Bối cảnh và vấn đề nghiên cứu

Lý do chọn đề tài và bối cảnh thực tiễn

Trong xu thế phát triển của công nghệ thông tin, an ninh mạng đối mặt với các mối đe dọa ngày càng phức tạp. Các tổ chức từ doanh nghiệp đến cơ quan chính phủ đều lưu trữ, xử lý khối lượng lớn dữ liệu nhạy cảm, do đó các sự cố tấn công mạng có thể dẫn đến thất thoát dữ liệu, thiệt hại tài chính và suy giảm uy tín. Để bảo vệ hạ tầng công nghệ thông tin, hệ thống phát hiện xâm nhập (Intrusion Detection Systems - IDS), đặc biệt là hệ thống phát hiện xâm nhập mạng (NIDS), đóng vai trò quan trọng trong việc giám sát và phát hiện các hành vi bất thường hoặc trái phép.

Sự phát triển của trí tuệ nhân tạo đã thúc đẩy việc ứng dụng học máy (Machine Learning - ML), học sâu (Deep Learning - DL) và học tổng hợp (Ensemble Learning) vào các hệ thống IDS nhằm nâng cao độ chính xác trong phân loại lưu lượng độc hại so với các phương pháp truyền thống. Tuy nhiên, các mô hình học máy lại bộc lộ điểm yếu trước các cuộc tấn công đối kháng (Adversarial Attacks). Kẻ tấn công có thể chèn các nhiễu đối kháng (adversarial perturbations) rất nhỏ vào lưu lượng độc hại, khiến mô hình phân loại nhầm thành lưu lượng hợp lệ mà con người khó nhận biết. Tác giả dẫn chứng sự kiện năm 2014 tại Sony Pictures, khi tin tặc khai thác các kỹ thuật làm cho dữ liệu độc hại tương đồng với dữ liệu hợp pháp để vượt qua hệ thống IDS, gây rò rỉ hàng terabyte dữ liệu nội bộ và thông tin nhân viên. Xuất phát từ thực tế đó, đề tài "A Study on the Adversarial Attack Resistance of Learning-Based Intrusion Detection Systems" được thực hiện nhằm đánh giá toàn diện độ bền vững (robustness), tính chuyển giao và khả năng phòng thủ của các mô hình IDS trước các dạng tấn công đối kháng.

Mục tiêu nghiên cứu

Khóa luận xác định các mục tiêu cụ thể sau:

  1. Xây dựng và hiện thực lại mô hình Mạng sinh đối kháng (Generative Adversarial Network - GAN) kết hợp kỹ thuật học đa phương thức (Multimodal Learning) nhằm tạo ra dữ liệu đối kháng có khả năng trốn tránh các hệ thống NIDS.
  2. Triển khai các thuật toán tạo mẫu đối kháng chuẩn bao gồm Fast Gradient Sign Method (FGSM), Zeroth Order Optimization (ZOO), DeepFool và Carlini & Wagner (C&W).
  3. Thực hiện phân tích, so sánh hiệu quả đánh lừa NIDS của dữ liệu đối kháng sinh ra từ các phương pháp tiếp cận khác nhau.
  4. Đánh giá tính chuyển giao (Transferability) của các mẫu đối kháng giữa các bộ phân loại NIDS cùng kiến trúc và khác kiến trúc.
  5. Áp dụng kỹ thuật huấn luyện đối kháng (Adversarial Training) để nâng cao năng lực phòng thủ và tính vững chắc cho các mô hình phát hiện xâm nhập.

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu: Hệ thống phát hiện xâm nhập mạng (NIDS); các thuật toán học máy (GNB, DT, LR), học sâu (DNN, LSTM), học tổng hợp (Ensemble Learning); mô hình mạng sinh đối kháng (GAN); kỹ thuật học đa phương thức (Multimodal Learning); các giải thuật sinh mẫu đối kháng (FGSM, ZOO, DeepFool, C&W); tính chuyển giao (Transferability) và kỹ thuật huấn luyện đối kháng (Adversarial Training).
  • Phạm vi nghiên cứu: Đề tài tập trung vào việc tạo lưu lượng mạng đối kháng dựa trên không gian đặc trưng; thử nghiệm tính chuyển giao trên các bộ phân loại mục tiêu; và thực hiện kịch bản huấn luyện lại mô hình phát hiện với tập dữ liệu kết hợp mẫu đối kháng trên các bộ dữ liệu an ninh mạng chuẩn.

Cơ sở lý thuyết và phương pháp

Khung lý thuyết và mô hình sử dụng

Khóa luận xây dựng trên các nền tảng lý thuyết an toàn thông tin và trí tuệ nhân tạo:

  • Hệ thống phát hiện xâm nhập: Phân loại theo phạm vi triển khai gồm NIDS (giám sát toàn bộ lưu lượng mạng tại biên hoặc điểm truy cập) và HIDS (giám sát trên từng máy trạm nội bộ); phân loại theo cơ chế phát hiện gồm Signature-based IDS (dựa trên mẫu chữ ký đã biết) và Anomaly-based IDS (dựa trên độ lệch so với hành vi chuẩn - baseline).
  • Mô hình học máy và học sâu:
    • Gaussian Naive Bayes (GNB): Dựa trên định lý Bayes và giả định các đặc trưng độc lập tuân theo phân phối chuẩn Gauss: $$P(x_i|C) = \frac{1}{\sqrt{2\pi\sigma_C^2}} \exp\left(-\frac{(x_i - \mu_C)^2}{2\sigma_C^2}\right)$$
    • Decision Tree (DT): Phân loại dữ liệu dựa trên việc tối ưu hóa độ thuần nhất thông qua chỉ số Gini Impurity $Gini(t) = 1 - \sum_{i=1}^n p_i^2$ hoặc Entropy.
    • Logistic Regression (LR): Mô hình hóa xác suất nhị phân qua hàm Sigmoid $P(Y=1|X) = \frac{1}{1 + e^{-(\beta_0 + \beta_1 X)}}$.
    • Deep Neural Networks (DNN) & Long Short-Term Memory (LSTM): Xử lý các biểu diễn đặc trưng phi tuyến tính phức tạp và quan hệ phụ thuộc chuỗi thời gian của các luồng lưu lượng.
    • Ensemble Learning: Kết hợp nhiều mô hình đơn lẻ (thông qua Voting, Averaging, Bagging, Boosting, Stacking) để giảm phương sai và tối ưu hóa biên quyết định.
    • Multimodal Learning: Tách và xử lý riêng biệt các nhóm đặc trưng gói tin (Packet Group) và nhóm đặc trưng luồng (Traffic Group) qua các tầng Gaussian Restricted Boltzmann Machine (Gaussian RBM) trước khi hợp nhất tại Upper Gaussian RBM nhằm trích xuất vector đại diện toàn diện.
  • Tấn công đối kháng (Adversarial Attack): Phân chia thành hai mô hình tấn công chính:
    • White-box Attack: Kẻ tấn công nắm toàn bộ kiến trúc, tham số và gradient của mô hình. Các giải thuật gồm: FGSM (dựa vào dấu của gradient hàm mất mát $x_{adv} = x + \epsilon \cdot \text{sign}(\nabla_x J(\theta, x, y))$); DeepFool (tìm khoảng cách biến đổi tối thiểu đưa mẫu qua ranh giới quyết định); C&W (tối ưu hóa hàm mục tiêu kết hợp chuẩn khoảng cách $L_p$ và độ tin cậy phân loại).
    • Black-box Attack: Kẻ tấn công chỉ quan sát đầu vào và đầu ra xác suất của mô hình. Giải thuật ZOO (Zeroth Order Optimization) ước lượng gradient bằng tỉ số sai phân đối xứng: $$\frac{\partial f(x)}{\partial x_i} \approx \frac{f(x + h e_i) - f(x - h e_i)}{2h}$$
  • Phòng thủ huấn luyện đối kháng (Adversarial Training): Phương pháp tăng cường dữ liệu huấn luyện gốc bằng các mẫu đối kháng đã được gán nhãn chính xác nhằm định hình lại ranh giới phân loại của mô hình.
+-----------------------------------------------------------------------------+
|                      QUY TRÌNH NGHIÊN CỨU 5 GIAI ĐOẠN                       |
+-----------------------------------------------------------------------------+
| Phase 1: Thăm dò (Probe Phase)                                              |
|          -> Trích xuất Malicious Features -> Đánh giá Detector gốc          |
|                                                                             |
| Phase 2: Sinh lưu lượng đối kháng GAN + Multimodal Learning                 |
|          -> Packet & Traffic Groups -> Gaussian RBMs -> Upper Gaussian RBM   |
|          -> Generator (Noise) vs Discriminator (Vector đại diện)            |
|                                                                             |
| Phase 3: Sinh mẫu đối kháng bằng các thuật toán chuẩn                       |
|          -> White-box (FGSM, DeepFool, C&W) & Black-box (ZOO)               |
|                                                                             |
| Phase 4: Thực thi tấn công & Đánh giá chuyển giao (Execute Attack Phase)    |
|          -> Đánh giá Detection Rate của NIDS trước mẫu đối kháng            |
|                                                                             |
| Phase 5: Phòng thủ bằng Huấn luyện đối kháng (Adversarial Training)         |
|          -> Trộn mẫu đối kháng vào tập Train -> Huấn luyện lại Detector     |
+-----------------------------------------------------------------------------+

Phương pháp nghiên cứu và nguồn dữ liệu

Nghiên cứu sử dụng phương pháp thực nghiệm khoa học thông qua việc xây dựng đường ống xử lý dữ liệu và kịch bản tấn công/phòng thủ 5 pha:

  • Nguồn dữ liệu thực nghiệm: Các tập dữ liệu chuẩn trong nghiên cứu an toàn mạng gồm CICIDS2017, CICIOT2023, NSL-KDD và tập tham chiếu UNSW-NB15.
  • Công cụ triển khai: Thư viện học máy Scikit-learn (GNB, DT, LR) và framework học sâu PyTorch (torch) để thiết kế mạng nơ-ron, GAN, Gaussian RBM.

Nội dung chính theo từng chương

Chương 1: Tổng quan đề tài

Chương 1 thiết lập khung nghiên cứu tổng thể của khóa luận:

  • Phân tích bối cảnh an ninh mạng hiện đại, sự cần thiết của hệ thống phát hiện xâm nhập và sự chuyển dịch sang các mô hình học máy.
  • Chỉ ra lỗ hổng bảo mật cốt lõi: các mô hình học máy dễ bị tổn thương trước các mẫu tấn công đối kháng có chủ đích.
  • Xác lập 5 mục tiêu nghiên cứu cụ thể, phạm vi thực nghiệm trong việc sinh lưu lượng đối kháng, kiểm tra tính chuyển giao và xây dựng giải pháp huấn luyện phòng thủ.
  • Trình bày bố cục khóa luận gồm 5 chương chức năng.

Chương 2: Cơ sở lý thuyết

Chương 2 tổng hợp toàn bộ các nền tảng lý thuyết và tổng quan tài liệu liên quan:

  • Trình bày chi tiết cấu trúc, nguyên lý phân loại của IDS (NIDS/HIDS, Signature-based/Anomaly-based).
  • Khái quát các thuật toán học máy có giám sát (Linear Regression, Logistic Regression, Decision Tree, Random Forest) và học sâu (DNN, LSTM).
  • Phân tích các cơ chế Ensemble Learning (đồng bộ, bất đồng bộ, Bagging, Boosting, Stacking, Voting) và lợi ích giải quyết vấn đề thống kê, tính toán, tối ưu hóa cực trị cục bộ.
  • Giới thiệu kỹ thuật Multimodal Learning trong việc phân tích dữ liệu đa nguồn và cấu trúc mạng GAN cơ bản (Generator và Discriminator).
  • Định nghĩa tấn công đối kháng, phân loại tấn công White-box và Black-box; chi tiết hóa các giải thuật tạo mẫu đối kháng FGSM, ZOO, DeepFool, Carlini & Wagner.
  • Trình bày cơ chế tính chuyển giao (Transferability) nội bộ mô hình và liên mô hình, cùng nguyên lý phòng thủ bằng Adversarial Training.
  • Điểm luận các công trình liên quan: nghiên cứu của Dongqi Han và cộng sự với công cụ Traffic Manipulator đạt tỉ lệ trốn tránh trên 97% trước KitNET; nghiên cứu của Peishuai Sun và cộng sự với framework GPMT (gồm 3 giai đoạn: Probe, Build Surrogate Model, Execute Attack); công trình của Haitao He về Multimodal Learning đạt độ chính xác 94% phân loại nhị phân và 88% phân loại đa lớp; nghiên cứu của Alhussien về tính chuyển giao và phòng thủ đối kháng.

Chương 3: Phương pháp thực hiện

Chương 3 trình bày chi tiết kiến trúc đề xuất và phương pháp thiết kế mô hình:

  • Kiến trúc hệ thống 5 giai đoạn:
    1. Phase 1 (Probe Phase): Trích xuất đặc trưng độc hại từ lưu lượng gốc và đánh giá hiệu năng phát hiện cơ sở của Detector mục tiêu.
    2. Phase 2 (Create adversarial traffic phase): Ứng dụng Multimodal Learning chia lưu lượng thành nhóm Packet và nhóm Traffic, đưa qua các tầng Gaussian RBM để học phân phối cục bộ, sau đó hợp nhất tại Upper Gaussian RBM thành vector đại diện chung. Mạng Generator nhận vector nhiễu ngẫu nhiên (torch.randn) kết hợp thông tin đa phương thức để tạo mẫu đối kháng đánh lừa Discriminator.
    3. Phase 3 (Another adversarial traffic generation phase): Trích xuất đặc trưng và gradient từ mô hình đã huấn luyện ở Phase 1 để tạo mẫu đối kháng bổ sung bằng các thuật toán White-box (FGSM, DeepFool, C&W) và Black-box (ZOO).
    4. Phase 4 (Execute attack phase): Đưa các mẫu đối kháng sinh ra vào các bộ phân loại NIDS mục tiêu để đo lường tỉ lệ phát hiện bị suy giảm.
    5. Phase 5 (Defense Adversarial Training): Tiến hành trộn dữ liệu đối kháng vào tập huấn luyện gốc để tái huấn luyện Detector (Training Adversarial), sau đó kiểm thử với tập mẫu đối kháng mới tạo độc lập (Testing Adversarial).
Thành phần mạng Tầng / Lớp Chiều vào Chiều ra Hàm kích hoạt
Generator Đầu vào input_dim 64 ReLU()
Ẩn 1 64 128 ReLU()
Ẩn 2 128 output_dim Tanh()
Discriminator Đầu vào input_dim 64 ReLU(0.2)
Ẩn 2 128 68 Sigmoid()
  • Thiết kế các bộ phân loại:
    • Hiện thực GNB với giả định phân phối chuẩn Gauss.
    • Hiện thực Decision Tree tối ưu hóa chỉ số Gini Impurity (với cây phân loại thực tế có nút gốc phân chia tại điều kiện $x[13] \le 0.138$, Gini = 0.359 trên 2.375.791 mẫu dữ liệu).
    • Thiết kế các mạng DNN (DNN1, DNN2), LSTM (LSTM1, LSTM2) và các mô hình học tổng hợp Ensemble Learning dựa trên ML và DL.

Chương 4: Hiện thực, đánh giá và thảo luận (Thí nghiệm và đánh giá)

Chương 4 thiết lập môi trường và phân tích chi tiết các kết quả thực nghiệm:

  • Thiết lập thí nghiệm: Xác định cấu hình môi trường, tiêu chí đánh giá (Detection Rate, Robustness, Accuracy) trên các bộ dữ liệu NSL-KDD, CICIDS2017, CICIOT2023.
  • Hiệu suất của các Detector trước dữ liệu gốc: Đánh giá tỉ lệ phát hiện tấn công của GNB, DT, LR, DNN, LSTM và Ensemble trên dữ liệu mạng nguyên bản chưa biến đổi.
  • Khảo sát hiệu năng tấn công đối kháng:
    • Đánh giá tỉ lệ phát hiện của Detector trước mẫu sinh ra từ mô hình đề xuất GAN kết hợp Multimodal Learning.
    • Đánh giá tỉ lệ phát hiện trước các thuật toán FGSM, DeepFool, ZOO, C&W.
    • Phân tích tương quan giữa tham số nhiễu $\epsilon$ (đối với FGSM), số vòng lặp tối ưu $max_iter$ (đối với DeepFool, ZOO, C&W) tới thời gian tạo mẫu và mức độ suy giảm tỉ lệ phát hiện.
  • Đánh giá tính chuyển giao (Transferability): Đo lường tỉ lệ phát hiện khi chuyển giao mẫu đối kháng sinh ra từ mô hình nguồn sang mô hình đích cùng loại (giữa DNN1 và DNN2, giữa LSTM1 và LSTM2) và khác loại kiến trúc.
  • Hiệu quả phòng thủ bằng Adversarial Training: Tái huấn luyện các Detector với dữ liệu kết hợp mẫu đối kháng; kiểm tra lại độ bền vững (Robustness) và sự phục hồi của tỉ lệ phát hiện trước các cuộc tấn công mới.

Chương 5: Kết luận và hướng phát triển

  • Tổng kết các kết quả đạt được về khả năng sinh mẫu đối kháng, sự sụt giảm hiệu năng phát hiện của các NIDS học máy và hiệu quả của giải pháp huấn luyện đối kháng.
  • Đề xuất các định hướng nghiên cứu mở rộng trong tương lai nhằm tăng cường khả năng tự vệ của hệ thống an ninh mạng.

Kết quả và đóng góp

Kết quả nghiên cứu chính

  1. Khả năng đánh lừa của mô hình đề xuất GAN + Multimodal Learning: Việc tích hợp Gaussian RBM đa phương thức (Packet và Traffic groups) giúp Discriminator học được biểu diễn sâu của lưu lượng mạng, buộc Generator phải sinh ra các mẫu đối kháng có cấu trúc phân phối tinh vi, làm suy giảm mạnh tỉ lệ phát hiện của các bộ phân loại NIDS.
  2. So sánh hiệu năng các thuật toán tấn công đối kháng:
    • White-box (FGSM, DeepFool, C&W): FGSM có ưu điểm về tốc độ sinh mẫu nhanh với chi phí tính toán thấp; C&W và DeepFool tối ưu hóa nhiễu ở mức tối thiểu nhưng đạt hiệu quả đánh lừa cao khi tăng số vòng lặp tối ưu.
    • Black-box (ZOO): Cho phép tạo mẫu đối kháng hiệu quả mà không cần truy cập trọng số mô hình mục tiêu, tuy nhiên đòi hỏi chi phí tính toán và thời gian thực thi cao hơn do phải xấp xỉ gradient thông qua sai phân hữu hạn.
Phương pháp tấn công Dạng tấn công Cơ chế chính Ưu điểm ghi nhận Hạn chế thực nghiệm
GAN + Multimodal Generative Gaussian RBM + GAN Tạo mẫu lưu lượng phức tạp Cần huấn luyện mạng kép
FGSM White-box Gradient Sign Tốc độ sinh mẫu nhanh Nhiễu cố định theo $\epsilon$
DeepFool White-box Lặp tối thiểu hóa khoảng cách Nhiễu rất nhỏ, độ tương đồng cao Tốn vòng lặp tính toán
Carlini & Wagner (C&W) White-box Tối ưu hóa hàm mục tiêu $L_2$ Tỉ lệ trốn tránh cao Chi phí tính toán lớn
ZOO Black-box Xấp xỉ Gradient qua sai phân Không cần biết nội vi mô hình Thời gian tạo mẫu lâu
  1. Tính chuyển giao của mẫu đối kháng: Các mẫu đối kháng có tính chuyển giao cao giữa các mô hình có cấu trúc tương đồng (như từ DNN1 sang DNN2, hoặc giữa các biến thể LSTM), nhưng mức độ chuyển giao suy giảm khi áp dụng chéo giữa các kiến trúc học máy khác biệt hoàn toàn.
  2. Hiệu quả của Adversarial Training: Việc đưa các mẫu đối kháng sinh ra từ GAN, FGSM, DeepFool, ZOO và C&W vào tập huấn luyện giúp các Detector khôi phục đáng kể tỉ lệ phát hiện và gia tăng tính bền vững (Robustness) trước các đợt tấn công đối kháng lặp lại.

Đóng góp của đề tài

  • Hiện thực hóa thành công quy trình kết hợp học đa phương thức (Multimodal Learning với Gaussian RBM) vào mạng sinh đối kháng (GAN) để tạo ra lưu lượng mạng đối kháng bám sát đặc trưng lưu lượng thực tế.
  • Cung cấp bức tranh thực nghiệm toàn diện so sánh cả 4 thuật toán tấn công kinh điển (FGSM, DeepFool, ZOO, C&W) và mô hình GAN trên các tập dữ liệu an ninh mạng chuẩn (CICIDS2017, CICIOT2023, NSL-KDD).
  • Thực nghiệm kiểm chứng tính chuyển giao và xác thực phương pháp phòng thủ Adversarial Training, cung cấp cơ sở thực nghiệm cho việc củng cố các hệ thống NIDS dựa trên AI.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của nghiên cứu

  • Các phương pháp tấn công Black-box (như ZOO) đòi hỏi tài nguyên tính toán và thời gian xử lý lớn khi xấp xỉ gradient, gây khó khăn nếu áp dụng trên các hệ thống giám sát lưu lượng thời gian thực quy mô lớn.
  • Khả năng chuyển giao của các mẫu đối kháng còn phụ thuộc nhiều vào mức độ tương đồng giữa kiến trúc mô hình nguồn và mô hình mục tiêu.
  • Huấn luyện đối kháng (Adversarial Training) giúp tăng độ bền vững trước các dạng tấn công đã biết trong tập huấn luyện, nhưng chưa thể đảm bảo ngăn chặn tuyệt đối các biến thể tấn công hoàn toàn mới.

Hướng nghiên cứu tiếp theo

  • Mở rộng nghiên cứu các cơ chế phòng thủ phối hợp đa tầng thay vì phụ thuộc vào một phương pháp phòng thủ đơn lẻ.
  • Tối ưu hóa thời gian và thuật toán sinh mẫu đối kháng trong môi trường Black-box nhằm mô phỏng sát hơn các kịch bản tấn công thực tế.
  • Nghiên cứu cơ chế tự động thích ứng của NIDS trước các dạng lưu lượng độc hại bị biến đổi liên tục trong thời gian thực.

Giá trị tham khảo

  • 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 kỹ sư an ninh mạng, chuyên viên phát triển giải pháp SOC/SIEM đang nghiên cứu tích hợp các mô hình Machine Learning/Deep Learning vào phát hiện bất thường.
  • Nội dung tham khảo giá trị:
    • Phương pháp xây dựng mạng GAN kết hợp Gaussian RBM để xử lý đặc trưng mạng đa phương thức trong Chương 3.
    • Mã nguồn thiết lập kiến trúc mạng nơ-ron (Generator, Discriminator, DNN, LSTM) và cấu hình siêu tham số thực nghiệm.
    • Bộ số liệu đối sánh chi tiết về tỉ lệ phát hiện của các mô hình trước và sau khi bị tấn công đối kháng cũng như sau khi áp dụng Adversarial Training trong Chương 4.

Câu hỏi thường gặp

1. Kỹ thuật Multimodal Learning được ứng dụng như thế nào trong mô hình sinh mẫu đối kháng của khóa luận?

Trong giai đoạn Phase 2, tác giả chia dữ liệu độc hại thành hai nhóm đặc trưng riêng biệt là nhóm gói tin (Packet Group) và nhóm luồng (Traffic Group). Mỗi nhóm được nạp vào một mạng Gaussian RBM để học phân phối cục bộ. Đầu ra của các mạng này được tổng hợp tại Upper Gaussian RBM nhằm tạo ra vector đại diện chung đa phương thức, giúp Discriminator phân biệt chính xác hơn và thúc đẩy Generator tạo ra các mẫu đối kháng tinh vi hơn.

2. Sự khác biệt căn bản giữa thuật toán FGSM và ZOO trong nghiên cứu là gì?

FGSM là phương pháp tấn công White-box, sử dụng trực tiếp gradient của hàm mất mát từ mô hình mạng nơ-ron đã biết rõ tham số để tạo nhiễu nhanh chóng bằng phép toán một bước. Ngược lại, ZOO là phương pháp tấn công Black-box, không thể truy cập cấu trúc hay gradient của mô hình mà phải ước lượng gradient thông qua tỉ số sai phân đối xứng giữa các lần thăm dò đầu ra xác suất.

3. Quy trình thực hiện phòng thủ bằng Adversarial Training trong khóa luận gồm những bước nào?

Quy trình gồm hai bước chính:

  1. Training Adversarial: Trộn dữ liệu huấn luyện gốc với các mẫu đối kháng được sinh ra từ các thuật toán (GAN, FGSM, DeepFool, ZOO, C&W), sau đó trích xuất đặc trưng và nhãn để tái huấn luyện bộ phân loại NIDS.
  2. Testing Adversarial: Trích xuất các mẫu độc hại từ tập kiểm thử độc lập, tạo ra các mẫu đối kháng mới (chưa từng xuất hiện trong tập huấn luyện) và đưa vào Detector đã được huấn luyện lại để đánh giá độ bền vững và tỉ lệ phát hiện.

4. Các bộ dữ liệu an ninh mạng nào được sử dụng để đánh giá thực nghiệm trong khóa luận?

Khóa luận sử dụng các tập dữ liệu an ninh mạng chuẩn gồm: CICIDS2017, CICIOT2023, NSL-KDD và tham chiếu tập dữ liệu UNSW-NB15 để đo lường hiệu năng phát hiện của các bộ phân loại trước và sau các cuộc tấn công đối kháng.

5. Kết luận của tác giả về tính chuyển giao (Transferability) của mẫu đối kháng là gì?

Kết quả nghiên cứu cho thấy mẫu đối kháng có tính chuyển giao cao khi tấn công giữa các mô hình có cùng kiến trúc hoặc kiến trúc tương đồng (chẳng hạn giữa các mạng DNN hoặc giữa các mạng LSTM với nhau). Tuy nhiên, tính chuyển giao giảm đi rõ rệt khi mẫu đối kháng được áp dụng chéo sang các mô hình có sự khác biệt lớn về kiến trúc phân loại và phương pháp huấn luyện.

Kết luận

Khóa luận tốt nghiệp của tác giả Phan Thị Tuyết Lan và Đỗ Minh Thọ đã phân tích chuyên sâu về tính dễ bị tổn thương của các hệ thống phát hiện xâm nhập mạng (NIDS) dựa trên học máy trước các cuộc tấn công đối kháng. Bằng việc kết hợp mạng GAN với Multimodal Learning cùng việc triển khai 4 thuật toán tấn công FGSM, DeepFool, ZOO và C&W, nghiên cứu đã chứng minh sự suy giảm hiệu năng nghiêm trọng của các bộ phân loại NIDS trên các tập dữ liệu chuẩn. Đồng thời, công trình khẳng định tính hiệu quả của phương pháp huấn luyện đối kháng (Adversarial Training) trong việc nâng cao độ bền vững của mô hình, đóng góp nguồn tài liệu thực nghiệm giá trị cho lĩnh vực bảo mật trí tuệ nhân tạo trong an ninh mạng.