I. Giới thiệu và mục tiêu nghiên cứu
Luận văn tập trung vào việc xây dựng hệ thống IDS dựa trên học sâu để bảo vệ mạng IoT khỏi các cuộc tấn công mạng. Hệ thống phát hiện xâm nhập (IDS) truyền thống thường gặp khó khăn trong việc phát hiện các cuộc tấn công mới và tiêu tốn nhiều tài nguyên. Nghiên cứu này đề xuất một hệ thống IDS gọn nhẹ, sử dụng deep learning để xử lý theo thời gian thực, phù hợp với các thiết bị IoT có tài nguyên hạn chế. Mục tiêu chính là tạo ra một giải pháp bảo mật mạng hiệu quả, có độ chính xác cao và dễ triển khai trên các thiết bị biên.
1.1. Đối tượng và phạm vi nghiên cứu
Nghiên cứu tập trung vào việc phát triển hệ thống IDS cho các thiết bị IoT, đặc biệt là các cuộc tấn công DDoS dựa trên giao thức TCP/IP. Phạm vi bao gồm tối ưu hóa quá trình xử lý gói tin và triển khai thực tế trên các thiết bị IoT có tài nguyên hạn chế.
1.2. Nội dung và phương pháp nghiên cứu
Nghiên cứu được chia thành ba nội dung chính: (1) Chọn bộ dữ liệu, trích xuất đặc trưng và gán nhãn dữ liệu; (2) Xây dựng mô hình học sâu và huấn luyện; (3) Triển khai hệ thống IDS tích hợp mô hình học sâu trên các thiết bị IoT.
II. Cơ sở lý thuyết và thách thức bảo mật IoT
Mạng IoT đang phát triển mạnh mẽ nhưng cũng đối mặt với nhiều thách thức về an ninh mạng. Các thiết bị IoT thường có tài nguyên hạn chế, dễ bị tấn công bởi các mối đe dọa như tấn công từ chối dịch vụ (DoS). Hệ thống IDS truyền thống không đủ hiệu quả để bảo vệ mạng IoT do độ trễ và yêu cầu tài nguyên cao. Nghiên cứu này nhấn mạnh sự cần thiết của việc áp dụng học máy và học sâu để cải thiện khả năng phát hiện và ngăn chặn các cuộc tấn công.
2.1. Internet vạn vật IoT
IoT là mạng lưới các thiết bị kết nối internet, thu thập và trao đổi dữ liệu. Số lượng thiết bị IoT dự kiến đạt 27 tỷ vào năm 2025, đặt ra yêu cầu lớn về bảo mật IoT.
2.2. Thách thức bảo mật trong IoT
Các thách thức bao gồm quản lý thiết bị, quyền riêng tư, hạn chế tài nguyên, thiếu đồng bộ cấu hình và lỗ hổng mật khẩu mặc định. Những vấn đề này làm tăng nguy cơ bị tấn công trên mạng IoT.
III. Giải pháp đề xuất và mô hình học sâu
Nghiên cứu đề xuất một hệ thống IDS dựa trên học sâu, sử dụng mô hình Convolutional Neural Network (CNN) để phát hiện các cuộc tấn công mạng. Mô hình này được tối ưu hóa để giảm độ trễ và tiêu thụ tài nguyên, phù hợp với các thiết bị IoT. Hệ thống IDS được tích hợp với giao diện web để quản trị viên dễ dàng theo dõi và tương tác.
3.1. Xây dựng mô hình học sâu
Mô hình CNN được huấn luyện trên bộ dữ liệu đã được trích xuất đặc trưng và gán nhãn. Quá trình huấn luyện bao gồm tiền xử lý dữ liệu, cân bằng dữ liệu và điều chỉnh siêu tham số để đạt độ chính xác cao.
3.2. Triển khai hệ thống IDS
Hệ thống IDS được triển khai trên các thiết bị IoT, thực hiện dự đoán theo thời gian thực. Giao diện web cho phép quản trị viên theo dõi và quản lý hệ thống một cách hiệu quả.
IV. Thực nghiệm và đánh giá
Nghiên cứu tiến hành thực nghiệm trên bộ dữ liệu CIC DDoS 2019 để đánh giá hiệu suất của hệ thống IDS. Kết quả cho thấy mô hình đạt độ chính xác cao trong việc phát hiện các cuộc tấn công DDoS. Hệ thống IDS cũng được đánh giá về khả năng tiêu thụ tài nguyên trên các thiết bị IoT, chứng minh tính khả thi trong triển khai thực tế.
4.1. Kết quả đánh giá mô hình
Mô hình CNN đạt hiệu suất phân loại tấn công cao, với độ chính xác và F1 Score vượt trội so với các mô hình học máy khác.
4.2. Đánh giá hiệu suất thực thi
Hệ thống IDS được thử nghiệm trên các thiết bị như Raspberry Pi, cho thấy khả năng xử lý nhanh và tiêu thụ tài nguyên thấp, phù hợp với môi trường IoT.
V. Kết luận và hướng phát triển
Nghiên cứu đã thành công trong việc xây dựng hệ thống IDS dựa trên học sâu cho bảo mật mạng IoT. Mô hình đề xuất có độ chính xác cao, gọn nhẹ và dễ triển khai trên các thiết bị IoT. Hướng phát triển tương lai bao gồm cải tiến mô hình để phát hiện nhiều loại tấn công hơn và tối ưu hóa hiệu suất thực thi.
5.1. Kết luận
Hệ thống IDS dựa trên học sâu là giải pháp hiệu quả để bảo vệ mạng IoT khỏi các cuộc tấn công mạng, đặc biệt là DDoS.
5.2. Hướng phát triển
Nghiên cứu đề xuất mở rộng mô hình để phát hiện các loại tấn công khác và tích hợp thêm các công nghệ học máy tiên tiến để nâng cao hiệu suất.
