Hệ Thống Phát Hiện Xâm Nhập Đa Giai Đoạn Cho Mạng IoT (MIDSIOT)

Khóa luận trình bày hệ thống phát hiện xâm nhập nhiều giai đoạn cho mạng IoT, nâng cao an toàn thông tin trong môi trường kết nối.

• Tác giả: Nguyen Dat Thinh
• Người hướng dẫn: TS. Le Kim Hung
• Trường học: Đại học Quốc gia TP. Hồ Chí Minh
• Chuyên ngành: An toàn thông tin
• Đề tài: Hệ thống phát hiện xâm nhập đa giai đoạn cho mạng IoT
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2023
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TÉN ĐỀ TÀI
• 1.1. Mục tiêu của đề tài
• 1.2. Đối tượng và phạm vi nghiên cứu
• 1.2.1. Đối tượng nghiên cứu
• 1.2.2. Phạm vi nghiên cứu
• 2. CHƯƠNG 2: HỆ THỐNG PHÁT HIỆN XÂM NHẬP
• 2.1. Các mô hình trí tuệ nhân tạo cơ bản
• 2.1.1. Tổng quan về Trí tuệ nhân tạo, machine Learning và Deep Learning
• 2.1.2. Tấn công đối kháng (Adversarial attack)
• 2.1.2.1. Cách thực hiện tấn công đối kháng
• 2.1.3. Phân loại tấn công đối kháng
• 2.1.4. Các công cụ và frameworks
• 2.1.4.1. Một số công cụ hỗ trợ tấn công đối kháng
• 3. CHƯƠNG 3: GIỚI THIỆU MÔ HÌNH MidSiot
• 3.1. Tổng quan về MidSiot
• 3.2. Mô hình đề xuất của MidSiot
• 3.3. Phương pháp thực hiện
• 3.3.1. Thu thập và xử lý dữ liệu
• 3.3.2. Chọn thuật toán máy học thích hợp
• 3.3.3. Thuật toán phát hiện tấn công nhiều giai đoạn
• 3.4. Kết quả thực nghiệm
• 3.4.1. Phương thức đánh giá
• 3.4.2. Attack Class Balancing
• 3.4.3. Kết quả và nhận xét
• 4. CHƯƠNG 4: PHÁT TRIỂN MidSiot ĐỂ CÓ KHẢ NĂNG CHỐNG LẠI CÁC CUỘC TẤN CÔNG ĐỐI KHÁNG
• 4.1. Vấn đề về tấn công đối kháng trên MidSiot
• 4.2. Tấn công đối kháng trên mô hình cây quyết định
• 4.2.1. Thực nghiệm tấn công đối kháng trên mô hình cây quyết định
• 4.2.2. Mô hình cây quyết định chống lại các cuộc tấn công đối kháng
• 4.2.3. Thuật toán xây dựng mô hình cây quyết định có khả năng chống lại các cuộc tấn công đối kháng
• 4.2.4. Thuật toán tối ưu hóa tìm điểm phân nhánh
• 4.2.5. Tối ưu hóa thuật toán tìm điểm phân nhánh
• 4.2.6. Thực nghiệm mô hình cây quyết định có khả năng chống lại các cuộc tấn công đối kháng
• 4.3. Vấn đề về offset
• 4.4. Vấn đề về phân loại đa lớp
• 4.5. Mô hình học sâu cho dữ liệu cấu trúc bảng
• 5. CHƯƠNG 5: THỰC NGHIỆM VÀ ĐÁNH GIÁ
• 5.1. Ngữ cảnh thực nghiệm
• 5.2. Mô hình tổng quan của MidSiot-NG
• 5.3. Kết quả
• 6. CHƯƠNG 6: TỔNG KẾT VÀ HƯỚNG PHÁT TRIỂN
• 6.1. Kết quả đạt được
• 6.2. Hướng phát triển
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về Hệ Thống Phát Hiện Xâm Nhập Đa Giai Đoạn Cho Mạng IoT

Hệ thống phát hiện xâm nhập (IDS) cho mạng IoT đang trở thành một chủ đề nóng trong lĩnh vực an ninh mạng. Với sự gia tăng nhanh chóng của các thiết bị IoT, việc bảo vệ chúng khỏi các cuộc tấn công trở nên cấp thiết hơn bao giờ hết. Hệ thống IDS đa giai đoạn không chỉ giúp phát hiện các cuộc tấn công mà còn nâng cao khả năng phản ứng kịp thời. Nghiên cứu này sẽ trình bày chi tiết về kiến trúc và hoạt động của hệ thống IDS đa giai đoạn, từ đó cung cấp cái nhìn sâu sắc về tầm quan trọng của nó trong việc bảo vệ mạng IoT.

1.1. Định nghĩa và Vai trò của Hệ Thống IDS trong Mạng IoT

Hệ thống IDS là một công cụ quan trọng trong việc bảo vệ an ninh mạng cho các thiết bị IoT. Nó giúp theo dõi và phân tích lưu lượng mạng để phát hiện các hành vi bất thường. Theo nghiên cứu, IDS có thể phát hiện các cuộc tấn công như DoS, DDoS và các cuộc tấn công giả mạo. Việc triển khai IDS giúp tăng cường an ninh cho các thiết bị IoT, đảm bảo tính toàn vẹn và bảo mật dữ liệu.

1.2. Lịch sử và Sự Phát Triển của Hệ Thống IDS

Hệ thống IDS đã có lịch sử phát triển từ những năm 1980, với các mô hình đầu tiên được thiết kế để phát hiện các cuộc tấn công mạng. Qua thời gian, công nghệ đã tiến bộ, và các hệ thống IDS hiện đại sử dụng trí tuệ nhân tạo để cải thiện khả năng phát hiện. Sự phát triển này đã mở ra nhiều cơ hội mới trong việc bảo vệ mạng IoT khỏi các mối đe dọa ngày càng tinh vi.

II. Thách Thức trong An Ninh Mạng IoT và Hệ Thống IDS

Mạng IoT đối mặt với nhiều thách thức trong việc bảo mật, bao gồm sự đa dạng của thiết bị, hạn chế về tài nguyên và khả năng nhận diện các cuộc tấn công. Các thiết bị IoT thường có phần cứng yếu, khiến cho việc triển khai các biện pháp bảo mật truyền thống trở nên khó khăn. Hệ thống IDS cần phải được thiết kế để hoạt động hiệu quả trong môi trường này, đồng thời đảm bảo khả năng phát hiện và phản ứng kịp thời với các mối đe dọa.

2.1. Các Mối Đe Dọa Chính Đối Với Mạng IoT

Các mối đe dọa chính đối với mạng IoT bao gồm tấn công từ chối dịch vụ (DoS), tấn công giả mạo định danh và tấn công đối kháng. Những cuộc tấn công này có thể gây ra thiệt hại nghiêm trọng cho hệ thống và dữ liệu. Theo nghiên cứu, việc phát hiện sớm các cuộc tấn công này là rất quan trọng để bảo vệ an ninh mạng.

2.2. Hạn Chế của Các Hệ Thống IDS Hiện Tại

Nhiều hệ thống IDS hiện tại gặp khó khăn trong việc phát hiện các cuộc tấn công mới và chưa được biết đến. Điều này chủ yếu do việc thiếu dữ liệu huấn luyện và khả năng nhận diện loại thiết bị. Hệ thống IDS cần phải được cải tiến để có thể phát hiện hiệu quả hơn các cuộc tấn công đa dạng trong môi trường IoT.

III. Phương Pháp Xây Dựng Hệ Thống IDS Đa Giai Đoạn Cho Mạng IoT

Để xây dựng một hệ thống IDS hiệu quả cho mạng IoT, cần áp dụng các phương pháp hiện đại như học máy và trí tuệ nhân tạo. Hệ thống IDS đa giai đoạn sẽ bao gồm nhiều lớp phát hiện, từ việc nhận diện thiết bị đến phân tích lưu lượng mạng. Mỗi giai đoạn sẽ đóng vai trò quan trọng trong việc nâng cao khả năng phát hiện và phản ứng với các cuộc tấn công.

3.1. Kiến Trúc Hệ Thống IDS Đa Giai Đoạn

Kiến trúc của hệ thống IDS đa giai đoạn bao gồm ba lớp chính: lớp nhận diện thiết bị, lớp phát hiện lưu lượng bất thường và lớp phân loại tấn công. Mỗi lớp sẽ sử dụng các thuật toán khác nhau để tối ưu hóa khả năng phát hiện. Việc phân chia này giúp hệ thống hoạt động hiệu quả hơn và giảm thiểu sai sót trong quá trình phát hiện.

3.2. Ứng Dụng Trí Tuệ Nhân Tạo Trong Hệ Thống IDS

Trí tuệ nhân tạo đóng vai trò quan trọng trong việc cải thiện khả năng phát hiện của hệ thống IDS. Các thuật toán học máy có thể được sử dụng để phân tích dữ liệu và nhận diện các mẫu tấn công. Theo nghiên cứu, việc áp dụng AI giúp tăng cường độ chính xác và khả năng phản ứng của hệ thống IDS trong môi trường IoT.

IV. Kết Quả Nghiên Cứu và Ứng Dụng Thực Tiễn của Hệ Thống IDS

Kết quả nghiên cứu cho thấy hệ thống IDS đa giai đoạn có khả năng phát hiện các cuộc tấn công hiệu quả hơn so với các hệ thống truyền thống. Việc áp dụng các phương pháp học máy đã giúp cải thiện độ chính xác và giảm thiểu thời gian phản ứng. Hệ thống này có thể được ứng dụng trong nhiều lĩnh vực khác nhau, từ y tế đến sản xuất, nhằm bảo vệ an ninh cho các thiết bị IoT.

4.1. Kết Quả Thực Nghiệm và Đánh Giá Hiệu Quả

Các thử nghiệm cho thấy hệ thống IDS đa giai đoạn đạt được tỷ lệ phát hiện cao và tỷ lệ sai sót thấp. Việc sử dụng các thuật toán học máy đã giúp cải thiện đáng kể khả năng phát hiện các cuộc tấn công. Kết quả này cho thấy tiềm năng lớn của hệ thống trong việc bảo vệ an ninh mạng cho các thiết bị IoT.

4.2. Ứng Dụng Thực Tiễn Của Hệ Thống IDS

Hệ thống IDS đa giai đoạn có thể được triển khai trong nhiều lĩnh vực khác nhau như y tế, sản xuất và an ninh thông tin. Việc bảo vệ các thiết bị IoT trong những lĩnh vực này là rất quan trọng, giúp đảm bảo an toàn cho dữ liệu và người dùng. Nghiên cứu này mở ra hướng đi mới cho việc phát triển các giải pháp bảo mật hiệu quả hơn.

V. Kết Luận và Hướng Phát Triển Tương Lai của Hệ Thống IDS

Hệ thống phát hiện xâm nhập đa giai đoạn cho mạng IoT đã chứng minh được hiệu quả trong việc phát hiện và phản ứng với các cuộc tấn công. Tuy nhiên, vẫn còn nhiều thách thức cần phải giải quyết, đặc biệt là trong việc cải thiện khả năng nhận diện và phản ứng với các cuộc tấn công mới. Hướng phát triển tương lai sẽ tập trung vào việc tối ưu hóa các thuật toán và cải thiện khả năng tự động hóa trong hệ thống.

5.1. Những Thách Thức Cần Giải Quyết

Một trong những thách thức lớn nhất là khả năng nhận diện các cuộc tấn công mới và chưa được biết đến. Hệ thống cần phải được cập nhật thường xuyên để đảm bảo tính hiệu quả. Ngoài ra, việc tối ưu hóa các thuật toán cũng là một yếu tố quan trọng để nâng cao hiệu suất của hệ thống.

5.2. Hướng Phát Triển Tương Lai

Hướng phát triển tương lai sẽ tập trung vào việc tích hợp các công nghệ mới như học sâu và phân tích dữ liệu lớn. Việc này sẽ giúp cải thiện khả năng phát hiện và phản ứng của hệ thống IDS. Đồng thời, nghiên cứu cũng sẽ hướng đến việc phát triển các giải pháp bảo mật toàn diện hơn cho mạng IoT.

Trích đoạn nội dung tài liệu

ĐẠI HỌC QUOC GIA TP. HO CHÍ MINH TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN KHOA MẠNG MAY TÍNH VÀ TRUYEN THONG NGUYEN DAT THINH HO XUAN NINH KHOA LUAN TOT NGHIEP MIDSIOT: HE THONG PHAT HIEN XAM NHAP NHIEU GIAI DOAN CHO MANG IOT (MIDSIOT: A MULTISTAGE INTRUSION DETECTION SYSTEM FOR INTERNET OF THINGS) KY SU TAI NANG AN TOAN THONG TIN TP. HO CHÍ MINH, 2023 NGUYEN DAT THỊNH- 19520982 HO XUAN NINH- 19521978 KHOA LUAN TOT NGHIEP MIDSIOT: HE THONG PHAT HIEN XAM NHAP NHIEU GIAI DOAN CHO MANG IOT (MIDSIOT: A MULTISTAGE INTRUSION DETECTION SYSTEM FOR INTERNET OF THINGS) KY SU TAI NANG AN TOAN THONG TIN GIẢNG VIÊN HƯỚNG DAN TS. LÊ KIM HÙNG TP.

HO CHÍ MINH, 2023 THONG TIN HỘI DONG CHAM KHÓA LUẬN TOT NGHIỆP Hội đồng cham khóa luận tốt nghiệp, thành lập theo Quyết định số 878 ngày 24/10/2022 của Hiệu trưởng Trường Đại học Công nghệ Thông tin. Lời Cảm Ơn Đầu tiên, chúng em xin gửi lời cảm ơn đến quý thầy cô đang công tác và giảng dạy tại khoa Mạng máy tính và Truyền thông, cũng như toàn thể tất cả các thầy cô đang công tác và giảng dạy tại trường Đại học Công nghệ Thông tin - ĐHQG TPHCM vì những kiến thức, bài học và kinh nghiệm quý báu mà chúng em nhận được trong suốt chặng đường 3 năm rưỡi đại học vừa qua. Chúng em xin chúc cho khoa Mạng máy tinh và Truyền thông nói riêng và trường Đại học Công nghệ Thông tin - ĐHQG TPHCM nói chung luôn thành công rực rỡ trên con đường giáo dục, luôn đào tạo ra được những nhân tài cho đất nước, và sẽ mãi là niềm tin, điểm đến vững chắc và hấp dẫn cho các thế hệ sinh viên mai sau. Chúng em cũng xin cảm ơn một cách chân thành đến giảng viên, TS.

Lê Kim Hùng. Nhờ những kinh nghiệm, những bài học, những sự quan tâm, giúp đỡ và định hướng của thay mà chúng em đã chỉnh phục được những khó khăn và thử thách trong suốt quá trình thực hiện khóa luận tốt nghiệp này. Tiếp theo, chúng em xin gửi lời cảm ơn chân thành đến gia đình vì đã luôn luôn tin tưởng, động viên chúng em trong suốt quá trình học tập tại trường Đại học Công nghệ Thông tin - ĐHQG TPHCM, giúp chúng em có thêm nguồn động lực dé phan đấu phát triển và đạt được những thành công như ngày hôm nay. Cuối cùng, chúng em xin cảm ơn các anh, chị và các bạn sinh viên tại trường Đại học Công nghệ Thông tin - ĐHQG TPHCM đã luôn đồng hành, giúp đỡ, nhiệt tình chia sẻ ý kiến và góp ý cho chúng em đề giúp cho khóa luận tốt nghiệp được tốt hơn và hoàn thiện hơn.

Hồ Chi Minh, ngày. năm 2023 Nhóm tác giả Mục Lục Lời Cảm Ơn iv TOM TAT KHOA LUAN 1 CHUONG 1. Tén dé tai 2 1. Mục tiêu của đề tài 4 1.

Đối tượng và phạm vi nghiên cứu 5 1. Đối tượng nghiên cứu 5 1. Phạm vi nghiên cứu 5 CHƯƠNG 2. Hệ thống phát hiện xâm nhập 6 2.

Các mô hình trí tuệ nhân tạo cơ bản 9 2. Tổng quan về Trí tuệ nhân tạo, machine Learning và Deep Learning 9 2. Tan công đối kháng (Adversarial attack) 14 2.2 Cách thực hiện tấn công đối kháng 15 2. Phân loại tắn công đối kháng 16 2.

Các công cụ va frameworks 17 2. Một số công cụ hỗ trợ tấn công đối kháng 20 CHƯƠNG 3. GIỚI THIỆU MÔ HÌNH MidSiot 21 3. Tổng quan về MidSiot 21 3.

Mô hình đề xuất của MidSiot 22 3. Phương pháp thực hiện 26 3. Thu thập và xử lý dữ liệu 26 3. Chọn thuật toán máy học thích hợp 29 3.

Thuật toán phát hiện tấn công nhiều giai đoạn 32 3. Kết quả thực nghiệm 35 3. Phương thức đánh giá 35 3. Attack Class Balancing 36 3.

Kết quả và nhận xét 39 CHƯƠNG 4. PHÁT TRIÊN MidSiot ĐẺ CÓ KHẢ NĂNG CHÓNG LẠI CÁC CUỘC TẤN CÔNG ĐÓI KHÁNG 44 4. Vấn đề về tắn công đối kháng trên MidSiot 44 4. Tan công đối kháng trên mô hình cây quyết định 45 4.

Thực nghiệm tan công đối kháng trên mô hình cây quyết định 47 4. Mô hình cây quyết định chống lại các cuộc tan công đối kháng 62 4. Thuật toán xây dựng mô hình cây quyết định có khả năng chống lại các cuộc tan công đôi kháng 63 4. Thuật toán tôi ưu hóa tìm điểm phân nhánh 66 4.

Tối ưu hóa thuật toán tìm điểm phân nhánh 68 4. Thực nghiệm mô hình cây quyết có khả năng chống lại các cuộc tấn công đối kháng 69 4. Van đề về offset 74 4. Vấn đề về phân loại đa lớp 91 4.

Mô hình học sâu cho dữ liệu cấu trúc bảng 91 CHUONG 5. THUC NGHIEM VA DANH GIA 95 5.1 Ngữ cảnh thực nghiệm 95 5. Mô hình tổng quan của MidSiot-NG 96 5. Kết quả 97 CHUONG 6.

TONG KET VA HUGNG PHAT TRIEN 99 6. Kết qua đạt được 99 6. Hướng phát triển 99 TÀI LIỆU THAM KHẢO 100 DANH MỤC HÌNH Hình 2.1 minh họa thuật toán cây quyết định [7].------¿-2 s++s<+x+zz+zxzzxerse+ 13 Hình 2.2 minh họa tan công đối kháng [§].-------2- 5£ ©2++2££+£xzzz+rxzzsersez 15 Isin 068334 0.1 Mô hình tổng quan của MidSiot.2 Sơ đồ của giai đoạn training (huấn luyện các mô hình máy học).3 Sơ đồ giai đoạn dự đoán, phân loại các luồng dữ liệu mạng.4 kết qua macro average FI-score của tập dữ liệu IOTID20.5 kết quả macro average Fl-score của tập dit liệu CIC-IDS-2017.1 Mã giả cho thuật toán tan công đối kháng trên mô hình cây quyết định.2 Minh họa cho thuật toán tan công đối kháng trên cây quyết định.3 Confusion matrix cho stage 1 - Trái: Clean sample - Phải: Adversarial sample Cho tap dit liu ToTID20.4 Confusion matrix cho stage 2 - Device: External - Trai: Clean sample - Phai: Adversarial sample của tap dữ liệu Io'TII220.5 Confusion matrix cho stage 2 - Device: Ezviz - Trái: Clean sample - Phải: Adversarial sample của tập dữ liệu JoTID20. eee cceeceeseesceeseeceeeeeseeeeeeaeeeeeseeseees 50 Hinh 4.6 Confusion matrix cho stage 2 - Device: Nugu - Trai: Clean sample - Phai: Adversarial sample của tap dữ liệu IoTIID20.7 Confusion matrix cho stage 3 - Trái: Clean sample - Phải: Adversarial sample cua tap dit ligu 19501797205.8 Confusion matrix cho stage 1 - Clean sample cua tập dữ liệu CIC-IDS-2017.9 Confusion matrix cho stage 1 - Adversarial sample cua tap dữ liệu CIC-IDS- J MHAii.10 Confusion matrix cho stage 2 - Device: External - Trái: Clean sample - Phải: Adversarial sample của tập dữ liệu CIC-IDS-20 7.11 Confusion matrix cho stage 2 - Device: Ubuntu 14.4 64bit - Trai: Clean sample - Phải: Adversarial sample của tap đữ liệu CIC-IDS-2017.12 Confusion Matrix cho stage 2 - Device: Ubuntu Server 12 Public - Trai: Clean sample - Phải: Adversarial sample của tap dữ liệu CIC-IDS-2017.13 Confusion matrix cho stage 2 - Device: Web Server 16 Public - Trái: Clean sample - Phải: Adversarial sample của tập dữ liệu CIC-IDS-2017.14 Confusion matrix cho stage 2 - Device: Windows 7 Pro 64bit - Trai: Clean sample - Phải: Adversarial sample của tap dữ liệu CIC-IDS-2017.15 Confusion matrix cho stage 2 - Device: Windows 8.1 64bit - Trái: Clean sample - Phải: Adversarial sample cho tập dữ liệu CIC-IDS-2017.16 Confusion matrix cho stage 2 - Device: Windows Vista 64bit - Trái: Clean sample - Phải: Adversarial sample của tập dữ liệu CIC-IDS-2017.17 Confusion matrix cho stage 3 - Clean sample cua tập dữ liệu CIC-IDS-2017.18 Confusion matrix stage 3 - Adversarial sample của tập dữ liệu CIC-IDS-2017.19 Confusion matrix cho stage 1 - Clean sample của tập dữ liệu BOT-IoT.20 Confusion matrix cho stage 1 - Adversarial sample của tập dué liệu BOT-IoT.21 Confusion matrix cho stage 2 - Device: Metasploitable - Trai: Clean sample - Phải: Adversarial sample của tap dữ liệu BOT-ÏoïT.22 Confusion matrix cho stage 2 - Device: Ubuntu Mobile - Trai: Clean sample - Phải: Adversarial sample của tap dữ liệu BOTT-loïÏ.23 Confusion matrix cho stage 2 - Device: Ubuntu Server - Trai: Clean sample - Phải: Adversarial sample của tập dữ liệu BOTT-IOïT.24 Confusion matrix cho stage 2 - Device: windows 7 - Trái: Clean sample - Phải: Adversarial sample của tập dữ liệu BO T-IOÏT.25 Confusion matrix cho stage 3 - Clean sample cua tập dữ liệu BOT-IoT.26 Confusion matrix cho stage 3 - Adversarial sample của tập dtr liệu BOT-IoT.27 minh họa tan công đối kháng và chọn thuộc tính chống đối kháng [31].

Tìm trường hợp tệ nhất khi mô hình cây quyết định bị tan công 083117222777. Tìm điểm phân nhánh tối ưu nhất trong trường hợp tệ nhất khi mô hình cây quyết định bị tan công đối kháng.-- 2 2 2 + +2 x+£+£x£+E++zz+zeez 68 Hình 4.31 Confusion matrix cho stage 1 - các thiết bị iot của tập dữ liệu JoTID20.32 Confusion matrix cho stage 1 - các thiết bị loT của tập dữ liệu CIC-IDS-2017. veeeeeneeeccoceeceecereeceneeee see TT. PP, 6TĐƯNh, TÀ.33 Confusion matrix cho stage 1 - cac thiết bị loT của tập dữ liệu CIC-IDS-2017.34 Confusion matrix cho stage 1 - cac thiết bị loT của tập dữ liệu CIC-IDS-2017.35 Confusion matrix cho stage 1 - các thiết bị loT của tập dữ liệu BOT-IoT.36 Thử nghiệm tấn công mô hình của thiết bị Ezviz - Attack offset: 0.37 Thử nghiệm tấn công mô hình của thiết bị Ezviz - Attack offset: 0.38 Thử nghiệm tan công mô hình của thiết bị Nugu - Attack offset: 0.39 Thử nghiệm tan công mô hình của thiết bi External - Attack offset: 0.40 Thử nghiệm tấn công mô hình của thiết bi External - Attack offset: 0.41 Thử nghiệm tan công mô hình của thiết bị Web Server 16 Public Attack Offset: (.G LG 001111001111 111g ng HT Hy 78 Hình 4.42 Thử nghiệm tấn công mô hình của thiết bị Web Server 16 Public - Attack Di n0 TT .43 Thử nghiệm tan công mô hình của thiết bi Windows 8.1 64bit - Attack offset: 0.44 Thử nghiệm tấn công mô hình của thiết bị Windows Vista 64bit - Attack D0100.45 Thử nghiệm tan công mô hình của thiết bị Windows 7 pro 64bit- Attack offset: 0.46 Thử nghiệm tan công mô hình của thiết bị Window 10 pro 64bit - Attack D0105.47 Thử nghiệm tấn công mô hình của thiết bi Windows 10 pro 32bit - Attack Đế".48 Thử nghiệm tan công mô hình của thiết bi Ubuntu Server 64bit - Attack offset: OLD.49 Thử nghiệm tan công mô hình của thiết bị Ubuntu mobile - Attack offset: 0.50 Thử nghiệm kết quả tấn công đối kháng mô hình của thiết bị EZVIZ trên tập hñ)ì8i100013019720111211277.51 Thử nghiệm kết quả tan công đối kháng mô hình của thiết bị Nugu trên tập dit liệu Io TI D20.- - ¿+ 2 1E 1211162111311 81 19311193 119111191 11H vn kg ng ke 84 Hình 4.52 Thử nghiệm kết quả tấn công đối kháng mô hình của thiết bị External trên tập h)00i1008135019720 115-454.53 Thử nghiệm kết quả tan công đối kháng mô hình của thiết bị External trên tap l8 8910318531 A.54 Thử nghiệm kết quả tấn công đối kháng mô hình của thiết bị Ubuntu 16.04 64bit trên tập dữ liệu CIC-IIDS-20 l7.55 Thử nghiệm kết quả tấn công đối kháng mô hình của thiết bị Ubuntu server 12 public trên tập dữ liệu CIC-IIDS-20 ÏÝ7.