Nâng cao chất lượng phân lớp của các hệ thống phát hiện xâm nhập mạng bằng kỹ thuật học máy

• Tác giả: Hoàng Ngọc Thanh
• Người hướng dẫn: PGS. Trần Văn Lăng
• Trường học: Trường Đại Học Lạc Hồng
• Chuyên ngành: Khoa Học Máy Tính
• Đề tài: Nâng Cao Chất Lượng Phân Lớp Trong Hệ Thống Phát Hiện Xâm Nhập Mạng Bằng Kỹ Thuật Học Máy
• Loại tài liệu: Luận Án Tiến Sĩ
• Năm xuất bản: 2022
• Địa điểm: Đồng Nai

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• TÓM TẮT
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Hệ thống phát hiện xâm nhập
• 1.1.1. Giới thiệu về IDS
• 1.1.2. Phân loại IDS
• 1.1.3. IDS sử dụng kỹ thuật học máy
• 1.2. Tính cấp thiết của đề tài luận án
• 1.3. Mục tiêu nghiên cứu
• 1.4. Đối tượng và phạm vi nghiên cứu
• 1.4.1. Đối tượng nghiên cứu
• 1.4.2. Phạm vi nghiên cứu
• 1.5. Phương pháp nghiên cứu
• 1.6. Ý nghĩa khoa học và thực tiễn
• 1.6.1. Ý nghĩa khoa học
• 1.6.2. Ý nghĩa thực tiễn
• 1.7. Những điểm đóng góp mới
• 1.8. Kết cấu của luận án
• 2. CÁC NGHIÊN CỨU LIÊN QUAN
• 2.1. Lựa chọn thuộc tính
• 2.2. Lấy mẫu lại tập dữ liệu
• 2.3. Kỹ thuật học máy
• 2.4. Tập dữ liệu sử dụng cho các IDS
• 2.5. Chỉ số đánh giá hiệu năng các IDS
• 2.6. Các nghiên cứu liên quan về học máy cho IDS
• 2.6.1. Lựa chọn thuộc tính
• 2.6.2. Lấy mẫu lại tập dữ liệu
• 2.6.3. Các mô hình học máy cho các IDS
• 3. GIẢI PHÁP LỰA CHỌN THUỘC TÍNH
• 3.1. Giải pháp lựa chọn thuộc tính đề xuất
• 3.1.1. Các chỉ số đo thông tin
• 3.1.2. Thuật toán loại bỏ thuộc tính ngược BFE
• 3.1.3. Thuật toán chọn thuộc tính thuận FFC
• 3.1.4. Thuật toán lựa chọn thuộc tính đề xuất
• 3.2. Kết quả thực hiện
• 3.2.1. Lựa chọn thuộc tính với kiểu tấn công Worms
• 3.2.2. Lựa chọn thuộc tính với kiểu tấn công Shellcode
• 3.2.3. Lựa chọn thuộc tính với kiểu tấn công Backdoor
• 3.2.4. Lựa chọn thuộc tính với kiểu tấn công Analysis
• 3.2.5. Lựa chọn thuộc tính với kiểu tấn công Recce
• 3.2.6. Lựa chọn thuộc tính với kiểu tấn công DoS
• 3.2.7. Lựa chọn thuộc tính với kiểu tấn công Fuzzers
• 3.2.8. Lựa chọn thuộc tính với kiểu tấn công Exploits
• 3.2.9. Lựa chọn thuộc tính với kiểu tấn công Generic
• 3.3. So sánh, nhận xét và đánh giá về giải pháp lựa chọn thuộc tính đề xuất
• 4. GIẢI PHÁP LẤY MẪU LẠI TẬP DỮ LIỆU
• 4.1. Giải pháp lấy mẫu lại tập dữ liệu đề xuất
• 4.1.1. Giải pháp tăng mẫu
• 4.1.2. Giải pháp giảm mẫu
• 4.2. Kết quả thực hiện
• 4.2.1. Tăng mẫu tập dữ liệu
• 4.2.2. Giảm mẫu tập dữ liệu
• 4.2.3. Tổng hợp kết quả và nhận xét về giải pháp lấy mẫu lại tập dữ liệu
• 5. KỸ THUẬT PHỐI HỢP CHO MÔ HÌNH IDS
• 5.1. Kỹ thuật phối hợp đề xuất
• 5.2. Kết quả thực hiện
• 5.2.1. Sử dụng kỹ thuật phối hợp với kiểu tấn công Worms
• 5.2.2. Sử dụng kỹ thuật phối hợp với kiểu tấn công Shellcode
• 5.2.3. Sử dụng kỹ thuật phối hợp với kiểu tấn công Backdoor
• 5.2.4. Sử dụng kỹ thuật phối hợp với kiểu tấn công Analysis
• 5.2.5. Sử dụng kỹ thuật phối hợp với kiểu tấn công Recce
• 5.2.6. Sử dụng kỹ thuật phối hợp với kiểu tấn công DoS
• 5.2.7. Sử dụng kỹ thuật phối hợp với kiểu tấn công Fuzzers
• 5.2.8. Sử dụng kỹ thuật phối hợp với kiểu tấn công Exploits
• 5.2.9. Sử dụng kỹ thuật phối hợp với kiểu tấn công Generic
• 5.3. Tổng hợp kết quả và nhận xét về kỹ thuật phối hợp
• 5.4. Mô hình phân lớp lai đề xuất
• 6. KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 6.1. Đánh giá về các kết quả đạt được, hạn chế và hướng phát triển
• 6.2. Đánh giá ý nghĩa học thuật và thực tiễn của luận án
• DANH MỤC CÁC KÝ HIỆU, CHỮ VIẾT TẮT
• DANH MỤC CÁC BẢNG, BIỂU
• DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ

Tóm tắt

I. Giới thiệu về nâng cao chất lượng phân lớp trong hệ thống phát hiện xâm nhập mạng

Hệ thống phát hiện xâm nhập mạng (NIDS) đóng vai trò quan trọng trong việc bảo vệ an ninh mạng. Việc nâng cao chất lượng phân lớp trong NIDS là một thách thức lớn, đặc biệt khi đối mặt với các cuộc tấn công ngày càng tinh vi. Kỹ thuật học máy đã được áp dụng để cải thiện khả năng phát hiện và phân loại các cuộc tấn công. Nghiên cứu này sẽ tập trung vào việc cải tiến các phương pháp hiện có nhằm nâng cao hiệu quả của NIDS.

1.1. Tầm quan trọng của hệ thống phát hiện xâm nhập mạng

Hệ thống phát hiện xâm nhập mạng giúp phát hiện và ngăn chặn các cuộc tấn công trước khi chúng gây hại. Việc nâng cao chất lượng phân lớp trong NIDS sẽ giúp giảm thiểu tỷ lệ cảnh báo sai và tăng cường khả năng phát hiện các cuộc tấn công mới.

1.2. Tổng quan về kỹ thuật học máy trong NIDS

Kỹ thuật học máy đã được áp dụng rộng rãi trong NIDS để cải thiện khả năng phân loại. Các thuật toán học máy như Decision Trees, Random Forests và Neural Networks đã cho thấy hiệu quả trong việc phát hiện các cuộc tấn công.

II. Vấn đề và thách thức trong nâng cao chất lượng phân lớp NIDS

Mặc dù có nhiều tiến bộ trong việc áp dụng học máy, NIDS vẫn gặp phải một số thách thức lớn. Đặc biệt, vấn đề mất cân bằng lớp trong dữ liệu huấn luyện dẫn đến việc giảm chất lượng phân lớp. Ngoài ra, việc lựa chọn thuộc tính không phù hợp cũng làm giảm hiệu quả của các mô hình học máy.

2.1. Vấn đề mất cân bằng lớp trong dữ liệu

Dữ liệu huấn luyện thường có sự phân bố không đồng đều giữa các lớp, dẫn đến việc các mô hình học máy không thể học được các đặc điểm quan trọng của lớp thiểu số.

2.2. Thách thức trong việc lựa chọn thuộc tính

Việc lựa chọn thuộc tính không chính xác có thể làm giảm chất lượng phân lớp. Các thuộc tính không liên quan có thể gây nhiễu và làm tăng thời gian tính toán.

III. Phương pháp cải tiến chất lượng phân lớp trong NIDS bằng học máy

Để nâng cao chất lượng phân lớp, nghiên cứu đề xuất một số phương pháp cải tiến. Các phương pháp này bao gồm cải tiến kỹ thuật tiền xử lý dữ liệu và áp dụng các thuật toán học máy phối hợp. Việc sử dụng các bộ phân lớp phối hợp đã cho thấy hiệu quả vượt trội so với các bộ phân lớp đơn.

3.1. Cải tiến kỹ thuật tiền xử lý dữ liệu

Nghiên cứu đề xuất cải tiến các thuật toán lựa chọn thuộc tính và kỹ thuật tăng mẫu để cải thiện chất lượng dữ liệu đầu vào cho NIDS.

3.2. Ứng dụng các bộ phân lớp phối hợp

Các bộ phân lớp phối hợp như Bagging, Boosting và Stacking đã được áp dụng để cải thiện độ chính xác phân lớp. Những phương pháp này cho phép kết hợp nhiều mô hình để đạt được kết quả tốt hơn.

IV. Ứng dụng thực tiễn và kết quả nghiên cứu trong NIDS

Kết quả nghiên cứu cho thấy các giải pháp đề xuất đã cải thiện đáng kể chất lượng phân lớp trong NIDS. Các thử nghiệm trên tập dữ liệu UNSW-NB15 cho thấy tỷ lệ phát hiện cao hơn và tỷ lệ cảnh báo sai thấp hơn. Điều này chứng tỏ rằng việc áp dụng kỹ thuật học máy phối hợp có thể mang lại lợi ích lớn cho an ninh mạng.

4.1. Kết quả thử nghiệm trên tập dữ liệu UNSW NB15

Các thử nghiệm cho thấy rằng các giải pháp đề xuất đã cải thiện đáng kể độ chính xác và khả năng phát hiện của NIDS trên tập dữ liệu UNSW-NB15.

4.2. Ứng dụng trong thực tiễn

Các giải pháp này có thể được áp dụng trong các hệ thống an ninh mạng thực tế, giúp nâng cao khả năng phát hiện và ngăn chặn các cuộc tấn công.

V. Kết luận và hướng phát triển tương lai cho NIDS

Nghiên cứu đã chỉ ra rằng việc nâng cao chất lượng phân lớp trong NIDS là khả thi thông qua việc áp dụng các kỹ thuật học máy phối hợp và cải tiến tiền xử lý dữ liệu. Tuy nhiên, vẫn còn nhiều thách thức cần được giải quyết trong tương lai, bao gồm việc tối ưu hóa thời gian huấn luyện và cải thiện khả năng xử lý của các mô hình học máy.

5.1. Đánh giá kết quả đạt được

Kết quả nghiên cứu đã chứng minh rằng các giải pháp đề xuất có thể cải thiện đáng kể chất lượng phân lớp trong NIDS.

5.2. Hướng phát triển trong tương lai

Cần tiếp tục nghiên cứu để tối ưu hóa các thuật toán học máy và cải thiện khả năng xử lý, nhằm đáp ứng yêu cầu ngày càng cao trong lĩnh vực an ninh mạng.