằng toàn cầu thiếu khoảng 3,5 triệu chuyên gia an ninh mạng — con số này tiếp tục tăng khi bối cảnh đe dọa ngày càng phức tạp và nhiều tổ chức đang số hóa.

Nizich (2023) đã phân tích toàn diện lĩnh vực an ninh mạng và khoảng trống nhân lực hiện tại, chỉ ra rằng sự thiếu hụt không chỉ về số lượng mà còn về chất lượng — nhiều tổ chức không tìm được ứng viên có đủ kỹ năng kết hợp kiến thức kỹ thuật chuyên sâu với tư duy phân tích và khả năng ra quyết định trong bối cảnh áp lực cao.

Oladimeji, Egon và Broklyn (2024) đã phân tích phát triển nguồn nhân lực an ninh mạng trong kỷ nguyên tự động hóa, chỉ ra rằng tự động hóa AI đang làm thay đổi bản thân của công việc an ninh mạng — nhiều tác vụ thủ công đang được tự động hóa, nhưng đồng thời tạo ra nhu cầu về kỹ năng mới: khả năng làm việc với AI, hiểu mô hình ML, và thiết kế quy trình human-in-the-loop.

Khoảng trống nhân lực an ninh mạng không chỉ là thiếu hụt về số lượng — nó là sự lệch pha cơ cấu giữa kỹ năng ngành cần và kỹ năng chương trình giáo dục đào tạo ra. Thu hẹp khoảng cách này đòi hỏi tư duy lại nền tảng giáo dục an ninh mạng, vượt ra ngoài chứng chỉ kỹ thuật để phát triển chuyên gia thích ứng, có tư duy phân tích, làm việc hiệu quả bên cạnh hệ thống AI.

John, Noma-Osaghae và Oajide (2020) đã phân tích giáo dục an ninh mạng và thách thức khoảng trống kỹ năng, nhấn mạnh rằng các chương trình giáo dục truyền thống — tập trung vào kiến thức kỹ thuật tĩnh — không đáp ứng được nhu cầu thực tế, nổi bật là khả năng thích ứng nhanh với bối cảnh đe dọa biến đổi liên tục.

Jerman Blažič (2021) đã đề xuất một khái niệm giáo dục mới cho Liên minh Châu Âu nhằm giảm thiểu khoảng trống nhân lực an ninh mạng, bao gồm: chương trình học liên ngành (kết hợp kỹ thuật, luật, quản trị), đào tạo thực hành (hands-on labs, CTF competitions), và hợp tác chặt chẽ giữa trường đại học và ngành công nghiệp.

9.2. Đào tạo và phát triển nguồn nhân lực

Để đối phó với khoảng trống nhân lực, nhiều chiến lược đang được triển khai song song. Trước hết, việc tích hợp an ninh mạng vào chương trình giáo dục từ sớm — từ cấp trung học đến đại học — để tạo ra một pipeline nhân lực liên tục. Thứ hai, các chương trình đào tạo lại (reskilling) cho chuyên gia IT chuyển sang an ninh mạng. Thứ ba, phát triển các nền tảng học tập dựa trên AI — trong đó mô hình ngôn ngữ chuyên ngành có thể đóng vai trò như "trợ giảng an ninh mạng", cung cấp hướng dẫn cá nhân hóa cho học viên.

Các mô hình ngôn ngữ chuyên ngành an ninh mạng đang bắt đầu đóng vai trò trong đào tạo — không chỉ như công cụ phân tích mà còn như tài nguyên giáo dục. Một SOC analyst mới có thể sử dụng LLM chuyên ngành để: giải thích các cảnh báo phức tạp bằng ngôn ngữ dễ hiểu, cung cấp ngữ cảnh về kỹ thuật ATT&CK liên quan, đề xuất các bước điều tra tiếp theo, và hướng dẫn cách sử dụng các công cụ phân tích.

9.3. Khung tiêu chuẩn: NIST CSF 2.0, ISO 27001

Các khung tiêu chuẩn quốc tế đóng vai trò định hình chiến lược an ninh mạng của hàng trăm ngàn tổ chức trên toàn cầu. Hai khung tiêu chuẩn phổ biến nhất là NIST Cybersecurity Framework (CSF) và ISO/IEC 27001.

NIST CSF 2.0 — được công bố năm 2025 — đại diện cho một bản cập nhật lớn so với phiên bản 1.1 (2018). Khung mới mở rộng từ năm chức năng gốc (Identify, Protect, Detect, Respond, Recover) thành sáu chức năng, bổ sung "Govern" — quản trị — như chức năng nền tảng, phản ánh nhận thức rằng an ninh mạng không chỉ là vấn đề kỹ thuật mà còn là vấn đề quản trị và lãnh đạo.

Eliot (2026) đã phân tích NIST CSF 2.0 dưới góc độ quản trị rủi ro doanh nghiệp và quản lý nhân lực, chỉ ra rằng phiên bản 2.0 nhấn mạnh việc tích hợp an ninh mạng vào quản trị tổng thể của tổ chức, không phải như một chức năng độc lập mà như một phần không thể tách rời của quản trị rủi ro.

Omolere (2026) đã phân tích việc tích hợp các khung NIST CSF và ISO 27001 vào thực tiễn kiểm toán IT, chỉ ra rằng mặc dù hai khung tiêu chuẩn này có phương pháp khác nhau — NIST CSF tập trung vào kết quả (outcome-based), ISO 27001 tập trung vào quy trình (process-based) — chúng bổ sung cho nhau và nhiều tổ chức triển khai cả hai.

Steingartner, Galinec và Zebić (2024) đã phân tích các thách thức bảo mật API trong bối cảnh cyber landscape thay đổi, chỉ ra rằng với sự phát triển của API-driven architecture và microservices, bảo mật API đã trở thành một thành phần quan trọng của bất kỳ khung tiêu chuẩn nào — một khía cạnh mà cả NIST CSF và ISO 27001 đang cập nhật để bao quát.

9.4. Chiến lược quốc gia và tổ chức

Chiến lược an ninh mạng hiệu quả đòi hỏi sự phối hợp ở nhiều cấp độ: quốc gia, ngành, và tổ chức. Ở cấp độ quốc gia, chiến lược bao gồm: xây dựng năng lực phòng thủ quốc gia, thiết lập cơ chế chia sẻ thông tin giữa các tổ chức, đầu tư vào nghiên cứu và phát triển, và phát triển nguồn nhân lực.

Bunk và Smeets (2021) đã phân tích chiến lược an ninh mạng của Hà Lan như một case study, chỉ ra rằng các yếu tố then chốt của chiến lược quốc gia thành công bao gồm: sự cam kết chính trị ở cấp cao nhất, hợp tác công-tư hiệu quả, và đầu tư dài hạn vào cả công nghệ lẫn con người.

Trim và Lee (2022) đã phân tích học tập tổ chức, quản lý thay đổi và văn hóa an ninh mạng, nhấn mạnh rằng thành công của chiến lược an ninh mạng — ở bất kỳ cấp độ nào — phụ thuộc vào yếu tố con người và văn hóa tổ chức nhiều như công nghệ. Một tổ chức có văn hóa an ninh mạng mạnh — trong đó mọi nhân viên hiểu và chịu trách nhiệm về an ninh mạng — sẽ có khả năng phòng thủ tốt hơn hẳn một tổ chức chỉ dựa vào công nghệ.

Trong thực tiễn, các tổ chức triển khai Zero Trust thường trải qua ba giai đoạn: đánh giá (assessment) — xác định tài sản quan trọng, dữ liệu nhạy cảm và bề mặt tấn công hiện tại; triển khai ban đầu (initial deployment) — bắt đầu với các use case quan trọng nhất, thường là truy cập từ xa và quyền truy cập đặc quyền; và mở rộng (expansion) — dần dần mở rộng ZTA đến toàn bộ hệ thống. Mỗi giai đoạn đòi hỏi sự phối hợp chặt chẽ giữa các nhóm — IT, security, development, và business — vì Zero Touch không chỉ là dự án công nghệ mà là sự thay đổi cách tổ chức vận hành.

Ngoài ra, sự phát triển của mô hình ngôn ngữ chuyên ngành an ninh mạng đang tạo ra những khả năng mới trong việc hỗ trợ triển khai Zero Trust. Khi một tổ chức chuyển sang ZTA, khối lượng công việc liên quan đến việc xác định chính sách truy cập cho từng tài nguyên là rất lớn. LLM chuyên ngành có thể hỗ trợ tự động hóa một phần công việc này — đọc cấu hình hệ thống hiện tại, đề xuất chính sách truy cập dựa trên best practices, và xác định các gap giữa cấu hình hiện tại và yêu cầu ZTA.

Một ứng dụng mới nổi của mô hình ngôn ngữ chuyên ngành là phân tích mã nguồn để phát hiện các lỗ hổng bảo mật. Các mã nguồn — dù được viết bởi con người hay tạo bởi AI — đều có thể chứa các mẫu code không an toàn. LLM chuyên ngành an ninh mạng có thể được huấn luyện trên các ví dụ code có lỗ hổng (vulnerability examples) và code an toàn, từ đó tự động phát hiện các mẫu nguy hiểm trong codebase mới.

Thử thách đặc thù của an ninh mạng Đông Nam Á bao gồm: hạ tầng số đang phát triển nhanh nhưng bảo mật chưa theo kịp; sự thiếu hụt chuyên gia an ninh mạng nghiêm trọng hơn so với các khu vực phát triển; and the diversity of regulatory frameworks across countries creates complexity for multinational organizations. Mô hình ngôn ngữ chuyên ngành đa ngôn ngữ — thiết yếu là hỗ trợ tiếng Việt, tiếng Thái, tiếng Indonesia — sẽ đóng vai trò quan trọng trong việc đưa preemptive cybersecurity đến khu vực này.

Cybersecurity 5.0 cũng đặt ra một câu hỏi triết học quan trọng: ranh giới giữa phòng thủ và tấn công trong kỷ nguyên AI sẽ ở đâu? Khi hệ thống phòng thủ AI-driven có khả năng không chỉ phòng thủ mà còn chủ động phản công — ví dụ, counter-attacking attacker infrastructure — ranh giới giữa self-defense và aggression trở nên mờ nhạt. Các khung pháp lý hiện tại chưa đủ để xử lý các tình huống này, đòi hỏi sự phát triển luật an ninh mạng song song với công nghệ.

Về lâu dài, sự hội tụ giữa preemptive cybersecurity và mô hình ngôn ngữ chuyên ngành có thể dẫn đến một dạng trí tuệ phòng thủ mạng tập thể — trong đó hàng triệu tổ chức đóng góp dữ liệu ẩn danh qua federated learning để huấn luyện các mô hình chuyên ngành toàn cầu. Thách thức về privacy, quản trị và equity của viễn cảnh này là những câu hỏi mà cộng đồng nghiên cứu và chính sách sẽ cần đối mặt trong thập kỷ tới.

Mô hình ngôn ngữ chuyên ngành an ninh mạng cũng đang mở ra khả năng mới trong việc chuẩn hóa và làm phong phú hơn các mô tả TTP. Khi nhiều tổ chức sử dụng các mô hình ngôn ngữ chuyên ngành để phân tích và mô tả sự cố an ninh mạng, dữ liệu thu thập được có thể được tổng hợp thành một kho tri thức chia sẻ — không chỉ về các kỹ thuật tấn công mà còn về cách phát hiện và phòng thủ hiệu quả nhất đối với từng kỹ thuật. Đây chính là bộ não tập thể mà preemptive security cần: hiểu rõ kẻ tấn công từ nhiều góc độ và nhiều ngữ cảnh khác nhau, và biết cách phòng thủ một cách tối ưu dựa trên kinh nghiệm tích lũy của toàn cộng đồng.

Một khía cạnh thường bị bỏ qua trong thảo luận về preemptive cybersecurity là vai trò của các tiêu chuẩn mở và cộng đồng mã nguồn mở. Các dự án như OpenCTI (Open Cyber Threat Intelligence), MISP (Malware Information Sharing Platform), và Sigma (detection rule format) cho phép tổ chức xây dựng năng lực CTI và phát hiện mà không phụ thuộc vào nhà cung cấp độc quyền. Khi kết hợp với mô hình ngôn ngữ chuyên ngành, các nền tảng mở này có thể được tăng cường bằng khả năng NLP tự động — phân tích báo cáo, ánh xả TTP, và đề xuất detection rules.

Sự phát triển của XDR (Extended Detection and Response) — một bước phát triển tiếp theo của EDR (Endpoint Detection and Response) — cũng đang hội tụ với preemptive security. XDR thu thập dữ liệu từ endpoint, network, cloud, và email để tạo ra một bức picture toàn diện về bối cảnh đe dọa. Khi tích hợp với LLM chuyên ngành, XDR có khả năng phân tích đa chiều: hiểu ngữ cảnh từ email, phân tích hành vi từ endpoint, phát hiện bất thường từ network — và tổng hợp tất cả thành một đánh giá mối đe dọa có thể hành động.

Trong bối cảnh ASEAN, nhiều quốc gia đang xây dựng năng lực an ninh mạng quốc gia. Các hiệp định hợp tác như ASEAN CERT, chia sẻ thông tin giữa các national CSIRT, và các diễn đàn chính sách an ninh mạng khu vực đang tạo ra một cấu trúc cho phòng thủ mạng tập thể ở cấp độ quốc gia. Tuy nhiên, khoảng trống về nguồn nhân lực và sự thiếu đồng nhất về tiêu chuẩn vẫn là rào cản đáng kể. Các mô hình ngôn ngữ chuyên ngành hỗ trợ đa ngôn ngữ — rất là tiếng Việt, tiếng Thái, tiếng Indonesia, tiếng Philippines — có thể đóng vai trò quan trọng trong việc đưa preemptive cybersecurity đến khu vực Đông Nam Á một cách hiệu quả.

10. Kết luận và triển vọng tương lai

10.1. Tổng hợp phát hiện chính

Bài viết đã khảo sát toàn diện hai luồng phát triển đang định hình tương lai của an ninh mạng: sự chuyển dịch từ reactive sang preemptive security, và sự trỗi dậy của các mô hình ngôn ngữ chuyên ngành.

Về preemptive security, bài viết đã phân tích: (a) Sự tiến hóa từ reactive → proactive → preemptive, trong đó từng giai đoạn đại diện cho một thay đổi triết lý sâu sắc — từ chờ đợi đến chủ động tìm kiếm đến ngăn chặn từ trước; (b) Các khung phân tích đe dọa (Kill Chain, MITRE ATT&CK) đang được tăng cường bởi AI, cho phép ánh xả TTP tự động và phân tích đe dọa dự báo; (c) Threat hunting và CTI, được hỗ trợ bởi AI/ML, đang trở thành nền tảng của preemptive defense; (d) Zero Trust Architecture đang phát triển từ nguyên lý triết lý thành một kiến trúc kỹ thuật phức tạp, kết hợp với AI để tạo ra hệ thống phòng thủ tự trị và tự chữa lành; (e) Công nghệ giải trí AI-driven và multi-agent defense đang mở ra khả năng phòng thủ chủ động mới.

Về mô hình ngôn ngữ chuyên ngành, bài viết đã phân tích: (a) Sự phát triển từ fine-tuning BERT cho NER (CySecBERT) đến fine-tuning LLaMA cho nhiều tác vụ (CyberLLaMA, MCM-Llama); (b) Ứng dụng LLM trong SOC — phân tích log, tạo cảnh báo có ngữ cảnh, hỗ trợ điều tra; (c) SOAR và Agentic SOC — tự động hóa phản ứng sự cố bằng LLM-based agents; (d) Rủi ro và hạn chế — adversarial attacks, explainability, và ethical concerns.

10.2. Xu hướng tương lai: Cybersecurity 5.0

Cybersecurity 5.0 (2026) đã phác thảo lộ trình tương lai của an ninh mạng, với ba xu hướng chính: tự trị (autonomy), hội tụ (convergence), và thích ứng (adaptability).

Tự trị: Hệ thống an ninh mạng sẽ ngày càng tự trị hơn — tự phát hiện, tự chẩn đoán, và tự hành động. Agentic SOC là bước đầu tiên trên con đường này. Trong tương lai, có thể hình dung các "cyber defense clouds" — hệ thống phòng thủ mạng phân tán, tự điều phối, hoạt động liên tục ở quy mô toàn cầu.

Hội tụ: Đường phân ranh giới giữa an ninh mạng, AI, và lĩnh vực khác (như điện toán lượng tử, IoT, và blockchain) đang mờ dần. Các giải pháp phòng thủ sẽ cần kết hợp kiến thức từ nhiều lĩnh vực — ví dụ, NLP để phân tích text-based threats, computer vision để phân tích malware visual, và quantum computing để phát hiện patterns trong dữ liệu mã hóa.

Thích ứng: Khả năng thích ứng nhanh với bối cảnh đe dọa biến đổi là yếu tố quyết định. Các mô hình ngôn ngữ chuyên ngành sẽ cần được cập nhật liên tục — fine-tuning liên tục (continual learning) — để theo kịp với thuật ngữ, kỹ thuật và chiến thuật mới của kẻ tấn công.

10.3. Khuyến nghị cho nghiên cứu và thực tiễn

Dựa trên phân tích tổng hợp, bài viết đề xuất các khuyến nghị sau:

Về nghiên cứu: (1) Cần đầu tư mạnh hơn vào phát triển mô hình ngôn ngữ chuyên ngành an ninh mạng đa ngôn ngữ — hầu hết các mô hình hiện tại chỉ hỗ trợ tiếng Anh, trong khi mối đe dọa mạng là toàn cầu; (2) Cần nghiên cứu nhiều hơn về explainability của mô hình AI trong an ninh mạng — nếu không giải thích được, AI sẽ không được tin tưởng; (3) Cần phát triển các benchmark và dataset chất lượng cao cho đánh giá hiệu năng mô hình chuyên ngành; (4) Cần nghiên cứu sâu hơn về bảo vệ mô hình AI khỏi adversarial attacks trong bối cảnh an ninh mạng.

Về thực tiễn: (1) Tổ chức nên chuyển đổi chiến lược an ninh mạng theo hướng preemptive — kết hợp threat hunting, CTI, Zero Trust, và AI-powered detection; (2) Nên đầu tư vào phát triển mô hình ngôn ngữ chuyên ngành nội bộ — fine-tuned trên dữ liệu và ngữ cảnh riêng của tổ chức; (3) Nên triển khai SOAR/Agentic SOC từng bước, bắt đầu từ các use case đơn giản và có thể đo lường hiệu quả; (4) Nên ưu tiên phát triển nguồn nhân lực — đầu tư vào cả công nghệ lẫn con người; (5) Nhiều hơn nữa, cần xây dựng văn hóa an ninh mạng — nơi mọi nhân viên hiểu và tham gia vào phòng thủ mạng.

Sự hội tụ giữa preemptive cybersecurity và mô hình ngôn ngữ chuyên ngành không chỉ là một xu hướng công nghệ — nó là sự thay đổi cơ bản trong cách con người nghĩ về và thực hành an ninh mạng. Từ phòng thủ thụ động dựa trên bức tường lửa, chúng ta đang chuyển sang phòng thủ chủ động dựa trên trí tuệ — trí tuệ của cả con người lẫn máy. Thách thức lớn nhất không nằm ở công nghệ mà ở con người: làm sao để xây dựng và duy trì một hệ sinh thái phòng thủ mà con người và AI bổ sung cho nhau, thay vì cạnh tranh hay đối lập.

Bên cạnh đó, sự phát triển của Cyber Threat Intelligence as a Service (CTIaaS) — dịch vụ tình báo mối đe dọa mạng như một dịch vụ — đang làm cho CTI trở nên dễ tiếp cận hơn đối với các tổ chức vừa và nhỏ. Thay vì xây dựng đội ngũ phân tích CTI nội bộ tốn kém, các tổ chức có thể đăng ký dịch vụ cung cấp thông tin tình báo được tùy chỉnh cho ngành và bối cảnh cụ thể của họ. Các mô hình ngôn ngữ chuyên ngành đóng vai trò then chốt trong việc tùy chỉnh và làm phong phú dữ liệu CTI — lọc thông tin không liên quan, tổng hợp theo ngữ cảnh, và tạo ra các báo cáo có thể hành động.

Cuối cùng, một xu hướng đáng chú ý là sự xuất hiện của Bug Bounty platforms — nền tảng thưởng lỗi bảo mật — như một cơ chế phòng thủ chủ động bổ sung. Các nền tảng như HackerOne, Bugcrowd, và Synack kết nối các nhà nghiên cứu bảo mật (ethical hackers) với các tổ chức cần kiểm tra bảo mật hệ thống của họ. Các mô hình ngôn ngữ chuyên ngành đang bắt đầu được tích hợp vào quy trình bug bounty — tự động phân tích báo cáo lỗi, phân loại mức độ nghiêm trọng, và đề xuất các bước khắc phục. Điều này giúp tổ chức xử lý nhanh hơn hàng trăm báo cáo mỗi tuần mà các nền tảng bug bounty lớn nhận được.

Tất cả những phát triển này đang hội tụ thành một hình ảnh rõ ràng: tương lai của an ninh mạng nằm ở sự giao thoa giữa trí tuệ nhân tạo — với mức độ cao là mô hình ngôn ngữ chuyên ngành — và triết lý preemptive defense. Tổ chức nào nắm bắt được sự hội tụ này sớm nhất — đầu tư vào công nghệ, phát triển nguồn nhân lực, và xây dựng văn hóa an ninh mạng — sẽ có lợi thế phòng thủ đáng kể trong bối cảnh đe dọa ngày càng phức tạp.

Các tổ chức cần bắt đầu bằng việc đánh giá maturity hiện tại — ở đâu trên quỹ đạo reactive → proactive → preemptive — và xây dựng lộ trình chuyển đổi phù hợp. Đối với hầu hết tổ chức, bước tiếp theo không phải là triển khai tất cả công nghệ cùng lúc mà là bắt đầu từ những điểm có tác động lớn nhất: threat intelligence, Zero Trust cho truy cập từ xa, và ứng dụng LLM chuyên ngành cho tác vụ phân tích log và tạo cảnh báo có ngữ cảnh.

Tài liệu tham khảo

Ahmadi, S. (2025). Autonomous identity-based threat segmentation for zero trust architecture. Cyber Security and Applications. DOI: 10.1016/j.csa.2025.100106

Aljahdali, A. O. và Alsulami, R. (2025). Streamlining threat response and automating critical use cases with security orchestration, automation, and response. Journal of Digital Security and Forensics, 2(1). DOI: 10.29121/digisecforensics.v2.i1.2025.45

Almutairi, N. (2026). LLM-Powered Proactive Cyber-Defense Framework Using Cyber-Threat Indicators Collected from X Platform. Electronics, 15(6). DOI: 10.3390/electronics15061305

Alshehri, M. (2026). Dynamic cyber deception using AI-driven adaptive honeypot networks and context-aware behavioural analysis for proactive defense. Alexandria Engineering Journal. DOI: 10.1016/j.asej.2026.104061

Apiecionek, Ł. (2026). Domain Persona Capture: Military Doctrine Fine-Tuning Induces Broad Misalignment Across Large Language Models. DOI: 10.21203/rs.3.rs-9617241/v1

Bayer, M. (2025). CySecBERT: A Domain-Adapted Language Model for the Cybersecurity Domain. Trong Technology, Peace and Security. Springer. DOI: 10.1007/978-3-658-48778-2_11

Boyens, J. (2026). NIST Cybersecurity Supply Chain Risk Management. NIST Special Publication 1326. DOI: 10.6028/nist.sp.1326

Bunk, J. và Smeets, M. (2021). Dutch cyber security strategy. Trong Routledge Companion to Global Cyber-Security Strategy. Routledge. DOI: 10.4324/9780429399718-11

Chinthralekha, T., Shivakumar, E. và Legapriyadharshini, N. (2025). Adversarial Machine Learning in Cybersecurity: Attacks, Defenses, Robustness, and Explainability. DOI: 10.71443/9789349552043-07

Cybersecurity 5.0 (2026). The Cyber Threat Landscape in the AI Era. Wiley. DOI: 10.1002/9781394426263.ch2

Cybersecurity 5.0 (2026). Autonomous Cybersecurity. Wiley. DOI: 10.1002/9781394426263.ch13

Cybersecurity 5.0 (2026). Building Resilient and Self‐Healing Cybersecurity Systems. Wiley. DOI: 10.1002/9781394426263.ch12

Cybersecurity 5.0 (2026). Policy, Governance, and Ethical AI in Cyber Defense. Wiley. DOI: 10.1002/9781394426263.ch11

Cybersecurity 5.0 (2026). Roadmap to Cybersecurity 5.0. Wiley. DOI: 10.1002/9781394426263.ch15

Diakhame, M. L., Diallo, C. và Mejri, M. (2024). MCM-Llama: A Fine-Tuned Large Language Model for Real-Time Threat Detection through Security Event Correlation. Trong 2024 International Conference on Electrical, Computer and Communication Technologies (ICECET). IEEE. DOI: 10.1109/icecet61485.2024.10698464

Duncan, A., Creese, S. và Goldsmith, M. (2019). A Combined Attack-Tree and Kill-Chain Approach to Designing Attack-Detection Strategies for Malicious Insiders. IEEE. DOI: 10.1109/cybersecpods.2019.8885401

Eliot, D. (2026). NIST Cybersecurity Framework 2.0: Cybersecurity, Enterprise Risk Management, and Workforce Management Quick-Start Guide. NIST. DOI: 10.6028/nist.sp.1308

Evans, A., Singh, A. và Golbin, A. (2025). Navigating Supply Chain Cyber Risk. CRC Press. DOI: 10.4324/9781003581321

Falasi, M. A. và Zhang, T. (2025). Augmenting SIEM with Threat Intelligence for Predictive Cyber Defense: A Proactive Threat Hunting Approach. International Journal of Cyber Threat Intelligence, 2(3). DOI: 10.55640/ijctisn-v02i03-01

Feng, X. và Hu, S. (2023). Zero Trust Architecture For Cyber-Physical Power System Security Based on Machine Learning. Trong AI Embedded Assurance for Cyber Systems. Springer. DOI: 10.1007/978-3-031-42637-7_5

Gabrys, R., Bilinski, M., Fugate, S. và Silva, J. (2024). Using Natural Language Processing Tools to Infer Adversary Techniques and Tactics Under the MITRE ATT&CK Framework. Trong IEEE CCWC. IEEE. DOI: 10.1109/ccwc60891.2024.10427746

Georgiadou, A., Mouzakitis, S. và Askounis, D. (2021). Assessing MITRE ATT&CK Risk Using a Cyber-Security Culture Framework. Sensors, 21(9). DOI: 10.3390/s21093267

Gohel, A. và Popat, K. (2025). The Role of Threat Hunting in Proactive Cyber Defence Strategies. SSRN. DOI: 10.2139/ssrn.5103995

Guduru, S. (2021). Autonomous Cyber Defense: LLM-Powered Incident Response with LangChain and SOAR Integration. International Journal of Science and Research, 10(5). DOI: 10.21275/sr21059083032

Haber, M. J. (2020). Zero Trust. Trong Privileged Attack Vectors. Springer. DOI: 10.1007/978-1-4842-5914-6_22

Hamzaoui, N., Ibadah, N. và Minaoui, K. (2026). Behavior Analytics for Proactive Cybersecurity: Early Detection, Threat Hunting, and Incident Forensics. Trong IEEE ISIVC. IEEE. DOI: 10.1109/isivc69944.2026.11574194

Hossain, A. A. và Ahner, D. (2025). Game-Theoretic AI for Zero Trust Cyber Defense. Trong IEEE SmartIoT. IEEE. DOI: 10.1109/smartiot66867.2025.00038

Hussain, I., Aldwairi, M. và Wani, A. (2026). AI-Driven Cyber Deception: A Reinforcement Learning Honeypot Framework with Threat Intelligence and Automated Response. DOI: 10.21203/rs.3.rs-9065129/v1

Ito, R. và Mimura, M. (2019). Detecting Unknown Malware from ASCII Strings with Natural Language Processing Techniques. Trong AsiaJCIS. IEEE. DOI: 10.1109/asiajcis.2019.00-12

John, S. N., Noma-Osaghae, E. và Oajide, F. (2020). Cybersecurity Education: The Skills Gap, Hurdle! Trong ICCWS. Springer. DOI: 10.1007/978-3-030-50244-7_18

Jony, M., Vashishtha, J. và Kumar, S. (2021). Domain Specific Fine Tuning of Pre-trained Language Model in NLP. Trong Lecture Notes in Networks and Systems. Springer. DOI: 10.1007/978-981-33-4355-9_31

Jerman Blažič, B. (2021). Cybersecurity Skills in EU: New Educational Concept for Closing the Missing Workforce Gap. DOI: 10.5772/intechopen.97094

Kapoor, A. (2025). Adversarial Machine Learning Attacks and Defenses in AI-Driven Cybersecurity Systems. SSRN. DOI: 10.2139/ssrn.5363215

Lee, S., Choi, H. và Park, J. (2026). Dependency Risk Auditing for LLM-Generated Projects via Software Supply Chain Analysis. DOI: 10.20944/preprints202602.0007.v1

Leahy, D. và Thorpe, C. (2022). Zero Trust Container Architecture (ZTCA). Trong ICCWS. Academic Conferences. DOI: 10.34190/iccws.17.1.35

Lu, W., Luu, R. K. và Buehler, M. J. (2025). Fine-tuning large language models for domain adaptation: exploration of training strategies, scaling laws and domain dependence. npj Computational Materials. DOI: 10.1038/s41524-025-01564-y

M, N. S. (2026). DecoyShield: A Deception-Based Framework for Proactive Threat Detection and Cyber Defense. International Research Journal of Advanced Science and Engineering, 8(9). DOI: 10.22214/ijraset.2026.80912

Mahdi, M. và Manzoor, J. (2025). Automated TTP Mapping via Ensemble BERT Model using the MITRE ATT&CK Framework. Trong Cyber-RC Ireland. IEEE. DOI: 10.1109/cyber-rci68134.2025.11384976

Manchana, R. (2024). DevSecOps in Cloud Native CyberSecurity: Shifting Left for Early Security, Securing Right with Continuous Protection. International Journal of Science and Research. DOI: 10.21275/sr24822104530

Marapu, N. R. (2022). Future-Proofing National Cybersecurity: The Role of AI in Proactive Threat Hunting and Framework Optimization. International Journal of Artificial Intelligence. DOI: 10.63282/3050-9262.ijaidsml-v3i4p104

Mendsaikhan, O., Hasegawa, H. và Yamaguchi, Y. (2020). Quantifying the Significance of Cybersecurity Text through Semantic Similarity and Named Entity Recognition. Trong ICETE. SCITEPRESS. DOI: 10.5220/0008913003250332

MITRE (2025). MITRE ATT&CK: MITRE Adversarial Tactics, Techniques, and Common Knowledge. Trong Encyclopedia of Cryptography, Security and Privacy. Springer. DOI: 10.1007/978-3-030-71522-9_300601

Mitra, U. và Rehman, S. U. (2025). The Dark Side of AI. Trong Adversarial Machine Learning in Cybersecurity. IGI Global. DOI: 10.4018/979-8-3373-2200-1.ch001

Mohammed, Q., Syed, A. M. và Gaffar, A. (2026). Automated Cyber Threat Intelligence Mapping to the MITRE ATT&CK Framework. Trong IEEE AIIoT Congress. IEEE. DOI: 10.1109/aiiot68874.2026.11569580

Nair, R. R. (2025). Proactive Threat Hunting: The Vanguard of Modern Cybersecurity Defense. European Journal of Computer Science and Information Technology. DOI: 10.37745/ejcsit.2013/vol13n225367

Naik, N., Jenkins, P., Grace, P. và Song, J. (2022). Comparing Attack Models for IT Systems: Lockheed Martin's Cyber Kill Chain, MITRE ATT&CK Framework and Diamond Model. Trong IEEE ISSE. IEEE. DOI: 10.1109/isse54508.2022.10005490

Niyomdi, M. và Oluoch, J. (2025). A Comprehensive Security Orchestration, Automation, and Response System (SOAR) for Connected and Autonomous Vehicles. Trong IEEE ICAIC. IEEE. DOI: 10.1109/icaic63015.2025.10849039

Nizich, M. (2023). An Introduction to the Field of Cybersecurity and the Current Workforce Gap. Trong Cybersecurity and Organizational Resilience. Emerald. DOI: 10.1108/978-1-80382-915-920231002

Oladimeji, S., Egon, A. và Broklyn, P. (2024). Cybersecurity Workforce Development: Bridging The Skills Gap in The Age of Automation. SSRN. DOI: 10.2139/ssrn.4904939

Omolere, O. (2026). Integrating Cybersecurity Frameworks (NIST and ISO/IEC 27001) into IT Audit Practices. SSRN. DOI: 10.2139/ssrn.5999694

Özgözler, E., Varol, A. và Tanrıverdi, İ. (2026). Event-Driven Agentic SOC (ED-ASOC): Supervisor-Based LLM Framework for Dynamic Incident Response and Automation. Trong IEEE ISDFS. IEEE. DOI: 10.1109/isdfs69419.2026.11458922

Panchumarthi, S. (2025). A National Cyber Defense Framework: Architecting Federated, AI-Powered, Zero-Trust Security at Scale. DOI: 10.36227/techrxiv.175321961.11008476/v1

Patel, S., Smith, S. và Madisetti, V. K. (2024). PhishGuard: Integrating Fine-Tuned Large Language Models (LLMs) into Password Management. Journal of Information Security, 15(4). DOI: 10.4236/jis.2024.154027

Penmetsa, M., Bhumireddy, J. R. và Vangala, S. R. (2025). Adversarial Machine Learning in Cybersecurity: A Review on Defending Against AI-Driven Attacks. SSRN. DOI: 10.2139/ssrn.5515383

Phanireddy, S. (2025). Natural Language Processing for Documentation Analysis to Identify Outdated Security Practices. SSRN. DOI: 10.2139/ssrn.5257703

Qiao, Z., Zhang, C. và Du, G. (2023). Improving Cybersecurity Named Entity Recognition with Large Language Models. Trong IEEE CSES. IEEE. DOI: 10.1109/csecs60003.2023.10428218

Ramachandran, M. (2026). Automated Incident Response and Orchestration. Trong Texts in Computer Science. Springer. DOI: 10.1007/978-3-032-17367-6_15

Ramollari, E. (2025). AI-enabled cyber threat intelligence and cyber risk assessment. Trong AI-Enabled Threat Intelligence and Cyber Risk Assessment. CRC Press. DOI: 10.1201/9781003504979-1

Rafiey, P. và Namadchian, A. (2025). Mapping Vulnerability Description to MITRE ATT&CK Framework by LLM. DOI: 10.21203/rs.3.rs-4341401/v2

Rowe, N. C. (2019). Honeypot Deception Tactics. Trong Advanced Cyber Situational Awareness, Analytics and Defense. Springer. DOI: 10.1007/978-3-030-02110-8_3

Rupa, A. và Swapna, C. (2025). Advancing Domain-Specific Adaptations of Large Language Models through Transfer Learning and Fine-Tuning. Trong Sentiment Analysis Unveiled. CRC Press. DOI: 10.1201/9781003504832-6

Sarker, I. H. (2024). Learning Technologies: Toward Machine Learning and Deep Learning for Cybersecurity. Trong AI-Driven Cybersecurity and Threat Intelligence. Springer. DOI: 10.1007/978-3-031-54497-2_3

Singh, V. K., Sivashankar, D. và Kundan, K. (2023). An Efficient Intrusion Detection and Prevention System for DDOS Attack in WSN Using SS-LSACNN and TC-BPNN. Journal of Cyber Security and Mobility, 12. DOI: 10.13052/jcsm2245-1439.1315

Singh Chauhan, A., Dua, M. và Gupta, R. (2025). Zero Trust Architecture in Cloud Security: A Modern Approach to Cyber Defense. SSRN. DOI: 10.2139/ssrn.5634930

Sinha, A. (2024). Challenges And Best Practices for Integrating Security Orchestration, Automation, And Response (SOAR). DOI: 10.31274/cc-20250502-2

Steingartner, W., Galinec, D. và Zebić, V. (2024). Challenges of Application Programming Interfaces Security: A Conceptual Model in the Changing Cyber Landscape. Trong IEEE Informatics. IEEE. DOI: 10.1109/informatics62280.2024.10900929

Stein, L. (2025). Advancing Proactive Cybersecurity through Cyber Threat Intelligence Mining: A Comprehensive Review and Analysis. International Journal of Cyber Threat Intelligence, 2(2). DOI: 10.55640/ijctisn-v02i02-01

Subudhi, S. (2024). Effectiveness of AI/ML in SOAR (Security Automation and Orchestration) Platforms. International Journal of Science and Research. DOI: 10.21275/mr24802085215

Swarna, R. (2025). Enterprise AI-Enabled Multi-Agent Threat Hunting: A Comprehensive Framework for Autonomous Cybersecurity Operations. DOI: 10.36227/techrxiv.175825523.37911598/v1

Thomas, C. (2025). The MITRE ATT&CK Framework in CTI. Trong The Art of Cyber Threat Intelligence. Springer. DOI: 10.1007/979-8-8688-1739-7_25

Trim, P. và Lee, Y. (2022). Organizational Learning, Managing Change and Security Culture. Trong Strategic Cyber Security Management. Routledge. DOI: 10.4324/9781003244295-10

Ugale, S. và Potgantwar, A. (2023). Container Security in Cloud Environments: A Comprehensive Analysis and Future Directions for DevSecOps. Engineered Science, 21. DOI: 10.3390/engproc2023059057

Vasudevan, S., Piazza, A. và Carr, M. (2022). Qualitative Factors in Organizational Cyber Resilience. Trong IEEE ICCR. IEEE. DOI: 10.1109/iccr56254.2022.9995762

Velde, V., Prashanth, B., Bolukonda, K. và Bandi, K. (2025). Hybrid machine learning for AI-driven cyber threat intelligence and proactive intrusion detection. The European Physical Journal Plus, 140. DOI: 10.1140/epjp/s13360-025-07155-6

Wang, G., Huo, Y. và Ma, Z. (2019). Research on University's Cyber Threat Intelligence Sharing Platform Based on New Types of STIX and TAXII Standards. Journal of Information Sciences, 49(4). DOI: 10.4236/jis.2019.104015

Weil, R. (2023). Security Orchestration, Automation and Response (SOAR). Technische Sicherheit, 13(11-12). DOI: 10.37544/2191-0073-2023-11-12-41

Yang, Y., Pengcheng, R. (2025). Integrating Cyber Deception into Multi-Agent Reinforcement Learning for Proactive Network Defense. Trong IEEE ICCWAMTIP. IEEE. DOI: 10.1109/iccwamtip68645.2025.11352669

Zangana, H. M. (2026). Cybersecurity 5.0. Wiley. DOI: 10.1002/9781394426263

Zhang, H., Wu, T., Zhu, T. và Wen, S. (2025). CyberLLaMA: A fine-tuned large language model for cybersecurity named entity recognition. Knowledge-Based Systems. DOI: 10.1016/j.knosys.2025.114183

Zmaimita, H., Madani, A. và Zine-Dine, K. (2025). Automating Cyber Threat Detection with AI and Machine Learning. Trong AI-Driven Cybersecurity. CRC Press. DOI: 10.1201/9781003631507-13

Kỷ Nguyên Preemptive Cybersecurity và Sự Trỗi Dậy của Các Mô Hình Ngôn Ngữ Chuyên Ngành