Chương 1. Tổng quan trội của phương pháp liên kết trong việc phát hiện các mối đe doạ so với các phương pháp tiếp cận thông thường hiện nay. Tuy nhiên, như đã nhắc ở phía trên, tính riêng tư của học liên kết vẫn chưa đưa dam bảo hoàn toàn do vẫn có rủi ro từ các cuộc tấn công dịch ngược. Để vượt qua van dé này, đã có nhiều giải pháp được đưa ra như trong [3| |5||7Ì|17].
Trong s6 đó, mã hóa dang câu (homomorphic encryption) va differential privacy (DP) là một trong những giải pháp tiềm năng nhất trong việc đảm bảo tính riêng tư trong học liên kết. mã hóa đẳng câu là loại mã hóa cho phép ta tính toán trên các dit liệu đã được mã hóa mà không cần giải mã chúng trước. DP là kĩ thuật đảm bảo riêng tư cho mỗi mẫu đơn lẻ trong tập dữ liệu bằng cách chèn thêm nhiễu. Trong khóa luận này, chúng tôi sẽ tập trung vào việc đảm bảo tính riêng tư cho học liên kết trong hệ thống phát hiện xâm nhập bằng việc sử dụng mã hóa đẳng cấu, differential Privacy.3 Tinh wng dung Cơ chế săn tim mối de doa liên kết giúp cho các tổ chức có thể tham gia quá trình xây dựng mô hình mà không cần phải cung cấp dit liệu riêng của họ.
Ngoài ra quyền riêng tư dir liệu cũng được dam bảo hơn khi ứng dựng kỹ thuật quyền riêng tư khác biệt và mã hoá đẳng cấu.4 Những thách thức Tuy rằng việc áp dung 2 kỹ thuật quyên riêng tư khác biệt và mã hoá đẳng câu giúp đảm bảo được tính riêng tư của dữ liệu. Nhưng đối với mã hoá đẳng cầu, dù không ảnh hưởng đến độ chính xác của mô hình huấn luyện nhưng nó làm cho kích thước của mô hình tăng lên đáng kể, bên cạnh đó thì thời gian huấn luyện cũng tăng theo, tiêu tốn RAM nhiều hơn. Còn kỹ thuật quyền riêng tư khác biệt thì lại làm giảm đi độ chính xác của mô hình, sự suy giảm càng thể hiện rõ rệt hơn đối với mô hình phức tạp có nhiều trọng số.5 Mục tiêu, phạm vi nghiên cứu 1.1 Mục tiêu Nghiên cứu của chúng tôi tập trung vào việc xây dựng một cơ chế săn tìm mồi de doa liên kết trong mạng khả lập trình kết hợp kỹ thuật quyển riêng tư khác biệt và kỹ thuật mã hoá đẳng cấu để đảm bảo quyên riêng tư dữ liệu. Ngoài ra chúng tôi sẽ thực hiện các kịch bản thí nghiệm khác nhau để đánh giá hiệu suất, ưu và nhược điểm của từng giải pháp.2 Phạm vi nghiên cứu Đối tượng nghiên cứu: - Hệ thống mạng SDN và cách giám sát luồng dữ liệu trong mạng.
- Các mô hình huấn luyện học máy (mô hình LSTM, DNN,.) và các thư viện hỗ trợ (ví dụ: Keras, Tensorflow, .) - Phương pháp Federated Learning (học liên kết) cho hệ thống phát hiện xâm nhập (IDS) trong mang SDN (mang khả lập trình). Phạm vi nghiên cứu: - Phương pháp Federated Learning (học liên kết) cho hệ thống phát hiện xâm nhập (IDS) trong mang SDN (mạng kha lập trình). - Dữ liệu tấn công: Tập dtr liệu CIC-ToN-IOT2018, CICIDS2018.6 Cau trúc Khóa luận tốt nghiệp Qua những gì đã giới thiệu về tổng quan của đề tài thực hiện trong khoá luận tốt nghiệp, tôi xin đưa ra nội dung của Khoá luận tốt nghiệp sẽ được tổ chức như sau: ° Chương] Giới thiệu tổng quan về khóa luận và các nghiên cứu liên quan đến đề tài. e Chuong)2} Trình bay cơ sở lý thuyết và kiến thức nén tảng liên quan đến dé tài.
e Chương 3| Dua ra phương pháp, giải pháp dé xuất. Tổng quan ° Chương |4} Trình bày môi trường thực nghiệm, tập dữ liệu, phương pháp đánh giá và kết quả thực nghiệm. « Chương BỊ Kết luận và hướng phát triển của khóa luận. Chương 2 CƠ SỞ LÝ THUYET Tóm tắt chương Trong chương này, nhóm xin trình bày về cơ sở lý thuyết và các kiến thức nền tảng liên quan dé dé tài nguyên cứu.1 Tổng quan về học máy (Machine Learning) và hoc sâu (Deep Learning) Cả ba khái niệm trên đều có mồi quan hệ mật thiết đến nhau và đều có ý nghĩa riêng biệt tuy rằng chúng dễ bị nhằm lẫn với nhau.1 Trí tuệ nhân tạo: Trí tuệ nhân tạo, vốn được dùng rộng rãi trong cộng đồng công nghệ thông tin (CNTT), tiếng anh là Artificial Intelligence (AI).
Là một lĩnh vực về khoa học công nghệ dựa trên nhiều ngành khác nhau như khoa học máy tính, toán học, sinh học, kỹ thuật,. nhằm làm cho máy tính có khả năng trí tuệ và thông minh của con người, tiêu biểu như biết suy nghĩ, lập luận để giải quyết van dé, biết giao tiếp do hiểu ngôn ngữ và tiếng nói, biết học va tự thích nghị,. Với mong muốn làm cho máy móc có được trí thông minh như con người đã xuất hiện từ nhiều thế kỉ trước, tuy nhiên AI chỉ xuất hiện khi con người phát minh ra máy tính điện. Alan Turing - nhà toán học lỗi lạc người Anh, người được 10 Chương 2.
CƠ SỞ LY THUYET xem như là cha đẻ của Tin học do đưa ra cách hình thức hóa các khái niệm thuật toán cà tính toán trên máy turing - một mô hình trừu tượng mô tả việc xử lý các ký hiệu hình thức, gọi là phép thử Turing Phép thử Turing là một cách để trả lời câu hỏi “máy tính có biết nghĩ không?” được phát biểu dưới dạng một trò chơi. Hình dung có ba người tham gia trò chơi, một người đàn ông (A), một người đàn bà (B) và một người chơi (C). Người chơi ngồi ở một phòng tách biệt với A và B, không biết gì về A và B (như hai đối tượng ẩn X và Y) và chỉ đặt các câu hỏi cũng như nhận trả lời từ A và B qua một màn hình máy tính. Người chơi cần kết luận trong X và Y ai là đàn ông ai là đàn bà.
Trong phép thử nay, A luôn tìm cách làm cho C bị nhầm lẫn va B luôn tìm cách giúp C tìm được câu trả lời đúng. Phép thử Turing thay A bằng một máy tính, và bài toán trở thành liệu C có thể phân biệt được trong X và Y đâu là máy tính đâu là người đàn bà. Phép thử Turing cho rằng máy tính là thông minh (qua được phép thử) néu như biết cách làm sao cho C không thể chắc chắn kết luận của mình là đúng. Phép thử này là một đóng góp quan trọng và có ý nghĩa lớn đối với AI.
Trải qua hàng chục năm phát triển AI đã đạt được những bước tiến to lớn. AI được ứng dụng trong nhiều hoạt động của thời hiện đại. Từ những hệ thống, day chuyền sản xuất khổng 16 trong các ngành công nghiệp, tới các hoạt động nghiên cứu khoa học kĩ thuật hay những thậm chí là những công việc hàng ngày của chúng ta như lướt web, xem phim, v. Việc AI ngày càng hiện diện nhiều xung quanh chúng ta đã và đang làm cuộc sống của con người ngày càng được cải thiện.
Thật không quá khi nói rằng AI chính là nac thang đến với tương lai của chúng ta. Máy học: Machine learning (ML) hay máy học là một nhánh của trí tuệ nhân tạo (AN), nó là một lĩnh vực nghiên cứu cho phép máy tính có khả năng cải thiện chính bản thân chúng dựa trên dữ liệu mẫu (training data) hoặc dựa vào kinh nghiệm (những gì đã được học). Machine learning có thể tự dự đoán hoặc đưa ra quyết 11 Chương 2. CƠ SỞ LY THUYET định mà không cần được lập trình cụ thể.
Bài toán machine learning thường được chia làm hai loại là dự đoán (predic- tion) và phân loại (classification). Các bài toán dự đoán như dự đoán giá nhà, giá xe. Các bài toán phân loại như nhận diện chữ viết tay, nhận diện đồ vật. Có rất nhiều cách phân loại machine learning, thông thường thì machine learning sẽ được phân làm hai loại chính sau: - Supervised learning: học có giám sát - Unsupervised learning: học không giám sat Ngoài ra, machine learning còn có thể phân làm các loại sau: - Semi-supervised learning: học bán giám sát - Deep learning: học sâu (về một van dé nao đó) - Reinforce learning: học củng c6/tang cường Supervised learning 12 Chương 2.
CƠ SỞ LÝ THUYET HINH 2.1: Minh hoa Supervised learning Supervised learning là việc cho máy tính học trên dữ liệu đã được gan nhãn (label), hay nói cách khác, với mỗi đầu vào Xi, chúng ta sẽ có nhãn Yi tương ứng. Unsupervised learning Machine learning Deep learning @6bo.œ s o Cat — ° —+ Breed: Russian Blue HINH 2.2: Minh hoa Unsupervised learning 13 Chương 2. CƠ SỞ LY THUYET 2. Deep learning Deep Learning là định nghĩa thuộc về một phan các thuật toán trong Machine Learning (máy học) với đặc thù mang độ phức tạp cao hơn.
Vì vậy có thể nói hai khái niệm giữa Deep Learning và Machine Learning hoàn toàn có liên hệ mật thiết với nhau. Deep Learning là một nhánh của Machine Learning sử dụng mạng lưới thần kinh với nhiều lớp. Một mạng lưới thần kinh sâu phân tích dữ liệu với các biểu diễn đã học tương tự như cách một người nhìn vào một van đề. Trong Machine Learning truyền thống, thuật toán được cung cấp một tập hợp các tính năng có liên quan để phân tích.
Tuy nhiên, trong nghiên cứu sâu, thuật toán được cung cấp dữ liệu thô và tự quyết định các tính năng có liên quan. Mạng Deep Learning thường sẽ cải thiện khi tăng lượng dữ liệu được sử dụng để đào tạo chúng. Machine learning @)- Deep learning seo s o e Cat ° ies] reed: Russian Blue HINH 2.3: Minh hoa Deep Learning Cách thức hoạt động của thuật toán Deep Learning diễn ra như sau: Các dong thông tin sẽ được trải qua nhiều lớp cho đến lớp sau cùng. Lấy quy trình học của con người làm ví dụ cụ thể.
Qua các lớp đầu tiên sẽ tập trung vào việc học các 14 Chương 2. CƠ SỞ LY THUYET khái niệm cụ thể hơn trong khi các lớp sâu hơn sẽ sử dụng thông tin đã học để nghiên cứu và phân tích sâu hơn trong các khái niệm trừu tượng. Quy trình xây dựng biểu diễn đữ liệu nay được gọi là trích xuất tính năng. Kiến trúc phức tạp của việc học sâu được cung cấp từ mạng lưới thần kinh sâu với khả năng thực hiện trích xuất tính năng tự động.
Ngược lại, trong học máy thông thường còn gọi là học nông, nhiệm vụ này được thực hiện khi truy xuất các thuật toán cụ thể 2.2 Học liên kết (Federated learning - FL) 2.1 Định nghĩa Cách tiếp cận tiêu chuẩn để xây dựng mô hình học máy ngày nay là tập hợp tất cả dữ liệu đào tạo ở một nơi, thường là trên đám mây, và sau đó đào tạo mô hình trên dir liệu.