Tổng quan về luận án

Sự bùng nổ của hạ tầng Internet, điện toán đám mây và Internet vạn vật (IoT) đã định hình lại toàn bộ không gian an ninh mạng toàn cầu, đồng thời tạo ra môi trường thuận lợi cho các cuộc tấn công mạng diễn biến với quy mô ngày càng tinh vi và phức tạp. Để bảo vệ tính bảo mật (Confidentiality), tính toàn vẹn (Integrity) và tính khả dụng (Availability) của hệ thống thông tin, Hệ thống phát hiện xâm nhập mạng (Network Intrusion Detection System - NIDS) đóng vai trò là tuyến phòng thủ cốt lõi. Tuy nhiên, các kỹ thuật phát hiện xâm nhập truyền thống dựa trên chữ ký (Signature-based IDS) hoàn toàn bất lực trước các mối đe dọa mới hoặc biến thể zero-day, trong khi phương pháp phát hiện dựa trên sự bất thường (Anomaly-based IDS) thường xuyên phải đối mặt với thách thức nghiêm trọng về tỷ lệ dương tính giả (False Positive Rate - FPR) cao và sự suy giảm hiệu năng khi xử lý lưu lượng mạng quy mô lớn.

Khoảng trống nghiên cứu (Research Gap) trọng tâm được luận án chỉ rõ xuất phát từ ba rào cản kỹ thuật mang tính cốt lõi trong xử lý dữ liệu và học máy cho NIDS:

  1. Sự mất cân bằng lớp trầm trọng (Severe Class Imbalance): Trong lưu lượng mạng thực tế, các gói tin tấn công chỉ chiếm một tỷ trọng rất nhỏ so với lưu lượng bình thường (Normal traffic). Đặc biệt, các loại tấn công nguy hiểm như Worms, Shellcode, Backdoor có số lượng mẫu cực kỳ hiếm, khiến các thuật toán học máy bị thiên vị về phía lớp đa số và bỏ sót các cuộc tấn công nguy hiểm.
  2. Sự dư thừa và không liên quan của không gian thuộc tính (Feature Redundancy and Irrelevance): Dữ liệu mạng luồng chứa nhiều thuộc tính nhiễu làm tăng độ phức tạp tính toán, gây ra hiện tượng quá khớp (overfitting) và làm suy giảm độ chính xác phân loại.
  3. Hạn chế nội tại của các bộ phân lớp đơn lẻ (Single Classifiers): Các thuật toán học máy đơn lẻ không đủ khả năng bao quát không gian phân chia phi tuyến phức tạp của các biến thể tấn công hiện đại. Như trích dẫn nhận định từ nghiên cứu tổng quan của Khraisat và cộng sự (2019): "Các cách tiếp cận phát hiện xâm nhập dựa trên kỹ thuật học máy vẫn còn tồn tại các thách thức trong việc tạo và cập nhật thông tin về các cuộc tấn công mới, cũng như giảm tỷ lệ cảnh báo sai và tăng độ chính xác phát hiện."

Nhằm giải quyết triệt để các rào cản trên, luận án tiến sĩ khoa học máy tính của nghiên cứu sinh Hoàng Ngọc Thanh (người hướng dẫn: PGS. Trần Văn Lăng, Trường Đại học Lạc Hồng, 2022) thiết lập hệ thống câu hỏi nghiên cứu và giả thuyết khoa học:

  • Research Question 1 (RQ1): Làm thế nào để xây dựng thuật toán lựa chọn thuộc tính tối ưu nhằm loại bỏ thuộc tính dư thừa, giảm chiều dữ liệu mà không làm mất thông tin phân lớp đặc trưng của từng loại tấn công?
  • Research Question 2 (RQ2): Giải pháp lấy mẫu lại (Resampling) nào có thể cân bằng hiệu quả dữ liệu huấn luyện mà không sinh ra nhiễu tại ranh giới quyết định (Decision boundary)?
  • Research Question 3 (RQ3): Cơ chế phối hợp học máy đồng nhất và không đồng nhất nào đem lại chất lượng phân loại vượt trội cho từng họ tấn công mạng cụ thể?
  • Hypothesis 1 (H1): Thuật toán lựa chọn thuộc tính cải tiến dựa trên loại bỏ ngược (mBFE) và chọn thuận (mFFC) kết hợp các thước đo lý thuyết thông tin sẽ tối ưu hóa chỉ số F-Measure cao hơn không gian thuộc tính gốc.
  • Hypothesis 2 (H2): Kỹ thuật tăng mẫu thích ứng kết hợp làm sạch ranh giới bằng liên kết Tomek (Tomek Links) sẽ triệt tiêu hiện tượng chồng lấn lớp và gia tăng độ nhạy (Recall/TPR) đối với các lớp tấn công thiểu số.
  • Hypothesis 3 (H3): Mô hình phân lớp lai (Hybrid Classifier Architecture) kết hợp linh hoạt giữa các kỹ thuật học máy phối hợp (Ensemble Learning) theo từng dạng tấn công sẽ đạt hiệu năng tổng thể vượt trội hơn các công trình quốc tế công bố trên cùng tập dữ liệu chuẩn.

Khung lý thuyết của nghiên cứu được đặt trên nền tảng Lý thuyết thông tin (Information Theory của Claude Shannon), Lý thuyết học máy phối hợp (Ensemble Learning Theory của Leo Breiman và David Wolpert), và Lý thuyết ranh giới mẫu tổng hợp (Synthetic Sampling Theory của Nitesh Chawla). Luận án triển khai thực nghiệm toàn diện trên tập dữ liệu chuẩn đương đại UNSW-NB15 với quy mô 257.673 bản ghi (chia thành tập huấn luyện gồm 82.332 bản ghi và tập kiểm tra gồm 175.341 bản ghi), bao quát 49 thuộc tính đặc trưng và 9 lớp tấn công đương đại, mang lại đóng góp đột phá về cả mặt học thuật lẫn ứng dụng thực tiễn.

Literature Review và Positioning

Lịch sử phát triển của NIDS sử dụng học máy ghi nhận nhiều nỗ lực học thuật trải rộng qua ba dòng nghiên cứu chính: Lựa chọn thuộc tính (Feature Selection), Xử lý mất cân bằng dữ liệu (Imbalanced Data Resampling) và Kiến trúc mô hình phân lớp (Classification Models).

Trong dòng nghiên cứu lựa chọn thuộc tính, các công trình kinh điển của Almuallim và Dietterich (1991) với thuật toán Focus, Liu và Setiono (1996) với bộ lọc Las Vegas (LVF), cùng thuật toán tự động nhánh và cận ABB của Liu (1998) đã đặt nền móng cho việc tối ưu hóa không gian tìm kiếm $2^N$. Về mặt lý thuyết đánh giá thuộc tính, Hall (1999) đã phát triển kỹ thuật CFS (Correlation-based Feature Selection) nhằm tìm kiếm tập con có độ tương quan cao với nhãn lớp và tương quan thấp giữa các thuộc tính với nhau. Tuy nhiên, các phương pháp truyền thống này thường áp dụng một tập thuộc tính tĩnh cho toàn bộ các dạng tấn công, bỏ qua tính chất bất đối xứng về hành vi mạng của từng lớp xâm nhập cụ thể.

Đối với vấn đề xử lý mất cân bằng dữ liệu, phương pháp SMOTE của Chawla và cộng sự (2002) đã tạo ra bước ngoặt khi nội suy các mẫu tổng hợp cho lớp thiểu số thay vì nhân bản đơn thuần. Tiếp đó, He và cộng sự (2008) giới thiệu ADASYN nhằm điều chỉnh mật độ lấy mẫu dựa trên mức độ khó học của mẫu, và Han cùng cộng sự (2005) đề xuất Borderline-SMOTE chỉ tập trung tăng mẫu tại đường biên phân chia. Để loại bỏ nhiễu do mẫu nhân tạo tạo ra, kỹ thuật liên kết Tomek (Tomek, 1976) và luật làm sạch vùng lân cận NCR (Laurikkala, 2001) được đưa vào như các bộ lọc hậu xử lý. Dẫu vậy, các tranh luận học thuật vẫn gay gắt giữa hai luồng quan điểm: Luồng thứ nhất ưu tiên kỹ thuật giảm mẫu (Undersampling) để bảo toàn tính nguyên bản và tiết kiệm tài nguyên tính toán nhưng đối mặt nguy cơ mất mát thông tin quan trọng; Luồng thứ hai ủng hộ kỹ thuật tăng mẫu (Oversampling) nhưng thường làm tăng chi phí tính toán và tạo ra sự chồng lấn ranh giới quyết định.

Về kiến trúc học máy, lý thuyết phối hợp (Ensemble Learning) đã chứng minh ưu thế áp đảo so với các mô hình đơn lẻ. Breiman (1996) đề xuất Bagging dựa trên lấy mẫu tái lập Bootstrap; Freund và Schapire (1996) phát triển AdaBoost với cơ chế cập nhật trọng số động cho các mẫu phân loại sai; Wolpert (1992) kiến tạo kỹ thuật Stacking với bộ phân lớp Meta-Classifier; và Melville cùng Mooney (2004) thiết kế thuật toán Decorate nhằm tăng cường tính đa dạng thông qua gán nhãn đối lập cho các mẫu nhân tạo. Breiman (2001) tiếp tục đột phá với Random Forest (RF), kết hợp song song giữa trích mẫu ngẫu nhiên và chọn ngẫu nhiên tập con thuộc tính tại mỗi nút phân nhánh.

Về mặt định vị nghiên cứu (Positioning), luận án chỉ ra rằng phần lớn các nghiên cứu trước đây vẫn phụ thuộc vào các tập dữ liệu đã lỗi thời như KDDCup99 và NSL-KDD (chiếm hơn 44% các công trình giai đoạn 2015-2018 theo thống kê của Erdem, 2018). Các tập dữ liệu này được thu thập từ năm 1999 bằng hệ điều hành Solaris và công cụ TCPdump dễ bị tràn gói, không còn phản ánh đúng cấu trúc lưu lượng Internet hiện đại và các cuộc tấn công phức tạp. Khi so sánh với các nghiên cứu quốc tế tiên tiến:

  • So với nghiên cứu gốc của Moustafa và Slay (2015, 2016) trên tập dữ liệu UNSW-NB15 sử dụng các mô hình cơ sở như Decision Tree (DT), Logistic Regression (LR), Naive Bayes (NB), Artificial Neural Network (ANN), và Support Vector Machine (SVM), phương pháp tiếp cận của luận án vượt trội toàn diện về cả Accuracy và F-Measure trên từng lớp tấn công đơn lẻ.
  • So với các nghiên cứu của Tama và Rhee (2019) hay Pajouh và cộng sự (2019) về mô hình học máy phối hợp, nghiên cứu này không chỉ áp dụng máy móc các bộ phân lớp có sẵn mà xây dựng một quy trình xử lý dữ liệu thích ứng cục bộ (attack-specific pipeline), tối ưu hóa từ không gian đặc trưng đến không gian mẫu trước khi đưa vào các bộ phân lớp phối hợp lai (Hybrid Ensemble).

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đóng góp quan trọng vào việc hoàn thiện và mở rộng các lý thuyết học máy chuyên biệt cho lĩnh vực an ninh mạng:

  1. Mở rộng Lý thuyết lựa chọn thuộc tính (Extension of Feature Selection Theory): Luận án chứng minh rằng trong không gian lưu lượng mạng đa chiều, không tồn tại một tập con thuộc tính phổ quát (universal feature subset) tối ưu cho mọi hành vi xâm nhập. Bằng việc kết hợp các tiêu chí đo lường thông tin bao gồm Độ lợi thông tin (Information Gain - IG), Tỷ suất lợi ích (Gain Ratio - GR) và Hệ số tương quan (Correlation Attribute - CA), luận án đề xuất hai thuật toán:
    • Thuật toán mBFE (Modified Backward Feature Elimination): Bắt đầu từ không gian toàn thể thuộc tính, sử dụng giá trị đo lường thông tin để loại bỏ tuần tự các thuộc tính có đóng góp phân biệt thấp nhất cho từng lớp tấn công cụ thể.
    • Thuật toán mFFC (Modified Forward Feature Construction): Bắt đầu từ tập rỗng, kết nạp có chọn lọc các thuộc tính có độ phụ thuộc cao nhất vào nhãn lớp.
  2. Phát triển khung lý thuyết cân bằng dữ liệu đa tầng (Multi-tier Data Balancing Framework): Luận án mở rộng cơ chế Cluster SMOTE và liên kết Tomek bằng cách xác định tỷ lệ mất cân bằng cục bộ (Imbalance Ratio - $IR = \frac{\text{Số bản ghi thiểu số trong cụm}}{\text{Số bản ghi đa số trong cụm}}$). Chỉ thực hiện sinh mẫu nhân tạo trong các cụm có $IR > 1$, sau đó dùng Tomek Links để loại bỏ các cặp mẫu đối lập nằm sát ranh giới quyết định, giúp triệt tiêu hiện tượng "nhiễu biên" trong không gian đặc trưng.
  3. Định hình mô hình phân lớp lai thích ứng (Attack-Centric Hybrid Classification Paradigm): Luận án chuyển dịch mô thức từ việc sử dụng một mô hình phân lớp đa lớp tĩnh (static multiclass model) sang cấu trúc phân lớp động, trong đó mỗi họ tấn công được phân tích bởi một đường ống (pipeline) tối ưu riêng biệt: [Thuộc tính đặc trưng mBFE/mFFC] -> [Cân bằng mẫu thích ứng] -> [Bộ phân lớp phối hợp tối ưu (Bagging/Boosting/Stacking/Decorate/Voting)].

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp chặt chẽ bốn trụ cột lý thuyết: Lý thuyết thông tin Shannon, Lý thuyết học máy phối hợp Breiman-Wolpert, Lý thuyết lấy mẫu ranh giới Chawla, và Mô hình cấu trúc lưu lượng mạng UNSW-NB15.

+-----------------------------------------------------------------------------------+
|               TẬP DỮ LIỆU LƯU LƯỢNG MẠNG GỐC (UNSW-NB15: 49 THUỘC TÍNH)           |
+-----------------------------------------+-----------------------------------------+
                                          |
                                          v
+-----------------------------------------------------------------------------------+
| GIAI ĐOẠN 1: TỐI ƯU HÓA KHÔNG GIAN ĐẶC TRƯNG (FEATURE SELECTION)                  |
| - Thuật toán mBFE & mFFC kết hợp độ đo thông tin:                                 |
|   * Information Gain (IG): Dành cho Worms, Fuzzers, Generic                       |
|   * Gain Ratio (GR): Dành cho Shellcode                                           |
|   * Correlation Attribute (CA): Dành cho Backdoor, Analysis, Recce, DoS, Exploits   |
+-----------------------------------------+-----------------------------------------+
                                          |
                                          v
+-----------------------------------------------------------------------------------+
| GIAI ĐOẠN 2: TỐI ƯU HÓA KHÔNG GIAN MẪU (RESAMPLING ENGINE)                        |
| - Tăng mẫu thích ứng: Cluster SMOTE (IR > 1), Borderline-SMOTE, ADASYN            |
| - Giảm mẫu & Làm sạch ranh giới: Tomek Links loại bỏ các cặp mẫu chồng lấn       |
+-----------------------------------------+-----------------------------------------+
                                          |
                                          v
+-----------------------------------------------------------------------------------+
| GIAI ĐOẠN 3: KIẾN TRÚC PHÂN LỚP PHỐI HỢP TỰ THÍCH ỨNG (ENSEMBLE CLASSIFIERS)     |
| - Phối hợp đồng nhất: Bagging, AdaBoost, Decorate, Random Forest (Base: DT/PART)   |
| - Phối hợp không đồng nhất: Meta-Stacking, Weighted Rigged Majority Voting (WRMV) |
| - Bộ phân lớp lai (Hybrid Model): Điều phối chuyên biệt cho 9 loại tấn công       |
+-----------------------------------------+-----------------------------------------+
                                          |
                                          v
+-----------------------------------------------------------------------------------+
| GIAI ĐOẠN 4: ĐÁNH GIÁ ĐA CHIỀU (EVALUATION METRICS)                               |
| - F-Measure (F1-Score), G-Means, ROC-AUC, Accuracy, TPR (Recall), FPR (FAR)       |
+-----------------------------------------------------------------------------------+

Điều kiện biên (Boundary Conditions) của khung phân tích được xác định rõ: Khung mô hình vận hành trên dữ liệu lưu lượng mạng dựa trên luồng (flow-based network traffic), phân tích các thuộc tính thống kê trích xuất từ phần đầu (header) và nội dung gói tin (payload), áp dụng cho bài toán phân lớp có giám sát (Supervised Learning).

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ nghiêm ngặt thế giới quan thực chứng (Positivism Paradigm) với phương pháp tiếp cận định lượng thực nghiệm (Quantitative Experimental Methodology). Bản chất của nghiên cứu là suy diễn logic và kiểm định thực nghiệm khách quan thông qua việc thiết lập các đối chứng thống kê đa tầng.

Thiết kế thực nghiệm được tổ chức theo cấu trúc 4 cấp độ:

  • Cấp độ 1 (Feature Space Optimization): So sánh hiệu năng của không gian thuộc tính gốc (49 thuộc tính) với các tập con tối ưu sinh bởi mBFE và mFFC kết hợp IG, GR, CA.
  • Cấp độ 2 (Sample Space Balancing): Kiểm định hiệu quả của các kỹ thuật tăng mẫu đơn lẻ (SMOTE, Cluster SMOTE, ADASYN, Borderline-SMOTE), giảm mẫu (Tomek Links), và kỹ thuật phối hợp tăng-giảm mẫu kết hợp lựa chọn thuộc tính.
  • Cấp độ 3 (Algorithm Hypothesis Testing): Đánh giá tương quan chéo giữa các bộ phân lớp đơn lẻ (k-NN, Naive Bayes, Decision Tree C4.5/J48, SVM, Random Tree, MLP) và các bộ phân lớp phối hợp đồng nhất (Bagging, AdaBoost, Decorate, Random Forest) cùng phối hợp không đồng nhất (Voting, Stacking).
  • Cấp độ 4 (Hybrid Integration): Tích hợp toàn diện các thành phần tối ưu thành mô hình phân lớp lai hoàn chỉnh để đối chiếu với các công trình chuẩn quốc tế.

Quy trình nghiên cứu rigorous

Quy trình thực nghiệm được chuẩn hóa qua các bước khắt khe nhằm đảm bảo tính tái lập (Reproducibility), độ giá trị cấu trúc (Construct Validity), độ giá trị nội tại (Internal Validity) và độ tin cậy thống kê:

  1. Tiền xử lý và chuẩn hóa dữ liệu: Chuyển đổi định dạng thuộc tính định danh (Nominal) thành dạng số học phù hợp, chuẩn hóa các giá trị thuộc tính số thực (Float) và số nguyên (Integer) nhằm loại bỏ độ lệch thang đo.
  2. Lựa chọn thuộc tính thích ứng:
    • Tính toán giá trị đo lường thông tin cho 42 thuộc tính độc lập (sau khi loại trừ 5 thuộc tính định danh mạng srcip, sport, dstip, dsport, proto và 2 thuộc tính nhãn attack_cat, label).
    • Thực thi thuật toán mBFE và mFFC lặp qua từng kiểu tấn công, sử dụng bộ phân lớp cơ sở để đánh giá tập con thuộc tính có F-Measure cực đại.
  3. Cân bằng dữ liệu và làm sạch ranh giới:
    • Phân cụm $K$-means ($k=3$) để tính chỉ số $IR$. Áp dụng SMOTE nội suy mẫu trong các cụm thiểu số.
    • Nhận diện và loại bỏ các liên kết Tomek: Cho hai mẫu $x_i, x_j$ thuộc hai lớp khác nhau, nếu khoảng cách Euclidean $d(x_i, x_j) < d(x_i, x_k)$ và $d(x_i, x_j) < d(x_j, x_k)$ với mọi mẫu $x_k$, cặp $(x_i, x_j)$ tạo thành một liên kết Tomek và mẫu thuộc lớp đa số sẽ bị loại bỏ.
  4. Kiểm định chéo và phân tách tập dữ liệu: Áp dụng phương pháp kiểm định chéo 10 nếp (10-fold Cross-Validation) kết hợp kiểm định độc lập trên tập kiểm tra tách biệt (Hold-out Test Set) chuẩn của UNSW-NB15 để loại bỏ hoàn toàn nguy cơ rò rỉ dữ liệu (Data Leakage).

Data và phân tích

Nghiên cứu sử dụng tập dữ liệu chuẩn quốc tế UNSW-NB15, được trích xuất tại phòng thí nghiệm Cyber Range của Trung tâm An ninh mạng Úc (ACCS) bằng công cụ phần cứng chuyên dụng IXIA PerfectStorm. Tập dữ liệu phản ánh toàn diện lưu lượng mạng thực tế kết hợp các cuộc tấn công tổng hợp hiện đại.

Cơ cấu phân bổ dữ liệu chi tiết giữa tập huấn luyện (Training Set) và tập kiểm tra (Testing Set) được thống kê chính xác:

Loại tấn công / Lưu lượng Số bản ghi (Tập kiểm tra) Tỷ lệ (%) Số bản ghi (Tập huấn luyện) Tỷ lệ (%)
Normal (Bình thường) 56.000 31,94% 37.000 44,94%
Generic 40.000 22,81% 18.871 22,92%
Exploits 33.393 19,04% 11.132 13,52%
Fuzzers 18.184 10,37% 6.062 7,36%
DoS 12.264 6,99% 4.089 4,97%
Reconnaissance (Recce) 10.491 5,98% 3.496 4,25%
Analysis 2.000 1,14% 677 0,82%
Backdoor 1.746 1,00% 583 0,71%
Shellcode 1.133 0,65% 378 0,46%
Worms 130 0,07% 44 0,05%
Tổng cộng 175.341 100,00% 82.332 100,00%

Hệ thống chỉ số đánh giá được tính toán dựa trên ma trận nhầm lẫn (Confusion Matrix): $$\text{Accuracy} = \frac{TP + TN}{TP + FP + TN + FN}$$ $$\text{Sensitivity (Recall/TPR)} = \frac{TP}{TP + FN}, \quad \text{Specificity (TNR)} = \frac{TN}{TN + FP}$$ $$\text{Precision} = \frac{TP}{TP + FP}, \quad \text{False Positive Rate (FPR)} = \frac{FP}{TN + FP} = 1 - \text{Specificity}$$ $$\text{F-Measure (F1-Score)} = \frac{2 \times \text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}}$$ $$\text{G-Means} = \sqrt{\text{Sensitivity} \times \text{Specificity}}$$

Luận án khẳng định trong môi trường NIDS, khi lớp tấn công (Dương tính) đóng vai trò quyết định và chi phí thiệt hại của cảnh báo giả âm tính (FN) tương đương hoặc lớn hơn dương tính giả (FP), chỉ số F-Measure và G-Means là thước đo chuẩn xác và khách quan nhất để tối ưu hóa mô hình, khắc phục hoàn toàn hiện tượng "ảo tưởng độ chính xác" (Accuracy Paradox) của chỉ số Accuracy trên tập dữ liệu mất cân bằng.

Toàn bộ các quy trình tính toán, lựa chọn thuộc tính, sinh mẫu tổng hợp và huấn luyện mô hình phối hợp được thực thi trên môi trường Weka kết hợp các công cụ phân tích dữ liệu chuyên dụng.

Phát hiện đột phá và implications

Những phát hiện then chốt

Quá trình thực nghiệm công phu đã dẫn đến 5 phát hiện mang tính đột phá về mặt khoa học:

  1. Đặc thù hóa không gian thuộc tính theo từng kiểu tấn công: Thực nghiệm chứng minh rằng các kiểu tấn công khác nhau phản ánh dấu hiệu trên các tập thuộc tính hoàn toàn khác nhau. Cụ thể:
    • Thuật toán mBFE kết hợp Information Gain (mBFE-IG) tối ưu nhất cho tấn công Worms (giảm từ 42 xuống còn 10 thuộc tính cốt lõi), Fuzzers và Generic.
    • Thuật toán mBFE kết hợp Gain Ratio (mBFE-GR) đạt hiệu năng cao nhất cho Shellcode.
    • Thuật toán mBFE kết hợp Correlation Attribute (mBFE-CA) tối ưu hóa vượt bậc cho Backdoor, Analysis, Recce, DoS và Exploits. Việc tinh lọc thuộc tính giúp chỉ số F-Measure tăng đáng kể đồng thời giảm hơn 65% thời gian huấn luyện mô hình.
  2. Hiệu quả vượt bậc của cơ chế lấy mẫu kết hợp Tomek Links: Đối với các lớp tấn công siêu hiếm như Worms (chỉ có 44 mẫu huấn luyện, chiếm 0,05%) và Shellcode (378 mẫu, chiếm 0,46%), việc áp dụng Cluster SMOTE kết hợp loại bỏ liên kết Tomek giúp nâng vọt chỉ số F-Measure từ mức dưới 0,45 lên trên 0,85, triệt tiêu hoàn toàn sự thiên vị phân lớp của thuật toán.
  3. Sự vượt trội của các kỹ thuật phối hợp đa dạng: Các kỹ thuật học máy phối hợp đồng nhất (đặc biệt là Decorate và Random Forest) và không đồng nhất (Mix Stacking với Meta-Classifier và Weighted Rigged Majority Voting - WRMV) luôn đạt F-Measure và Accuracy cao hơn từ 3,5% đến 18,2% so với bất kỳ bộ phân lớp đơn lẻ nào (như J48, SVM, NB, KNN). Thuật toán Decorate đặc biệt phát huy sức mạnh vượt trội khi kích thước tập huấn luyện của lớp thiểu số bị hạn chế nhờ khả năng tạo mẫu nhân tạo đối lập.
  4. Xác lập cấu hình tối ưu cho 9 lớp tấn công: Luận án đã tìm ra "công thức vàng" (optimal pipeline) cho từng loại hình tấn công trong không gian mạng:
    • Worms: mBFE-IG + Cluster SMOTE/Tomek Links + Bagging (J48).
    • Shellcode: mBFE-GR + SMOTE/Tomek Links + Decorate (RandomTree).
    • Backdoor & Analysis: mBFE-CA + Resampling thích ứng + Stacking / WRMV.
    • DoS & Exploits: mBFE-CA + Tomek Links + Random Forest / Boosting.
    • Generic & Fuzzers: mBFE-IG + Resampling + Decorate / Mix Stacking.
  5. Mô hình phân lớp lai (Proposed Hybrid NIDS Model) phá vỡ giới hạn hiệu năng: Khi tích hợp các đường ống tối ưu thành bộ phân lớp lai, hệ thống đạt độ chính xác tổng thể (Accuracy) và độ nhạy (Sensitivity/TPR) vượt trội hoàn toàn so với các nghiên cứu công bố gần đây trên tập dữ liệu UNSW-NB15, thiết lập một chuẩn mực hiệu năng mới cho các hệ thống phát hiện xâm nhập mạng.

Implications đa chiều

  • Về mặt học thuật và lý thuyết: Kết quả nghiên cứu khẳng định tính đúng đắn của việc kết hợp lý thuyết đo lường thông tin với lý thuyết học máy phối hợp. Công trình mở ra hướng nghiên cứu mới về việc "may đo" (customization) cấu trúc mô hình học máy theo từng vector tấn công thay vì tìm kiếm một mô hình tổng quát duy nhất.
  • Về mặt phương pháp luận: Quy trình tích hợp 2 giai đoạn tiền xử lý (Lọc thuộc tính mBFE/mFFC $\rightarrow$ Cân bằng dữ liệu Cluster SMOTE + Tomek Links) cung cấp một chuẩn phương pháp luận chặt chẽ, có thể chuyển giao áp dụng trực tiếp cho các bài toán phân loại dữ liệu mất cân bằng và nhiều chiều trong các lĩnh vực khác như chẩn đoán y khoa, phát hiện gian lận tài chính và giám sát an toàn công nghiệp.
  • Về mặt ứng dụng thực tiễn: Mô hình đề xuất cung cấp giải pháp kỹ thuật cụ thể giúp các kỹ sư an toàn thông tin tại Trung tâm điều hành an ninh mạng (SOC) giảm tải áp lực xử lý báo động giả, tự động hóa phát hiện các cuộc tấn công nguy hiểm trong thời gian ngắn nhất.
  • Về mặt chính sách và an ninh quốc gia: Nghiên cứu đóng góp cơ sở khoa học để xây dựng các giải pháp tự chủ công nghệ phòng thủ không gian mạng, bảo vệ cơ sở hạ tầng thông tin trọng yếu quốc gia trước các chiến dịch tấn công có chủ đích (APT) và tấn công mã độc lây lan diện rộng.

Limitations và Future Research

Nhìn nhận một cách khách quan và khoa học, luận án chỉ rõ các hạn chế nội tại:

  1. Độ phức tạp tính toán và thời gian huấn luyện: Các mô hình phối hợp phức tạp (như Stacking nhiều tầng hoặc Decorate với số vòng lặp lớn) đòi hỏi thời gian huấn luyện ban đầu đáng kể, tạo ra thách thức nhất định khi triển khai trong môi trường yêu cầu cập nhật mô hình liên tục (continuous online learning).
  2. Ranh giới thử nghiệm trên dữ liệu tĩnh: Nghiên cứu mới dừng lại ở việc kiểm thử thực nghiệm trên tập dữ liệu chuẩn đóng gói sẵn (UNSW-NB15) được mô phỏng qua luồng mạng IXIA, chưa triển khai thử nghiệm trực tiếp trên đường truyền mạng thực tế với tốc độ đa Gigabit/giây theo thời gian thực (Real-time wire-speed inspection).
  3. Vấn đề tối ưu hóa siêu tham số (Hyperparameter Optimization): Các tham số của mô hình học máy và thuật toán tiền xử lý (như số cụm $k$, số láng giềng gần nhất trong SMOTE, kích thước tập hợp trong Decorate) chủ yếu được tinh chỉnh qua thực nghiệm kinh nghiệm mà chưa được tối ưu hóa tự động hoàn toàn bằng các thuật toán tiến hóa (như Genetic Algorithm - GA, Particle Swarm Optimization - PSO).

Chương trình nghiên cứu 10 năm tiếp theo (10-Year Research Agenda) được vạch ra với các định hướng đột phá:

  • Hướng 1: Kiến trúc xử lý song song và phân tán: Tích hợp các thuật toán tiền xử lý mBFE, Cluster SMOTE và mô hình phối hợp lai lên nền tảng tính toán phân tán (Apache Spark, Flink hoặc GPU/FPGA Acceleration) để đáp ứng yêu cầu xử lý luồng dữ liệu lớn với độ trễ tính bằng mili-giây.
  • Hướng 2: Học máy phối hợp thích ứng trực tuyến (Online Continual Ensemble Learning): Phát triển cơ chế tự động cập nhật trọng số của các bộ phân lớp thành phần khi phát hiện sự dịch chuyển phân phối dữ liệu mạng (Concept Drift) và các biến thể tấn công zero-day mới.
  • Hướng 3: Kết hợp Học sâu (Deep Learning) và Học máy phối hợp (Deep Hybrid Ensembles): Tích hợp mạng nơ-ron học sâu trích xuất đặc trưng thời gian (LSTM, Transformer/Self-Attention) với các bộ phân lớp phối hợp cây quyết định (Decorate, RF) để nhận diện tấn công có độ trễ dài.
  • Hướng 4: Giải thích mô hình an ninh mạng (Explainable AI - XAI for NIDS): Ứng dụng các kỹ thuật SHAP (SHapley Additive exPlanations) và LIME để minh bạch hóa lý do đưa ra cảnh báo xâm nhập của mô hình lai, hỗ trợ chuyên gia an ninh mạng phản ứng chính xác.

Tác động và ảnh hưởng

  • Tác động học thuật (Academic Impact): Luận án tạo ra bước tiến quan trọng trong lĩnh vực khoa học máy tính ứng dụng vào an ninh mạng, cung cấp tài liệu tham khảo giá trị cho các nghiên cứu tiếp theo về xử lý dữ liệu mất cân bằng và phân lớp phối hợp. Các bài báo khoa học xuất bản từ luận án là minh chứng vững chắc cho độ tin cậy và tầm ảnh hưởng học thuật của công trình.
  • Chuyển đổi công nghiệp an ninh mạng (Industry Transformation): Các doanh nghiệp viễn thông, ngân hàng thương mại và các nhà cung cấp dịch vụ đám mây có thể ứng dụng trực tiếp thuật toán mBFE và khung phân lớp lai vào hệ thống tường lửa thế hệ mới (NGFW), thiết bị phòng chống xâm nhập (IPS) và nền tảng SIEM/SOAR để nâng cao tỷ lệ phát hiện tấn công nội bộ lẫn tấn công từ xa.
  • Ảnh hưởng chính sách và an ninh số (Policy & Defense Relevance): Cung cấp bằng chứng thực nghiệm vững chắc cho các cơ quan quản lý nhà nước về an toàn thông tin trong việc ban hành tiêu chuẩn đánh giá, kiểm thử chất lượng các hệ thống giám sát an ninh mạng quốc gia.
  • Lợi ích kinh tế - xã hội: Giảm thiểu thiệt hại tài chính do gián đoạn dịch vụ mạng (DoS), thất thoát dữ liệu nhạy cảm do Backdoor và mã độc tống tiền (Ransomware), góp phần xây dựng môi trường số an toàn, lành mạnh cho quá trình chuyển đổi số quốc gia.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giới học thuật (Doctoral Researchers & Academics): Tiếp cận một khung phương pháp luận hoàn chỉnh về tối ưu hóa không gian thuộc tính, kỹ thuật cân bằng dữ liệu nâng cao và cơ chế phối hợp mô hình; kế thừa các phát hiện nghiên cứu để mở rộng sang các không gian mạng IoT, mạng 5G/6G và điện toán biên (Edge Computing).
  • Kỹ sư R&D và Chuyên gia An toàn thông tin (Industry R&D & Cyber Engineers): Sở hữu các thuật toán cụ thể (mBFE, mFFC, WRMV) với mã giả rõ ràng, có thể đóng gói trực tiếp thành các module tiền xử lý và phát hiện mã độc trong các sản phẩm phần mềm thương mại.
  • Trung tâm điều hành an ninh mạng (SOC/CERT): Nâng cao hiệu suất làm việc của chuyên viên phân tích nhờ giảm thiểu tới mức tối đa các cảnh báo giả (False Alarms), tập trung nguồn lực xử lý các mối đe dọa thực sự nguy cấp.
  • Nhà hoạch định chính sách an ninh mạng: Có căn cứ khoa học chuẩn xác để xây dựng các khung kiến trúc giám sát và bảo đảm an toàn thông tin đồng bộ cho các cơ quan chính phủ và doanh nghiệp trọng yếu.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào? Trả lời: Đóng góp lý thuyết độc đáo nhất là việc xác lập "Mô hình phân lớp thích ứng theo dấu hiệu tấn công cục bộ" (Attack-Specific Adaptive Classification Paradigm), mở rộng trực tiếp Lý thuyết học máy phối hợp (Ensemble Learning Theory) của Breiman (2001) và Wolpert (1992). Luận án chứng minh sự bác bỏ quan điểm truyền thống cho rằng một không gian thuộc tính tĩnh và một mô hình học máy duy nhất có thể phân loại tối ưu mọi dạng tấn công. Thay vào đó, luận án thiết lập nguyên lý ánh xạ đơn cấu hình: mỗi họ tấn công sở hữu một không gian thuộc tính tối ưu riêng biệt (được trích xuất qua các độ đo thông tin tương thích IG, GR, CA) và yêu cầu một cơ chế phối hợp học máy đặc thù (Decorate cho dữ liệu hiếm, Random Forest/Stacking cho dữ liệu phức tạp).

2. Đổi mới phương pháp luận của luận án thể hiện thế nào khi so sánh với ít nhất 2 nghiên cứu quốc tế trước đó? Trả lời:

  • So với nghiên cứu nền tảng của Moustafa và Slay (2015, 2016) khi công bố tập dữ liệu UNSW-NB15 chỉ áp dụng các bộ phân lớp đơn lẻ (NB, SVM, DT, ANN) trên toàn bộ 42 thuộc tính dẫn đến độ chính xác hạn chế trên các lớp thiểu số, luận án đã đổi mới bằng quy trình tiền xử lý 2 giai đoạn (mBFE/mFFC kết hợp Cluster SMOTE + Tomek Links), giúp tăng vọt chỉ số F-Measure của lớp Worms và Shellcode lên gấp hơn 2 lần.
  • So với nghiên cứu của Tama và Rhee (2019) sử dụng mô hình học máy phối hợp tĩnh dựa trên việc kết hợp đa số biểu quyết (Majority Voting) trên tập thuộc tính rút gọn chung, luận án đã phát triển thuật toán mBFE cải tiến linh hoạt và xây dựng kiến trúc phân lớp lai (Hybrid Model) với cơ chế biểu quyết có trọng số hiệu chỉnh (WRMV) và Meta-Stacking, đạt độ nhạy (Sensitivity) và độ chính xác tổng thể cao hơn rõ rệt.

3. Phát hiện bất ngờ nhất trong quá trình thực nghiệm có sự hỗ trợ của dữ liệu là gì? Trả lời: Phát hiện bất ngờ nhất là thuật toán Decorate (vốn ít được ứng dụng phổ biến hơn Bagging hay Boosting) lại thể hiện hiệu năng phân loại vượt trội áp đảo trên các tập dữ liệu tấn công có kích thước cực nhỏ như Shellcode (378 mẫu huấn luyện) và Generic. Về mặt lý thuyết dữ liệu, khi số lượng mẫu huấn luyện quá ít, kỹ thuật Bagging và Boosting bị hạn chế nghiêm trọng về tính đa dạng của không gian giả thuyết. Ngược lại, thuật toán Decorate thông qua việc chủ động sinh ra các mẫu nhân tạo từ phân phối dữ liệu gốc và gán nhãn đối lập nghịch đảo với dự báo của tập hợp hiện tại đã tạo ra sự đa dạng tối đa cho các bộ phân lớp cơ sở, giúp mô hình nhận diện chính xác các biên tấn công mỏng mà không bị rơi vào bẫy quá khớp.

4. Luận án có cung cấp quy trình tái lập thực nghiệm (Replication Protocol) hoàn chỉnh không? Trả lời: Luận án cung cấp đầy đủ và chi tiết toàn bộ quy trình tái lập thực nghiệm, bao gồm: Mã giả chi tiết của 8 thuật toán cốt lõi (Thuật toán Focus, ABB, LVF, SMOTE, ADASYN, Borderline-SMOTE, Tomek Links, Decorate, mFFC, mBFE, và các thuật toán kết hợp tăng/giảm mẫu với mFFC/mBFE); Bảng danh mục và thứ tự đánh số 49 thuộc tính chuẩn của tập dữ liệu UNSW-NB15; Ma trận phân bổ mẫu chi tiết giữa tập huấn luyện (82.332 bản ghi) và tập kiểm tra (175.341 bản ghi); cùng toàn bộ cấu hình tham số thực nghiệm trong môi trường Weka. Bất kỳ nhà nghiên cứu nào cũng có thể tái lập chính xác 100% các kết quả thực nghiệm dựa trên các mô tả này.

5. Luận án đã phác thảo chương trình nghiên cứu 10 năm (10-year research agenda) như thế nào? Trả lời: Luận án định hình chương trình nghiên cứu dài hạn tập trung vào 4 trọng tâm: (1) Tái cấu trúc các thuật toán mBFE và mô hình phân lớp lai trên kiến trúc tính toán song song, phân tán lớn (Big Data Engines như Apache Spark/Flink/GPU) nhằm xử lý luồng mạng thời gian thực với băng thông hàng trăm Gbps; (2) Thiết kế cơ chế học tăng cường và thích ứng trực tuyến (Online Continual Learning) để tự động cập nhật trọng số mô hình khi đối mặt với hiện tượng trôi dạt khái niệm (Concept Drift); (3) Xây dựng mô hình lai sâu (Deep Hybrid Ensemble) tích hợp giữa mạng Transformer/LSTM với cây quyết định; (4) Chuẩn hóa khả năng giải thích của mô hình (Explainable AI - XAI) trong việc hỗ trợ điều tra số (Digital Forensics).

Kết luận

Luận án tiến sĩ của tác giả Hoàng Ngọc Thanh là một công trình nghiên cứu khoa học công phu, nghiêm túc, giải quyết trọn vẹn và triệt để các bài toán cốt lõi trong việc nâng cao chất lượng phân lớp của các Hệ thống phát hiện xâm nhập mạng (NIDS). Tóm lược 5 đóng góp học thuật và thực tiễn nổi bật nhất của luận án bao gồm:

  1. Đề xuất thành công 2 thuật toán lựa chọn thuộc tính cải tiến (mBFE và mFFC) kết hợp linh hoạt với các độ đo lý thuyết thông tin (IG, GR, CA), giúp giảm chiều dữ liệu mạnh mẽ, loại bỏ thuộc tính dư thừa và tối ưu hóa không gian đặc trưng cho từng loại hình tấn công mạng.
  2. Cải tiến toàn diện quy trình lấy mẫu lại dữ liệu đa tầng, kết hợp giữa tăng mẫu thông minh (Cluster SMOTE, Borderline-SMOTE, ADASYN) và giảm mẫu làm sạch ranh giới quyết định (Tomek Links), giải quyết triệt để bài toán mất cân bằng lớp nghiêm trọng đối với các dòng tấn công nguy hiểm hiếm gặp.
  3. Khám phá và xác lập cấu hình phân lớp phối hợp tối ưu (cả đồng nhất như Decorate, Bagging, Random Forest và không đồng nhất như Meta-Stacking, WRMV) cho từng họ tấn công cụ thể trong không gian lưu lượng mạng hiện đại.
  4. Xây dựng hoàn chỉnh Mô hình phân lớp lai (Proposed Hybrid Classifier Architecture), đạt các chỉ số F-Measure, Accuracy và Sensitivity vượt trội so với các công trình nghiên cứu quốc tế đương đại trên tập dữ liệu chuẩn UNSW-NB15.
  5. Mở ra 3 hướng nghiên cứu mới đầy tiềm năng cho cộng đồng học thuật an ninh mạng: Hệ thống IDS phân tán xử lý song song trên luồng dữ liệu lớn; Học máy phối hợp thích ứng trực tuyến chống biến thể zero-day; và Trí tuệ nhân tạo có thể giải thích (XAI) trong phòng thủ an ninh mạng.

Công trình không chỉ mang lại giá trị lý thuyết sâu sắc cho chuyên ngành Khoa học máy tính mà còn là nền tảng kỹ thuật vững chắc phục vụ đắc lực cho công cuộc đảm bảo an ninh, an toàn không gian mạng quốc gia và chuyển đổi số bền vững.