Chương 1: Giới thiệu tổng quan về đề tài của Khóa luận và những nghiên cứu liên quan. e Chương 2: Trình bày cơ sở lý thuyết và kiến thức nền tảng liên quan đến e Chương 3: Trình bày phương pháp thực hiện. e Chương 4: Trình bày thực nghiệm và đánh giá. e Chương 5: Kết luận và hướng phát triển của đề tài.
CƠ SỞ LÝ THUYET Chương này trình bày cơ sở lý thuyết của nghiên cứu: Bao gồm Federated learning, IDS, Blockchain, mô hình mạng Blockchain Hyperledger Fabric. Khái niệm vé học may (Machine Learning) Machine learning, một lĩnh vực trong lĩnh vực trí tuệ nhân tạo (AI) và khoa học máy tinh, sử dung di liệu và thuật toán để mô phỏng các hành vi con người và dần dần nâng cao độ chính xác của nó. Nói một cách đơn giản, học máy giúp ta đề ra các phương pháp cung cấp cho máy tính mà không cần phải thao tác lập trình một cách rõ ràng. C6 nhiều phương pháp học máy khác nhau, dưới đây là một số phương pháp phổ biến trong lĩnh vực học máy ọc máy giám sát (Supervise Learning) là phương pháp sử dụng dữ liệu đã được gán nhãn để huấn luyện mô hình dự đoán hoặc phân loại.
Các thuật toán phổ biến bao gồm hồi quy tuyến tính, cây quyết định, máy vector hỗ trợ (SVM), mạng neural , và các biến thể như mạng neural tích chap (CNN) và mang neural hồi quy (RNN).Hoc máy không giám sát (Unsuper- vised Learning): Phương pháp này sử dung di liệu chưa được gan nhãn để khám phá cấu trúc và mối uan hệ trong dữ liệu. Các thuật toán phổ biến trong học máy không giám sát bao gồm: phân cum (clustering), phân tích thành phần chính (PCA), và kỹ thuật t-SNE. Học máy bán giám sát (Semi- Supervised Learning): Phương pháp này kết hợp cả hai dạng học máy theo giám sát và không giám sát. Nó sử dụng một lượng nhỏ dữ liệu đã được gán 8 nhãn và một lượng lớn dữ liệu chưa được gan nhãn để huấn luyện mô hình.
Học máy tăng cường (Reinforcement Learning): Phương pháp này dựa trên việc xây dựng một môi trường tương tác, trong đó một hệ thống (agent) học cách đưa ra các hành động để tối đa hóa phần thưởng (reward). Thuật toán Q-Learning và thuật toán Deep Q Network (DQN) là những ví dụ phổ biến trong học máy tăng cường. Khái niệm vé học sâu (Deep Learning) Deep learning là một lĩnh vực trong trí tuệ nhân tạo (AT) và học máy, chuyên về việc xây dựng và huấn luyện các mạng nơ-ron sâu (deep neural networks) để học và hiểu dữ liệu. Mạng nơ-ron sâu được gọi là "sâu" (deep) vì nó bao gồm nhiều lớp an (hidden layers) kết nối với nhau, tạo thành một kiến trúc phức tap.
Mạng nơ-ron sâu sử dụng các phép tính toán lặp lại để trích xuất và học các đặc trưng sâu trong dữ liệu, giúp nắm bắt thông tin phức tạp và biểu diễn dữ liệu theo cách hiệu quả. gDeep learnin đã đạt được những thành tựu ấn tượng trong nhiều lĩnh vực như nhận dạng hình ảnh, xử lý ngôn ngữ tự nhiên, và tự động lái xe Các mạng nơ-ron sâu (deep neural networks) được xây dựng từ nhiều lớp nơ-ron kết nối với nhau theo một cấu trúc xác định. Các lớp đầu vào nhận dữ liệu đầu vào và truyền chúng qua các lớp ẩn (hidden layers) để trích xuất đặc trưng từ dữ liệu. Cuối cùng, dữ liệu được truyền qua các lớp đầu ra để đưa ra dự đoán hoặc phân loại.
Deep learning được coi là một tiến bộ quan trọng trong lĩnh vực trí tuệ nhân tạo vì khả năng học và xử lý thông tin phức tạp từ dữ liệu không gian lớn. Các mô hình deep learning đã đạt được những kết quả ấn tượng trong nhiều lĩnh vực như nhận dạng hình ảnh, nhận dạng giọng nói, xử lý ngôn ngữ tự nhiên và nhiều bài toán khác. Các mạng nơ-ron sâu như mạng nơ-ron tích chập (CNN) và mạng nơ-ron hồi quy (RNN) là những kiến trúc phổ biến trong deep learning. Mạng nơ-ron - Neural network Mang nơ-ron là một chuỗi thuật toán được sử dung để khám phá các mối quan hệ cơ bản trong một tập dữ liệu bằng cách mô phỏng cách hoạt động của não bộ con người.
Phương pháp này linh hoạt và có khả năng thích ứng với bất kỳ thay đổi nào trong dữ liệu đầu vào, cho phép nó đưa ra kết quả tốt nhất mà không cần đặt ra trước những tiêu chí đầu ra cụ thể. Mạng nơ-ron có ưu điểm đặc biệt trong việc phát hiện các loại mã độc mới và sự gia tăng đấng kể của các biến thể mã độc. Cụ thể hơn, mạng nơ-ron là một kiến trúc nhiều tầng, và thông thường có 3 kiểu tầng chính là: e Tầng đầu vào: Là tầng thể hiện cho những đầu vào của mạng. e Tầng đầu ra: Là tầng thể hiện cho những đầu ra của mạng.
e Tang an: Nằm giữa tang đầu vào và tang đầu ra, phụ trách nhiệm vụ suy luận luận lý của mạng. Trong mạng nơ-ron, mỗi nút mạng là một sigmoid nơ-ron nhưng hàm kích hoạt của chúng có thể khác nhau. Ở nhiều trường hợp, các mô hình được thường tùy chỉnh cho chúng đồng nhất với nhau để thuận tiện trong việc tính toán. Ngoài ra, để tăng khả năng giải quyết các bài toán phức tap, mạng nơ-ron sẽ gia tăng số lượng lớp an, tuy nhiên, càng nhiều số lượng lớp an, thời gian thực hiện tính toán sẽ càng lâu hơn.
Nếu có nhiều lớp an, số nút trong các lớp đó thường được chọn bằng nhau. Convolutional Neural Network (CNN) là một kiến trúc mang nơ-ron đặc biệt được sử dụng rộng rãi trong lĩnh vực xử lý ảnh và thị giác máy tính. CNN là một dạng đặc biệt của mạng nơ-ron nhân tạo, được thiết kế để xử lý dữ liệu không gian như hình ảnh.CNN có một kiến trúc đặc thù với các lớp đặc trưng chồng chéo va các bộ lọc tích chập. Nhờ sử dụng các bộ lọc tích chập, CNN có khả năng tự học và trích xuất các đặc trưng cấp cao từ dữ liệu ảnh.
Các lớp kết 10 nối đầy đủ (fully connected) sau đó được sử dụng để phân loại hoặc dự đoán dựa trên các đặc trưng này. DNN có thé có nhiều lớp ẩn hơn so với các mạng nơ-ron thông thường, cho phép nó học và hiểu các mức độ biểu diễn phức tạp hơn từ dữ liệu đầu vào.DNN là một dạng mạng nơ-ron rất mạnh mẽ và có khả năng học tự động các đặc trưng và biểu diễn sâu. Các lớp ẩn trong DNN giúp nó xây dựng các mức độ biểu diễn phức tạp dựa trên những mức đơn giản hơn. Điều này cho phép DNN học được các khái niệm trừu tượng và đại diện cho dữ liệu một cách hiệu quả hơn.
Mô hình phát hiện tấn công mạng Mục đích của mô hình tấn công mạng là khả năng áp dụng học máy vào việc phát hiện tấn công mạng, từ đó nâng cao khả năng dự đoán các cuộc tấn công. Hệ thông phát hiện xâm nhập Hệ thống phát hiện xâm nhập - IDS (Intrusion Detection Systems) là một ứng dụng hoặc công cụ phần mềm có nhiệm vụ bảo vệ hệ thống và cảnh báo về những hoạt động đáng ngờ xâm nhập vào. Chức năng chính của IDS là ngăn chặn và phát hiện các hành vi có tiềm năng gây tổn hại đến tính bảo mật của hệ thống, như các hoạt động tìm kiếm lỗ hồng hoặc quét cổng không được phép. Khi phát hiện được một hành vi đáng ngờ, IDS sẽ cung cấp cảnh báo để người quản trị hệ thống có thể xử lý và ngăn chặn sự xâm nhập.
Có nhiều loại IDS khác nhau, mỗi loại có một chức năng và nhiệm vụ riêng chúng bao gồm: e NIDS (Network Intrusion Detection Systems): Một hệ thống phát hiện xâm nhập mạng, được sử dụng để giám sát và phát hiện các hoạt động xâm nhập hoặc đáng ngờ trên một mạng. NIDS được triển khai tại các điểm 11 trong yếu trong hệ thống mang để giám sát lưu lượng mang đến (inbound) và đi (outbound) từ các thiết bị trong mạng. e HIDS (Host Intrusion Detection Systems): Là một công cụ bảo mật giấm sát và phát hiện các hoạt động bất thường trên máy chủ. Nó sử dụng các phương pháp phân tích log, giám sát hệ thống và phân tích động để xác định các hành vi đáng ngờ hoặc đối tượng độc hại và cảnh báo quản trị viên.
e Signature-Based IDS: Day là các IDS hoạt động dựa trên các dữ liệu đã được huấn luyện từ trước, từ đó đưa ra dự đoán xem đó có phải là cuộc tấn công hay không. Tuy nhiên hệ thống này có hạn chế là chỉ phát hiện được các cuộc tấn công đã biết và có dấu hiệu tương tự. e Anomaly-Based IDS: IDS này được sử dung để phát hiện mối đe dọa dựa trên sự bất thường. Thay vì dựa vào các mẫu dữ liệu của các cuộc tấn công đã biết, Anomaly-Based IDS tập trung vào việc xác định các hoạt động bất thường hoặc không phù hợp với hành vi bình thường của hệ thống.
Hệ thống phát hiện xâm nhập dựa trên học máy Học máy là một lĩnh vực trong trí tuệ nhân tạo, nó cho phép máy tính học và thực hiện các nhiệm vụ mà không cần được lập trình cụ thể. Điều này được thực hiện bằng cách sử dụng dữ liệu và phân tích thông tin từ các tập dữ liệu lớn, để may tính có thể dự đoán và tạo ra các kết quả, dự báo hoặc đưa ra quyết định. Công nghệ trí tuệ nhân tạo có ứng dụng rộng trong nhiều lĩnh vực, ví dụ như thương mại điện tử. Trong lĩnh vực này, máy học được sử dụng để đưa ra quyết định dựa trên hành vi và sở thích của khách hàng, cũng như để cung cấp các dịch vụ y tế cho người tiêu dùng.
Ngoài ra, trí tuệ nhân tạo cũng có thể được sử dụng để dự báo đại dịch hoặc khả năng phục hồi sau một số bệnh như ung thư, dựa trên lịch sử y tế của mỗi người [17], [1]. 12 Hiện nay, với sự phát triển của khoa học và công nghệ, lượng lớn các cuộc tấn công mạng được thực hiện một cách tinh vi hơn, số lượng lớn hơn, điều đó khiến cho công việc phát hiện tấn công mạng trở nên khó khăn dẫn tới việc hệ thống phát hiện xâm nhập có thể bị vướt qua bất cứ lúc nào. Không những thế, với những suy nghĩ đột phá trong việc tấn công mạng, việc phân tích và đánh giá đó là một mối nguy tấn công đối với hệ thống là một công việc khá tốn thời gian và công sức. Việc áp dụng học máy vào hệ thống phát hiện xâm nhập đóng vai trò quan trọng trong việc tăng cường bảo mật cho các hệ thống.