Luận án tiến sĩ: Giải pháp hiệu quả phát hiện và giảm thiểu tấn công DDoS trong mạng điều khiển bằng phần mềm

• Tác giả: Nguyễn Ngọc Tuấn
• Người hướng dẫn: PGS. Nguyễn Hữu Thanh
• Trường học: Đại học Bách Khoa Hà Nội
• Chuyên ngành: Kỹ thuật viễn thông
• Đề tài: Giải Pháp Phát Hiện Và Giảm Thiểu Tấn Công DDoS Cho Mạng Điều Khiển Bằng Phần Mềm
• Loại tài liệu: luận án tiến sĩ
• Năm xuất bản: 2023
• Địa điểm: Hà Nội

• Lời cam đoan
• MỞ ĐẦU. MỞ ĐẦU
• 0.1. Tổng quan về mạng điều khiển bằng phần mềm SDN
• 0.2. Kiến trúc của SDN. So sánh với kiến trúc mạng truyền thống
• 0.3. Chế độ hoạt động của mạng SDN
• 0.4. Giao thức OpenFlow
• 0.4.1. Giới thiệu chung
• 0.4.2. Thiết bị chuyển mạch OpenFlow
• 0.4.3. Bộ điều khiển OpenFlow
• 0.4.4. Các bản tin OpenFlow
• 0.5. Tấn công từ chối dịch vụ DDoS
• 0.5.1. Giới thiệu chung
• 0.5.2. Phân loại tấn công từ chối dịch vụ
• 0.5.3. Các phương pháp giảm thiểu tấn công DDoS
• 0.6. Cơ sở lý thuyết về học máy
• 0.6.1. Quá trình hoạt động của các thuật toán học máy
• 0.6.2. Thuật toán K-Nearest-Neighbor
• 0.6.3. Học sâu và thuật toán DNN
• 1. NHẬN DẠNG VÀ ĐO LƯỜNG MỘT SỐ TÁC ĐỘNG CỦA TẤN CÔNG DDOS VỚI KIẾN TRÚC SDN
• 1.1. Xây dựng mô hình thực nghiệm
• 1.1.1. Các thành phần của mô hình thực nghiệm
• 1.1.2. Thông số cấu hình mô hình thử nghiệm
• 1.2. Các tác động của tấn công DDoS lên kiến trúc mạng SDN
• 1.2.1. Tác động của tấn công DDoS lên bộ điều khiển SDN
• 1.2.2. Tác động của tấn công DDoS lên thiết bị chuyển mạch SDN
• 1.2.3. Tác động của tấn công lưu lượng lên kết nối giữa thiết bị điều khiển và thiết bị chuyển mạch
• 2. ĐỀ XUẤT GIẢI PHÁP PHÁT HIỆN TẤN CÔNG DDoS TRONG MẠNG SDN
• 2.1. Giải pháp tổng thể ngăn chặn tấn công DDoS
• 2.2. Giải pháp phát hiện tấn công DDoS
• 2.2.1. Khối phát hiện dữ liệu bất thường sử dụng thuật toán học máy trong mạng SDN
• 2.2.1.1. Lựa chọn thuật toán học máy
• 2.2.1.2. Áp dụng thuật LoF vào khối phát hiện bất thường
• 2.2.2. Khối phân loại và phát hiện tấn công DDoS cụ thể
• 2.2.2.1. Khối phân loại dữ liệu
• 2.2.2.2. Khối phát hiện loại tấn công cụ thể
• 2.2.3. Tập dữ liệu và các đặc trưng dữ liệu
• 2.2.3.1. Bộ dữ liệu tấn công CAIDA
• 2.2.3.2. Bộ dữ liệu DDoSDB
• 2.2.3.3. Bộ dữ liệu tự đo đạc và tạo bởi phần mềm Bonesi
• 2.2.4. Lựa chọn đặc trưng cho các thuật toán học máy
• 2.2.5. Thực hiện thử nghiệm và đánh giá giải pháp
• 2.2.5.1. Mô hình thử nghiệm
• 2.2.5.2. Kết quả thử nghiệm phát hiện bất thường
• 2.2.5.3. Kết quả thử nghiệm phát hiện tấn công DDoS cụ thể
• 3. ĐỀ XUẤT GIẢI PHÁP GIẢM THIỂU TẤN CÔNG DDoS TRONG MẠNG ISP SỬ DỤNG THUẬT TOÁN HỌC MÁY
• 3.1. Đề xuất giải pháp giảm thiểu tấn công DDoS
• 3.2. Cửa sổ thời gian giám sát thích ứng
• 3.3. Đánh giá hiệu năng
• 3.3.1. Xây dựng mô hình thực nghiệm và thiết lập các tham số
• 3.3.2. Kết quả thực nghiệm
• 4. GIẢM THIỂU TẤN CÔNG DDOS VỚI GIẢI PHÁP CO GIÃN TÀI NGUYÊN MẶT PHẲNG ĐIỀU KHIỂN SDN
• 4.1. Giới thiệu về Container
• 4.2. Giới thiệu về Kubernetes
• 4.3. Mô hình đề xuất
• 4.3.1. Giải pháp tự động mở rộng mặt phẳng điều khiển dựa trên Kubernetes
• 4.3.2. Mô hình chuyển dịch thiết bị điều khiển tự động. Thuật toán thích ứng cho thiết bị điều khiển dựa trên luồng mới NACAT
• 4.3.3. Kết quả đánh giá
• 4.3.3.1. Thiết lập mô hình thử nghiệm
• 4.3.3.2. Đánh giá kết quả thử nghiệm
• KẾT LUẬN CHUNG
• DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ CỦA LUẬN ÁN
• TÀI LIỆU THAM KHẢO

I. Giới thiệu về tấn công DDoS

Tấn công từ chối dịch vụ phân tán (DDoS) là một trong những mối đe dọa lớn nhất đối với an ninh mạng hiện nay. Tấn công này nhằm mục đích làm gián đoạn hoặc ngăn chặn dịch vụ của một hệ thống bằng cách làm quá tải tài nguyên của nó. Các hình thức tấn công DDoS ngày càng trở nên tinh vi và đa dạng, từ tấn công SYN flood đến tấn công ICMP flood. Theo báo cáo của Cloudflare, số lượng tấn công DDoS đã tăng đáng kể trong những năm gần đây, cho thấy sự cần thiết phải có các giải pháp phát hiện tấn công DDoS hiệu quả. Việc phát hiện sớm và chính xác các tấn công này là rất quan trọng để bảo vệ các hệ thống mạng, đặc biệt là trong môi trường mạng điều khiển bằng phần mềm (SDN).

1.1. Phân loại tấn công DDoS

Tấn công DDoS có thể được phân loại thành nhiều loại khác nhau dựa trên phương thức tấn công. Các loại tấn công phổ biến bao gồm tấn công SYN flood, tấn công UDP flood, và tấn công HTTP flood. Mỗi loại tấn công có những đặc điểm riêng và yêu cầu các phương pháp phát hiện khác nhau. Việc hiểu rõ các loại tấn công này giúp các nhà nghiên cứu và kỹ sư an ninh mạng phát triển các giải pháp an ninh mạng hiệu quả hơn. Đặc biệt, trong môi trường SDN, việc phân tích lưu lượng mạng và phát hiện các mẫu tấn công là rất quan trọng để bảo vệ hệ thống khỏi các mối đe dọa này.

II. Giải pháp phát hiện tấn công DDoS

Để phát hiện các tấn công DDoS, nhiều phương pháp đã được đề xuất, trong đó có việc sử dụng các thuật toán học máy. Các thuật toán như K-Nearest Neighbors (KNN) và Local Outlier Factor (LoF) đã cho thấy hiệu quả trong việc phát hiện các mẫu lưu lượng bất thường. Việc áp dụng các thuật toán này trong môi trường SDN cho phép phát hiện nhanh chóng và chính xác các tấn công DDoS. Một trong những thách thức lớn là việc lựa chọn các đặc trưng phù hợp cho các thuật toán học máy. Các đặc trưng này cần phải phản ánh đúng tình trạng lưu lượng mạng để có thể phát hiện chính xác các tấn công. Việc xây dựng một mô hình thử nghiệm với các tập dữ liệu thực tế cũng là một yếu tố quan trọng để đánh giá hiệu quả của các giải pháp phát hiện.

2.1. Khối phát hiện dữ liệu bất thường

Khối phát hiện dữ liệu bất thường sử dụng thuật toán học máy là một phần quan trọng trong việc phát hiện tấn công DDoS. Thuật toán LoF có khả năng phát hiện các điểm ngoại lệ trong lưu lượng mạng, từ đó giúp xác định các tấn công DDoS. Việc áp dụng thuật toán này trong môi trường SDN cho phép phát hiện nhanh chóng các tấn công, đồng thời giảm thiểu tác động của chúng đến hệ thống. Các kết quả thử nghiệm cho thấy rằng việc sử dụng thuật toán LoF có thể cải thiện đáng kể khả năng phát hiện tấn công DDoS, từ đó nâng cao an ninh mạng cho các hệ thống điều khiển.

III. Giải pháp giảm thiểu tấn công DDoS

Giảm thiểu tấn công DDoS là một phần không thể thiếu trong chiến lược bảo vệ mạng. Các giải pháp như cửa sổ thời gian giám sát thích ứng và tự động mở rộng tài nguyên đã được đề xuất để ứng phó với các tấn công DDoS. Cửa sổ thời gian giám sát cho phép hệ thống theo dõi lưu lượng mạng trong thời gian thực và phát hiện các mẫu tấn công. Đồng thời, việc tự động mở rộng tài nguyên giúp hệ thống duy trì hiệu suất hoạt động ngay cả khi bị tấn công. Các mô hình thử nghiệm cho thấy rằng việc áp dụng các giải pháp này có thể giảm thiểu đáng kể tác động của tấn công DDoS, từ đó bảo vệ các dịch vụ mạng quan trọng.

3.1. Đề xuất giải pháp giảm thiểu

Giải pháp giảm thiểu tấn công DDoS cần phải được thiết kế linh hoạt và hiệu quả. Việc sử dụng các công nghệ như Kubernetes để tự động mở rộng tài nguyên là một trong những cách tiếp cận hiện đại. Mô hình này cho phép hệ thống tự động điều chỉnh tài nguyên dựa trên lưu lượng mạng, từ đó giảm thiểu tác động của các tấn công DDoS. Các kết quả thực nghiệm cho thấy rằng việc áp dụng giải pháp này không chỉ giúp bảo vệ hệ thống mà còn cải thiện hiệu suất tổng thể của mạng.