Khóa Luận Tốt Nghiệp: Cơ Chế Chống Tấn Công Đầu Độc Cho Hệ Thống Phát Hiện Xâm Nhập Sử Dụng Kỹ ...

• Tác giả: Phan Hữu Luân
• Người hướng dẫn: ThS. Phan Thế Duy
• Trường học: Đại học Công nghệ Thông tin - Đại học Quốc Gia Thành phố Hồ Chí Minh
• Chuyên ngành: An toàn thông tin
• Đề tài: Cơ chế chống tấn công đầu độc cho hệ thống phát hiện xâm nhập: Kết hợp kỹ thuật chắt lọc tri thức và Blockchain
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2024
• Địa điểm: Thành phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN ĐỀ TÀI
• 1.1. Lý do chọn đề tài
• 1.2. Phương pháp nghiên cứu
• 1.3. Mục tiêu nghiên cứu
• 1.4. Phạm vi và Đối tượng nghiên cứu
• 1.5. Cấu trúc Khóa luận tốt nghiệp
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Học liên kết trong ngữ cảnh IDS
• 2.1.1. Tổng quan
• 3. CHƯƠNG 3: PHƯƠNG PHÁP THỰC HIỆN
• 3.1. Kiến trúc tổng quát
• 3.2. Phương pháp xây dựng
• 3.2.1. Kỹ thuật chất lọc tri thức trong mô hình
• 3.2.2. Cơ chế chống tấn công đầu độc - APoNS
• 3.2.3. Cơ chế chọn Node và sự đồng thuận
• 3.2.4. Các kỹ thuật tấn công đầu độc
• 4. CHƯƠNG 4: HIỆN THỰC VÀ ĐÁNH GIÁ, THẢO LUẬN
• 4.1. Hiện thực
• 4.1.1. Tập dữ liệu thực nghiệm
• 4.1.2. Môi trường thực nghiệm
• 4.1.3. Kiến trúc cấu mô hình
• 4.1.4. Thông số trong Federated Distillation
• 4.1.5. Cấu hình và thông số đánh giá về Ethereum Blockchain
• 4.2. Kịch bản thực nghiệm
• 4.2.1. Kịch bản 1: Hiệu suất cơ sở mô hình của DeFDBC
• 4.2.2. Đánh giá hiệu quả khi tích hợp APoNS trong việc chống tấn công đầu độc
• 4.2.3. So sánh cơ chế APoNS với các phương pháp khác
• 4.2.4. Hiệu suất khi triển khai trong ngữ cảnh phi tập trung sử dụng Blockchain
• 4.3. Kết quả thực nghiệm
• 4.3.1. Kịch bản 1: Hiệu suất cơ sở mô hình của DeFDBC
• 4.3.2. Kịch bản 2: Đánh giá hiệu quả khi tích hợp APoNS trong việc chống tấn công đầu độc
• 4.3.3. Kịch bản 3: So sánh cơ chế APoNS trong DeFDBC với các phương pháp khác
• 4.3.4. Kịch bản 4: Hiệu suất khi triển khai trong ngữ cảnh phi tập trung sử dụng Blockchain
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 5.1. Kết luận
• 5.2. Hướng phát triển
• DANH SÁCH HÌNH VẼ
• DANH SÁCH BẢNG
• DANH MỤC TỪ VIẾT TẮT
• TÓM TẮT KHÓA LUẬN

Tóm tắt

I. Cơ chế chống tấn công đầu độc

Cơ chế chống tấn công là trọng tâm của nghiên cứu này, đặc biệt trong bối cảnh hệ thống phát hiện xâm nhập (IDS). Các tấn công đầu độc ngày càng tinh vi, đe dọa tính toàn vẹn của quá trình huấn luyện mô hình. Nghiên cứu đề xuất kỹ thuật chắt lọc tri thức kết hợp với blockchain để tạo ra một cơ chế phòng thủ mạnh mẽ. Phương pháp này tập trung vào việc loại bỏ các vector độc hại thông qua thuật toán phân cụm và tính toán khoảng cách giữa các vector lành tính và độc hại.

1.1. Tấn công đầu độc trong Federated Distillation

Tấn công đầu độc trong Federated Distillation (FD) là một thách thức lớn, đặc biệt khi kẻ tấn công thao túng lớp logit để làm sai lệch kết quả huấn luyện. Nghiên cứu chỉ ra rằng các phương pháp phòng thủ truyền thống chưa đủ hiệu quả trong ngữ cảnh này. Việc kết hợp kỹ thuật chắt lọc tri thức và blockchain giúp tăng cường khả năng phát hiện và loại bỏ các tấn công này.

1.2. Phương pháp chống tấn công đầu độc

Nghiên cứu đề xuất phương pháp chống tấn công đầu độc thông qua cơ chế Anti-Poisoning Node Selection (APoNS). Cơ chế này sử dụng thuật toán phân cụm để xác định và loại bỏ các node độc hại trong quá trình tổng hợp mô hình. Blockchain được tích hợp để đảm bảo tính minh bạch và an toàn trong quá trình trao đổi thông tin giữa các node.

II. Hệ thống phát hiện xâm nhập và kỹ thuật chắt lọc tri thức

Hệ thống phát hiện xâm nhập (IDS) đóng vai trò quan trọng trong việc bảo vệ an ninh mạng. Nghiên cứu tập trung vào việc áp dụng kỹ thuật chắt lọc tri thức để tối ưu hóa hiệu suất của IDS. Kỹ thuật này cho phép các mô hình lớn huấn luyện các mô hình nhỏ hơn thông qua lớp logit, giúp giảm chi phí tính toán và tăng khả năng áp dụng trên các thiết bị có tài nguyên hạn chế.

2.1. Kỹ thuật chắt lọc tri thức trong IDS

Kỹ thuật chắt lọc tri thức được áp dụng để cải thiện hiệu suất của IDS trong việc phát hiện các cuộc tấn công mạng. Phương pháp này giúp giảm kích thước mô hình và tăng tốc độ xử lý, đặc biệt phù hợp với các thiết bị IoT có tài nguyên hạn chế.

2.2. Ứng dụng của Federated Distillation

Federated Distillation (FD) là sự kết hợp giữa Federated Learning (FL) và kỹ thuật chắt lọc tri thức. FD giúp giải quyết các vấn đề về chi phí truyền tải và sự không đồng nhất của các mô hình cục bộ. Nghiên cứu chỉ ra rằng FD là một giải pháp tiềm năng để nâng cao hiệu quả của IDS trong môi trường phân tán.

III. Blockchain và bảo mật hệ thống

Blockchain được tích hợp vào nghiên cứu để tăng cường tính minh bạch và bảo mật cho hệ thống phát hiện xâm nhập. Công nghệ này giúp ghi lại toàn bộ quá trình trao đổi thông tin giữa các node, đảm bảo tính toàn vẹn của dữ liệu và ngăn chặn các hành vi gian lận.

3.1. Ứng dụng blockchain trong Federated Learning

Blockchain được sử dụng để xây dựng môi trường Federated Learning (FL) phi tập trung. Công nghệ này giúp giải quyết các vấn đề về tắc nghẽn băng thông và điểm thất bại đơn trong các hệ thống tập trung. Nghiên cứu chỉ ra rằng blockchain mang lại sự minh bạch và an toàn cho quá trình huấn luyện mô hình.

3.2. Cơ chế đồng thuận trong blockchain

Nghiên cứu đề xuất sử dụng cơ chế đồng thuận trong blockchain để đảm bảo tính toàn vẹn của quá trình trao đổi thông tin giữa các node. Cơ chế này giúp ngăn chặn các hành vi gian lận và tăng cường sự tham gia của các node có uy tín trong hệ thống.