Bối cảnh và vấn đề nghiên cứu

Trong lĩnh vực an toàn thông tin, các hệ thống phát hiện xâm nhập mạng (NIDS) ứng dụng học máy (Machine Learning - ML) và học sâu (Deep Learning - DL) đang ngày càng được triển khai rộng rãi nhằm phân tích lưu lượng và nhận diện hành vi độc hại. Tuy nhiên, các mô hình mạng nơ-ron sâu bộc lộ điểm yếu bảo mật nghiêm trọng trước các cuộc tấn công trốn tránh (evasion attacks) sử dụng mẫu đối kháng (adversarial examples). Kẻ tấn công có thể chèn các nhiễu loạn nhỏ nhưng tinh vi vào các đặc trưng lưu lượng mạng, khiến mô hình phân loại sai mà vẫn giữ nguyên bản chất hoạt động độc hại. Đáng chú ý, các mẫu đối kháng sở hữu tính chuyển giao (transferability): một mẫu được sinh ra nhằm đánh lừa một mô hình cụ thể vẫn có khả năng qua mặt các mô hình khác chưa từng tiếp xúc với tỷ lệ thành công đáng kể. Điều này cho phép thực hiện các cuộc tấn công hộp đen (black-box attacks) vào các hệ thống NIDS đang vận hành mà không cần truy vấn trực tiếp vào mô hình mục tiêu.

Mục tiêu và nhiệm vụ nghiên cứu của đề tài được xác định theo các nội dung cụ thể:

  1. Tìm hiểu các phương pháp tạo mẫu đối kháng hiện nay và phân tích các yếu tố ảnh hưởng đến khả năng tấn công chuyển giao thành công (bao gồm kiến trúc mô hình, độ chính xác, kích thước mô hình và độ không trơn tru của bề mặt hàm mất mát).
  2. Nghiên cứu phương pháp xử lý dữ liệu lưu lượng mạng dạng bảng (tabular) thành dữ liệu dạng ảnh và đánh giá khả năng phát hiện mẫu đối kháng của các mô hình Mạng nơ-ron tích chập (CNN).
  3. Đề xuất và xây dựng mô hình phát hiện mẫu đối kháng dựa trên nhóm các bộ phân loại mô hình chéo đột biến kết hợp chỉ số Tỷ lệ đảo ngược dự đoán (Prediction Inversion Rate - PIR).
  4. Đánh giá các yếu tố ảnh hưởng đến tỷ lệ tấn công thành công của mẫu đối kháng dựa trên độ chính xác (Accuracy), độ thu hồi (Recall), độ chuẩn xác (Precision), F1-score và thời gian phát hiện trung bình.
  5. Đánh giá và so sánh hiệu suất phát hiện xâm nhập nhị phân (binary) và đa lớp (multiclass) giữa các mô hình CNN xử lý dữ liệu ảnh, các mô hình học máy truyền thống và hệ thống đề xuất trên tập dữ liệu thực nghiệm.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Các mô hình mạng sinh đối kháng (GAN, WCGAN, MalGAN, IDSGAN); các mô hình học sâu và thị giác máy tính (CNN, VGG16, VGG19, Xception, ResNet50, InceptionV3, InceptionResnetV2, AutoEncoder, VAE, CVAE, RNN, LSTM, CNN-LSTM, Stacked-LSTM); các thuật toán học máy phân loại (SVM, Decision Tree, Random Forest, Naive Bayes, kNN, MLP, Logistic Regression, XGBoost); các thư viện phát triển gồm TensorFlow và Scikit-Learn.
  • Phạm vi nghiên cứu: Tập trung vào kỹ thuật sinh mẫu đối kháng bằng WCGAN và các mô hình chuyển giao để tấn công vào các bộ phân loại NIDS; thử nghiệm phương pháp biểu diễn dữ liệu mạng thành ảnh và phát triển giải pháp phòng thủ nhóm mô hình đột biến trên bộ dữ liệu chuẩn NF-CSE-CIC-IDS2018.

Cơ sở lý thuyết và phương pháp

Khóa luận xây dựng trên nền tảng lý thuyết về hệ thống phát hiện xâm nhập, các kỹ thuật học máy, học sâu và lý thuyết sinh đối kháng:

  • Khung lý thuyết hệ thống IDS: Phân loại theo nguồn dữ liệu (NIDS, HIDS, Hybrid IDS) và phương pháp phát hiện (Signature-based, Anomaly-based, Specification-based).
  • Lý thuyết Mạng sinh đối kháng (GAN): Cấu trúc chuẩn gồm Bộ sinh (Generator - $G$) và Bộ phân biệt (Discriminator - $D$) vận hành theo trò chơi tổng bằng không với hàm mất mát min-max: $$\min_G \max_D V(D,G) = \mathbb{E}{x \sim p{data}(x)}[\log D(x)] + \mathbb{E}_{z \sim p_z(z)}[\log(1 - D(G(z)))]$$ Khóa luận cũng đi sâu vào các biến thể sinh dữ liệu nâng cao gồm Conditional Wasserstein GAN (WCGAN), Variational AutoEncoder (VAE) với kỹ thuật tái tham số hóa (reparameterization trick) và Conditional VAE (CVAE).
  • Các kiến trúc mạng nơ-ron sâu: Mạng hồi quy chuỗi thời gian (RNN, LSTM với các cổng Input, Forget, Output, Stacked-LSTM), mạng trích xuất không gian kết hợp thời gian (CNN-LSTM) và các mạng tích chập sâu (ResNet50 với khối Residual Block, InceptionV3, InceptionResnetV2, VGG16, VGG19, Xception).

Phương pháp nghiên cứu thực nghiệm được triển khai theo quy trình:

  1. Tiền xử lý và chuyển đổi dữ liệu: Xử lý tập dữ liệu lưu lượng mạng NF-CSE-CIC-IDS2018; thực hiện chuẩn hóa dữ liệu cho các mô hình học máy truyền thống, AE và RNN; chuyển đổi các vector đặc trưng dạng bảng sang định dạng ma trận ảnh 2D để đưa vào các mô hình CNN.
  2. Sinh mẫu tấn công đối kháng: Huấn luyện WCGAN và các mô hình thay thế (CNN, LSTM, Stacked-LSTM, CNN-LSTM, AE, MLP, XGBoost, VGG16-GAN, VGG19-GAN) để tạo các biến thể tấn công mang tính chuyển giao cao.
  3. Thiết kế cơ chế phòng thủ: Xây dựng tập hợp các bộ phân loại đột biến mô hình chéo. Đột biến tham số và cấu trúc giúp phá vỡ sự tương đồng về ranh giới quyết định và tính chuyển giao của mẫu đối kháng. Áp dụng chỉ số PIR (Prediction Inversion Rate) để xác định sự không nhất quán giữa các kết quả dự đoán của các bộ phân loại thành viên, từ đó phát hiện chính xác mẫu tấn công đối kháng.
  4. Nguồn dữ liệu thực nghiệm: Sử dụng bộ dữ liệu NF-CSE-CIC-IDS2018, phiên bản chuẩn hóa dựa trên luồng NetFlow của tập dữ liệu an ninh mạng CSE-CIC-IDS2018.

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương 1 trình bày bối cảnh gia tăng của các cuộc tấn công mạng và rủi ro bảo mật khi ứng dụng mạng nơ-ron sâu trong NIDS trước các mẫu đối kháng. Tác giả phân tích các nghiên cứu liên quan về tính chuyển giao đối kháng (như nghiên cứu của Papernot, Liu, Dong), các công trình ứng dụng học chuyển giao trong phát hiện xâm nhập (Singla, Zhang, Qureshi với kỹ thuật DST-TL) và các phương pháp sinh mẫu tấn công bằng GAN (MalGAN, IDSGAN, mô hình của Muhammad). Tác giả chỉ ra tính không đối xứng của việc chuyển giao đối kháng giữa mô hình sâu và mô hình nông, ảnh hưởng của độ không trơn tru trên bề mặt hàm mất mát, từ đó xác lập mục tiêu, đối tượng, phạm vi nghiên cứu và bố cục của khóa luận.

Chương 2: Kiến thức nền tảng

Chương 2 cung cấp hệ thống lý thuyết nền tảng chi tiết phục vụ cho đề tài:

  • Trình bày kiến trúc và nguyên lý vận hành của các hệ thống IDS, IPS và SIEM; so sánh ưu nhược điểm của NIDS, HIDS và Hybrid IDS; phân biệt các phương pháp phát hiện theo dấu hiệu (Signature-based), bất thường (Anomaly-based) và quy chuẩn (Specification-based).
  • Tổng quan về Machine Learning (học có giám sát, không giám sát, tăng cường) và Deep Learning, phân tích sự khác biệt trong cơ chế tự động trích xuất đặc trưng của học sâu so với việc xây dựng đặc trưng thủ công trong học máy truyền thống.
  • Cấu trúc mạng GAN, chi tiết hoạt động của Bộ sinh, Bộ phân biệt và các hàm mất mát (MSE, MAE, Huber loss, Binary Cross Entropy, Sparse Categorical Cross Entropy, KL Divergence, hàm min-max chuẩn).
  • Phân loại bề mặt tấn công học máy: tấn công tiền xử lý (adversarial preprocessing), đầu độc dữ liệu (poisoning), trốn tránh (evasion), tấn công hộp trắng và tấn công hộp đen thông qua mô hình thay thế cục bộ.
  • Kiến trúc chi tiết của các mô hình học sâu: AutoEncoder (AE), Variational AutoEncoder (VAE), Conditional VAE (CVAE), Mạng nơ-ron hồi quy (RNN), Mạng bộ nhớ ngắn hạn dài (LSTM), Stacked-LSTM, CNN-LSTM, cùng các mạng CNN thị giác máy tính như ResNet50, InceptionV3, InceptionResnetV2, VGG16, VGG19, Xception.

Chương 3: Phương pháp kháng mẫu đối kháng

Chương 3 mô tả giải pháp kỹ thuật do tác giả đề xuất:

  • Phương pháp sinh mẫu đối kháng: Ứng dụng mô hình WCGAN và các mô hình chuyển giao (CNN, LSTM, Stacked-LSTM, CNN-LSTM, AE, MLP, XGBoost, VGG16-GAN, VGG19-GAN) nhằm tạo ra các mẫu tấn công có khả năng né tránh bộ phân loại NIDS.
  • Phương pháp chuyển đổi dữ liệu: Đề xuất quy trình chuyển đổi vector đặc trưng lưu lượng mạng dạng bảng thành cấu trúc dữ liệu ảnh 2D, cho phép khai thác khả năng học đặc trưng không gian của các mạng CNN sâu.
  • Mô hình kháng mẫu đối kháng: Xây dựng nhóm các bộ phân loại mô hình chéo đột biến. Thông qua việc tạo đột biến trên các mô hình phân loại cơ sở, hệ thống loại bỏ ảnh hưởng của khả năng chuyển giao đối kháng và khuếch đại sự sai lệch dự đoán khi có mẫu bất thường.
  • Cơ chế phát hiện bằng PIR: Định nghĩa và thiết lập thuật toán tính Tỷ lệ đảo ngược dự đoán (PIR) dựa trên đầu ra của nhóm bộ phân loại đột biến để nhận diện chính xác các mẫu đối kháng.
  • Thiết kế hệ thống tổng thể: Tích hợp quy trình tiếp nhận dữ liệu, tiền xử lý, chuyển đổi biểu diễn, phân loại qua nhóm mô hình đột biến và kết luận phân loại thông qua ngưỡng PIR.

Chương 4: Kết quả thực nghiệm

Chương 4 trình bày toàn bộ quá trình thử nghiệm và số liệu đánh giá:

  • Thiết lập môi trường thực nghiệm với tập dữ liệu NF-CSE-CIC-IDS2018; phân tích tỷ lệ các loại hình tấn công trước và sau khi tiền xử lý dữ liệu.
  • Minh họa quá trình chuyển đổi dữ liệu bảng sang dữ liệu ảnh cho mẫu lưu lượng bình thường (normal) và các loại tấn công khác nhau; phân tích phân bố của mẫu normal, mẫu tấn công gốc và mẫu đối kháng sinh ra từ WCGAN, CNN, MLP, XGBoost, Stacked-LSTM, LSTM, CNN-LSTM, AE.
  • Đánh giá độ chính xác của mẫu đối kháng khi sử dụng để trốn tránh các hệ thống phát hiện.
  • Đánh giá hiệu suất phân loại đa lớp (multiclass) và nhị phân (binary) của các mô hình CNN, mô hình học sâu và mô hình học máy truyền thống (Accuracy, Precision, Recall, F1-score).
  • Đo lường tỷ lệ tấn công thành công (Attack Success Rate) của các mẫu đối kháng dạng hộp đen lên từng mô hình phân loại.
  • Đánh giá hiệu suất và tỷ lệ Recall của các thuật toán SVM, DT, RF, NB, KNN, MLP, LR trước các cuộc tấn công đối kháng.
  • Đánh giá tỷ lệ PIR trung bình và hiệu suất nhận diện của hệ thống đề xuất theo 2 cấu hình: kết hợp 7 mô hình và kết hợp 61 mô hình.
  • Đo lường và so sánh thời gian phát hiện trung bình (tính bằng giây) giữa các mô hình đơn lẻ và hệ thống đề xuất của tác giả.

Chương 5: Kết luận và hướng phát triển

Chương 5 đúc kết các kết quả đạt được: chứng minh tính hiệu quả của phương pháp chuyển đổi lưu lượng mạng sang ảnh và giải pháp nhóm mô hình phân loại đột biến sử dụng PIR để chống lại tấn công chuyển giao đối kháng. Đồng thời, chương này đề xuất các định hướng nghiên cứu tiếp theo nhằm nâng cao hiệu năng thực thi và mở rộng phạm vi thử nghiệm.

Kết quả và đóng góp

Kết quả thực nghiệm chính

Khóa luận đã thực hiện đo lường toàn diện hiệu suất phân loại và khả năng kháng tấn công đối kháng trên tập dữ liệu NF-CSE-CIC-IDS2018 thông qua các nhóm mô hình khác nhau:

Nhóm mô hình / Giải pháp Nhiệm vụ phân loại Các chỉ số đánh giá chính Khả năng đối phó mẫu đối kháng
Mô hình học máy truyền thống (SVM, DT, RF, NB, KNN, MLP, LR, XGBoost) Phân loại Binary & Multiclass Accuracy, Precision, Recall, F1-score Recall suy giảm rõ rệt khi đối mặt với mẫu đối kháng sinh từ WCGAN, AE, LSTM, CNN.
Mô hình học sâu dạng chuỗi & tích hợp (LSTM, Stacked-LSTM, CNN-LSTM, AE) Phân loại Binary & Multiclass Accuracy, Precision, Recall, F1-score Tỷ lệ tấn công thành công của mẫu đối kháng hộp đen ở mức cao trên các mô hình đơn lẻ.
Mô hình CNN thị giác trên dữ liệu ảnh (CNN, ResNet50, InceptionV3, InceptionResnetV2, VGG16, VGG19, Xception) Phân loại Binary & Multiclass Accuracy, Precision, Recall, F1-score, Thời gian phát hiện Khả năng phát hiện biến thể tấn công cải thiện sau khi chuyển đổi dữ liệu bảng thành ảnh.
Hệ thống đề xuất (kết hợp 7 mô hình) Phân loại Binary Tỷ lệ PIR trung bình, Recall, Thời gian phát hiện Nâng cao tỷ lệ Recall và xác định hiệu quả mẫu đối kháng dựa trên ngưỡng PIR.
Hệ thống đề xuất (kết hợp 61 mô hình) Phân loại Binary Tỷ lệ PIR trung bình, Recall, Thời gian phát hiện Tối ưu hóa khả năng nhận diện mẫu đối kháng chuyển giao; tỷ lệ Recall đạt mức vượt trội so với các mô hình đơn lẻ.

Tác giả cũng thực hiện thống kê thời gian phát hiện trung bình (tính bằng giây) giữa các mô hình học máy gốc và hệ thống tích hợp (7 model và 61 model), cung cấp cơ sở đối chiếu giữa độ chính xác nhận diện và chi phí tính toán thực tế.

Đóng góp của đề tài

  1. Phân tích cơ chế chuyển giao đối kháng: Làm rõ các yếu tố ảnh hưởng đến khả năng tấn công chuyển giao của mẫu đối kháng trên môi trường lưu lượng mạng, bao gồm kiến trúc mô hình, dung lượng tham số và hình thái bề mặt hàm mất mát.
  2. Phương pháp biểu diễn dữ liệu mới: Đề xuất và kiểm chứng kỹ thuật chuyển đổi dữ liệu mạng dạng bảng thành ma trận ảnh 2D, cho phép áp dụng các mạng nơ-ron tích chập sâu và mô hình thị giác máy tính vào bài toán phát hiện xâm nhập.
  3. Kiến trúc phòng thủ nhóm mô hình đột biến: Phát triển phương pháp tạo nhóm các bộ phân loại mô hình chéo đột biến kết hợp chỉ số Tỷ lệ đảo ngược dự đoán (PIR), triệt tiêu tính chuyển giao của mẫu đối kháng và vượt trội hơn các mô hình NIDS đơn lẻ hiện nay trong việc phát hiện lưu lượng bị can thiệp đối kháng.

Hạn chế và hướng nghiên cứu tiếp

Khóa luận nêu rõ các hạn chế và định hướng phát triển dựa trên phạm vi thực nghiệm:

  • Hạn chế:
    • Việc kết hợp số lượng lớn mô hình trong cấu hình 61 model làm gia tăng độ phức tạp tính toán và kéo dài thời gian phát hiện trung bình so với việc sử dụng một mô hình phân loại đơn lẻ.
    • Quá trình thực nghiệm chủ yếu tập trung đánh giá trên bộ dữ liệu NF-CSE-CIC-IDS2018.
  • Hướng nghiên cứu tiếp:
    • Tối ưu hóa thuật toán và cấu trúc của nhóm mô hình đột biến nhằm rút ngắn thời gian xử lý và giảm tiêu tốn tài nguyên hệ thống, hướng tới khả năng triển khai thời gian thực.
    • Mở rộng thử nghiệm hệ thống trên nhiều bộ dữ liệu an ninh mạng khác nhau (như dữ liệu lưu lượng IoT, các cuộc tấn công Zero-day không dán nhãn).
    • Nghiên cứu các chiến lược đột biến mô hình mới nhằm gia tăng độ nhạy phát hiện của chỉ số PIR trước các biến thể tấn công đối kháng phức tạp hơn.

Giá trị tham khảo

Công trình là tài liệu tham khảo có giá trị học thuật và ứng dụng thực tiễn cao:

  • Đối tượng thụ hưởng: Sinh viên, học viên cao học và nghiên cứu sinh chuyên ngành An toàn thông tin, Mạng máy tính và Truyền thông, Khoa học dữ liệu và Trí tuệ nhân tạo.
  • Các nội dung đáng tham khảo:
    • Phương pháp luận chuyển đổi dữ liệu đặc trưng dạng bảng (tabular network traffic) sang dữ liệu dạng ảnh để huấn luyện trên các mạng CNN sâu.
    • Quy trình sinh mẫu tấn công đối kháng bằng WCGAN và các mô hình chuyển giao (transfer attack models).
    • Thuật toán xây dựng nhóm bộ phân loại đột biến và cơ chế tính toán chỉ số PIR ứng dụng trong phòng thủ đối kháng cho hệ thống NIDS.

Câu hỏi thường gặp

1. Tại sao mẫu đối kháng có thể tấn công thành công theo dạng hộp đen vào các hệ thống IDS khác nhau?

Hiện tượng này xuất phát từ tính chuyển giao (transferability) của mẫu đối kháng. Mẫu đối kháng được tạo ra từ một mô hình nguồn (source model) thông qua việc tối ưu hóa các nhiễu loạn nhỏ có thể làm sai lệch ranh giới quyết định của các mô hình đích (target models) chưa từng thấy, do các mô hình cùng học các phân phối đặc trưng tương tự nhau trên tập dữ liệu lưu lượng mạng.

2. Tác giả đã chuyển đổi dữ liệu lưu lượng mạng NF-CSE-CIC-IDS2018 sang định dạng nào để đưa vào mô hình CNN?

Tác giả đã đề xuất phương pháp chuyển đổi dữ liệu lưu lượng mạng từ dạng bảng (tabular features) thành cấu trúc ma trận dữ liệu ảnh 2D. Kỹ thuật này giúp các mô hình CNN sâu (như CNN, ResNet50, InceptionV3, VGG16, VGG19, Xception) có thể tiếp nhận và trích xuất các mẫu không gian của lưu lượng mạng tương tự như xử lý ảnh kỹ thuật số.

3. Chỉ số PIR (Prediction Inversion Rate) đóng vai trò gì trong hệ thống phát hiện của tác giả?

PIR (Tỷ lệ đảo ngược dự đoán) là chỉ số đo lường tỷ lệ không nhất quán trong kết quả dự đoán giữa các bộ phân loại thuộc nhóm mô hình chéo bị đột biến. Khi một mẫu đối kháng được đưa vào, đột biến mô hình sẽ khiến các bộ phân loại đưa ra dự đoán phân tán, làm tăng tỷ lệ PIR và giúp hệ thống nhận biết chính xác mẫu đó là mẫu tấn công đối kháng.

4. Hệ thống phát hiện đề xuất được thử nghiệm với những quy mô cấu hình kết hợp nào?

Hệ thống phòng thủ của tác giả được triển khai và đánh giá thực nghiệm trên hai cấu hình chính: cấu hình tích hợp nhóm 7 mô hình và cấu hình tích hợp nhóm 61 mô hình, sau đó so sánh hiệu suất Recall, tỷ lệ PIR và thời gian phát hiện trung bình với các mô hình đơn lẻ.

5. Bộ dữ liệu nào được sử dụng xuyên suốt quá trình thực nghiệm trong khóa luận?

Tác giả sử dụng bộ dữ liệu chuẩn NF-CSE-CIC-IDS2018 (phiên bản biểu diễn dạng NetFlow của tập dữ liệu CSE-CIC-IDS2018) để thực hiện tiền xử lý, huấn luyện các bộ phân loại, sinh mẫu đối kháng và đánh giá hiệu năng phòng thủ.

Kết luận

Khóa luận tốt nghiệp của tác giả Nguyễn Đăng Châu đã nghiên cứu toàn diện điểm yếu bảo mật của các hệ thống phát hiện xâm nhập mạng dựa trên học máy và học sâu trước nguy cơ tấn công từ mẫu đối kháng. Bằng việc kết hợp phương pháp biểu diễn dữ liệu lưu lượng thành ảnh và đề xuất cơ chế phòng thủ nhóm mô hình đột biến sử dụng chỉ số Tỷ lệ đảo ngược dự đoán (PIR), công trình đã cung cấp một giải pháp hiệu quả để nhận diện các cuộc tấn công đối kháng chuyển giao. Kết quả thử nghiệm trên tập dữ liệu NF-CSE-CIC-IDS2018 khẳng định tính khả thi của mô hình đề xuất, mở ra hướng phát triển quan trọng trong việc nâng cao độ bền vững và khả năng tự vệ cho các hệ thống an ninh mạng hiện đại.