Chương 1: Giới thiệu tổng quan về đề tài của Khoá luận. e Chương 2: Trình bày cơ sở lý thuyết, những nghiên cứu liên quan. e Chương 3: Trình bày tổng quan về mô hình đề xuất. e Chương 4: Trình bày thực nghiệm và đánh giá.
e Chương 5: Kết luận và hướng phát triển của đề tài. CƠ SỞ LÝ THUYET & NGHIÊN CỨU LIÊN QUAN Chương này trình bày cơ sở lý thuyết và các nghiên cứu liên quan đến các chủ đề, lĩnh vực như các thuật toán học máy, mang sinh đối kháng, Transformer, hệ thống phát hiện xâm nhập, phương pháp học cộng tác. Tan công trốn tránh 2. Tổng quan vé tắn công trốn tránh Evasion Attack hay tấn công trốn tránh là một kiểu tấn công đối nghịch (Adversarial Attack) nhằm tấn công vào các hệ thống bao mật, chang hạn như IDS.
Phương pháp tấn công này được thiết kế để thao túng hành vi của IDS hoặc hệ thống bảo mật nhằm che giấu các lưu lượng độc hại dưới vỏ bọc bình thường. Điều này đạt được bằng cách khai thác các lỗ hong trong hệ thống phát hiện xâm nhập hoặc bằng cách sửa đổi các đặc điểm của lưu lượng độc hại theo cách mà hệ thống đó nhận diện là mẫu lành tính. Cuộc tấn công né tránh được tính là thành công phụ thuộc vào vài yếu tố, bao gồm độ phức tạp của hệ thống bảo mật, mức độ nhận thức và sự sẵn sàng của hệ thống phát hiện xâm nhập, mức độ hiểu biết và kỹ năng của kẻ tấn công. Các cuộc tấn công né tránh rất nguy hiểm đến với các IDS, nó có thể gây hại và đánh lừa hệ thống mục tiêu một cách dễ dàng bởi những lưu lượng có khả năng trốn tránh.
Để ngăn chặn các cuộc tấn công này, các IDS cần được thiết kế và triển khai với các cơ chế phát hiện xâm nhập mạnh mẽ và linh hoạt, có khả năng thích ứng với các trường hợp đe dọa đang thay đổi. Phương pháp tan công Cách tiếp cận phổ biến đối với các cuộc tấn công trốn tránh là sửa đổi dữ liệu đang được truyền tới IDS để biến nó thành mẫu lành tính. Điều này được thực hiện bằng cách thêm nhiễu vào dữ liệu, sửa đổi thông tin header và thay đổi mã hóa dữ liệu. Dựa vào đó, kẻ tấn công có thể trốn tránh các phương pháp phát hiện, vì IDS truyền thống có thể không xác định được chính xác nội dung truy cập là độc hại.
Một phương pháp khác được thực hiện bằng cách can thiệp vào các giao thức hiện có bằng cách thay đổi cấu trúc hoặc hành vi của giao thức. Ví dụ, kẻ tấn công có thể biến đổi cấu trúc của giao thức TCP/IP để biến hành vi của nó như kiểu bình thường, lành tính, hợp pháp, nhưng trên thực tế đang được sử dụng để truyền dữ liệu độc hại. Cuối cùng, những kẻ tấn công cũng có thể tạo các giao thức mới được thiết kế đặc biệt để tránh bị phát hiện. Ví dụ, kẻ tấn công có thể tạo một giao thức mới được thiết kế để vượt qua tường lửa và hệ thống phát hiện xâm nhập bằng cách sử dụng mã hóa, nén hoặc các kỹ thuật khác để ẩn nội dung độc hại khỏi lưu lượng tấn công.
Nhìn chung, các động cơ và phương pháp đằng sau các cuộc tấn công trốn tránh rất đa dạng và phát triển nhiều hướng, khiến chúng trở thành một thách thức đáng kể đối với các tổ chức đang tìm cách bảo mật mạng và bảo vệ dữ liệu của họ. Mạng sinh đối kháng (GAN) 2. Giới thiệu vé GAN Mạng sinh đối kháng (Generative Adversarial Networks), còn được gọi là GAN, là một kiến trúc học sâu. GAN là một cách có hiệu suất cao để huấn luyện mô hình và tao mẫu dit liệu với hai thành phần bao gồm Generator và 9 Discriminator.
Bộ phận chịu trách nhiệm tạo các mẫu tổng hợp được gọi là bộ sinh dữ liệu (Generator) và các còn lại đánh giá các mẫu được tạo ra được gọi là bộ phân biệt (Discriminator). Phương pháp đào tạo của GAN được thực hiện tổng quát gồm hai bước. Bước đầu tiên, Discriminator được đào tao dựa trên dữ liệu thực được gắn nhãn là tht va dữ liệu được tạo bởi Generator được gắn nhãn là gi. Tiếp theo, lúc này Discriminator đã được huấn luyện xong, nó được thử nghiệm trên dữ liệu sinh ra từ Generator, nhưng lần này dữ liệu được cố tình dán nhãn là tht.
Giá trị hàm mat mát của Discriminator (D¿„;;) trên dữ liệu được dán nhãn sai nay sẽ được phản hồi lại cho Generator để điều chỉnh trọng số của nó trong lần huấn luyện tiếp theo, mỗi lần như vậy, GAN đều duyệt qua hết các dữ liệu trong tập huấn luyện và được gọi là một epoch. Cứ như thế, sau mỗi epoch, Generator sẽ tạo ra được các mau dữ liệu giống that hơn va Discriminator sẽ nâng cao kết quả phân biệt gia/that từ dữ liệu đầu vào.1 mô tả tổng quát quá trình hoạt động của GAN. Cấu trúc mô hành GAN G_Loss (REAL) Hình 2.1: So đồ khối của mô hành GAN cổ điển 10 Generator sẽ cố gắng tổng hợp dữ liệu từ dữ liệu huấn luyện, sinh ra các mẫu dữ liệu giống như thật. Bên cạnh đó, Discriminator chịu trách nhiệm học và phân biệt đâu là dữ liệu được tạo ra từ Generator và đâu là dữ liệu thật.
Y tưởng của GAN bắt nguồn từ các thuật toán áp dung trong trò chơi đối khang giữa 2 người (cờ vua, cờ tướng), sẽ có một người thắng và người còn lại sẽ thua. Ở mỗi trận, cả hai đều muốn tăng phần trăm cơ hội thắng của mình và giảm phần trăm cơ hội thắng của đối phương. G và D trong kiến trúc GAN sẽ tương tự như hai đối thủ trong trò chơi. Theo như trò chơi thì GAN model sẽ hội tụ khi cả G và D đạt tới trạng thái cân bằng Nash, có nghĩa là 2 người chơi đạt trạng thái cân bằng (hoà cờ) và tiếp tục cũng không làm tăng phần trăm cơ hội thắng.
Tổng quan vé Transformer Transformer là một kiến trúc mang neural cho bài toán xử ly ngôn ngữ, đặc biệt là xử lý dữ liệu văn bản. Nó được giới thiệu bởi AshishVaswanietal., trong bài báo "Attention is All You Need" năm 2017 [15]. Kiên trúc Transformer đặt nền tảng cho một số mô hình xử lý ngôn ngữ mạnh mẽ và được sử dụng rộng rãi trong các bài toán như dịch máy, tự động hoá phân tích văn bản. Khác với các kiến trúc truyền thống như mạng RNN, Transformer sử dụng các lớp self-attention để xử lý dữ liệu văn bản.
Self-attention cho phép mô hình tự động chú ý đến các từ hoặc các phần của câu và tạo ra các đặc trưng của từng từ hoặc cấu trúc của câu. Điều này cho phép mô hình tự động tìm ra các mối quan hệ quan trọng giữa các từ trong câu. Transformer cũng sử dụng các lớp multi-head attention để xử lý nhiều đặc trưng của từng từ hoặc cấu trúc của câu. Điều này tăng đáng kể hiệu xuất xử lý dữ liệu của mô hình.
Ngoài ra cấu trúc của Transformer bao gồm một bộ mã hóa (Encoder) và một bộ giải mã (Decoder), mỗi bộ được tạo thành từ một khối các lớp giống hệt 11 Multi-Head Attention Nx N Add & Norm * Add & Norm Multi-Head Multi-Head Attention Attention MTs, UE a, Positional @ © 0 OY Encoding Positional Encoding Input Output Embedding Embedding Hành 2.2: Kiến trúc mô hành Transformer nhau được gọi là "các lớp tự chú ý" (multi-head self-attention layers). Các khối này cho phép mô hình tham gia vào các phần khác nhau của chuỗi đầu vào cùng một lúc và đưa ra dự đoán dựa trên thông tin đó. Đầu ra của mỗi khối được kết hợp với đầu vào và được đưa vào FNN (Feedforward Neural Network), theo sau là lớp chuẩn hóa (normalization) và loại bỏ (dropout) lớp để ngăn chặn quá mức (overfitting). Phương pháp hoạt động Ta có thể áp dụng những ưu điểm của Transformer vào để bù đắp những thiếu sót của mô hình sử dụng các phương pháp học máy khác.
Với khả năng xử lý song song và nhận diện được độ tương quan dữ liệu, Transformer có thể áp dụng vào ngữ cảnh dữ liệu thấp, số lượng mẫu không ổn định, độ chênh lệch cao,. trong ngữ cảnh tấn công mang và tăng hiệu suất xử lý của mô hình huấn luyện cho hệ thống phát hiện. Việc sử dụng phương pháp áp dụng nền tảng Transformer trong có thể mang lại một số lợi ích so với các hệ thống phát hiện xâm nhập truyền thống. Transformer-based có thể xử lý các lưu lượng mạng có thể có độ dài khác nhau.
Kiến trúc Transformer cũng cho phép xử lý song song chuỗi đầu vào, nâng cao hiệu quả của hệ thống [16]. Ngoài ra, việc sử dụng các self-attention trong mô hình Transformer có thể giúp nắm bắt sự phụ thuộc giữa các phần khác nhau của chuỗi đầu vào, mang lại sự thể hiện dữ liệu toàn diện hơn. Điều này đặc biệt hữu ích trong việc phát hiện xâm nhập khi điều quan trọng là xác định mối tương quan giữa các hoạt động mạng khác nhau và để phân biệt giữa hành vi bình thường và bất thường. Nhìn chung, việc sử dụng phương pháp dựa trên nên tàng Transformer trong CIC-IDS có thể giúp cải thiện độ chính xác và hiệu quả trong việc phát hiện xâm nhập so với các phương pháp truyền thống.
Tổng quan vé Federated Learning Với sự phát triển của sức mạnh xử lý và khả năng lưu trữ dữ liệu, sự quan trọng của ngành khoa học dit liệu được đánh giá rất cao. Trong những năm gần đây, thế giới nhận thấy nhiều sự phát triển bùng nổ của trí tuệ nhân tạo, học máy, học sâu trong nhiều lĩnh vực công nghiệp khác nhau. Tuy nhiên, có hai 13 thách thức lớn trong lĩnh vực này. Đầu tiên, với việc ban hành quy định chung về bảo vệ dữ liệu, người dùng trở thành chủ sở hữu duy nhất của dữ liệu cá nhân của họ.
Có nghĩa là, bất kì cơ quan hay tổ chức nào cũng đều không thể sử dụng dữ liệu của người dùng trừ khi có thỏa thuận. Thách thức thứ hai là, kho lưu trữ dữ liệu bị hạn chế, trong khi các thuật toán học sâu đặc biệt cần nhiều dữ liệu. Sự thiếu hụt và phân bố của dữ liệu hoặc dữ liệu được gán nhãn cũng gây bất lợi cho quá trình phát triển lĩnh vực khoa học máy tính. Tuy nhiên, sự xuất hiện của FL là một giải pháp tốt để xử lý những thách thức này.
FL là một thuật toán hoc máy đang phát triển mạnh mẽ, được đưa ra nhằm giải quyết vấn đề đào tạo mô hình học máy trong khi vẫn đảm bảo quyền riêng tư của di liệu. FL được triển khai trên nhiều máy client và một máy chủ trung tâm.