Nghiên Cứu Hệ Thống Phát Hiện Xâm Nhập Dựa Trên Few-Shot Learning và Meta-Learning

Khóa luận nghiên cứu về trình phát hiện xâm nhập trong an toàn thông tin sử dụng phương pháp few shot learning hiệu quả và tiên tiến.

• Tác giả: Trần Đại Dương
• Người hướng dẫn: TS. Phạm Văn Hậu
• Trường học: Đại học Công nghệ Thông tin - ĐHQG TP.HCM
• Chuyên ngành: An toàn thông tin
• Đề tài: Nghiên Cứu Hệ Thống Phát Hiện Xâm Nhập Dựa Trên Few-Shot Learning Và Meta-Learning
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2024
• Địa điểm: TP.Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Giới thiệu vấn đề
• 1.2. Mục tiêu, đối tượng, phạm vi nghiên cứu và cấu trúc đề tài
• 1.2.1. Mục tiêu nghiên cứu
• 1.2.2. Đối tượng nghiên cứu
• 1.2.3. Phạm vi nghiên cứu
• 1.2.4. Cấu trúc đề tài
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Hệ Thống phát hiện xâm nhập
• 2.2. Tổng quan về Meta-learning
• 2.2.1. Meta-learning là gì
• 2.2.2. Đặc điểm của Meta-learning
• 2.2.3. Phương pháp được áp dụng trong Meta-learning
• 2.3. Tổng quan về Few-shot learning (FSL)
• 2.3.1. Phương pháp FSL
• 2.4. Tổng quan về Class Incremental Learning
• 2.4.1. Class Incremental Learning là gì
• 2.4.2. Phương pháp Class Incremental Learning
• 2.5. Tổng quan mô hình mạng học sâu (deep neural network)
• 2.5.1. Cấu trúc của mô hình DNN
• 2.6. Phương pháp cân bằng số lượng mẫu trong tập dữ liệu
• 2.6.1. Phương pháp tăng mẫu tổng hợp các lớp thiểu số
• 2.6.2. Kỹ thuật giảm mẫu cho các lớp đa số
• 2.7. Các nghiên cứu liên quan
• 2.7.1. Phương pháp Incremental Learning
• 2.7.2. Hệ thống phát hiện xâm nhập sử dụng học tiệm tiến
• 3. CHƯƠNG 3: MÔ HÌNH HỆ THỐNG PHÁT HIỆN XÂM NHẬP
• 3.1. Phương pháp triển khai
• 3.1.1. Mô hình tổng quan
• 3.1.2. Giai đoạn đào tạo bình thường
• 3.1.3. Học tiệm tiến giai đoạn ban đầu
• 3.1.4. Học tiệm tiến giai đoạn tổng hợp
• 4. CHƯƠNG 4: THÍ NGHIỆM VÀ ĐÁNH GIÁ
• 4.1. Môi trường thiết lập thí nghiệm và thư viện sử dụng
• 4.2. Thông số của mô hình và thuật toán MAML
• 4.3. Kịch bản triển khai
• 4.4. Kết quả thí nghiệm
• 4.4.1. Kết quả độ chính xác của mô hình MAML + DNN trong giai đoạn tổng hợp
• 4.4.2. Kết quả độ mất mát của mô hình MAML + DNN trong giai đoạn học các lớp mới
• 5. CHƯƠNG 5: KẾT LUẬN
• 5.1. Mô hình MAML + DNN
• 5.2. Hướng phát triển
• DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT
• DANH MỤC CÁC HÌNH VẼ
• DANH MỤC CÁC BẢNG BIỂU

Tóm tắt

I. Tổng quan về Nghiên Cứu Hệ Thống Phát Hiện Xâm Nhập

Nghiên cứu về hệ thống phát hiện xâm nhập (IDS) đang trở thành một lĩnh vực quan trọng trong an ninh mạng. Với sự gia tăng của các cuộc tấn công mạng, việc phát triển các phương pháp phát hiện hiệu quả là cần thiết. Few-Shot Learning và Meta-Learning đã mở ra những hướng đi mới cho việc cải thiện khả năng phát hiện xâm nhập. Bài viết này sẽ đi sâu vào các khái niệm và ứng dụng của những phương pháp này trong việc phát hiện xâm nhập.

1.1. Định nghĩa và Vai trò của Hệ Thống Phát Hiện Xâm Nhập

Hệ thống phát hiện xâm nhập (IDS) là công cụ bảo mật giúp phát hiện và cảnh báo các hành vi xâm nhập trái phép. IDS có vai trò quan trọng trong việc bảo vệ thông tin và tài nguyên mạng.

1.2. Tại sao Cần Nghiên Cứu Few Shot Learning và Meta Learning

Với sự phát triển nhanh chóng của các cuộc tấn công mạng, Few-Shot Learning và Meta-Learning giúp các mô hình học hỏi từ ít dữ liệu, từ đó cải thiện khả năng phát hiện các cuộc tấn công mới mà không cần phải có nhiều mẫu học.

II. Vấn đề và Thách thức trong Phát Hiện Xâm Nhập

Các hệ thống IDS truyền thống thường gặp khó khăn trong việc phát hiện các cuộc tấn công mới do thiếu dữ liệu. Vấn đề này càng trở nên nghiêm trọng khi các cuộc tấn công ngày càng tinh vi và đa dạng. Học máy truyền thống yêu cầu một lượng lớn dữ liệu để đạt được độ chính xác cao, điều này không khả thi trong nhiều tình huống thực tế.

2.1. Khó khăn trong Việc Thu Thập Dữ Liệu

Việc thu thập dữ liệu cho các cuộc tấn công mới thường gặp khó khăn do tính chất phức tạp và thay đổi liên tục của môi trường mạng. Điều này dẫn đến việc thiếu mẫu học cho các mô hình.

2.2. Vấn đề Quên Kiến Thức trong Học Máy

Khi áp dụng Incremental Learning, các mô hình có thể quên đi các kiến thức cũ khi học các kiến thức mới. Điều này gây ra sự giảm sút hiệu suất trong việc phát hiện các cuộc tấn công đã biết.

III. Phương Pháp Few Shot Learning trong Phát Hiện Xâm Nhập

Phương pháp Few-Shot Learning cho phép các mô hình học hỏi từ một số lượng mẫu rất hạn chế. Điều này đặc biệt hữu ích trong các tình huống mà dữ liệu không đủ. Bằng cách sử dụng các kỹ thuật như N-way-K-shot, mô hình có thể nhanh chóng thích nghi với các nhiệm vụ mới.

3.1. Cách Thức Hoạt Động của Few Shot Learning

Few-Shot Learning hoạt động bằng cách sử dụng một tập hợp nhỏ các mẫu để huấn luyện mô hình. Mô hình sẽ học cách phân loại dựa trên các mẫu này và áp dụng cho các nhiệm vụ mới.

3.2. Lợi Ích của Few Shot Learning trong An Ninh Mạng

Phương pháp này giúp cải thiện khả năng phát hiện xâm nhập trong các tình huống thiếu dữ liệu, đồng thời nâng cao khả năng khái quát hóa của mô hình.

IV. Meta Learning và Ứng Dụng trong Phát Hiện Xâm Nhập

Meta-Learning, hay còn gọi là 'học để học', cho phép các mô hình học hỏi nhanh chóng từ các nhiệm vụ mới. Phương pháp này giúp cải thiện khả năng thích nghi của mô hình với các cuộc tấn công mới mà không cần phải huấn luyện lại từ đầu.

4.1. Đặc Điểm của Meta Learning

Meta-Learning sử dụng các tập dữ liệu lớn để huấn luyện mô hình, giúp mô hình có khả năng thích nghi nhanh chóng với các nhiệm vụ mới.

4.2. Kết Hợp Meta Learning với Few Shot Learning

Kết hợp giữa Meta-Learning và Few-Shot Learning giúp tối ưu hóa quá trình học, cho phép mô hình phát hiện các cuộc tấn công mới hiệu quả hơn.

V. Kết Quả Nghiên Cứu và Ứng Dụng Thực Tiễn

Nghiên cứu cho thấy rằng việc áp dụng Few-Shot Learning và Meta-Learning trong hệ thống phát hiện xâm nhập mang lại kết quả khả quan. Mô hình có khả năng phát hiện và phân loại các kỹ thuật xâm nhập cũ và mới thông qua các mẫu trên tập dữ liệu CIC-IDS2017.

5.1. Kết Quả Thí Nghiệm

Kết quả thí nghiệm cho thấy mô hình có độ chính xác cao trong việc phát hiện các cuộc tấn công mới, đồng thời giữ lại kiến thức về các cuộc tấn công cũ.

5.2. Ứng Dụng Thực Tiễn của Nghiên Cứu

Nghiên cứu này có thể được áp dụng trong các hệ thống an ninh mạng thực tế, giúp cải thiện khả năng phát hiện và phản ứng nhanh chóng với các mối đe dọa mới.

VI. Kết Luận và Hướng Phát Triển Tương Lai

Nghiên cứu về hệ thống phát hiện xâm nhập dựa trên Few-Shot Learning và Meta-Learning mở ra nhiều cơ hội mới trong lĩnh vực an ninh mạng. Hướng phát triển tương lai có thể tập trung vào việc cải thiện khả năng thích nghi của mô hình và mở rộng khả năng phát hiện các cuộc tấn công mới.

6.1. Hướng Phát Triển Nghiên Cứu

Cần tiếp tục nghiên cứu để tối ưu hóa các thuật toán và cải thiện khả năng phát hiện xâm nhập trong các tình huống thực tế.

6.2. Tương Lai của Hệ Thống Phát Hiện Xâm Nhập

Hệ thống phát hiện xâm nhập sẽ ngày càng trở nên quan trọng trong bối cảnh an ninh mạng ngày càng phức tạp, đòi hỏi các phương pháp học máy tiên tiến hơn.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong an ninh mạng hiện đại, sự gia tăng nhanh chóng của các phương thức tấn công tinh vi cùng tính chất phức tạp của lưu lượng mạng đặt ra thách thức lớn đối với các hệ thống phát hiện xâm nhập (Intrusion Detection System - IDS). Mặc dù các mô hình học máy truyền thống và học sâu (Deep Neural Networks - DNN) đã đạt được những thành tựu nhất định trong việc phân loại lưu lượng độc hại, chúng vẫn bộc lộ nhiều điểm hạn chế khi vận hành trong môi trường thực tế:

1. Sự phụ thuộc vào tập dữ liệu huấn luyện lớn: Các mô hình giám sát truyền thống đòi hỏi số lượng mẫu rất lớn để đạt độ chính xác cần thiết, dẫn đến tỷ lệ nhận dạng thấp đối với các dạng tấn công mới xuất hiện hoặc các cuộc tấn công chưa xác định (Zero-day).
2. Tính chất tĩnh của mô hình: Mô hình IDS truyền thống được tối ưu hóa với các tham số cố định dựa trên tập dữ liệu đã biết, gây khó khăn khi phải cập nhật tri thức mới.
3. Hiện tượng quên lãng tàn khốc (Catastrophic Forgetting): Khi áp dụng phương pháp học tiệm tiến (Incremental Learning) để tiếp thu các mẫu tấn công mới, việc cập nhật trọng số mạng thường làm suy giảm nghiêm trọng hoặc xóa bỏ hoàn toàn khả năng nhận diện các dạng tấn công cũ đã được học trước đó.
4. Mất cân bằng dữ liệu nghiêm trọng: Trong các tập dữ liệu lưu lượng mạng thực tế, sự chênh lệch số lượng mẫu giữa lưu lượng bình thường (Benign) và các loại hình tấn công thiểu số (như Web-Attack-XSS) rất lớn, gây ra hiện tượng học quá khớp (overfitting).

Nhằm giải quyết đồng thời các hạn chế trên, khóa luận tốt nghiệp kỹ sư ngành An toàn thông tin của tác giả Trần Đại Dương và Ngô Trần Thái Sơn đề xuất giải pháp tích hợp học ít mẫu (Few-shot Learning - FSL) trên khung siêu học (Meta-learning) kết hợp với học tiệm tiến theo lớp (Class Incremental Learning) cho mô hình học sâu DNN.

Mục tiêu và nhiệm vụ nghiên cứu được xác định cụ thể như sau:

1. Mục tiêu tổng quát: Ứng dụng học ít mẫu trên khung meta-learning nhằm thiết lập và cải tiến hệ thống phát hiện xâm nhập mạng, nâng cao hiệu suất phân loại và mở rộng phạm vi thu thập, nhận dạng các kỹ thuật tấn công mạng mới với lượng dữ liệu mẫu hạn chế.
2. Nhiệm vụ 1: Nghiên cứu cơ sở lý thuyết về IDS, siêu học tối ưu hóa (Model-Agnostic Meta-Learning - MAML), học ít mẫu $N$-way $K$-shot và các phương pháp kiểm soát hiện tượng quên lãng trong học tiệm tiến.
3. Nhiệm vụ 2: Xây dựng quy trình tiền xử lý và cân bằng dữ liệu đa lớp kết hợp kỹ thuật tăng mẫu tổng hợp SMOTE và giảm mẫu ngẫu nhiên RandomUnderSampler trên tập dữ liệu CIC-IDS2017.
4. Nhiệm vụ 3: Thiết kế kiến trúc mạng DNN nhiều lớp kết hợp cơ chế Dropout và xây dựng quy trình huấn luyện ba giai đoạn (Đào tạo bình thường, Học tiệm tiến ban đầu, Học tiệm tiến tổng hợp) dựa trên thư viện learn2learn.
5. Nhiệm vụ 4: Thực nghiệm, đo lường và đánh giá hàm mất mát (loss) cùng độ chính xác của mô hình MAML + DNN trong các kịch bản $N$-way $K$-shot khác nhau.

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Mô hình phát hiện xâm nhập mạng giải quyết bài toán thiếu mẫu học dựa trên khung siêu học bất khả tri mô hình (MAML) kết hợp mạng nơ-ron sâu (DNN) và cơ chế phát lại bộ nhớ (Replay memory-based).
• Phạm vi dữ liệu và công nghệ: Nghiên cứu tập trung vào phương pháp siêu học dựa trên tối ưu hóa (optimization-based meta-learning) áp dụng trên bộ dữ liệu chuẩn CIC-IDS2017 (78 đặc trưng, 15 nhãn phân loại), triển khai thực nghiệm trên hệ điều hành Ubuntu 20.04 với framework PyTorch và thư viện learn2learn.

---

Cơ sở lý thuyết và phương pháp

Khóa luận xây dựng trên nền tảng kết hợp các lý thuyết học máy chuyên sâu, cấu trúc mạng nơ-ron và các kỹ thuật xử lý dữ liệu an toàn thông tin:

1. Phân loại hệ thống phát hiện xâm nhập (IDS)

Văn bản hệ thống hóa bốn mô hình IDS cơ bản:

• NIDS (Network IDS): Giám sát toàn bộ lưu lượng mạng vào (inbound) và ra (outbound) tại các vị trí xung yếu trong mạng.
• HIDS (Host IDS): Hoạt động trực tiếp trên từng thiết bị đầu cuối, giám sát lưu lượng và hành vi truy cập nội bộ.
• Signature-Based IDS: Phát hiện tấn công dựa trên các dấu hiệu/mẫu định danh đã biết.
• Anomaly-Based IDS: Thiết lập đường cơ sở (baseline) cho lưu lượng bình thường và kích hoạt cảnh báo khi có sai lệch bất thường.

2. Khung siêu học (Meta-learning) và Học ít mẫu (Few-shot Learning)

Meta-learning ("học cách học") hướng đến việc trang bị cho mô hình khả năng thích ứng nhanh với các tác vụ mới thông qua số lượng mẫu đào tạo nhỏ:

• Phân loại hướng tiếp cận: Bao gồm dựa trên mô hình (model-based), dựa trên khoảng cách (metric-based như Prototypical Networks - ProtoNet), và dựa trên tối ưu hóa (optimization-based như Model-Agnostic Meta-Learning - MAML).
• Thuật toán MAML: Tối ưu hóa các tham số khởi tạo $\theta$ của mạng nơ-ron sao cho khi đối mặt với tác vụ mới, mô hình chỉ cần một số ít bước cập nhật gradient (với hàm mất mát $\mathcal{L}$) để đạt hiệu năng cao trên tác vụ đó.
• Cấu trúc tác vụ $N$-way $K$-shot: Mỗi tác vụ (task) gồm tập hỗ trợ (support set) dùng để thích nghi và tập truy vấn (query set) dùng để đánh giá năng lực tổng quát hóa, trong đó $N$ là số lượng lớp và $K$ là số lượng mẫu cho mỗi lớp.

3. Học tiệm tiến theo lớp (Class Incremental Learning)

Để giải quyết hiện tượng quên lãng tàn khốc khi tiếp nhận liên tục các lớp dữ liệu mới, khóa luận phân tích ba nhóm giải pháp:

• Cấu trúc động (Dynamic architecture-based): Mở rộng số lượng nút hoặc mật độ các lớp ẩn khi xuất hiện lớp tấn công mới.
• Chính quy hóa (Regularization-based): Đặt hàm phạt khi các tham số cập nhật bị lệch quá xa so với mốc tham số của các lớp cũ.
• Phát lại bộ nhớ (Replay memory-based): Lưu trữ một phần mẫu và nhãn của các lớp cũ trong bộ nhớ đệm (RAM, cơ sở dữ liệu) và đưa vào huấn luyện đồng thời cùng các lớp mới. Khóa luận lựa chọn phương pháp này để duy trì tri thức cũ.

4. Phương pháp cân bằng dữ liệu

Do tập CIC-IDS2017 có sự chênh lệch lớn giữa các lớp, tác giả áp dụng chiến lược kết hợp:

• SMOTE (Synthetic Minority Over-sampling Technique): Tăng mẫu nhân tạo cho các lớp thiểu số bằng cách nội suy giữa mẫu gốc $x_i$ và các mẫu láng giềng $k$-NN thông qua công thức tạo mẫu mới dựa trên vector chênh lệch nhân với giá trị ngẫu nhiên trong khoảng $[0, 1]$.
• RandomUnderSampler: Giảm mẫu ngẫu nhiên cho các lớp đa số (như lớp Benign) nhằm tránh làm sai lệch phân phối không gian đặc trưng thực tế.

Phương pháp	Loại kỹ thuật	Mục đích trong nghiên cứu
MAML	Optimization-based Meta-Learning	Tối ưu hóa tham số khởi tạo giúp mạng DNN thích nghi nhanh với mẫu ít
Replay Memory	Class Incremental Learning	Giữ lại các nhãn cũ ($D_{old}$) để huấn luyện kết hợp với nhãn mới ($D_{new}$)
SMOTE	Over-sampling kỹ thuật số	Tạo mẫu nội suy cho các lớp tấn công thiểu số
RandomUnderSampler	Under-sampling có kiểm soát	Loại bỏ ngẫu nhiên mẫu từ các lớp chiếm đa số để cân bằng tỷ lệ

---

Thiết kế và triển khai hệ thống

Hệ thống phát hiện xâm nhập Few-shot được thiết kế theo quy trình ba giai đoạn với kiến trúc mạng nơ-ron sâu tùy chỉnh:

[Tập dữ liệu CIC-IDS2017: 78 đặc trưng, 15 nhãn]
[Tiền xử lý & Cân bằng: SMOTE + RandomUnderSampler]
[Giai đoạn 1: Huấn luyện cơ bản]                          [Giai đoạn 2: Học tiệm tiến ban đầu]
- Dữ liệu: Nhãn cũ D_old                                  - Dữ liệu: Nhãn mới D_new + một phần D_old
- Mô hình: DNN (78-32-72-32-15)                           - Thuật toán: MAML + learn2learn MetaDataset()
- Hàm mất mát: Cross-Entropy (không Softmax)              - Cấu hình: Task N-way K-shot (Support/Query set)
- Mục tiêu: Trích xuất bộ tham số nền tảng                - Mục tiêu: Thích nghi nhãn mới, chống quên tri thức cũ
                      [Giai đoạn 3: Học tiệm tiến tổng hợp]
                      - Dữ liệu: D_all = D_old + D_new
                      - Mô hình: MAML + DNN tối ưu hóa toàn diện
                      - Đánh giá: Phân loại đa lớp trên tập mẫu kiểm thử

1. Kiến trúc mạng nơ-ron sâu (DNN)

Mô hình mạng nơ-ron sâu được thiết kế gồm 5 tầng:

• Tầng đầu vào (Input Layer): 78 nút tương ứng với 78 đặc trưng số trích xuất từ tập dữ liệu CIC-IDS2017.
• Các tầng ẩn (Hidden Layers): Gồm 3 tầng ẩn liên tiếp với cấu hình số lượng nút lần lượt là 32 nút (Hidden 1), 72 nút (Hidden 2), và 32 nút (Hidden 3).
• Tầng đầu ra (Output Layer): 15 nút tương ứng với 15 nhãn tấn công và bình thường trong tập dữ liệu.
• Cơ chế chống quá khớp: Tích hợp kỹ thuật Dropout với các hệ số xác suất triệt tiêu nút khác nhau giữa các tầng ẩn để đảm bảo tính ngẫu nhiên và ngăn chặn sự phụ thuộc đồng biến giữa các nút.
• Hàm mất mát: Hàm Cross-Entropy được áp dụng xuyên suốt mà không sử dụng hàm kích hoạt Softmax ở tầng cuối trong giai đoạn trích xuất tham số.

2. Quy trình huấn luyện ba giai đoạn

• Giai đoạn đào tạo bình thường (Initial/Normal Training Phase): Huấn luyện mạng DNN trên tập các nhãn cũ ($D_{old}$) nhằm thiết lập và trích xuất bộ tham số trọng số nền tảng.
• Giai đoạn học tiệm tiến ban đầu (Initial Incremental Learning Phase): Chuyển đổi dữ liệu sang định dạng mảng tác vụ thông qua hàm MetaDataset() của thư viện learn2learn. Chia nhỏ dữ liệu thành các tác vụ $N$-way $K$-shot gồm Support set và Query set cân bằng. Cập nhật tham số mô hình thông qua thuật toán MAML trên các nhãn mới ($D_{new}$) có kèm một phần nhãn cũ theo cơ chế phát lại bộ nhớ.
• Giai đoạn học tiệm tiến tổng hợp (Synthetic/Combined Incremental Learning Phase): Hợp nhất toàn bộ dữ liệu $D_{all} = D_{old} + D_{new}$. Chia tập dữ liệu thành tập huấn luyện và tập đánh giá, thực hiện huấn luyện MAML để mô hình thích ứng toàn diện trên cả 15 lớp tấn công cũ và mới.

3. Môi trường triển khai thực nghiệm

• Hệ điều hành: Ubuntu 20.04 LTS.
• Tài nguyên phần cứng: Dung lượng bộ nhớ RAM 24 GB, không gian lưu trữ ổ đĩa 150 GB.
• Ngôn ngữ và Thư viện: Python 3, framework tính toán học sâu PyTorch, thư viện chuyên dụng cho siêu học learn2learn.

---

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương 1 giới thiệu tổng quan về đề tài nghiên cứu. Tác giả chỉ ra tính cấp thiết của an toàn thông tin trong bối cảnh các cuộc tấn công Zero-day xuất hiện liên tục nhưng khan hiếm mẫu dữ liệu. Chương này xác định rõ các mục tiêu, đối tượng nghiên cứu (mô hình phát hiện xâm nhập dựa trên siêu học), phạm vi nghiên cứu (MAML kết hợp DNN trên tập CIC-IDS2017) và bố cục tổng thể gồm 5 chương của khóa luận.

Chương 2: Cơ sở lý thuyết

Chương 2 trình bày chi tiết nền tảng lý thuyết:

• Tổng quan về IDS: phân loại NIDS, HIDS, Signature-based IDS, Anomaly-based IDS.
• Khung Meta-learning và các phương pháp chính (ProtoNet, MAML).
• Nguyên lý học ít mẫu (Few-shot learning) theo cấu trúc tác vụ $N$-way $K$-shot, phân định Support set và Query set.
• Phương pháp học tiệm tiến theo lớp (Class Incremental Learning) và ba cơ chế chống quên lãng tàn khốc: Dynamic architecture, Replay memory, Regularization.
• Cấu trúc mạng nơ-ron sâu DNN và cơ chế Dropout.
• Kỹ thuật cân bằng dữ liệu SMOTE và RandomUnderSampler.
• Phân tích các nghiên cứu liên quan về học tiệm tiến và ứng dụng MAML/CNN chuyển đổi dữ liệu mạng thành ảnh ma trận (như nghiên cứu trên NSL-KDD, UNSW-NB15, CIC-IDS2017).

Chương 3: Mô hình hệ thống phát hiện xâm nhập

Chương 3 trình bày thiết kế kiến trúc và phương pháp luận triển khai:

• Sơ đồ tổng thể hệ thống IDS áp dụng Few-shot Class Incremental Learning.
• Thiết kế mạng DNN gồm 78 nút đầu vào, 3 tầng ẩn (32-72-32 nút) và 15 nút đầu ra.
• Quy trình triển khai 3 giai đoạn: Đào tạo bình thường (Initial Learning), Học tiệm tiến ban đầu (Incremental Learning phase 1), và Học tiệm tiến tổng hợp (Incremental Learning phase 2).
• Phương pháp cấu trúc tác vụ siêu học thông qua hàm MetaDataset() của learn2learn.
• Cơ chế phát lại bộ nhớ hợp nhất dữ liệu $D_{all} = D_{old} + D_{new}$.

Chương 4: Thí nghiệm và đánh giá

Chương 4 mô tả toàn bộ kịch bản thực nghiệm:

• Thiết lập môi trường phần cứng và phần mềm (Ubuntu 20.04, RAM 24GB, Disk 150GB, Python 3, PyTorch, learn2learn).
• Phân chia tập dữ liệu CIC-IDS2017, lựa chọn các nhãn cho quá trình tăng mẫu SMOTE và giảm mẫu RandomUnderSampler.
• So sánh hiệu năng các cấu hình số lượng nút khác nhau trong tầng ẩn của mạng DNN khi thực hiện kịch bản 5-way 5-shot.
• Đo lường và vẽ biểu đồ hàm mất mát (loss) trong giai đoạn học tiệm tiến ban đầu với các cấu hình 2-way, 4-way, 5-way.
• Đánh giá độ chính xác phân loại của mô hình MAML + DNN trong giai đoạn học tiệm tiến tổng hợp qua các kịch bản $N$-way $K$-shot khác nhau.

Chương 5: Kết luận và hướng phát triển

Chương 5 tóm tắt các kết quả đạt được về việc xây dựng mô hình MAML + DNN có khả năng phát hiện xâm nhập trong điều kiện ít mẫu và không bị quên lãng tri thức cũ. Đồng thời, tác giả đề xuất các hướng phát triển mở rộng mô hình trong tương lai.

---

Kết quả và đóng góp

1. Kết quả thực nghiệm

Khóa luận đã triển khai và ghi nhận các kết quả thực nghiệm chính trên tập dữ liệu CIC-IDS2017:

• Cấu hình mô hình tối ưu: Qua thử nghiệm so sánh các cấu hình số lượng nút trong các lớp ẩn ở kịch bản 5-way 5-shot, mô hình DNN với cấu trúc 3 lớp ẩn (32 - 72 - 32 nút) cùng kỹ thuật Dropout mang lại sự cân bằng tối ưu giữa độ phức tạp tính toán và khả năng chống quá khớp.
• Khả năng thích ứng ít mẫu: Thuật toán MAML giúp mạng DNN đạt tốc độ hội tụ nhanh và giảm thiểu giá trị hàm mất mát Cross-Entropy rõ rệt qua các vòng lặp trong các kịch bản 2-way, 4-way và 5-way ở giai đoạn học tiệm tiến ban đầu.
• Khả năng duy trì tri thức trong học tiệm tiến: Việc kết hợp phương pháp phát lại bộ nhớ trong giai đoạn tổng hợp ($D_{all} = D_{old} + D_{new}$) chứng minh mô hình phân loại chính xác đồng thời cả các lớp tấn công cũ và các lớp tấn công mới được bổ sung, hạn chế hiện tượng quên lãng tàn khốc.

Tham số / Thành phần	Giá trị thiết lập trong nghiên cứu
Tập dữ liệu sử dụng	CIC-IDS2017 (78 đặc trưng, 15 nhãn lớp)
Cấu trúc mạng DNN	Input: 78 nút | Hidden: 32 - 72 - 32 nút | Output: 15 nút
Kỹ thuật điều hòa	Dropout trên các tầng ẩn
Hàm mất mát	Cross-Entropy Loss
Thuật toán Meta-learning	Model-Agnostic Meta-Learning (MAML)
Kịch bản kiểm thử Few-shot	$N$-way $K$-shot (2-way, 4-way, 5-way; 5-shot, 10-shot)
Kỹ thuật xử lý mất cân bằng	SMOTE (tăng mẫu thiểu số) + RandomUnderSampler (giảm mẫu đa số)

2. Đóng góp của đề tài

• Đóng góp về mặt phương pháp luận: Đề xuất thành công khung làm việc Few-shot Class Incremental Learning kết hợp thuật toán tối ưu hóa siêu học MAML với mạng DNN, giải quyết bài toán phát hiện tấn công Zero-day khi dữ liệu mẫu bị hạn chế nghiêm trọng.
• Giải pháp cân bằng dữ liệu hai chiều: Tích hợp quy trình xử lý dữ liệu phối hợp giữa SMOTE và RandomUnderSampler giúp loại bỏ sai lệch phân loại do chênh lệch mẫu mà không làm méo mó phân phối dữ liệu thực tế.
• Tối ưu hóa tài nguyên tính toán: Khác với các mô hình chuyển đổi lưu lượng thành ảnh ma trận 64x64 đưa vào mạng tích chập (CNN) gây tốn kém tài nguyên, giải pháp tiếp cận trực tiếp trên vector đặc trưng bảng với mạng DNN giúp giảm thiểu chi phí tính toán và thời gian huấn luyện.

---

Hạn chế và hướng nghiên cứu tiếp

Dựa trên phạm vi và nội dung văn bản khóa luận:

• Hạn chế:
  • Nghiên cứu tập trung đánh giá thực nghiệm trên tập dữ liệu bảng có cấu trúc CIC-IDS2017, chưa mở rộng kiểm thử chéo trên các tập dữ liệu lưu lượng mạng khác như UNSW-NB15, CSE-CIC-IDS2018 hay CIC-DDoS2019.
  • Quá trình tối ưu hóa meta-gradient hai vòng lặp của thuật toán MAML đòi hỏi chi phí tính toán gradient tương đối phức tạp khi số lượng tác vụ và số chiều lớp tăng cao.
  • Phương pháp phát lại bộ nhớ vẫn đòi hỏi không gian lưu trữ đệm nhất định cho các mẫu của lớp cũ.
• Hướng nghiên cứu tiếp:
  • Mở rộng thử nghiệm mô hình trên nhiều bộ dữ liệu an ninh mạng đa dạng nhằm kiểm chứng tính tổng quát hóa trong môi trường phân tán.
  • Tối ưu hóa thuật toán siêu học để giảm thiểu thời gian huấn luyện và độ trễ phản hồi khi triển khai trực tiếp vào hệ thống giám sát thời gian thực.
  • Nghiên cứu kết hợp các cơ chế chính quy hóa tiên tiến để tối ưu hóa không gian lưu trữ của bộ nhớ đệm trong học tiệm tiến.

---

Giá trị tham khảo

Khóa luận là tài liệu tham khảo chuyên môn cho các đối tượng:

• Sinh viên và học viên chuyên ngành An toàn thông tin, Mạng máy tính: Cung cấp tài liệu thực hành chi tiết về việc xây dựng hệ thống phát hiện xâm nhập mạng thế hệ mới kết hợp AI.
• Người nghiên cứu học máy ứng dụng: Cung cấp quy trình tích hợp thực tế giữa khung siêu học MAML, thư viện learn2learn và mạng nơ-ron sâu PyTorch trong xử lý dữ liệu dạng bảng (tabular data).
• Phần nội dung có giá trị tham khảo cao nhất:
  • Chương 3: Phương pháp thiết lập luồng dữ liệu 3 giai đoạn kết hợp học ít mẫu và cơ chế phát lại bộ nhớ để chống hiện tượng quên lãng tàn khốc.
  • Chương 2 & 4: Kỹ thuật phối hợp SMOTE và RandomUnderSampler để xử lý mất cân bằng dữ liệu an ninh mạng nhiều lớp.

---

Câu hỏi thường gặp

1. Khóa luận giải quyết hiện tượng quên lãng tàn khốc (Catastrophic Forgetting) bằng phương pháp cụ thể nào?

Khóa luận sử dụng phương pháp phát lại bộ nhớ (Replay memory-based). Trong giai đoạn học tiệm tiến ban đầu và giai đoạn tổng hợp, mô hình không chỉ tiếp nhận các nhãn tấn công mới ($D_{new}$) mà còn đưa một phần hoặc toàn bộ các mẫu của nhãn cũ ($D_{old}$) từ bộ nhớ đệm vào huấn luyện đồng thời thông qua thuật toán MAML, giúp mạng DNN duy trì khả năng nhận dạng lớp cũ.

2. Kiến trúc mạng nơ-ron sâu (DNN) được thiết kế với số lượng nút và các tầng như thế nào?

Mô hình DNN gồm 5 tầng: 1 tầng đầu vào có 78 nút (tương ứng 78 đặc trưng của CIC-IDS2017), 3 tầng ẩn có số lượng nút lần lượt là 32 nút, 72 nút và 32 nút có tích hợp kỹ thuật Dropout, và 1 tầng đầu ra gồm 15 nút tương ứng với 15 nhãn phân loại.

3. Tập dữ liệu CIC-IDS2017 được cân bằng mẫu bằng các kỹ thuật nào?

Tác giả phối hợp hai kỹ thuật: kỹ thuật tăng mẫu tổng hợp SMOTE (Synthetic Minority Over-sampling Technique) để sinh mẫu nội suy nhân tạo cho các lớp tấn công thiểu số, và kỹ thuật lấy mẫu dưới mức ngẫu nhiên RandomUnderSampler để cắt giảm mẫu ở các lớp chiếm đa số (như lớp Benign).

4. Thuật toán siêu học nào được lựa chọn trong nghiên cứu và hoạt động ra sao?

Nghiên cứu sử dụng thuật toán Model-Agnostic Meta-Learning (MAML) - thuộc nhóm siêu học dựa trên tối ưu hóa. MAML tìm kiếm và điều chỉnh bộ tham số khởi tạo $\theta$ sao cho mô hình có thể nhanh chóng thích nghi với tác vụ mới chỉ qua một số ít bước lặp cập nhật gradient từ tập hỗ trợ (support set).

5. Thư viện phần mềm nào được sử dụng để xây dựng các tác vụ Few-shot Meta-learning?

Tác giả sử dụng thư viện learn2learn xây dựng trên nền tảng PyTorch. Trong đó, hàm MetaDataset() được dùng để chuyển đổi tập dữ liệu đã xử lý thành dạng mảng các nhãn và tạo các tác vụ huấn luyện/đánh giá theo cấu trúc $N$-way $K$-shot.

---

Kết luận

Khóa luận tốt nghiệp của tác giả Trần Đại Dương và Ngô Trần Thái Sơn đã xây dựng thành công giải pháp phát hiện xâm nhập mạng ít mẫu dựa trên sự kết hợp giữa khung siêu học MAML, học tiệm tiến theo lớp và mạng nơ-ron sâu DNN. Phương pháp đề xuất đã giải quyết hiệu quả bài toán nhận diện các cuộc tấn công mạng mới khi dữ liệu mẫu hạn chế, đồng thời khắc phục triệt để hiện tượng quên lãng tàn khốc trên các lớp tấn công cũ thông qua cơ chế phát lại bộ nhớ và quy trình cân bằng dữ liệu hai chiều. Toàn bộ kiến trúc và quy trình thực nghiệm được chuẩn hóa trên tập dữ liệu CIC-IDS2017 với môi trường PyTorch và learn2learn, tạo tiền đề kỹ thuật vững chắc cho việc phát triển các hệ thống IDS thông minh và thích ứng linh hoạt trong thực tế.

Trích đoạn nội dung tài liệu

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.