Chương 1: TONG QUAN DE TÀI Trình bày khái quát định hướng nghiên cứu của khóa luận mà chúng tôi muốn hướng tới. e Chương 2: CƠ SỞ LÝ THUYET Trình bày các định nghĩa, khái niệm cũng như những kiến thức nền tảng để 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.
e Chương 4: HIỆN THỰC, ĐÁNH GIA VÀ THẢO LUẬN Dé cập đến quá trình hiện thực hóa phương pháp dé cập ở Chương 3. Sau đó trình bày phương pháp thực nghiệm, đánh giá kết quả và thảo luận chung. e Chương 5: KET LUẬN VA HƯỚNG PHAT TRIEN Đưa ra kết luận về đẻ 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 Chương này trình bày cơ sở lý thuyết của nghiên cứu, bao gồm: Hệ thống phát hiện xâm nhập (Intrusion Detection System - IDS), Học liên kết (Federated Learn- ing), Học liên kết phi tập trung (Decentralized Federated Learning), Công nghệ chuỗi khối (Blockchain) và các cơ chế phòng thủ.1 Hệ thong phát hiện xâm nhập (Intrusion Detection System) Giới thiệu về hệ thống phát hiện xâm nhập (Intrusion Detection System) Tổng quan Thời đại ngày nay được coi là một bước đột phá vô cùng to lớn trong lĩnh vực công nghệ thông tin, đánh dấu sự chuyển đôti toàn diện của các ngành sản xuất và dịch từ cách thức truyền thống sang sử dụng các công nghệ hiện đại như trí tuệ nhân tạo, Internet of Things (IoT), blockchain,.
Với sự phát triển vô cùng nhanh chóng đó, đồng nghĩa với việc số lượng dữ liệu ngày càng tăng và việc bảo vệ lượng dir liệu đó là rất phức tap. Để chống lại những mối de dọa mạng ngày càng phổ biến và tinh vi, các hệ thống phát hiện xâm nhập (IDS) được sử dụng để giám sát và phát hiện các hành vi xâm nhập, tấn công mạng hay các hành vi đáng ngờ khác trên hệ thống mạng. COSO LY THUYẾT Nhờ đó, chúng giúp ngăn chặn các cuộc tan công trước khi chúng ta ra hau qua nghiêm trọng. Phân loại Có nhiều loại IDS khác nhau, mỗi loại có chứng năng và nhiệm vụ riêng, bao gồm: © Phân loại dựa trên kỹ thuật tan công: - Signature-based (hay còn gọi knowledge-based) là IDS hoạt động dựa trên dấu hiệu (Signature) đã định nghĩa, giám sát các gói tin trên mạng tương tự như cách phần mềm diệt virus hoạt động.
Tuy nhiên Signature-Based có thể không phát hiện được những mối đe dọa mới, khi dấu hiệu để nhận biết nó chưa được IDS cập nhật. Network current traffic activity IDS add new pattern Attack s/ signatures / rules ; matching Attack/ intrusion Signatures intrusion data modify existing database state signatures HINH 2.1: Signature-Based - Anomaly-Based Detection (hoặc profile-based) là IDS được sử dung để phát hiện mối đe doa dựa trên sự bat thường. Không như Signature- Based IDS, Anomaly sẽ giám sát lưu lượng mang và so sánh với dt liệu cơ sở (normal behavior) đã được thiết lập từ trước. Nó sẽ xác định đâu là mức bình thường của mạng và cảnh báo cho quản trị viên mạng hoặc người dùng khi phát hiện lưu lượng truy cập bất thường hoặc khác biệt.
- Specification-Based Detection là IDS phát hiện dựa trên đặc tả thu thập các hoạt động chính xác của một chương trình hoặc giao thức và giám sát hoạt động của nó dựa trên các ràng buộc đã được định nghĩa. Kỹ thuật này sử dụng mô hình giao thức chủ yếu dựa trên các chuẩn 8 Chương 2. COSO LY THUYẾT Network current traffic IDS profile ————— : updating statistical Network Profile Network profile Attack/ ere generation profile intrusion bu model dynamically | (baseline) | | deviation state generate profiles giao thức từ các nha sản xuất phần mềm va các tiêu chuẩn (ví du: IEFT, RFC). - Hybrid IDSs (hay còn gọi Compound Detection) kết hợp các kỹ thuật phát hiện dựa trên Signature, Anomaly va Specification.
¢ Phân loại dựa trên nguồn dit liệu: — Network Intrusion Detection Systems (NIDS) là hệ thống giám sát va phát hiện các hoạt động xâm nhập hoặc khả nghi trong mạng. Giám sát lưu lượng mang cho các phân đoạn mạng (network segment) hoặc các thiết bị, phân tích hoạt động mạng và các giao thức, ứng dụng để phát hiện các hành vi bất thường. NIDS được triển khai tại các vị trí quan trọng trong hệ thống mạng để theo đõi lưu lượng mạng cả đầu vào (inbound) và đầu ra (outbound) từ các thiết bị kết nối trong mạng. — Host Intrusion Detection Systems (HIDS) theo dõi các đặc điểm của một host riêng lẻ và các sự kiện xảy ra trong host đó để phát hiện hoạt động bat thường.
Nó sử dụng các phương pháp phân tích log, giám sát hệ thống, và phân tích động để xác định các hành vi hoặc đối tượng độc hại và cảnh báo quản trị viên. - Hybrid IDSs được phát triển để tích hợp và xem xét tất cả dữ liệu từ các sự kiện trên host và sự kiện trong các phần mạng, kết hợp chức năng của cả NIDS và HIDS. COSO LY THUYẾT `2 Internet sels k2 Internet = ‘> Router ‘> Router F) Firewall £ Firewall IDS Sensor | rs We switen Weeswitcn Bs IDS Sensor wis IDS Sensor _¬" Bye @ | Laptop ae Bs PC Laptop PC Laptop PC IDS Sensor IDS Sensor PC Laptop HINH 2.3: Network-based IDS va Host-based IDS Hệ thống phát hiện xâm nhập dựa trên học máy Hoc máy là một linh vực quan trọng trong trí tuệ nhân tạo, cho phép máy tính học và thực hiện các nhiệm vụ mà không cần phải được lập trình cụ thể. Quá trình này thường được thực hiện bằng cách sử dung dữ liệu và phân tích thông tin từ các tập dữ liệu lớn, giúp máy tính có thể dự đoán và tạo ra các kết quả, dự báo hoặc đưa ra quyết định một cách tự động và linh hoạt.
Công nghệ trí tuệ nhân tạo có ứng dụng đa dạng trong nhiều lĩnh vực, ví dụ thương mại điện tử, y tế,. Trong thương mại điện tử, máy học thường được áp dụng để tối ưu hóa trải nghiệm mua sắm của khách hàng bằng cách dé xuất sản phẩm dựa trên hành vi trước đó và sở thích cá nhân. Điều này giúp cải thiện tỷ lệ chuyển đổi và tăng doanh số bán hàng. Đồng thời, trí tuệ nhân tạo cũng có thể được sử dụng trong y tế để phân tích di liệu lich sử của bệnh nhân và dự đoán nguy cơ mắc các bệnh trước khi chúng xảy ra.
Nó cũng có thể hỗ trợ trong việc điều trị cá nhân hóa và đánh giá khả năng phục hồi sau các căn bệnh như ung thư, dựa trên thông tin về lịch sử y tế và các yêu tố liên quan đến sức khỏe của từng người. COSO LY THUYẾT Trong thời đại hiện nay, với sự tiến bộ không ngừng của khoa học và công nghệ, lượng tấn công mạng ngày càng tỉnh vi và phổ biến hơn bao giờ hết. Điều này gây ra thách thức lớn trong việc phát hiện các tân công, đồng thời làm cho các hệ thống phát hiện xâm nhập dé bị vượt qua bat cứ lúc nào. Hơn nữa, với sự sáng tạo ngày càng cao trong các chiến lược tân công mạng, việc phân tích và đánh giá mối đe dọa trở thành một công việc tốn thời gian và công sức.
Ap dung học máy vào các hệ thống phát hiện xâm nhập đóng vai trò quan trọng trong việc tăng cường bảo mật cho các hệ thống này. Nhờ vào các thuật toán mạnh mẽ, hệ thống có khả năng học từ dữ liệu va phát hiện các mẫu tan công mới một cách tự động và linh hoạt. Việc cung cấp khả năng phát hiện các cuộc tan công mới dựa trên dữ liệu được đào tạo là một phương tiện hiệu quả để giảm thiểu rủi ro và bảo vệ thông tin quan trọng trước những mối de dọa ngày càng phức tạp từ mạng internet. Học máy Học máy (Machine Learning - ML) Machine learning, một lĩnh vực đặc biệt trong trí tuệ nhân tạo và khoa học máy tính, đã đạt được sự chú ý lớn từ cộng đồng công nghệ nhờ vào khả năng của nó trong việc tự học và cải thiện từ dữ liệu.
Trong thé giới kỹ thuật số ngày nay, dữ liệu đang được tạo ra và thu thập ở mức độ lớn chưa từng có, và machine learning đóng vai trò quan trọng trong việc khai thác giá trị từ những dữ liệu này. Về cơ bản, machine learning sử dung di liệu và thuật toán để phân tích, nhận biết mẫu, và dự đoán kết quả mà không cần phải được lập trình cụ thể. Thay vì dựa vào các quy tắc cụ thể được lập trình trước, máy tính có khả năng tự học từ dữ liệu và tinh chỉnh chính mình để cải thiện hiệu suất và độ chính xác theo thời gian. Để hoàn thiện một mô hình học máy, cần phải trải qua các bước như sau: ¢ Chuẩn bị tập dữ liệu (Dataset): Bước nay sẽ loại bỏ các dữ liệu thừa, xử lý và biến đổi các dữ liệu để có thể sử dụng được.
Tập dữ liệu phải đủ lớn và đại diện cho phân phối dữ liệu thực tế. Tập dữ liêu được chia thành hai 11 Chương 2. COSO LY THUYẾT phan: Tập dữ liệu dùng để huấn luyện (Tranning set) và tap dữ liệu dùng để kiểm tra, đánh giá hiệu suất mô hìnhn (Testing set). ¢ Chọn mô hình và thuật toán: Có nhiều mô hình và thuật toán khác nhau dùng để giải quyết các bài toán khác nhau, việc chọn mô hình và thuật toán phù hợp là rất quan trọng để đạt được kết quả tốt.
¢ Huan luyện mô hình: Đưa tập dữ liệu huấn luyện vào mô hình và điều chỉnh các tham số, trọng số để mô hình đưa ra kết quả chính xác cho tập dữ liệu đó. Quá trình này sẽ mất nhiều thời gian và tài nguyên tính toán tùy vào độ lớn và độ phức tạp của tập dữ liệu và mô hình. ¢ Đánh giá hiệu suất của mô hình: Dựa trên tập dữ liệu kiểm tra (Testing set) và các chỉ số như độ chính xác (accuracy), giá trị mất mát (loss value) và độ sai s6 (error rate),. © Tinh chỉnh mô hình: Khi hiệu suất mô hình không dat được như mong muốn, có thể thay đổi các tham số hoặc sử dụng mô hình khác.
Lặp lại quá trình này cho tới khi đạt được kết quả mong đợi. ¢ Triển khai mô hình: Sau khi trải qua quá trình huấn luyện và đạt được kết quả như mong muốn, mô hình đã có thể sử dụng triển khai trong các ứng dụng thuực tế.