Luận văn: Phân Tích Lưu Lượng Mạng Background và Foreground (Bùi Tiến Đức, ĐH Bách Khoa)

Luận văn thạc sĩ khoa học máy tính: Phân tích lưu lượng mạng background và foreground. Nghiên cứu chuyên sâu về đặc điểm và ứng dụng thực tế.

• Tác giả: Bùi Tiến Đức
• Người hướng dẫn: TS. Trần Minh Quang
• Trường học: Trường Đại Học Bách Khoa - ĐHQG - HCM
• Chuyên ngành: Khoa Học Máy Tính
• Đề tài: Phân Tích Lưu Lượng Mạng Background Và Foreground (Network Traffic Analysis Of Background And Foreground)
• Loại tài liệu: Luận Văn Thạc Sĩ
• Năm xuất bản: 2017
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CÁM ƠN
• TÓM TAT
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: GIỚI THIEU DE TÀI
• 1.1. Ý nghĩa khoa học và tính thực tiễn của VAN đỀ
• 1.2. Định nghĩa van dé nghiên cỨu
• 1.3. Những khó khăn trong tiếp cận van dé phân loại sớm lưu lượng nền hay lưu lượng nỗi từ những gói tin đầu tiên và cách giải quyết
• 2. CHƯƠNG 2: MỤC TIỂU, GIỚI HAN VA DOI TƯỢNG NGHIÊN CUU
• 2.1. MỤC tlU
• 2.2. Đối tượng nghiên COU
• 2.3. Kết SIT-NsL18204920117
• 3. CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU
• 3.1. Phuong pháp thu thập dữ liệu
• 3.2. Cách tạo ra lưu lượng nên (Background Traffic) và lưu lượng nỗi (Foreground Traffic) của một giao dịch mang (TCP Session)
• 4. CHƯƠNG 4: PHAN LOẠI SOM LƯU LƯỢNG MẠNG MAY TINH TỪ NHỮNG GÓI TIN ĐẦU TIỂN
• 4.1. Câu trúc giao dịch mang (Transmission Control Protocol Session = TCP
• 4.2. Phương pháp thực hiỆn:
• 4.3. Lưu đồ phân loại sớm
• 4.4. Các thuộc tính rút trích được qua thống kê thông tin từ những giao dịch mang (Transmission Control Protocol Session = TCP Session)
• 4.5. Đánh giá su ảnh hưởng của từng thuộc tính đến sự phân loại lưu Tong MANY MAY tinh
• 4.6. Loại bỏ thuộc tính it anh huOng
• 4.7. Xác định số gói tin tối thiêu cho việc phân loại sớm
• 4.8. Su dụng giải thuật Cây quyết định (Decision tree), Naive Bayes, Support Vector Machine, Artifical Neuron Network hỗ trợ sẵn trong công cụ weka để đánh giá sơ bộ kết quả phân loại sớm lưu lượng mạng máy tính từ mười một thuộc tính tren
• 4.9. Để xuất kỹ thuật phân loại sớm dựa trên thống kê thông tỉn
• 5. CHƯƠNG 5: DANH GIA KET QUÁ NGHIÊN CỨU
• 5.1. Ho ái ni nan
• 5.2. Phương pháp thu thập và phân tích số liệu
• 5.3. Thống kê thông tin của gan 700 giao dich mạng được rút trích từ dữ
• 5.4. Bang phân phối tích lũy (Cumulative distribution function)
• 5.5. Sơ đồ phân phối tích lũy (Cumulative distribution function)
• 6. CHUONG 6: KET LUẬN
• TÀI LIEU THAM KHẢO
• PHAN LY LICH TRÍCH NGANG

Tóm tắt

I. Tổng Quan Phân Tích Lưu Lượng Mạng Background Foreground

Bài viết này tập trung vào phân tích lưu lượng mạng background và foreground, một lĩnh vực quan trọng trong quản lý mạng và an ninh mạng. Lưu lượng mạng background là lưu lượng được tạo ra bởi các ứng dụng chạy âm thầm, thường là tự động, không có sự tương tác trực tiếp của người dùng. Ví dụ, hệ điều hành tự động cập nhật, phần mềm kết nối đến máy chủ để kiểm tra phiên bản mới. Ngược lại, lưu lượng mạng foreground là lưu lượng phát sinh do sự tương tác trực tiếp của người dùng, ví dụ, duyệt web, gửi email, sử dụng ứng dụng mạng xã hội. Phân biệt hai loại lưu lượng này rất quan trọng trong nhiều ứng dụng thực tế. Ví dụ, trong quản lý băng thông, việc ưu tiên lưu lượng foreground có thể cải thiện trải nghiệm người dùng. Trong an ninh mạng, việc phát hiện các lưu lượng background bất thường có thể giúp phát hiện các hoạt động đáng ngờ. Theo nghiên cứu của Bùi Tiến Đức, phân loại sớm lưu lượng mạng rất quan trọng cho việc tối ưu hóa hệ thống, điều khiển truy xuất, an ninh mạng, nhận dạng tấn công DDOS. Công trình nghiên cứu này chỉ dựa vào thống kê thông tin để chứng minh giao dịch mạng hiện tại trội về lưu lượng nỗi hay lưu lượng nên. Nếu trội về lưu lượng nên thì gán nhãn background và ngược lại gán nhãn foreground. Việc phân loại sớm lưu lượng mạng background và foreground từ những gói tin đầu tiên là một thách thức lớn, nhưng cũng mang lại nhiều giá trị tiềm năng.

1.1. Định nghĩa Lưu lượng mạng Background và Foreground

Lưu lượng nền (Background Traffic) [1] là lưu lượng do các ứng dụng chạy ngầm bên dưới hệ thống tạo ra. Ví dụ: hệ điều hành cập nhật, phần mềm tự kết nối với máy chủ dé nang cấp phiên bản mới, các ứng dụng chạy ngầm bên dưới hệ thống tự trao đổi thông tin với nhau. Lưu lượng nổi (Foreground Traffic) [1] là lưu lượng do con người tạo ra trong quá trình sử dụng trực tiếp các thiết bị điện toán. Ví dụ: sử dụng công cu facebook để trao đổi thông tin với nhau, nhắn tin qua thư điện tử, duyệt các trang (websites) dé đọc tin tức. Số lưu lượng nền được sinh ra thường nhiều hơn số lưu lượng nổi được sinh ra, dễ dẫn đến tình trạng “thắt cổ chai” trên mạng máy tính. Việc phân loại sớm lưu lượng mạng là lưu lượng nên hay lưu lượng nỗi từ những gói tin đầu tiên có ý nghĩa tích cực trong lĩnh vực mang máy tính. Kết quả mà công trình này tạo ra sẽ được dùng trực tiếp để nâng cao chất lượng phục vụ, hỗ trợ an ninh mạng. Theo Bùi Tiến Đức, Khi kiểm tra kết quả điểm thi đại học trực tuyến, sẽ tạo ra nhiều lưu lượng nổi. Dé nâng cao chất lượng phục vu, trong hệ thống cần tạm dừng một số ứng dụng đang tạo ra lưu lượng nên. Dé ưu tiên tài nguyên máy tính phục vụ cho lưu lượng nỗi đang được tạo ra khi tra điểm.

1.2. Tầm quan trọng của việc phân loại Traffic analysis background foreground

Việc phân loại lưu lượng mạng background và foreground mang lại nhiều lợi ích thiết thực. Trong quản lý băng thông, việc ưu tiên lưu lượng foreground (ví dụ, video call, game online) giúp đảm bảo trải nghiệm tốt cho người dùng, ngay cả khi lưu lượng background (ví dụ, cập nhật phần mềm, sao lưu dữ liệu) đang chiếm dụng băng thông. Trong an ninh mạng, việc phân tích lưu lượng background có thể giúp phát hiện các hoạt động đáng ngờ, ví dụ, phần mềm độc hại gửi dữ liệu về máy chủ điều khiển. Các dấu hiệu bất thường trong lưu lượng background, chẳng hạn như địa chỉ IP lạ, tần suất cao bất thường, hoặc loại dữ liệu không phù hợp, có thể là dấu hiệu cảnh báo sớm. Ngoài ra, phân tích lưu lượng mạng background và foreground còn giúp tối ưu hóa hiệu suất mạng, bằng cách xác định và loại bỏ các ứng dụng hoặc dịch vụ không cần thiết tạo ra lưu lượng background. Điều này giúp giảm tải cho mạng, cải thiện tốc độ truyền dữ liệu, và kéo dài tuổi thọ pin của các thiết bị di động.

1.3. Ứng dụng của việc phân loại Real time traffic analysis trong thực tế

Các ứng dụng thực tế của phân tích lưu lượng mạng background và foreground rất đa dạng. Trong môi trường doanh nghiệp, việc phân loại lưu lượng mạng giúp quản lý tài nguyên mạng hiệu quả hơn, đảm bảo các ứng dụng quan trọng hoạt động trơn tru. Ví dụ, trong giờ làm việc, lưu lượng foreground từ các ứng dụng văn phòng, hệ thống CRM, hoặc các công cụ cộng tác được ưu tiên hơn lưu lượng background từ các bản cập nhật phần mềm hoặc sao lưu dữ liệu. Trong lĩnh vực an ninh mạng, việc giám sát lưu lượng mạng giúp phát hiện các cuộc tấn công mạng, xâm nhập trái phép, hoặc các hoạt động đáng ngờ khác. Các công cụ phân tích lưu lượng mạng, chẳng hạn như Deep packet inspection (DPI), có thể phân tích nội dung của các gói tin để xác định các dấu hiệu bất thường hoặc vi phạm chính sách. Cuối cùng, trong lĩnh vực giám sát trải nghiệm người dùng, việc phân loại lưu lượng mạng giúp xác định các vấn đề về hiệu suất mạng ảnh hưởng đến trải nghiệm của người dùng. Ví dụ, nếu người dùng gặp phải tình trạng chậm trễ khi duyệt web hoặc xem video, việc phân tích lưu lượng mạng có thể giúp xác định nguyên nhân, chẳng hạn như tắc nghẽn mạng, lỗi cấu hình, hoặc tấn công DDoS.

II. Thách Thức Khi Phân Tích Lưu Lượng Mạng Background Foreground

Việc phân tích lưu lượng mạng background và foreground không phải là một nhiệm vụ đơn giản. Một trong những thách thức lớn nhất là sự phức tạp của lưu lượng mạng hiện đại. Các ứng dụng và dịch vụ ngày càng đa dạng, sử dụng nhiều giao thức khác nhau, và thường mã hóa lưu lượng mạng, gây khó khăn cho việc phân tích và phân loại. Một thách thức khác là sự thay đổi liên tục của lưu lượng mạng. Các ứng dụng và dịch vụ mới xuất hiện thường xuyên, và các ứng dụng cũ thay đổi cách chúng sử dụng mạng. Điều này đòi hỏi các công cụ và phương pháp phân tích lưu lượng mạng phải liên tục được cập nhật và điều chỉnh. Ngoài ra, việc thu thập và phân tích lưu lượng mạng có thể gây ra các vấn đề về quyền riêng tư, đặc biệt là khi lưu lượng mạng chứa thông tin cá nhân nhạy cảm. Cần có các biện pháp bảo vệ quyền riêng tư phù hợp để đảm bảo rằng lưu lượng mạng được thu thập và phân tích một cách có trách nhiệm.

2.1. Khó khăn trong việc nhận diện Application traffic analysis

Việc nhận diện Application traffic analysis trở nên khó khăn hơn do nhiều yếu tố. Thứ nhất, nhiều ứng dụng sử dụng các giao thức tùy chỉnh hoặc các giao thức tiêu chuẩn được sửa đổi, gây khó khăn cho việc xác định chính xác loại ứng dụng đang tạo ra lưu lượng mạng. Thứ hai, nhiều ứng dụng sử dụng mã hóa để bảo vệ dữ liệu, gây khó khăn cho việc phân tích nội dung của lưu lượng mạng. Thứ ba, nhiều ứng dụng sử dụng các kỹ thuật che giấu lưu lượng, chẳng hạn như tunneling hoặc obfuscation, để tránh bị phát hiện. Để vượt qua những khó khăn này, cần sử dụng các công cụ và phương pháp phân tích lưu lượng mạng tiên tiến, chẳng hạn như Deep packet inspection (DPI), phân tích hành vi, hoặc machine learning.

2.2. Vượt qua trở ngại về mã hóa và che giấu dữ liệu mạng

Để vượt qua trở ngại về mã hóa và che giấu dữ liệu mạng, cần sử dụng các kỹ thuật phân tích lưu lượng mạng tiên tiến. Một trong những kỹ thuật phổ biến nhất là Deep packet inspection (DPI), cho phép phân tích nội dung của các gói tin, ngay cả khi chúng được mã hóa. Tuy nhiên, DPI có thể gây ra các vấn đề về quyền riêng tư, vì nó cho phép truy cập vào thông tin cá nhân nhạy cảm. Một kỹ thuật khác là phân tích hành vi, cho phép xác định các ứng dụng hoặc dịch vụ đang tạo ra lưu lượng mạng dựa trên các mẫu hành vi của chúng, chẳng hạn như tần suất, kích thước gói tin, hoặc địa chỉ IP đích. Phân tích hành vi ít xâm phạm quyền riêng tư hơn DPI, nhưng nó có thể kém chính xác hơn. Cuối cùng, machine learning có thể được sử dụng để tự động phân loại lưu lượng mạng dựa trên các đặc trưng của nó. Machine learning có thể học từ dữ liệu lịch sử để xác định các mẫu và xu hướng, và sau đó sử dụng các mẫu này để phân loại lưu lượng mạng mới.

2.3. Yêu cầu bảo vệ quyền riêng tư trong quá trình Traffic shaping

Việc bảo vệ quyền riêng tư là một yêu cầu quan trọng trong quá trình Traffic shaping. Cần có các biện pháp bảo vệ quyền riêng tư phù hợp để đảm bảo rằng lưu lượng mạng được thu thập và phân tích một cách có trách nhiệm. Một trong những biện pháp phổ biến nhất là anonymization, cho phép loại bỏ hoặc thay đổi các thông tin nhận dạng cá nhân trong lưu lượng mạng. Tuy nhiên, anonymization có thể làm giảm độ chính xác của các kết quả phân tích. Một biện pháp khác là data minimization, cho phép chỉ thu thập và lưu trữ các thông tin cần thiết cho mục đích phân tích. Data minimization giúp giảm thiểu rủi ro vi phạm quyền riêng tư. Cuối cùng, cần có các chính sách và thủ tục rõ ràng để đảm bảo rằng lưu lượng mạng được thu thập và phân tích một cách minh bạch và có trách nhiệm.

III. Phương Pháp Phân Tích Lưu Lượng Mạng Background Foreground

Có nhiều phương pháp khác nhau để phân tích lưu lượng mạng background và foreground. Một trong những phương pháp phổ biến nhất là phân tích thống kê, cho phép xác định các đặc trưng của lưu lượng mạng, chẳng hạn như tần suất, kích thước gói tin, hoặc địa chỉ IP đích. Phân tích thống kê có thể được sử dụng để xác định các mẫu và xu hướng, và sau đó sử dụng các mẫu này để phân loại lưu lượng mạng. Một phương pháp khác là Deep packet inspection (DPI), cho phép phân tích nội dung của các gói tin để xác định loại ứng dụng hoặc dịch vụ đang tạo ra lưu lượng mạng. DPI có thể cung cấp thông tin chi tiết về lưu lượng mạng, nhưng nó có thể gây ra các vấn đề về quyền riêng tư. Cuối cùng, machine learning có thể được sử dụng để tự động phân loại lưu lượng mạng dựa trên các đặc trưng của nó. Machine learning có thể học từ dữ liệu lịch sử để xác định các mẫu và xu hướng, và sau đó sử dụng các mẫu này để phân loại lưu lượng mạng mới.

3.1. Sử dụng thống kê thông tin để xác định đặc trưng lưu lượng

Sử dụng thống kê thông tin là một phương pháp hiệu quả để xác định các đặc trưng của lưu lượng mạng. Các thông số thống kê phổ biến bao gồm tần suất gói tin, kích thước gói tin, thời gian giữa các gói tin, và địa chỉ IP nguồn và đích. Bằng cách phân tích các thông số này, có thể xác định các mẫu và xu hướng trong lưu lượng mạng, và sau đó sử dụng các mẫu này để phân loại lưu lượng mạng. Ví dụ, lưu lượng background thường có tần suất thấp hơn và kích thước gói tin nhỏ hơn so với lưu lượng foreground. Lưu lượng background cũng thường có các địa chỉ IP nguồn và đích cố định, trong khi lưu lượng foreground có thể có các địa chỉ IP nguồn và đích khác nhau. Nghiên cứu của Bùi Tiến Đức cho thấy, chi cần từ 4 gói tin (packets) tới 26 gói tin là phân loại thành công lưu lượng nổi hay lưu lượng nên. Đóng góp của đề tài chính là sự phân loại sớm lưu lượng mạng máy tính (transmission control protocol session) từ những gói tin (packets) đầu tiên dựa trên thong kê thông tin.

3.2. Deep Packet Inspection DPI và ứng dụng của nó

Deep packet inspection (DPI) là một kỹ thuật phân tích lưu lượng mạng tiên tiến, cho phép phân tích nội dung của các gói tin để xác định loại ứng dụng hoặc dịch vụ đang tạo ra lưu lượng mạng. DPI hoạt động bằng cách kiểm tra các tiêu đề và tải trọng của các gói tin, và so sánh chúng với các cơ sở dữ liệu đã biết về các ứng dụng và dịch vụ. DPI có thể cung cấp thông tin chi tiết về lưu lượng mạng, chẳng hạn như loại ứng dụng, phiên bản ứng dụng, và các giao thức được sử dụng. Tuy nhiên, DPI có thể gây ra các vấn đề về quyền riêng tư, vì nó cho phép truy cập vào thông tin cá nhân nhạy cảm. Do đó, cần sử dụng DPI một cách có trách nhiệm và tuân thủ các quy định về quyền riêng tư.

3.3. Ứng dụng Machine Learning trong Network traffic classification

Machine learning là một công cụ mạnh mẽ để phân loại lưu lượng mạng. Các thuật toán machine learning có thể học từ dữ liệu lịch sử để xác định các mẫu và xu hướng, và sau đó sử dụng các mẫu này để phân loại lưu lượng mạng mới. Các thuật toán machine learning phổ biến được sử dụng trong phân loại lưu lượng mạng bao gồm support vector machines (SVMs), naive Bayes classifiers, và neural networks. Machine learning có thể tự động phân loại lưu lượng mạng một cách chính xác và hiệu quả, nhưng nó đòi hỏi một lượng lớn dữ liệu huấn luyện và các chuyên gia có kinh nghiệm để xây dựng và duy trì các mô hình machine learning.

IV. Ứng Dụng Phân Tích Lưu Lượng Mạng Trong Cybersecurity

Phân tích lưu lượng mạng đóng một vai trò quan trọng trong Cybersecurity. Nó cho phép các chuyên gia bảo mật theo dõi và phân tích lưu lượng mạng để phát hiện các hoạt động đáng ngờ, chẳng hạn như tấn công mạng, xâm nhập trái phép, hoặc phần mềm độc hại. Phân tích lưu lượng mạng có thể được sử dụng để xác định nguồn gốc của các cuộc tấn công, mục tiêu của các cuộc tấn công, và các phương pháp được sử dụng bởi các kẻ tấn công. Thông tin này có thể được sử dụng để ngăn chặn các cuộc tấn công trong tương lai và cải thiện an ninh mạng. Một trong những ứng dụng quan trọng của phân tích lưu lượng mạng trong Cybersecurity là Anomaly detection in network traffic.

4.1. Giám sát lưu lượng mạng để phát hiện xâm nhập trái phép

Giám sát lưu lượng mạng là một phương pháp hiệu quả để phát hiện xâm nhập trái phép. Bằng cách theo dõi lưu lượng mạng, các chuyên gia bảo mật có thể xác định các hoạt động đáng ngờ, chẳng hạn như các kết nối đến các địa chỉ IP lạ, các gói tin có kích thước bất thường, hoặc các giao thức không được phép. Khi một hoạt động đáng ngờ được phát hiện, các chuyên gia bảo mật có thể điều tra để xác định xem nó có phải là một cuộc xâm nhập trái phép hay không. Nếu nó là một cuộc xâm nhập trái phép, các chuyên gia bảo mật có thể thực hiện các biện pháp để ngăn chặn nó và bảo vệ hệ thống.

4.2. Phát hiện Anomaly detection in network traffic để chống tấn công mạng

Anomaly detection in network traffic là một kỹ thuật phân tích lưu lượng mạng tiên tiến, cho phép phát hiện các hoạt động bất thường trong lưu lượng mạng. Anomaly detection hoạt động bằng cách xây dựng một mô hình về lưu lượng mạng bình thường, và sau đó so sánh lưu lượng mạng mới với mô hình này. Nếu lưu lượng mạng mới khác biệt đáng kể so với mô hình, nó có thể được coi là một anomaly. Các anomalies có thể là dấu hiệu của một cuộc tấn công mạng, một lỗi cấu hình, hoặc một sự cố phần cứng. Bằng cách phát hiện anomalies, các chuyên gia bảo mật có thể ngăn chặn các cuộc tấn công mạng và giải quyết các vấn đề khác trước khi chúng gây ra thiệt hại.

4.3. Tận dụng Network forensics để điều tra và phòng ngừa rủi ro an ninh

Network forensics là một quá trình thu thập và phân tích bằng chứng số từ lưu lượng mạng để điều tra các sự cố bảo mật. Network forensics có thể được sử dụng để xác định nguyên nhân của các sự cố bảo mật, phạm vi của các sự cố bảo mật, và các biện pháp cần thiết để ngăn chặn các sự cố bảo mật trong tương lai. Network forensics bao gồm các hoạt động như thu thập lưu lượng mạng, phân tích lưu lượng mạng, và trình bày bằng chứng số trong các phiên tòa. Bằng cách sử dụng Network forensics, các chuyên gia bảo mật có thể điều tra các sự cố bảo mật và thực hiện các biện pháp để phòng ngừa rủi ro an ninh mạng.

V. Ứng dụng các phương pháp phân tích vào Network performance monitoring

Network performance monitoring (NPM) là quá trình theo dõi và phân tích hiệu suất của mạng để đảm bảo rằng nó hoạt động một cách tối ưu. NPM bao gồm các hoạt động như thu thập dữ liệu về hiệu suất mạng, phân tích dữ liệu, và báo cáo về hiệu suất mạng. Các dữ liệu về hiệu suất mạng có thể bao gồm các thông số như băng thông, độ trễ, mất gói tin, và tải CPU. Bằng cách theo dõi và phân tích hiệu suất mạng, các chuyên gia mạng có thể xác định các vấn đề về hiệu suất và thực hiện các biện pháp để giải quyết chúng. Phân tích lưu lượng mạng đóng một vai trò quan trọng trong NPM, vì nó cung cấp thông tin chi tiết về cách mạng đang được sử dụng.

5.1. Theo dõi Bandwidth management để tối ưu lưu lượng

Bandwidth management là quá trình quản lý và phân bổ băng thông mạng để đảm bảo rằng các ứng dụng và dịch vụ quan trọng nhận được đủ băng thông để hoạt động một cách hiệu quả. Bandwidth management bao gồm các hoạt động như phân loại lưu lượng, ưu tiên lưu lượng, và hạn chế lưu lượng. Bằng cách sử dụng Bandwidth management, các chuyên gia mạng có thể đảm bảo rằng các ứng dụng và dịch vụ quan trọng hoạt động trơn tru, ngay cả khi mạng đang chịu tải cao.

5.2. Đảm bảo Quality of Service QoS cho trải nghiệm người dùng tốt nhất

Quality of Service (QoS) là một tập hợp các kỹ thuật được sử dụng để ưu tiên lưu lượng mạng và đảm bảo rằng các ứng dụng và dịch vụ quan trọng nhận được chất lượng dịch vụ tốt nhất có thể. QoS bao gồm các kỹ thuật như phân loại lưu lượng, ưu tiên lưu lượng, và Traffic shaping. Bằng cách sử dụng QoS, các chuyên gia mạng có thể đảm bảo rằng các ứng dụng và dịch vụ quan trọng hoạt động trơn tru, ngay cả khi mạng đang chịu tải cao. Đặc biệt quan trọng trong User experience monitoring

5.3. Đo lường User experience monitoring thông qua phân tích lưu lượng

User experience monitoring là quá trình theo dõi và phân tích trải nghiệm của người dùng khi họ sử dụng các ứng dụng và dịch vụ mạng. User experience monitoring bao gồm các hoạt động như thu thập dữ liệu về hiệu suất ứng dụng, phân tích dữ liệu, và báo cáo về trải nghiệm của người dùng. Các dữ liệu về hiệu suất ứng dụng có thể bao gồm các thông số như thời gian phản hồi, số lượng lỗi, và mức độ sử dụng tài nguyên. Bằng cách theo dõi và phân tích trải nghiệm của người dùng, các chuyên gia mạng có thể xác định các vấn đề về hiệu suất ứng dụng và thực hiện các biện pháp để giải quyết chúng. Thường kết hợp Behavioral analysis of network traffic

VI. Kết Luận và Hướng Phát Triển Phân Tích Lưu Lượng Mạng

Phân tích lưu lượng mạng background và foreground là một lĩnh vực quan trọng và đầy thách thức. Việc phân loại và phân tích thành công lưu lượng mạng giúp cải thiện quản lý mạng, an ninh mạng, và trải nghiệm người dùng. Mặc dù đã có nhiều tiến bộ trong lĩnh vực này, vẫn còn nhiều thách thức cần giải quyết, chẳng hạn như sự phức tạp của lưu lượng mạng hiện đại, sự thay đổi liên tục của lưu lượng mạng, và yêu cầu bảo vệ quyền riêng tư. Trong tương lai, có thể kỳ vọng rằng các công cụ và phương pháp phân tích lưu lượng mạng sẽ trở nên thông minh hơn, tự động hơn, và bảo vệ quyền riêng tư tốt hơn.

6.1. Tóm tắt những thành tựu đã đạt được trong lĩnh vực này

Trong những năm gần đây, đã có nhiều thành tựu đáng kể trong lĩnh vực phân tích lưu lượng mạng background và foreground. Các công cụ và phương pháp phân tích lưu lượng mạng đã trở nên mạnh mẽ hơn và chính xác hơn. Các thuật toán machine learning đã được sử dụng để tự động phân loại lưu lượng mạng với độ chính xác cao. Các kỹ thuật Deep packet inspection (DPI) đã được cải tiến để có thể phân tích lưu lượng mạng được mã hóa. Các biện pháp bảo vệ quyền riêng tư đã được phát triển để đảm bảo rằng lưu lượng mạng được thu thập và phân tích một cách có trách nhiệm. Bùi Tiến Đức đã chứng minh được số gói tin tối thiểu từ 4 đến 26 là phân loại sớm được lưu lượng nên hay lưu lượng nỗi của một giao dịch mạng.

6.2. Hướng nghiên cứu và phát triển trong tương lai của chủ đề

Trong tương lai, có thể kỳ vọng rằng lĩnh vực phân tích lưu lượng mạng background và foreground sẽ tiếp tục phát triển mạnh mẽ. Các công cụ và phương pháp phân tích lưu lượng mạng sẽ trở nên thông minh hơn, tự động hơn, và bảo vệ quyền riêng tư tốt hơn. Các thuật toán machine learning sẽ được sử dụng để phân tích lưu lượng mạng phức tạp hơn và phát hiện các mối đe dọa an ninh mạng tinh vi hơn. Các kỹ thuật Deep packet inspection (DPI) sẽ được cải tiến để có thể phân tích lưu lượng mạng được mã hóa một cách hiệu quả hơn và bảo vệ quyền riêng tư tốt hơn. Các biện pháp bảo vệ quyền riêng tư sẽ được phát triển để đáp ứng các yêu cầu ngày càng khắt khe về quyền riêng tư.

6.3. Khuyến nghị cho các nghiên cứu tiếp theo về traffic shaping

Các nghiên cứu tiếp theo về Traffic shaping có thể tập trung vào các lĩnh vực sau: - Phát triển các thuật toán machine learning mới để phân loại lưu lượng mạng một cách chính xác và hiệu quả hơn. - Cải tiến các kỹ thuật Deep packet inspection (DPI) để có thể phân tích lưu lượng mạng được mã hóa một cách hiệu quả hơn và bảo vệ quyền riêng tư tốt hơn. - Phát triển các biện pháp bảo vệ quyền riêng tư mới để đáp ứng các yêu cầu ngày càng khắt khe về quyền riêng tư. - Nghiên cứu các phương pháp mới để quản lý băng thông và đảm bảo Quality of Service (QoS) cho các ứng dụng và dịch vụ quan trọng. - Phát triển các công cụ và phương pháp mới để giám sát trải nghiệm người dùng và xác định các vấn đề về hiệu suất mạng ảnh hưởng đến trải nghiệm của người dùng.

Trích đoạn nội dung tài liệu

ĐẠI HỌC QUỐC GIA TP. HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA BK ‹ TP.HCM BÙI TIEN DUC PHAN TICH LƯU LƯỢNG MẠNG BACKGROUND VÀ FOREGROUND (NETWORK TRAFFIC ANALYSIS OF BACKGROUND AND FOREGROUND) NGANH: KHOA HOC MAY TINH MA NGANH: 60.01 LUAN VAN THAC SI NGUOI HUONG DAN KHOA HOC: TS. TRAN MINH QUANG TP. HO CHI MINH, tháng 12 năm 2017 CÔNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA - ĐHQG - HCM Cán bộ hướng dẫn khoa học: .---- 5-55 < s 2 £+E2k+E£E+x£k+s££zrscxe (Ghi rõ họ, tên, học ham, học vi và chữ ký) Cán bộ chấm nhận Xét Ì:.

<< + E Sex SeEeESE+ESEEeEeEeEEEEeEsreerereree (Ghi rõ họ, tên, học ham, học vi và chữ ký) Cán bộ chấm nhận XÉ 2:. + EE S338 ESESESESEESESEEEEEEEEsEeerereree (Ghi rõ họ, tên, học ham, học vi và chữ ký) Luận văn thạc sĩ được bảo vệ tại Trường Dai học Bách Khoa, ĐHQG Tp. Thanh phan Hội đồng đánh giá luận văn thạc sĩ gồm: (Ghi rõ họ, tên, học hàm, học vi của Hội đông cham bao vệ luận văn thạc si) Xác nhận của Chủ tịch Hội đồng đánh giá luận văn và Trưởng Khoa quan lý chuyên ngành sau khi luận văn đã được sửa chữa (nêu có). CHỦ TỊCH HOI DONG TRƯỞNG KHOA KH & KTMT ĐẠI HỌC QUOC GIA TP.HCM CONG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM TRƯỜNG ĐẠI HỌC BÁCH KHOA Độc lập - Tự do - Hạnh phúc NHIEM VỤ LUẬN VĂN THAC SĨ Họ tên học viên: BÙI TIẾN ĐỨC MSHV: 7140229 Ngày.

tháng, năm sinh: 06 / 01 / 1980 Nơi sinh: TP. HCM Ngành: Khoa Học Máy Tính Mã số: 60480101 I. TÊN DE TÀI: PHÁN TÍCH LƯU LƯỢNG MẠNG BACKGROUND VÀ FOREGROUND (NETWORK TRAFFIC ANALYSIS OF BACKGROUND AND FOREGROUND) II. NHIỆM VỤ VÀ NỘI DUNG: Phân loại sớm lưu lượng mạng máy tính là background hay foreground từ những packets đầu tiên.

NGÀY GIAO NHIEM VU: (Ghi theo trong QD giao đề tài) 06/02/2017 IV. NGÀY HOÀN THÀNH NHIỆM VỤ: (Ghi theo trong QD giao đề tài) 18/06/2017 v. CÁN BỘ HƯỚNG DAN (Ghi rõ học hàm, học vị, họ, tên): Tiến Sĩ Tran Minh Quang Tp. CÁN BỘ HƯỚNG DẪN TRƯỞNG KHOA KH & KTMT (Họ tên và chữ ký) (Họ tên và chữ ký) TS.

Trần Minh Quang LỜI CÁM ƠN Trong suốt thời gian 3 năm ké từ khi bat đầu hoc cao học tại Trường Dai học Bách khoa Tp. Hồ Chí Minh đến nay, tôi đã nhận được rất nhiều sự quan tâm, giúp đỡ của quý Thay Cô, gia đình và bạn bè. Tôi xin gửi lời cảm ơn chân thành đến quý Thây Cô ở Khoa Khoa Học và Kỹ thuật Máy Tính — Trường Dai Hoc Bách khoa Tp. Hồ Chí Minh đã truyền đạt vốn kiến thức quý báu cho chúng tôi trong suốt thời gian học tập và nghiên cứu tại trường.

Với lòng tri ân sâu sắc nhất, tôi xin gửi lời cảm ơn Tién sĩ Trần Minh Quang đã tận tâm hướng dẫn tôi qua từng buổi học trên lớp cũng như những buổi báo cáo chuyên dé hàng tuân, thảo luận về lĩnh vực khai phá dữ liệu và phân tích lưu lượng mang background va foreground. Luận văn thạc sĩ của tôi được thực hiện trong khoảng thời gian gân | năm. Bước dau đi vào thực tế, tìm hiểu về lĩnh vực khai phá dữ liệu, phân tích lưu lượng mang background và foreground, kiến thức của tôi còn hạn chế va còn nhiều thiếu sót. Do vậy, tôi rất mong nhận được những ý kiến đóng góp quý báu của quý Thay Cô và các ban học cùng lớp để kiến thức của tôi trong lĩnh vực này được hoàn thiện hơn.

Sau cùng, tôi xin kính chúc quý Thay Cô trong Khoa Khoa Học và Kỹ thuật Máy Tinh thật dồi dao sức khỏe, niềm tin dé tiếp tục thực hiện sứ mệnh trồng người của mình. HCM, ngày 04 tháng 12 năm 2017 Người thực hiện (Ky và chi họ tên) Bùi Tiên Đức TÓM TAT Mục tiêu của công trình nghiên cứu này là phần loại sớm lưu lượng mạng máy tính. Lưu lượng nên do các ứng dụng âm thầm tự động chạy tạo ra. Lưu lượng nỗi do ngưới dùng sử dụng ứng dụng tao ra.

Tùy theo nhu cầu mà lưu lượng nên hay lưu lượng nồi sẽ được sử dung theo yêu cau. Bằng phương pháp thống kê thông tỉn (statistical information), đề tài nghiên cứu này đã chứng minh được rang: Chi cần từ 4 gói tin (packets) tới 26 gói tin là phân loại thành công lưu lượng nổi hay lưu lượng nên. Đóng góp của đề tài chính là sự phân loại sớm lưu lượng mạng máy tính (transmission control protocol session) từ những gói tin (packets) đầu tiên dựa trên thong kê thông tin. Công trình nghiên cứu này chỉ dựa vào thống kê thông tin để chứng minh giao dịch mạng hiện tại trội về lưu lượng nỗi hay lưu lượng nên.

Nếu trội về lưu lượng nên thì gán nhãn background và ngược lại gan nhãn foreground. ABSTRACT This paper aims at separating background (BG) and foreground (FG) network traffic based on statistical analysis of traffic lows. BG traffic is commonly periodically generated by silently running applications while FG traffic is intentionally generated by users with different purposes such as web surfing, messaging, calling,. By _ statistical information analytical methodologies, this research proved that using only from 4 packets up to 26 packets can successfully classify FG or BG traffic.

The main contribution of this research is early traffic classification of the transmission control protocol session from the first packets based on Statistical information. This study only relies on statistical information. If the current transmission controls protocol session exceeded about the BG traffic, it will assign label for the BG traffic and vice versa. LỜI CAM ĐOAN Tôi xin cam đoan luận văn thạc sĩ “Phần tích lưu lượng mạng Background va Foreground” là công trình nghiên cứu của riêng tÔI với sự hướng dan tận tình của Tiến sĩ Trần Minh Quang.

Các số liệu và tài liệu trong luận văn thạc sĩ của tôi là trung thực và chưa được công bố trong bat ky công trình nghiên cứu nào. Tat cả những tham khảo va kế thừa đều được trích dẫn và tham chiếu day đủ. Thành quả này là sự miệt mài làm việc và trải qua nhiều thất bại, rút kinh nghiệm mới đạt được thành công. MỤC LỤC NHIỆM VỤ LUẬN VĂN THAC SĨ.

4 LỚI CAM ĐOAN. xe 5 CHUONG 1: GIỚI THIEU DE TÀI.-2- 2< +2 SE+e+e+EEe+EEEeEeEeererererees 8 I. Ý nghĩa khoa học và tính thực tiễn của VAN đỀ. Định nghĩa van dé nghiên cỨu.

Những khó khăn trong tiếp cận van dé phân loại sớm lưu lượng nền hay lưu lượng nỗi từ những gói tin đầu tiên và cách giải quyết. 11 CHUONG 2: MỤC TIỂU, GIỚI HAN VA DOI TƯỢNG NGHIÊN CUU 13 ZL. MỤC tlU woe cccessecececcccceccceeeessseeececcessssceeesseesccsessseceeeesecesesceseeseas 14 2. Đối tượng nghiên COU vic ceccscccssescsesescsscscscecsesescsssessvevsesnscseeees 16 2.

Kết SIT-NsL18204920117. 16 CHƯƠNG 3: _ PHƯƠNG PHÁP NGHIÊN CỨU. Phuong pháp thu thập dữ liệu. Cách tạo ra lưu lượng nên (Background Traffic) và lưu lượng nỗi (Foreground Traffic) của một giao dịch mang (TCP Session).

18 CHƯƠNG 4: PHAN LOẠI SOM LƯU LƯỢNG MẠNG MAY TINH TỪ NHỮNG GÓI TIN ĐẦU TIỂN. Câu trúc giao dịch mang (Transmission Control Protocol Session = TCP 000. Phương pháp thực hiỆn:. Lưu đồ phân loại sớm .-- - - se SE Ek£E£EEeEEEvkekekrrrsrsrerered 21 4.

Các thuộc tính rút trích được qua thống kê thông tin từ những giao dịch mang (Transmission Control Protocol Session = TCP Session). Đánh giá su ảnh hưởng của từng thuộc tính đến sự phân loại lưu Tong MANY MAY tinh 2. Loại bỏ thuộc tính it anh huOng. Xác định số gói tin tối thiêu cho việc phân loại sớm.

Su dụng giải thuật Cây quyết định (Decision tree), Naive Bayes, Support Vector Machine, Artifical Neuron Network hỗ trợ sẵn trong công cụ weka để đánh giá sơ bộ kết quả phân loại sớm lưu lượng mạng máy tính từ mười một thuộc tính tren. Để xuất kỹ thuật phân loại sớm dựa trên thống kê thông tỉn. 32 CHƯƠNG 5: DANH GIA KET QUÁ NGHIÊN CỨU. 5 - +: 35 Ho ái ni nan.

Phương pháp thu thập và phân tích số liệu. Thống kê thông tin của gan 700 giao dich mạng được rút trích từ dữ [00001111177. SG SG HE HT TT. TT TT HT Tung grg 38 5.

Bang phân phối tích lũy (Cumulative distribution function). Sơ đồ phân phối tích lũy (Cumulative distribution function). 42 CHUONG 6: KET LUẬN. -:ScSc St ca S SE SE TT rererererees 43 TÀI LIEU THAM KHẢO.-- :- test ESEESESESEEESEEEEEEEeEeEeeeErererererees 44 PHAN LY LICH TRÍCH NGANG.

2< SE SE test SeEeEeEeEeEereererererees 46 CHUONG 1: GIỚI THIỆU DE TÀI 1. Giới thiệu Lưu lượng nên (Background Traffic) là lưu lượng mang máy tính được tạo ra bởi các ứng dụng chạy âm thâm bên dưới hệ thông sinh ra mà người sử dụng không hé hay biết. Lưu lượng nổi (Foreground Traffic) là lưu lượng mang máy tính được sinh ra khi có sự tương tác trực tiếp của người dùng lên hệ thống thông qua các tiện ích ứng dụng. Ví dụ: hệ điều hành tự cập nhật, ứng dụng tự trao đối với máy chủ dé trao đổi thông tin,.

sinh ra lưu lượng nên; người dùng sử dụng các công cụ trực tuyến để đọc tin tức, tra cứu điểm thi,. sẽ sinh ra lưu lượng ni. Lĩnh vực tối ưu hóa hệ thong, điều khién truy xuất, an ninh mang, nhận dạng tấn công DDOS,. rất cần kết quả của sự phân loại sớm lưu lượng mang máy tính từ những gói tin (packet) dau tiên.

Trong khi lưu lượng nên và lưu lượng nổi đang được được sinh ra và chưa kết thúc. Từ những gói tin đầu tiên, phân loại sớm được lưu lượng mạng máy tính này là lưu lượng nên hay lưu lượng nỗi sẽ tạo ra bước ngoặc lớn trong việc nâng cao chất lượng phục vụ, hỗ trợ cho hệ thống an ninh mạng, bảo mật dữ liệu cũng như tính riêng tư của người dùng. Va đây chính là động lực cũng như là mục tiêu mà dé tài này tiếp cận dé nghiên cứu. Nhằm phát hiện sớm dé phân loại được luéng dữ liệu được tạo ra là do người dùng tạo nên hay do các ứng dụng phần mềm chạy bên dưới hệ thông tạo thành.

Ý nghĩa khoa học và tính thực tiễn của vấn để * Ý nghĩa khoa học Trải qua nhiều thập niên, nhiều công trình nghiên cứu về phân loại lưu lượng mạng máy tính là lưu lượng nên hay lưu lượng nỗi lần lượt ra đời. Và mỗi công trình déu giải quyết được vẫn dé mà thực tế đặt ra. Nhưng bên cạnh những thành tựu thì cũng sinh ra nhiều vẫn đề cần giải quyết. Và phân loại sớm lưu lượng mang máy tính là lưu lượng nên hay lưu lượng nỗi từ những gói tin dau tiên chính là van dé được sinh ra mà chưa có công trình nao tập trung nghiên cứu.

Do đó, mục tiêu của đề tài là tập trung nghiên cứu phân loại sớm lưu lượng mang máy tính được sinh ra là lưu lượng nên hay lưu lượng noi từ những gói tin dau tiên.