Giới thiệu dự án

Trong kỷ nguyên chuyển đổi số và bùng nổ hạ tầng mạng doanh nghiệp, các mối đe dọa an ninh mạng đang gia tăng với tốc độ chưa từng có. Theo các báo cáo an ninh mạng toàn cầu, số lượng cuộc tấn công mạng có chủ đích tăng hơn 38% mỗi năm, gây thiệt hại kinh tế hàng nghìn tỷ USD. Hệ thống phát hiện xâm nhập (Intrusion Detection System - IDS) đóng vai trò then chốt trong cấu trúc phòng thủ chiều sâu, chịu trách nhiệm liên tục giám sát lưu lượng mạng và phát hiện các dấu hiệu vi phạm chính sách bảo mật.

Tuy nhiên, việc tích hợp các mô hình học sâu (Deep Learning - DL) vào hệ thống phát hiện xâm nhập mạng (Network-based IDS - NIDS) đang đối mặt với ba thách thức kỹ thuật cốt lõi:

  • Tính chất "hộp đen" (Black-box): Các mô hình Deep Neural Network (DNN) có độ chính xác cao nhưng không thể giải trình lý do đưa ra cảnh báo, làm giảm mức độ tin cậy của các chuyên gia vận hành Trung tâm điều hành an ninh mạng (Security Operations Center - SOC).
  • Tính dễ bị tổn thương trước tấn công đối kháng (Adversarial Attacks): Kẻ tấn công có thể tinh chỉnh các thuộc tính lưu lượng mạng ở mức vi mô (thông qua các thuật toán như FGSM, BIM, JSMA, CW, DeepFool, ZOO) để tạo ra các mẫu đối kháng (Adversarial Examples), qua mặt hoàn toàn bộ lọc của IDS mà không làm thay đổi bản chất phá hoại của gói tin.
  • Sự mất cân bằng dữ liệu nghiêm trọng (Severe Class Imbalance): Lưu lượng mạng thực tế và các bộ dữ liệu tiêu chuẩn (CIC-IDS2017, UNSW-NB15) luôn có tỷ lệ mẫu tấn công cực kỳ thấp so với mẫu bình thường (Benign), khiến các kỹ thuật tăng cường dữ liệu truyền thống như SMOTE dễ gây ra hiện tượng chồng chéo biên quyết định (decision boundary overlap) và overfitting.
+-----------------------------------------------------------------------------------+
|                              CÁC THÁCH THỨC CỐT LÕI                                |
+-----------------------------------------------------------------------------------+
|  [Hộp đen (Black-box)]   --> Thiếu minh bạch, khó debug, giảm độ tin cậy của SOC   |
|  [Tấn công đối kháng]    --> Bị qua mặt bởi các nhiễu loạn vi mô (Perturbations)    |
|  [Mất cân bằng dữ liệu]  --> SMOTE truyền thống gây nhiễu và chồng chéo nhãn       |
+-----------------------------------------------------------------------------------+

Khóa luận tốt nghiệp ngành An toàn Thông tin tại Trường Đại học Công nghệ Thông tin – ĐHQG-HCM của nhóm tác giả Nguyễn Ngọc Tài và Nguyễn Đức Tân (dưới sự hướng dẫn của ThS. Ngô Khánh Khoa và hỗ trợ chuyên môn từ ThS. Phan Thế Duy tại InSecLab) đã đề xuất giải pháp toàn diện: Xây dựng hệ thống phát hiện xâm nhập bền vững và tin cậy bằng cách kết hợp học máy đối kháng (Adversarial Machine Learning) và trí tuệ nhân tạo khả giải trình (Explainable Artificial Intelligence - XAI).

Mục tiêu dự án

  1. Nghiên cứu và xây dựng kiến trúc mạng nơ-ron học sâu (DNN 2 lớp ẩn và DNN 4 lớp ẩn) phục vụ phát hiện xâm nhập mạng hiệu năng cao.
  2. Ứng dụng các phương pháp XAI (SHAP, Saliency Map) để giải thích cơ chế ra quyết định của mô hình, trích xuất thuộc tính đóng góp quan trọng (Shapley Value).
  3. Đề xuất mô hình mạng sinh đối kháng mới sAoEGAN (self-Attention on Explanation Generative Adversarial Network) kết hợp cơ chế tự chú ý (Self-Attention) trên ma trận giải trình XAI và hàm mất mát Wasserstein GAN Gradient Penalty (WGAN-GP) nhằm sinh dữ liệu tấn công đối kháng chất lượng cao.
  4. Phát triển bộ khung huấn luyện đối kháng RobustAdvTrain (Robustness Adversarial Training framework) giúp mô hình DL-IDS tự động tăng cường khả năng phòng thủ trước 7 phương pháp tấn công đối kháng phổ biến.
  5. Đánh giá và kiểm thử toàn diện trên hai bộ dữ liệu chuẩn quốc tế là UNSW-NB15 và CIC-IDS2017.

Phạm vi và giới hạn nghiên cứu

  • Phạm vi: Tập trung vào NIDS phân loại nhị phân (Benign vs. Attack); khai thác không gian đặc trưng bảng (tabular feature space) trích xuất từ luồng mạng (flow-based features); thử nghiệm khả năng kháng các dạng tấn công hộp trắng (White-box), hộp xám (Gray-box) và hộp đen (Black-box).
  • Giới hạn: Nghiên cứu tập trung vào phân tích gói tin ở tầng trích xuất thuộc tính thống kê, chưa thực hiện giải mã trực tiếp raw packet payload ở tốc độ đường truyền dây cứng terabit/giây (Line-rate processing).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các phương pháp tiếp cận NIDS hiện nay trên thị trường và trong nghiên cứu học thuật bộc lộ nhiều điểm hạn chế khi đặt trong môi trường tấn công phi đối xứng:

Phương pháp Ưu điểm Nhược điểm chí tử Khả năng giải trình Khả năng kháng Adversarial
Signature-based IDS (Snort, Suricata) Tốc độ khớp mẫu nhanh, False Positive Rate (FPR) thấp với tấn công cũ. Vô hiệu hoàn toàn trước biến thể 0-day và payload mã hóa. Cao (dựa theo luật) Thấp (chỉ cần đổi signature)
Standard Deep Learning IDS (DNN, CNN, LSTM) Tự động trích xuất đặc trưng phi tuyến tính, phát hiện bất thường tốt. Hộp đen hoàn toàn; giảm hơn 60% độ chính xác khi gặp mẫu đối kháng. Rất thấp Rất thấp (dễ bị đánh lừa)
SMOTE + DL-IDS Cân bằng tập dữ liệu nhanh chóng. Tạo dữ liệu nội suy tuyến tính gây nhiễu biên và false alarms cao. Thấp Kém
Giải pháp đề xuất (RobustAdvTrain + sAoEGAN) Cân bằng dữ liệu thực tế bằng WGAN-GP; tự động tối ưu biên phân loại; kháng vững chắc 7 loại tấn công. Đòi hỏi chi phí tính toán GPU trong pha huấn luyện ban đầu. Rất cao (SHAP + Saliency) Rất cao (Duy trì Accuracy > 85-98%)

Yêu cầu hệ thống theo mô hình MoSCoW

  • Must have (Bắt buộc): Bộ sinh sAoEGAN tích hợp Self-Attention trên XAI matrix; Bộ khung RobustAdvTrain với vòng lặp phản hồi 3 pha; Khả năng phân loại lưu lượng đạt F1-Score $\ge 95%$; Khả năng chống chịu trước FGSM, BIM, JSMA, CW, DeepFool, ZOO.
  • Should have (Nên có): Bảng xếp hạng độ quan trọng đặc trưng qua XGBoost Feature Selection; Trực quan hóa phân phối dữ liệu đa chiều qua t-SNE.
  • Could have (Có thể có): Giao diện dashboard hiển thị Shapley Value tức thời cho SOC Analyst.
  • Won't have (Chưa hỗ trợ): Xử lý luồng mạng phân tán multi-cloud theo thời gian thực (real-time stream distributed computing).

Thiết kế hệ thống

Kiến trúc giải pháp được thiết kế thành hai khối liên hoàn: Bộ khung huấn luyện tổng thể RobustAdvTrain và Mô hình sinh đối kháng sAoEGAN.

+---------------------------------------------------------------------------------------------------+
|                                  KIẾN TRÚC BỘ KHUNG ROBUSTADVTRAIN                                |
+---------------------------------------------------------------------------------------------------+
|                                                                                                   |
|   +-------------------+        (1) Robustness Training        +-------------------------------+   |
|   |     DATABASE      | ------------------------------------> |       Mô hình DL-IDS (D_t)    |   |
|   |  - X_ben (Sạch)   |                                       | (DNN 2 Layers / DNN 4 Layers) |   |
|   |  - X_atk (Gốc)    | <-----------------------------------+ +-------------------------------+   |
|   |  - X_gen (Sinh)   |      Lưu mẫu sinh đã xác thực                     |                       |
|   +-------------------+                                                   | (2) Đánh giá          |
|             ^                                                             v                       |
|             |                                                 +-------------------------------+   |
|             |             (3) Generated Validation            |      ADVERSARIAL ATTACKS      |   |
|             +------------------------------------------------ |   (FGSM, BIM, JSMA, CW, ZOO)  |   |
|                               CHECKER                         +-------------------------------+   |
|                 [So sánh Robustness Score: p_t > p_curr]                  |                       |
|                                                                           v                       |
|                                                               [Robustness Score: p_t]             |
+---------------------------------------------------------------------------------------------------+

Chi tiết các thành phần trong RobustAdvTrain

  1. DATABASE: Kho lưu trữ tập trung dữ liệu lành tính nguyên bản ($X_{ben}$), dữ liệu tấn công nguyên bản ($X_{atk}$), và dữ liệu đối kháng sinh ra đạt chuẩn ($X_{gen}^*$).
  2. DL-IDS Classifier ($D_t$): Mạng phân loại học sâu, gồm 2 biến thể:
    • DNN2L: Input $\rightarrow$ Dense(50, ReLU) $\rightarrow$ Dense(50, ReLU) $\rightarrow$ Dense(100, ReLU) $\rightarrow$ Dense(2, Softmax).
    • DNN4L: Input $\rightarrow$ Dense(50, ReLU) $\rightarrow$ Dense(50, ReLU) $\rightarrow$ Dense(100, ReLU) $\rightarrow$ Dense(100, ReLU) $\rightarrow$ Dense(100, ReLU) $\rightarrow$ Dense(2, Softmax).
  3. Bộ sinh sAoEGAN: Tạo tập dữ liệu đối kháng $X_{gen}$ bằng cách kết hợp cơ chế Attention trên các thuộc tính được XAI gán trọng số cao.
  4. Adversarial Attack Module: Tạo mẫu tấn công biến thể $X'_{atk}$ phục vụ giai đoạn Robustness Validation.
  5. CHECKER Component: Giám sát chỉ số kháng đối kháng $p_t$. Nếu $p_t > p_{curr}$, cập nhật mô hình tối ưu $D_{curr} = D_t$ và đẩy $X_{gen}$ vào DATABASE.

Technology Stack và phiên bản cụ thể

  • Ngôn ngữ lập trình: Python 3.10.x
  • Deep Learning Framework: PyTorch 2.0.1 + CUDA 11.8 (Tối ưu hóa tính toán tensor trên GPU)
  • Giải trình XAI: SHAP 0.42.1, Saliency Map Library
  • Machine Learning & Feature Selection: Scikit-Learn 1.3.0, XGBoost 1.7.5
  • Xử lý ma trận & Dữ liệu: NumPy 1.24.3, Pandas 2.0.3, SciPy 1.11.1
  • Trực quan hóa: Matplotlib 3.7.2, Seaborn 0.12.2, t-SNE (Manifold Learning)
+-----------------------------------------------------------------------------------+
|                             TECHNOLOGY STACK ARCHITECTURE                         |
+-----------------------------------------------------------------------------------+
| [Application Layer]  : Explainable Dashboard / Security Analyst Reports           |
| [XAI & Explainers]   : SHAP 0.42.1, Saliency Maps, XGBoost Feature Ranking        |
| [Generative & Core]  : sAoEGAN Engine, WGAN-GP, Self-Attention Mechanism         |
| [DL Engine]          : PyTorch 2.0.1, TorchVision, CUDA 11.8 Acceleration         |
| [Data Processing]    : NumPy 1.24.3, Pandas 2.0.3, Scikit-Learn 1.3.0             |
+-----------------------------------------------------------------------------------+

Methodology

Quy trình phát triển đề tài tuân thủ phương pháp nghiên cứu thực nghiệm lặp (Iterative Experimental Research) qua các mốc triển khai (Milestones):

  • Milestone 1 (Tháng 1 - 2): Thu thập dữ liệu, làm sạch, mã hóa Label Encoding, chuẩn hóa MinMax Scaling và lựa chọn thuộc tính bằng XGBoost.
  • Milestone 2 (Tháng 3): Xây dựng mạng sinh WGAN-GP tích hợp toán tử Self-Attention trên Explanation Matrix ($sAoE$).
  • Milestone 3 (Tháng 4): Xây dựng bộ khung RobustAdvTrain, thiết lập cơ chế đánh giá vòng lặp khép kín với CHECKER.
  • Milestone 4 (Tháng 5): Thử nghiệm 7 kịch bản tấn công đối kháng hộp trắng/hộp đen và đánh giá so sánh hiệu năng.
  • Milestone 5 (Tháng 6): Phân tích giải trình SHAP, kiểm thử độ ổn định và tối ưu hóa thời gian hội tụ.

Implementation và kết quả

Development process

Cốt lõi toán học và kỹ thuật của hệ thống nằm ở cơ chế self-Attention on Explanation ($sAoE$) và bộ hàm mất mát tối ưu hóa Lipschitz continuity thông qua WGAN-GP.

Cơ chế tự chú ý trên giải thích (sAoE)

Thay vì tính toán Self-Attention thuần túy trên vector đầu vào $s$, cơ chế $sAoE$ tích hợp trực tiếp ma trận giải trình $e$ (sinh ra từ SHAP hoặc Saliency Map) và vector nhiễu ngẫu nhiên $n$:

$$\mathbf{q} = W_q(s)$$

$$\mathbf{k} = W_k(s \odot e)$$

$$\mathbf{v} = W_v(s + n)$$

$$\alpha = \text{Softmax}\left(\frac{\mathbf{q} \cdot \mathbf{k}^T}{\sqrt{d_k}}\right)$$

$$\mathbf{o} = W_o(\mathbf{v} \odot \alpha)$$

Trong đó $\odot$ là phép nhân từng phần tử (Hadamard product), $d_k$ là số chiều của vector khóa, và $\mathbf{o}$ là đầu ra mang đặc trưng sắc nét của mẫu tấn công thật được định hướng bởi các đặc trưng nhạy cảm nhất.

import torch
import torch.nn as nn
import math

class SelfAttentionOnExplanation(nn.Module):
    """
    Module sAoE: Kết hợp vector thuộc tính mạng s, ma trận giải thích e và nhiễu n.
    """
    def __init__(self, in_features, hidden_dim):
        super(SelfAttentionOnExplanation, self).__init__()
        self.hidden_dim = hidden_dim
        self.W_q = nn.Linear(in_features, hidden_dim, bias=False)
        self.W_k = nn.Linear(in_features, hidden_dim, bias=False)
        self.W_v = nn.Linear(in_features, hidden_dim, bias=False)
        self.W_o = nn.Linear(hidden_dim, in_features, bias=False)
        self.scale = math.sqrt(hidden_dim)

    def forward(self, s, e, n):
        # s: [batch_size, in_features] - Vector lưu lượng đầu vào
        # e: [batch_size, in_features] - Ma trận trọng số giải trình XAI
        # n: [batch_size, in_features] - Vector nhiễu ngẫu nhiên
        q = self.W_q(s)
        k = self.W_k(s * e)
        v = self.W_v(s + n)
        
        # Tính toán ma trận Attention Score
        scores = torch.matmul(q.unsqueeze(1), k.unsqueeze(2)).squeeze(2) / self.scale
        alpha = torch.softmax(scores, dim=-1)
        
        # Trộn trọng số và tạo đầu ra
        out = self.W_o(v * alpha)
        return out

Quy trình huấn luyện sAoEGAN với WGAN-GP Loss

Để khắc phục hiện tượng sụp đổ mode (Mode Collapse) và biến mất đạo hàm (Vanishing Gradient), hàm mất mát của bộ phân biệt $AoED$ và bộ sinh $AoEG$ được thiết lập với hệ số phạt Gradient Penalty $\lambda = 10$:

$$\mathcal{L}D = \mathbb{E}{\tilde{x} \sim P_g}[D(\tilde{x})] - \mathbb{E}{x \sim P_r}[D(x)] + \lambda \mathbb{E}{\hat{x} \sim P_{\hat{x}}}\left[\left(|\nabla_{\hat{x}} D(\hat{x})|_2 - 1\right)^2\right]$$

$$\mathcal{L}G = -\mathbb{E}{\tilde{x} \sim P_g}[D(\tilde{x})]$$

def compute_wgan_gp_loss(discriminator, real_samples, fake_samples, lambda_gp=10.0, device='cuda'):
    # Đánh giá dự đoán của Discriminator
    d_real = discriminator(real_samples)
    d_fake = discriminator(fake_samples)
    
    # Tính toán Gradient Penalty trên mẫu nội suy ngẫu nhiên
    alpha = torch.rand(real_samples.size(0), 1, device=device)
    interpolates = (alpha * real_samples + ((1 - alpha) * fake_samples)).requires_grad_(True)
    d_interpolates = discriminator(interpolates)
    
    fake_grad = torch.ones(d_interpolates.size(), device=device, requires_grad=False)
    gradients = torch.autograd.grad(
        outputs=d_interpolates,
        inputs=interpolates,
        grad_outputs=fake_grad,
        create_graph=True,
        retain_graph=True,
        only_inputs=True
    )[0]
    
    gradients = gradients.view(gradients.size(0), -1)
    gradient_penalty = lambda_gp * ((gradients.norm(2, dim=1) - 1) ** 2).mean()
    
    # Tổng hợp Wasserstein Loss cho Discriminator
    d_loss = torch.mean(d_fake) - torch.mean(d_real) + gradient_penalty
    return d_loss

Testing và validation

Quá trình kiểm thử được triển khai trên 3 kịch bản thực nghiệm nghiêm ngặt:

  1. Kịch bản 1 (Hiệu quả phát hiện chuẩn): Đánh giá Precision, Recall, F1-Score và Accuracy trên tập Test nguyên bản của CIC-IDS2017 (2.830.743 mẫu ban đầu $\rightarrow$ xử lý còn 69 đặc trưng quan trọng) và UNSW-NB15 (45 đặc trưng).
  2. Kịch bản 2 (Thử thách độ bền vững trước 7 thuật toán Adversarial): Kiểm tra tỷ lệ duy trì Accuracy khi luồng mạng bị đầu độc bởi:
    • Fast Gradient Sign Method (FGSM) với $\epsilon \in [0.01, 0.1]$
    • Basic Iterative Method (BIM) với bước lặp $iter = 10, \alpha = 0.01$
    • Jacobian-based Saliency Map Attack (JSMA)
    • Carlini & Wagner ($CW\ L_2$) với tối ưu hóa biến phụ $w$ qua hàm Adam
    • DeepFool Attack (tìm siêu mặt phẳng phân chia gần nhất trong không gian N chiều)
    • Zeroth-Order Optimization (ZOO-ADAM) giả lập tấn công hộp đen qua đạo hàm xấp xỉ
  3. Kịch bản 3 (Kiểm chứng giải trình hành vi): Phân tích tương quan giữa các đặc trưng có giá trị Shapley cao nhất và độ lệch phân phối t-SNE giữa mẫu thật và mẫu sinh bởi sAoEGAN.

Kết quả đạt được

Hệ thống ghi nhận sự vượt trội rõ rệt của mô hình huấn luyện qua bộ khung RobustAdvTrain kết hợp sAoEGAN so với các phương pháp Baseline:

Bảng đánh giá độ chính xác (Accuracy %) trước các cuộc tấn công đối kháng trên tập dữ liệu CIC-IDS2017

Mô hình IDS & Phương pháp Huấn luyện Test Sạch (Original) FGSM BIM JSMA CW $L_2$ DeepFool ZOO (Black-box)
DNN2L - Standard Training 98.62% 34.15% 21.08% 42.50% 18.20% 29.40% 51.10%
DNN2L - xAIGAN-SHAP 98.40% 81.25% 76.40% 84.10% 72.30% 78.60% 83.20%
DNN2L - SGAN-RF 98.51% 83.10% 79.15% 85.30% 74.80% 80.10% 85.00%
DNN2L - sAoEGAN (Đề xuất) 99.12% 94.85% 92.30% 96.10% 89.75% 93.20% 95.60%
DNN4L - Standard Training 98.90% 31.20% 18.45% 39.80% 15.60% 25.10% 48.70%
DNN4L - sAoEGAN (Đề xuất) 99.35% 96.20% 94.10% 97.40% 91.80% 95.10% 97.20% 
+-----------------------------------------------------------------------------------+
|                SO SÁNH ĐỘ CHÍNH XÁC KHÁNG TẤN CÔNG (CIC-IDS2017)                   |
+-----------------------------------------------------------------------------------+
| Mô hình                      | Original | FGSM   | BIM    | CW L2  | ZOO          |
| ---------------------------- | -------- | ------ | ------ | ------ | ------------ |
| DNN2L (Standard Training)    | 98.62%   | 34.15% | 21.08% | 18.20% | 51.10%       |
| DNN2L (sAoEGAN - Đề xuất)    | 99.12%   | 94.85% | 92.30% | 89.75% | 95.60%       |
| ---------------------------- | -------- | ------ | ------ | ------ | ------------ |
| Cải thiện hiệu suất tuyệt đối| +0.50%   | +60.7% | +71.2% | +71.5% | +44.5%       |
+-----------------------------------------------------------------------------------+

Đổi mới và đóng góp

  1. Cơ chế lai ghép độc bản self-Attention on Explanation ($sAoE$): Đột phá kỹ thuật đầu tiên kết hợp trực tiếp vector giải thích XAI (Shapley Values) vào toán tử Key của Self-Attention. Điều này hướng bộ sinh tập trung chính xác vào các đặc trưng nhạy cảm nhất của gói tin mạng, sinh ra các mẫu tấn công giả lập tự nhiên và tinh vi hơn bất kỳ phương pháp sinh mẫu nào trước đây.
  2. Bộ khung huấn luyện khép kín RobustAdvTrain: Thiết kế vòng lặp 3 giai đoạn tự động hóa việc tái huấn luyện với bộ chấm điểm $p_t$ và thành phần CHECKER, loại bỏ hiện tượng quên thảm khốc (Catastrophic Forgetting) và ngăn chặn suy giảm hiệu năng trên tập dữ liệu lành tính.
  3. Cân bằng dữ liệu định hướng ổn định qua WGAN-GP: Giải quyết triệt để vấn đề mất cân bằng mẫu trên UNSW-NB15 và CIC-IDS2017 mà không gây nhiễu biên như SMOTE, giúp độ phân phối t-SNE của mẫu sinh đạt mức độ tương đồng trên 96% so với mẫu tấn công thực tế.
  4. Minh bạch hóa toàn diện hệ thống NIDS: Cung cấp báo cáo giải trình trực quan từng dòng quyết định phân loại của mô hình, giúp kiểm chứng xem mô hình có thực sự học đúng đặc trưng tấn công hay chỉ dựa vào các thuộc tính giả mạo ngẫu nhiên (Artifacts).

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong thực tế

  • Tích hợp thế hệ mới cho SOC/SIEM: Triển khai như một AI-Agent thông minh phân tích luồng mạng tại gateway, tự động giải trình lý do phát hiện tấn công cho SOC Analyst bậc 1/bậc 2 (L1/L2 Analysts), giảm 75% thời gian điều tra sự cố.
  • Bảo vệ hạ tầng trọng yếu và IoT Gateway: Tăng cường lớp phòng thủ cho hệ thống SCADA, ngân hàng và mạng truyền thông 5G/6G trước các cuộc tấn công đối kháng có tài trợ từ các nhóm APT.
+-----------------------------------------------------------------------------------+
|                        MÔ HÌNH TRIỂN KHAI GATEWAY NIDS THỰC TẾ                    |
+-----------------------------------------------------------------------------------+
| [Network Traffic Tap] ---> [Feature Extractor (XGBoost 69 Features)]              |
|                                       |                                           |
|                                       v                                           |
|                        +------------------------------+                           |
|                        | Robust DL-IDS Inference Unit |                           |
|                        |   (sAoEGAN Robust-Trained)   |                           |
|                        +------------------------------+                           |
|                                       |                                           |
|                   +-------------------+-------------------+                       |
|                   |                                       |                       |
|                   v (Benign)                              v (Malicious Alert)     |
|             [Forward Traffic]                    +--------------------+           |
|                                                  | XAI SHAP Inspector |           |
|                                                  +--------------------+           |
|                                                           |                       |
|                                                           v                       |
|                                                  [SIEM / SOC Console]             |
+-----------------------------------------------------------------------------------+

Yêu cầu phần cứng và phần mềm triển khai

  • Cấu hình phần cứng tối thiểu (Training): CPU Intel Xeon Silver / AMD EPYC 16-Core, RAM 64GB, GPU NVIDIA RTX 3090 / A4000 (24GB VRAM), Lưu trữ 500GB NVMe SSD.
  • Cấu hình phần cứng vận hành (Inference): CPU 8-Core, RAM 16GB, GPU NVIDIA T4 / RTX 4060 (8GB VRAM) hoặc CPU-only với OpenVINO/ONNX Runtime.
  • Chi phí - Lợi ích (ROI): Giảm thiểu rủi ro thiệt hại do tấn công lọt lưới lên tới 80%; tiết kiệm 45% chi phí nhân sự phân tích cảnh báo giả; hoàn vốn đầu tư phần cứng trong vòng 6 - 9 tháng.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Thời gian tính toán ma trận Shapley Value trong pha huấn luyện tương đối lớn đối với các tập dữ liệu có số chiều cao.
  • Hiện tại mô hình tập trung kiểm thử trên cấu trúc dữ liệu dạng bảng (Tabular flow data), chưa trực tiếp tiếp nhận raw byte stream ở tầng vật lý.

Hướng phát triển tương lai

  • Tối ưu hóa tốc độ giải trình: Ứng dụng FastSHAP hoặc TreeSHAP song song hóa trên phần cứng chuyên dụng FPGA để đạt tốc độ giải thích thời gian thực ở cấp độ micro-giây.
  • Mở rộng sang Multi-class Classification: Huấn luyện bộ khung nhận diện chính xác từng họ mã độc cụ thể (Ransomware, Botnet Mirai, DDoS Amplification, Infiltration).
  • Ứng dụng Graph Neural Networks (GNN): Kết hợp cấu trúc đồ thị không gian topo mạng để phân tích hành vi tấn công phân tán đa điểm.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành ATTT/CNTT: Tài liệu tham khảo học thuật chuẩn mực về toán học Adversarial Machine Learning, phương pháp thiết kế mạng sinh WGAN-GP và kỹ thuật XAI ứng dụng thực tế.
  • Kỹ sư AI & An ninh mạng (Security/MLOps Engineers): Bộ mã nguồn mẫu, cấu trúc dữ liệu và mô hình tiền huấn luyện có thể tích hợp ngay vào hệ sinh thái phòng thủ SOC.
  • Doanh nghiệp & Đơn vị vận hành mạng: Khung kiến trúc khả thi, chứng minh được hiệu quả đầu tư và giải quyết bài toán tuân thủ tính minh bạch của AI theo các tiêu chuẩn an toàn thông tin quốc tế (NIST, ISO 27001).
  • Nhà nghiên cứu Trustworthy AI: Cơ sở lý thuyết vững chắc về việc kết hợp cơ chế chú ý (Attention) và ma trận giải trình để điều hướng mô hình sinh đối kháng.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai bộ khung RobustAdvTrain là gì?

Hệ thống yêu cầu môi trường máy chủ chạy Linux (Ubuntu 20.04/22.04 LTS), cài đặt Python 3.10+, PyTorch 2.0+ với card đồ họa NVIDIA tối thiểu 8GB VRAM (cho suy luận) và 24GB VRAM (cho quá trình huấn luyện sAoEGAN và RobustAdvTrain).

2. Mô hình xử lý giới hạn mở rộng (Scalability) như thế nào khi lưu lượng mạng tăng vọt?

Trong môi trường thực tế, quá trình huấn luyện đối kháng được thực hiện định kỳ Offline (hoặc bán trực tuyến theo lô). Đơn vị suy luận (Inference Unit) của DL-IDS chỉ sử dụng mô hình nơ-ron đã nén qua ONNX Runtime, đảm bảo độ trễ phản hồi dưới 1.5ms cho mỗi flow mạng, đáp ứng tốt hạ tầng mạng doanh nghiệp 10Gbps.

3. Làm thế nào để tích hợp hệ thống vào các nền tảng SIEM hiện có như Splunk, Elastic Security?

DL-IDS hỗ trợ xuất log cảnh báo chuẩn định dạng Syslog CEF (Common Event Format) hoặc JSON REST-API. Mỗi cảnh báo đi kèm trường dữ liệu XAI_Explanations chứa top 5 thuộc tính có trọng số Shapley cao nhất, hiển thị trực quan trên giao diện Dashboard của SOC.

4. Hệ thống có yêu cầu bảo trì và tái huấn luyện định kỳ không?

Có. Khi môi trường mạng xuất hiện các giao thức hoặc dịch vụ mới, CHECKER sẽ phát hiện sự suy giảm của chỉ số $p_t$. Khi đó, quy trình tự động kích hoạt huấn luyện lại $T$ bước với tập dữ liệu mới tích lũy trong DATABASE.

5. Khả năng kháng tấn công hộp đen (Black-box attacks) của mô hình được đảm bảo ra sao?

Nhờ việc huấn luyện đồng thời với mạng sinh sAoEGAN và thuật toán ZOO (Zeroth-Order Optimization), mô hình hình thành biên quyết định phẳng và bao quát, giúp vô hiệu hóa các nỗ lực thăm dò đạo hàm xấp xỉ từ kẻ tấn công bên ngoài.

Kết luận

Đề tài tốt nghiệp "Hệ thống bền vững và tin cậy cho phát hiện xâm nhập dựa trên học máy đối kháng và trí tuệ nhân tạo khả diễn giải" của nhóm tác giả tại Trường Đại học Công nghệ Thông tin – ĐHQG-HCM đã giải quyết thành công bài toán cân bằng giữa độ chính xác, tính bền vững đối kháng và tính minh bạch giải trình trong hệ thống NIDS hiện đại. Bằng việc đề xuất kiến trúc đột phá sAoEGAN cùng bộ khung huấn luyện tự thích ứng RobustAdvTrain, nghiên cứu đã chứng minh hiệu quả vượt trội khi duy trì độ chính xác phát hiện trên 94% - 97% trước 7 dạng tấn công đối kháng nguy hiểm nhất, mở ra hướng ứng dụng thực tiễn to lớn cho các hệ thống an ninh mạng thông minh trong tương lai.