Bối cảnh và vấn đề nghiên cứu

Trong lĩnh vực an toàn thông tin hiện đại, các hình thức tấn công mạng và xâm nhập hệ thống ngày càng gia tăng về quy mô lẫn mức độ tinh vi. Để tự động hóa quy trình giám sát và phát hiện các hành vi vi phạm chính sách bảo mật, hệ thống phát hiện xâm nhập (Intrusion Detection System - IDS) đóng vai trò là lớp phòng thủ trọng yếu. Tuy nhiên, các phương pháp IDS truyền thống dựa trên dấu hiệu (signature-based) bộc lộ hạn chế lớn khi không thể nhận diện các dạng tấn công mới (0-day) do phụ thuộc hoàn toàn vào cơ sở dữ liệu mẫu đã biết. Ngược lại, phương pháp phát hiện dựa trên sự bất thường (anomaly-based) tuy có khả năng nhận biết biến thể mới nhưng thường có tỷ lệ cảnh báo sai (false positive rate) cao do ranh giới giữa hành vi bình thường và bất thường rất khó phân định rõ ràng.

Việc ứng dụng học sâu (Deep Learning) vào hệ thống phát hiện xâm nhập mạng (NIDS) đã mang lại tỷ lệ phát hiện vượt trội nhờ khả năng trích xuất biểu diễn phi tuyến tính phức tạp. Dù vậy, tác giả chỉ ra ba rào cản kỹ thuật cốt lõi chưa được giải quyết triệt để:

  1. Tính chất hộp đen (Black-box): Các mô hình học sâu thiếu khả năng giải trình cơ chế ra quyết định, gây khó khăn cho chuyên gia bảo mật trong việc kiểm tra, sửa lỗi và tin tưởng vào kết quả phân loại.
  2. Độ nhạy cảm trước tấn công đối kháng (Adversarial Attacks): Mô hình học sâu dễ bị đánh lừa bởi các nhiễu loạn nhỏ, tinh vi được kẻ tấn công cố tình thêm vào dữ liệu đầu vào, dẫn đến phân loại sai (nhận diện mẫu tấn công thành mẫu bình thường).
  3. Mất cân bằng dữ liệu huấn luyện: Các bộ dữ liệu an ninh mạng công khai thường có sự chênh lệch lớn về số lượng giữa mẫu bình thường và các lớp tấn công hiếm, đồng thời các kỹ thuật cân bằng dữ liệu truyền thống như SMOTE dễ gây hiện tượng quá khớp (overfitting), chồng chéo lớp hoặc sinh thêm nhiễu.

Nhằm giải quyết đồng thời các vấn đề trên, khóa luận xác định 5 mục tiêu nghiên cứu cụ thể:

  1. Áp dụng kiến trúc mô hình học sâu để nâng cao năng lực phát hiện tấn công của IDS.
  2. Nâng cao độ tin cậy vào dự đoán của mô hình hộp đen thông qua việc tích hợp các phương pháp trí tuệ nhân tạo khả giải trình (XAI).
  3. Giải quyết sự mất cân bằng dữ liệu bằng mô hình mạng sinh đối kháng (GAN) thay cho các phương pháp lấy mẫu lại truyền thống.
  4. Tăng cường tính bền vững của IDS trước các phương pháp tạo mẫu đối kháng phổ biến thông qua quy trình huấn luyện đối kháng chuyên biệt.
  5. Đề xuất mô hình mạng sinh đối kháng mới sAoEGAN (self-Attention on Explanation GAN) kết hợp cơ chế tự chú ý và XAI để tạo mẫu đối kháng chất lượng cao phục vụ huấn luyện hệ thống.

Đối tượng nghiên cứu: Hệ thống phát hiện xâm nhập (IDS), mô hình học sâu (Deep Neural Network - DNN), cơ chế tự chú ý (Self-Attention), trí tuệ nhân tạo khả giải trình (XAI: SHAP, Saliency Maps), mạng sinh đối kháng (GAN, WGAN-GP) và các kỹ thuật tấn công mẫu đối kháng (Adversarial Attacks).

Phạm vi nghiên cứu: Trích xuất các thuộc tính đặc trưng quan trọng từ dữ liệu lưu lượng mạng để sinh mẫu đối kháng có chất lượng cao; ứng dụng tập dữ liệu mạng mô phỏng UNSW-NB15 và CIC-IDS2017; đánh giá thực nghiệm năng lực phòng thủ của mô hình phân loại trước 7 phương pháp tấn công mẫu đối kháng (FGSM, BIM, JSMA, CW L2, DeepFool, ZOO và mẫu kiểm thử).

Cơ sở lý thuyết và phương pháp

Khóa luận xây dựng nền tảng dựa trên sự giao thoa giữa học sâu, lý thuyết trò chơi, bảo mật đối kháng và trí tuệ nhân tạo khả giải trình với các mô hình và phương pháp cụ thể:

  • Mô hình Mạng nơ-ron sâu (Deep Neural Network - DNN): Sử dụng các tầng ẩn (hidden layers) với hàm kích hoạt phi tuyến để trích xuất đặc trưng phân cấp từ dữ liệu lưu lượng mạng, phân loại nhị phân (Benign vs Attack) thông qua tầng đầu ra Softmax.
  • Mạng sinh đối kháng Wasserstein với Phạt Gradient (WGAN-GP): Kế thừa cấu trúc Minimax giữa Bộ sinh ($G$) và Bộ phân biệt ($D$) từ Goodfellow, thay thế hàm mất mát Binary Cross-Entropy truyền thống bằng khoảng cách Wasserstein và ràng buộc tính liên tục Lipschitz thông qua hàm phạt Gradient Penalty ($L_D$), ngăn ngừa hiện tượng sụp đổ mô hình (mode collapse) và biến mất đạo hàm.
  • Các thuật toán tấn công mẫu đối kháng (Adversarial Attacks):
    • Tấn công hộp trắng/hộp xám: Fast Gradient Sign Method (FGSM) tính gradient một bước; Basic Iterative Method (BIM) tối ưu hóa lặp từng bước có giới hạn epsilon ($\epsilon$); Jacobian-Based Saliency Map Attack (JSMA) tìm kiếm và thay đổi số lượng đặc trưng tối thiểu qua ma trận Jacobian; Carlini & Wagner $L_2$-norm Attack (CW L2) tối ưu hóa hàm mục tiêu phi tuyến tính với ràng buộc khoảng cách $L_2$; DeepFool tìm khoảng cách ngắn nhất đến các siêu mặt phẳng phân chia ranh giới quyết định.
    • Tấn công hộp đen: Zeroth-Order Optimization (ZOO) ước lượng gradient và ma trận Hessian không cần đạo hàm trực tiếp thông qua sai phân đối xứng kết hợp thuật toán Stochastic Coordinate Descent (ZOO-ADAM, ZOO-Newton).
  • Trí tuệ nhân tạo khả giải trình (XAI):
    • SHAP (SHapley Additive exPlanations): Vận dụng lý thuyết trò chơi hợp tác để tính giá trị đóng góp Shapley Value cho từng đặc trưng đầu vào đối với kết quả dự đoán của mô hình.
    • Saliency Maps: Sử dụng gradient của hàm mục tiêu kết hợp chuẩn hóa $L_2$-regularization để lượng hóa tầm quan trọng của các biến đầu vào.
  • Cơ chế Chú ý và Tự chú ý (Self-Attention): Dựa trên mô hình tính toán tương quan giữa các vector Truy vấn ($Q$), Khóa ($K$) và Giá trị ($V$) theo tỷ lệ điểm tích vô hướng (Scaled-Dot Product Attention).

Phương pháp nghiên cứu thực tế: Nghiên cứu thực nghiệm định lượng kết hợp thiết kế thuật toán học máy. Quy trình xử lý dữ liệu thực nghiệm gồm các bước: làm sạch, loại bỏ đặc trưng đơn nhất, xử lý giá trị khuyết thiếu và vô hạn, mã hóa nhãn (Label Encoding), chuẩn hóa khoảng MinMax Scaling $[0, 1]$, và trích chọn đặc trưng bằng mô hình XGBoost nhằm giảm số chiều không gian dữ liệu.

Nguồn dữ liệu:

  1. UNSW-NB15: Bộ dữ liệu do Moustafa công bố năm 2015, thu thập từ môi trường mạng mô phỏng gồm hơn 2 triệu gói tin, 45 đặc trưng và 10 kịch bản/nhãn lưu lượng (Normal, Fuzzers, Analysis, Backdoors, Exploits, DoS, Reconnaissance, Shellcode, Worms, Generic).
  2. CIC-IDS2017: Bộ dữ liệu do Canadian Institute for Cybersecurity công bố năm 2017, gồm hơn 2,8 triệu mẫu dữ liệu với 78 đặc trưng ban đầu, mô phỏng 8 kịch bản tấn công (Normal, Brute Force FTP, Brute Force SSH, DoS, Heartbleed, Web Attack, Infiltration, Botnet, DDoS).

Thiết kế và triển khai hệ thống

Khóa luận đề xuất một hệ thống tích hợp hoàn chỉnh gồm hai đóng góp kỹ thuật chính: bộ khung huấn luyện đối kháng bền vững RobustAdvTrain và kiến trúc mạng sinh đối kháng sAoEGAN.

1. Bộ khung huấn luyện RobustAdvTrain

Bộ khung huấn luyện RobustAdvTrain được thiết kế nhằm tự động hóa quy trình huấn luyện và kiểm định tính bền vững của mô hình phân loại IDS qua $T$ bước lặp (mỗi bước lặp thực hiện $N$ vòng huấn luyện):

  • Robustness Training: Huấn luyện mô hình phân loại học sâu DL-IDS ($D_t$) bằng tập dữ liệu tổng hợp đa dạng lưu trữ trong cơ sở dữ liệu DATABASE, bao gồm dữ liệu lành tính nguyên bản ($X_{ben}$), dữ liệu tấn công nguyên bản ($X_{atk}$), dữ liệu đối kháng đã được kiểm duyệt ($X^{gen}$) và dữ liệu đối kháng sinh mới ($\tilde{X}_{gen}$).
  • Robustness Validation: Đánh giá khả năng phòng thủ của mô hình $D_t$ trước các mẫu đối kháng sinh ra từ tập kiểm thử bằng cách lựa chọn ngẫu nhiên một trong các thuật toán tấn công (FGSM, BIM, JSMA, CW, DeepFool, ZOO), từ đó tính toán điểm số bền vững Robustness Score ($p_t$).
  • Generated Validation: Thành phần kiểm tra CHECKER tiến hành so sánh $p_t$ với điểm số tối ưu hiện tại ($p_{curr}$). Nếu $p_t > p_{curr}$, mô hình $D_t$ được chỉ định là mô hình tối ưu mới ($D_{curr} = D_t$), đồng thời cập nhật mẫu sinh mới $\tilde{X}_{gen}$ vào cơ sở dữ liệu dưới dạng mẫu hợp lệ ($X^{gen}$).

2. Kiến trúc mạng sinh đối kháng sAoEGAN

Mô hình sAoEGAN tích hợp ba thành phần chính:

  • Bộ phân biệt (AoED): Tiếp nhận dữ liệu mạng $s$ và đưa ra xác suất dự đoán $p_D(s)$ để đánh giá mẫu thật hay mẫu sinh.
  • Bộ giải thích (AoEX): Tiếp nhận dự đoán $p_D(s)$ từ AoED để tính toán ma trận giải thích $e$ (thông qua SHAP hoặc Saliency Map), chỉ rõ các thuộc tính ảnh hưởng lớn nhất đến quyết định của AoED.
  • Bộ sinh (AoEG): Tích hợp cơ chế tự chú ý trên giải thích (self-Attention on Explanation) để tạo ra mẫu đối kháng $\tilde{s}$. Quy trình tính toán vector trong lớp chú ý diễn ra theo các công thức: $$\text{Truy vấn: } q = W_q(s)$$ $$\text{Khóa: } k = W_k(s \odot e)$$ $$\text{Giá trị: } v = W_v(s + n)$$ $$\text{Đầu ra chú ý: } o = W_o(v \odot \alpha)$$ (với $n$ là vector nhiễu, $\odot$ là phép nhân từng phần tử, và $\alpha$ là trọng số chú ý được tính qua Softmax).

Hàm mất mát của bộ phân biệt ($d$) và bộ sinh ($g$) trong sAoEGAN được tối ưu hóa dựa trên WGAN-GP với hệ số phạt gradient $gp$: $$d = \text{mean}(y_{fake}) - \text{mean}(y_{real}) + gp + W_{gp}$$ $$g = -1 - \text{mean}(y_{fake})$$

3. Cấu hình mô hình phân loại và môi trường thực nghiệm

  • Môi trường triển khai: Ngôn ngữ lập trình Python 3, thư viện tính toán học sâu PyTorch 2.0.
  • Kiến trúc mô hình IDS:
    • DNN2L (2 lớp ẩn): Tầng đầu vào tiếp nhận đặc trưng $\rightarrow$ Dense (100 units, ReLU) $\rightarrow$ Dense (50 units, ReLU) $\rightarrow$ Dense (50 units, ReLU) $\rightarrow$ Output (2 units, Softmax).
    • DNN4L (4 lớp ẩn): Tầng đầu vào tiếp nhận đặc trưng $\rightarrow$ 3 tầng Dense (100 units, ReLU) liên tiếp $\rightarrow$ 2 tầng Dense (50 units, ReLU) liên tiếp $\rightarrow$ Output (2 units, Softmax).
  • Thông số huấn luyện:
    • sAoEGAN: 100 epochs, batch size 128, thuật toán tối ưu Adam, cấu hình với 2 phiên bản giải thích sAoEGAN-SHAP và sAoEGAN-Saliency.
    • xAIGAN (mô hình đối chuẩn): 50 epochs, batch size 128, Binary Cross-Entropy, Adam (xAIGAN-SHAP, xAIGAN-Saliency).
    • SGANIDS (mô hình đối chuẩn): 90 epochs, batch size 64, kết hợp với các bộ phân loại Decision Tree (SGANIDS-DT), Random Forest (SGANIDS-RF), Gradient Boosting (SGANIDS-GB).
    • Mô hình IDS: Huấn luyện 5 epochs trên UNSW-NB15 và 10 epochs trên CIC-IDS2017; phiên bản bền vững (Robustness) trải qua 15 bước lặp của bộ khung RobustAdvTrain.

4. Quy trình tiền xử lý dữ liệu thực nghiệm

Bước xử lý Phương pháp áp dụng trên tập CIC-IDS2017
Loại bỏ đặc trưng đơn trị Loại bỏ 8 đặc trưng không mang thông tin phân lớp: Bwd PSH Flags, Bwd URG Flags, Fwd Avg Bytes/Bulk, Fwd Avg Packets/Bulk, Fwd Avg Bulk Rate, Bwd Avg Bytes/Bulk, Bwd Avg Packets/Bulk, Bwd Avg Bulk Rate
Khử trùng lặp Loại bỏ đặc trưng trùng lặp Fwd Header Length.1 (giữ lại Fwd Header Length); xóa bỏ các dòng dữ liệu trùng
Xử lý giá trị lỗi Thay thế giá trị vô hạn (Infinity) bằng giá trị lớn nhất của đặc trưng; thay thế NaN bằng 0
Mã hóa và Chuẩn hóa Label Encoding nhãn (Normal/Attack); chuẩn hóa MinMax Scaling về đoạn $[0, 1]$ (sau bước này còn 69 đặc trưng, 2.723k mẫu)
Chọn lọc đặc trưng Sử dụng mô hình XGBoost để xếp hạng trọng số tầm quan trọng của đặc trưng nhằm giảm số chiều dữ liệu

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương 1 trình bày tổng quan về hệ thống phát hiện xâm nhập mạng (NIDS và HIDS), phân tích ưu và nhược điểm của hai phương pháp tiếp cận chính: dựa trên dấu hiệu (signature-based) và dựa trên bất thường (anomaly-based). Tác giả làm rõ lý do cần thiết phải ứng dụng học sâu trong bối cảnh các mối đe dọa an ninh mạng diễn biến phức tạp. Đồng thời, chương này chỉ ra ba thách thức lớn khi triển khai học sâu trong an toàn thông tin: tính mờ mịt của mô hình hộp đen, sự dễ tổn thương trước các mẫu tấn công đối kháng và tình trạng mất cân bằng dữ liệu nghiêm trọng. Từ đó, tác giả xác định 5 mục tiêu nghiên cứu, đối tượng, phạm vi và bố cục 5 chương của khóa luận.

Chương 2: Cơ sở lý thuyết

Chương 2 cung cấp toàn bộ nền tảng toán học và lý thuyết chuyên sâu của các công nghệ được sử dụng:

  • Trình bày cấu trúc nơ-ron đa tầng của mạng Deep Neural Network (DNN) và cơ chế phân loại nhị phân/đa lớp.
  • Phân tích nguyên lý hoạt động của mạng sinh đối kháng GAN và biến thể cải tiến WGAN-GP với ràng buộc liên tục Lipschitz và hàm phạt Gradient Penalty nhằm ổn định hóa quá trình hội tụ.
  • Trình bày chi tiết toán học của 6 giải thuật tấn công mẫu đối kháng phổ biến: FGSM (dựa trên dấu của gradient), BIM (tối ưu lặp từng bước), JSMA (dựa trên bản đồ nổi bật Jacobian), CW L2 (tối ưu hóa hàm mục tiêu với khoảng cách $L_2$), DeepFool (tính toán vector biến đổi đến siêu mặt phẳng gần nhất), và ZOO (tối ưu hóa phi đạo hàm bậc 0 sử dụng Stochastic Coordinate Descent).
  • Phân tích cơ sở lý thuyết trò chơi của SHAP (Shapley Value), phương pháp Saliency Maps và cơ chế tự chú ý (Self-Attention) với các thành phần Query, Key, Value.

Chương 3: Phương pháp

Chương 3 là phần đóng góp cốt lõi của đề tài, trình bày chi tiết hai giải pháp kỹ thuật đề xuất:

  • Thiết kế bộ khung huấn luyện đối kháng bền vững RobustAdvTrain với quy trình 3 giai đoạn khép kín: Robustness Training (huấn luyện trên tập dữ liệu tổng hợp đa dạng), Robustness Validation (kiểm thử khả năng phòng thủ trước các tấn công đối kháng ngẫu nhiên), và Generated Validation (sử dụng thành phần CHECKER để chọn lọc mô hình có điểm Robustness Score tối ưu và lưu trữ mẫu sinh vào cơ sở dữ liệu DATABASE).
  • Đề xuất kiến trúc mạng sinh đối kháng sAoEGAN kết hợp ba thành phần Bộ phân biệt (AoED), Bộ giải thích (AoEX) và Bộ sinh (AoEG).
  • Xây dựng công thức toán học cho cơ chế tự chú ý trên giải thích (self-Attention on Explanation), cho phép bộ sinh định hướng sự tập trung vào các thuộc tính quan trọng nhất do XAI cung cấp khi tạo mẫu đối kháng.
  • Trình bày chi tiết các giải thuật huấn luyện và hàm tính toán mất mát WGAN-GP (Thuật toán 2, Thuật toán 3, Thuật toán 4).

Chương 4: Triển khai thử nghiệm và đánh giá kết quả

Chương 4 mô tả toàn bộ môi trường phần cứng/phần mềm (Python 3, PyTorch 2.0), quy trình tiền xử lý chi tiết trên hai bộ dữ liệu thực nghiệm UNSW-NB15 và CIC-IDS2017, cùng việc thiết lập các mô hình phân loại IDS (DNN2L, DNN4L) và các mô hình GAN đối chuẩn (xAIGAN, SGANIDS). Tác giả thiết lập 3 kịch bản thực nghiệm:

  • Kịch bản 1: Đo lường hiệu năng phát hiện xâm nhập trên tập dữ liệu kiểm thử nguyên bản thông qua các chỉ số Precision, Recall, F1-Score và Accuracy.
  • Kịch bản 2: Đánh giá khả năng duy trì độ chính xác (Accuracy) của IDS khi đối đầu với 7 phương thức sinh mẫu đối kháng (FGSM, BIM, JSMA, CW, DeepFool, ZOO và Test ban đầu).
  • Kịch bản 3: Trực quan hóa hành vi phân loại và mức độ đóng góp của từng đặc trưng mạng bằng giá trị SHAP, kết hợp phân tích phân phối không gian biểu diễn giữa dữ liệu thật và dữ liệu do sAoEGAN tạo ra bằng phương pháp t-SNE.

Chương 5: Kết luận

Chương 5 tổng kết toàn bộ các kết quả đạt được của đề tài, đánh giá mức độ hoàn thành so với các mục tiêu nghiên cứu ban đầu và đề xuất các định hướng mở rộng trong tương lai.

Kết quả và đóng góp

1. Kết quả thực nghiệm chính

Khóa luận tiến hành đánh giá thực nghiệm toàn diện trên hai bộ dữ liệu UNSW-NB15 và CIC-IDS2017, so sánh giữa mô hình IDS huấn luyện theo phương pháp thông thường (Standard) và phương pháp huấn luyện bền vững (Robustness) sử dụng bộ khung RobustAdvTrain kết hợp các biến thể GAN:

Nhóm thực nghiệm Cấu hình mô hình Các phương pháp đối chuẩn & Đề xuất Chỉ số đánh giá chính
Kịch bản 1: Phát hiện xâm nhập DNN2L, DNN4L Standard, xAIGAN (SHAP/Saliency), SGANIDS (DT/RF/GB), sAoEGAN (SHAP/Saliency) Precision, Recall, F1-Score, Accuracy
Kịch bản 2: Kháng mẫu đối kháng DNN2L, DNN4L Chống 7 dạng tấn công: Original Test, FGSM, BIM, JSMA, CW L2, DeepFool, ZOO Accuracy trên từng loại tấn công
Kịch bản 3: Giải trình & Phân phối DNN2L Phân tích đóng góp đặc trưng bằng SHAP; phân phối t-SNE giữa mẫu thật và mẫu sinh Mức độ quan trọng đặc trưng, Biểu đồ phân tán t-SNE
  • Hiệu năng phát hiện tấn công và kháng mẫu đối kháng: Khi đối đầu với các cuộc tấn công đối kháng (đặc biệt là các dạng tấn công phức tạp như CW L2, JSMA và ZOO), các mô hình IDS thông thường (Standard) bị suy giảm nghiêm trọng độ chính xác. Ngược lại, các mô hình IDS được huấn luyện qua bộ khung RobustAdvTrain với dữ liệu sinh bởi sAoEGAN duy trì được độ chính xác phân loại cao vượt trội so với cả mô hình gốc lẫn các phương pháp huấn luyện đối kháng dùng xAIGAN và SGANIDS.
  • Độ chân thực của dữ liệu sinh: Kết quả phân tích phân phối không gian đặc trưng bằng kỹ thuật giảm chiều dữ liệu t-SNE trên cả hai tập CIC-IDS2017 và UNSW-NB15 chỉ ra rằng các điểm dữ liệu tấn công do sAoEGAN tạo ra có sự phân bố tương đồng chặt chẽ với phân phối của dữ liệu tấn công thực tế, minh chứng cho khả năng tạo mẫu chân thực mà không làm biến dạng cấu trúc đặc trưng mạng.
  • Minh bạch hóa hành vi mô hình: Bảng xếp hạng mức độ quan trọng của đặc trưng thông qua giá trị SHAP chứng minh mô hình IDS đã tập trung vào các thuộc tính mạng cốt lõi tương đồng giữa mẫu nguyên bản và mẫu đối kháng, loại bỏ việc ra quyết định dựa trên các đặc trưng nhiễu.

2. Đóng góp của đề tài

  • Về mặt kiến trúc mạng sinh: Đề xuất thành công mô hình sAoEGAN – kiến trúc mạng sinh đối kháng đầu tiên tích hợp cơ chế tự chú ý trực tiếp lên ma trận giải thích của XAI (self-Attention on Explanation), giúp bộ sinh tập trung chính xác vào các đặc trưng quyết định để tạo ra mẫu đối kháng có độ chân thực cao.
  • Về mặt quy trình huấn luyện: Xây dựng bộ khung huấn luyện đối kháng RobustAdvTrain có khả năng tự động đánh giá và chọn lọc mô hình thông qua chỉ số Robustness Score và thành phần kiểm duyệt CHECKER, giải quyết triệt để bài toán mất cân bằng nhãn mà không gây hiện tượng quá khớp như các kỹ thuật lấy mẫu truyền thống.
  • Về mặt tính ứng dụng và độ tin cậy: Kết hợp thành công trí tuệ nhân tạo khả giải trình (XAI) vào hệ thống phát hiện xâm nhập học sâu, chuyển đổi mô hình từ dạng hộp đen sang dạng có thể kiểm chứng và giải thích được các quyết định phân loại an ninh mạng.

Hạn chế và hướng nghiên cứu tiếp

  • Hạn chế:
    • Toàn bộ các thử nghiệm được thực hiện trên các tập dữ liệu mô phỏng ngoại tuyến (UNSW-NB15, CIC-IDS2017) đã qua tiền xử lý, chưa được triển khai và đo lường trực tiếp trên luồng lưu lượng mạng thực tế theo thời gian thực (real-time network traffic).
    • Kiến trúc mô hình phân loại IDS trong nghiên cứu mới dừng lại ở mạng nơ-ron truyền thẳng sâu dạng DNN 2 lớp ẩn (DNN2L) và DNN 4 lớp ẩn (DNN4L), chưa khảo sát trên các kiến trúc học sâu chuỗi thời gian hoặc không gian phức tạp hơn.
    • Quy trình tính toán giá trị giải thích của XAI (đặc biệt là SHAP) và quá trình tạo mẫu đối kháng lặp qua nhiều vòng đòi hỏi tài nguyên tính toán đáng kể trong pha huấn luyện.
  • Hướng nghiên cứu tiếp:
    • Mở rộng kiểm thử và đánh giá bộ khung RobustAdvTrain trên các kiến trúc học sâu khác như Mạng nơ-ron tích chập (CNN), Mạng nơ-ron hồi quy (RNN/LSTM) hoặc Transformer.
    • Tối ưu hóa thuật toán tính toán ma trận giải thích nhằm giảm độ phức tạp tính toán và độ trễ sinh mẫu.
    • Triển khai thử nghiệm mô hình trong môi trường mạng thực tế nhằm kiểm tra năng lực phát hiện các cuộc tấn công chưa từng biết trong thời gian thực.

Giá trị tham khảo

Tài liệu khóa luận có giá trị tham khảo chuyên môn cao đối với các nhóm đối tượng:

  • Sinh viên, học viên và nhà nghiên cứu ngành An toàn thông tin: Cung cấp phương pháp luận chi tiết về phòng thủ đối kháng (Adversarial Robustness) cho hệ thống IDS, phương pháp đánh giá định lượng năng lực của mô hình trước 6 giải thuật tấn công đối kháng phổ biến (FGSM, BIM, JSMA, CW, DeepFool, ZOO).
  • Kỹ sư và nhà nghiên cứu Trí tuệ nhân tạo / Khoa học dữ liệu: Tài liệu tham khảo hữu ích về kỹ thuật kết hợp cơ chế Attention với trí tuệ nhân tạo khả giải trình (XAI - SHAP/Saliency Map) trong mạng sinh GAN (WGAN-GP) nhằm giải quyết bài toán mất cân bằng dữ liệu thay thế cho SMOTE.
  • Các phần đáng tham khảo nhất:
    • Toàn bộ cơ sở toán học của các dạng tấn công đối kháng và cơ chế XAI tại Chương 2.
    • Thiết kế kiến trúc sAoEGAN và cơ chế self-Attention on Explanation (công thức toán và thuật toán) tại Chương 3.
    • Quy trình tiền xử lý dữ liệu chi tiết cho CIC-IDS2017 và UNSW-NB15 tại Chương 4.

Câu hỏi thường gặp

1. Bộ khung RobustAdvTrain hoạt động qua những giai đoạn cụ thể nào để nâng cao tính bền vững cho IDS? Bộ khung gồm 3 giai đoạn lặp lại qua $T$ bước: (1) Robustness Training huấn luyện mô hình phân loại $D_t$ bằng dữ liệu kết hợp giữa mẫu gốc, mẫu sinh đã kiểm duyệt và mẫu sinh mới; (2) Robustness Validation đánh giá khả năng chống chịu của $D_t$ trước các thuật toán tấn công đối kháng ngẫu nhiên (FGSM, BIM, JSMA, CW, DeepFool, ZOO) để tính điểm Robustness Score ($p_t$); (3) Generated Validation sử dụng bộ kiểm tra CHECKER so sánh $p_t$ với điểm tối ưu $p_{curr}$, nếu vượt trội sẽ cập nhật mô hình tối ưu mới và lưu trữ mẫu sinh vào cơ sở dữ liệu.

2. Cơ chế self-Attention on Explanation trong mô hình sAoEGAN được tính toán như thế nào? Cơ chế này kết hợp vector đầu vào $s$, ma trận giải thích $e$ từ XAI và vector nhiễu $n$ để tính toán: vector truy vấn $q = W_q(s)$, vector khóa $k = W_k(s \odot e)$ (định hướng tập trung vào thuộc tính quan trọng), vector giá trị $v = W_v(s + n)$, và vector đầu ra cuối cùng $o = W_o(v \odot \alpha)$ (với $\alpha$ là trọng số chú ý tính qua hàm Softmax).

3. Nghiên cứu sử dụng những kỹ thuật tấn công đối kháng nào để kiểm thử khả năng phòng thủ của hệ thống? Khóa luận sử dụng 6 thuật toán tấn công đối kháng tiêu chuẩn gồm 5 phương pháp hộp trắng/hộp xám: FGSM (Goodfellow), BIM (Kurakin), JSMA (Papernot), CW L2 (Carlini & Wagner), DeepFool (Moosavi), và 1 phương pháp tấn công hộp đen: ZOO (Zeroth-Order Optimization của Chen sử dụng Stochastic Coordinate Descent).

4. Tại sao nhóm tác giả lại ứng dụng mạng GAN thay vì kỹ thuật SMOTE để xử lý mất cân bằng dữ liệu? Theo các nghiên cứu nền tảng được trích dẫn trong khóa luận, kỹ thuật SMOTE truyền thống và việc lấy mẫu lại thường dẫn đến hiện tượng quá khớp (overfitting), chồng chéo ranh giới giữa các lớp hoặc tạo thêm nhiễu dữ liệu. Mạng GAN (cụ thể là WGAN-GP) giúp học phân phối thực tế của dữ liệu và sinh ra các mẫu mới đa dạng, chân thực mà không làm biến dạng không gian đặc trưng.

5. Quy trình tiền xử lý bộ dữ liệu CIC-IDS2017 gồm những thao tác kỹ thuật nào? Quy trình gồm 6 bước: (1) Loại bỏ 8 đặc trưng đơn trị không đổi; (2) Loại bỏ đặc trưng trùng lặp Fwd Header Length.1 và xóa mẫu trùng; (3) Thay thế giá trị Infinity bằng giá trị lớn nhất của đặc trưng đó và thay NaN bằng 0; (4) Mã hóa nhãn Label Encoding; (5) Chuẩn hóa MinMax Scaling về đoạn $[0, 1]$; (6) Áp dụng thuật toán XGBoost để xếp hạng và chọn lọc các đặc trưng quan trọng nhất nhằm giảm số chiều dữ liệu.

Kết luận

Khóa luận tốt nghiệp của sinh viên Nguyễn Ngọc Tài và Nguyễn Đức Tấn đã giải quyết thành công ba điểm nghẽn kỹ thuật lớn trong ứng dụng học sâu cho hệ thống phát hiện xâm nhập mạng: thiếu khả năng giải thích, mất cân bằng dữ liệu và tính dễ bị tổn thương trước các cuộc tấn công đối kháng. Bằng việc đề xuất bộ khung huấn luyện RobustAdvTrain cùng mô hình mạng sinh đối kháng sAoEGAN tích hợp cơ chế tự chú ý trên giải thích XAI, nghiên cứu đã tạo ra các mẫu đối kháng có độ chân thực cao để tái huấn luyện hệ thống phòng thủ. Các kết quả thực nghiệm toàn diện trên hai bộ dữ liệu UNSW-NB15 và CIC-IDS2017 khẳng định mô hình IDS đạt độ chính xác cao, duy trì tính bền vững vững chắc trước 6 dạng tấn công đối kháng phổ biến và mang lại sự minh bạch, tin cậy cho các quyết định an ninh mạng.