Chương 1: TONG QUAN DE TÀI Trinh bay khái quát định hướng nghiên cứu của khóa luận mà tôi muốn hướng tới. Chương 2: TÔNG QUAN TÌNH HÌNH NGHIÊN CỨU Sơ lược một số công trình liên quan có cùng hướng nghiên cứu mà đề tài có tham khảo. Chương 3: CƠ SỞ LÝ THUYET Trình bày các định nghĩa, khái niệm cũng như những kiến thức nền tang dé có thé thực hiện được nghiên cứu. Chương 4: PHƯƠNG PHÁP 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 5: THỰC NGHIỆM VÀ ĐÁNH GIÁ Đề cập đến quá trình thực nghiệm cùng với kết quả thu được. Dua ra nhận xét cho những công việc đã thực hiện ở Chương 4. Chương 6: KET LUẬN VA HƯỚNG PHÁT TRIEN Đưa ra kêt luận về đê tài, đê xuât một sô hướng phát triên mở rộng cho các nghiên cứu trong tương lai. TỎNG QUAN TÌNH HÌNH NGHIÊN CỨU 2.
Các nghiên cứu liên quan IoT là công nghệ được quan tâm rộng rãi trong nhiều lĩnh vực khác nhau. Mục tiêu của mạng IoT là kết nối môi trường vật lý với Internet, từ đó tạo ra một mạng lưới thiết bị dày đặc hơn, thông minh hơn và cung cấp nhiều tiện ích hơn cho mọi nguoi. IoT đã được ứng dụng trong phát triển nha thông minh, thành phó thông minh, ứng dụng chăm sóc sức khỏe, mạng đám mây,. Các ứng dụng này làm nay sinh các van dé bảo mật thiết bị người dùng, các cuộc tấn công vào mạng cũng như tối ưu hóa tài nguyên mang [1].
Mô hình FL cũng được phat triển bởi William Schneble và cộng sự được ứng dụng cho ngành y tế, với tên gọi là MCPS (Medical Cyber-Physical Systems - mạng các thiết bị y tế) [2]. MCPS lưu trữ các dit liệu về sức khỏe bệnh nhân, thông tin cá nhân mang tính nhạy cảm và nếu bị ton hại sẽ gây nên hệ quả rat lớn. Vì vậy yêu cầu của hệ thống này là khả năng bảo mật cao, linh hoạt, sử dụng ít tài nguyên và cho độ chính xác cao. Kết quả đạt được của nhóm tác giả rất ấn tượng khi đạt độ chính xác 99% và còn giải quyét được van đê mat cân băng dữ liệu.
Bên cạnh đó, trong nghiên cứu của Mohamed Amine Ferrag và cộng sự [3], các tác giả đã chỉ ra nhu cầu và thách thức trong việc phát hiện xâm nhập ở các thiết bị IoT, điện thoại đi động và xe không người lái. Nghiên cứu này cũng cung cấp cái nhìn tổng quát về những giải pháp deep learning sử dụng cho hệ thống thiết bị phân tán. Ngoài ra, nghiên cứu này sử dụng các mô hình phân biệt ANN, CNN và DNN mang đến kết quả rat khả quan trên 2 bộ dữ liệu CID-DoS2019 và TON_IoT. Tuy nhiên, giải pháp này lại đòi hỏi tập trung dữ liệu cho quá trình phân tích cũng như đào tạo mô hình máy học (dữ liệu được đưa từ lớp cảm biến trong môi trường lên lớp máy tính tập trung).
Dé đáp ứng được quyền riêng tu di liệu cho ngữ cảnh xây dựng mô hình phát hiện tấn công mạng, Beibei Li và các cộng sự [4] đã đề xuất một mô hình FL, có tên là DeepFed, được sử dụng dé phat hién va giam thiểu các mối de doa mạng cho hệ thống không gian mạng thực-ảo (Cyber-physical system - CPS). Mô hình này được các tác giả chứng minh là có tính hiệu quả cao va bảo mật dit liệu, vượt trội so với những nghiên 14 cứu hiện tại. Ngoài ra, một giao thức an toàn dành riêng cho FL cũng được phát triển dé đảm bảo các thông số mô hình được truyền đi đảm bảo bí mật và riêng tư. Tương tự, một nghiên cứu khác của Mohammad Rasouli và cộng sự [5] triển khai mô hình FL kết hợp với GAN.
Các tác gia chỉ ra van đề chung khi dao tạo cả mô hình GAN lẫn FL là đảm bảo sự hội tụ, các phần khác nhau của mô hình phải cùng nhau được cải thiện. Báo cáo nay còn đưa ra giải pháp cải thiện so với những nghiên cứu tương tự trước đó khi cho cả bộ sinh và bộ phân biệt cùng nam trên một thiết bị. Liên quan đến việc kết hợp SDN và IDS, công trình DIGFuPAS [6] đã sử dụng GAN để tạo mẫu tấn công cho IDS trong mạng có hỗ trợ SDN. Nhóm tác giả chỉ ra rằng, mặc dù sử dụng những thuật toán khác nhau có hiệu suất cao nhưng IDS vẫn bị giảm hiệu qua đáng ké khi đối phó với những cuộc tan công này.
Nghiên cứu này mở ra hướng tiếp cận mới dé cải thiện IDS bằng cách tạo những cuộc tan công chất lượng cao và đa dạng chủng loại. Từ những ưu điểm trong ngữ cảnh thí nghiệm, DIGFuPAS có thê được hoàn thiện hơn và trở thành một sản phẩm thương mại trong tương lai. Những nghiên cứu trên cùng một số nghiên cứu có liên quan khác là nguồn tham khảo tốt dé triển khai đề tài nghiên cứu này. Y nghĩa khoa học và thực tiễn của đề tai 2.
Ý nghĩa khoa học Như đã đề cập ở phần những nghiên cứu liên quan, các ứng dụng của FL kết hợp với GAN cho bài toán phát hiện xâm nhập vẫn còn chưa nghiên cứu rộng rãi, tôi đề xuất một số điểm mới cho nghiên cứu về đề tài này: - Để khắc phục tình trạng sử dụng những tập dữ liệu cũ, có nhiều lưu lượng lỗi và trùng lặp, nghiên cứu này sử dụng bộ dữ liệu mới hơn là CIC-ToN-IoT liên quan đến các cuộc tấn công trên thiết bị loT và CIC-IDS2018. - _ Nhằm có cái nhìn tổng quan hơn về hiệu suất đào tạo mô hình, tôi bổ sung thêm những metric khác ngoài Accuracy (cụ thé là Recall, Precision và F1- Score). - _ Tôi thử nghiệm những thuật toán máy hoc khác nhau cho IDS dé so sánh va rút ra giải pháp tốt nhất. 15 - __ Việc bé sung GAN trong kiến trúc có lí do liên quan đến phân bó dữ liệu mat cân bằng.
Trong thực tế, dữ liệu từ những thiết bị khác nhau có thé có tỉ lệ giữa các nhãn khác nhau, trong khi mô hình đòi hỏi sự ôn định. Mat cân bằng nghiêm trọng có thê làm hiệu suất đào tạo mô hình cao nhưng không đáng tin. - _ Kiến trúc FL-GAN được triển khai trên SDN, là một kiến trúc mạng có ý nghĩa lớn trong việc triển khai 5G, và hơn hết là phù hợp với tính năng đào tạo mô hình phân tán của FL. Ý nghĩa thực tiễn Trong ngữ cảnh mạng IoT nói riêng và 5G nói chung đang được chuẩn hóa và triển khai thực tế, ý tưởng về một kiến trúc đào tạo mô hình máy học trên mạng SDN là khả thi.
Các nghiên cứu cũng như ứng dụng sẵn có đã rất nhiều, nhưng trong lĩnh vực An toàn thông tin, mà cụ thể là phát hiện xâm nhập vẫn còn hạn chế. Bằng cách kết hợp những giải pháp khác nhau dé giải quyết bài toán phân biệt lưu lượng tan công trong mạng, nghiên cứu của tôi có thê là một giải pháp phát hiện xâm nhập kèm theo nhiều tính năng hứa hẹn. Nghiên cứu này khi được triên khai thành giải pháp có thê cung cấp lợi ích đào tạo mô hình học máy tận dụng được lượng dữ liệu lớn trên các thiết bị mà đồng thời vẫn đảm bảo riêng tu dit liệu cho người dùng. Bên cạnh đó, một số lợi ích khác có thể kê đến là tối ưu băng thông mạng, đào tạo mô hình máy học hiệu quả hơn, tối ưu bộ nhớ lưu trữ.
Từ những lợi ích trên, các hệ thống lớn có thé dat lợi ích tốt hơn về kinh tế, hiệu quả hoạt động vả cả chính sách liên quan dữ liệu người dùng. Hệ thống phát hiện xâm nhập IDS 3. Tổng quan Phát hiện xâm nhập là một biện pháp giúp bảo vệ máy tính và hệ thống mạng khỏi nguy cơ bị khai thác. Hệ thống phát hiện xâm nhập (IDS) tập hợp các thiết bị có khả năng phân tích lưu lượng, nhận biết các dấu hiệu bất thường và đưa ra cảnh báo cho quản trị viên.
IDS có thé được phân loại như sau: - _ Dựa trên nơi dat IDS: o Đặt tại một máy chủ (Host-based IDS): Thường là một phần mềm nam trên máy chủ và giám sát một máy chủ duy nhất. IDS này có khả năng hoạt động ở tầng 7 của kiến trúc TCP/IP, soi sâu vào gói tin đã được giải mã, vì vậy có khả năng giám sát những mối nguy hại tiềm 4n trong lưu lượng. Tuy nhiên triển khai host-based IDS có thê yêu cầu quyền truy cập vào dữ liệu nhạy cảm của các máy chủ và cấu hình phân tán, làm tăng chỉ phí đầu tư. internet | I =) Ra Hình 3.
Host-based IDS. 17 o Đặt tại vùng biên của mang (Network-based IDS): Thường là một thiết bị chuyên dụng, riêng biệt với đường truyền mạng và nhận phần dữ liệu sao chép từ đường truyền mạng dé phân tích. IDS dang này có khả năng giám sát diện rộng và kiêm soát một vùng mạng lớn. Tuy nhiên, NIDS thiếu khả năng soi sâu vào nội dung gói tin vì không hoạt động ở layer 7.
CS Internet BE la 1 = Hinh 3. Dựa trên ki thuật phát hiện xâm nhập: o Phát hiện xâm nhập bang dau hiệu (Signature-based IDS): Day là phương pháp so sánh các hành vi của lưu lượng với khuôn mẫu của các cuộc tấn công đã biết trước. Từ đó IDS đưa ra đánh giá xem hành vi có phải là xâm nhập hay không. Đây là phương pháp có hiệu quả cao với những cuộc tấn công đã biết trước, tuy nhiên lại yêu thé trước những cuộc tan công chưa được biết đến (các cuộc tấn công zero-day).
Phát hiện xâm nhập bằng các sự bất thường (Anomaly-based IDS): Đây là phương pháp ứng dụng các kĩ thuật học máy dé nhận biết đâu là hành vi bất thường so với các hành vi được gán nhãn bình thường. Từ đó IDS 18 đưa ra đánh giá xem hành vi có phải là tắn công hay không. Phương pháp này có khả năng phát hiện các cuộc tấn công chưa biết trước. Tuy nhiên loại IDS này có nhược điểm là có tỉ lệ cảnh báo sai, nghĩa là gán nhãn một lưu lượng bình thường thành tan công.
Cách đánh giá IDS Một mô hình IDS khi sử dụng các thuật toán ML đã nhận diện tan công cần được đánh giá khả năng phát hiện và so sánh giữ các thuật toán khác nhau. Khả năng phát hiện tan công của mô hình thường được đánh giá bằng tập dữ liệu kiểm thử. Tập dữ liệu kiểm thử chiếm khoảng 20 — 30% tổng số bản ghi của bộ dit liệu.