Khóa luận tốt nghiệp: Phát triển hệ thống phát hiện xâm nhập mạng cho IoT bằng học liên kết

• Tác giả: Nguyen Nhat Hieu Trung
• Người hướng dẫn: ThS. Nguyễn Khánh Thuật
• Trường học: Đại học Quốc gia Thành phố Hồ Chí Minh
• Chuyên ngành: Cử nhân ngành An toàn thông tin
• Đề tài: Phát Triển Hệ Thống Phát Hiện Xâm Nhập Mạng Cho IoT Sử Dụng Học Liên Kết
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2024
• Địa điểm: Thành phố Hồ Chí Minh

• LỜI CẢM ƠN
• 1. CHƯƠNG 1: MỞ ĐẦU
• 1.1. Lý do chọn đề tài
• 1.2. Các nghiên cứu liên quan
• 1.3. Mục tiêu, đối tượng và phạm vi nghiên cứu
• 1.3.1. Mục tiêu nghiên cứu
• 1.3.2. Đối tượng nghiên cứu
• 1.3.3. Phạm vi nghiên cứu
• 1.4. Phương pháp nghiên cứu
• 1.4.1. Nội dung 1
• 1.4.2. Nội dung 2
• 1.4.3. Nội dung 3
• 1.4.4. Nội dung 4
• 1.5. Các đóng góp chính của đề tài
• 1.6. Cấu trúc Khóa luận tốt nghiệp
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Hệ thống phát hiện xâm nhập
• 2.2. Mô hình học máy
• 2.3. Mô hình học liên kết — Federated Learning
• 2.3.1. Cách thức hoạt động
• 2.3.2. So sánh học máy tập trung và học máy liên kết
• 2.4. Generative Adversarial Networks - GAN
• 3. CHƯƠNG 3: PHƯƠNG PHÁP THỰC HIỆN
• 3.1. Học liên kết và Blockchain
• 3.2. Generative Adversarial Networks và Blockchain
• 3.3. Các bộ dữ liệu khác
• 3.4. Mô hình học liên kết
• 3.5. Mô hình triển khai
• 4. CHƯƠNG 4: THỰC NGHIỆM, ĐÁNH GIÁ VÀ THẢO LUẬN
• 4.1. Môi trường triển khai
• 4.2. So sánh giữa hình thức học tập trung và học liên kết
• 4.3. Mô hình kết hợp FL và Blockchain
• 4.4. Ứng dụng công nghệ Conditional Tabular Generative Adversarial Networks (ctGAN)
• 4.4.1. Kết quả phân loại tấn công
• 4.4.2. Kết quả về mức độ sử dụng tài nguyên
• 4.4.3. Kết quả toàn diện về công nghệ Conditional Tabular Generative Adversarial Networks (ctGAN)
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 5.1. Kết luận
• 5.2. Hướng phát triển
• TÀI LIỆU THAM KHẢO
• DANH MỤC CÁC BẢNG
• DANH MỤC CÁC HÌNH VẼ VÀ ĐỒ THỊ
• DANH MỤC TỪ VIẾT TẮT

I. Tổng Quan Về Phát Triển Hệ Thống Phát Hiện Xâm Nhập Mạng Cho IoT

Hệ thống phát hiện xâm nhập mạng (IDS) cho IoT đang trở thành một phần quan trọng trong việc bảo vệ an ninh mạng. Sự gia tăng nhanh chóng của các thiết bị IoT đã tạo ra nhiều thách thức về bảo mật. Các thiết bị này thường xuyên phải đối mặt với các cuộc tấn công mạng, từ đó yêu cầu một hệ thống phát hiện xâm nhập hiệu quả. Việc áp dụng học liên kết (Federated Learning) trong phát hiện xâm nhập mạng giúp cải thiện độ chính xác mà không làm lộ thông tin nhạy cảm.

1.1. Khái Niệm Về Hệ Thống Phát Hiện Xâm Nhập

Hệ thống phát hiện xâm nhập (IDS) là công cụ giúp giám sát và bảo vệ mạng khỏi các hành vi xâm nhập trái phép. IDS có thể phân loại các cuộc tấn công và cảnh báo người quản trị hệ thống.

1.2. Tầm Quan Trọng Của IoT Trong An Ninh Mạng

IoT đang trở thành một phần không thể thiếu trong cuộc sống hàng ngày. Tuy nhiên, sự gia tăng này cũng kéo theo nhiều rủi ro về an ninh mạng, đòi hỏi các giải pháp bảo mật hiệu quả.

II. Thách Thức Trong Phát Hiện Xâm Nhập Mạng Cho IoT

Các thiết bị IoT thường gặp phải nhiều thách thức trong việc phát hiện xâm nhập mạng. Một trong những vấn đề lớn nhất là sự mất cân bằng dữ liệu giữa các nút trong hệ thống. Điều này có thể dẫn đến hiệu suất của mô hình bị giảm sút. Ngoài ra, việc xác thực các nút tham gia vào quá trình học cũng là một thách thức lớn.

2.1. Vấn Đề Mất Cân Bằng Dữ Liệu

Mất cân bằng dữ liệu giữa các nút có thể dẫn đến việc mô hình học không chính xác. Các nút có ít dữ liệu hơn có thể không đóng góp đáng kể vào việc cải thiện mô hình.

2.2. Xác Thực Các Nút Tham Gia

Đảm bảo tính xác thực của các nút tham gia là rất quan trọng. Các nút cần phải được xác thực để đảm bảo rằng chúng không gây hại cho quá trình học tập.

III. Phương Pháp Sử Dụng Học Liên Kết Trong Phát Hiện Xâm Nhập

Học liên kết (Federated Learning) là một phương pháp học máy phân tán cho phép huấn luyện mô hình mà không cần chia sẻ dữ liệu thô. Điều này giúp bảo vệ quyền riêng tư của người dùng và tăng cường an ninh mạng cho các thiết bị IoT. Việc áp dụng FL trong phát hiện xâm nhập mạng có thể cải thiện hiệu suất mà vẫn đảm bảo tính bảo mật.

3.1. Lợi Ích Của Học Liên Kết

Học liên kết giúp giảm thiểu rủi ro liên quan đến quyền riêng tư và bảo mật dữ liệu. Mô hình có thể được huấn luyện trên dữ liệu phân tán mà không cần chia sẻ thông tin nhạy cảm.

3.2. Kết Hợp Học Liên Kết Với Blockchain

Sự kết hợp giữa học liên kết và công nghệ Blockchain có thể tăng cường tính bảo mật và minh bạch trong quá trình huấn luyện mô hình. Blockchain giúp xác thực các nút tham gia và bảo vệ dữ liệu.

IV. Ứng Dụng Thực Tiễn Của Hệ Thống Phát Hiện Xâm Nhập Mạng

Hệ thống phát hiện xâm nhập mạng cho IoT sử dụng học liên kết đã được áp dụng trong nhiều lĩnh vực khác nhau. Các ứng dụng này không chỉ giúp bảo vệ an ninh mạng mà còn cải thiện hiệu suất của các thiết bị IoT. Nghiên cứu cho thấy rằng việc áp dụng các công nghệ mới như GAN có thể giúp cải thiện chất lượng dữ liệu đầu vào cho mô hình.

4.1. Kết Quả Nghiên Cứu Về Phát Hiện Tấn Công

Nghiên cứu cho thấy rằng hệ thống phát hiện xâm nhập mạng có thể phát hiện nhiều loại tấn công khác nhau, từ tấn công DDoS đến các cuộc tấn công tinh vi hơn.

4.2. Ứng Dụng Trong Các Ngành Công Nghiệp

Hệ thống này đã được áp dụng trong nhiều ngành công nghiệp, từ y tế đến sản xuất, giúp bảo vệ dữ liệu nhạy cảm và đảm bảo an toàn cho các thiết bị IoT.

V. Kết Luận Và Hướng Phát Triển Tương Lai

Hệ thống phát hiện xâm nhập mạng cho IoT sử dụng học liên kết đang mở ra nhiều cơ hội mới trong việc bảo vệ an ninh mạng. Tuy nhiên, vẫn còn nhiều thách thức cần phải giải quyết, đặc biệt là trong việc đảm bảo tính bảo mật và quyền riêng tư của dữ liệu. Hướng phát triển tương lai có thể bao gồm việc cải thiện các thuật toán học máy và tích hợp thêm các công nghệ mới.

5.1. Tương Lai Của Hệ Thống Phát Hiện Xâm Nhập

Hệ thống phát hiện xâm nhập mạng sẽ tiếp tục phát triển và cải thiện để đáp ứng nhu cầu bảo mật ngày càng cao trong bối cảnh IoT.

5.2. Đề Xuất Các Giải Pháp Mới

Cần nghiên cứu và phát triển thêm các giải pháp mới để cải thiện hiệu suất và tính bảo mật của hệ thống phát hiện xâm nhập mạng cho IoT.