Hệ Thống Phát Hiện Xâm Nhập Đáng Tin Cậy Sử Dụng Học Máy Đối Kháng và AI Giải Thích

• Tác giả: Nguyen Ngoc Tai
• Người hướng dẫn: ThS. Ngo Khanh Khoa
• Trường học: Đại học Quốc gia TP. Hồ Chí Minh
• Chuyên ngành: An toàn thông tin
• Đề tài: Hệ Thống Phát Hiện Xâm Nhập Đáng Tin Cậy Sử Dụng Học Máy Đối Kháng và AI Giải Thích
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2024
• Địa điểm: Thành phố Hồ Chí Minh

• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Tổng quan đề tài
• 1.2. Mục tiêu nghiên cứu
• 1.3. Đối tượng nghiên cứu
• 1.4. Phạm vi nghiên cứu
• 1.5. Cấu trúc khóa luận tốt nghiệp
• 2. TỔNG QUAN VỀ HỌC SÂU VÀ MẠNG SINH ĐỐI KHÁNG
• 2.1. Tổng quan về học sâu - Deep Learning. Mô hình Deep Neural Network
• 2.2. Mạng sinh đối kháng GAN (Generative Adversarial Network)
• 2.3. Wasserstein GAN Gradient Penalty (WGAN-GP)
• 2.4. Các phương pháp tấn công mẫu đối kháng
• 2.4.1. Fast Gradient Sign Method (FGSM)
• 2.4.2. Basic Iterative Method (BIM)
• 2.4.3. Jacobian-Based Saliency Map Attack (JSMA)
• 2.4.4. Carlini & Wagner L2-norm Attack (CW L2)
• 2.4.5. Zeroth-Order Optimisation Attack (ZOO)
• 2.5. Explainable Artificial Intelligence (XAI)
• 2.5.1. SHapley Additive exPlanations (SHAP)
• 2.6. Cơ chế tự chú ý
• 3. PHƯƠNG PHÁP NGHIÊN CỨU
• 3.1. Phương pháp nền tảng
• 3.2. self-Attention on Explanation
• 4. TRIỂN KHAI THỬ NGHIỆM VÀ ĐÁNH GIÁ KẾT QUẢ
• 4.1. Môi trường thử nghiệm
• 4.2. Các kịch bản thử nghiệm
• 4.2.1. Kịch bản 1 - Kiểm tra hiệu quả phát hiện xâm nhập
• 4.2.2. Kịch bản 2 - Kiểm tra khả năng chống lại mẫu đối kháng
• 4.2.3. Xác định hành vi của mô hình IDS
• 4.3. Kiến trúc mạng sAoEGAN
• 4.4. Chỉ số đo lường
• 4.5. Đánh giá kết quả
• 4.5.1. Khả năng kháng mẫu đối kháng
• 4.5.1.1. Đối với DNN2L
• 4.5.1.2. Đối với DNN4L
• 4.5.2. Khả năng phát hiện tấn công
• 4.5.2.1. Đối với DNN2L
• 4.5.2.2. Đối với DNN4L
• 4.5.3. Độ phân phối các điểm dữ liệu tấn công
• 5. KẾT LUẬN
• 5.1. Nhận xét và đánh giá
• 5.2. Hướng phát triển
• DANH SÁCH HÌNH VẼ
• DANH SÁCH BẢNG
• DANH MỤC TỪ VIẾT TẮT
• DANH MỤC TỪ TẠM DỊCH

I. Tổng quan về Hệ Thống Phát Hiện Xâm Nhập Đáng Tin Cậy

Hệ thống phát hiện xâm nhập (IDS) là một phần quan trọng trong an ninh mạng, giúp giám sát và phân tích các sự kiện trong hệ thống. Với sự phát triển của công nghệ, việc ứng dụng học máy vào IDS đã trở thành xu hướng. Tuy nhiên, nhiều thách thức vẫn tồn tại, đặc biệt là trong việc đảm bảo tính đáng tin cậy và khả năng giải thích của các mô hình học sâu. Nghiên cứu này sẽ tập trung vào việc phát triển một hệ thống IDS sử dụng học máy đối kháng và AI giải thích để nâng cao hiệu quả phát hiện xâm nhập.

1.1. Ứng dụng của Học Máy trong An Ninh Mạng

Học máy đã được áp dụng rộng rãi trong an ninh mạng, giúp phát hiện các hành vi bất thường. Các mô hình học sâu cho thấy hiệu quả cao trong việc nhận diện tấn công, nhưng cũng gặp phải nhiều vấn đề như độ tin cậy và khả năng giải thích.

1.2. Tầm Quan Trọng của AI Giải Thích trong IDS

AI giải thích giúp người dùng hiểu rõ hơn về các quyết định của mô hình học sâu. Điều này không chỉ nâng cao độ tin cậy mà còn giúp cải thiện khả năng phát hiện xâm nhập của hệ thống.

II. Thách Thức trong Hệ Thống Phát Hiện Xâm Nhập Hiện Nay

Mặc dù có nhiều tiến bộ trong công nghệ IDS, nhưng vẫn còn nhiều thách thức lớn. Một trong những vấn đề chính là sự nhạy cảm của các mô hình học sâu trước các cuộc tấn công đối kháng. Điều này có thể dẫn đến việc phát hiện sai và giảm hiệu quả của hệ thống. Ngoài ra, việc thiếu dữ liệu huấn luyện cân bằng cũng là một vấn đề nghiêm trọng.

2.1. Vấn Đề Nhạy Cảm với Tấn Công Đối Kháng

Các mô hình học sâu thường dễ bị tấn công đối kháng, dẫn đến việc dự đoán sai. Điều này đặt ra yêu cầu cần thiết phải phát triển các phương pháp bảo vệ hiệu quả hơn.

2.2. Thiếu Dữ Liệu Huấn Luyện Cân Bằng

Nhiều bộ dữ liệu công khai thiếu tính đại diện cho các cuộc tấn công hiện đại, gây khó khăn trong việc huấn luyện các mô hình IDS hiệu quả.

III. Phương Pháp Huấn Luyện Đối Kháng cho IDS

Để giải quyết các vấn đề trên, phương pháp huấn luyện đối kháng đã được đề xuất. Phương pháp này giúp tăng cường khả năng phát hiện xâm nhập của IDS bằng cách tạo ra các mẫu đối kháng chất lượng. Việc áp dụng mạng sinh đối kháng (GAN) cũng đã cho thấy hiệu quả trong việc cải thiện tính bền vững của mô hình.

3.1. Huấn Luyện Đối Kháng và Tính Bền Vững

Huấn luyện đối kháng giúp mô hình IDS trở nên bền vững hơn trước các tấn công đối kháng, từ đó nâng cao khả năng phát hiện xâm nhập.

3.2. Ứng Dụng Mạng Sinh Đối Kháng GAN

Mạng sinh đối kháng đã được sử dụng để tạo ra các mẫu dữ liệu mới, giúp cân bằng dữ liệu và cải thiện hiệu suất của mô hình IDS.

IV. Kết Quả Nghiên Cứu và Ứng Dụng Thực Tiễn

Nghiên cứu đã chỉ ra rằng việc áp dụng mô hình sAoEGAN có thể cải thiện đáng kể khả năng phát hiện xâm nhập. Các thử nghiệm cho thấy mô hình này không chỉ bền vững trước các tấn công đối kháng mà còn cung cấp khả năng giải thích tốt hơn cho người dùng. Điều này mở ra hướng đi mới cho việc phát triển các hệ thống IDS trong tương lai.

4.1. Đánh Giá Hiệu Quả của Mô Hình

Các thử nghiệm cho thấy mô hình sAoEGAN đạt được độ chính xác cao trong việc phát hiện xâm nhập, đồng thời giảm thiểu tỷ lệ cảnh báo sai.

4.2. Ứng Dụng Thực Tiễn trong An Ninh Mạng

Mô hình này có thể được áp dụng trong nhiều lĩnh vực khác nhau, từ doanh nghiệp đến các tổ chức chính phủ, nhằm nâng cao an ninh mạng.

V. Kết Luận và Hướng Phát Triển Tương Lai

Nghiên cứu đã chỉ ra rằng việc kết hợp học máy đối kháng và AI giải thích có thể tạo ra một hệ thống phát hiện xâm nhập đáng tin cậy và hiệu quả. Hướng phát triển trong tương lai sẽ tập trung vào việc cải thiện khả năng giải thích và tính bền vững của các mô hình IDS, đồng thời mở rộng ứng dụng của chúng trong các lĩnh vực khác nhau.

5.1. Tương Lai của Hệ Thống IDS

Hệ thống IDS sẽ ngày càng trở nên quan trọng trong việc bảo vệ an ninh mạng, đặc biệt trong bối cảnh tấn công ngày càng tinh vi.

5.2. Hướng Nghiên Cứu Tiếp Theo

Cần tiếp tục nghiên cứu để phát triển các phương pháp mới nhằm nâng cao hiệu quả và độ tin cậy của hệ thống phát hiện xâm nhập.