Giới thiệu dự án

Sự bùng nổ của các cuộc tấn công mạng quy mô lớn cùng lưu lượng dữ liệu phân tán phức tạp đặt ra yêu cầu cấp thiết về các hệ thống giám sát an ninh thông minh. Theo báo cáo thường niên từ Cybersecurity Ventures và Gartner, các cuộc tấn công mạng nhắm vào hạ tầng trọng yếu tăng hơn 38% mỗi năm, trong đó các kỹ thuật tinh vi liên tục được cải tiến nhằm vô hiệu hóa các hệ thống phát hiện xâm nhập mạng truyền thống (Network Intrusion Detection Systems - NIDS). Để giải quyết vấn đề này, các mô hình Học máy (Machine Learning - ML) và Học sâu (Deep Learning - DL) đã được ứng dụng sâu rộng vào NIDS nhờ khả năng phân loại lưu lượng bất thường với độ chính xác cao mà không phụ thuộc hoàn toàn vào cơ sở dữ liệu chữ ký cố định.

Tuy nhiên, các mô hình học sâu hiện đại lại bộc lộ điểm yếu cốt tử trước các mẫu đối kháng (Adversarial Examples). Bằng cách chèn các nhiễu loạn cực nhỏ (Adversarial Perturbations) nhưng có chủ đích vào các đặc trưng lưu lượng mạng độc hại, kẻ tấn công có thể dễ dàng đánh lừa bộ phân loại, khiến mã độc hoặc lưu lượng khai thác bị nhận diện sai thành lưu lượng bình thường (Normal). Nghiêm trọng hơn, tính chất chuyển giao đối kháng (Adversarial Transferability) cho phép kẻ tấn công thực hiện tấn công hộp đen (Black-box Attack) thành công vào các hệ thống đích mà không cần biết kiến trúc hay trọng số bên trong của mô hình.

Đồ án khóa luận "Nghiên cứu phương pháp cải thiện khả năng kháng mẫu đối kháng cho các trình phát hiện tấn công mạng" của tác giả Nguyễn Đăng Châu (Chuyên ngành An toàn Thông tin, Trường Đại học Công nghệ Thông tin - ĐHQG TP.HCM, hướng dẫn bởi ThS. Đỗ Thị Thu Hiền) tập trung giải quyết bài toán cốt lõi này. Đề tài hướng đến các mục tiêu cụ thể:

  1. Phân tích cơ chế sinh mẫu đối kháng và các yếu tố quyết định khả năng tấn công chuyển giao giữa các kiến trúc mô hình học máy/học sâu khác nhau.
  2. Thiết kế phương pháp biểu diễn dữ liệu mạng dạng bảng (Tabular NetFlow) sang dữ liệu ảnh để tận dụng năng lực phân loại của các mạng nơ-ron tích chập (Convolutional Neural Networks - CNN).
  3. Đề xuất kiến trúc phòng thủ đa mô hình chéo đột biến (Mutated Cross-Model Ensemble) dựa trên Tỷ lệ đảo ngược dự đoán (Prediction Inversion Rate - PIR) nhằm phát hiện và vô hiệu hóa mẫu đối kháng.
  4. Đánh giá thực nghiệm hiệu năng trên tập dữ liệu chuẩn NF-CSE-CIC-IDS2018 qua các chỉ số F1-Score, Accuracy, Recall, Precision và thời gian phát hiện trung bình.

Phạm vi nghiên cứu tập trung vào phân tích tấn công né tránh (Evasion Attack) trên tập dữ liệu luồng mạng chuẩn hóa, thử nghiệm với các kiến trúc sinh WCGAN và 14+ thuật toán phân loại ML/DL khác nhau trong bài toán phân loại nhị phân (Binary) và đa lớp (Multiclass).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các phương pháp NIDS truyền thống chủ yếu dựa trên chữ ký (Signature-based) như Snort, Suricata hoặc dựa trên phân tích bất thường đơn mô hình (Anomaly-based ML). Khi đối mặt với các kỹ thuật sinh mẫu đối kháng hiện đại như FGSM, JSMA hay GAN-based (WCGAN, MalGAN, IDSGAN), các cơ chế phòng thủ hiện tại bộc lộ nhiều lỗ hổng lớn.

Tiêu chí so sánh Signature-based NIDS (Snort/Suricata) Deep Learning NIDS đơn lẻ (LSTM/MLP) Giải pháp đề xuất (Mutated Ensemble + PIR)
Khả năng phát hiện Zero-day Kém (chỉ bắt được mẫu đã biết) Tốt (học được mẫu phi tuyến tính) Rất tốt (kháng được cả biến thể mới)
Độ bền vững trước Adversarial Attack Không áp dụng (không dùng ML) Rất yếu (ASR đạt > 85% với WCGAN) Rất cao (PIR chặn > 92% mẫu đối kháng)
Thời gian xử lý luồng gói tin Rất nhanh (< 1ms) Nhanh (~ 5 - 15ms) Tối ưu hóa cao (~ 12 - 45ms/batch)
Khả năng giải thích và thích ứng Thấp (phụ thuộc cập nhật thủ công) Trung bình (mô hình hộp đen) Cao (dựa trên phân kỳ bất nhất PIR)

Yêu cầu hệ thống theo mô hình MoSCoW:

  • Must have: Pipeline tiền xử lý và chuyển đổi dữ liệu mạng thành ma trận ảnh; module sinh mẫu tấn công đối kháng kiểm chuẩn bằng WCGAN; bộ phân loại đa mô hình tích hợp thuật toán tính PIR.
  • Should have: Đánh giá chi tiết trên cả phân loại Binary và Multiclass; đo lường độ trễ suy luận (Inference Latency).
  • Could have: Tích hợp trực tiếp vào hệ thống SIEM/SOC dưới dạng microservice.
  • Won't have (trong phạm vi đề tài): Triển khai trực tiếp inline chặn gói tin ở tầng kernel phần cứng (FPGA/ASIC).

Thiết kế hệ thống

Kiến trúc giải pháp được thiết kế thành một quy trình khép kín gồm 4 phân hệ chính: Thu thập & Tiền xử lý dữ liệu, Biến đổi biểu diễn không gian (Tabular-to-Image), Nhóm mô hình học máy đột biến chéo, và Khối đánh giá phân kỳ quyết định PIR.

graph TD
    A["Dữ liệu lưu lượng mạng (NF-CSE-CIC-IDS2018)"] --> B["Tiền xử lý & Chuẩn hóa (MinMax Scaler, Imputation)"]
    B --> C1["Nhánh 1: Biểu diễn Dữ liệu Bảng (Vector 1D)"]
    B --> C2["Nhánh 2: Chuyển đổi Dữ liệu Ảnh (Matrix 2D)"]
    
    C1 --> D1["Mô hình ML/DL Truyền thống (SVM, RF, XGBoost, LSTM, MLP)"]
    C2 --> D2["Mô hình CNN Chuyên sâu (VGG16, VGG19, ResNet50, InceptionV3)"]
    
    E["Bộ sinh mẫu đối kháng (WCGAN Generator)"] -.->|Bơm nhiễu đối kháng| C1
    E -.->|Bơm nhiễu đối kháng| C2
    
    D1 --> F["Nhóm phân loại mô hình chéo đột biến (Mutated Ensemble)"]
    D2 --> F
    
    F --> G["Khối tính toán Tỷ lệ Đảo ngược Dự đoán (PIR Engine)"]
    G --> H{"PIR >= Threshold (Tau)?"}
    H -- "Đúng (Inconsistent)" --> I["Cảnh báo: Tấn công Đối kháng (Adversarial Attack)"]
    H -- "Sai (Consistent)" --> J["Kết luận Nhãn: Normal hoặc Attack Gốc"]

Công nghệ sử dụng trong hệ thống:

  • Ngôn ngữ lập trình: Python 3.9+
  • Deep Learning Framework: TensorFlow 2.10.0, Keras 2.10.0, PyTorch 1.12.1
  • Machine Learning & Data Processing: Scikit-Learn 1.1.2, XGBoost 1.6.2, NumPy 1.23.3, Pandas 1.5.0
  • Thư viện tối ưu hóa & trực quan: Matplotlib 3.6.0, Seaborn 0.12.0, SciPy 1.9.1

Methodology

Phương pháp nghiên cứu áp dụng quy trình chuẩn CRISP-DM kết hợp mô hình lặp thực nghiệm:

  • Milestone 1: Phân tích dữ liệu, làm sạch và xử lý mất cân bằng trên tập dữ liệu NF-CSE-CIC-IDS2018.
  • Milestone 2: Xây dựng và tinh chỉnh các mô hình baseline (SVM, Decision Tree, Random Forest, Naive Bayes, kNN, MLP, Logistic Regression, LSTM, Stacked-LSTM, CNN-LSTM, Autoencoder, VAE, CVAE, CNN).
  • Milestone 3: Huấn luyện mạng sinh đối kháng WCGAN (Wasserstein Conditional GAN) và các mô hình thay thế để sinh mẫu tấn công chuyển giao.
  • Milestone 4: Xây dựng cơ chế phòng thủ Ensemble đa mô hình đột biến, lập công thức toán học và kiểm chuẩn chỉ số PIR.

Implementation và kết quả

Development process

Cốt lõi kỹ thuật của giải pháp nằm ở hai thuật toán chính: Thuật toán huấn luyện sinh mẫu đối kháng bằng WCGAN và Thuật toán phát hiện bất thường dựa trên Tỷ lệ đảo ngược dự đoán (PIR).

Dưới đây là đoạn mã giả định và thuật toán thực thi tính toán PIR dựa trên nhóm $M$ mô hình phân loại đã được đột biến:

import numpy as np

def calculate_pir_and_detect(sample_x, mutated_models_pool, baseline_prediction, threshold_tau=0.45):
    """
    Tính toán Prediction Inversion Rate (PIR) cho mẫu đầu vào sample_x.
    
    Args:
        sample_x (np.ndarray): Mẫu lưu lượng mạng đã qua tiền xử lý.
        mutated_models_pool (list): Danh sách các mô hình phân loại đột biến f_i.
        baseline_prediction (int): Kết quả phân loại gốc (0: Normal, 1: Attack).
        threshold_tau (float): Ngưỡng kích hoạt cảnh báo đối kháng.
        
    Returns:
        tuple: (is_adversarial, pir_score, final_label)
    """
    total_models = len(mutated_models_pool)
    inversion_count = 0
    predictions = []
    
    # Thực hiện dự đoán trên toàn bộ nhóm mô hình đột biến
    for model in mutated_models_pool:
        pred = model.predict(sample_x)
        pred_label = int(np.round(pred))
        predictions.append(pred_label)
        
        # Kiểm tra sự đảo ngược dự đoán so với mô hình gốc
        if pred_label != baseline_prediction:
            inversion_count += 1
            
    # Tính toán tỷ lệ PIR
    pir_score = inversion_count / total_models
    
    # Đánh giá bản chất của mẫu đầu vào
    if pir_score >= threshold_tau:
        is_adversarial = True
        final_label = "Adversarial_Attack_Detected"
    else:
        is_adversarial = False
        final_label = "Normal" if baseline_prediction == 0 else "Benign_Attack"
        
    return is_adversarial, pir_score, final_label

Độ phức tạp thuật toán: Quá trình tính PIR có độ phức tạp thời gian là $\mathcal{O}(M \cdot C)$, trong đó $M$ là số lượng mô hình trong nhóm ensemble ($M \in {7, 61}$) và $C$ là chi phí suy luận của một mô hình đơn lẻ. Do các mô hình trong pool có thể chạy song song (Data-Parallel Inference), độ trễ suy luận thực tế được tối ưu hóa ở mức $\mathcal{O}(C_{max})$.

Testing và validation

Nghiên cứu tiến hành thực nghiệm chuyên sâu trên bộ dữ liệu chuẩn NF-CSE-CIC-IDS2018 (phiên bản NetFlow chứa 43 trường đặc trưng sau khi mã hóa và chuẩn hóa). Tập dữ liệu được phân tách theo tỷ lệ 70% Training, 15% Validation và 15% Testing.

Kết quả kiểm thử hiệu suất phân loại nhị phân và đa lớp trên tập dữ liệu gốc khi chưa có tấn công đối kháng:

Mô hình kiểm thử Phân loại Accuracy (%) Precision (%) Recall (%) F1-Score (%)
Decision Tree (DT) Binary 99.12 98.85 99.20 99.02
Random Forest (RF) Binary 99.45 99.30 99.52 99.41
XGBoost Binary 99.58 99.42 99.65 99.53
MLP (Multilayer Perceptron) Binary 97.80 96.90 98.10 97.49
Stacked-LSTM Binary 98.25 97.80 98.40 98.10
ResNet50 (Image representation) Binary 98.90 98.45 99.12 98.78
VGG16 (Image representation) Multiclass 96.72 96.10 96.50 96.30
InceptionV3 (Image representation) Multiclass 97.35 97.02 97.18 97.10

Kết quả đạt được trước tấn công đối kháng

Khi kích hoạt các mẫu đối kháng được sinh từ WCGAN và các mô hình chuyển giao (Transfer Attack), tỷ lệ tấn công thành công (Attack Success Rate - ASR) đối với các mô hình đơn lẻ đạt từ 68.4% đến 94.2%, làm sụt giảm nghiêm trọng chỉ số Recall của hệ thống NIDS thông thường (Recall của SVM giảm xuống 18.2%, MLP giảm xuống 24.5%, Random Forest giảm xuống 31.8%).

Khi triển khai giải pháp đề xuất dựa trên PIR với cấu hình nhóm 7 mô hình và 61 mô hình:

  • Tỷ lệ phát hiện mẫu đối kháng (Adversarial Recall): Đạt 94.6% với hệ thống 7 models và tăng lên 98.2% với hệ thống 61 models.
  • Tỷ lệ báo động giả (False Alarm / FPR): Duy trì ở mức cực thấp < 1.2% trên lưu lượng bình thường.
  • Thời gian xử lý trung bình: Đạt 0.0128 giây/mẫu đối với hệ thống 7 models và 0.0435 giây/mẫu đối với hệ thống 61 models trên phần cứng GPU tiêu chuẩn.

Đổi mới và đóng góp

  1. Cơ chế phát hiện phân kỳ PIR độc bản: Khác với các kỹ thuật phòng thủ truyền thống như Adversarial Training (huấn luyện đối kháng tốn kém tài nguyên và chỉ hiệu quả với các dạng nhiễu đã biết) hay Defensive Distillation (chưng cất phòng thủ dễ bị vượt qua bởi tối ưu hóa bậc hai), phương pháp dựa trên PIR khai thác triệt để tính bất đối xứng và độ nhạy biên quyết định của các mô hình bị đột biến.
  2. Kỹ thuật chuyển đổi NetFlow sang Ma trận Hình ảnh: Đồ án đề xuất phương pháp ánh xạ các đặc trưng luồng mạng có cấu trúc sang ma trận 2D, cho phép áp dụng hiệu quả các mạng nơ-ron tích chập hàng đầu (VGG16, VGG19, ResNet50, InceptionV3, InceptionResNetV2) vào giám sát mạng, tăng khả năng trích xuất tương quan không gian giữa các trường dữ liệu.
  3. Hiệu quả vượt trội so với các công trình công bố:
Giải pháp nghiên cứu Cơ chế chính Recall kháng đối kháng Chi phí Retraining khi có tấn công mới
Idrissi et al. (DST-TL, 2020) Transfer Learning + Autoencoder 81.4% Trung bình (cần fine-tune tầng decoder)
Zhang et al. (Adversarial Training, 2019) Đào tạo đối kháng trên tập mẫu sinh 84.6% Rất cao (huấn luyện lại toàn bộ mạng)
Giải pháp đề xuất (Châu & Hiền, 2023) Mutated Cross-Model + PIR 98.2% Cực thấp (không cần huấn luyện lại toàn bộ)

Ứng dụng thực tế và triển khai

Kịch bản triển khai thực tế

Hệ thống có khả năng tích hợp linh hoạt vào các trung tâm điều hành an ninh mạng (SOC - Security Operations Center) và hệ thống SIEM doanh nghiệp theo mô hình phân tích bất thường thứ cấp (Secondary Deep-Inspection Layer).

flowchart LR
    Traffic["Lưu lượng Mạng (Network Traffic)"] --> Tap["Network TAP / SPAN Port"]
    Tap --> Pre["NetFlow/IPFIX Probe"]
    Pre --> Broker["Kafka Message Bus"]
    Broker --> Engine["PIR Adversarial Detection Engine"]
    Engine --> Alert["SIEM / SOC Dashboard (Splunk, Elastic)"]
    Engine --> IPS["Active Firewall / SDN Controller Block Rule"]

Phân tích khả năng mở rộng và ROI

  • Yêu cầu hạ tầng triển khai:
    • Server tối thiểu: CPU 8 Cores (Intel Xeon / AMD EPYC), 32GB RAM, GPU NVIDIA RTX 3060 12GB VRAM hoặc tương đương.
    • Môi trường: Linux (Ubuntu Server 20.04/22.04 LTS), Docker Container Engine, NVIDIA Container Toolkit.
  • Khả năng mở rộng (Scalability): Nhờ thiết kế theo dạng stateless microservices, hệ thống có thể scale ngang (Horizontal Pod Autoscaling trên Kubernetes) xử lý hàng trăm nghìn luồng kết nối/giây với độ trễ xử lý dưới 50ms.
  • Hiệu quả kinh tế (ROI): Giảm thiểu tới 85% nguy cơ lọt lưới các cuộc tấn công có chủ đích APT sử dụng kỹ thuật che giấu lưu lượng đối kháng, tiết kiệm hàng trăm nghìn USD chi phí khắc phục sự cố dữ liệu cho doanh nghiệp.

Hạn chế và hướng phát triển

Mặc dù đạt được các kết quả thực nghiệm ấn tượng, nghiên cứu vẫn ghi nhận một số hạn chế kỹ thuật:

  • Tài nguyên tính toán của Pool 61 mô hình: Việc duy trì cùng lúc 61 mô hình đột biến đòi hỏi dung lượng bộ nhớ RAM/VRAM đáng kể trong môi trường biên (Edge Devices).
  • Phụ thuộc vào chất lượng dữ liệu NetFlow: Mô hình phụ thuộc vào quá trình trích xuất đặc trưng luồng; việc mất mát gói tin hoặc trễ luồng mạng ở tốc độ cực cao (> 40 Gbps) có thể ảnh hưởng đến ma trận ảnh đầu vào.

Hướng phát triển tương lai:

  1. Áp dụng kỹ thuật lượng tử hóa mô hình (Model Quantization INT8/FP16) và kỹ thuật chưng cất tri thức (Knowledge Distillation) để nén nhóm 61 mô hình thành một kiến trúc gọn nhẹ duy nhất nhưng vẫn bảo toàn tỷ lệ PIR.
  2. Tích hợp trực tiếp với bộ điều khiển mạng định nghĩa bằng phần mềm (SDN Controller) như OpenDaylight hoặc ONOS để tự động cô lập địa chỉ IP nguồn ngay khi phát hiện PIR vượt ngưỡng.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành ATTT/CNTT: Nguồn tài liệu tham khảo chất lượng cao về phương pháp nghiên cứu học máy đối kháng (Adversarial Machine Learning), cung cấp toàn bộ quy trình tiền xử lý, chuyển đổi dữ liệu và đánh giá thực nghiệm.
  • Kỹ sư AI & An toàn thông tin (Security Engineers): Bản thiết kế kiến trúc và mã nguồn tham khảo để tăng cường độ bền vững (Model Robustness) cho các hệ thống IDS/IPS thương mại đang vận hành.
  • Doanh nghiệp & Đơn vị vận hành SOC: Giải pháp nâng cấp phòng thủ trước các mối đe dọa tấn công tinh vi thế hệ mới mà không cần thay thế hạ tầng mạng hiện hữu.
  • Cộng đồng nghiên cứu học thuật: Cung cấp cơ sở lý thuyết và bằng chứng thực nghiệm vững chắc về tính phi đối xứng của khả năng chuyển giao đối kháng và tính khả thi của chỉ số phân kỳ PIR.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật phần cứng tối thiểu để triển khai hệ thống là gì?

Để triển khai thử nghiệm nhóm 7 mô hình, hệ thống cần tối thiểu CPU 4 nhân, 16GB RAM và không bắt buộc GPU (thời gian xử lý ~0.08s/mẫu). Để triển khai sản xuất với nhóm 61 mô hình đạt hiệu năng cao (< 0.045s/mẫu), khuyến nghị sử dụng CPU 8 nhân, 32GB RAM và 1 GPU NVIDIA có từ 8GB VRAM trở lên.

2. Giới hạn mở rộng của hệ thống khi lưu lượng mạng tăng đột biến và cách giải quyết?

Khi lưu lượng vượt quá 100.000 flows/giây, nút phân tích đơn lẻ có thể gặp hiện tượng nghẽn hàng đợi. Giải pháp là đóng gói module tính PIR vào Docker/Kubernetes, kết hợp với hàng đợi phân tán Apache Kafka để cân bằng tải song song trên nhiều worker node.

3. Hệ thống có thể tích hợp với các giải pháp SIEM/NIDS sẵn có như thế nào?

Module PIR Engine xuất dữ liệu cảnh báo theo định dạng chuẩn JSON/Syslog CEF (Common Event Format). Do đó, hệ thống dễ dàng tích hợp trực tiếp vào Splunk, Elastic Security, IBM QRadar hoặc Wazuh thông qua REST API hoặc Logstash pipeline.

4. Chi phí vận hành và bảo trì mô hình định kỳ gồm những gì?

Chi phí vận hành chủ yếu là điện năng và khấu hao phần cứng GPU/Server. Về mặt bảo trì, hệ thống không đòi hỏi đào tạo lại mô hình liên tục hàng ngày; chỉ cần tái chuẩn hóa ngưỡng PIR ($\tau$) mỗi quý một lần dựa trên phân phối lưu lượng mới của mạng doanh nghiệp.

5. Chỉ số PIR khác gì so với phương pháp biểu quyết đa số (Majority Voting Ensemble)?

Majority Voting chỉ lấy nhãn có số phiếu cao nhất để đưa ra quyết định thông thường, do đó nếu mẫu đối kháng có tính chuyển giao cao đánh lừa được đa số mô hình, Majority Voting sẽ thất bại. Ngược lại, PIR đo lường mức độ xáo trộn và bất nhất trong dự đoán của các mô hình bị đột biến có chủ đích; chỉ cần có sự phân kỳ vượt ngưỡng, hệ thống sẽ nhận diện ngay đó là hành vi tấn công đối kháng.

Kết luận

Khóa luận tốt nghiệp của tác giả Nguyễn Đăng Châu đã giải quyết thấu đáo và xuất sắc một trong những bài toán phức tạp nhất của an toàn thông tin hiện đại: nâng cao năng lực bền vững của các hệ thống phát hiện xâm nhập mạng học sâu trước các cuộc tấn công đối kháng tinh vi. Bằng việc kết hợp sáng tạo giữa kỹ thuật chuyển đổi dữ liệu mạng thành hình ảnh cho các mạng CNN và cơ chế phát hiện đa mô hình đột biến dựa trên Tỷ lệ đảo ngược dự đoán (PIR), nghiên cứu đã chứng minh hiệu quả vượt trội với tỷ lệ phát hiện mẫu đối kháng đạt tới 98.2%, bỏ xa các phương pháp phòng thủ thông thường. Đây là bước tiến quan trọng cả về mặt học thuật lẫn ứng dụng thực tiễn, mở ra hướng đi bền vững cho việc triển khai Trí tuệ nhân tạo an toàn trong các hạ tầng số trọng yếu.