Hệ Thống Phát Hiện Mã Độc Bền Vững Sử Dụng Học Liên Kết và Học Bán Giám Sát

Khóa luận trình bày mô hình cộng tác phát hiện mã độc bền vững, ứng dụng học liên kết và chiến lược học bán giám sát trong an toàn thông tin.

• Tác giả: Nguyễn Thị Thu
• Người hướng dẫn: ThS. Nghi Hoàng Khoa
• Trường học: Đại học Quốc gia Hồ Chí Minh
• Chuyên ngành: Kỹ sư ngành An toàn thông tin
• Đề tài: Hệ Thống Phát Hiện Mã Độc Bền Vững Sử Dụng Học Liên Kết và Học Bán Giám Sát
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2023
• Địa điểm: Thành phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN ĐỀ TÀI
• 1.1. Giới thiệu vấn đề
• 1.2. Giới thiệu những nghiên cứu liên quan
• 1.3. Tính ứng dụng
• 1.4. Những thách thức
• 1.5. Mục tiêu, đối tượng, và phạm vi nghiên cứu
• 1.5.1. Mục tiêu nghiên cứu
• 1.5.2. Đối tượng nghiên cứu
• 1.5.3. Phạm vi nghiên cứu
• 1.6. Cấu trúc khóa luận tốt nghiệp
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Giới thiệu chung về mã độc
• 2.2. Mô hình học máy
• 2.2.1. Tổng quan về mô hình học máy
• 2.2.2. Chiến lược học bán giám sát trong học máy
• 2.2.3. Mô hình Mạng nơron tích chập - CNN
• 2.2.4. Phương pháp chất lọc tri thức
• 2.3. Mô hình học liên kết
• 2.3.1. Tổng quan về mô hình học liên kết
• 2.3.2. Các thuật toán tổng hợp mô hình học liên kết
• 2.3.3. Dữ liệu phân phối không đồng nhất
• 2.3.4. Tấn công đầu độc mô hình học liên kết
• 2.3.5. Tổng quan về phương pháp phòng thủ FLARE
• 2.4. Các chỉ số đánh giá mô hình
• 2.4.1. Precision, Recall, F1-Score
• 2.4.2. Macro Average, Micro Average, Weighted Average
• 3. CHƯƠNG 3: MÔ HÌNH VÀ PHƯƠNG PHÁP THỰC HIỆN
• 3.1. Mô hình cộng tác phát hiện mã độc giữa học liên kết và chiến lược bán giám sát (SSFL)
• 3.2. Tấn công đầu độc mô hình SSFL
• 3.3. Ý tưởng về phương pháp phòng thủ chống lại tấn công lật nhãn
• 3.4. Chi tiết mô hình cộng tác phát hiện mã độc bền vững dựa trên SSFL (RobustSSFL)
• 4. CHƯƠNG 4: THÍ NGHIỆM VÀ ĐÁNH GIÁ
• 4.1. Thiết lập thí nghiệm
• 4.1.1. Môi trường thí nghiệm
• 4.1.2. Tiền xử lý dữ liệu
• 4.1.3. Mô hình học máy CNN
• 4.1.4. Các tham số liên quan và chỉ số đánh giá
• 4.2. Kết quả thí nghiệm
• 4.2.1. Hiệu năng của SSFL khi chưa bị tấn công
• 4.2.2. Tỉ lệ máy khách độc hại
• 4.2.3. Trường hợp phân bố dữ liệu 2 của tập dữ liệu NBaloT
• 4.2.4. Trường hợp tập dữ liệu khác - CICIDS2017
• 4.2.5. Trường hợp khi không có tấn công
• 5. CHƯƠNG 5: KẾT LUẬN
• 5.1. Kết luận
• 5.2. Hướng phát triển
• PHỤ LỤC A: MA TRẬN CỦA CÁC TRƯỜNG HỢP THỰC NGHIỆM
• A.1. Trường hợp phân phối dữ liệu 1 - NBaloT với tỷ lệ máy khách độc hại khác nhau
• A.2. Trường hợp phân phối dữ liệu 2 - NBaloT
• A.3. Trường hợp phân phối dữ liệu 3 - CICIDS2017
• A.4. Trường hợp RobustSSFL khi không tấn công
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về Hệ Thống Phát Hiện Mã Độc Bền Vững

Hệ thống phát hiện mã độc bền vững là một trong những giải pháp quan trọng trong việc bảo vệ an ninh mạng. Với sự phát triển của công nghệ, mã độc ngày càng trở nên tinh vi và khó phát hiện. Việc áp dụng các phương pháp học máy như học liên kết và học bán giám sát giúp cải thiện khả năng phát hiện mã độc. Hệ thống này không chỉ giúp phát hiện mà còn ngăn chặn các cuộc tấn công, bảo vệ thông tin và dữ liệu quan trọng.

1.1. Khái niệm về mã độc và tầm quan trọng của phát hiện

Mã độc là phần mềm độc hại có khả năng xâm nhập vào hệ thống máy tính, gây ra thiệt hại nghiêm trọng. Việc phát hiện mã độc kịp thời giúp ngăn chặn các cuộc tấn công và bảo vệ thông tin cá nhân.

1.2. Lợi ích của việc sử dụng học liên kết trong phát hiện mã độc

Học liên kết cho phép tổng hợp thông tin từ nhiều nguồn khác nhau mà không cần tập trung dữ liệu. Điều này giúp cải thiện khả năng phát hiện mã độc và bảo vệ quyền riêng tư của người dùng.

II. Những Thách Thức Trong Phát Hiện Mã Độc Bền Vững

Mặc dù có nhiều tiến bộ trong công nghệ phát hiện mã độc, nhưng vẫn tồn tại nhiều thách thức. Các cuộc tấn công ngày càng tinh vi, đặc biệt là tấn công lật nhãn, gây khó khăn cho việc duy trì độ chính xác của mô hình. Hệ thống cần phải đối mặt với dữ liệu không đồng nhất và sự tham gia của các máy khách độc hại.

2.1. Tấn công lật nhãn và ảnh hưởng đến mô hình

Tấn công lật nhãn là một trong những mối đe dọa lớn nhất đối với các mô hình học liên kết. Kẻ tấn công có thể dễ dàng thay đổi nhãn của dữ liệu, làm giảm độ chính xác của mô hình phát hiện.

2.2. Dữ liệu không đồng nhất và thách thức trong huấn luyện

Dữ liệu không đồng nhất gây khó khăn trong việc huấn luyện mô hình. Các máy khách có thể có dữ liệu khác nhau, ảnh hưởng đến khả năng tổng hợp và phát hiện mã độc.

III. Phương Pháp Học Liên Kết Trong Phát Hiện Mã Độc

Phương pháp học liên kết kết hợp với học bán giám sát đã được chứng minh là hiệu quả trong việc phát hiện mã độc. Mô hình này cho phép các máy khách trao đổi nhãn mà không cần chia sẻ dữ liệu, giúp bảo vệ quyền riêng tư và giảm chi phí truyền thông.

3.1. Cấu trúc mô hình học liên kết

Mô hình học liên kết cho phép các máy khách tham gia vào quá trình huấn luyện mà không cần gửi dữ liệu về máy chủ. Điều này giúp bảo vệ thông tin cá nhân và giảm thiểu rủi ro bảo mật.

3.2. Chiến lược học bán giám sát trong phát hiện mã độc

Chiến lược học bán giám sát giúp cải thiện hiệu suất của mô hình bằng cách sử dụng một lượng nhỏ dữ liệu có gắn nhãn. Điều này giúp tiết kiệm chi phí và thời gian trong quá trình huấn luyện.

IV. Ứng Dụng Thực Tiễn Của Hệ Thống Phát Hiện Mã Độc

Hệ thống phát hiện mã độc bền vững có thể được áp dụng trong nhiều lĩnh vực khác nhau, từ doanh nghiệp đến cá nhân. Việc phát hiện và ngăn chặn mã độc kịp thời giúp bảo vệ thông tin và tài sản của người dùng.

4.1. Ứng dụng trong doanh nghiệp

Doanh nghiệp có thể sử dụng hệ thống phát hiện mã độc để bảo vệ dữ liệu quan trọng và ngăn chặn các cuộc tấn công mạng. Điều này giúp duy trì hoạt động kinh doanh và bảo vệ uy tín.

4.2. Ứng dụng trong bảo mật thông tin cá nhân

Người dùng cá nhân cũng có thể áp dụng hệ thống này để bảo vệ thông tin cá nhân khỏi các cuộc tấn công mã độc. Việc phát hiện sớm giúp giảm thiểu rủi ro và thiệt hại.

V. Kết Luận và Tương Lai Của Hệ Thống Phát Hiện Mã Độc

Hệ thống phát hiện mã độc bền vững sử dụng học liên kết và học bán giám sát là một giải pháp hiệu quả trong việc bảo vệ an ninh mạng. Tương lai của hệ thống này hứa hẹn sẽ tiếp tục phát triển với nhiều cải tiến và ứng dụng mới.

5.1. Đánh giá hiệu quả của mô hình

Mô hình phát hiện mã độc bền vững đã cho thấy hiệu quả trong việc phát hiện và ngăn chặn mã độc. Các nghiên cứu tiếp theo cần tập trung vào việc cải thiện độ chính xác và khả năng chống lại các cuộc tấn công.

5.2. Hướng phát triển trong tương lai

Tương lai của hệ thống phát hiện mã độc sẽ tập trung vào việc phát triển các phương pháp mới, cải thiện khả năng phát hiện và bảo vệ thông tin cá nhân. Sự kết hợp giữa học máy và các công nghệ mới sẽ mở ra nhiều cơ hội.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Sự bùng nổ của mạng lưới Kết nối vạn vật (Internet of Things - IoT) đã tạo ra mạng lưới liên kết rộng lớn giữa các thiết bị thông minh thông qua khả năng cảm biến và tính toán. Tuy nhiên, sự gia tăng nhanh chóng của các thiết bị IoT cũng dẫn đến nguy cơ mất an toàn thông tin nghiêm trọng khi các biến thể mã độc (Malware) như Virus, Worm, Trojan và Botnet liên tục phát tán trên quy mô lớn. Để nhận diện và ngăn chặn các mối đe dọa này, các hệ thống tìm kiếm, phát hiện và ngăn chặn xâm nhập (IDPS) ứng dụng học máy (Machine Learning) truyền thống thường yêu cầu thu thập dữ liệu tập trung về một máy chủ. Phương thức này bộc lộ hạn chế lớn về nguy cơ lộ lọt thông tin riêng tư của người dùng cũng như tạo điểm nghẽn đường truyền.

Mô hình học liên kết (Federated Learning - FL) được phát triển nhằm giải quyết bài toán quyền riêng tư bằng cách huấn luyện mô hình cục bộ tại các máy khách và chỉ chia sẻ tham số mô hình về máy chủ trung tâm. Dẫu vậy, học liên kết thuần vẫn đối mặt với ba rào cản chính: dữ liệu giữa các thiết bị phân phối không đồng nhất (Non-IID), chi phí truyền thông lớn do kích thước tham số mô hình cao, và nguy cơ suy ngược dữ liệu từ trọng số được chia sẻ. Nghiên cứu của Ruijie Zhao và cộng sự đã đề xuất mô hình SSFL (kết hợp học liên kết và chiến lược học bán giám sát) trao đổi nhãn thay vì trao đổi trọng số, từ đó giảm thiểu chi phí truyền thông và tăng cường tính riêng tư. Tuy nhiên, việc trao đổi nhãn lại làm phát sinh một bề mặt tấn công mới: các máy khách độc hại có thể thực hiện tấn công lật nhãn (label-flipping attack) để thao túng cơ chế bỏ phiếu toàn cục. Đa số các giải pháp phòng thủ hiện hành (như phương pháp FLARE) chỉ tập trung vào phân tích trọng số mô hình, chưa đáp ứng được yêu cầu bảo vệ cho kiến trúc trao đổi nhãn. Do đó, khóa luận tập trung nghiên cứu mô hình phát hiện mã độc bền vững RobustSSFL có khả năng chống lại tấn công lật nhãn.

Mục tiêu nghiên cứu của đề tài được xác định cụ thể theo ba nhiệm vụ:

1. Triển khai lại mô hình học liên kết kết hợp chiến lược học bán giám sát (SSFL) theo nghiên cứu của Ruijie Zhao và cộng sự.
2. Đầu độc mô hình đã xây dựng bằng phương pháp lật nhãn và khảo sát sự ảnh hưởng của số lượng máy khách độc hại đến hiệu quả của mô hình.
3. Tìm hiểu và triển khai phương pháp bảo vệ mô hình trước các máy khách độc hại để xây dựng mô hình RobustSSFL và tiến hành đánh giá độ hiệu quả của phương pháp đã thiết kế.

Đối tượng nghiên cứu của khóa luận bao gồm: mô hình học liên kết; chiến lược học bán giám sát trong học liên kết; các phương pháp tấn công và phòng thủ trong học liên kết; các tập dữ liệu lưu lượng mạng thực tế từ thiết bị nhiễm mã độc (N-BaIoT và CICIDS2017); cùng các thư viện lập trình học máy chuyên dụng TensorFlow và Keras.

Phạm vi nghiên cứu tập trung vào phân tích cơ chế hoạt động của mô hình SSFL, khảo sát các kỹ thuật đầu độc nhãn tại máy khách, và thiết kế thuật toán đánh giá độ tin cậy nhằm loại bỏ tác động tiêu cực của các máy khách độc hại trên môi trường dữ liệu phân phối không đồng nhất.

Cơ sở lý thuyết và phương pháp

Khóa luận xây dựng trên các khung lý thuyết, mô hình và công nghệ nền tảng sau:

• Khái niệm và phân loại mã độc: Khảo sát đặc điểm hành vi của bốn dòng mã độc chính bao gồm Virus (cần tệp vật chủ, kích hoạt theo sự kiện), Worm (đoạn mã độc lập tự nhân bản qua lỗ hổng), Trojan (che giấu trong phần mềm hợp lệ để mở cổng hậu hoặc biến máy tính thành botnet), và Botnet (mạng máy tính ma bị kiểm soát từ xa bởi máy chủ C&C). Hệ thống IDPS hiện đại tích hợp trí tuệ nhân tạo nhằm chuyển đổi từ phương pháp nhận diện dựa trên mẫu chữ ký (signature-based) sang phát hiện bất thường dựa trên hành vi lưu lượng.
• Học máy và chiến lược học bán giám sát: Xem xét các nhánh học có giám sát (SVM, Linear Regression), không giám sát (Clustering, giảm số chiều) và học tăng cường. Chiến lược học bán giám sát (Semi-supervised Learning) đóng vai trò nòng cốt khi khai thác đồng thời một lượng nhỏ dữ liệu có gán nhãn ($D^{kc}$) và lượng lớn dữ liệu mở không gán nhãn ($D^o$), giúp tiết kiệm chi phí dán nhãn thủ công và nâng cao năng lực phân loại của mô hình.
• Mạng nơ-ron tích chập (CNN): Cấu trúc phân loại gồm các lớp tích chập (Convolutional Layer) với bộ lọc kernel, độ trượt stride, kỹ thuật zero-padding (chế độ valid và same) để trích xuất feature map; lớp tổng hợp (Pooling) gồm MaxPooling, AveragePooling, SumPooling nhằm giảm kích thước không gian; lớp làm phẳng (Flatten) và lớp kết nối đầy đủ (Fully Connected) cho đầu ra phân loại.
• Phương pháp chắt lọc tri thức (Knowledge Distillation): Cơ chế truyền tải tri thức từ mô hình giáo viên (Teacher Model) sang mô hình học viên (Student Model) thông qua phân phối xác suất đầu ra từ hàm softmax (nhãn mềm - soft labels) và tối ưu hóa hàm mất mát chắt lọc (Distillation Loss).
• Học liên kết và thuật toán tổng hợp: Kiến trúc gồm một máy chủ trung tâm và $K$ máy khách; phân tích sự phát triển của các thuật toán tổng hợp trọng số như FedAvg, FedProx, FedMA, LEGATO.
• Hiện tượng dữ liệu phân phối không đồng nhất (Non-IID): Khảo sát ba dạng phân phối lệch chuẩn theo khảo sát của Hangyu Zhu: không đồng nhất về thuộc tính (features), không đồng nhất về phân phối nhãn (mất cân bằng nhãn theo số lớp $c$ hoặc hàm Dirichlet), và không đồng nhất theo chuỗi thời gian.
• Tấn công đầu độc và phương pháp phòng thủ FLARE: Hệ thống hóa các dạng tấn công đầu độc dữ liệu (giữ nguyên nhãn, lật nhãn thụ động và lật nhãn chủ động theo khoảng cách Euclidean) và đầu độc mô hình (thao túng trọng số, thay đổi hàm mất mát); phân loại tấn công theo mục tiêu (có mục tiêu, bán mục tiêu, không mục tiêu). Khóa luận phân tích mô hình FLARE (Federated Learning Latent-space Representation) dựa trên tập dữ liệu phụ trợ (Auxiliary data), lớp biểu diễn áp cuối (PLRs), tính khoảng cách Maximum Mean Discrepancy (MMD) bằng hàm Gaussian kernel, và phân bổ điểm tin cậy qua softmax. FLARE bộc lộ điểm yếu khi chỉ xử lý trên trọng số mô hình và suy giảm hiệu quả khi tỷ lệ máy khách độc hại vượt quá 30%.
• Chỉ số đánh giá: Sử dụng ma trận lỗi (Confusion Matrix gồm TP, TN, FP, FN, đặc biệt lưu ý kiểm soát sai số False Negative trong an ninh mạng), Accuracy, Precision, Recall, F1-Score, cùng các phương pháp tính trung bình đa lớp: Macro Average, Micro Average và Weighted Average.

Phương pháp nghiên cứu thực nghiệm được tiến hành bằng mô phỏng phần mềm thông qua việc lập trình các thuật toán học máy bằng Python, sử dụng khung làm việc TensorFlow/Keras. Nguồn dữ liệu thực nghiệm bao gồm: tập dữ liệu N-BaIoT (ghi nhận lưu lượng mạng từ các thiết bị IoT thực tế bị nhiễm botnet) và tập dữ liệu CICIDS2017 (chứa các kịch bản tấn công mạng đa dạng).

Nội dung chính theo từng chương

Chương 1: Tổng quan đề tài

Chương 1 thiết lập bài toán nghiên cứu dựa trên bối cảnh mã độc mạng IoT phát triển phức tạp. Tác giả phân tích các nghiên cứu liên quan tiêu biểu: Valerian Rey chứng minh học liên kết có hiệu năng tương đương học máy tập trung nhưng chưa giải quyết triệt để dữ liệu Non-IID; Ligeng Zhu chỉ ra nguy cơ đánh cắp dữ liệu từ trọng số mô hình và chi phí truyền thông lớn; mô hình FL-DS khắc phục chi phí bằng chắt lọc tri thức nhưng hiệu quả giảm khi dữ liệu Non-IID; Ruijie Zhao đề xuất mô hình SSFL kết hợp học liên kết và bán giám sát, trao đổi nhãn để giải quyết đồng thời ba hạn chế trên. Tuy nhiên, SSFL mở ra bề mặt tấn công lật nhãn nguy hiểm. Chương này xác định rõ mục tiêu, đối tượng, phạm vi nghiên cứu, và bố cục năm chương của khóa luận.

Chương 2: Cơ sở lý thuyết

Chương 2 cung cấp nền tảng toán học và kỹ thuật cho đề tài:

• Phân tích chi tiết bốn chủng loại mã độc (Virus, Worm, Trojan, Botnet) và sự chuyển dịch sang IDPS ứng dụng trí tuệ nhân tạo.
• Trình bày toán học mạng CNN: tích chập đa chiều với kernel, độ trượt stride, padding (valid/same), các kỹ thuật pooling (Max, Average, Sum), lớp Flatten và Fully Connected.
• Phân tích cơ chế chắt lọc tri thức: chuyển giao tri thức từ nhãn mềm qua hàm mất mát Distillation Loss.
• Làm rõ cơ chế tổng hợp mô hình của FedAvg và các thuật toán nâng cao.
• Phân loại hiện tượng Non-IID theo đặc tính, nhãn và thời gian.
• Tổng hợp phân loại tấn công đầu độc theo Geming Xia: phân biệt tấn công giữ nguyên nhãn và lật nhãn; phân biệt mục tiêu có định hướng, bán định hướng và không định hướng.
• Mô tả chi tiết phương pháp phòng thủ FLARE: trích xuất PLRs từ dữ liệu phụ trợ, đo khoảng cách MMD, xác định láng giềng gần nhất để tính điểm tin cậy, đồng thời chỉ ra giới hạn của FLARE khi tỷ lệ máy khách độc hại vượt quá 30%.
• Định nghĩa các chỉ số đo lường hiệu năng: Accuracy, Confusion Matrix, Precision, Recall, F1-score, Macro/Micro/Weighted Average.

Chương 3: Mô hình và phương pháp thực hiện

Chương 3 là phần trọng tâm về mặt thuật toán của khóa luận:

• Cơ chế vận hành của SSFL: Mỗi máy khách $k$ sở hữu tập dữ liệu có nhãn cục bộ $D^{kc}$ và tập dữ liệu mở không nhãn $D^o$ được tải một lần từ máy chủ. Máy khách huấn luyện bộ phân loại $w^{kc}$ bằng hàm mất mát cross-entropy, sau đó dự đoán nhãn cho $D^o$. Điểm tin cậy dự đoán $c_j^k$ được xác định bởi giá trị xác suất lớn nhất từ lớp softmax. Bộ phân biệt $w^{kd}$ phân loại dữ liệu thành "quen thuộc" ($d_j^k = 0$) hoặc "không quen thuộc" ($d_j^k = 1$). Các mẫu quen thuộc được gán nhãn cứng từ mô hình phân loại, các mẫu không quen thuộc được gán nhãn $-1$ và không tham gia bỏ phiếu. Các máy khách gửi tập nhãn cứng $D^{kh}$ lên máy chủ để tổng hợp nhãn toàn cầu thông qua cơ chế bỏ phiếu đa số. Tập nhãn toàn cầu sau đó được trả về máy khách để thực hiện chắt lọc tri thức qua hàm mất mát chuyên biệt.
• Kịch bản tấn công lật nhãn: Xác định hai vị trí can thiệp trên máy khách gồm: nhãn cứng gửi lên máy chủ ($D^{kh}$) và nhãn của tập dữ liệu riêng tư cục bộ ($D^{kc}$). Triển khai hai phương thức lật nhãn: lật nhãn ngẫu nhiên (gây nhiễu ngẫu nhiên) và lật nhãn bán mục tiêu (chuyển đổi toàn bộ nhãn mã độc sang nhãn 0 - nhãn lành tính nhằm vô hiệu hóa hệ thống cảnh báo). Phân tích điều kiện ngưỡng số lượng máy khách độc hại tối thiểu cần thiết để thao túng kết quả bỏ phiếu toàn cầu.
• Đề xuất mô hình RobustSSFL: Thiết kế cơ chế phòng thủ trực tiếp trên không gian biểu diễn nhãn nhằm chống lại tấn công lật nhãn mà không cần dựa vào trọng số mô hình. RobustSSFL sử dụng hàm khoảng cách đánh giá sự phân bố nhãn, kết hợp giá trị ngưỡng $\tau$ để tính toán điểm tin cậy cho từng máy khách, từ đó hiệu chỉnh hoặc loại bỏ phiếu bầu độc hại trước khi tiến hành bỏ phiếu tập trung tại máy chủ.

Chương 4: Thí nghiệm và đánh giá

Chương 4 hiện thực hóa mô hình và kiểm chứng hiệu năng:

• Thiết lập thí nghiệm: Cấu hình môi trường phần mềm với thư viện TensorFlow/Keras; xây dựng hai kiến trúc mạng CNN gồm mô hình CNN đầy đủ (Bảng 4.2) và mô hình CNN tùy chỉnh (Bảng 4.3); thiết lập các siêu tham số huấn luyện (Bảng 4.4) với 100 vòng giao tiếp (communication rounds).
• Phân chia kịch bản dữ liệu:
  • Trường hợp 1: Tập dữ liệu N-BaIoT với các tỷ lệ máy khách độc hại biến thiên ở các mức 10%, 15%, 20%, và 25%.
  • Trường hợp 2: Tập dữ liệu N-BaIoT với cấu trúc phân phối dữ liệu không đồng nhất thứ hai.
  • Trường hợp 3: Tập dữ liệu CICIDS2017 nhằm đánh giá tính tổng quát hóa của giải pháp trên tập dữ liệu khác.
• Phân tích kết quả thực nghiệm: Khảo sát hiệu năng của SSFL khi chưa bị tấn công qua Bảng 4.5. Đánh giá sự sụt giảm hiệu năng khi bị tấn công lật nhãn ngẫu nhiên và lật nhãn sang 0 tại hai vị trí can thiệp. Đánh giá khả năng phục hồi của mô hình RobustSSFL dưới các ngưỡng $\tau$ khác nhau (tiêu biểu là cấu hình Def0.8Mean). So sánh tỷ lệ nhãn tấn công bị dự đoán nhầm thành nhãn lành tính (False Negative) trên ma trận lỗi giữa các trường hợp không tấn công, bị tấn công không phòng thủ, và có áp dụng RobustSSFL.

Chương 5: Kết luận và hướng phát triển

Chương 5 tóm tắt các kết quả đạt được của đề tài, khẳng định tính đúng đắn của phương pháp phòng thủ RobustSSFL trước các kịch bản lật nhãn trong hệ thống học liên kết bán giám sát. Đồng thời, chương này chỉ ra các hạn chế cố hữu liên quan đến việc tối ưu ngưỡng $\tau$ và đề xuất các định hướng mở rộng nghiên cứu trong tương lai.

Kết quả và đóng góp

Khóa luận đã ghi nhận các kết quả thực nghiệm định lượng cụ thể qua các kịch bản kiểm thử:

Kịch bản kiểm thử	Kiểu tấn công & Vị trí	Tỷ lệ máy khách độc hại	Hiệu năng mô hình SSFL gốc	Hiệu năng mô hình RobustSSFL
TH1: N-BaIoT (Phân phối 1)	Lật nhãn cứng / Lật nhãn dữ liệu riêng (Ngẫu nhiên & Sang 0)	10%, 15%, 20%, 25%	Hiệu năng suy giảm mạnh; tỷ lệ nhãn mã độc bị phân loại nhầm thành lành tính (FN) tăng theo tỷ lệ máy khách độc hại	Khôi phục độ chính xác; kiểm soát và hạ thấp tỷ lệ dự đoán sai về ngưỡng an toàn tương đương trạng thái không bị tấn công
TH2: N-BaIoT (Phân phối 2)	Lật nhãn sang 0 và lật ngẫu nhiên	Tỷ lệ cố định theo kịch bản	Bị đầu độc nặng nề ở kịch bản lật nhãn sang 0; ma trận lỗi ghi nhận phần lớn mã độc bị bỏ lọt	Cấu hình ngưỡng Def0.8Mean duy trì khả năng nhận diện chính xác các lớp mã độc (Bảng 4.6)
TH3: CICIDS2017	Lật nhãn sang 0 và lật ngẫu nhiên	Tỷ lệ cố định theo kịch bản	Hiệu năng phân loại các cuộc tấn công mạng sụt giảm rõ rệt (Hình 4.10)	Giữ vững độ ổn định sau 100 vòng huấn luyện; tách biệt hiệu quả giữa lưu lượng lành tính và độc hại (Bảng 4.7)
Kịch bản không tấn công	Không có tấn công (No Attack)	0%	Đạt hiệu năng cơ sở sau 100 vòng huấn luyện (Bảng 4.5)	Sai số chênh lệch không đáng kể so với SSFL gốc; thuật toán phòng thủ không làm suy giảm hiệu năng tự nhiên của hệ thống (Bảng 4.8)

Các đóng góp chính của đề tài bao gồm:

• Chỉ ra và chứng minh bằng thực nghiệm bề mặt tấn công lật nhãn trên mô hình SSFL trao đổi nhãn, lấp đầy khoảng trống nghiên cứu của các giải pháp phòng thủ học liên kết truyền thống vốn chỉ tập trung vào phân tích trọng số mô hình.
• Đề xuất và hiện thực hóa thành công mô hình RobustSSFL với cơ chế đánh giá độ tin cậy và ngưỡng $\tau$, ngăn chặn hiệu quả cả hai hình thức tấn công: lật nhãn ngẫu nhiên và lật nhãn bán mục tiêu sang nhãn 0.
• Khảo sát toàn diện tác động của tỷ lệ máy khách độc hại (từ 10% đến 25%) và đặc tính phân phối dữ liệu Non-IID trên hai tập dữ liệu thực tế N-BaIoT và CICIDS2017, cung cấp hệ thống ma trận lỗi chi tiết phục vụ đối sánh học thuật.

Hạn chế và hướng nghiên cứu tiếp

Khóa luận tự xác định các hạn chế kỹ thuật trong quá trình thực hiện:

• Phương pháp phòng thủ RobustSSFL phụ thuộc vào giá trị ngưỡng $\tau$ để tính toán mức độ tin cậy của máy khách. Việc tìm kiếm một giá trị ngưỡng tối ưu cố định áp dụng cho tất cả các kịch bản phân phối dữ liệu là rất khó khăn; một giá trị ngưỡng hoạt động hiệu quả ở trường hợp này có thể kém hiệu quả ở trường hợp khác.
• Hiệu quả phòng thủ của mô hình có xu hướng suy giảm dần khi dữ liệu có độ lệch phân phối Non-IID phức tạp kết hợp với tỷ lệ máy khách độc hại tham gia vào quá trình đào tạo tăng cao.
• Khóa luận mới chỉ thử nghiệm các kịch bản tấn công lật nhãn trên mô hình CNN, chưa mở rộng đánh giá đối với các dạng tấn công đầu độc lai (kết hợp đầu độc dữ liệu và mô hình) hoặc các kiến trúc mạng nơ-ron sâu khác.

Hướng phát triển tiếp theo được đề xuất:

• Nghiên cứu cơ chế tự động điều chỉnh hoặc tối ưu hóa động giá trị ngưỡng $\tau$ theo từng vòng giao tiếp nhằm thích ứng linh hoạt với các dạng phân phối dữ liệu Non-IID khác nhau.
• Mở rộng thử nghiệm mô hình RobustSSFL trước các kỹ thuật tấn công tinh vi hơn như tấn công cửa sau (backdoor attacks) hoặc tấn công đầu độc có mục tiêu phức tạp trên mạng IoT diện rộng.

Giá trị tham khảo

Khóa luận có giá trị tham khảo thiết thực cho các đối tượng và mục đích nghiên cứu sau:

• Đối tượng thụ hưởng: Sinh viên, học viên cao học và nghiên cứu sinh chuyên ngành An toàn thông tin, Mạng máy tính và Truyền thông, Khoa học dữ liệu hoặc Trí tuệ nhân tạo đang thực hiện các đề tài về bảo mật học máy (Adversarial Machine Learning) và học liên kết (Federated Learning).
• Kỹ sư hệ thống: Các kỹ sư an toàn thông tin đang thiết kế hệ thống IDPS bảo vệ hạ tầng thiết bị IoT hoặc các mạng biên (Edge Computing) cần giải pháp phát hiện mã độc phân tán bảo toàn tính riêng tư.
• Các phần nội dung đáng tham khảo nhất:
  • Mục 3.1 và 3.4: Mô tả chi tiết quy trình tích hợp giữa học bán giám sát, bộ phân biệt (Discriminator) dữ liệu quen thuộc/không quen thuộc và cơ chế bỏ phiếu nhãn trong học liên kết.
  • Mục 4.1 và Phụ lục A: Cung cấp đầy đủ tham số thiết lập mạng CNN, cách chia tập dữ liệu Non-IID trên N-BaIoT/CICIDS2017 và hệ thống 23 ma trận lỗi chi tiết, là nguồn dữ liệu chuẩn mực để tái lập hoặc đối sánh kết quả thực nghiệm.

Câu hỏi thường gặp

1. Khác biệt cơ bản nhất giữa mô hình học liên kết truyền thống và mô hình SSFL là gì?
Trong học liên kết truyền thống (như FedAvg), máy chủ và các máy khách trao đổi các bản cập nhật trọng số mô hình cục bộ. Ngược lại, trong mô hình SSFL của Ruijie Zhao và cộng sự, máy chủ và các máy khách chia sẻ một tập dữ liệu mở không gán nhãn ($D^o$) và chỉ trao đổi các nhãn dự đoán ("nhãn cứng") thông qua cơ chế bỏ phiếu, giúp giảm thiểu đáng kể chi phí truyền thông và tránh rò rỉ dữ liệu qua trọng số.

2. Bộ phân biệt (Discriminator) trong mô hình SSFL thực hiện nhiệm vụ gì?
Bộ phân biệt $w^{kd}$ được huấn luyện để phân loại các mẫu dữ liệu mở $D^o$ thành hai nhóm: "quen thuộc" ($d_j^k = 0$) hoặc "không quen thuộc" ($d_j^k = 1$) dựa trên ngưỡng tin cậy xác suất từ hàm softmax. Mẫu không quen thuộc sẽ bị gán nhãn $-1$ và máy khách sẽ không tham gia bỏ phiếu cho mẫu đó, giúp tránh gây nhiễu cho cơ chế bỏ phiếu toàn cầu.

3. Nhóm tác giả đã thực hiện tấn công lật nhãn tại những vị trí nào trên máy khách?
Nhóm tác giả đã xác định và thực nghiệm tấn công lật nhãn tại hai vị trí: thứ nhất là tại tập nhãn "cứng" ($D^{kh}$) được máy khách gửi lên máy chủ trung gian để bỏ phiếu; thứ hai là tại tập nhãn của bộ dữ liệu riêng tư cục bộ ($D^{kc}$) dùng để đào tạo mô hình phân loại của chính máy khách đó.

4. Tại sao phương pháp phòng thủ FLARE không thể áp dụng trực tiếp cho mô hình SSFL?
Phương pháp FLARE hoạt động dựa trên việc tính toán khoảng cách MMD giữa các lớp biểu diễn áp cuối (PLRs) của các trọng số mô hình cục bộ nhận được từ máy khách. Trong khi đó, mô hình SSFL lại trao đổi nhãn cứng thay vì trao đổi trọng số mô hình, do đó cơ chế trích xuất PLRs của FLARE không tương thích với bề mặt dữ liệu nhãn của SSFL.

5. Mô hình RobustSSFL được đánh giá trên những tập dữ liệu thực nghiệm nào và qua bao nhiêu vòng huấn luyện?
Mô hình được đánh giá trên hai tập dữ liệu lưu lượng mạng thực tế gồm N-BaIoT (thu thập từ các thiết bị IoT bị lây nhiễm mã độc botnet) và CICIDS2017. Toàn bộ các kịch bản thực nghiệm được cấu hình và theo dõi xuyên suốt quá trình 100 vòng giao tiếp (communication rounds).

Kết luận

Khóa luận tốt nghiệp của nhóm tác giả đã giải quyết thành công bài toán bảo mật cho hệ thống phát hiện mã độc IoT dựa trên học liên kết bán giám sát trước nguy cơ tấn công lật nhãn. Bằng việc phân tích sâu cơ chế hoạt động của mô hình SSFL, đề tài đã đề xuất giải pháp phòng thủ RobustSSFL có khả năng nhận diện và hạn chế ảnh hưởng của các máy khách độc hại dựa trên ngưỡng tin cậy $\tau$. Kết quả kiểm thử trên các bộ dữ liệu thực tế N-BaIoT và CICIDS2017 đã chứng minh tính hiệu quả và độ bền vững của mô hình, duy trì độ chính xác phát hiện xâm nhập cao ngay cả trong điều kiện dữ liệu phân phối không đồng nhất.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: TONG QUAN DE TÀI 6 Trình bày khái quát về định hướng, phạm vi nghiên cứu của đề tài khóa luận hướng tới. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT Trinh bày các định nghĩa, khái niệm cũng như những kiến thức nền tang liên quan CHUONG 3: MÔ HINH VÀ PHƯƠNG PHÁP THUC HIEN Phần trọng tâm - trình bày mô hình cộng tác phát hiện mã độc bền vững sử dụng học liên kết và chiến lược học bán giám sát đã nghiên cứu; Xác định các điểm tấn công và chiến lược tấn công lật nhãn của mô hình này; Đề xuất phương pháp phòng thủ cho loại tấn công này. CHƯƠNG 4: THÍ NGHIỆM VÀ DÁNH GIÁ Trinh bày quá trình hiện thực hóa phương pháp đề cập ở Chương 3. Sau đó đưa ra kết quả đánh giá và so sánh.

CHƯƠNG 5: KẾT LUẬN Kết luận về đề tài, đề xuất một số hướng phát triển mở rộng cho các nghiên cứu trong tương lai. CƠ SỞ LÝ THUYET Chương này trình bày cơ sở lý thuyết của nghiên cứu: Bao gồm mã độc, các chiến lược trong học máy, mô hình học liên kết và dữ liệu phan phối không đồng nhất. Giới thiệu chung về mã độc Mã độc hay phan mém độc hại là một thuật ngữ được sử dung để mô tả các ứng dụng hay mã độc hại có thể gây tổn hại lên hệ thống máy tính, làm phá vỡ khả năng hoạt động bình thường của các thiết bị, ảnh hưởng đến tính bí mật, tính toàn vẹn và tính sẵn sàng của dữ liệu người dùng, máy tính hoặc môi trường mạng. Nhìn chung, ta có thể phân loại mã độc thành một vài loại phổ biến sau: e Virus: là loại chương trình độc hại mà cần một tệp dữ liệu hay chương trình khác làm vật chủ để ký sinh, phải được kích hoạt bởi một sự kiện, hoạt động trên hệ thống máy tính để thực thi, và có khả năng nhân bản sau khi thực thi.

e Worm: là đoạn chương trình độc hại độc lập, có khả năng tự thân thực thi, tự nhãn ban, tự động 1é ; lan qua các khai thác lỗ hổng phần mềm hoặc chính sách an ninh được cấu hình ko cẩn thận e Trojan: các đoạn mã của Trojan được “che giấu” trong các phần mềm máy tính thông thường để bí mật xâm nhập vào máy nạn nhân. Khi tới thời điểm thuận lợi, chúng sẽ đánh cắp thông tin cá nhân và chiếm quyền điều khiển máy tính. Bản chất của Trojan là không tự lây lan mà biến hệ 8 thống máy tính bị nhiễm thành thành viên của mang botnet và thực hiện phát tán. e Botnet: là những máy tinh bị nhiễm virus va bị điều khiển thông qua Trojan, Virus,.Tin tặc lợi dụng sức mạnh của những máy tính bị nhiễm virus để thực hiện các hành vi phá hoại và ăn cắp thông tin.

Thiệt hại do Botnet gấy ra thường vô cùng lớn. Trước khi lây nhiễm, mã độc cần được tải xuống hoặc khi đã xâm nhập vào máy nạn nhân, chúng cần phải giao tiếp với máy chủ C&C để nhận lệnh, đặc biệt đối với các botnet thông qua mạng. Do đó, chúng ta có thể phát hiện và ngăn chặn kịp thời bằng các hệ thống tìm kiếm, phát hiện và ngăn chặn xâm nhập (IDPS). Và với sự phát triển của học máy /học sâu, chúng ta đã không phải quá phụ thuộc vào việc phải biết tường tận và phân tích sâu hành vi của mã độc để làm mẫu phát hiện (signature-based).

Hơn nữa, việc này chỉ phát hiện các tấn công đã biết. Việc kết hợp các thành tựu hiện đại trong trí tuệ nhân tạo đã thúc đẩy cho việc phát hiện các mối nguy chưa biết. Mô hình học máy 2.