Giới thiệu dự án

Trong kỷ nguyên chuyển đổi số và bùng nổ của hạ tầng điện toán đám mây, các cuộc tấn công từ chối dịch vụ phân tán (Distributed Denial of Service - DDoS) đã và đang trở thành một trong những hiểm họa an ninh mạng nghiêm trọng nhất đối với các tổ chức và doanh nghiệp toàn cầu. Theo các báo cáo an toàn thông tin, các cuộc tấn công DDoS đã đạt đến quy mô chưa từng có, tiêu biểu như vụ tấn công vào hạ tầng Amazon Web Services (AWS) ghi nhận lưu lượng đỉnh lên tới 2.3 Terabits mỗi giây (Tbps) thông qua khai thác giao thức CLDAP (Connection-less Lightweight Directory Access Protocol). Bên cạnh đó, các cuộc tấn công DDoS có chủ đích (APT) nhằm vào cơ sở hạ tầng trọng yếu tại Ukraine (tháng 02/2022) và Đài Loan (tháng 08/2022) đã chứng minh DDoS không chỉ gây gián đoạn dịch vụ thương mại mà còn đe dọa an ninh quốc gia.

       +-------------------------------------------------------------+
       |                  KHUNG PHÁT HIỆN & LÝ GIẢI                  |
       |                                                             |
+--------------+     +-------------------+     +-------------------+ |
| Mạng Traffic | --> | Phân tích CNN-LSTM| --> | Bộ phân giải SHAP | |
| (PCAP Flow)  |     |  (Deep Learning)  |     | (Local & Global)  | |
+--------------+     +-------------------+     +-------------------+ |
                             |                           |           |
                             v                           v           |
                      +-------------+            +-----------------+ |
                      | Nhãn dự đoán|            | Báo cáo nguyên  | |
                      | (DDoS/Benign|            | nhân gốc rễ     | |
                      +-------------+            +-----------------+ |
       +-------------------------------------------------------------+

Vấn đề nghiên cứu và Điểm nghẽn kỹ thuật (Problem Statement)

Các hệ thống phát hiện xâm nhập truyền thống (Signature-based IDS) như Snort hay Suricata hoàn toàn bất lực trước các biến thể mã độc mới và các cuộc tấn công Zero-day do độ trễ cập nhật cơ sở dữ liệu chữ ký. Để khắc phục, các hệ thống IDS dựa trên phát hiện bất thường (Anomaly-based IDS) ứng dụng học sâu (Deep Learning - DL) đã được triển khai, mang lại độ chính xác vượt trội. Tuy nhiên, các rào cản kỹ thuật cốt lõi vẫn tồn tại:

  1. Hộp đen thuật toán (Black-box Nature): Các mô hình học sâu phức tạp đưa ra dự đoán nhưng không cung cấp căn cứ ra quyết định, khiến các chuyên gia phân tích tại Trung tâm điều hành an ninh (SOC) khó xác thực cảnh báo và mất thời gian xử lý sự cố.
  2. Dương tính giả và Phân loại nhầm (False Positives): Thiếu khả năng bóc tách các mẫu lưu lượng bất thường cục bộ so với tổng thể hành vi mạng.
  3. Lỗ hổng trước Tấn công đối kháng (Adversarial Vulnerability): Kẻ tấn công có thể sử dụng các kỹ thuật né tránh (Evasion Attacks) bằng cách chèn nhiễu loạn nhỏ vào gói tin để đánh lừa mô hình phân loại mà không làm thay đổi bản chất phá hoại của cuộc tấn công.

Mục tiêu dự án

  1. Nghiên cứu và xây dựng mô hình học sâu lai (Hybrid Deep Learning): Kết hợp mạng nơ-ron tích chập (Convolutional Neural Network - CNN) và mạng nơ-ron bộ nhớ ngắn-dài hạn (Long Short-Term Memory - LSTM) để trích xuất đặc trưng không gian và thời gian của lưu lượng mạng.
  2. Tích hợp khung giải thích AI (Explainable AI - XAI): Triển khai framework SHAP (Shapley Additive Explanations) để cung cấp khả năng lý giải toàn cục (Global Explanation) và cục bộ (Local Explanation) cho từng cảnh báo DDoS.
  3. Đánh giá độ bền vững trước tấn công đối kháng: Sử dụng thư viện Adversarial Robustness Toolbox (ART) để mô phỏng Evasion Attack, đo lường độ suy giảm hiệu năng và đề xuất giải pháp củng cố mô hình.
  4. Tối ưu hóa pipeline xử lý luồng mạng: Sử dụng CICFlowMeter để trích xuất hơn 80 đặc trưng luồng mạng theo thời gian thực từ tập dữ liệu chuẩn CSE-CIC-IDS2018.

Phạm vi và Giới hạn nghiên cứu

  • Phạm vi: Tập trung vào các dạng tấn công DDoS phổ biến tại tầng ứng dụng (Application Layer - HTTP Flood, LOIC-HTTP, HOIC) và tầng vận chuyển/mạng (Protocol/Volumetric Attacks - SYN Flood, LOIC-UDP, DNS Amplification).
  • Giới hạn: Nghiên cứu không can thiệp vào việc chặn lưu lượng (Intrusion Prevention System - IPS) ở cấp độ phần cứng mà tập trung vào tầng phát hiện, phân tích và giải thích quyết định tại máy chủ phân tích trung tâm.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí so sánh Signature-based IDS (Snort/Suricata) Machine Learning IDS (Random Forest + LIME) Giải pháp đề xuất (CNN-LSTM + SHAP)
Phát hiện Zero-day Kém (Phụ thuộc hoàn toàn vào DB rules) Khá (Dựa trên ngưỡng phân loại thống kê) Xuất sắc (Học đặc trưng không gian & chuỗi thời gian)
Khả năng giải thích Rõ ràng (Dựa trên rule ID kích hoạt) Trung bình (LIME bất ổn định giữa các lần chạy) Toàn diện & Nhất quán (Thỏa mãn 4 tiên đề Shapley)
Độ chính xác (Accuracy) 82.5% - 87.0% 94.2% - 96.8% 99.72% trên CSE-CIC-IDS2018
Kháng tấn công đối kháng Không áp dụng Kém (Dễ bị đánh lừa bởi biến động feature) Được đánh giá và phòng thủ thông qua ART
Tốc độ xử lý luồng Rất nhanh (< 5ms/gói) Trung bình (~ 20ms/flow) Tối ưu hóa Tensor (~ 12ms/flow batch)

Yêu cầu hệ thống theo chuẩn MoSCoW

  • Must Have:
    • Tiền xử lý dữ liệu PCAP sang định dạng luồng thông qua CICFlowMeter v4.0.
    • Phân loại chính xác các luồng tấn công: Benign, DDoS-HOIC, DDoS-LOIC-HTTP, DDoS-LOIC-UDP.
    • Trích xuất top 20 đặc trưng quan trọng nhất thông qua thuật toán SelectKBest và SHAP summary_plot.
  • Should Have:
    • Trực quan hóa giá trị Shapley cho từng mẫu kiểm thử độc lập (Local force plot).
    • Tích hợp kiểm thử tự động với Adversarial Robustness Toolbox (ART v1.14).
  • Could Have:
    • Dashboard tương tác cho chuyên viên SOC hiển thị biểu đồ phân bổ độ trôi dạt dữ liệu (Concept Drift).
  • Won't Have:
    • Khả năng tự động viết lại quy tắc định tuyến trên phần cứng Router/Switch tức thời.

Thiết kế kiến trúc hệ thống

+-----------------------------------------------------------------------------------+
|                            HỆ THỐNG PHÁT HIỆN VÀ LÝ GIẢI                          |
|                                                                                   |
|  [Network Interface]                                                              |
|          | (Raw PCAP)                                                             |
|          v                                                                        |
|  +------------------------------------+                                           |
|  | CICFlowMeter v4.0 (Flow Extractor) |                                           |
|  +------------------------------------+                                           |
|          | (80+ Network Flow Features)                                            |
|          v                                                                        |
|  +------------------------------------+                                           |
|  | Data Preprocessing & SelectKBest   |                                           |
|  | (MinMaxScaler, 20 Core Features)   |                                           |
|  +------------------------------------+                                           |
|          |                                                                        |
|          +------------------------------------+                                   |
|          |                                    |                                   |
|          v                                    v                                   |
|  +--------------------------------+   +------------------------------------+      |
|  | Deep Learning Model (CNN-LSTM) |   | Adversarial Robustness Evaluation  |      |
|  | - 1D Conv Layer (Filter=64)    |   | - ART Toolkit (Evasion Generator)  |      |
|  | - Max Pooling (Pool Size=2)    |   +------------------------------------+      |
|  | - LSTM Layer (Units=128)       |                   |                           |
|  | - Dense + Softmax Classifier   |                   | (Adversarial Samples)     |
|  +--------------------------------+                   |                           |
|          | (Predictions)                              v                           |
|          +------------------------------------> [Robustness Score]                |
|          |                                                                        |
|          v                                                                        |
|  +------------------------------------+                                           |
|  | Explainability Engine (SHAP v0.42) |                                           |
|  | - Global: Summary & Dependence Plot|                                           |
|  | - Local: Waterfall & Force Plot    |                                           |
|  +------------------------------------+                                           |
|          |                                                                        |
|          v                                                                        |
|  +------------------------------------+                                           |
|  | SOC Security Analyst Dashboard     |                                           |
|  +------------------------------------+                                           |
+-----------------------------------------------------------------------------------+

Technology Stack chi tiết

Technology Stack:
├── Ngôn ngữ cốt lõi: Python v3.9.16
├── Học sâu & Xử lý số:
│   ├── TensorFlow v2.11.0 / Keras v2.11.0
│   ├── NumPy v1.23.5 & Pandas v1.5.3
│   └── Scikit-learn v1.2.2
├── Giải thích mô hình (XAI):
│   └── SHAP (Shapley Additive Explanations) v0.42.1
├── An ninh đối kháng:
│   └── Adversarial Robustness Toolbox (ART) v1.14.1
├── Trích xuất luồng mạng:
│   └── CICFlowMeter v4.0 (Java-based engine)
└── Trực quan hóa:
    ├── Matplotlib v3.7.1
    └── Seaborn v0.12.2

Implementation và kết quả

Chi tiết thuật toán và Cấu trúc mô hình

Mô hình kết hợp hai cấu trúc mạng nơ-ron mạnh mẽ:

  1. Lớp tích chập 1 chiều (1D-CNN): Trích xuất các mối tương quan cục bộ giữa các trường trong vector đặc trưng của gói tin/luồng. Phép tích chập giữa tín hiệu đầu vào $\mathbf{x}$ và bộ lọc $\mathbf{w}$ kích thước $k$ được tính toán như sau: $$y_i = \sigma \left( \sum_{j=0}^{k-1} w_j \cdot x_{i+j} + b \right)$$

  2. Lớp bộ nhớ ngắn-dài hạn (LSTM): Nắm bắt sự phụ thuộc theo chuỗi thời gian của các luồng lưu lượng liên tiếp, giải quyết triệt để vấn đề triệt tiêu đạo hàm (Vanishing Gradient) của RNN truyền thống thông qua cơ chế 3 cổng: Cổng quên ($f_t$), Cổng vào ($i_t$), và Cổng ra ($o_t$). $$f_t = \sigma(W_f \cdot [h_{t-1}, x_t] + b_f)$$ $$i_t = \sigma(W_i \cdot [h_{t-1}, x_t] + b_i)$$ $$\tilde{C}t = \tanh(W_c \cdot [h{t-1}, x_t] + b_c)$$ $$C_t = f_t * C_{t-1} + i_t * \tilde{C}t$$ $$o_t = \sigma(W_o \cdot [h{t-1}, x_t] + b_o)$$ $$h_t = o_t * \tanh(C_t)$$

  3. Thuật toán giải thích SHAP: Phân bổ mức độ đóng góp công bằng của từng tính năng $j$ dựa trên lý thuyết trò chơi hợp tác (Cooperative Game Theory): $$\phi_j(val) = \sum_{S \subseteq {1, \dots, p} \setminus {j}} \frac{|S|!(p - |S| - 1)!}{p!} \left( val(S \cup {j}) - val(S) \right)$$ Mô hình giải thích cục bộ cộng tính tuyến tính: $$g(z') = \phi_0 + \sum_{j=1}^M \phi_j z'_j$$

Mã nguồn triển khai pipeline CNN-LSTM và SHAP

import numpy as np
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv1D, MaxPooling1D, LSTM, Dense, Dropout, Flatten
import shap

def build_explainable_cnn_lstm(input_shape, num_classes):
    """
    Xây dựng kiến trúc Deep Learning lai CNN-LSTM phát hiện tấn công DDoS.
    """
    model = Sequential([
        # Khối trích xuất đặc trưng không gian (Spatial Features)
        Conv1D(filters=64, kernel_size=3, activation='relu', padding='same', input_shape=input_shape),
        MaxPooling1D(pool_size=2),
        Dropout(0.2),
        
        # Khối học đặc trưng chuỗi thời gian (Temporal Dependencies)
        LSTM(units=128, return_sequences=False),
        Dropout(0.3),
        
        # Khối phân loại đa lớp
        Dense(units=64, activation='relu'),
        Dense(units=num_classes, activation='softmax')
    ])
    
    model.compile(
        optimizer=tf.keras.optimizers.Adam(learning_rate=0.001),
        loss='categorical_crossentropy',
        metrics=['accuracy', tf.keras.metrics.Precision(), tf.keras.metrics.Recall()]
    )
    return model

# Khởi tạo và phân tích SHAP Explainer
def explain_model_predictions(model, background_data, test_samples):
    """
    Sử dụng SHAP DeepExplainer để giải thích các quyết định của CNN-LSTM.
    """
    explainer = shap.GradientExplainer(model, background_data)
    shap_values = explainer.shap_values(test_samples)
    return explainer, shap_values

Đánh giá hiệu năng thực nghiệm (Performance Benchmarks)

Thực nghiệm được tiến hành trên tập dữ liệu chuẩn CSE-CIC-IDS2018 với hơn 1,000,000 bản ghi sau tiền xử lý, phân chia tỷ lệ 80% Training và 20% Testing.

+---------------------------------------------------------------------------+
|               MA TRẬN HIỆU NĂNG PHÂN LOẠI (CSE-CIC-IDS2018)               |
+----------------------+-----------+-----------+----------+-----------------+
| Loại lưu lượng       | Precision | Recall    | F1-Score | Số mẫu kiểm thử |
+----------------------+-----------+-----------+----------+-----------------+
| Benign (Bình thường) | 99.85%    | 99.78%    | 99.81%   | 150,000         |
| DDoS attack-HOIC     | 99.62%    | 99.80%    | 99.71%   | 45,000          |
| DDoS-LOIC-HTTP       | 99.45%    | 99.30%    | 99.37%   | 12,500          |
| DDoS-LOIC-UDP        | 99.91%    | 99.88%    | 99.89%   | 5,200           |
+----------------------+-----------+-----------+----------+-----------------+
| Trung bình toàn diện | 99.71%    | 99.69%    | 99.70%   | Accuracy: 99.72%|
+----------------------+-----------+-----------+----------+-----------------+

Đánh giá độ bền vững trước Evasion Attack (ART Framework)

Sử dụng phương pháp tạo mẫu đối kháng Fast Gradient Sign Method (FGSM) và Projected Gradient Descent (PGD) từ thư viện ART để kiểm thử khả năng chịu lỗi của mô hình:

Mức độ nhiễu loạn ($\epsilon$) Độ chính xác trước tấn công Độ chính xác sau Evasion Attack F1-Score suy giảm
$\epsilon = 0.01$ 99.72% 94.15% -5.58%
$\epsilon = 0.05$ 99.72% 83.60% -16.16%
$\epsilon = 0.10$ 99.72% 68.20% -31.60%
Sau khi huấn luyện đối kháng (Adversarial Retraining) 99.45% 95.80% Chỉ giảm 3.67% ($\epsilon=0.05$)

Đổi mới và đóng góp

  1. Khử cấu trúc "Hộp đen" trong bảo mật mạng: Đề tài là một trong những công trình tiên phong kết hợp kiến trúc học sâu đa tầng (CNN-LSTM) với khung lý thuyết trò chơi SHAP để giải thích quyết định phát hiện DDoS ở cả hai cấp độ:
    • Global Explanation: Xác định danh sách các đặc trưng chi phối hành vi tấn công DDoS, bao gồm: Init Fwd Win Byts (Kích thước cửa sổ khởi tạo TCP phía gửi), Fwd Pkt Len Max (Độ dài gói tin chuyển tiếp tối đa), Down/Up Ratio (Tỷ lệ tải xuống/tải lên), và ACK Flag Cnt (Số lượng cờ ACK).
    • Local Explanation: Đưa ra trọng số định lượng cho từng luồng mạng cụ thể, chỉ ra nguyên nhân tại sao một luồng bị gán nhãn là DDoS attack-HOIC (ví dụ: do sự bất thường đột biến trong Bwd Seg Size Avg kết hợp với Flow IAT Mean giảm xuống gần bằng 0).
  2. Quy trình trích xuất và chọn lọc đặc trưng tối ưu: Giảm số lượng chiều dữ liệu từ hơn 80 đặc trưng xuống 20 đặc trưng quan trọng nhất thông qua SelectKBest kết hợp phân tích tương quan Pearson, giúp giảm 43.5% thời gian suy luận (Inference Time) từ 21.2ms xuống 11.9ms trên mỗi batch 64 luồng mà vẫn duy trì độ chính xác > 99.7%.
  3. Phân tích rủi ro an ninh đối kháng thực tế: Chứng minh lỗ hổng của các mô hình Deep Learning trước các cuộc tấn công né tránh (Evasion Attack), đồng thời đóng góp bộ dữ liệu mẫu đối kháng và chiến lược tái huấn luyện (Adversarial Training) giúp nâng cao độ bền vững của IDS lên 95.8%.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng (Real-world Use Cases)

  • Tích hợp Trung tâm Giám sát Điều hành An toàn Thông tin (SOC Tier-2/Tier-3): Hỗ trợ chuyên gia phân tích giảm thiểu thời gian điều tra nguyên nhân gốc rễ (Root Cause Analysis - RCA) của các cảnh báo DDoS từ trung bình 25 phút xuống dưới 2 phút nhờ biểu đồ giải thích SHAP.
  • Bảo vệ biên mạng cho Nhà cung cấp Dịch vụ Internet (ISP/Cloud Provider): Triển khai tại các gateway biên nhằm phân loại luồng lưu lượng quy mô lớn, tự động kích hoạt chuyển hướng lưu lượng (BGP Anycast / Blackholing) một cách chính xác.

Yêu cầu phần cứng và Hướng dẫn triển khai

Yêu cầu hệ thống tối thiểu

  • CPU: Intel Xeon E5-2680 v4 (8 Cores, 2.4GHz) hoặc tương đương.
  • GPU: NVIDIA Tesla T4 16GB hoặc RTX 3060 12GB VRAM (Hỗ trợ CUDA 11.8).
  • RAM: 32 GB DDR4.
  • Lưu trữ: 100 GB SSD NVMe.
  • Hệ điều hành: Ubuntu 20.04 / 22.04 LTS.

Hướng dẫn cài đặt & triển khai qua Terminal

# 1. Khởi tạo môi trường ảo Python
python3 -m venv venv_ddos_xai
source venv_ddos_xai/bin/activate

# 2. Cài đặt các thư viện phụ thuộc
pip install --upgrade pip
pip install tensorflow==2.11.0 shap==0.42.1 adversarial-robustness-toolbox==1.14.1 scikit-learn pandas matplotlib

# 3. Chạy pipeline xử lý luồng và huấn luyện mô hình
python train_pipeline.py --dataset_path ./data/CSE-CIC-IDS2018.csv --epochs 50 --batch_size 64

# 4. Tạo báo cáo giải thích SHAP cho cảnh báo thời gian thực
python explain_alert.py --sample_id 19520220 --output_dir ./reports/

Lộ trình triển khai (Implementation Roadmap)

Timeline Triển Khai (6 Tháng):
├── Tháng 1-2: Thu thập PCAP, chuẩn hóa dữ liệu với CICFlowMeter & EDA.
├── Tháng 3: Thiết kế, tinh chỉnh siêu tham số mô hình CNN-LSTM trên GPU Cluster.
├── Tháng 4: Tích hợp SHAP Explainer Engine & Tối ưu hóa tính toán ma trận Shapley.
├── Tháng 5: Đánh giá tấn công đối kháng Evasion với ART & Thực hiện Adversarial Training.
└── Tháng 6: Đóng gói Docker Container, xây dựng API và hoàn thiện tài liệu kỹ thuật.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  1. Độ trễ tính toán của KernelSHAP/Sampling: Việc tính toán giá trị Shapley đòi hỏi tài nguyên tính toán lớn trên số lượng mẫu lớn; cần chuyển đổi sang các giải pháp xấp xỉ nhanh hơn như FastSHAP hoặc TreeSHAP cho các tác vụ thời gian thực nghiêm ngặt.
  2. Khả năng chuyển giao của mẫu đối kháng (Adversarial Transferability): Một số mẫu tấn công Evasion được tối ưu hóa cho mô hình này vẫn có thể gây sai lệch dự đoán khi chuyển đổi sang mô hình khác nếu cùng chung tập phân phối dữ liệu huấn luyện.

Hướng phát triển tương lai

  • Triển khai Online Learning / Continual Learning: Cập nhật trọng số mô hình động khi lưu lượng mạng xuất hiện các hình thái phân phối mới mà không làm suy giảm tri thức cũ (Catastrophic Forgetting).
  • Tích hợp Kiến trúc Transformer: Thử nghiệm mô hình Spatio-Temporal Graph Neural Networks (GNN) kết hợp cơ chế Self-Attention để mô hình hóa toàn diện tương tác giữa các node mạng trong không gian topology phức tạp.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học ngành ATTT/CNTT: Tiếp cận tài liệu tham khảo hoàn chỉnh về cách kết hợp Deep Learning tiên tiến và Explainable AI, kèm mã nguồn thực nghiệm chuẩn mực.
  • Kỹ sư An ninh Mạng & Quản trị Hệ thống: Sở hữu công cụ phát hiện DDoS thế hệ mới với độ tin cậy cao, có khả năng giải trình minh bạch trước các cuộc kiểm toán an toàn hệ thống.
  • Doanh nghiệp & Đơn vị Cung cấp Dịch vụ Đám mây: Tiết kiệm chi phí vận hành SOC, giảm thiểu thời gian gián đoạn dịch vụ (Downtime) do các đợt tấn công DDoS gây ra, ước tính giảm thiểu thiệt hại tài chính lên tới hàng trăm ngàn USD mỗi năm.
  • Cộng đồng Nghiên cứu An toàn Thông tin: Đóng góp thêm bằng chứng thực nghiệm về tính khả thi của XAI trong việc tăng cường độ bền vững an ninh mạng trước các cuộc tấn công học máy đối kháng (Adversarial ML).

Câu hỏi thường gặp (FAQ)

1. Hệ thống yêu cầu cấu hình phần cứng như thế nào để triển khai trong thực tế?

Mô hình có thể chạy ở chế độ suy luận (Inference) trên máy chủ CPU tiêu chuẩn (4 Cores, 16GB RAM) với thông lượng xử lý đạt ~500 flows/giây. Tuy nhiên, để huấn luyện lại định kỳ và tính toán giải thích SHAP theo thời gian thực trên quy mô lớn, khuyến nghị sử dụng máy chủ có GPU chuyên dụng (tối thiểu NVIDIA T4 16GB VRAM).

2. Làm thế nào giải pháp giải quyết được bài toán chậm trễ tính toán của SHAP?

Hệ thống áp dụng kỹ thuật xấp xỉ GradientExplainer thay vì KernelSHAP truyền thống, kết hợp trích xuất trước background dataset đại diện (100-200 mẫu phân cụm k-means). Điều này giúp giảm thời gian tính toán giá trị Shapley cho một cảnh báo xuống dưới 150ms, hoàn toàn phù hợp với luồng làm việc của SOC.

3. Giải pháp này có thể tích hợp vào các hệ thống SIEM hiện có như Splunk hay Elastic Security không?

Hoàn toàn có thể. Kết quả đầu ra của mô hình (bao gồm nhãn dự đoán, xác suất confidence score, và top 5 thuộc tính đóng góp theo SHAP) được cấu trúc hóa dưới dạng JSON payload chuẩn qua RESTful API, dễ dàng nạp trực tiếp vào log pipeline của SIEM/SOAR.

4. Tấn công Evasion có thể vô hiệu hóa hoàn toàn mô hình này không?

Nếu không có phòng thủ, tấn công Evasion ở cường độ nhiễu lớn ($\epsilon=0.10$) có thể làm giảm độ chính xác của mô hình xuống còn 68.20%. Tuy nhiên, sau khi được củng cố bằng phương pháp huấn luyện đối kháng (Adversarial Training) với thư viện ART, độ chính xác của hệ thống duy trì vững chắc ở mức 95.80%.

5. Chi phí đầu tư và thời gian hoàn vốn (ROI) ước tính ra sao?

Giải pháp được xây dựng hoàn toàn trên các nền tảng và thư viện mã nguồn mở (TensorFlow, SHAP, ART, CICFlowMeter), giúp doanh nghiệp tiết kiệm 100% chi phí bản quyền phần mềm độc quyền. Thời gian triển khai kéo dài từ 3 đến 6 tháng, và ROI đạt được ngay sau đợt tấn công DDoS đầu tiên được ngăn chặn kịp thời, bảo vệ doanh thu và uy tín thương hiệu.

Kết luận

Đồ án tốt nghiệp "Xây dựng mạng nơ-ron tích chập có khả năng lý giải ứng dụng trong phát hiện tấn công DDoS" của tác giả Hồ Thị Ngọc Phúc (Khoa Mạng máy tính & Truyền thông, Trường Đại học Công nghệ Thông tin - ĐHQG TP.HCM, dưới sự hướng dẫn của TS. Lê Kim Hùng) đã giải quyết trọn vẹn thách thức cốt lõi của an ninh mạng hiện đại: Cân bằng giữa độ chính xác cực cao của mô hình học sâu và tính minh bạch, có thể lý giải của hệ thống trí tuệ nhân tạo.

Thông qua việc kết hợp kiến trúc mạng lai CNN-LSTM, framework giải thích SHAP, và đánh giá an ninh đối kháng ART trên tập dữ liệu chuẩn CSE-CIC-IDS2018, nghiên cứu không chỉ đạt được các chỉ số kỹ thuật xuất sắc (Accuracy 99.72%, F1-Score 99.70%) mà còn mở ra hướng tiếp cận thực tiễn, tin cậy cho các Trung tâm Điều hành An ninh Mạng thế hệ mới. Đây là bước đệm vững chắc hướng tới việc xây dựng các hệ thống phòng thủ tự hành, minh bạch và kiên cố trước các mối đe dọa không gian mạng ngày càng tinh vi.