Nghiên Cứu Mô Hình Học Cộng Tác Trong Phát Hiện Tấn Công Mạng

Khóa luận tốt nghiệp nghiên cứu tốt nghiệp khoa học máy tính nghiên cứu mô hình học cộng tác trong phát hiện tấn công mạng, vận dụng lý thuyết vào thực tế, đề xuất giải pháp cụ

• Tác giả: Nguyễn Chí Vỹ
• Người hướng dẫn: TS. Phạm Văn Hậu
• Trường học: Đại học Quốc gia TP. Hồ Chí Minh
• Chuyên ngành: Khoa học máy tính
• Đề tài: Nghiên Cứu Mô Hình Học Cộng Tác Trong Phát Hiện Tấn Công Mạng
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2021
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Giới thiệu bài toán
• 1.2. Lợi ích của máy học trong việc mở rộng
• 1.3. Các nghiên cứu liên quan
• 2. CHƯƠNG 2: MỤC TIÊU KHÓA LUẬN
• 2.1. Mục đích của đề tài
• 2.2. Các chiến lược tấn công và hạn chế
• 3. CHƯƠNG 3: CÁC PHƯƠNG PHÁP VÀ MÔ HÌNH
• 3.1. Mạng nơron hồi quy và mạng sinh đối kháng
• 3.2. Hệ thống phát hiện tấn công
• 4. CHƯƠNG 4: PHƯƠNG PHÁP VÀ MÔ HÌNH ĐỀ XUẤT
• 4.1. Tổng quan phương pháp xây dựng hệ thống phát hiện tấn công
• 4.2. Kiến trúc học cộng tác
• 4.3. Mô hình học cộng tác
• 4.4. Huấn luyện ở các máy cộng tác
• 4.5. Tấn công đầu độc
• 4.5.1. Tấn công đầu độc bằng phương pháp lật nhãn
• 4.6. Xác thực mô hình trước khi cập nhật
• 5. CHƯƠNG 5: THỰC NGHIỆM VÀ ĐÁNH GIÁ
• 5.1. Môi trường và ngôn ngữ cài đặt
• 5.2. Huấn luyện tập trung với mô hình Fed-IDS
• 5.3. Huấn luyện bằng phương pháp học cộng tác
• 5.4. Thực hiện tấn công đầu độc
• 5.5. Xác thực mô hình trước khi tổng hợp
• 5.6. Tình huống thực tế
• 6. CHƯƠNG 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Nghiên Cứu Mô Hình Học Cộng Tác

Nghiên cứu mô hình học cộng tác trong phát hiện tấn công mạng đang trở thành một xu hướng quan trọng trong lĩnh vực an ninh mạng. Mô hình này cho phép các thiết bị học hỏi từ dữ liệu mà không cần phải chia sẻ thông tin nhạy cảm. Điều này không chỉ giúp bảo vệ quyền riêng tư mà còn nâng cao hiệu quả phát hiện tấn công. Theo nghiên cứu của Nguyễn Đức Thiện và các cộng sự, mô hình này có thể đạt độ chính xác cao trong việc phát hiện các mối đe dọa từ các thiết bị IoT.

1.1. Khái Niệm Về Mô Hình Học Cộng Tác

Mô hình học cộng tác (Federated Learning) cho phép nhiều thiết bị cùng học hỏi mà không cần tập trung dữ liệu. Điều này giúp giảm thiểu rủi ro về bảo mật và quyền riêng tư. Mô hình này được áp dụng rộng rãi trong các hệ thống phát hiện tấn công mạng.

1.2. Lợi Ích Của Mô Hình Học Cộng Tác

Mô hình học cộng tác mang lại nhiều lợi ích như bảo vệ quyền riêng tư, giảm tải cho máy chủ và cải thiện độ chính xác của các mô hình phát hiện tấn công. Việc này giúp các tổ chức có thể bảo vệ dữ liệu nhạy cảm mà không lo ngại về việc bị lộ thông tin.

II. Thách Thức Trong Việc Phát Hiện Tấn Công Mạng

Mặc dù mô hình học cộng tác mang lại nhiều lợi ích, nhưng vẫn tồn tại nhiều thách thức trong việc phát hiện tấn công mạng. Các vấn đề như dữ liệu không đồng nhất và tấn công đầu độc có thể làm giảm hiệu quả của mô hình. Theo nghiên cứu của Vale Tolpegin và các cộng sự, tấn công đầu độc có thể gây ra những sai lệch nghiêm trọng trong quá trình huấn luyện.

2.1. Vấn Đề Dữ Liệu Không Đồng Nhất

Dữ liệu không đồng nhất từ các thiết bị khác nhau có thể ảnh hưởng lớn đến độ chính xác của mô hình học máy. Việc này đòi hỏi các phương pháp xử lý dữ liệu hiệu quả để đảm bảo tính chính xác trong phát hiện tấn công.

2.2. Tấn Công Đầu Độc Và Ảnh Hưởng Đến Mô Hình

Tấn công đầu độc có thể làm giảm độ chính xác của mô hình học máy. Các phương pháp như lật nhãn dữ liệu cần được nghiên cứu để bảo vệ mô hình khỏi những mối đe dọa này.

III. Phương Pháp Nghiên Cứu Mô Hình Học Cộng Tác

Để xây dựng hệ thống phát hiện tấn công mạng hiệu quả, cần áp dụng các phương pháp học cộng tác. Các mô hình học máy sẽ được huấn luyện trên dữ liệu từ nhiều thiết bị khác nhau, giúp cải thiện độ chính xác mà không làm lộ thông tin nhạy cảm. Nghiên cứu của Nguyễn Chí Vỹ đã chỉ ra rằng việc áp dụng phương pháp này có thể mang lại kết quả khả quan.

3.1. Xây Dựng Hệ Thống Phát Hiện Tấn Công

Hệ thống phát hiện tấn công mạng sẽ được xây dựng dựa trên các mô hình học máy hiện đại. Việc này giúp nâng cao khả năng phát hiện các mối đe dọa từ mạng.

3.2. Ứng Dụng Kỹ Thuật Học Cộng Tác

Kỹ thuật học cộng tác sẽ được áp dụng để huấn luyện các mô hình trên dữ liệu từ nhiều thiết bị khác nhau. Điều này không chỉ giúp cải thiện độ chính xác mà còn bảo vệ quyền riêng tư của người dùng.

IV. Ứng Dụng Thực Tiễn Của Mô Hình Học Cộng Tác

Mô hình học cộng tác đã được áp dụng trong nhiều lĩnh vực khác nhau, đặc biệt là trong an ninh mạng. Các hệ thống phát hiện tấn công mạng sử dụng mô hình này đã cho thấy hiệu quả cao trong việc phát hiện các mối đe dọa. Nghiên cứu của Dutta và các cộng sự đã chỉ ra rằng mô hình này có thể phát hiện tấn công với độ chính xác lên đến 95.60%.

4.1. Kết Quả Nghiên Cứu Trong Thực Tế

Các nghiên cứu đã chỉ ra rằng mô hình học cộng tác có thể đạt được độ chính xác cao trong việc phát hiện tấn công mạng. Việc này giúp các tổ chức bảo vệ dữ liệu nhạy cảm một cách hiệu quả.

4.2. Tương Lai Của Mô Hình Học Cộng Tác

Mô hình học cộng tác được dự đoán sẽ tiếp tục phát triển và trở thành một phần quan trọng trong các hệ thống an ninh mạng. Cần có nhiều nghiên cứu hơn để cải thiện và tối ưu hóa mô hình này.

V. Kết Luận Về Nghiên Cứu Mô Hình Học Cộng Tác

Nghiên cứu mô hình học cộng tác trong phát hiện tấn công mạng đã chỉ ra nhiều tiềm năng và thách thức. Mặc dù còn nhiều vấn đề cần giải quyết, nhưng mô hình này hứa hẹn sẽ là giải pháp hiệu quả cho các vấn đề an ninh mạng trong tương lai. Cần tiếp tục nghiên cứu để cải thiện độ chính xác và bảo vệ quyền riêng tư của người dùng.

5.1. Tóm Tắt Những Điểm Chính

Mô hình học cộng tác mang lại nhiều lợi ích trong việc phát hiện tấn công mạng. Tuy nhiên, cần chú ý đến các thách thức như tấn công đầu độc và dữ liệu không đồng nhất.

5.2. Hướng Nghiên Cứu Tương Lai

Cần có nhiều nghiên cứu hơn để phát triển và tối ưu hóa mô hình học cộng tác. Việc này sẽ giúp nâng cao hiệu quả trong việc phát hiện tấn công mạng và bảo vệ quyền riêng tư của người dùng.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Sự phát triển của công nghệ thông tin và mạng lưới vạn vật kết nối Internet (IoT) đã tạo ra sự gia tăng về số lượng thiết bị cũng như khối lượng dữ liệu lưu chuyển trên không gian mạng. Nhiều thiết bị IoT có cấu hình bảo mật thấp, dễ trở thành mục tiêu khai thác của các phần mềm độc hại và các cuộc tấn công mạng. Trong bối cảnh đó, hệ thống phát hiện tấn công mạng (Intrusion Detection System - IDS) đóng vai trò then chốt trong việc giám sát, phân tích lưu lượng và ngăn chặn các mối đe dọa.

Để nâng cao khả năng phát hiện các hành vi bất thường chưa từng biết trước, các giải pháp IDS hiện đại đã áp dụng các mô hình học máy (Machine Learning) và học sâu (Deep Learning). Tuy nhiên, phương pháp huấn luyện tập trung truyền thống đòi hỏi toàn bộ dữ liệu lưu lượng từ các mạng phân tán phải được thu thập về một máy chủ trung tâm. Cách tiếp cận này bộc lộ hai rào cản lớn:

1. Gây áp lực lớn lên tài nguyên tính toán của máy chủ và băng thông đường truyền khi phải xử lý khối lượng dữ liệu khổng lồ.
2. Dữ liệu lưu lượng mạng chứa nhiều thông tin nhạy cảm của các cá nhân, tổ chức; việc tập trung dữ liệu làm dấy lên các rủi ro nghiêm trọng về bảo mật và vi phạm quyền riêng tư.

Phương pháp học cộng tác (Federated Learning - FL), được Google giới thiệu lần đầu vào năm 2016, cho phép các thiết bị thành viên (clients) tự huấn luyện mô hình cục bộ trên dữ liệu của chính mình và chỉ gửi các thông số mô hình (trọng số, gradient) về máy chủ để tổng hợp. Dù giải quyết được bài toán bảo vệ quyền riêng tư, học cộng tác lại bộc lộ các lỗ hổng an ninh mới. Dữ liệu tại các thiết bị phân tán không đồng nhất và không được kiểm chứng có thể bị kẻ tấn công thao túng thông qua kỹ thuật tấn công đầu độc (Poisoning attack), làm sai lệch hoặc suy giảm độ chính xác của mô hình học máy chung.

Khóa luận tốt nghiệp của tác giả Nguyễn Chí Vỹ (chuyên ngành Khoa học Máy tính, Trường Đại học Công nghệ Thông tin - ĐHQG TP.HCM) thực hiện nghiên cứu mô hình học cộng tác ứng dụng cho IDS, đồng thời khảo sát các mối đe dọa đầu độc và phương pháp phòng thủ.

Mục tiêu nghiên cứu bao gồm:

1. Ứng dụng phương pháp học cộng tác nhằm xây dựng hệ thống phát hiện tấn công mạng có khả năng tận dụng dữ liệu phân tán từ nhiều thiết bị nhưng vẫn bảo đảm quyền riêng tư dữ liệu.
2. Khảo sát các chiến lược tấn công đầu độc dữ liệu và mô hình trong hệ thống học cộng tác.
3. Nghiên cứu và áp dụng giải pháp phòng thủ bằng thuật toán xác thực mô hình nhằm hạn chế ảnh hưởng của tấn công đầu độc trước khi tổng hợp trọng số.

Nhiệm vụ nghiên cứu được phân chia thành 4 nội dung cụ thể:

• Nội dung 1: Tìm hiểu cơ sở lý thuyết, nguyên lý vận hành của phương pháp học cộng tác và khả năng áp dụng vào hệ thống IDS.
• Nội dung 2: Nghiên cứu các thành phần của hệ thống IDS sử dụng học máy; xây dựng mô hình phát hiện tấn công ứng dụng kỹ thuật học cộng tác; phân tích ưu điểm và nhược điểm của hệ thống.
• Nội dung 3: Nghiên cứu kỹ thuật tấn công đầu độc (lật nhãn và sinh dữ liệu giả bằng mạng sinh đối kháng), đưa các kịch bản này vào mô hình và quan sát mức độ ảnh hưởng.
• Nội dung 4: Triển khai thực nghiệm mô hình phát hiện tấn công trên 5 tác tử IDS (clients) tương ứng với các thiết bị mạng; đánh giá kết quả đạt được dựa trên các kịch bản tấn công và giải pháp xác thực.

Đối tượng nghiên cứu: Phương pháp học máy trong phát hiện tấn công mạng; hệ thống IDS trên nhiều loại thiết bị; phương pháp học cộng tác; kỹ thuật tấn công đầu độc (Poisoning attack); thuật toán Local Outlier Factor (LOF); các thư viện lập trình TensorFlow và Keras.

Phạm vi nghiên cứu:

• Không gian và hệ thống: Hệ thống IDS ứng dụng mô hình học sâu kết hợp học cộng tác; kịch bản phân tán triển khai thử nghiệm trên 5 tác tử IDS.
• Dữ liệu nghiên cứu: Dữ liệu lưu lượng mạng có cấu trúc dạng tập tin csv, huấn luyện và đánh giá trên bộ dữ liệu Kitsune.
• Thời gian thực hiện: Từ ngày 01/02/2021 đến ngày 01/07/2021.

Cơ sở lý thuyết và phương pháp

Khóa luận tổng hợp các khung lý thuyết, công nghệ và phương pháp luận kỹ thuật làm nền tảng xây dựng giải pháp:

Khung lý thuyết và khái niệm:

• Hệ thống phát hiện tấn công mạng (IDS): Phân loại theo vị trí triển khai gồm NIDS (Network IDS - giám sát toàn bộ lưu lượng mạng) và HIDS (Host IDS - giám sát các gói tin vào ra trên máy chủ); phân loại theo phương thức phát hiện gồm Signature-Based (dựa trên chữ ký mẫu tấn công đã biết) và Anomaly-Based (phát hiện bất thường dựa trên baseline); phân loại theo cơ chế phản ứng gồm Passive (chỉ ghi nhận và cảnh báo) và Reactive (chủ động ngăn chặn, khóa địa chỉ IP).
• Mạng nơ-ron nhân tạo (ANNs): Cấu trúc đồ thị gồm các lớp đầu vào (Input), các lớp ẩn (Hidden Layers) và đầu ra (Output). Các tham số trọng số (weights) được tối ưu hóa dựa trên đạo hàm của hàm mất mát (loss function) với kích thước bước cập nhật (learning rate). Các hàm kích hoạt phi tuyến bao gồm:
  • Hàm Sigmoid: $\sigma(x) = \frac{1}{1 + e^{-x}}$
  • Hàm Tanh: $\tanh(x) = \frac{e^x - e^{-x}}{e^x + e^{-x}}$
  • Hàm ReLU: $f(x) = \max(0, x)$
• Mạng tích chập (Convolutional Neural Network - CNN): Sử dụng phép nhân tích chập với các bộ lọc (kernels) trượt trên dữ liệu để trích xuất các bản đồ đặc trưng (feature maps), giúp chia sẻ trọng số và giảm thiểu đáng kể số lượng tham số so với mạng liên kết đầy đủ.
• Mạng nơ-ron hồi quy (RNNs) và các biến thể: RNN xử lý dữ liệu dạng chuỗi có quan tâm đến thứ tự thời gian nhưng gặp hiện tượng mất mát gradient khi chuỗi dài. Mạng bộ nhớ dài ngắn (Long Short-Term Memory - LSTM) bổ sung trục trạng thái ô nhớ để lưu trữ thông tin ngữ cảnh dài hạn. Mạng GRU (Gated Recurrent Unit) là phiên bản tinh giản của LSTM, rút bớt các phép tính nội bộ nhằm tối ưu tốc độ huấn luyện.
• Mạng sinh đối kháng (Generative Adversarial Networks - GANs): Gồm hai thành phần cạnh tranh là bộ sinh (Generator - $G$) có nhiệm vụ sinh dữ liệu giả mô phỏng dữ liệu thật và bộ phân biệt (Discriminator - $D$) có nhiệm vụ phân biệt mẫu thật và mẫu do $G$ tạo ra.
• Phương pháp học cộng tác (Federated Learning - FL): Phân loại thành học cộng tác theo chiều ngang (Horizontal Federated Learning - các bên chia sẻ cùng không gian đặc trưng nhưng khác nhau về tập đối tượng người dùng) và học cộng tác theo chiều dọc (Vertical Federated Learning - các bên có cùng tập đối tượng khách hàng nhưng nắm giữ các đặc trưng khác nhau). Khóa luận áp dụng mô hình học cộng tác theo chiều ngang.
• Thuật toán Local Outlier Factor (LOF): Phương pháp phát hiện các phần tử bất thường trong không gian đa chiều thông qua việc so sánh mật độ lân cận cục bộ của một điểm với mật độ của các điểm lân cận. Các bước toán học gồm:
  • Xác định khoảng cách $k$-distance của điểm $O$ (khoảng cách tới điểm lân cận thứ $k$).
  • Tập hợp lân cận $k$-neighbors, ký hiệu $N_k(O)$, gồm các điểm nằm trong bán kính $k$-distance.
  • Khoảng cách có thể tiếp cận (reachability distance) giữa điểm $O$ và điểm $p$: $$\text{reach_dist}(O, p) = \max(k\text{-distance}(p), d(O, p))$$
  • Mật độ tiếp cận cục bộ (local reachability density - $lrd$): $$lrd_k(O) = \frac{|N_k(O)|}{\sum_{p \in N_k(O)} \text{reach_dist}(O, p)}$$
  • Hệ số bất thường cục bộ (Local Outlier Factor - LOF): $$LOF_k(O) = \frac{\sum_{p \in N_k(O)} \frac{lrd_k(p)}{lrd_k(O)}}{|N_k(O)|}$$ Khi điểm $O$ tương đồng với các điểm lân cận, hệ số LOF sẽ tiệm cận 1. Nếu điểm $O$ nằm cách biệt vùng mật độ cao, hệ số LOF sẽ lớn hơn 1 đáng kể.

Phương pháp nghiên cứu thực nghiệm:

• Xây dựng mô hình học máy mạng nơ-ron kết hợp CNN và GRU (mô hình Fed-IDS).
• Thiết lập môi trường mô phỏng học cộng tác ngang gồm 1 máy chủ trung tâm và các tác tử cục bộ.
• Triển khai kịch bản tấn công đầu độc lật nhãn dữ liệu và tấn công bằng mạng GAN.
• Tích hợp thuật toán LOF tại máy chủ nhằm tính toán độ bất thường của các bộ trọng số gửi lên từ các tác tử, từ đó loại bỏ các tác tử độc hại trước khi thực hiện tổng hợp.

Nguồn dữ liệu và công cụ:

• Bộ dữ liệu lưu lượng mạng Kitsune (định dạng csv).
• Ngôn ngữ lập trình Python kết hợp các thư viện học máy TensorFlow, Keras.

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương 1 trình bày bối cảnh ra đời của bài toán an ninh mạng trong kỷ nguyên IoT. Sự phát triển mạnh mẽ của các thiết bị thông minh làm bùng nổ dữ liệu nhưng cũng đặt ra nguy cơ mất an toàn nghiêm trọng do nhiều thiết bị thiếu các cơ chế phòng thủ chuyên sâu. Hệ thống phát hiện xâm nhập (IDS) ứng dụng học máy giúp nhận diện bất thường hiệu quả nhưng vấp phải rào cản về việc tập trung dữ liệu: chi phí máy chủ tăng cao và nguy cơ vi phạm quyền riêng tư. Tác giả giới thiệu giải pháp học cộng tác (Federated Learning) nhằm huấn luyện mô hình phân tán tại các thiết bị, giảm tải cho máy chủ và giữ an toàn dữ liệu cục bộ. Tuy nhiên, học cộng tác cũng đối mặt với nguy cơ bị tấn công đầu độc dữ liệu từ các thiết bị tham gia không trung thực. Chương này xác định rõ mục tiêu nghiên cứu mô hình phát hiện tấn công mạng bằng học cộng tác, phân tích các hình thức tấn công đầu độc (lật nhãn, tạo dữ liệu giả) và đề xuất áp dụng thuật toán Local Outlier Factor (LOF) để xác thực mô hình trước khi cập nhật.

Chương 2: Các công trình liên quan

Chương 2 tổng hợp các nghiên cứu tiền đề xoay quanh ba nhóm vấn đề chính:

• Các nghiên cứu về phương pháp học cộng tác: Tác giả Nguyễn Đức Thiện và cộng sự (2019) đề xuất mô hình DIoT triển khai tại các cổng an ninh (security gateways) để tự động phát hiện xâm nhập cho thiết bị IoT (camera D-Link, phích cắm thông minh Edimax, router Ubnt). Beibei Li và cộng sự đề xuất kiến trúc DeepFed kết hợp CNN và GRU cho IDS của các thiết bị nối mạng trong doanh nghiệp nhằm bảo đảm quyền riêng tư. Mohamed Abdel-Basset và cộng sự đề xuất khung Fed-TH đánh giá rủi ro cho doanh nghiệp khi dùng học cộng tác.
• Các nghiên cứu về mối đe dọa đối với học cộng tác: Nader Bouacida và cộng sự phân loại tấn công thành hai nhóm: làm giảm độ chính xác chung của mô hình tổng hợp hoặc làm thay đổi khả năng phân lớp đối với một mục tiêu cụ thể. Tấn công làm bẩn dữ liệu được thực hiện bằng cách lật nhãn hoặc bơm dữ liệu giả. Jiale Zhang và cộng sự đề xuất phương pháp PoisonGAN dùng mạng GAN để sinh dữ liệu giả làm giảm khả năng phân lớp của học cộng tác trên các bộ dữ liệu ảnh (MNIST, F-MNIST, CIFAR-10).
• Các nghiên cứu về giải pháp giảm thiểu đe dọa: Sebastien và cộng sự đề xuất cơ chế BaFFLe bảo vệ học cộng tác trước tấn công bí mật trên bộ dữ liệu CIFAR-10 và FMNIST, đạt khả năng nhận diện tấn công với tỷ lệ bỏ sót dưới 5%. Vale Tolpegin và cộng sự đề xuất kỹ thuật xác thực mô hình máy học trước khi cập nhật lên mô hình chính nhằm chống lại tấn công thay đổi nhãn dữ liệu.

Tác giả chỉ ra rằng hầu hết các nghiên cứu tấn công đầu độc trước đây chỉ thực hiện trên bài toán phân loại hình ảnh hoặc chưa xem xét toàn diện khía cạnh an ninh khi áp dụng học cộng tác vào dữ liệu lưu lượng mạng IDS.

Chương 3: Cơ sở lý thuyết

Chương 3 trình bày chi tiết nền tảng lý thuyết phục vụ cho việc xây dựng mô hình và phương pháp phòng thủ:

• Nguyên lý vận hành và phân loại hệ thống IDS (NIDS/HIDS, Signature/Anomaly, Passive/Reactive).
• Lý thuyết mạng học sâu: Cấu trúc mạng ANNs liên kết đầy đủ, các phép toán lan truyền tiến, hàm mất mát, tối ưu hóa bằng đạo hàm và tốc độ học (learning rate), cùng các hàm kích hoạt Sigmoid, Tanh, ReLU.
• Cơ chế của mạng tích chập (CNN): Khái niệm kernel, feature maps và khả năng thu giảm số lượng trọng số lớn khi xử lý dữ liệu nhiều chiều so với mạng liên kết đầy đủ.
• Kiến trúc mạng nơ-ron hồi quy: Mô hình RNN, hạn chế suy giảm gradient và giải pháp bổ sung trục ngữ cảnh của mạng LSTM, cùng phiên bản tối ưu tính toán GRU.
• Kiến trúc mạng sinh đối kháng (GAN): Cơ chế đối nghịch giữa Generator và Discriminator trong quá trình sinh dữ liệu.
• Cơ sở toán học của thuật toán Local Outlier Factor (LOF): Định nghĩa chi tiết và các bước tính toán $k$-distance, $k$-neighbors ($N_k$), reachability distance, local reachability density ($lrd$), và chỉ số LOF.
• Cơ chế của Federated Learning: So sánh học cộng tác theo chiều ngang (cùng đặc trưng, khác tập mẫu) và học cộng tác theo chiều dọc (cùng tập mẫu, khác đặc trưng).

Chương 4: Phương pháp và mô hình đề xuất

Chương 4 mô tả thiết kế của hệ thống phát hiện tấn công mạng Fed-IDS:

• Quy trình học cộng tác: Hệ thống gồm 1 máy chủ trung tâm và $N$ máy tham gia cộng tác. Máy chủ gửi trọng số khởi tạo ban đầu cho các máy cục bộ. Mỗi máy cục bộ huấn luyện trên tập dữ liệu riêng $D_i$ để thu được trọng số $w_i$, sau đó gửi $w_i$ và kích thước dữ liệu $|D_i|$ lên máy chủ. Máy chủ yêu cầu thêm thông tin gradient từ máy có kích thước dữ liệu lớn nhất và tổng hợp trọng số toàn cục $w$ theo công thức trung bình có trọng số: $$w = \sum_{i=1}^N \frac{|D_i|}{|D|} w_i$$ với $|D| = \sum_{i=1}^N |D_i|$.
• Kiến trúc mạng nơ-ron Fed-IDS: Dựa trên nền tảng kiến trúc DeepFed (vốn gồm 3 khối CNN, 2 lớp GRU, MLP và Softmax). Nhằm giảm tải chi phí tính toán và tương thích với dữ liệu có cấu trúc dạng bảng csv, tác giả loại bỏ phần shuffle và rút gọn chỉ giữ lại một lớp GRU. Mô hình Fed-IDS đề xuất gồm:
  • Khối CNN: 3 khối tích chập, mỗi khối gồm 1 lớp Conv1D, 1 lớp Batch Normalization và 1 lớp Max Pooling.
  • Khối GRU: Gồm 1 lớp GRU nhận đầu ra từ khối CNN để trích xuất đặc trưng chuỗi.
  • Khối MLP: Gồm 2 lớp liên kết đầy đủ (Fully Connected) kết hợp lớp Dropout nhằm chống quá khớp.
  • Lớp Softmax: Trả về vector xác suất phân loại nhãn lưu lượng mạng.
• Kịch bản tấn công đầu độc:
  • Tấn công lật nhãn (Label-flipping attack): Kẻ tấn công can thiệp vào máy cục bộ để đảo ngược nhãn dữ liệu huấn luyện (từ tấn công sang bình thường và ngược lại).
  • Tấn công sinh dữ liệu giả bằng GAN: Dựa trên ý tưởng PoisonGAN, máy tấn công đóng vai trò một máy cộng tác thông thường, sử dụng mạng Discriminator chính là mô hình do máy chủ gửi về và mạng Generator để sinh dữ liệu giả nhằm gây sai lệch phân lớp của mô hình chung.
• Giải pháp phòng thủ bằng LOF: Trước khi máy chủ áp dụng công thức tổng hợp trọng số, thuật toán LOF được sử dụng để phân tích khoảng cách và mật độ của các bộ trọng số gửi về từ các máy cộng tác. Các máy có chỉ số LOF bất thường (vượt ngưỡng cho phép) bị nhận diện là nguồn dữ liệu độc hại và bị loại khỏi quá trình cập nhật mô hình toàn cục.
• Cơ chế thêm nhiễu: Nghiên cứu bổ sung nhiễu vào mô hình trước khi truyền tải giữa các nút mạng để hạn chế rò rỉ thông tin dữ liệu gốc.

Chương 5: Thực nghiệm và đánh giá

Chương 5 trình bày thiết lập thử nghiệm và kết quả đánh giá hệ thống:

• Môi trường cài đặt: Sử dụng ngôn ngữ Python, các thư viện hỗ trợ TensorFlow và Keras.
• Thử nghiệm huấn luyện tập trung so với huấn luyện bằng học cộng tác (Fed-IDS) trên bộ dữ liệu lưu lượng mạng Kitsune để đánh giá tính khả thi về độ chính xác và khả năng hội tụ.
• Thử nghiệm kịch bản tấn công đầu độc: Đưa tấn công lật nhãn và tấn công dữ liệu giả bằng GAN vào các máy cộng tác, ghi nhận sự suy giảm về độ chính xác phân loại của mô hình tổng hợp khi không có cơ chế bảo vệ.
• Thử nghiệm cơ chế xác thực mô hình bằng LOF: Triển khai kiểm tra trọng số trước khi tổng hợp, chứng minh khả năng phát hiện và loại bỏ chính xác các cập nhật bất thường từ các máy cộng tác bị nhiễm độc hoặc kẻ tấn công mạo danh.
• Thử nghiệm tình huống thực tế: Triển khai mô hình trên hệ thống phân tán gồm 5 tác tử IDS, đánh giá tính ổn định của hệ thống trong điều kiện hoạt động thực tế.

Chương 6: Kết luận và hướng phát triển

Chương 6 tổng kết các kết quả đạt được của khóa luận: xây dựng thành công kiến trúc Fed-IDS tinh giản, áp dụng hiệu quả kỹ thuật học cộng tác ngang cho dữ liệu mạng Kitsune, chứng minh ảnh hưởng tiêu cực của các hình thức tấn công lật nhãn và GAN, đồng thời xác lập tính khả thi của thuật toán LOF trong việc phát hiện và ngăn chặn các mô hình độc hại trước khi tổng hợp. Đồng thời, chương này chỉ ra các hướng nghiên cứu tiếp theo nhằm nâng cao hiệu năng hệ thống.

Kết quả và đóng góp

Khóa luận đã trích xuất và hệ thống hóa các kết quả cụ thể sau:

Bảng tổng hợp các thành phần kỹ thuật và phương pháp trong nghiên cứu:

Hạng mục	Phương án triển khai trong khóa luận	Mục đích / Vai trò
Phương pháp học phân tán	Horizontal Federated Learning (học cộng tác ngang)	Huấn luyện mô hình IDS tại biên, giữ quyền riêng tư dữ liệu
Công thức tổng hợp trọng số	$w = \sum_{i=1}^N \frac{|D_i|}{|D|} w_i$	Máy chủ cập nhật mô hình chung dựa trên tỷ trọng dữ liệu các máy
Kiến trúc mạng (Fed-IDS)	3 khối Conv1D-BatchNorm-MaxPool + 1 lớp GRU + 2 lớp MLP-Dropout + Softmax	Trích xuất đặc trưng không gian và chuỗi trên dữ liệu lưu lượng csv
Tấn công đầu độc khảo sát	Tấn công lật nhãn (Label-flipping) và sinh dữ liệu giả qua GAN (PoisonGAN)	Đánh giá mức độ tổn thương của mô hình FL trước dữ liệu bẩn
Cơ chế xác thực phòng thủ	Thuật toán Local Outlier Factor (LOF)	Đo mật độ cục bộ của trọng số, loại bỏ máy cộng tác bất thường
Quy mô tác tử thực nghiệm	5 tác tử IDS cục bộ kết nối với 1 máy chủ trung tâm	Kiểm thử tính ổn định và khả năng hoạt động trong môi trường mạng thực tế
Dữ liệu và nền tảng	Bộ dữ liệu Kitsune (dạng csv); TensorFlow, Keras	Huấn luyện, đánh giá và kiểm thử mô hình học sâu

Các đóng góp chính được tác giả tự xác định:

• Cải tiến và tinh giản kiến trúc DeepFed thành mô hình Fed-IDS (loại bỏ cơ chế shuffle và giảm bớt 1 khối GRU), giúp mô hình phù hợp với dữ liệu bảng lưu lượng mạng dạng tập tin csv và tiết kiệm tài nguyên tính toán.
• Khảo sát có hệ thống hai hình thức tấn công đầu độc vào hệ thống IDS học cộng tác: tấn công thay đổi nhãn trực tiếp và tấn công mạo danh bằng cách huấn luyện trên dữ liệu giả sinh bởi mạng GAN.
• Đề xuất và ứng dụng thuật toán Local Outlier Factor (LOF) làm cơ chế xác thực trọng số tại máy chủ trung tâm trước khi cập nhật mô hình, giúp ngăn chặn ảnh hưởng của tấn công đầu độc mà không cần truy cập vào dữ liệu gốc của các máy tham gia.
• Nghiên cứu giải pháp bổ sung nhiễu vào tham số mô hình trước khi truyền tải qua mạng để tăng cường bảo vệ quyền riêng tư dữ liệu.

Hạn chế và hướng nghiên cứu tiếp

Khóa luận chỉ ra một số hạn chế và hướng phát triển kỹ thuật:

Hạn chế của nghiên cứu:

• Điều kiện tổng hợp tại máy chủ còn mang tính đồng bộ ngặt: Giả định máy chủ phải nhận đủ thông số từ toàn bộ $N$ máy tham gia cộng tác mới tiến hành tổng hợp mô hình mới, điều này có thể gây trễ nếu có nút mạng bị nghẽn hoặc mất kết nối.
• Chi phí truyền tải mô hình: Việc liên tục truyền gửi các bộ tham số trọng số và gradient giữa máy chủ và các tác tử làm phát sinh chi phí băng thông mạng.
• Phạm vi thử nghiệm: Nghiên cứu tập trung vào kịch bản 5 tác tử IDS và dữ liệu dạng bảng có cấu trúc csv từ bộ dữ liệu Kitsune, chưa kiểm thử trên nhiều hình thức mạng phân tán quy mô lớn hơn.

Hướng nghiên cứu tiếp theo:

• Nghiên cứu các giải pháp tối ưu hóa việc truyền tải nhằm giảm thiểu chi phí băng thông khi truyền thông số giữa các thiết bị.
• Phát triển các cơ chế cập nhật mô hình bất đồng bộ để hệ thống vẫn vận hành linh hoạt khi một số tác tử gặp sự cố mạng hoặc gửi dữ liệu chậm.
• Mở rộng thử nghiệm cơ chế xác thực LOF và các thuật toán lọc bất thường khác trên các kịch bản tấn công phức tạp hơn và các tập dữ liệu lưu lượng mạng đa dạng.

Giá trị tham khảo

Tài liệu khóa luận có giá trị tham khảo chuyên môn cho:

• Sinh viên, học viên chuyên ngành Khoa học Máy tính, An toàn Thông tin và Mạng máy tính đang nghiên cứu về ứng dụng trí tuệ nhân tạo trong bảo mật mạng.
• Những người nghiên cứu và phát triển hệ thống phát hiện xâm nhập (IDS) mong muốn triển khai kiến trúc học máy phân tán bảo vệ quyền riêng tư thay thế cho mô hình tập trung.
• Các nhà nghiên cứu về an ninh cho Federated Learning: Cung cấp tài liệu tham khảo chi tiết về cơ sở toán học của thuật toán Local Outlier Factor (LOF) trong việc phát hiện bất thường của tham số mô hình, cũng như quy trình tinh giản kiến trúc kết hợp CNN và GRU trên dữ liệu dạng chuỗi/bảng lưu lượng mạng.

Câu hỏi thường gặp

1. Mô hình Fed-IDS đề xuất trong khóa luận có cấu trúc như thế nào và khác gì so với DeepFed gốc?

Kiến trúc Fed-IDS được cải tiến từ DeepFed (vốn gồm 3 khối CNN, 2 lớp GRU, khối MLP và Softmax). Nhằm giảm tải chi phí tính toán và tối ưu cho dữ liệu lưu lượng mạng dạng bảng csv, tác giả đã loại bỏ phần shuffle và bỏ bớt một khối GRU. Cấu trúc Fed-IDS hoàn chỉnh gồm 3 khối Conv1D (kết hợp Batch Normalization và Max Pooling), 1 lớp GRU, khối MLP gồm 2 lớp Fully Connected có tích hợp Dropout, và cuối cùng là lớp Softmax trả về vector xác suất phân loại.

2. Thuật toán Local Outlier Factor (LOF) được tác giả ứng dụng vào khâu nào và nhằm mục đích gì?

Thuật toán LOF được tích hợp tại máy chủ trung tâm trước bước tổng hợp trọng số mô hình toàn cục. Thuật toán đo lường mật độ lân cận cục bộ của các bộ trọng số gửi về từ các máy cộng tác. Nếu một máy gửi lên bộ trọng số có hệ số LOF chênh lệch lớn so với cụm các máy bình thường (thể hiện tính chất bất thường do tấn công lật nhãn hoặc sinh dữ liệu giả), máy chủ sẽ nhận diện và loại bỏ mô hình đó khỏi danh sách tổng hợp, ngăn ngừa nhiễm độc mô hình chung.

3. Kỹ thuật tấn công sinh dữ liệu giả bằng GAN trong khóa luận được vận hành theo cơ chế nào?

Dựa trên ý tưởng mô hình PoisonGAN của Jiale Zhang và cộng sự, kẻ tấn công giả lập vai trò là một máy cộng tác hợp lệ. Kẻ tấn công sử dụng mô hình học máy do máy chủ gửi xuống làm mạng phân biệt (Discriminator), đồng thời huấn luyện một mạng sinh (Generator) để tạo ra các mẫu dữ liệu giả. Máy tấn công tiến hành huấn luyện nội bộ trên tập dữ liệu giả này rồi gửi bộ trọng số bị làm sai lệch về máy chủ nhằm làm suy giảm độ chính xác phân lớp của toàn hệ thống.

4. Công thức tổng hợp trọng số tại máy chủ của hệ thống học cộng tác trong khóa luận được tính toán ra sao?

Máy chủ thực hiện tổng hợp trọng số toàn cục $w$ theo công thức trung bình có trọng số dựa trên kích thước tập dữ liệu của từng máy tham gia: $$w = \sum_{i=1}^N \frac{|D_i|}{|D|} w_i$$ Trong đó, $N$ là tổng số máy cộng tác, $w_i$ là bộ trọng số huấn luyện gửi từ máy thứ $i$, $|D_i|$ là số lượng mẫu dữ liệu của máy thứ $i$, và $|D| = \sum_{i=1}^N |D_i|$ là tổng số lượng dữ liệu trên toàn bộ $N$ máy.

5. Nghiên cứu thực nghiệm mô hình trên bao nhiêu tác tử IDS và sử dụng bộ dữ liệu nào?

Khóa luận triển khai thực nghiệm mô hình Fed-IDS trên môi trường phân tán gồm 5 tác tử IDS (tương ứng với các thiết bị mạng khác nhau). Dữ liệu được sử dụng để huấn luyện và đánh giá các mô hình học máy là bộ dữ liệu lưu lượng mạng Kitsune (lưu trữ dưới dạng tập tin csv có cấu trúc đặc trưng).

Kết luận

Khóa luận tốt nghiệp của tác giả Nguyễn Chí Vỹ đã nghiên cứu việc áp dụng phương pháp học cộng tác theo chiều ngang nhằm xây dựng hệ thống phát hiện tấn công mạng Fed-IDS, giúp huấn luyện mô hình học sâu phân tán mà không làm lộ dữ liệu lưu lượng riêng tư. Công trình đã phân tích sâu các nguy cơ mất an toàn từ tấn công đầu độc lật nhãn và tấn công dữ liệu giả qua mạng GAN, đồng thời đề xuất giải pháp xác thực trọng số bằng thuật toán Local Outlier Factor (LOF) tại máy chủ trước khi tổng hợp. Kết quả nghiên cứu và thử nghiệm trên 5 tác tử IDS với bộ dữ liệu Kitsune khẳng định tính khả thi của mô hình đề xuất trong việc nâng cao độ bền vững và an toàn cho hệ thống IDS phân tán.

Trích đoạn nội dung tài liệu

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.