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

• 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

• 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

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.