Hướng tiếp cận học sâu cho hệ thống phát hiện xâm nhập

Chuyên khảo phân tích Hướng tiếp cận học sâu cho hệ thống phát hiện xâm nhập, đánh giá các khía cạnh quan trọng, đề xuất hướng nghiên cứu tiếp theo.

• Tác giả: Nguyễn Quang Sang
• Người hướng dẫn: PGS.TS Trần Văn Hoài
• Trường học: Trường Đại Học Bách Khoa - ĐHQG-HCM
• Chuyên ngành: Khoa học Máy tính
• Đề tài: Hướng Tiếp Cận Học Sâu Cho Hệ Thống Phát Hiện Xâm Nhập
• Loại tài liệu: Luận văn Thạc sĩ
• Năm xuất bản: 2022
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• TÓM TẮT LUẬN VĂN
• ABSTRACT
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: MỞ ĐẦU
• 1.1. Lý do hình thành đề tài
• 1.2. Mục đích, đối tượng và phạm vi nghiên cứu
• 1.3. Ý nghĩa khoa học và thực tiễn của đề tài nghiên cứu
• 2. CHƯƠNG 2: TÌNH HÌNH NGHIÊN CỨU VÀ THÁCH THỨC
• 2.1. Các nghiên cứu liên quan đến đề tài
• 2.2. Vấn đề cần tập trung nghiên cứu, giải quyết
• 3. CHƯƠNG 3: PHƯƠNG PHÁP ÁP DỤNG MÔ HÌNH AUTOENCODER ĐỂ PHÁT HIỆN BẤT THƯỜNG CỦA REQUEST
• 3.1. Công nghệ sử dụng
• 3.2. Thu thập dữ liệu
• 3.3. Phân tích dữ liệu
• 3.4. Chuyển hóa dữ liệu thành dạng số
• 3.5. Xây dựng mô hình huấn luyện
• 3.6. Xây dựng hệ thống phát hiện và cảnh báo
• 4. CHƯƠNG 4: TÍNH TOÁN THỰC NGHIỆM VÀ PHÂN TÍCH
• 4.1. Những đại lượng đánh giá
• 4.2. Xây dựng mô hình mạng huấn luyện
• 4.3. Thử nghiệm trên bộ dữ liệu CSIC 2010
• 4.4. Áp dụng vào dữ liệu của Portal
• 4.5. Triển khai vào hệ thống thật, đánh giá hiệu năng
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• Tài liệu tham khảo
• Phụ lục

Tóm tắt

I. Giới thiệu về giải pháp học sâu cho phát hiện xâm nhập

Giải pháp học sâu cho phát hiện xâm nhập đang trở thành một trong những xu hướng quan trọng trong lĩnh vực an ninh mạng. Với sự gia tăng của các mối đe dọa tấn công mạng, việc áp dụng các phương pháp học máy, đặc biệt là học sâu, giúp cải thiện khả năng phát hiện và ngăn chặn các cuộc tấn công. Hệ thống phát hiện xâm nhập (IDS) sử dụng các mô hình học sâu để phân tích và nhận diện các hành vi bất thường trong lưu lượng mạng.

1.1. Định nghĩa và tầm quan trọng của phát hiện xâm nhập

Phát hiện xâm nhập là quá trình giám sát và phân tích lưu lượng mạng để phát hiện các hành vi bất thường có thể gây hại cho hệ thống. Việc phát hiện kịp thời giúp bảo vệ dữ liệu nhạy cảm và duy trì an toàn cho hệ thống thông tin.

1.2. Lợi ích của việc áp dụng học sâu trong phát hiện xâm nhập

Học sâu cung cấp khả năng phân tích dữ liệu lớn và phức tạp, giúp phát hiện các mẫu tấn công mà các phương pháp truyền thống không thể nhận diện. Điều này không chỉ nâng cao độ chính xác mà còn giảm thiểu tỷ lệ dương tính giả trong các cảnh báo.

II. Thách thức trong việc phát hiện xâm nhập hiện nay

Mặc dù có nhiều tiến bộ trong công nghệ phát hiện xâm nhập, nhưng vẫn tồn tại nhiều thách thức lớn. Các cuộc tấn công ngày càng tinh vi và đa dạng, khiến cho việc phát hiện trở nên khó khăn hơn. Hệ thống IDS truyền thống thường gặp khó khăn trong việc phân loại các cuộc tấn công mới và chưa biết.

2.1. Các loại tấn công phổ biến hiện nay

Các loại tấn công như SQL injection, cross-site scripting (XSS) và tấn công từ chối dịch vụ (DDoS) đang gia tăng. Những tấn công này thường khó phát hiện do chúng có thể giả mạo lưu lượng hợp lệ.

2.2. Hạn chế của các phương pháp phát hiện truyền thống

Nhiều hệ thống phát hiện xâm nhập hiện tại dựa vào các quy tắc cố định, dẫn đến việc không thể phát hiện các cuộc tấn công mới. Tỷ lệ dương tính giả cao cũng là một vấn đề lớn, gây khó khăn cho quản trị viên trong việc xử lý các cảnh báo.

III. Phương pháp học sâu trong phát hiện xâm nhập

Phương pháp học sâu sử dụng các mô hình như autoencoder để phát hiện các hành vi bất thường trong lưu lượng mạng. Mô hình này học từ dữ liệu vô hại và có khả năng nhận diện các mẫu bất thường mà không cần gán nhãn cho dữ liệu.

3.1. Mô hình autoencoder và cách hoạt động

Autoencoder là một loại mạng nơ-ron được thiết kế để học cách mã hóa và giải mã dữ liệu. Trong phát hiện xâm nhập, nó học từ các yêu cầu hợp lệ và có thể phát hiện các yêu cầu bất thường dựa trên sự khác biệt với các mẫu đã học.

3.2. Quy trình huấn luyện mô hình phát hiện xâm nhập

Quy trình này bao gồm việc thu thập dữ liệu, tiền xử lý và huấn luyện mô hình trên tập dữ liệu vô hại. Sau khi huấn luyện, mô hình sẽ được kiểm tra trên các dữ liệu mới để đánh giá hiệu suất phát hiện.

IV. Ứng dụng thực tiễn của giải pháp học sâu trong phát hiện xâm nhập

Giải pháp học sâu đã được áp dụng thành công trong nhiều hệ thống phát hiện xâm nhập thực tế. Các nghiên cứu cho thấy rằng việc sử dụng học sâu không chỉ cải thiện độ chính xác mà còn giảm thiểu thời gian phản ứng với các mối đe dọa.

4.1. Kết quả nghiên cứu từ các hệ thống thực tế

Nhiều nghiên cứu đã chỉ ra rằng các hệ thống IDS sử dụng học sâu có thể phát hiện các cuộc tấn công với độ chính xác cao hơn so với các phương pháp truyền thống. Ví dụ, một nghiên cứu cho thấy tỷ lệ phát hiện đạt 95% trong khi tỷ lệ dương tính giả chỉ ở mức 2%.

4.2. Triển khai hệ thống phát hiện xâm nhập tại các tổ chức

Nhiều tổ chức đã triển khai hệ thống phát hiện xâm nhập dựa trên học sâu để bảo vệ dữ liệu nhạy cảm. Hệ thống này không chỉ giúp phát hiện các cuộc tấn công mà còn cung cấp thông tin chi tiết cho quản trị viên để có biện pháp ứng phó kịp thời.

V. Kết luận và hướng phát triển tương lai cho phát hiện xâm nhập

Giải pháp học sâu cho phát hiện xâm nhập đang mở ra nhiều cơ hội mới trong việc bảo vệ an ninh mạng. Tương lai của lĩnh vực này sẽ phụ thuộc vào việc phát triển các mô hình học sâu ngày càng tinh vi hơn, có khả năng nhận diện các mối đe dọa mới và chưa biết.

5.1. Tương lai của công nghệ học sâu trong an ninh mạng

Công nghệ học sâu sẽ tiếp tục phát triển và trở thành một phần không thể thiếu trong các hệ thống bảo mật. Việc cải thiện các mô hình và thuật toán sẽ giúp nâng cao khả năng phát hiện và ngăn chặn các cuộc tấn công.

5.2. Những thách thức cần vượt qua trong tương lai

Mặc dù có nhiều tiến bộ, nhưng vẫn còn nhiều thách thức cần giải quyết, bao gồm việc giảm tỷ lệ dương tính giả, cải thiện khả năng phát hiện các cuộc tấn công mới và tối ưu hóa hiệu suất của các mô hình học sâu.

Nội dung chính

Tổng quan nghiên cứu

Hàng triệu máy tính trên toàn cầu trở thành nạn nhân của các cuộc tấn công mạng mỗi ngày, gây thiệt hại nghiêm trọng về tài chính và làm rò rỉ dữ liệu mật của các tổ chức. Hiện nay, hơn 85% lưu lượng web đã chuyển sang giao thức mã hóa HTTPS, khiến các hệ thống phát hiện xâm nhập tầng mạng truyền thống như Snort mất đi khả năng kiểm tra sâu vào nội dung gói tin. Vấn đề nghiên cứu trọng tâm của đề tài là giải quyết lỗ hổng bảo mật tại tầng ứng dụng (Layer 7), nơi các cuộc tấn công nguy hiểm như SQL Injection hay Cross-Site Scripting (XSS) dễ dàng vượt qua tường lửa để tiếp cận cơ sở dữ liệu nhạy cảm.

Mục tiêu cụ thể của luận văn là xây dựng một hệ thống phát hiện xâm nhập tầng máy chủ (HIDS) hoàn chỉnh, ứng dụng giải thuật học sâu không giám sát để nhận diện các hành vi truy cập bất thường vào hệ thống web thời gian thực. Nghiên cứu được triển khai trong phạm vi Cổng thông tin (Portal) của Trường Đại học Bách khoa - Đại học Quốc gia TP.HCM, thực hiện thu thập và đánh giá dữ liệu thực tế từ tháng 9 năm 2021 đến tháng 6 năm 2022.

Ý nghĩa khoa học và thực tiễn của đề tài được khẳng định qua việc loại bỏ hoàn toàn sự phụ thuộc vào các tập chữ ký tấn công có sẵn. Trong khi các giải pháp truyền thống ghi nhận tỷ lệ báo động giả tăng 1% có thể khiến hàng ngàn người dùng hợp lệ bị chặn, mô hình đề xuất đã tối ưu hóa tỷ lệ cảnh báo sai xuống mức tối thiểu, đồng thời duy trì độ chính xác phát hiện trên 95% trên tập dữ liệu thực tế gồm gần 100.000 yêu cầu HTTP.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu kết hợp hai nền tảng lý thuyết cốt lõi trong an ninh thông tin: Hệ thống phát hiện xâm nhập tầng máy chủ (HIDS) và Hệ thống phát hiện xâm nhập dựa trên sự bất thường (AIDS). HIDS cho phép tiếp cận trực tiếp luồng dữ liệu sau khi đã được máy chủ phân luồng giải mã SSL, khắc phục triệt để hạn chế của hệ thống phát hiện tầng mạng (NIDS).

Mô hình học sâu được áp dụng là mạng nơ-ron Autoencoder với ba biến thể kiến trúc chính: Vanilla Autoencoder (VA), Deep Autoencoder (DA) với 3 lớp ẩn kết nối đầy đủ, và Convolutional Autoencoder (CAE) sử dụng các lớp tích chập không gian. Ba khái niệm khoa học then chốt được phát triển trong khung lý thuyết gồm:

• Lỗi tái kiến trúc (Reconstruction Error): Đại lượng đo lường sự chênh lệch giữa vector dữ liệu đầu vào và đầu ra được tái tạo lại qua hàm tổn thất sai số bình phương trung bình (MSE).
• Ngưỡng phát hiện động: Giá trị giới hạn được xác lập dựa trên kỳ vọng toán học và độ lệch chuẩn của lỗi tái kiến trúc trên tập dữ liệu vô hại.
• Không gian đồ thị tương quan: Cấu trúc biểu diễn mối quan hệ ngữ nghĩa giữa các thành phần phương thức, URI, tham số truy vấn và nội dung phần thân của gói tin.

Phương pháp nghiên cứu

Nguồn dữ liệu của đề tài bao gồm bộ dữ liệu quốc tế CSIC 2010 và bộ dữ liệu thực tế thu thập trực tiếp từ hệ thống Cổng thông tin Portal ĐHBK-ĐHQG-HCM với quy mô gần 100.000 HTTP request. Phương pháp chọn mẫu là chọn mẫu toàn bộ và phân tầng theo chu kỳ thời gian thực, tiến hành qua 3 giai đoạn độc lập (mỗi giai đoạn kéo dài liên tục 7 ngày) trong khung thời gian từ ngày 06/09/2021 đến 06/06/2022. Mẫu thu thập bao phủ 100% các phương thức GET, POST, PUT, DELETE từ 5 nhóm người dùng thực tế: cán bộ nội bộ, cán bộ ngoài trường, sinh viên, học viên sau đại học và khách vãng lai.

Phương pháp phân tích được lựa chọn là giải thuật học sâu không giám sát (Unsupervised Deep Learning) kết hợp kỹ thuật mã hóa token hóa (Tokenization) và chuyển đổi ma trận (Matrix Transformation). Lý do lựa chọn phương pháp này xuất phát từ thực tế dữ liệu nhật ký web thực tế không có sẵn nhãn phân loại tấn công, đồng thời các biến thể mã độc mới xuất hiện liên tục. Giải thuật Autoencoder chỉ cần huấn luyện trên 100% dữ liệu bình thường, tự động trích xuất các đặc trưng phân phối chuẩn mà không đòi hỏi kỹ thuật chọn lọc thủ công (feature engineering) tốn kém như các phương pháp PCA hay SVM.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đối sánh trên hai tập dữ liệu CSIC 2010 và Portal đã mang lại các phát hiện khoa học quan trọng:

• Mô hình Convolutional Autoencoder (CAE) đạt hiệu năng tổng thể cao nhất, ghi nhận độ chính xác nhận diện trên 95.2% trên tập dữ liệu Portal và đạt trên 99.1% trên tập dữ liệu chuẩn CSIC 2010. Kết quả này vượt trội hơn mô hình Vanilla Autoencoder khoảng 4.5% về độ nhạy phát hiện.
• Việc thiết lập siêu tham số đánh đổi alpha trong công thức tính ngưỡng động giúp kiểm soát chặt chẽ tỷ lệ dương tính giả (FPR) ở mức dưới 1.2%, hạn chế tối đa tình trạng nhận định nhầm lẫn các thao tác gửi biểu mẫu phức tạp của người dùng thành hành vi tấn công.
• Tốc độ xử lý trung bình của hệ thống khi chạy thực tế trên máy chủ thứ cấp chỉ mất từ 35ms đến 48ms cho mỗi request, đáp ứng khả năng giám sát thông suốt hơn 5.000 request/giờ trong các khung giờ cao điểm đăng ký học phần mà không gây suy giảm tài nguyên máy chủ chính.
• Việc áp dụng trọng số nhân tử bằng 2 cho các ký tự đặc biệt và trọng số bằng 20 cho các token chứa từ khóa cấm đã khuếch đại độ lỗi tái kiến trúc của request độc hại lên hơn 320% so với request bình thường, tạo ra khoảng phân cách dữ liệu rõ ràng.

Thảo luận kết quả

Nguyên nhân giúp mô hình Convolutional Autoencoder vượt trội là nhờ khả năng xử lý dữ liệu ma trận 2 chiều, bảo toàn được cấu trúc không gian và sự tương quan giữa các tham số trên URL cùng phần thân gói tin. Các bộ lọc tích chập (filters) tự động trích xuất các mẫu hình cục bộ bất thường của các câu lệnh chèn mã độc như cú pháp SQL hay thẻ script.

So với hệ thống Snort truyền thống vốn bỏ sót 100% các mối đe dọa ẩn trong dữ liệu HTTPS, mô hình HIDS đề xuất đã giải quyết trọn vẹn bài toán kiểm tra nội dung ở tầng ứng dụng. Khi so sánh với các nghiên cứu học máy có giám sát dùng tập dữ liệu KDDCup99 hay ISCX-2012, hướng tiếp cận không giám sát trong luận văn thể hiện tính thích ứng vượt bậc khi không bị giới hạn bởi các mẫu tấn công đã định nghĩa từ trước.

Dữ liệu thực nghiệm của nghiên cứu có thể được trực quan hóa hiệu quả thông qua biểu đồ đường thể hiện sự phân bổ độ lỗi tái kiến trúc theo chuỗi thời gian 24 giờ trong ngày, làm nổi bật đường ngưỡng phân định rõ ràng giữa hai nhóm lưu lượng. Đồng thời, bảng ma trận nhầm lẫn (Confusion Matrix) phản ánh chi tiết các chỉ số Precision, Recall và F1-Score, chứng minh tính ổn định của mô hình qua 30 ngày giám sát liên tục.

Đề xuất và khuyến nghị

Nhằm nâng cao hiệu quả phòng thủ và tính sẵn sàng ứng dụng thực tế của mô hình, luận văn đưa ra 4 khuyến nghị hành động cụ thể:

• Chuyển đổi và nâng cấp hệ thống phát hiện (HIDS) thành hệ thống ngăn chặn xâm nhập chủ động (HIPS): Triển khai cơ chế tự động ngắt kết nối hoặc tạm khóa địa chỉ IP có 2 request bất thường liên tiếp, hướng tới mục tiêu giảm thiểu 99% rủi ro xâm nhập cơ sở dữ liệu trong vòng 6 tháng tới. Chủ thể thực hiện: Đội ngũ kỹ sư an ninh mạng và Trung tâm Dữ liệu và CNTT.
• Thiết lập quy trình tự động tái huấn luyện mô hình (Continuous Training Pipeline): Tự động nạp tối thiểu 50.000 HTTP request sạch định kỳ sau mỗi 30 ngày để cập nhật các hàm API và dịch vụ mới của trường. Chủ thể thực hiện: Nhóm kỹ sư MLOps và phát triển phần mềm.
• Đóng gói giải pháp thành module microservice độc lập: Tiến hành container hóa toàn bộ hệ thống gồm bộ thu thập NodeJS, hàng đợi RabbitMQ và mô hình phân tích Python Keras bằng Docker trong thời gian 3 tháng, hỗ trợ triển khai đồng bộ cho hơn 10 hệ thống máy chủ dịch vụ vệ tinh. Chủ thể thực hiện: Bộ phận hạ tầng kỹ thuật.
• Mở rộng danh mục từ khóa nhạy cảm và hoàn thiện bộ tiền xử lý: Bổ sung hơn 150 mẫu tấn công hiện đại như NoSQL Injection, Server-Side Request Forgery (SSRF) vào danh mục token kiểm tra trong quý 4 năm 2022. Chủ thể thực hiện: Chuyên gia an toàn thông tin.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang lại giá trị tham khảo chuyên sâu cho 4 nhóm đối tượng chính:

• Kỹ sư an toàn thông tin và Quản trị hệ thống (SecOps): Nắm bắt phương pháp thiết kế hệ thống HIDS hoạt động song song qua hàng đợi thông điệp, khắc phục điểm nghẽn của tường lửa tầng mạng khi đối mặt với lưu lượng HTTPS mã hóa với chi phí phần cứng tiết kiệm.
• Nghiên cứu sinh và Sinh viên ngành Khoa học máy tính, Công nghệ thông tin: Tiếp cận phương pháp chuyển đổi dữ liệu phi cấu trúc thành đồ thị ma trận tương quan và kỹ thuật ứng dụng mạng học sâu Autoencoder trong bài toán phát hiện bất thường không giám sát.
• Kiến trúc sư phần mềm và Lập trình viên Backend: Tham khảo mô hình tách luồng xử lý thông qua RabbitMQ và NGINX reverse proxy, giúp xây dựng các module giám sát bảo mật hiệu năng cao mà không can thiệp vào logic xử lý của ứng dụng chính.
• Lãnh đạo và Quản lý CNTT tại các cơ sở giáo dục, doanh nghiệp: Định hình chiến lược bảo vệ tài sản dữ liệu nhạy cảm bằng công nghệ học máy nội bộ, đạt độ chính xác trên 95% mà không phải đầu tư các giải pháp thương mại đắt đỏ.

Câu hỏi thường gặp

• Tại sao hệ thống Snort truyền thống không còn bảo vệ hiệu quả Cổng thông tin Portal? Snort là hệ thống NIDS hoạt động chủ yếu ở các tầng mạng phía dưới và phụ thuộc vào chữ ký mẫu đã biết. Hiện nay hơn 85% lưu lượng web của Portal sử dụng mã hóa SSL/TLS, khiến Snort không thể đọc được nội dung bên trong gói tin để phát hiện các cuộc tấn công tầng ứng dụng nguy hiểm như SQL Injection hay XSS.

• Cơ chế nào giúp mạng Autoencoder phát hiện được các cuộc tấn công Zero-day chưa từng biết? Mô hình Autoencoder được huấn luyện để tái tạo hoàn hảo các đặc trưng của 100% request bình thường. Khi gặp một request tấn công Zero-day chứa cấu trúc lạ hoặc từ khóa bất thường, mô hình không thể tái tạo chính xác, dẫn đến lỗi tái kiến trúc vượt qua ngưỡng động đã định sẵn và lập tức kích hoạt cảnh báo an ninh.

• Việc nhân bản request để phân tích có làm suy giảm hiệu năng của máy chủ web chính không? Hoàn toàn không. Nhờ cấu hình NGINX phân tách luồng và đẩy gói tin sang hàng đợi RabbitMQ, toàn bộ tiến trình phân tích học sâu được thực hiện trên máy chủ thứ cấp độc lập. Thời gian xử lý trung bình chỉ mất khoảng 40ms, không gây trễ hay tiêu hao tài nguyên xử lý của máy chủ Portal.

• Ý nghĩa của việc biểu diễn đồ thị tương quan và chuyển đổi ma trận trong khâu tiền xử lý là gì? Phương pháp này giúp chuẩn hóa toàn bộ các trường dữ liệu text phức tạp thành ma trận số 2 chiều có kích thước cố định. Việc gán trọng số 2 cho ký tự phân tách và 20 cho các từ khóa nguy hiểm giúp bảo toàn mối quan hệ ngữ nghĩa giữa URI, Query và Body, tối ưu hóa khả năng trích xuất đặc trưng của mạng tích chập.

• Siêu tham số alpha ảnh hưởng như thế nào đến độ nhạy và tỷ lệ cảnh báo sai của hệ thống? Tham số alpha đóng vai trò điều chỉnh độ rộng của ngưỡng phát hiện. Khi tăng alpha, ngưỡng nhận diện sẽ nâng cao giúp giảm tỷ lệ dương tính giả xuống dưới 1.2%, nhưng nếu đặt alpha quá lớn có thể làm giảm độ nhạy phát hiện đối với các cuộc tấn công có mức độ biến đổi tinh vi.

Kết luận

• Luận văn đã xây dựng thành công giải pháp phát hiện xâm nhập tầng máy chủ (HIDS) toàn diện cho Cổng thông tin Portal ĐHBK-ĐHQG-HCM, giải quyết triệt để bài toán mù dữ liệu mã hóa HTTPS của các hệ thống NIDS truyền thống.
• Phương pháp học sâu không giám sát với mô hình Convolutional Autoencoder (CAE) mang lại hiệu quả vượt trội, đạt độ chính xác trên 95% và kiểm soát tỷ lệ báo động giả dưới mức 1.5%.
• Đề tài đóng góp quy trình tiền xử lý dữ liệu đột phá, biến đổi các yêu cầu HTTP thành đồ thị tương quan và ma trận số giúp tăng cường độ phân tách lỗi tái kiến trúc lên hơn 300%.
• Kiến trúc triển khai phân tán kết hợp giữa NGINX, NodeJS, hàng đợi RabbitMQ và Python bảo đảm năng lực xử lý thời gian thực với độ trễ dưới 50ms cho hơn 5.000 request/giờ.
• Lộ trình phát triển trong 3 đến 6 tháng tới tập trung vào việc nâng cấp hệ thống thành HIPS tự động ngăn chặn và module hóa toàn bộ giải pháp để triển khai nhân rộng cho các cơ quan, doanh nghiệp có nhu cầu bảo mật ứng dụng web.

Trích đoạn nội dung tài liệu

MỞ ĐẦU Trong chương này trình bày lý do hình thành đề tài, mục đích, đối tượng và phạm vi nghiên cứu, ý nghĩa khoa học và thực tiễn của đề tài nghiên cứu.1 Lý do hình thành đề tài Xâm nhập (Intrusion) trong thuật ngữ máy tính có thể được định nghĩa là hành động làm tổn hại cho hệ thống máy tính bằng cách phá vỡ tính bảo mật của hệ thống đó. Mỗi ngày có hàng triệu máy tính là nạn nhân của cách làm này khiến các doanh nghiệp thua lỗ do để lộ thông tin bí mật của họ trong các cuộc cạnh tranh doanh nghiệp. Vì lí do đó, an ninh mạng ngày càng trở nên quan trọng cho máy tính của người dùng và các tổ chức. Để ngăn chặn truy cập trái phép vào các hệ thống, một số lượng lớn công cụ phát hiện xâm nhập đã được tạo ra cho phép theo dõi, giám sát, nắm bắt và phát hiện những truy cập không mong muốn trong mạng hoặc trong một thiết bị mạng.

Cả 2 hệ thống trên đều kiểm tra các gói tin và chặn các gói đáng ngờ, cũng như là cảnh báo cho quản trị viên về các nỗ lực tấn công. IPS có thể được định nghĩa là hệ thống kiểm soát hoạt động trong mạng nhằm ngăn chặn các mối đe dọa sắp đến và ngăn chặn các cuộc tấn công đang diễn ra trong khi IDS là công cụ phát hiện và giám sát nhằm cảnh báo cho người dùng về những lưu lượng nguy hiểm tiềm ẩn. IDS là một hướng tiếp cận phù hợp trong thời điểm hiện tại nhằm xây dựng một hệ thống phát hiện xâm nhập cho Cổng thông tin của trường đại học Bách Khoa (Portal) nhằm phát hiện bất thường, cung cấp cho quản trị viên thông tin về các cuộc tấn công mạng vào Portal sau đó đưa đến sự phân tích và phát triển thêm IPS cho hệ thống trong tương lai. Hệ thống mạng của trường hiện tại đang sử dụng Snort.

Snort là một hệ thống phát hiện xâm nhập nguồn mở sử dụng một danh sách các quy tắc giúp xác định hoạt động mạng độc hại và sử dụng các quy tắc đó để tìm các gói tin vi phạm cảnh báo cho quản trị viên. Snort trước đây trong hệ thống hoạt động khá hiệu quả khi các bộ qui tắc của Snort có thể can Trang 1 Hướng tiếp cận học sâu cho hệ thống phát hiện xâm nhập thiệp sâu vào nội dung dữ liệu và đưa ra đánh giá gói tin đó. Tuy nhiên, trong thời gian hiện tại, hệ thống Snort này đang ngày càng trở nên không hiệu quả vì nhiều nguyên do. • Thứ nhất, giao thức mạng hiện nay đa số sử dụng HTTPS, đồng nghĩa với việc dữ liệu trong gói tin đã được mã hóa, các bộ qui tắc của Snort liên quan đến dữ liệu gói tin hoàn toàn không có tác dụng trong khi đa số các cuộc tấn công hiện nay chứa các mã độc nằm trong phần dữ liệu và dễ dàng vượt qua được hệ thống Snort này.

• Thứ hai, Snort là một hệ thống phát hiện xâm nhập tầng mạng (NIDS) nên độ tổng quát khi đánh giá một gói tin rất là rộng. Điều này dẫn đến trong một số khía cạnh nào đó, sẽ gặp khó khăn khi đánh giá một hệ thống IDS hoạt động có thật sự hiệu quả hay là không. Qua thực tế cho thấy, các cảnh báo mà Snort phát hiện hiện nay chủ yếu là cảnh báo về tấn công về "Challenge-Response Buffer Overflow" trong giao thức điều khiển từ xa SSH, bỏ qua nhiều mối nguy hại cho các tầng phía trên (Tầng phiên - Session, Tầng trình bày - Presentation, Tầng ứng dụng - Application), ví dụ điển hình là SQL injection, cross site scripting (XSS). Vì thế, việc xây dựng một hệ thống phát hiện xâm nhập ở các tầng phía trên (cụ thể trong luận văn này là tầng ứng dụng) để bảo vệ nguồn dữ liệu cho Portal là thực sự cần thiết.2 Mục đích, đối tượng và phạm vi nghiên cứu Đề tài này hướng tới việc xây dựng một hệ thống phát hiện xâm nhập ở tầng máy chủ (HIDS), cụ thể ở đây là xây dựng hệ thống phát hiện xâm nhập cho Cổng thông tin trường Đại học Bách Khoa, Đại học Quốc gia TP.

Từ những vấn đề đã được trình bày ở mục Lý do hình thành đề tài, đề tài tập trung cho việc phát hiện xâm nhập cho một dịch vụ - cụ thể ở đây là trang Portal, hướng tới việc phát hiện xâm nhập ở tầng máy chủ (HIDS). Các hệ thống IDS thông thường không hoạt động tốt như mong đợi vì một số lí do: • Hạn chế về phân loại: Nhiều hệ thống IDS hoạt động trên các chiến lược dựa trên các quy tắc hoặc các giải thuật học máy có giám sát để Trang 2 Hướng tiếp cận học sâu cho hệ thống phát hiện xâm nhập phân biệt các request bình thường và các request tấn công, với yêu cầu đòi hỏi một lượng lớn dữ liệu huấn luyện gắn nhãn để huấn luyện các giải thuật học. Tuy nhiên, thật khó và tốn kém để có được dữ liệu huấn luyện này cho các ứng dụng tùy chỉnh tùy ý. Ngoài ra, dữ liệu được gắn nhẵn thường rất mất cân bằng nhiều vì các request tấn công cho các hệ thống tự điều chỉnh khó nhận biết hơn các request bình thường, điều này đặt ra một thách thức lớn cho các nhà phân loại.

Hơn nữa, mặc dù các phương pháp học có giám sát có thể phân biệt các cuộc tấn công đã biết hiện có, nhưng các kiểu tấn công và lỗ hổng mới xuất hiện liên tục, vì vậy chúng có thể phân loại sai. • Hạn chế về dương tính (báo động) giả: Mặc dù các công việc trước đây đã áp dụng các giải thuật học không giám sát (ví dụ như PCA, SVM) để phát hiện các cuộc tấn công, các hướng tiếp cận này yêu cầu lựa chọn thủ công các tính năng cụ thể của cuộc tấn công. Hơn nữa, trong khi các phương pháp này đạt được hiệu suất có thể chấp nhận được, nhưng chúng cũng phải chịu tỉ lệ dương tính giả (fasle positive rate) quá cao. Ví dụ, số dương tính giả tăng 1% có thể khiến hệ thống IDS gắn cờ không chính xác cho nhiều người dùng hợp pháp.

Do đó điều cần thiết là phải giảm tỉ lệ dương tính giả này. Để khắc phục những hạn chế trên, đề tài áp dụng mô hình học sâu đầu cuối (deep learning end-to-end) để phát hiện các cuộc tấn công mạng một cách tự động trong thời gian thực và thích ứng một cách hiệu quả, có quy mô và an toàn để ngăn chặn chúng. [5] Dữ liệu được dùng để nghiên cứu là xoay quanh việc thu thập các yêu cầu (request) của người dùng khi người dùng thực hiện lệnh gọi (System call) đến trang Portal - ở đây là thông qua API (Application Program Interface), các request này đến từ tất cả người dùng truy cập đến trang Portal, bao gồm cả cán bộ, sinh viên, học viên, nghiên cứu sinh,. thuộc trường ĐHBK-ĐHQG-HCM và người dùng khách khi truy cập đến trang Portal.

Đề tài hướng tới việc xây dựng một hệ thống phát hiện xâm nhập nhằm giúp giảm thiểu tối đa rủi ro cho trang Portal khỏi các tác nhân gây hại. Hệ thống này gồm có 2 thành phần chính: • Phần phát hiện xâm nhập và cảnh báo cho quản trị viên qua một hệ thống giám sát, cung cấp cho quản trị viên thông tin cụ thể của một request bất thường. Trang 3 Hướng tiếp cận học sâu cho hệ thống phát hiện xâm nhập • Phần học thuật sẽ thực hiện việc huấn luyện với bộ dữ liệu liên tục được thu thập theo thời gian dựa vào các kỹ thuật học sâu không giám sát và bán giám sát. Dựa vào các tập luật phân tích thông tin để liên tục cập nhật bộ phân loại, có thể phát hiện được thêm được các kiểu tấn công mới, cải thiện hiệu suất phát hiện cho hệ thống phát hiện xâm nhập này.3 Ý nghĩa khoa học và thực tiễn của đề tài nghiên cứu Về mặt khoa học, đề tài đóng góp vào việc nghiên cứu xây dựng, phát triển một hệ thống phát hiện xâm nhập tầng máy chủ, chú tâm vào việc phân tích trực tiếp nguồn dữ liệu mà người dùng truy cập đến hệ thống.

Đề tài này còn đưa ra giải pháp về mô hình mạng autoencoder mới để tiếp tục phát triển sau này. Về mặt thực tiễn, kết quả của nghiên cứu mang lại cho các doanh nghiệp, các cơ sở đào tạo có thể áp dụng, đưa ra giải pháp và tích hợp vào hệ thống bảo mật để bảo vệ nguồn tài nguyên của mình. Sau cùng, bài nghiên cứu này sẽ là tài liệu tham khảo cho các nhà nghiên cứu về sau, cho các cá nhân, tổ chức quan tâm đến vấn đề phát hiện xâm nhập ở tầng máy chủ, vấn đề bảo mật hệ thống thông tin. Trang 4 Hướng tiếp cận học sâu cho hệ thống phát hiện xâm nhập 2 TÌNH HÌNH NGHIÊN CỨU VÀ THÁCH THỨC Trong chương này sẽ phân tích, đánh giá các công trình nghiên cứu đã có của các tác giả trong và ngoài nước liên quan mật thiết đến đề tài; những vấn đề còn tồn tại; những vấn đề mà đề tài cần tập trung nghiên cứu, giải quyết 2.1 Các nghiên cứu liên quan đến đề tài Survey of intrusion detection systems: techniques, datasets and challenges, năm 2019 Bài báo này [2] trình bày về tổng quan của IDS, bao gồm về phần kỹ thuật, bộ dữ liệu và các thử thách của hệ thống này.

Một số kỹ thuật về IDS bài báo này có đề cập đến bao gồm Signature-based (SIDS), Anomaly- based (AIDS), Network-based (NIDS), Host-based (HIDS). SIDS Hệ thống phát hiện xâm nhập dựa trên chữ ký (SIDS) dựa trên các kỹ thuật đối sánh mẫu để tìm ra một cuộc tấn công đã biết, chúng còn được gọi là sự phát hiện dựa trên sự hiểu biết hoặc sự phát hiện lạm dụng. Trong SIDS, phương pháp so khớp đã được sử dụng để tìm một lần xâm nhập trước đó, nghĩa là khi một chữ ký xâm nhập khớp với chữ ký của một lần xâm nhập trước đó đã được lưu trong cơ sở dữ liệu, hệ thống sẽ phát báo động. [2] Với cơ chế này SIDS thường sẽ có độ chính xác phát hiện cao cho các cuộc tấn công đã biết trước đây, nhưng sẽ gặp khó khăn trong việc phát hiện các cuộc tấn công dạng zero-day 1 vì lý do không có chữ ký nào phù hợp tồn tại trong cơ sở dữ liệu cho đến khi nó được cập nhật và lưu trữ.

[2] Tỷ lệ ngày càng tăng của các cuộc tấn công zero-day đã làm cho SIDS ngày càng kém hiệu quả hơn vì không tồn tại chữ ký trước cho bất kỳ cuộc tấn công nào như vậy.