Nghiên cứu giải pháp phát hiện tấn công trong mạng vạn vật kết nối sử dụng học máy

Nghiên cứu giải pháp phát hiện tấn công trong mạng vạn vật kết nối bằng học máy, nâng cao an ninh mạng và bảo vệ dữ liệu hiệu quả.

• Tác giả: Nguyễn Thanh Hoàng
• Người hướng dẫn: TS. Nguyễn Minh Tuấn
• Trường học: Học viện Công nghệ Bưu chính Viễn thông
• Chuyên ngành: Kỹ thuật viễn thông
• Đề tài: Giải Pháp Phát Hiện Tấn Công Trong Mạng IoT Sử Dụng Học Máy
• Loại tài liệu: Đề án tốt nghiệp thạc sĩ
• Năm xuất bản: 2023
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: GIỚI THIỆU VỀ AN TOÀN THÔNG TIN TRONG IoT
• 1.1. Tổng quan về công nghệ, hệ thống IoT
• 1.2. Công nghệ IoT
• 1.3. Hệ thống IoT
• 1.4. Vấn đề an toàn thông tin trong hệ thống IoT
• 1.5. Các lỗ hổng bảo mật của phần mềm và phần cứng
• 1.6. Truyền thông không an toàn
• 1.7. Rò rỉ dữ liệu từ hệ thống IoT
• 1.8. Rủi ro từ các phần mềm độc hại
• 1.9. Tấn công mạng
• 1.10. Các giải pháp phát hiện tấn công trong hệ thống IoT
• 1.11. Quản lý sự tin cậy
• 1.12. Hệ thống phát hiện xâm nhập
• 1.13. Các thành phần chính của một hệ thống IDS
• 1.14. Phân loại các hệ thống phát hiện xâm nhập
• 1.15. Kết luận chương 1
• 2. CHƯƠNG 2: GIẢI PHÁP PHÁT HIỆN TẤN CÔNG MẠNG
• 2.1. Tổng quan về giải pháp IDS trong IoT sử dụng học máy
• 2.2. Giới thiệu các thuật toán học máy và học sâu sử dụng trong nghiên cứu
• 2.3. Rừng ngẫu nhiên
• 2.4. K láng giềng gần nhất
• 2.5. Đề xuất mô hình và kiến trúc tổng thể phát hiện tấn công IDS sử dụng học máy
• 2.6. Giới thiệu về bộ dữ liệu NSL-KDD dùng cho xây dựng, thiết kế IDS
• 2.7. Kết luận chương 2
• 3. CHƯƠNG 3: THỬ NGHIỆM, ĐỀ XUẤT IDS ỨNG DỤNG TRONG IoT
• 3.1. Xử lý và tiền xử lý dữ liệu
• 3.1.1. Tiền xử lý dữ liệu
• 3.1.2. Chuẩn hóa nhỏ nhất – lớn nhất
• 3.1.3. Lựa chọn đặc tính tối ưu của dữ liệu
• 3.1.4. Loại bỏ đặc tính đệ quy
• 3.1.5. Xác thực chéo k lần
• 3.1.6. Triển khai lựa chọn đặc tính tối ưu của dữ liệu
• 3.2. Thiết lập, mô phỏng, thử nghiệm hệ thống IDS dựa trên học máy
• 3.3. Phân tích kết quả, so sánh hiệu năng của các IDS sử dụng các thuật toán học máy khác nhau
• 3.4. Loại bỏ đặc tính đệ quy
• 3.5. Đánh giá mô hình
• 3.6. So sánh hiệu năng IDS đề xuất với các nghiên cứu khác ứng dụng học máy, học sâu
• 3.7. Lựa chọn IDS tối ưu áp dụng cho hệ thống IoT
• 3.8. Những giới hạn của phương pháp đề xuất
• 3.9. Kết luận chương 3
• DANH MỤC TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về giải pháp phát hiện tấn công mạng IoT sử dụng học máy

Trong bối cảnh công nghệ IoT ngày càng phát triển, việc bảo mật thông tin trở thành một thách thức lớn. Giải pháp phát hiện tấn công mạng IoT sử dụng học máy đã được nghiên cứu và áp dụng để nâng cao khả năng bảo vệ hệ thống. Hệ thống này không chỉ giúp phát hiện các tấn công mà còn phân tích và dự đoán các mối đe dọa tiềm ẩn. Việc áp dụng các thuật toán học máy cho phép hệ thống tự động học hỏi từ dữ liệu, từ đó cải thiện độ chính xác trong việc phát hiện các hành vi bất thường.

1.1. Tại sao cần phát hiện tấn công trong mạng IoT

Mạng IoT đang trở thành mục tiêu chính của các cuộc tấn công mạng. Các thiết bị IoT thường có lỗ hổng bảo mật, dễ bị xâm nhập. Việc phát hiện tấn công kịp thời giúp bảo vệ dữ liệu và đảm bảo an toàn cho người dùng. Hệ thống phát hiện tấn công giúp nhận diện các hành vi bất thường, từ đó ngăn chặn các cuộc tấn công trước khi chúng gây ra thiệt hại nghiêm trọng.

1.2. Các thách thức trong việc phát hiện tấn công mạng IoT

Một trong những thách thức lớn nhất là sự đa dạng của các thiết bị IoT và các phương thức tấn công. Hệ thống phát hiện cần phải có khả năng xử lý khối lượng dữ liệu lớn và phân tích nhanh chóng. Ngoài ra, việc thiếu tiêu chuẩn bảo mật chung cho các thiết bị IoT cũng làm tăng độ phức tạp trong việc phát hiện tấn công.

II. Phương pháp học máy trong phát hiện tấn công mạng IoT

Học máy đã trở thành một công cụ mạnh mẽ trong việc phát hiện tấn công mạng IoT. Các thuật toán như Rừng ngẫu nhiên và K láng giềng gần nhất được sử dụng để phân tích dữ liệu và phát hiện các mẫu tấn công. Những phương pháp này cho phép hệ thống học hỏi từ dữ liệu lịch sử và cải thiện khả năng phát hiện theo thời gian.

2.1. Các thuật toán học máy phổ biến trong phát hiện tấn công

Rừng ngẫu nhiên là một trong những thuật toán học máy hiệu quả nhất cho việc phát hiện tấn công. Nó hoạt động bằng cách tạo ra nhiều cây quyết định và kết hợp kết quả của chúng để đưa ra dự đoán chính xác hơn. K láng giềng gần nhất cũng là một phương pháp đơn giản nhưng hiệu quả, giúp phân loại các mẫu dữ liệu dựa trên khoảng cách giữa các điểm dữ liệu.

2.2. Lợi ích của việc sử dụng học máy trong IoT

Việc áp dụng học máy trong phát hiện tấn công mang lại nhiều lợi ích. Hệ thống có khả năng tự động học hỏi từ dữ liệu mới, từ đó cải thiện độ chính xác và giảm thiểu sai sót. Ngoài ra, học máy cũng giúp phát hiện các tấn công chưa từng thấy trước đây, nhờ vào khả năng phân tích và nhận diện mẫu dữ liệu phức tạp.

III. Ứng dụng thực tiễn của giải pháp phát hiện tấn công mạng IoT

Giải pháp phát hiện tấn công mạng IoT sử dụng học máy đã được áp dụng trong nhiều lĩnh vực khác nhau, từ chăm sóc sức khỏe đến quản lý năng lượng. Các hệ thống này không chỉ giúp bảo vệ thông tin mà còn nâng cao hiệu quả hoạt động của các thiết bị IoT.

3.1. Ứng dụng trong lĩnh vực chăm sóc sức khỏe

Trong lĩnh vực chăm sóc sức khỏe, các thiết bị IoT như máy theo dõi sức khỏe và thiết bị y tế thông minh cần được bảo vệ khỏi các cuộc tấn công. Hệ thống phát hiện tấn công giúp bảo vệ dữ liệu nhạy cảm của bệnh nhân và đảm bảo tính toàn vẹn của thông tin y tế.

3.2. Ứng dụng trong quản lý năng lượng

Trong quản lý năng lượng, các hệ thống IoT giúp theo dõi và điều chỉnh tiêu thụ năng lượng. Việc phát hiện tấn công kịp thời giúp ngăn chặn các cuộc tấn công vào lưới điện, bảo vệ hệ thống khỏi các mối đe dọa tiềm ẩn và đảm bảo cung cấp năng lượng liên tục.

IV. Kết luận và tương lai của giải pháp phát hiện tấn công mạng IoT

Giải pháp phát hiện tấn công mạng IoT sử dụng học máy đang ngày càng trở nên quan trọng trong bối cảnh công nghệ phát triển nhanh chóng. Tương lai của giải pháp này hứa hẹn sẽ mang lại nhiều cải tiến về độ chính xác và khả năng phát hiện các mối đe dọa mới. Việc nghiên cứu và phát triển các thuật toán học máy tiên tiến sẽ giúp nâng cao khả năng bảo vệ hệ thống IoT.

4.1. Xu hướng phát triển trong lĩnh vực bảo mật IoT

Xu hướng phát triển trong lĩnh vực bảo mật IoT đang chuyển hướng sang việc áp dụng trí tuệ nhân tạo và học sâu. Những công nghệ này hứa hẹn sẽ cải thiện khả năng phát hiện và phản ứng với các cuộc tấn công mạng một cách nhanh chóng và hiệu quả hơn.

4.2. Tầm quan trọng của nghiên cứu và phát triển

Nghiên cứu và phát triển trong lĩnh vực phát hiện tấn công mạng IoT là rất cần thiết. Các nhà nghiên cứu cần tiếp tục tìm kiếm các phương pháp mới và cải tiến các thuật toán hiện có để đáp ứng với sự phát triển nhanh chóng của công nghệ và các mối đe dọa mới.

Nội dung chính

Tổng quan nghiên cứu

Sự bùng nổ của cuộc Cách mạng Công nghiệp 4.0 đã thúc đẩy mạng vạn vật kết nối phát triển với tốc độ chưa từng có, ghi nhận khoảng 50 tỷ thiết bị kết nối vào cuối năm 2020 và tiếp tục tăng trưởng mạnh mẽ trên toàn cầu. Các công nghệ kết nối thông minh đã tạo ra những bước chuyển mình vượt bậc trong các lĩnh vực trọng yếu như y tế thông minh, lưới điện siêu nhỏ phân tán, nhà thông minh và giao thông tự hành. Tuy nhiên, sự gia tăng nhanh chóng về số lượng cùng tính chất phân tán của các thiết bị mạng đầu cuối đã đặt ra những thách thức an ninh mạng nghiêm trọng. Hầu hết các thiết bị mạng biên hiện nay hoạt động tự động không có sự giám sát trực tiếp của con người, sử dụng vi xử lý công suất thấp và dung lượng bộ nhớ hạn chế, khiến việc cài đặt các giải pháp bảo mật truyền thống trở nên bất khả thi.

Mục tiêu cốt lõi của nghiên cứu là thiết kế, xây dựng và đánh giá giải pháp hệ thống phát hiện xâm nhập mạng thông minh ứng dụng các thuật toán học máy tiên tiến nhằm nâng cao năng lực bảo vệ hệ thống mạng kết nối. Nghiên cứu được thực hiện tại Học viện Công nghệ Bưu chính Viễn thông trong giai đoạn 2021-2023, tập trung giải quyết bài toán phát hiện sớm các hành vi truy cập trái phép và các dạng tấn công nguy hiểm. Kết quả nghiên cứu mang ý nghĩa thực tiễn to lớn khi tối ưu hóa thành công mô hình phân loại với độ chính xác đạt trên 99,2%, đồng thời kiểm soát tỷ lệ dương tính sai ở mức dưới 1,2%, tạo tiền đề vững chắc cho việc triển khai các giải pháp an toàn thông tin trên các thiết bị mạng có tài nguyên phần cứng hạn chế.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên kiến trúc hệ thống mạng 4 lớp tiêu chuẩn bao gồm: lớp nhận thức và phần cứng, lớp mạng truyền thông, lớp hỗ trợ tính toán và lớp ứng dụng dịch vụ. Các thiết bị tại lớp nhận thức sử dụng cấu trúc vi xử lý như ARM hoặc MIPS, truyền dữ liệu qua các giao thức không dây tầm thấp như chuẩn IEEE 802.15.4, 4G, 5G hoặc giao thức truyền tin nhẹ như MQTT và REST.

Hệ thống phát hiện xâm nhập được tiếp cận theo hai hướng chính là phát hiện dựa trên chữ ký và phát hiện bất thường. Để khắc phục nhược điểm không thể nhận diện các mối đe dọa mới của phương pháp truyền thống, luận văn áp dụng lý thuyết học máy và học tập hợp. Các thuật toán nền tảng được khảo sát gồm:

• Thuật toán Rừng ngẫu nhiên: Vận hành dựa trên việc kết hợp nhiều cây quyết định con độc lập thông qua kỹ thuật đóng bao và cơ chế biểu quyết đa số nhằm giảm thiểu phương sai và tránh hiện tượng quá khớp.
• Thuật toán K láng giềng gần nhất: Phân loại dữ liệu dựa trên độ đo khoảng cách không gian giữa các điểm lân cận với giả định các mẫu có thuộc tính tương đồng sẽ nằm gần nhau.
• Thuật toán thúc đẩy: Tối ưu hóa chuỗi các bộ phân loại yếu để tạo ra một bộ phân loại mạnh có độ chính xác cao.

Phương pháp nghiên cứu

Nghiên cứu sử dụng nguồn dữ liệu chuẩn hóa NSL-KDD, phiên bản cải tiến toàn diện từ bộ dữ liệu gốc KDD Cup 99 nhằm loại bỏ các bản ghi dư thừa gây sai lệch kết quả phân loại. Cỡ mẫu thực nghiệm bao gồm tập dữ liệu huấn luyện KDDTrain+ với 125.972 bản ghi (trong đó có 58.850 mẫu tấn công chiếm tỷ lệ 46,72% và 67.342 mẫu dữ liệu bình thường chiếm 53,28%), cùng tập dữ liệu kiểm tra KDDTest+ gồm 22.542 bản ghi và tập kiểm tra nâng cao KDDTest-21.

Phương pháp chọn mẫu áp dụng kỹ thuật lấy mẫu phân tầng nhằm duy trì tính đại diện cho 4 nhóm tấn công chính gồm Từ chối dịch vụ (10 kiểu tấn công), Thăm dò mạng (6 kiểu tấn công), Chiếm quyền quản trị (16 kiểu tấn công) và Truy cập trái phép từ xa (7 kiểu tấn công). Toàn bộ 41 đặc trưng dữ liệu thuộc 3 nhóm (đặc tính cơ bản, đặc tính nội dung và đặc tính lưu lượng) được xử lý qua phương pháp chuẩn hóa Min-Max scaling để đưa về khoảng giá trị [0, 1]. Lý do lựa chọn kỹ thuật loại bỏ đặc tính đệ quy kết hợp xác thực chéo k-lần là nhằm lọc ra tập hợp con các đặc trưng có độ quan trọng cao nhất, giúp loại bỏ các thông tin nhiễu, giảm thiểu 45% thời gian tính toán và tối ưu hóa tài nguyên cho thiết bị biên. Toàn bộ quy trình thử nghiệm và tinh chỉnh mô hình được triển khai trong thời gian 24 tháng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình phân tích thực nghiệm trên các tập dữ liệu lưu lượng mạng đã chỉ ra những phát hiện quan trọng có giá trị khoa học và ứng dụng cao:

• Sự phân bố giao thức tấn công: Trong tập dữ liệu huấn luyện, giao thức TCP chiếm ưu thế tuyệt đối với 42.188 bản ghi trong các cuộc tấn công Từ chối dịch vụ, 5.857 bản ghi trong tấn công Thăm dò mạng, 995 bản ghi trong tấn công Truy cập trái phép từ xa và 49 bản ghi trong tấn công Chiếm quyền quản trị. Giao thức ICMP và UDP lần lượt đóng góp 2.847 và 892 bản ghi tấn công Từ chối dịch vụ.
• Tối ưu hóa số lượng đặc trưng: Việc áp dụng thuật toán loại bỏ đặc tính đệ quy đã giảm số lượng biến đầu vào từ 41 đặc trưng ban đầu xuống còn 13 đến 15 đặc trưng quan trọng nhất mà không làm suy giảm độ chính xác tổng thể.
• Hiệu năng phân loại vượt trội: Mô hình Rừng ngẫu nhiên đạt độ chính xác xác thực cao nhất, vượt mức 99,2% trên tập kiểm tra, vượt trội hơn so với thuật toán K láng giềng gần nhất đạt mức 97,4%.
• Tỷ lệ phát hiện và kiểm soát cảnh báo sai: Tỷ lệ nhận diện đúng đối với các cuộc tấn công DoS và Probe đạt trên 98,7%, trong khi tỷ lệ dương tính sai được duy trì ở mức thấp ấn tượng là 1,18%, diện tích dưới đường cong AUC-ROC đạt xấp xỉ 0,995.

Thảo luận kết quả

Hiệu năng ấn tượng của mô hình Rừng ngẫu nhiên bắt nguồn từ cơ chế phân nhánh ngẫu nhiên các đặc tính tại mỗi nút của cây quyết định con, giúp mô hình có khả năng tổng quát hóa cực kỳ mạnh mẽ đối với dữ liệu lưu lượng mạng chưa từng xuất hiện. Trong thực tế, các cuộc tấn công mạng thường có độ trễ và biến thiên tham số liên tục; cơ chế biểu quyết đa số của Rừng ngẫu nhiên giúp loại bỏ những điểm bất thường cục bộ hiệu quả hơn hẳn phương pháp K láng giềng gần nhất vốn rất nhạy cảm với dữ liệu nhiễu.

Khi so sánh với các nghiên cứu khác ứng dụng mạng nơ-ron sâu 5 lớp hoặc mạng nơ-ron tích chập, giải pháp Rừng ngẫu nhiên kết hợp tối ưu đặc trưng giúp giảm hơn 50% thời gian huấn luyện và không đòi hỏi phần cứng GPU đắt tiền. Kết quả thực nghiệm có thể được trình bày trực quan thông qua ma trận nhầm lẫn biểu diễn chi tiết số lượng mẫu dự đoán đúng cho từng phân lớp, cũng như đồ thị đường cong ROC thể hiện rõ sự cân bằng tối ưu giữa tỷ lệ dương tính thật và tỷ lệ cảnh báo sai. Điều này chứng minh rằng việc kết hợp tiền xử lý dữ liệu chuẩn hóa với thuật toán chọn lọc đặc trưng là hướng đi tối ưu cho an ninh mạng diện rộng.

Đề xuất và khuyến nghị

Dựa trên các kết quả nghiên cứu đạt được, 4 nhóm giải pháp kỹ thuật và vận hành được đề xuất nhằm nâng cao tính an toàn cho các hệ thống mạng kết nối:

• Tích hợp mô hình học máy tối ưu vào cổng kết nối mạng biên: Các kỹ sư viễn thông và nhà phát triển giải pháp cần tiến hành nhúng thuật toán Rừng ngẫu nhiên đã tinh giản đặc trưng trực tiếp vào các thiết bị Gateway trong quý 1 năm 2024, nhằm đạt mục tiêu giảm độ trễ phát hiện xâm nhập xuống dưới 50 mili-giây và xử lý lưu lượng mạng theo thời gian thực.
• Thiết lập cơ chế tự động tái huấn luyện dữ liệu định kỳ: Bộ phận vận hành an ninh mạng cần triển khai hệ thống cập nhật tự động các mẫu chữ ký và dữ liệu luồng mạng mới định kỳ 3 tháng một lần, hướng tới mục tiêu nâng cao khả năng phát hiện các dạng tấn công Zero-day lên trên 90%.
• Triển khai giao thức xác thực hai chiều và mã hóa tầng giao vận: Các tổ chức cung cấp dịch vụ công nghệ cần áp dụng chính sách bắt buộc xác thực phân tán hai chiều cho hơn 10.000 thiết bị kết nối vào hệ thống trước năm 2025, nhằm triệt tiêu hoàn toàn nguy cơ tấn công xen giữa và giả mạo thiết bị.
• Định kỳ kiểm toán bảo mật phần mềm và cập nhật chương trình cơ sở: Các nhà sản xuất thiết bị nhúng cần thực hiện quét lỗ hổng mã nguồn và phát hành bản vá bảo mật định kỳ 6 tháng một lần, nhằm giảm thiểu khoảng 80% nguy cơ bị khai thác bởi các mã độc botnet nguy hiểm như Mirai hoặc BotenaGo.

Đối tượng nên tham khảo luận văn

Nội dung và kết quả nghiên cứu của luận văn mang lại giá trị tham khảo chuyên sâu và thiết thực cho 4 nhóm đối tượng chính:

• Học viên cao học và nghiên cứu sinh chuyên ngành Kỹ thuật Viễn thông, Công nghệ Thông tin: Tài liệu cung cấp phương pháp luận chuẩn xác về quy trình tiền xử lý dữ liệu, phương pháp tối ưu hóa đặc trưng bằng thuật toán loại bỏ đặc tính đệ quy và kỹ thuật đánh giá mô hình phân loại trên bộ dữ liệu chuẩn mực.
• Kỹ sư an ninh mạng và chuyên gia vận hành hệ thống: Có thể ứng dụng trực tiếp mô hình kiến trúc phát hiện xâm nhập và mã giả thuật toán Rừng ngẫu nhiên vào việc xây dựng tường lửa thông minh và hệ thống giám sát cảnh báo sớm cho doanh nghiệp.
• Các nhà phát triển phần mềm nhúng và sản xuất thiết bị phần cứng: Nắm bắt các nguy cơ an ninh ở tầng vật lý, từ đó lựa chọn cấu trúc vi xử lý ARM/MIPS phù hợp và tích hợp các module bảo mật phần cứng chống lại tấn công vật lý.
• Đơn vị cung cấp dịch vụ đám mây và nhà mạng viễn thông: Tham khảo mô hình phân tán và phương pháp quản lý độ tin cậy để tối ưu hóa hạ tầng kết nối 4G/5G, đáp ứng các tiêu chuẩn khắt khe về an toàn dữ liệu khách hàng.

Câu hỏi thường gặp

Tại sao bộ dữ liệu NSL-KDD được ưu tiên sử dụng thay vì bộ dữ liệu gốc KDD Cup 99?

Bộ dữ liệu KDD Cup 99 chứa nhiều bản ghi trùng lặp (khoảng 78% bản ghi lặp lại trong tập huấn luyện), dẫn đến hiện tượng mô hình học máy bị thiên lệch và đánh giá quá cao độ chính xác. NSL-KDD đã loại bỏ hoàn toàn các bản ghi dư thừa, cung cấp 125.972 mẫu huấn luyện chất lượng cao, giúp đánh giá khách quan và chính xác hiệu năng của các thuật toán phân loại.

Thuật toán Rừng ngẫu nhiên có ưu điểm gì nổi bật so với K láng giềng gần nhất trong môi trường mạng?

Thuật toán Rừng ngẫu nhiên hoạt động dựa trên cơ chế học tập hợp từ nhiều cây quyết định, có khả năng xử lý xuất sắc các tập dữ liệu nhiều chiều và dữ liệu phi tuyến tính mà không bị ảnh hưởng nặng nề bởi các điểm ngoại lai. Trong khi đó, K láng giềng gần nhất đòi hỏi lưu trữ toàn bộ dữ liệu mẫu trong bộ nhớ và tính toán khoảng cách phức tạp, gây trễ lớn khi triển khai thực tế.

Kỹ thuật loại bỏ đặc tính đệ quy đóng vai trò gì trong việc nâng cao hiệu quả phát hiện xâm nhập?

Kỹ thuật này giúp đánh giá tầm quan trọng của từng thuộc tính dữ liệu và loại bỏ tuần tự các biến ít đóng góp vào kết quả phân loại. Việc giảm từ 41 đặc trưng xuống còn khoảng 13-15 đặc trưng tiêu biểu giúp mô hình giảm tải 45% thời gian xử lý, tiết kiệm bộ nhớ tính toán trên thiết bị biên mà vẫn duy trì độ chính xác trên 99%.

Tấn công từ chối giấc ngủ gây nguy hiểm như thế nào đối với các thiết bị cảm biến không dây?

Tấn công từ chối giấc ngủ khai thác các lỗ hổng trong giao thức điều khiển truy cập phương tiện nhằm ngăn chặn các cảm biến chuyển sang chế độ tiết kiệm năng lượng. Do các nút cảm biến mạng thường sử dụng nguồn pin giới hạn, cuộc tấn công này làm cạn kiệt năng lượng thiết bị nhanh chóng, khiến toàn bộ hệ thống bị tê liệt hoàn toàn trong thời gian ngắn.

Làm thế nào để mô hình học máy có thể phát hiện được các cuộc tấn công mới chưa từng xuất hiện?

Hệ thống phát hiện bất thường dựa trên học máy thiết lập một hồ sơ chuẩn về các hành vi lưu lượng mạng bình thường. Khi có bất kỳ luồng dữ liệu nào xuất hiện sai lệch đáng kể so với ngưỡng tiêu chuẩn đã thiết lập, hệ thống sẽ tự động kích hoạt cảnh báo xâm nhập ngay lập tức, nhờ đó nhận diện hiệu quả các biến thể tấn công mới.

Kết luận

• Luận văn đã phân tích toàn diện bối cảnh an toàn thông tin trên hệ thống mạng kết nối diện rộng, làm rõ các lỗ hổng bảo mật tại 4 tầng kiến trúc và phân loại chi tiết các hình thức tấn công mạng phổ biến.
• Đề xuất thành công quy trình tiền xử lý dữ liệu chuẩn mực kết hợp thuật toán loại bỏ đặc tính đệ quy, giảm thành công hơn 60% số lượng biến đầu vào mà vẫn bảo toàn các đặc tính then chốt của dữ liệu.
• Xây dựng và thử nghiệm mô hình phát hiện xâm nhập dựa trên thuật toán Rừng ngẫu nhiên, đạt độ chính xác ấn tượng trên 99,2% và chỉ số AUC-ROC đạt xấp xỉ 0,995, vượt trội so với các thuật toán học máy truyền thống.
• Đóng góp cơ sở khoa học và thực tiễn vững chắc cho việc phát triển các giải pháp bảo mật biên nhẹ, tiết kiệm tài nguyên tính toán nhưng đạt hiệu quả bảo vệ cao cho hạ tầng mạng viễn thông.
• Trong giai đoạn tiếp theo từ năm 2024 đến năm 2025, hướng nghiên cứu sẽ mở rộng việc tích hợp mô hình trên các phần cứng nhúng thực tế và thử nghiệm với các tập dữ liệu tấn công mạng thế hệ mới. Các tổ chức và doanh nghiệp quan tâm đến giải pháp có thể liên hệ trực tiếp với tác giả hoặc Khoa Viễn thông 1 – Học viện Công nghệ Bưu chính Viễn thông để cùng hợp tác thử nghiệm và chuyển giao công nghệ.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: GIỚI THIỆU VỀ AN TOÀN THÔNG TIN TRONG IoT 1. Tổng quan về công nghệ, hệ thống IoT 1. Công nghệ IoT IoT được viết tắt bởi cụm từ Internet of Things – Công nghệ Internet vạn vật, mang ý nghĩa kết nối mọi thứ với Internet. Trong đó mọi vật đều sẽ được cung cấp các định danh khác nhau, có khả năng tự động truyền tải dữ liệu qua một mạng lưới không cần thông qua tương tác giữa máy tính với con người hay con người với con người.

Có thể khái quát rằng IoT đề cập đến những thiết bị vật lý ở tất cả mọi nơi có khả năng kết nối với nhau, với Internet để biến mọi thứ trở nên chủ động, thông minh hơn. IoT đã ảnh hưởng đến xã hội hiện đại ở nhiều khía cạnh khác nhau, bao gồm từ các dịch vụ chăm sóc sức khỏe cá nhân đến các sản phẩm sản xuất trong các ngành công nghiệp [10]. Ngoài ra, những tiến bộ về công nghệ như học máy, học sâu,… đã đóng góp không nhỏ dẫn đến sự phát triển của công nghệ IoT. Một số ứng dụng phổ biến trong IoT hiện có là hệ thống tự hành dành cho các phương tiện giao thông tự động, lưới điện siêu nhỏ phân tán để quản lý, phẩn bổ tài nguyên năng lượng, các máy bay không người lái để giám sát hoạt động trong các thành phố thông minh.

Có thể thấy, một hệ thống lưới điện siêu nhỏ đại diện cho một ví dụ điển hình về hệ thống mạng ở lớp vật lý: nó liên kết tất cả các nguồn năng lượng phân tán với nhau để cung cấp một giải pháp năng lượng toàn diện cho một khu vực địa lý. Ngoài ra, IoT cũng len lỏi, góp phần làm cho những lĩnh vực quen thuộc với đời sống hàng ngày của chúng ta trở nên hiện đại hơn, thông minh và thuận tiện hơn. Giáo dục không chỉ giới hạn trong những cách tiếp cận truyền thống, đặc biệt là sau đại dịch Covid-19 vừa rồi làm cho các lớp học trực tuyến trở nên ngày càng phổ biến. Bây giờ, chỉ với các thiết bị thông minh được kết nối mạng, cả giáo viên và học sinh đều thuận tiện hơn cho việc triển khai, tiếp cận các bài giảng từ bất cứ đâu mà không cần phải gặp mặt trực tiếp, có thể tiết kiệm rất nhiều thời gian cho việc di chuyển.

Bên cạnh đó, các nền tảng giáo dục hiện đại đang điều chỉnh các thiết bị như sách điện tử có thể tải xuống và có sẵn các tính năng thu phóng và lưu, bảng thông minh thay vì bảng đen có thể 4 được sử dụng làm bảng trắng để viết bằng bút dạ và cũng có thể hiển thị hình ảnh liên quan đến chủ đề và đồ họa cho học sinh [11]. Ngoài ra, các ứng dụng dùng để triển khai học trực tuyến đều có các chức năng quản lí thời gian ra vào lớp học của học sinh dẫn đến sự thuận tiện hơn cho giảng viên về vấn đề quản lí lớp học. Tự Đo lường động thông Nơi ở Thông Quản lý Quản lý người báo thông năng cảm Kết nối Bảo vệ phòng Giải Bảo vệ trường Giáo dục Quản lý thông Lưới điện năng Theo dõi thông hoạt động Nhà thông Quản lý Thiết bị chất lượng Chống đeo thông trộm Quần áo Ứng dụng Quản lý IoT Nông nước thông nghiệp Tự động Thành Giao phố thông hoá thông Ô tô tự Chăm sóc lái sức khoẻ Quản lý rác Lịch sử thông Quản lý chất thăm lượng không Chăm Bảo vệ sóc Quản Quản lý thông lý đội bệnh nhân Chẩn đoán từ Giải CV2X Thông tin thời gian Hình 1. 1: Các ứng dụng phổ biến của IoT Bên cạnh giáo dục, lĩnh vực chăm sóc sức khỏe cũng đã thay đổi với sự ra đời của IoT, những thiết bị đeo được dùng để quản lí tình trạng sức khỏe của người sử dụng được ứng dụng rộng rãi.

Vòng đeo thể dục, vòng bít theo dõi nhịp tim, vòng đo huyết áp, máy đo đường huyết và các thiết bị chăm sóc sức khỏe thông minh tiên tiến hơn được ra đời nhằm cung cấp cho bệnh nhân tình trạng sức khỏe được cá nhân hóa theo thời gian thực. Những thiết bị này nhắc nhở bệnh nhân kiểm tra thường xuyên mức tiêu thụ calo của họ, cải thiện thói quen tập thể dục, xác định xu hướng thay đổi huyết áp, v. Đối với bệnh nhân cao tuổi, điều quan trọng là phải theo dõi tình trạng sức khỏe của họ hàng ngày và các thiết bị chăm sóc sức khỏe thông minh giúp cuộc sống của họ dễ dàng hơn bằng cách 5 cho họ biết trước mọi nguy cơ có thể xảy ra. Các thiết bị này được tích hợp cảm biến IoT nhằm hỗ trợ các bác sĩ theo dõi tình trạng chẩn đoán y tế của bệnh nhân một cách hiệu quả.

Việc lập kế hoạch điều trị cho bệnh nhân, cảnh giác về những bệnh nhân cần điều trị y tế ngay lập tức đều có thể được thực hiện một cách dễ dàng. Với các cảm biến chất lượng vượt trội, các thiết bị đeo này thu thập dữ liệu từ các thiết bị khác nhau được yêu cầu để theo dõi mọi cải thiện hoặc diễn biến xấu đi dù nhỏ nhất liên quan tới sức khỏe của bệnh nhân. Chuyên gia chăm sóc sức khỏe có thể nhận thức rõ hơn về bệnh nhân và có thể chủ động kết nối với họ. Bên cạnh đó, các thiết bị IoT giúp lưu giữ hồ sơ có hệ thống và đơn giản về tiền sử bệnh trước đây của từng bệnh nhân để từ đó xác định phương pháp điều trị tốt nhất cho bệnh nhân [12].

Sơ lược lịch sử phát triển của IoT Một lĩnh vực khác cũng quan trọng không kém đó là nông nghiệp cũng có những bước chuyển mình rõ rệt với những ứng dụng của các thiết bị IoT. Nông nghiệp thông minh dựa trên công nghệ IoT cho phép người trồng trọt giảm chất thải và nâng cao năng suất, cho phép sử dụng hiệu quả các nguồn tài nguyên như nước, điện,. Những điều này có được là nhờ một hệ thống được xây dựng để giám sát cánh đồng trồng trọt với sự trợ giúp của các cảm biến và tự động hóa hệ thống tưới tiêu. Nông dân có thể theo dõi các điều kiện đồng ruộng từ bất cứ đâu.

Họ cũng có thể chọn giữa các tùy chọn thủ công và tự động để thực hiện các hành động cần thiết dựa trên dữ liệu này. Ví dụ, nếu độ ẩm của đất giảm, người nông dân có thể triển khai các cảm biến để bắt đầu tưới tiêu. Nông nghiệp thông minh có hiệu quả cao khi so sánh với phương pháp thông thường. Có thể thấy được những lợi ích to lớn mà IoT mang lại đã góp phần làm cho cuộc sống trở 6 nên hiện đại và tiện lợi hơn ở mọi lĩnh vực.

Sơ lược lịch sử phát triển của IoT được thể hiện ở hình 1. Hệ thống IoT Kiến trúc IoT dựa trên hệ thống 4 lớp bao gồm một lớp nhận thức/ phần cứng, một lớp mạng/ giao tiếp và một lớp giao diện/dịch vụ. Các yếu tố tạo nên lên một hệ thống IoT là các phần cứng/thiết bị, các giao thức truyền thông và giao diện/dịch vụ [14]. Lớp nhận thức: Lớp nhận thức bao gồm các cảm biến và các thiết bị truyền động.

Các cảm biến cảm nhận môi trường xung quanh chúng trong khi đó các thiết bị truyền động đóng vai trò là bộ điều khiển để thực hiện các hành động. Các cảm biến còn được gọi là các nút.  Lớp mạng: Lớp mạng gửi thông tin từ lớp cảm biến để xử lý thêm cho các đơn vị tính toán.  Lớp hỗ trợ: Lớp hỗ trợ hoạt động giữa lớp mạng và lớp ứng dụng.

Lớp này giúp trong việc phân bổ tài nguyên, tính toán và lưu trữ dữ liệu  Lớp ứng dụng: Lớp ứng dụng chứa các ứng dụng thông minh như thành phố thông minh, nhà thông minh, các dịch vụ chăm sóc sức khỏe thông minh,… Lớp này tương tác trực tiếp với người sử dụng các thiết bị, thường thông qua các ứng dụng phần mềm. Phần cứng, chẳng hạn như các cảm biến và bộ truyền động, bao gồm hầu hết các yếu tố quan trọng nhất trong IoT. Bộ vi xử lý điển hình được sử dụng ở lớp phần cứng thường dựa trên ARM, kiến trúc MIPS hoặc X86. Để bảo vệ các thiết bị này, các nhà phát triển nên kết hợp bảo mật phần cứng, có thể bao gồm bộ xử lý mật mã hoặc chip bảo mật.

Đối với hệ điều hành phần cứng, các thiết bị IoT thường sử dụng RTOS bao gồm một hạt nhân nhỏ, lớp trừu tượng phần cứng, trình điều khiển giao tiếp và các khả năng như cách ly quy trình, khởi động an toàn và hộp cát ứng dụng. Đối với lớp phần mềm ứng dụng, có các ứng dụng tùy chỉnh, giao thức mật mã, thư viện và trình điều khiển của bên thứ ba. 7 Đặc biệt, lựa chọn phần cứng là rất quan trọng để bảo mật các thiết bị IoT. Mối quan tâm liên quan đến phần cứng IoT là khả năng xác thực, mã hóa lưu lượng từ đầu đến cuối, tải khởi động an toàn quy trình, thực thi chữ ký số trong quá trình cập nhật chương trình cơ sở và thực hiện các giao dịch minh bạch.

Thành phần quan trọng tiếp theo của hệ thống IoT bao gồm các giao thức truyền thông và tin nhắn. Một mạng lưới các thành phần thông minh có thể giao tiếp trực tiếp với hệ thống đám mây thông qua một cổng vào, hay thông qua dịch vụ đám mây như Amazon Kinesis. Tuy nhiên, nội dung quan trọng của IoT là việc đang triển khai WSN trở thành công nghệ truyền thông chính trong IoT. WSN có các giao thức nhẹ để các thiết bị có thể giao tiếp với các thiết bị khác và với các cổng vào ở rìa.

Hơn nữa, WSN hỗ trợ truyền thông động, thường luôn luôn dựa trên chuẩn 802. Trong số các giao thức IEEE, 802.4 dành cho WPAN tầm thấp, phù hợp với yêu cầu đối với hệ thống IoT. Một số lợi thế của giao thức này là khả năng mở rộng của nó và thực tế là nó có thể tự duy trì, sử dụng ít năng lượng và có chi phí vận hành thấp. Tuy nhiên, Bluetooth, ZigBee, PLC, WiFi, 4G và 5G cũng có thể được chọn làm giao thức truyền thông, để phù hợp với nhu cầu của quy trình IoT.

Một thành phần quan trọng khác trong IoT là bộ tổng hợp, có thể là cổng vào cho một kiến trúc IoT, chẳng hạn như thiết bị định tuyến wifi. Các cổng vào cung cấp khả năng kết nối xuôi dòng cho nhiều nguồn, thiết bị, hệ thống khác nhau. Đám mây là một yếu tố cốt lõi khác trong hệ thống IoT. Một số CSP phổ biến là Amazon Web Services, Microsoft Azure, Google Cloud Platform và IBM Cloud.