ĐẠI HỌC QUỐC GIA TP. HÒ CHÍ MINH TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN O00 ĐỖ THỊ PHƯƠNG UYEN XÂY DỰNG IDS DỰA TRÊN HỌC SÂU CHO BẢO MẬT MẠNG IOT LUẬN VĂN THẠC SĨ NGÀNH AN TOÀN THÔNG TIN Mã số: 8.02 NGƯỜI HƯỚNG DAN KHOA HOC TS. LE KIM HUNG TP. HO CHi MINH, 2023 LỜI CẢM ƠN Chân thành cảm ơn đến tất cả những người đã đồng hành và hỗ trợ tôi trong hành trình học tập tại trường Đại học Công nghệ Thông tin.
Sự hỗ trợ, dạy dỗ và chia sẻ kiến thức của quý thầy cô các thầy cô giáo tận tâm và nhiệt huyết tại trường, đặc biệt là thầy cô khoa Mạng máy tính và Truyền thông, đã giúp tôi phát triển không chỉ trong học thuật mà còn trong tư đuy và kỹ năng thực tế. Tôi cũng muốn bày tỏ lòng biết ơn đặc biệt sâu sắc đến Tiến sĩ Lê Kim Hùng, người đã dành thời gian và tâm huyết dé hướng dẫn và hỗ trợ tôi trong suốt quá trình thực hiện khoá luận. Những lời khuyên quý báu, sự chia sẻ kinh nghiệm và những lời động viên từ thầy là nguồn động lực vô cùng to lớn, giúp tôi vượt qua những thách thức khó khăn và hoàn thành đề tài một cách xuất sắc. Tôi cũng muốn gửi lời cảm ơn chân thành đến các bạn trong phòng thí nghiệm IEC, nơi sự hỗ trợ và đóng góp của họ đã góp phần quan trọng vào việc hoàn thành luận văn của tôi.
Cuối cùng, không thé không dé cập đến sự ủng hộ, động viên từ gia đình, bạn bè và các anh chị đồng nghiệp. Những lời khích lệ của mọi người giúp tôi vượt qua những khó khăn và duy trì động lực trong suốt quãng thời gian dài học tập và làm luận văn. Một lần nữa, tôi xin chân thành cảm ơn tat cả những người đã giúp cho hành trình học tập của tôi trở nên ý nghĩa và thành công. 4 DANH MỤC HÌNH ẢNH.-- 222222222 22221121222111227211122711122211122111 E21 e 6 DANH MỤC BẢNG.
cv TH nhe 2 12. Mục tiêu để tài. Đối tượng và phạm vi nghiên cứu. Đối tượng nghiên cứu.
Phạm vi nghiên CỨU. Nội dung và phương pháp nghiên cứu. Nội dung 1: Chọn bộ dữ liệu, trích xuất đặc trưng và gan nhãn dữ liệu. Nội dung 2: Xây dựng mô hình học sâu, huấn luyện & kiểm thử.
Nội dung 3: Xây dựng, triển khai hệ thống IDS tích hợp mô hình học sâu 15 Chuong 2. CƠ SỞ LÝ THUYET VÀ NGHIÊN CỨU LIÊN QUAN. Internet vạn vật 7 2. Các thách thức trong bảo mật trong loT 7 2.
Tan công từ chối dịch vụ trong IoT. Hệ thống phát hiện xâm nhập. Kỹ thuật học máy, học sâu trong hệ thống phát hiện xâm nhập. Các công trình nghiên cứu liên quan.
¿+ +5 +t+*£vxvxeeeeerererexee 28 Chương 3. Tổng quan về giải pháp đề xuất. Các khối chức năng. Trình trích xuất thông tin gói tỉn.
Rút trích đặc trưng.---- - kh TH HH HH Hư 38 3. Ánh xạ nhãn. Mô hình máy hoc. Giám sát và DAO CáO.
kh HH HH HH HH re 47 3. Luồng hoạt động. Chế độ đào tạO séc. Chế độ phát hiện bat thường .----++¿22V+++++22E++++t2EE+rrtrrkxrrrrrrvee 52 Chương 4.
_ THỰC NGHIỆM VÀ ĐÁNH GIÁ. Môi trường thực nghiệm. Bộ dữ liệu. Chỉ số đánh giá.
Kết quá đánh giá mô hình. Đánh giá khả năng phân loại tấn công.---:¿©+cz222vsz+etczveccee 58 4. Đánh giá hiệu suất thực thi. Thực nghiệm tn công.-2-:+-©222V+++++e+22EEEEEEvrtrtEErkkrrrrrrrrrrrrrree 63 Chương 5.
KÉT LUẬN VÀ HƯỚNG PHAT TRIẺN. Hướng phát triển. ccrrrvev 66 TÀI LIEU THAM KHẢO.----222+£22222222+22222EE2222+2222222322222222E2EEerrrrrrrrks 67 DANH MỤC HÌNH ẢNH Hình 1. Phân loại I DS.
-¿- G22 S236 3E E23 E9E 3E £EEEESt SE E1 31 1 111 cv 21 Hình 2. Vị trí triển khai HIDS và NIDS trong hệ thống mạng. Phân loại các kỹ thuật học máy, học sâu. Tổng quan mô hình để xuất.------+¿+©©©V++2+++222EEEE+vvrrttrrtrrrrrrrrie 36 Hình 5.
Mô hình CNN được sử dụng dé phân loại tấn công. Sơ đồ hoạt động của hệ thống ELK. Giao diện bảng điều khiển hệ thống IDS .---2¿:©2++22cvvzc+crz+ 49 Hình 8. Độ chính xác (trên) và hàm mat mát (dưới) trong quá trình dao tạo mô hình.
Confussion matrix trong trường hợp phân loại nhiều nhãn. Confusion matrix của mô hình trên tập dữ liệu CIC DDoS 2019. Mức độ tiêu thụ CPU (a), RAM (b) khi thực thi trên Mac MI. Mức độ tiêu thụ CPU (a), RAM (b) khi thực thi trên Raspberry Pi.
Mô hình thực nghiệm tấn công. Kết quả nhận diện tan công được hiền thị tại bảng điều khiển IDS. 65 DANH MỤC BANG Bang 1. Một số công trình nghiên cứu liên quan.
Thông tin được trích xuất từ mỗi gói tin thông qua pyshark. Bang mô tả thông số tính toán các đặc trưng được trích xuất. Giá trị siêu tham số cho các lớp của mô hình CNN đề xuắt. Mô tả các loại tan công trong tập dit liệu CICDDoS2019.
Số lượng gói tin được sử dụng trong quá trình dao tạo, đánh giá và kiêm thử 58 Bảng 7. Hiệu suất phân loại tắn công của mô hình đề xuất trên tập dữ liệu CIC DDoS PhbsottdaidđiddiẳidaiiẳẳầaiiÝŸ. So sánh hiệu suất dự đoán giữa mô hình đề xuất với các mô hình học máy khác. Hiệu suất thực thi của mô hình trên Mac MI va Raspberry Pi 4.
61 DANH MỤC TU VIET TAT Số thứ tự | Thuật ngữ Mô ta 1 AE Auto Encoder 2 CNN Convolutional Neural Network 3 CPU Central Processing Unit 4 DDOS Distributed Denial-Of-Service 5 DL Deep Learning 6 DNS Domain Name System 7 DT Decision Tree 8 ELK ElasticSearch, Logstash, Kibana 9 FN False Negative 10 FNR False Negative Rate 11 EP! False Positive 12 FPR False Positive Rate 13 FTP File Transfer Protocol 14 HIDS Host-Based Intrusion Detection System 15 HTTP Hypertext Transfer Protocol 16 IDS Intrusion Detection System 17 loT Internet Of Thing 18 IP Internet Protocol 19 KNN K-Nearest Neighbors 20 ML Machine Learning 21 NIDS Network-Based Intrusion Detection System 22 RAM Random-Access Memory 23 ML Machine Learning 24 SVM Support Vector Machine 25 TCP Transmission Control Protocol 26 TN True Negative 27 TNR True Negative Rate 28 TP True Positive 29 TPR True Positive Rate 30 UDP User Datagram Protocol 31 VM Virtual Machine MỞ ĐÀU Kỷ nguyên công nghệ 4.0 chứng kiến sự tăng trưởng vô cùng mạnh mẽ của Internet van vật (Internet of Things — IoT) với sự bùng nỗ về số lượng cũng như kết nối IoT. Sự phát triển của IoT mang lai sự đôi mới và tiện lợi to lớn cho nhiều khía cạnh khác nhau, từ nhà thông minh, các thiết bị công nghệ đeo tay đến các giải phap chăm sóc sức khoẻ, theo dõi môi trường và tự động hoá công nghiệp. Tuy nhiên, sự phát triển nhanh chóng này cũng kéo theo một loạt các vấn đề về an ninh. Có thé thay rằng các thiết bị IoT da số là có có những giới hạn về tài nguyên, khi phải tích hợp vào các thiết bị nhỏ gọn như đồng hồ thông minh, sensor đo nhiệt độ.
Bên cạnh đó, các thiết bị JoT còn thiếu đồng bộ với nhau về giới hạn tài nguyên, chuẩn giao tiếp. Chúng đồng thời thu thập và trực tiếp tạo ra một lượng lớn dit liệu đa dang từ nhiều nguồn khác nhau như chỉ số sức khoẻ người dùng, chỉ số quan trắc môi trường, chỉ số của động cơ. Ban chat phi tập trung và kết nối của mang IoT đã tạo ra một bề mặt tấn công mở rộng, khiến chúng dễ bị tan công trước nhiều mỗi đe dọa tiềm ân, từ các nỗ lực truy cập trái phép đến vi phạm dữ liệu và thao tác độc hại trên các thiết bị được kết nối. Do đó, nhu cầu tăng cường bảo mật IoT va bảo vệ dữ liệu nhạy cảm được truyên qua các mạng này là rat cân thiệt.
Nhiều biện pháp phát hiện và ngăn chặn đã được đưa ra nhằm phát hiện kịp thời và giảm thiêu thiệt hai, một trong số đó có thê kê đến là sử dụng IDS-Intrusion Detection System dé giám sát và phát hiện những bat thường trong lưu lượng mang, thông báo kip thời đến quản trị viên. Các IDS này thường được đặt trên các thiết bị mạng biên năm gần nguôn dữ liệu đê có thê phản ứng nhanh trước các cuộc tân công. Tuy nhiên, các cuộc tan công ngày càng đa dang và kết hợp với nhau, dé dang có thé vượt qua hệ thống IDS theo cách truyền thống dựa trên dấu hiệu tấn công vì không thé phát hiện kịp thời các cuộc tan công mới ma IDS chưa được cập nhật. IDS kết hợp với máy học phân tích các gói tin mạng dé xác định các dấu hiệu bat thường có thé nhận 10 diện được các cuộc tấn công mới nhưng lại nặng nè, tiêu tốn quá nhiều tài nguyên, không phù hợp để triển khai thực tế trên các thiết bị mạng biên nhỏ gọn.
Bên cạnh đó, hầu hết các phương pháp IDS hiện đại ngày nay đều được xây dựng dựa trên đặc tính của luồng mạng, điều này đã gây ra một độ trễ nhất định khi phải chờ một lượng gói tin mạng đến rồi mới được xử ly & dự đoán. Nghiên cứu này đề xuất xây dựng một IDS dựa trên học sâu gọn nhẹ, độ chính xác cao, có khả năng xử lý theo thời gian thực bằng việc sử dụng đặc tính của gói tin, phù hợp khi triển khai trên các thiết bị mạng biên. Đồng thời, đóng gói hệ thống thành một IDS học sâu theo thời gian thực mã nguồn mở cho phép quản trị qua giao diện web va dé dàng cài đặt IDS này lên các thiết bi mạng biên dưới dang gói cài đặt. Luận văn được trình bày như sau: Chương | trình bày tong quan chung về đề tài, mục tiêu, nội dung và phương pháp thực hiện đê tài.
Chương 2 giới thiệu về tình hình bảo mật trong IoT, cách thức hoạt động của IDS, các công trình nghiên cứu trong và ngoài nước về việc sử dụng IDS nhằm mục đích bảo mật mang IoT. Chương 3 đưa ra một cái nhìn tổng quan về mô hình IDS đề xuất trong dự đoán tan công DDoS, những cải tiến giúp mô hình phù hợp hơn với việc triển khai trên các thiết bị IOT thực tế. Chương 4 là những thông tin về việc cài đặt, kết quả thực nghiệm. Bên cạnh đó là đánh giá, so sánh kết quả thực nghiệm với những công trình liên quan.
Chương 5 đưa ra kết luận về mô hình và hướng cải tiến, phát triển mô hình trong tương lai. Tén dé tai Tên dé tài tiếng Việt: XÂY DUNG IDS DUA TREN HOC SAU CHO BAO MAT MANG IOT Tén dé tai tiéng Anh: BUILDING A DEEP LEARNING BASED IDS FOR IOT NETWORK SECURITY 1. Dat van dé Mỗi năm, chúng ta vẫn chứng kiến sự gia tang đáng kể của cuộc tan công từ chối dịch vụ trên mạng, và tình hình này tiếp tục gây ra những thiệt hại đáng kế cho cả các cơ quan và tô chức.