Chương 1. TONG QUAN 4 giảm độ chính xác của mô hình huấn luyện [15]. Bởi vì dữ liệu huấn luyện ở nhiều máy khác nhau sẽ đa dạng và không đáp ứng được tính xác thực trên các thiết bị trong quá trình huấn luyện. Thêm vào đó, tan công đầu độc có thể giảm đáng kể độ chính xác của mô hình máy học nếu không có các thao tác xác thực phù hợp trước khi cập nhật mô hình [21].
Nhìn chung, hiện nay cũng đã có nhiều nghiên cứu tập trung vào việc huấn luyện IDS sử dụng Federated Learning cho ra độ chính xác cao. Ví như Nguyễn Đức Thiện và các cộng sự [18] đã đề xuất mô hình IDS dựa trên Federated Learn- ing đặt ở các security gateway của mỗi hệ thống mạng của các máy tham gia huấn luyện để tự động phát hiện các mối de doa cho các thiết bị IoT. Tương tự vậy Liang Zhao và các cộng sự đã phát triển mạng học sâu kết hợp với Feder- ated Learning để xây dựng IDS cho hệ thống mạng vật lý (cyber-physical systems - CPSs). Bên cạnh đó cũng có những nghiên cứu chỉ ra rằng, Federated Learning còn tổn tại nhiều van dé khiến cho kẻ tấn công có thể can thiệp vào quá trình huấn luyện nội bộ ở các máy tham gia như trong nghiên cứu của Nguyễn Đức Thiện và các cộng sự [17].
Những tan công nay có thể là lật nhãn dữ liệu [4] và huấn luyện trên bộ dir liệu giả được tạo ra từ mạng sinh đối kháng (26) (25). Dé giải quyết van dé đó, trong khoá luận này tôi sé di phân tích các chiến lượt tan của hai phương pháp lật nhãn và huấn luyện di liệu giả. Bên cạnh đó tôi cũng dé cập một phương pháp sử dung Local Outlier Factor l6 để xác thực mô hình trước khi cập nhật nhằm hạn ché các ảnh hưởng tiêu cực từ các tan công nêu trên.2 Mục tiêu khóa luận Mục đích của đề tài nhằm nghiên cứu và xây dựng mô hình máy học phục vụ cho việc xác định và ngăn chặn các cuộc tấn công mạng dựa trên phương pháp học cộng tác. Bên cạnh đó sẽ xem xét các chiến lược gây ảnh hưởng xấu đến mô hình và phương pháp hạn chế chúng.
TONG QUAN 5 s Đầu tiên, tôi xây dựng mô hình IDS máy học bằng mạng học sâu với kiến trúc tương tự như DeepFed [11]. Kiến trúc này được áp dụng cho cả phương pháp huấn luyện tập trung và phương pháp học cộng tác trên cũng bộ dữ liệu để thực hiện đánh giá và so sánh. ® Sau đó, tôi sẽ dé cập đến hai loại tan công đầu độc: tấn công lật nhãn và huấn luyện trên bộ dit liệu giả được tạo ra bằng mạng sinh đối kháng. Tiến hành thực nghiệm để so sánh mô hình trước và sau khi bị tan công.
* Cuối cùng, sử dụng phương pháp xác thực mô hình trước khi tổng hợp. Và tiến hành thực nghiệm để đánh giá khả năng giảm bớt ảnh hưởng của các loại tấn công trê.3 Cau trúc Khóa luận tốt nghiệp Nội dung Khóa luận được tổ chức như sau: ° Chương] Giới thiệu tổng quan về khóa luận. * Chương|2} Các công trình liên quan. « Chương} Cơ sở lý thuyết.
« Chương |4| Phương pháp và mô hình dé xuất. s Chương Thực nghiệm và đánh giá. e Chương |6} Kết luận và hướng phát triển. Chương 2 CÁC CÔNG TRÌNH LIÊN QUAN Trong phần này, tôi sẽ giới thiệu về các hướng nghiên cứu đã có ở các khía cạnh liên quan đến đề tài này.1 Các nghiên cứu về phương pháp học cộng tác Đầu tiên, phương pháp DioT của Nguyễn Đức Thiện và các cộng sự [18], nhóm nghiên cứu này đã dé xuất một phương pháp để tự động học trên các hệ thống phân tán để tạo ra mô hình máy học phát hiện những tân công gây hại cho các thiết bị IơT.
Hệ thống này được đánh giá hiệu năng trên tập dữ liệu được thu thập bởi các thiết bị thông minh trong như camera va router. Tiếp theo, Beibei Li và các cộng sự đã dé xuất kiến trúc học sâu và được dat tên là DeepFed (11), kiến trúc này đã kết hợp rất hiệu quả với phương pháp hoc cộng tác trong việc xây dựng hệ thống phát hiện xâm nhập cho các thiết bị có kết nối mạng. Kiến trúc DeepFed này là sự kết hợp giữa CNN và GRU. Hướng tiếp cận này giúp cho các doanh nghiệp xây dựng một hệ thống chuyên dụng để phát hiện tấn công và đảm bảo về quyền riêng tư của dữ liệu của các tổ chức tham gia cộng tác.
Bên cạnh đó Mohamed Abdel-Basset và các cộng sự cũng dé xuất Fed-TH[1] dé tìm những rủ ro cho các doanh nghiệp khi áp dụng phương pháp học cộng tác. CÁC CÔNG TRÌNH LIÊN QUAN 7 2.2 Các nghiên cứu về những đe doa đối với phương pháp học cộng tác Mặc dù có khả bảo vệ quyền riêng tư về di liệu người dùng, nhưng phương pháp học cộng tác vẫn chứa đựng nhiều nguy hại và được dé cập bởi Nader Bouacida và các cộng sự (5). Nhom tac gia nay da dé cap để việc phân loại những tấn công thành hai loại chính dua trên mục đích tấn công: tan công với mục đích làm giảm độ chính xác của mô hình tổng hợp và tan công làm thay đổi khả năng phân lớp của mô hình với mục đích cụ thể. Trong ngữ cảnh của phương pháp học cộng tác, nhiều nghiên cứu đã chỉ ra rằng cách tan công từ việc làm bẩn dữ liệu ở các máy cộng tác khiến cho mô hình tổng hợp bị giảm độ chính xác đi rất nhiều.
Dữ liệu bẩn ở đây có thể được tạo ra bằng cách lật các nhãn dit liệu ngược lại với thực tế hoặc đưa một bộ dữ liệu giả để cho mô hình huấn luyện ở các máy cộng tác bị phân lớp sai. Jiale Zhang và các cộng sự đã trình bày về phương pháp tạo ra một bộ dữ liệu giả dựa trên mạng sinh đối khang (GAN). Déng thoi, nhóm tác giả cũng dé xuất phương pháp tan công làm ban đữ liệu bang mang sinh đối kháng và đặt tên là PoisonGAN để làm giảm khả năng phân lớp của phương pháp học cộng tác trên ba bộ dữ liệu quen thuộc: MNIST, F-MNIST, và CIFAR-10.3 Các nghiên cứu về giảm bớt những de doa đối với phương pháp học cộng tác Các nghiên cứu gần đây đã chỉ ra rằng phương pháp học cộng tác rat dé bị ảnh hưởng bởi loại tan công đầu độc. Vì vay, Sebastien và các cộng sự đã dé xuất một phương pháp mới giúp bảo vệ phương pháp học cộng tác trước các loại tan công bí mật và đặt tên cho phương pháp này là BaFFLe [3].
Trong nghiên cứu nay, Chương 2. CÁC CÔNG TRÌNH LIÊN QUAN 8 nhóm tác giả đã thực hiện trên hai bộ dữ liệu: CIFAR-10 và FMNIST, kết quả cho thấy rang khả năng nhận diện được các tấn công của BaFFLe gần như là tuyệt đối với xác suất bỏ sót tan công đưới 5%. Tương tự như vậy, Vale Tolpegin và các cộng sự cũng trình bày phương pháp để tránh việc thay đổi nhãn dữ liệu bằng cách xác thực mô hình máy học trước khi cập nhật lên mô hình chính. Tóm lại, đã có rất nhiều nghiên cứu về phương pháp học cộng tác trong nhiều ứng dụng khác nhau.
Các nghiên cứu này tập trung vào việc thực hiện tấn công đầu độc và tìm cách hạn chế chúng. Tuy nhiên, vẫn còn thiếu những nghiên cứu chuyên sâu để đảm bảo được hiệu năng của mô hình máy học xây dựng hệ thống phát hiện tấn công dựa trên phương pháp học cộng tác. Gần đây, BeiBei Li và các cộng sự [11] da dé xuất phương pháp xây dựng hệ thống phát hiện tan công bằng phương pháp học cộng tác. Nhưng nhóm tác giả không dé cập đến vấn dé bảo mật.
Bên cạnh đó thi Zhang và các cộng sự trình bày những loại tấn công đầu độc nhưng lại thực hiện trên bài toán phân loại ảnh. Chương 3 CƠ SỞ LÝ THUYET 3.1 Hệ thống phát hiện tan công mạng 3.1 Tấn công mạng Tấn công mạng (Cyber attack) hay còn được gọi là chiến tranh không gian mạng. Đây là hành động xâm nhập thông qua internet để vào được các hệ thống mang, máy tính, cơ sở dữ liệu, thiết bị của cá nhân hoặc tổ chức nào đó. Tan công mạng có thể theo hướng tích cực nghĩa là việc tấn công này này chỉ nhằm mục đích tìm ra các lỗ hổng của hệ thống nhằm mục đích vá những lỗ hổng này làm cho hệ thống trở nên bảo mật hơn.
Bên cạnh đó cũng có những kẻ xấu luôn muốn tìm cách thâm nhập vào hệ thống, các thiết bị của người khác nhằm mục đích khai thác thông tin, phá hoại hệ thống và thậm chí có thể tống tiền từ các thông tin nhạy cảm.2 Hệ thong phát hiện tan công Trước nguy cơ những cuộc tan công mạng diễn ra, các chuyên gia an ninh mạng luôn cố gắng tìm cách xây dựng một hệ thống phát nhằm dự đoán được những tấn công dựa trên lưu lượng mạng. Hệ thống phát hiện tấn công (Intrusion detection system - IDS) là một hệ thống giúp dua ra dự đoán giúp phát hiện một Chương 3. CƠ SỞ LÝ THUYẾT 10 lưu lượng mạng là bình thường hay độc hại nhằm giúp đưa ra các giải pháp kịp thời và phù hợp. Tuỳ vào vị trí đặt và cách phản hồi của IDS khác nhau mà có các loại IDS khác nhau[1 ¢ NIDS: Network Intrusion Detection Systems được đặt ở vị trí mà có thể quét hết toàn bộ lưu lượng mạng, nhưng việc này có thể làm giảm tốc độ mạng gây ảnh hưởng đến trải nghiệm người dùng.
¢ HIDS: Host Intrusion Detection Systems chạy trực tiép trên may chủ riêng và chỉ giám sát các gói dữ liệu vào ra để đưa ra nhận định đây có phải là lưu lượng mạng độc hại hay không. © Signature-Based: nhận biết dựa trên chữ kí gần giống với cách hoạt động của các phần mềm diệt virut. Nhưng cũng bị gặp sai lầm nếu như các chữ kí này chưa được cập nhật * Anomaly-Based: phát hiện tấn công dựa trên các lưu lượng bat thường trên cơ sở baseline đã định trước. ® Passive: chỉ phát hiện và gửi thông báo đến quản trị viên.
© Reactive: phát hiện và làm một số hành động ngay lập tức để ngăn chặn lưu lượng độc hại như khoá IP. IDS có thể được tạo ra bởi các cách khác nhau. Theo cách truyền thống các chuyên gia nghiên cứu sẽ thống kê lại các cuộc tấn công và đưa ra bộ luật để xác định được đâu là tấn công đâu là bình thường. Nhưng cách này rất khó để phát hiện những tan công mới cũng như là khó cập nhật khi có thông tin các cuộc tan công mới.