Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh môi trường kỹ thuật số phát triển nhanh chóng, các cuộc tấn công mạng có chủ đích và kéo dài (Advanced Persistent Threat - APT) ngày càng trở nên phức tạp, tinh vi và nguy hiểm đối với các tổ chức. Để ứng phó với các kỹ thuật tấn công hiện đại, các hệ thống phát hiện xâm nhập máy chủ dựa trên đồ thị nguồn gốc (Provenance-based Host Intrusion Detection Systems - Prov-HIDS) đã được nghiên cứu và triển khai như một giải pháp quan trọng nhằm theo dõi lịch sử thực thi và phân tích các hành vi bất thường trong hệ thống. Tuy nhiên, tương tự như các công nghệ bảo mật khác, Prov-HIDS vẫn tồn tại những điểm yếu và có thể bị qua mặt bởi các kỹ thuật tấn công đối kháng (Adversarial Attacks) hoặc tấn công né tránh (Evasion Attacks).

Kẻ tấn công có thể làm mờ, gây nhiễu, làm sai lệch cấu trúc dữ liệu đồ thị nguồn gốc hoặc chèn các đường dẫn giả mạo để vượt qua ranh giới quyết định của các bộ phân loại học máy. Xuất phát từ thực tiễn đó, khóa luận tập trung nghiên cứu cơ chế hoạt động của các hệ thống Prov-HIDS, khảo sát các kỹ thuật tấn công đối kháng và xây dựng công cụ tấn công đối kháng tự động nhằm đánh giá tính bền vững cũng như đề xuất giải pháp phòng thủ cho các hệ thống giám sát an ninh mạng.

Mục tiêu nghiên cứu của đề tài được xác định gồm các nội dung sau:

  1. Nghiên cứu và phân tích cơ chế hoạt động, nguyên lý xây dựng đồ thị và phương pháp phát hiện bất thường của các hệ thống Prov-HIDS hiện có.
  2. Tìm hiểu và phát triển các chiến lược tấn công đối kháng mới nhằm đánh lừa các hệ thống Prov-HIDS bằng cách sử dụng các kỹ thuật học máy và phân tích đồ thị.
  3. Tiến hành đánh giá hiệu suất của các chiến lược tấn công đề xuất thông qua các thử nghiệm thực nghiệm trên các công cụ phát hiện xâm nhập tiêu biểu.
  4. Đề xuất các biện pháp phòng ngừa và giải pháp cải thiện nhằm tăng cường tính ổn định, độ tin cậy và độ bền vững (robustness) của các hệ thống Prov-HIDS.

Phạm vi nghiên cứu của khóa luận được phân định qua các hoạt động chính:

  • Phân tích đối tượng: Tập trung vào các hệ thống Prov-HIDS hiện đại dựa trên học máy và mạng nơ-ron đồ thị, tiêu biểu gồm MAGIC, FLASH và KAIROS.
  • Phạm vi kỹ thuật và mô hình đe dọa (Threat Model): Giả định mô hình hộp trắng (White-box) đối với mô hình thay thế (Surrogate Model - MAGIC) để phân tích cấu trúc nội tại và trích xuất thực thể quan trọng; sau đó triển khai tấn công đối kháng dạng hộp đen (Black-box) lên các hệ thống phòng thủ khác nhau.
  • Không gian và dữ liệu thực nghiệm: Khóa luận sử dụng nguồn dữ liệu nhật ký kiểm toán hệ thống (Audit Logs), tập dữ liệu chuẩn DARPA Transparent Computing (TC) E3 (cụ thể là tập dữ liệu DARPA E3 CADETS), cùng hai kịch bản tấn công APT thực tế (Backdoor Nginx và Backdoor Firefox khai thác bộ nhớ với công cụ Drakon).

Cơ sở lý thuyết và phương pháp

Khóa luận xây dựng hệ thống cơ sở lý thuyết dựa trên các khái niệm cốt lõi về đồ thị nguồn gốc, kiến trúc phát hiện xâm nhập máy chủ, các hình thức tấn công APT và các kỹ thuật tấn công đối kháng học máy.

Khung lý thuyết và mô hình hệ thống

  1. Đồ thị nguồn gốc (Provenance Graph): Là cấu trúc đồ thị có hướng không chu trình (Directed Acyclic Graphs - DAGs) mô tả lịch sử thực thi của hệ thống:
    • Nút (Nodes): Biểu diễn các thực thể hệ thống gồm Tiến trình (Processes - lưu trữ ID tiến trình, người dùng, thời gian), Tệp tin (Files - lưu trữ đường dẫn, quyền truy cập), và Sự kiện mạng (Network Events - lưu trữ IP, cổng, giao thức).
    • Cạnh (Edges): Biểu diễn các quan hệ nhân quả (Causal Relationships như tiến trình tạo tiến trình, tiến trình đọc/ghi tệp), tương tác của người dùng (User Interactions), kèm theo các thuộc tính cạnh (thời gian, loại sự kiện tạo/đọc/ghi/xóa).
  2. Các hệ thống Prov-HIDS mục tiêu:
    • MAGIC: Hoạt động qua 4 giai đoạn gồm Xây dựng đồ thị (phân tích nhật ký, băm đa nhãn xxhash, khởi tạo nhúng tra cứu lookup embedding, giảm nhiễu noise reduction bằng cách gộp đa cạnh), Biểu diễn đồ thị bằng mạng tự mã hóa đồ thị che phủ (Masked Graph Autoencoder), Phát hiện ngoại lệ phi giám sát dựa trên thuật toán K-Nearest Neighbors (KNN), kết hợp cơ chế thích nghi mô hình và chiết khấu (discounting) để xử lý hiện tượng chuyển đổi khái niệm (concept drift).
    • FLASH: Gồm 5 thành phần: công cụ xây dựng đồ thị từ nhật ký streaming; bộ mã hóa thuộc tính ngữ nghĩa dựa trên Word2Vec; bộ mã hóa ngữ cảnh cấu trúc k-hop dựa trên Mạng nơ-ron đồ thị (GNN); cơ sở dữ liệu nhúng tái sử dụng (Embedding Recycling Database) lưu trữ Bộ nhận dạng nút bền (Persistent Node Identifier - PNI) dạng key-value; bộ phân loại bất thường nhẹ dựa trên XGBoost kết hợp xây dựng đồ thị tiến triển tấn công (Attack Evolution Graph - AEG).
    • KAIROS: Hệ thống phân tích đồ thị streaming theo các cửa sổ thời gian (time windows), sử dụng kiến trúc mạng mã hóa - giải mã (Encoder-Decoder) để học cấu trúc và tái tạo cạnh. Mức độ bất thường được xác định thông qua sai số tái tạo cạnh trong hàng đợi thời gian (Anomalous Time Window Queue), kèm theo mô-đun tự động sinh đồ thị tóm tắt tấn công (Summary Graph).
  3. Phân loại tấn công đối kháng trong học máy:
    • Nhiễm độc dữ liệu (Data Poisoning): Can thiệp vào giai đoạn huấn luyện bằng cách chèn, sửa đổi hoặc xóa mẫu dữ liệu nhằm làm sai lệch quá trình học của mô hình.
    • Tấn công né tránh (Evasion Attack): Tác động vào dữ liệu đầu vào trong giai đoạn kiểm thử bằng cách thêm nhiễu, tối ưu hóa đối tượng hoặc sửa đổi cấu trúc để làm mô hình phân loại sai mà không làm thay đổi dữ liệu huấn luyện.
  4. Các nghiên cứu né tránh liên quan:
    • Mimicry Attacks: Lạm dụng mã hóa đồ thị không trọng số (Abusing Unweighted Graph Encoding trên StreamSpot), lạm dụng mã hóa phân phối đồ thị (Abusing Distributional Graph Encoding trên Unicorn), và lạm dụng mã hóa giảm kích thước đồ thị (Abusing Downsampled Graph Encoding trên ProvDetector).
    • ProvNinja: Sử dụng cơ sở dữ liệu tần suất sự kiện (Frequency History), xác định sự kiện nổi bật (Conspicuous Events), tìm kiếm chuỗi thay thế (Gadget Finder) và ngụy trang cấu trúc (Camouflaging Gadgets).

Phương pháp nghiên cứu và mô hình đề xuất

Tác giả áp dụng phương pháp nghiên cứu thực nghiệm kết hợp mô hình hóa dữ liệu đồ thị:

  • Phương pháp phân tích - tổng hợp: Khảo sát các lỗ hổng của các phương pháp mã hóa đồ thị và trích xuất đặc trưng trong Prov-HIDS.
  • Mô hình đề xuất AdvGen-PIDS (Adversarial Provenance Generator):
    • Sử dụng mô hình MAGIC làm mô hình thay thế (Surrogate Model).
    • Áp dụng thuật toán KNN trên không gian nhúng của mô hình thay thế để phân tích và xác định các thực thể quan trọng (Important Entities - gồm các nút và cạnh trọng yếu có ảnh hưởng lớn nhất đến quyết định phân loại).
    • Triển khai 3 chiến lược sinh tấn công đối kháng:
      1. Chiến lược 1: Bắt chước các hành động bình thường (Mimicking normal actions).
      2. Chiến lược 2: Chèn các hành động bình thường vào giữa những hành động độc hại.
      3. Chiến lược 3: Tạo mối quan hệ nhân quả giữa các hành động bình thường và hành động độc hại.
  • Nguồn dữ liệu: Tập dữ liệu DARPA Transparent Computing E3 (DARPA E3 CADETS) và các kịch bản tấn công APT thực nghiệm gồm Backdoor Nginx (trên hệ điều hành FreeBSD, tạo tệp /tmp/XIM, đọc tệp /etc/passwd, chuyển dữ liệu ra địa chỉ mạng 53.) và Backdoor Firefox 54.04 (tải tệp độc hại về thư mục /home/admin/clean, kích hoạt tiến trình Clean và Profile, truy cập /etc/passwd và gửi dữ liệu ra địa chỉ mạng 161.).

Nội dung chính theo từng chương

Khóa luận được cấu trúc thành 5 chương chính với các nội dung cụ thể như sau:

Chương 1: Tổng quan đề tài

  • Trình bày bối cảnh gia tăng của các cuộc tấn công mạng tinh vi và tầm quan trọng của hệ thống phát hiện xâm nhập máy chủ dựa trên đồ thị nguồn gốc (Prov-HIDS).
  • Chỉ ra các nguy cơ tiềm ẩn khi Prov-HIDS bị đánh lừa bởi các kỹ thuật tấn công đối kháng như tạo đường dẫn giả mạo, làm nhiễu thông tin đồ thị hoặc tấn công vào khâu xây dựng đồ thị.
  • Xác lập mục tiêu nghiên cứu tổng quát, các nhiệm vụ cụ thể và phạm vi nghiên cứu thực nghiệm.
  • Giới thiệu bố cục tổng thể gồm 5 chương của khóa luận tốt nghiệp.

Chương 2: Cơ sở lý thuyết

  • Định nghĩa chi tiết cấu trúc đồ thị nguồn gốc (DAGs) cùng các thành phần nút (tiến trình, tệp, sự kiện mạng), cạnh (quan hệ nhân quả, tương tác người dùng) và vai trò của đồ thị nguồn gốc trong phân tích hành vi, truy vết nguồn gốc, phản ứng phục hồi và hỗ trợ mô hình học máy.
  • Trình bày kiến trúc, quy tắc hoạt động và phân tích ưu - nhược điểm của 3 hệ thống Prov-HIDS hiện đại:
    • MAGIC: Phân tích cơ chế xây dựng đồ thị, mã hóa tự giám sát qua Masked Graph Autoencoder, mô-đun phát hiện ngoại lệ KNN và cơ chế thích nghi mô hình.
    • FLASH: Phân tích quy trình trích xuất đặc trưng với Word2Vec, GNN ngoại tuyến, hệ thống lưu trữ nhúng PNI key-value và bộ phân loại XGBoost.
    • KAIROS: Trình bày kiến trúc xử lý streaming, mô hình Encoder-Decoder tái tạo cạnh và cơ chế cảnh báo qua hàng đợi bất thường.
  • Khái quát về tấn công APT, 8 giai đoạn của chuỗi tấn công (Kill-Chain) và 2 kịch bản tấn công APT thực tế sử dụng backdoor trong bộ nhớ Drakon trên Nginx và Firefox.
  • Phân biệt hai hình thức tấn công đối kháng chính: Nhiễm độc dữ liệu (Data Poisoning) và Tấn công né tránh (Evasion Attack), cùng các biện pháp phòng thủ tương ứng.
  • Khảo sát các công trình liên quan (Mimicry Attacks, ProvNinja) và tổng kết 3 hạn chế lớn của các nghiên cứu trước: đòi hỏi chèn số lượng sự kiện quá lớn (>15.000 sự kiện), yêu cầu tri thức nội bộ sâu về mô hình phòng thủ, và sự sai lệch hành vi khi chuyển giao giữa các môi trường hệ thống khác nhau.

Chương 3: Phương pháp thực hiện

  • Xác lập mô hình mối đe dọa (Threat Model) theo hướng tiếp cận hộp trắng đối với mô hình thay thế và hộp đen đối với các hệ thống phòng thủ mục tiêu.
  • Đề xuất kiến trúc tổng quan của công cụ AdvGen-PIDS (Adversarial Provenance Generator) gồm quy trình 4 bước:
    1. Thu thập và tiền xử lý nhật ký kiểm toán hệ thống: Xây dựng đồ thị nguồn gốc ban đầu từ dữ liệu nhật ký thô (Raw audit logs).
    2. Phân tích mô hình thay thế và xác định thực thể quan trọng: Sử dụng mô hình MAGIC và thuật toán KNN để định vị các nút và cạnh có tính quyết định trong đồ thị.
    3. Tạo lập tấn công đối kháng: Hiện thực hóa 3 chiến lược biến đổi cấu trúc đồ thị (bắt chước hành động bình thường, chèn hành động bình thường xen kẽ, và liên kết hành động bình thường với hành động độc hại).
    4. Thực hiện tấn công và đánh giá: Áp dụng các mẫu đối kháng sinh ra lên các hệ thống phòng thủ mục tiêu và đề xuất phương án tăng cường tính bền vững (Robustness Enhancement).

Chương 4: Hiện thực và đánh giá, thảo luận

  • Mô tả môi trường thực nghiệm, cấu hình phần cứng và quy trình thiết lập dữ liệu từ tập dữ liệu DARPA Transparent Computing E3 (DARPA E3 CADETS).
  • Cài đặt và cấu hình 3 công cụ Prov-HIDS mục tiêu gồm MAGIC, FLASH và KAIROS để làm cơ sở đối chuẩn.
  • Xác định các tiêu chí đánh giá hiệu năng phát hiện (điểm số F1, tỷ lệ các sự kiện được chèn thêm vào nhật ký kiểm toán).
  • Đánh giá tác động của 3 chiến lược tấn công đối kháng từ AdvGen-PIDS lên hiệu suất phát hiện của MAGIC, FLASH và KAIROS.
  • So sánh hiệu quả của AdvGen-PIDS với phương pháp Mimicry Attacks truyền thống về số lượng sự kiện chèn vào và mức độ suy giảm chỉ số F1 của các bộ phân loại.
  • Phân tích thống kê các nút có tần suất xuất hiện nhiều nhất và thảo luận về tính bền vững của các mô hình phòng thủ trước các biến thể tấn công đối kháng.

Chương 5: Kết luận và hướng phát triển

  • Tổng kết các kết quả đạt được về mặt lý thuyết và thực nghiệm trong việc phát hiện điểm yếu của Prov-HIDS và hiệu quả của công cụ AdvGen-PIDS.
  • Đề xuất các định hướng nghiên cứu tiếp theo nhằm nâng cao năng lực phòng thủ và tính thích ứng cho các hệ thống giám sát dựa trên đồ thị nguồn gốc.

Kết quả và đóng góp

Khóa luận đã hệ thống hóa các nguyên lý phát hiện xâm nhập dựa trên đồ thị nguồn gốc, đồng thời kiểm chứng thực nghiệm tính dễ bị tổn thương của các mô hình học máy trên đồ thị trước các kỹ thuật tấn công đối kháng.

Bảng tổng hợp so sánh các hệ thống Prov-HIDS nghiên cứu trong văn bản

Hệ thống Prov-HIDS Kỹ thuật biểu diễn đồ thị Mô hình phát hiện bất thường Cơ chế xử lý thay đổi hệ thống Điểm yếu trước tấn công đối kháng
MAGIC xxhash, Lookup Embedding, Masked Graph Autoencoder K-Nearest Neighbors (KNN) phi giám sát Cơ chế thích nghi mô hình (Model Adaptation) và chiết khấu (Discounting) Phụ thuộc vào chất lượng dữ liệu lành tính; nhạy cảm với việc chèn các cạnh/nút giả mạo
FLASH Word2Vec (ngữ nghĩa) + Graph Neural Network (ngữ cảnh) XGBoost Classifier dựa trên nhúng PNI Tái sử dụng nhúng qua cơ sở dữ liệu PNI key-value Nguy cơ dương tính giả khi gặp hành vi mới; dễ bị vượt qua nếu ngụy trang được ngữ cảnh k-hop
KAIROS Streaming temporal graph, Encoder-Decoder tái tạo cạnh Sai số tái tạo cạnh trong hàng đợi thời gian (Time Window Queue) Cập nhật trạng thái nút và tóm tắt đồ thị tấn công (Summary Graph) Dễ bị tấn công mô phỏng làm đầy bộ nhớ đệm, tiêm sự kiện trùng lặp gây âm tính giả

Đóng góp chính của đề tài

  1. Về mặt phương pháp và công cụ:
    • Xây dựng thành công công cụ AdvGen-PIDS (Adversarial Provenance Generator), cho phép tự động hóa quá trình sinh các mẫu đồ thị đối kháng dựa trên việc phân tích thực thể trọng yếu từ mô hình thay thế (Surrogate Model).
    • Đề xuất và hiện thực hóa 3 chiến lược tấn công đối kháng cấu trúc đồ thị: (1) Bắt chước hành vi bình thường, (2) Chèn hành vi bình thường xen kẽ chuỗi độc hại, (3) Tạo liên kết nhân quả giữa hành vi bình thường và độc hại.
  2. Về mặt kết quả thực nghiệm:
    • Chứng minh thực nghiệm rằng cả 3 hệ thống Prov-HIDS hiện đại (MAGIC, FLASH, KAIROS) đều bị suy giảm hiệu suất phát hiện (thể hiện qua sự sụt giảm chỉ số F1) khi đối mặt với các chiến lược tấn công của AdvGen-PIDS trên tập dữ liệu DARPA E3 CADETS.
    • So sánh với các nghiên cứu trước: Trong khi phương pháp Mimicry Attacks truyền thống đòi hỏi chèn hơn 15.000 sự kiện và yêu cầu tri thức sâu về mô hình nạn nhân, phương pháp tiếp cận của AdvGen-PIDS tối ưu hóa số lượng sự kiện chèn thêm thông qua việc xác định chính xác các thực thể quan trọng, giúp cuộc tấn công trở nên gọn nhẹ và khó bị phát hiện hơn.
  3. Giải pháp và kiến nghị nâng cao tính bền vững:
    • Đề xuất áp dụng kỹ thuật huấn luyện đối kháng (Adversarial Training) cho Prov-HIDS bằng cách đưa các mẫu đồ thị bị nhiễu vào quá trình huấn luyện mô hình học biểu diễn.
    • Xây dựng cơ chế phòng thủ nhiều lớp (Multi-layer Classification) kết hợp xác thực tính toàn vẹn của dữ liệu nhật ký kiểm toán và phân tích hành vi đa chiều.
    • Triển khai cơ chế thích nghi mô hình định kỳ nhằm chủ động cập nhật các biến động trong phân phối dữ liệu hệ thống (chống Concept Drift).

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của nghiên cứu

  • Mô hình đe dọa: Nghiên cứu vẫn dựa trên giả định hộp trắng ở giai đoạn sử dụng mô hình thay thế (MAGIC) để trích xuất các thực thể quan trọng, đòi hỏi người tấn công phải có quyền truy cập vào cấu trúc mô hình và tập dữ liệu tương đồng.
  • Phạm vi kịch bản thực nghiệm: Dữ liệu thử nghiệm chủ yếu dựa trên tập dữ liệu DARPA Transparent Computing E3 (CADETS) và hai kịch bản tấn công APT trong bộ nhớ (Nginx và Firefox backdoor), chưa thực hiện đánh giá mở rộng trên các hệ thống mạng doanh nghiệp quy mô lớn với lưu lượng dữ liệu phức tạp trong thời gian dài.
  • Hiệu năng thuật toán phụ trợ: Việc sử dụng thuật toán KNN trong mô-đun phát hiện ngoại lệ của mô hình thay thế còn bộc lộ hạn chế về tài nguyên tính toán và thời gian xử lý khi áp dụng trên các tập dữ liệu đồ thị có kích thước khổng lồ.

Hướng nghiên cứu tiếp theo

  • Nghiên cứu tối ưu hóa công cụ AdvGen-PIDS để có thể hoạt động hiệu quả trong điều kiện tấn công hộp đen hoàn toàn (Black-box), không phụ thuộc vào tri thức của mô hình thay thế.
  • Phát triển các cơ chế phòng thủ tự động có khả năng phát hiện và loại bỏ các cạnh, nút đối kháng giả mạo trước khi đưa vào các bộ mã hóa đồ thị (GNN/Autoencoder).
  • Mở rộng thử nghiệm trên nhiều bộ dữ liệu nhật ký hệ thống thực tế và các biến thể mã độc APT mới trên các nền tảng hệ điều hành khác nhau.

Giá trị tham khảo

Tài liệu khóa luận mang lại giá trị tham khảo chuyên môn cho các đối tượng sau:

  • Sinh viên và học viên sau đại học: Chuyên ngành An toàn thông tin, Khoa học máy tính và Trí tuệ nhân tạo có thể tham khảo khóa luận như một tài liệu nghiên cứu toàn diện về ứng dụng của Mạng nơ-ron đồ thị (GNN), Autoencoder và Word2Vec trong bài toán phát hiện xâm nhập máy chủ (Prov-HIDS).
  • Các nhà nghiên cứu an ninh mạng: Cung cấp tài liệu tham khảo chi tiết về các kỹ thuật tấn công đối kháng trên dữ liệu đồ thị (Graph Adversarial Attacks), phương pháp phân tích mô hình thay thế và cách thức đánh giá độ bền vững (Robustness) của các bộ phân loại học máy.
  • Phần nội dung có giá trị tham khảo cao nhất:
    • Chương 2 (Mục 2.2, 2.3, 2.4): Bản mô tả chi tiết về nguyên lý hoạt động, cấu trúc nhúng và quy trình phát hiện của 3 công cụ Prov-HIDS tiêu biểu (MAGIC, FLASH, KAIROS).
    • Chương 3 (Mục 3.2): Quy trình thiết kế kiến trúc công cụ AdvGen-PIDS và thuật toán xác định thực thể quan trọng phục vụ tạo sinh tấn công đối kháng.
    • Chương 2 (Mục 2.5): Tổng hợp các kỹ thuật né tránh đồ thị nguồn gốc (Mimicry Attacks, ProvNinja) và các phương thức lạm dụng mã hóa đồ thị.

Câu hỏi thường gặp

1. Hệ thống MAGIC giải quyết vấn đề đa cạnh giữa các cặp đỉnh trong bước Giảm nhiễu (Noise Reduction) như thế nào?

Trong giai đoạn Noise Reduction của MAGIC, nếu giữa một cặp đỉnh tồn tại nhiều cạnh có cùng nhãn (chia sẻ cùng một nhúng ban đầu), hệ thống sẽ loại bỏ các cạnh dư thừa và chỉ giữ lại một cạnh. Đối với các cạnh có nhãn khác nhau giữa cùng một cặp đỉnh, MAGIC kết hợp chúng thành một cạnh duy nhất; vector nhúng ban đầu của cạnh duy nhất này được tính bằng cách lấy trung bình hoặc bình phương các vector nhúng ban đầu của các cạnh thành phần.

2. FLASH sử dụng kỹ thuật nào để giảm độ trễ và tiết kiệm tài nguyên khi trích xuất đặc trưng đồ thị thời gian thực?

FLASH thực hiện huấn luyện và chạy Mạng nơ-ron đồ thị (GNN) ngoại tuyến (offline) để học các vector nhúng ngữ cảnh cho các nút trong tập dữ liệu lành tính. Các vector này sau đó được lưu trữ trong cơ sở dữ liệu key-value (Embedding Recycling Database) dưới dạng Bộ nhận dạng nút bền (PNI). Trong quá trình giám sát thời gian thực, hệ thống chỉ cần tra cứu vector nhúng từ cơ sở dữ liệu và sử dụng bộ phân loại nhẹ XGBoost để phát hiện bất thường, thay vì phải tính toán GNN liên tục trên các đồ thị lớn.

3. Nguyên lý phát hiện bất thường của hệ thống KAIROS là gì?

KAIROS xử lý đồ thị nguồn gốc streaming theo trình tự thời gian và sử dụng kiến trúc mạng mã hóa - giải mã (Encoder-Decoder) để học và tái tạo các cạnh mới xuất hiện. Hệ thống theo dõi mức độ bất thường dựa trên sai số tái tạo (reconstruction error) giữa cạnh gốc và cạnh được tái tạo trong các cửa sổ thời gian (time windows). Khi sai số trong hàng đợi thời gian (Anomalous Time Window Queue) vượt ngưỡng, hệ thống sẽ phát cảnh báo và tự động trích xuất đồ thị tóm tắt tấn công (Summary Graph).

4. Ba chiến lược tấn công đối kháng được đề xuất trong công cụ AdvGen-PIDS là gì?

Ba chiến lược được xây dựng trong AdvGen-PIDS bao gồm:

  1. Chiến lược 1: Bắt chước các hành động bình thường (Mimicking normal actions).
  2. Chiến lược 2: Chèn các hành động bình thường vào giữa những hành động độc hại.
  3. Chiến lược 3: Tạo mối quan hệ nhân quả giữa các hành động bình thường và hành động độc hại.

5. Hạn chế cốt lõi của các cuộc tấn công bắt chước (Mimicry Attacks) trước đây mà tác giả chỉ ra là gì?

Tác giả chỉ ra rằng các kỹ thuật Mimicry Attacks trước đây thường yêu cầu kẻ tấn công phải chèn một số lượng sự kiện rất lớn (hơn 15.000 sự kiện) vào chuỗi tấn công để làm thay đổi quyết định của hệ thống IDS, gây tốn kém tài nguyên và dễ bị phát hiện. Ngoài ra, các phương pháp này đòi hỏi kẻ tấn công phải có tri thức nội bộ sâu rộng về mô hình phát hiện và chuỗi tấn công dễ mất tác dụng khi triển khai trên môi trường nạn nhân có cấu hình khác biệt.

Kết luận

Khóa luận đã thực hiện một nghiên cứu toàn diện về cơ chế bảo mật và các lỗ hổng đối kháng của hệ thống phát hiện xâm nhập máy chủ dựa trên đồ thị nguồn gốc (Prov-HIDS). Thông qua việc thiết kế công cụ AdvGen-PIDS với 3 chiến lược tấn công đối kháng và thực nghiệm trên các hệ thống MAGIC, FLASH và KAIROS, nghiên cứu đã chứng minh tính khả thi của việc đánh lừa các bộ phân loại học máy đồ thị bằng cách biến đổi cấu trúc và ngụy trang thực thể. Đồng thời, các giải pháp tăng cường tính bền vững và phòng thủ nhiều lớp được đề xuất trong khóa luận đã đóng góp cơ sở khoa học quan trọng cho việc hoàn thiện các hệ thống giám sát an ninh mạng thế hệ mới.