Chương 1: Giới thiệu tổng quan về đề tài của Đồ án và những nghiên cứu liên quan. e Chương 2: Trình bay cơ sở lý thuyết và kiến thức nền tang liên quan đến đề tài. e Chương 3: Trình bày mô hình hệ thống network IDS. e Chương 4: Trình bày thực nghiệm và đánh giá.
e Chương 5: Kết luận và hướng phát triển của đề tài. CƠ SỞ LÝ THUYET Tóm tắt chương Chương này trình bày về cơ sở lý thuyết của nghiên cứu: Bao gồm hệ thống phát hiện xâm nhập, Meta-learning, Few-shot learning và mô hình hoc sâu. Hệ Thống phát hiện xâm nhập Hệ thống phát hiện xâm nhập - IDS (Intrusion Detection Systems) là phần mềm hoặc công cụ giúp bảo mật hệ thống và cảnh báo lỗi khi có các hành vi đáng ngờ xâm nhập vào hệ thống. Mục đích chính của IDS là khám phá và phát hiện những hành động phá hoại tính bảo mật của hệ thống hoặc những hành vi như dò tìm, quét các cổng.1 minh họa cho một hệ thống phát hiện xâm nhập cơ bản: Hình 2.1: Hình minh hoa hệ thống phát hiện xâm nhập Có nhiều loại IDS khác nhau, mỗi loại có một chức năng và nhiệm vụ riêng chúng bao gồm: e NIDS (Network Intrusion Detection Systems): Thường được bồ tri tại những điểm dé bi tấn công trong hệ thống mang.
NIDS được sử dung để giám sát lưu lượng mạng đến (inbound) và di (outbound) từ tất cả các thiết bị trên mạng. Điểm cộng lớn nhất của NIDS là có thể quét tất cả traffic inbound và outbound, nhưng việc này có thể làm giảm tốc độ chung của mạng. e HIDS (Host Intrusion Detection Systems): Hệ thống phát hiện xâm nhập này hoạt động trên tất cả các thiết bị trong hệ thống có thé kết nối Internet. HIDS chỉ giám sát các gói dit liệu inbound va outbound từ thiết bị hoặc những hành động đáng ngờ tại cấp truy cập nội bộ.
8 e Signature-Based IDS: Dây là các IDS hoạt động dựa trên dấu hiệu đã học được, giám sát các gói tin trên mạng tương tự như cách phần mềm diệt virus hoạt động. Tuy nhiên Signature-Based có thể không phát hiện được những mối đe dọa mới, khi dấu hiệu để nhận biết nó chưa được IDS cập nhật. e Anomaly-Based IDS: IDS này được sử dung để phát hiện mối đe dọa dựa trên sự bất thường. Anomaly-Based sẽ giám sát traffic mạng và so sánh với đường cơ sở (baseline) đã được thiết lập từ trước.
Baseline sẽ xác định đâu là mức bình thường của mạng và cảnh báo cho quản trị viên mạng hoặc người dùng khi phát hiện traffic truy cập bất thường hoặc khác biệt so với baseline. Tổng quan về Meta-learning 2. Meta-learning là gi Training Testing ypeannennssnessn Train dataset #1: “cat-bird” p5. N Meta-learning hay còn được gọi là "learning to learn", là một lĩnh vực tương đối mới của học máy liên quan đến việc phát triển các thuật toán có thể học và thích nghi từ các nhiệm vụ mới được tiếp nhận một cách nhanh chóng và hiệu quả, ngay cả khi tập dữ liệu chỉ có một lượng dit liệu đào tạo nhỏ.
Meta- learning được sử dụng trong nhiều lĩnh vực, bao gồm thị giác máy tính, xử lý ngôn ngữ tự nhiên và học máy có tính động hoá. Các phương pháp chính trong meta-learning bao gồm model-based, optimization-based và metric-based, mỗi phương pháp riêng đều có những ưu điểm riêng nhưng đều có hướng tới việc tối ưu hoá tốt nhất trong việc tăng cường khả năng học và thích nghi của mô hình. Chúng tôi cũng đã nhận thấy một số tiềm năng của meta-learning trong nhiều ứng dụng quan trọng như few-shot learning, continual learning và transfer learning. No đã mang lại rất nhiều lợi ích đáng kể như giảm nhu cầu về dữ liệu 10 lớn, tăng tốc độ học và nhằm cải thiện hơn khả năng tổng quát hóa của mô hình.
Tuy nhiên, lĩnh vực này cũng đang và đã đối mặt với nhiều thách thức khó khăn, bao gồm như việc thiết kế kiến trúc meta-learning hiệu quả, cân bằng giữa khả năng thích nghi nhanh và hiệu suất tổng thể. Xu hướng hiện tại trong nghiên cứu meta-learning bao gồm việc kết hợp nó với các kỹ thuật học sâu tiên tiên. Đặc điểm của Meta-learning Meta-learning có một số đặc điểm chính: e Dữ liệu Meta-training: Meta-learning thường sử dụng một tập dữ liệu đào tạo lớn bao gồm các tập mang dữ liệu nhỏ, mỗi tập dữ liệu này được xem như là nhiệm vụ khác nhau. Tập dữ liệu này được sử dụng để đào tạo các mô hình được ap dụng phương pháp meta-learning, những mô hình này sau khi thích nghi có thể được sử dung để học các nhiệm vụ mới mà chúng chưa từng gặp trước đó.
e Dữ liệu Meta-testing: Sau khi đã huấn luyện, mô hình có thể được đánh giá trên các tập dữ liệu mới, Mô hình cố gắng áp dụng những kiến thức đã được học được từ meta-training set để nhanh chóng thích ứng với và hoạt động hiệu quả trên các nhiệm vụ mới này. e Thích nghi nhanh: Meta-learning sẽ cho phép các mô hình học được những nhiệm vụ mới một cách nhanh chóng hơn và hiệu quả cho dù lượng đữ liệu đào tạo nhỏ. Phương phap được ap dung trong Meta-learning Meta-learning áp dụng hai phương pháp phổ biến nhatla: e Prototypical Networks (ProtoNet): là một trong những phương phấp thuộc lĩnh vực Meta-learning được sử dụng để giải quyết các nhiệm vụ phân loại và hoạt động giống như thuật toán K-nearest neighbor. ProtoNet giúp mô hình học máy có thể học được các nhiệm vụ phân loại một cách nhanh hơn và hiệu quả, cho dù được học trên một dữ liệu đào tạo nhỏ.
ProtoNet[12] hoạt động bằng cách sử dụng các prototypes dé đại điện cho mỗi lớp. Mỗi prototype được tính toán bằng cách tính trung bình của các biểu diễn của các mẫu từ cùng một lớp. Khi một nhiệm vụ phân loại mới được cung cấp, mô hình sẽ tính khoảng cách giữa các điểm dữ liệu mới trong tập hỗ trợ và các nhãn đại diện cho các lớp. và từ đó điểm dữ liệu này sẽ từ đó tính toán khoảng cách giữa nó và các điểm đại diện để tìm ra khoảng cách gần nhất Hành 2.3: Prototypical Networks (ProtoNet) 12 Hình 2.3 biểu diễn cho phương pháp ProtoNet, chữ x và dấu chấm màu trắng sẽ đại diện cho 1 mẫu để mô hình phân loại, các dấu chấm đen là nhãn đại diện hay còn gọi là prototypes của lớp đó.
Phương pháp này sé tính toán khoảng cách gần nhất của điểm mẫu với các điểm nhãn để từ đó ra được kết quả điểm màu trắng thuộc lớp nào. Model-Agnostic Meta-Learning (MAML): là một phương pháp meta- learning phổ biến. Trong MAML|6][1], mô hình được thiết kế để có khả năng nhanh chóng thích nghi với các nhiệm vụ mới bằng cách thay đổi độ tối ưu hóa các tham số sao cho sự thay đổi của chúng đối với một tập hợp các nhiệm vụ là tối thiểu. Điều này giúp mô hình trở nên linh hoạt và có khả năng chuyển đổi tốt hơn.4: Do thi tính toán MAML 14 Chú thích từ hình 2.4: e xg: mẫu trong tập hỗ trợ.
e 0 = 69: khởi tạo tham chiếu. e 0;_¡: các trong số hiện tai.ø¿_1): dự đoán của mạng no-ron. e L: hàm mất mát © 6; =Øq_j — œ0 —1y bị: giá trị tham chiếu của task hiện tại Dựa vào hình 2.4, chúng tôi sẽ ví dụ trong việc sử dụng MAML để giúp 1 mô hình học sâu có khả năng thích nghi các tác vụ trong tập hỗ trợ trong quá trình huấn luyện. Về việc giải thích về tập hỗ trợ chúng tôi đã giải thích ở mục 2.
Đầu tiên, chúng tôi sẽ can đầu vào là 1 mẫu xg và 1 nhãn yg, đồng thời chúng tôi có 1 mô hình học sâu và giá trị tham số của nó, ký hiệu là ƒ(— 1)) với i là số vòng lặp lần thứ 1, 2, 3,. Sau khi đào tạo mô hình chúng tôi sẽ thực hiện tính độ mat mát của mô hình bằng cách so sánh nhãn yg với đầu ra của mô hình đó fie, ai-1)- Cuối cùng, từ độ mat mát ở trên, thuật toán sẽ tự tính toán thêm để cập nhật tham số mới cho mô hình học sâu cuối cùng của vòng lặp đó 6; và sử dụng tham số này của mô hình hoc sâu cho vòng lặp kế tiếp nếu số vòng lặp kế tiếp chưa bằng số vòng lặp huấn luyện yêu cầu N. Tổng quan về Few-shot learning (FSL) 2. FSL là gi Few-Shot Learning (FSL) là một phương pháp về học máy tiên tiến, trong đó mô hình được huấn luyện để thực hiện những nhiệm vụ như phân loại hoặc các tác vụ khác trên dit liệu mới mà nó chưa từng gặp trước đó, dựa trên một số lượng rất hạn chế các mẫu học.
Tầm quan trọng của FSL thể hiện rõ trong các tình huống mà tập dữ liệu đào tạo bị giới hạn, hoặc khi việc thu thập dữ liệu mới đòi hỏi chi phí cao hoặc gặp nhiều khó khăn. Điểm mạnh của FSL là khả năng giúp mô hình thích nghi nhanh chóng với những khái niệm mang ngữ cảnh mới mà không cần phải đào tạo lại hoàn toàn trên một tập dữ liệu lớn. Phương pháp này đặc biệt hữu ích đối với các ứng dụng mang tính thực tế, nơi dữ liệu có thể khan hiếm hoặc thay đổi nhanh chóng, như trong lĩnh vực y tế, nhận dạng đối tượng mới, hoặc trong các hệ thống AT cần liên tục học hỏi những cái mới và thích nghi với môi trường. FSL không chỉ nhằm giải quyết được các van đề về mặt dữ liệu hạn chế mà còn nâng cao khả năng khái quát hóa của mô hình, cho phép nó ứng phó hiệu quả với các tình huống mới và không được biết đến trước.
Phương pháp FSL Few-Shot Learning (FSL) trong meta-learning sử dụng một phương pháp phân loại đặc biệt gọi là phân loại N-way-K-shot, trong đó N đại diện cho số lượng nhãn lớp và K là số lượng ví dụ cho mỗi lớp. Cách tiếp cận này đã được thiết kế để mô hình có thể mô phỏng các tình huống học tập trong thế giới thực, nơi dữ liệu bị hạn chế. Trong quá trình meta-learning, mỗi nhiệm vụ được cấu trúc theo mô hình N-way K-shot, tạo ra cái gọi là tập hỗ trợ (support sets). Tập hỗ trợ đóng vai trò quan trọng trong công việc giúp mô hình học cách giải quyết và thích nghi với các nhiệm vụ mới.
Song song với tập hỗ trợ, còn có tập truy 16 vấn (query set), tập này bao gồm những ví dụ khác thuộc cùng các lớp trong tập hỗ trợ. Tập truy vấn này được sử dụng để đánh giá hiệu suất và khả năng thích nghi của mô hình đối với nhiệm vụ vừa học.