Chương 1: TONG QUAN DE TÀI Trình bay khái quát định hướng nghiên cứu của khóa luận ma chúng tôi muốn hướng tới. * Chương 2: CƠ SỞ LÝ THUYET Trinh bày các định nghĩa, khái niệm cũng như những kiến thức nền tang dé có thể thực hiện được nghiên cứu. Đồng thời trình bày sơ lược một số công trình liên quan có cùng hướng nghiên cứu. e Chương 3: PHƯƠNG PHAP THỰC HIỆN Là phần trọng tâm của khoá luận, trình bày những nội dung chính về phương pháp thực hiện và mô hình được sử dụng.
« Chương 4: HIEN THUC, DANH GIA VÀ THẢO LUẬN Đề cập đến quá trình hiện thực hóa phương pháp đề cập ở Chương 3. Sau đó trình bày phương pháp thực nghiệm, đánh giá kết quả và thảo luận chung. TỔNG QUAN ĐỀ TÀI e Chương 5: KET LUẬN VÀ HƯỚNG PHAT TRIỂN Đưa ra kết luận về đề tài, đề xuất một số hướng phát triển mở rộng cho các nghiên cứu trong tương lai. Chương 2 CƠ SỞ LÝ THUYÊT Tóm tắt chương Trong chương này, chúng tôi sẽ trình bày cơ sở lý thuyết cần thiết của khóa luận.
Bao gồm cái nhìn chung về phát hiện Free-rider và phương pháp tiếp cận. Bên cạnh đó là cơ sở lý thuyết về học liên kết, các hình thức, mô hình và ưu nhược điểm cho những bài toán khác nhau. Đồng thời, chúng tôi trình bày tóm tắt về những công trình nghiên cứu liên quan đến van dé công bằng trong học liên kết phi tập trung và những điểm khác của khóa luận này với những nghiên cứu trước đây.1 Hệ thong phát hiện xâm nhập (Intrusion Detec- tion System) 2.1 Tổng quan Trong bối cảnh Internet ngày càng trở nên phổ biến và quan trọng trong đời sống hàng ngày của chúng ta, bảo mật thông tin và quyền riêng tư trở thành một ưu tiên hàng đầu. Người dùng và các tổ chức không chỉ phải đối mặt với các mối đe doa truy cập trái phép từ bên ngoài, mà còn phải đối mặt với các cuộc tấn công nội bộ và các nguy cơ liên quan đến việc sử dụng Internet.
Trong tình huống nay, các hệ thống phát hiện xâm nhập (Intrusion Detection Systems) đóng vai trò cực kỳ quan trọng trong việc bảo vệ hệ thống mạng và người dùng. IDS giám sát liên tục các hoạt động trên mạng và phát hiện các hành vi không bình thường hoặc có Chương 2. COSO LY THUYẾT thể de doa đến tính toàn ven va bảo mật của dữ liệu. Nhờ đó giúp ngăn chan các cuộc tấn công trước khi chúng xảy ra và gây ra hậu quả nghiêm trọng cho doanh nghiệp và người dùng.2 Phan loại Dưới day là các loại IDS phổ biến thường được dùng trong việc phát hiệm xâm nhập và bảo vệ hệ thống mạng: ¢ Network-based IDS (NIDS): Giám sát và phân tích luồng dữ liệu mạng để phát hiện các hoạt động đáng ngờ hoặc các cuộc tân công như tan công từ chối dịch vu (DDoS), tan công quét cổng, và các hành vi xâm nhập mạng.
NIDS thường được triển khai tại các điểm chiến lược trong mạng, như cổng mạng hoặc các điểm giao tiếp quan trọng (ví dụ: giữa mạng nội bộ và mạng bên ngoài). * Host-based IDS (HIDS): Giám sát và phân tích các hoạt động hệ thống trên một máy chủ cụ thể để phát hiện các hành vi bat thường hoặc xâm nhập, theo đõi các tập tin hệ thống, log hoạt động, và các quy trình chạy trên hệ thống. HIDS được cài đặt trực tiếp trên các máy chủ hoặc thiết bị cá nhân để giám sát các hoạt động của từng hệ thống riêng lẻ. COSO LY THUYẾT © Signature-based IDS: Là loại IDS phát hiện xâm nhập bang cách so sánh các luồng dữ liệu với các mẫu hoặc chữ ký của các cuộc tan công đã biết, hiệu quả trong việc phát hiện các mối đe dọa đã được xác định và có mẫu chữ ký rõ ràng.
Signature-based IDS có thể được triển khai dưới dạng NIDS hoặc HIDS, phụ thuộc vào phạm vi giám sát mong muốn. ¢ Anomoly-based IDS: Anomaly-based IDS phát hiện các hoạt động bat thường bằng cách xây dựng mô hình hành vi bình thường của hệ thống và phát hiện các hành vi lệch khỏi mô hình này, hiệu quả trong việc phát hiện các cuộc tấn công mới hoặc chưa được biết đến. Anomaly-based IDS cũng có thể triển khai dưới dang NIDS hoặc HIDS, tùy thuộc vào yêu cầu cụ thể của hệ thống. ¢ Hybrid IDS: Hybrid IDS kết hợp các phương pháp của cả signature-based và anomaly-based IDS để tăng cường khả năng phát hiện, cung cấp một giải pháp toàn điện hơn bằng cách tận dụng các ưu điểm của cả hai phương pháp.
Hybrid IDS thường triển khai ở các điểm trung tâm hoặc quan trọng trong mạng để có cái nhìn toàn điện về hoạt động mạng và hệ thống.2_ Mô hình hoc máy 2.1 Tổng quan Với su phát triển của công nghệ thông tin trong thời đại 4.0, các công nghệ mới càng phát triển mạnh mẽ nhằm phục vụ cho con người, trong đó có thể kể đến như Internet of Things (IOT), điện toán đám mây (Cloud Computing) và trí tuệ nhân tạo (Artificial Intelligence - AI). Trong số đó, học máy (Machine Learning - ML) đã được phát triển rộng rãi và ngày càng được ứng dụng cho nhiều lĩnh vực phục vụ cho sự phát triển của các doanh nghiệp. ML là một lĩnh vực của trí tuệ nhân tạo liên quan đến việc nghiên cứu và xây dựng các kỹ thuật, thuật toán cho phép các hệ thống có khả năng “học” tự động những đặc tính, đặc trưng từ dữ liệu để giải quyết những van dé cụ thể. Các thuật toán học máy xây dung dựa trên những dữ liệu mẫu để đưa ra dự đoán hoặc quyết định mà không cần lập trình chỉ tiết như thuật toán truyền thống.
Học máy, với khả năng vô hạn của nó, 11 Chương 2. COSO LY THUYẾT đã được áp dung vào nhiều lĩnh vực như thương mai, y tế, tai chính va công nghệ thông tin. Việc xây dựng một mô hình học máy hoàn thiện và có thể đưa vào sử dụng rộng rãi sẽ phải trải qua một quá trình được gọi là huấn luyện. Huấn luyện mô hình là quá trình tối ưu hoá các tham số của mô hình dựa trên các đặc trưng của tập dữ liệu đào tạo để đạt được sự chính xác cao trong việc dự đoán kết quả trên những tập dữ liệu mới, quá trình đó sẽ bao gồm những bước sau: © Tiển xử ly: tập dữ liệu (dataset) được chuẩn bị bằng cách loại bỏ những dữ liệu dư thừa, chọn ra những đặc tính riêng biệt sau đó xử lý và biến đổi để chúng có thể đưa vào huấn luyện mô hình.
Và với đó, tập dữ liệu cũng phải đủ lớn để có thể đại diện cho phân phối của dữ liệu thực tế. Tập dữ liệu sau đó được chia thành hai tập nhỏ hơn, bao gồm tập huấn luyện (training set) dùng cho việc huấn luyện và tập kiểm tra (test set) dành cho việc đánh giá hiệu suất của mô hình đã huấn luyện. © Lựa chọn thuật toán va tô hình: lựa cho thuật toán học máy phù hợp va xây dựng mô hình sao cho phù hợp với tập dữ liệu đang có là chìa khoá để mô hình huấn luyện cho ra hiệu suất tốt nhất ® Huấn luyện mô hình: Mô hình được huân luyện bằng cách đưa tập dữ liệu vào mô hình và điều chỉnh các tham số của mô hình sao cho mô hình lấy được các đặc trưng từ tập dữ liệu và từ đó có thể dự đoán chính xác trên tập dữ liệu đang huấn luyện. ¢ Đánh giá hiệu suắt của m6 hình: Mô hình được đánh giá dựa trên tập kiểm tra (test set) để đánh giá hiệu suất dựa trên dự đoán của mô hình đã huấn luyện.
Các tham số để đánh giá có thể kể đến bao gồm độ chính xác (accu- racy), giá tri mat mát (loss value), tỉ lệ đương tính giả (false positive),. ° Tối wu m6 hình: Nếu các tham số đánh giá của mô hình không đạt được hiệu suất mong muốn, ta có thể điều chỉnh các tham số đầu vào của mô hình hoặc chọn thuật toán huấn luyện khác cho đến khi đạt được kết quả hiệu suất tốt nhất trên tập dữ liệu đang có. COSO LY THUYẾT © Triển khai mô hình rộng rai: sau khi da được huấn luyện va đạt được hiệu suất mong muốn, ta có thể áp dụng triển khai mô hình trên các ứng dụng và dữ liệu thực tế 2.2 Phân loại ¢ Hoc giám sat (Supervised Learning): Là phương pháp học may mà trong đó mô hình được huấn luyện bằng cách sử dụng một tập dữ liệu được gán nhãn sẵn. Mỗi mẫu dit liệu trong tập huấn luyện bao gồm một đầu vào và một đầu ra chỉ định.
Mục tiêu của mô hình là học cách ánh xạ từ đầu vào sang đầu ra dựa trên các đầu vào-ra có sẵn. Sau khi huấn luyện, mô hình có khả năng dự đoán đầu ra cho các đầu vào không nhãn. ¢ Học không giám sát (Unsupervised Learning): Là phương pháp học máy mà trong đó mô hình được huấn luyện trên một tập dữ liệu không có sẵn các nhãn đầu ra. Mục tiêu của mô hình là học cách phát hiện các cấu trúc và đặc tính ẩn trong dữ liệu nhằm phân nhóm mẫu dit liệu có phân bố tương tự hoặc giảm số chiều của đữ liệu.
* Học bán giám sát (Semi-supervised Learning): Là phương pháp kết hợp giữa học giám sát và học không giám sát. Trong đó mô hình được huấn luyện bằng một phần dữ liệu gán nhãn và một phần không dán nhãn. Phương pháp này thường được sử dụng khi việc gán nhãn tốn kém chỉ phí hoặc khó khăn nhưng có một phan dữ liệu đã có sẵn nhãn. Mục tiêu của phương pháp này là cải thiện độ chính xác bằng cách tận dụng khả thông tin từ dữ liệu có nhãn và không nhãn.
¢ Học tăng cường (Reinforcement Learning): là phương pháp hoc máy nghiên cứu cách thức một tác nhân (agent) thực hiện một hành động (action) trong một môi trường (environment) để có thể tối đa hóa phần thưởng (reward). Agent tương tác với môi trường để nhận được phần thưởng hoặc phạt. Dựa trên những phản hồi này, agent sẽ điều chỉnh chiếc lược để có thể cải thiện hiệu suất theo thời gian với mục tiêu là tối ưu thời gian và đạt được phần thưởng cao nhất. COSO LY THUYẾT * Học đa nhiệm vụ (Multi-task Learning): Phương pháp huấn luyện mô hình để thực hiện đồng thời nhiều nhiệm vụ có liên quan đến nhau.
Bằng cách chia sẻ thông tin và tìm ra những điểm khác biệt ở các nhiệm vụ khác nhau, mô hình có thể học tốt hơn và tổng quát hóa tốt hơn cho từng nhiệm vụ riêng lẻ. Mô hình học liên kết (Federated Learning) 2.1 Tổng quan Học liên kết (Federated Learning) là một phương pháp phi tập trung để đào tạo mô hình học máy.