Bối cảnh và vấn đề nghiên cứu

Sự phát triển của hạ tầng điện toán cùng sự bùng nổ của các ứng dụng mạng như thương mại điện tử, mạng xã hội và điện toán đám mây khiến tình hình an toàn thông tin ngày càng trở nên phức tạp. Các hành vi xâm nhập trái phép nhắm vào việc phá vỡ ba trụ cột an ninh cơ bản: tính bảo mật (Confidentiality), tính toàn vẹn (Integrity) và tính sẵn sàng (Availability). Để bảo vệ hệ thống, các giải pháp phát hiện xâm nhập (Intrusion Detection System - IDS) đóng vai trò then chốt trong việc theo dõi, phân tích lưu lượng mạng và phát tín hiệu cảnh báo.

Các hệ thống IDS truyền thống chủ yếu hoạt động dựa trên ba cơ chế:

  1. Dựa trên chữ ký (Signature-based): Nhận dạng dựa trên tập mẫu tấn công đã biết, có độ chính xác cao nhưng không thể nhận diện các cuộc tấn công mới hoặc biến thể mới.
  2. Dựa trên bất thường (Anomaly-based): Xây dựng hồ sơ hành vi thông thường để phát hiện các sai lệch lạ, có khả năng phát hiện mối đe dọa chưa biết nhưng dễ gây ra tỷ lệ cảnh báo sai (False Positive).
  3. Dựa trên đặc tả (Specification-based): Giám sát sự tuân thủ các quy chuẩn giao thức định trước.

Trước yêu cầu xử lý lưu lượng mạng quy mô lớn mà không phụ thuộc vào kỹ thuật trích xuất đặc trưng thủ công, học sâu (Deep Learning) và đặc biệt là Mạng nơ-ron đồ thị (Graph Neural Network - GNN) đã được ứng dụng để mô hình hóa cấu trúc tương tác và quan hệ topo phức tạp trong lưu lượng mạng. Dù vậy, các mô hình học máy lại bộc lộ điểm yếu trước các cuộc tấn công đối kháng (Adversarial Attacks) – hình thức mà kẻ tấn công cố tình đưa nhiễu nhỏ vào dữ liệu đầu vào nhằm khiến mô hình phân loại sai lệch. Trong môi trường mạng, việc thay đổi cấu trúc đồ thị hoặc chuyển giao mẫu đối kháng qua lại giữa các kiến trúc học máy đặt ra thách thức lớn đối với độ tin cậy của IDS.

Mục tiêu nghiên cứu:

  1. Nghiên cứu, thiết kế và xây dựng các cuộc tấn công né tránh (Evasion Attacks) nhằm mục đích đánh lừa hệ thống phát hiện xâm nhập sử dụng phương pháp học máy.
  2. Đánh giá tác động của các mẫu dữ liệu đối kháng đối với các mô hình học máy trong kiến trúc mạng khả lập trình (Software-Defined Networking - SDN).

Phạm vi nghiên cứu:

  • Nghiên cứu khả năng bị đánh lừa của IDS trước các kiểu tấn công có chứa nhiễu thông qua thao tác thêm hoặc xóa các cạnh trong cấu trúc đồ thị của mô hình GNN.
  • Đánh giá khả năng chuyển giao (Transferability) của các mẫu dữ liệu đối kháng sinh ra từ các mô hình học máy khác nhau (CNN, VAE) sang mô hình GNN khi mô hình đích chưa từng tiếp xúc với các mẫu này trong quá trình huấn luyện.
  • Khảo sát các phương thức thực hiện và phát hiện tấn công trong môi trường mạng SDN mô phỏng.
  • Đánh giá tính khả thi của việc sử dụng dữ liệu đối kháng phục vụ tái huấn luyện (Re-training) nhằm tăng cường độ bền vững của IDS.

Đối tượng nghiên cứu:

  • Kiến trúc và nguyên tắc hoạt động của mô hình GNN trong phân loại luồng mạng.
  • Các phương thức tấn công né tránh thông qua can thiệp cấu trúc mạng nơ-ron đồ thị.
  • Phương pháp sinh mẫu đối kháng từ các mô hình học máy.
  • Tác động của các mẫu dữ liệu đối kháng đến mô hình GNN.
  • Mức độ quan trọng của các thuộc tính luồng mạng quyết định đến khả năng phân loại trong GNN.
  • Hệ thống phát hiện xâm nhập xử lý các gói tin bị thay đổi thuộc tính trong môi trường mạng SDN.

Cơ sở lý thuyết và phương pháp

Khóa luận xây dựng nền tảng lý thuyết trên sự giao thoa giữa hệ thống giám sát an ninh mạng, học sâu trên cấu trúc đồ thị và an ninh đối kháng học máy:

  • Hệ thống phát hiện xâm nhập (IDS/IPS): Phân loại theo nguồn thu thập gồm Network-based (NIDS), Host-based (HIDS) và Hybrid IDS; phân loại theo phương pháp gồm Signature-based, Anomaly-based và Specification-based.
  • Mạng nơ-ron đồ thị (GNN): Xử lý dữ liệu phi Euclid biểu diễn dưới dạng $G = (V, E)$, với $V$ là tập đỉnh (hosts/IPs) và $E$ là tập cạnh (các luồng kết nối). GNN vận hành qua các mô-đun: lan truyền (propagation), lấy mẫu (sampling) và tổng hợp (aggregation) thông tin từ vùng lân cận để giải quyết các tác vụ cấp nút, cấp cạnh hoặc cấp đồ thị.
  • Các kiến trúc học sâu được khảo sát:
    • Convolutional Neural Network (CNN): Sử dụng các lớp tích chập (Convolutional Layer) với các bộ lọc trượt trên đặc trưng không gian, kết hợp lớp gộp (Pooling) và lớp kết nối đầy đủ (Fully-Connected Layer) để phân loại.
    • Variational Autoencoder (VAE): Mô hình sinh biến phân bao gồm Bộ mã hóa (Encoder) ánh xạ dữ liệu đầu vào sang không gian tiềm ẩn (Latent Space) dưới dạng phân phối chuẩn xác suất thông qua thủ thuật tái tham số hóa (reparameterization trick), và Bộ giải mã (Decoder) tái tạo dữ liệu mẫu gốc bằng cách tối ưu hàm mất mát kết hợp giữa tổn thất tái tạo và khoảng cách phân kỳ Kullback-Leibler (KL-Divergence).
    • GraphSAGE và E-GraphSAGE (Edge-based GraphSAGE): GraphSAGE nguyên bản chỉ tổng hợp đặc trưng từ các nút lân cận. Khóa luận tập trung vào biến thể cải tiến E-GraphSAGE, do dữ liệu luồng mạng NIDS chủ yếu chứa đặc trưng trên luồng (cạnh) thay vì nút. E-GraphSAGE khởi tạo vector đặc trưng nút $x_v$, sau đó thực hiện lấy mẫu và tổng hợp thông tin từ các cạnh lân cận ở độ sâu $K$, cuối cùng nối ghép (concatenate) để tạo vector nhúng cạnh (edge embedding) phục vụ bài toán phân loại nhị phân hoặc đa lớp.
  • Phân loại tấn công đối kháng:
    • Theo tri thức: Tấn công hộp trắng (White-box Attack) khi kẻ tấn công nắm rõ tham số, kiến trúc mô hình và đồ thị huấn luyện; Tấn công hộp đen (Black-box Attack) khi kẻ tấn công chỉ có thể tương tác với đầu vào/đầu ra mà không biết tham số nội tại.
    • Theo thời điểm: Tấn công trốn tránh (Evasion Attack) tác động vào giai đoạn kiểm thử/vận hành; Tấn công đầu độc (Poisoning Attack) làm sai lệch dữ liệu trước hoặc trong pha huấn luyện.
    • Theo hình thức gây nhiễu đồ thị: Thao túng cấu trúc (thêm/xóa cạnh), tiêm nút độc hại (Node Injection), hoặc cài cắm cửa sau (Backdoor).
    • Khả năng chuyển giao (Transferability): Hiện tượng mẫu đối kháng được tạo ra nhằm đánh lừa một mô hình nguồn (như CNN hoặc VAE) vẫn có khả năng làm sai lệch kết quả dự đoán của một mô hình đích có kiến trúc hoàn toàn khác biệt (như GNN).
  • Công cụ sinh mẫu: Khóa luận sử dụng bộ công cụ bảo mật đối kháng Adversarial Robustness Toolbox (ART), tích hợp các thuật toán sinh mẫu đối kháng như FGSM (Fast Gradient Sign Method), PGD (Projected Gradient Descent), BIM (Basic Iterative Method), và CW (Carlini-Wagner).
  • Mạng khả lập trình SDN: Tách biệt mặt phẳng điều khiển (Control Plane) khỏi mặt phẳng chuyển tiếp dữ liệu (Data Plane), cho phép bộ điều khiển trung tâm lập trình và cấu hình quy tắc xử lý luồng mạng linh hoạt.

Phương pháp nghiên cứu:

  • Phân tích và tổng hợp lý thuyết về an toàn mạng, kiến trúc GNN và cơ chế tấn công đối kháng.
  • Phương pháp thực nghiệm định lượng: Triển khai kiểm thử tấn công trốn tránh trên mô hình E-GraphSAGE bằng cách can thiệp cấu trúc cạnh; đo lường độ suy giảm hiệu suất phát hiện; kiểm định khả năng chuyển giao mẫu đối kháng giữa CNN, VAE và GNN.
  • Phương pháp phòng thủ: Tái huấn luyện đối kháng (Adversarial Retraining) kết hợp các mẫu nhiễu vào tập huấn luyện để cải thiện độ bền vững.

Nguồn dữ liệu thực nghiệm: Khóa luận sử dụng hai bộ dữ liệu NetFlow tiêu chuẩn quốc tế:

  1. NF-UNSW-NB15 (phiên bản gốc và phiên bản giảm mẫu).
  2. NF-CSE-CIC-IDS2018 (phiên bản gốc và phiên bản giảm mẫu).

Thiết kế và triển khai

Đối với cấu phần kiểm thử trong môi trường mạng khả lập trình, khóa luận tiến hành xây dựng mô hình thực nghiệm dựa trên các công nghệ sau:

Thành phần Công nghệ / Môi trường triển khai Vai trò trong hệ thống
Nền tảng giả lập mạng Mininet Thiết lập topo mạng ảo hóa, các nút mạng (hosts) và chuyển mạch OpenFlow
Kiến trúc điều khiển Mạng khả lập trình SDN Tách biệt luồng điều khiển, trích xuất thuộc tính lưu lượng mạng tập trung
Công cụ sinh dữ liệu đối kháng Adversarial Robustness Toolbox (ART) Thực thi các thuật toán biến đổi gradient để tạo mẫu đối kháng từ CNN và VAE
Mô hình học sâu NIDS PyTorch / Python (E-GraphSAGE, CNN, VAE) Tiếp nhận luồng mạng, trích xuất đặc trưng cạnh, phân loại lưu lượng độc hại
Kịch bản lưu lượng Lưu lượng bình thường kết hợp DoS Tạo các mẫu tấn công từ chối dịch vụ (DoS) với các thuộc tính gói tin bị can thiệp

Quy trình triển khai thực nghiệm gồm các bước:

  1. Thiết lập topo Mininet: Tạo lập hạ tầng mạng SDN với các máy trạm gửi và nhận lưu lượng.
  2. Thu thập thuộc tính lưu lượng: Ghi nhận các trường thông tin của luồng mạng (traffic attributes), đo lường số lượng gói tin gửi đi và phân tích chênh lệch tỷ lệ gói tin giữa trạng thái bình thường và trạng thái bị tấn công.
  3. Can thiệp đối kháng: Áp dụng thuật toán sinh mẫu đối kháng từ ART lên các bản ghi mạng và thực hiện kịch bản can thiệp cấu trúc topo đồ thị (thay đổi kết nối cạnh) trước khi chuyển tiếp đến bộ phân loại IDS.
  4. Đo lường phòng thủ: Thu thập các gói tin bị thay đổi thuộc tính, đưa vào quy trình tái huấn luyện mô hình nhằm kiểm tra khả năng khôi phục độ chính xác của IDS.

Nội dung chính theo từng chương

Chương 1: Tổng quan đề tài

Trình bày tính cấp thiết của bài toán phát hiện xâm nhập trước sự gia tăng của các nguy cơ mất an toàn thông tin. Phân tích sự chuyển dịch từ IDS truyền thống sang ứng dụng học sâu và mô hình đồ thị. Xác định mục tiêu, đối tượng, phạm vi nghiên cứu, phương pháp thực hiện và cấu trúc gồm 6 chương của khóa luận.

Chương 2: Tổng quan tình hình nghiên cứu

Tổng kết các công trình khoa học trong và ngoài nước liên quan đến GNN, E-GraphSAGE, các kỹ thuật tấn công đối kháng trên đồ thị (Evasion, Poisoning, thêm/xóa cạnh) và tính chuyển giao (Transferability) của mẫu đối kháng giữa các mô hình học máy. Phân tích chi tiết ý nghĩa khoa học trong việc nâng cao an ninh học máy và ý nghĩa thực tiễn khi ứng dụng bảo vệ hệ thống thông tin của các tổ chức tài chính, doanh nghiệp.

Chương 3: Cơ sở lý thuyết

Cung cấp toàn diện các khái niệm nền tảng:

  • Cấu trúc và nguyên lý hoạt động của NIDS, HIDS, Hybrid IDS; các cơ chế Signature-based, Anomaly-based và Specification-based.
  • Lý thuyết mạng nơ-ron đồ thị: cấu trúc $G=(V, E)$, thiết kế hàm mất mát (loss function) theo các tác vụ cấp nút, cạnh và toàn đồ thị; vai trò của mô-đun lan truyền, lấy mẫu và tổng hợp.
  • Cấu trúc mạng tích chập (CNN) và mạng biến phân tự mã hóa (VAE) với các phương trình toán học về không gian tiềm ẩn và phân kỳ KL.
  • Thuật toán GraphSAGE và thuật toán chi tiết E-GraphSAGE phục vụ nhúng đặc trưng cạnh luồng mạng.
  • Phân loại tấn công đối kháng (hộp trắng, hộp đen, trốn tránh, đầu độc, thao túng cạnh, tiêm nút, backdoor); các phương pháp phòng thủ (huấn luyện đối kháng, tiền xử lý đồ thị, sửa đổi cấu trúc/hàm loss).
  • Giới thiệu công cụ ART và kiến trúc mạng SDN.

Chương 4: Phương pháp thực hiện

Mô tả chi tiết quy trình thực nghiệm và các kịch bản đánh giá:

  • Tổng quan mô hình và kịch bản thực nghiệm trên hai bộ dữ liệu luồng mạng.
  • Chiến lược thực hiện tấn công né tránh trên E-GraphSAGE thông qua việc thêm hoặc xóa cạnh với các tỷ lệ xác định.
  • Quy trình sinh mẫu đối kháng từ mô hình học máy CNN và VAE bằng công cụ ART, sau đó thiết lập mô hình chuyển giao các mẫu này sang mô hình E-GraphSAGE.
  • Quy trình triển khai kiểm thử hệ thống phát hiện trên môi trường mạng SDN giả lập bằng Mininet, tạo mẫu lưu lượng DoS và giám sát sự biến đổi thuộc tính gói tin.
  • Phương pháp tăng cường tính bền vững cho mô hình thông qua cơ chế tái huấn luyện (Re-training).

Chương 5: Kết quả thực nghiệm

Báo cáo và phân tích kết quả định lượng:

  • Thiết lập môi trường thực nghiệm phần cứng/phần mềm; quy trình tiền xử lý, chuẩn hóa và giảm kích thước tập dữ liệu NF-UNSW-NB15 và NF-CSE-CIC-IDS2018; định nghĩa các hàm tính toán hiệu suất.
  • Kết quả tấn công né tránh: Đo lường sự thay đổi hiệu năng của E-GraphSAGE khi thêm/xóa 5% và 10% tổng số cạnh đồ thị trên cả hai tập dữ liệu.
  • Kết quả tấn công chuyển giao: Đánh giá tỷ lệ đánh lừa E-GraphSAGE bằng các mẫu đối kháng sinh ra từ CNN và VAE trên tập dữ liệu tổng thể và trên tập con chỉ chứa các mẫu tấn công (Attack samples).
  • Kết quả triển khai trên SDN: Thống kê số lượng gói tin gửi đi, độ sai lệch tỷ lệ gói tin và nhận diện lưu lượng DoS.
  • Kết quả tái huấn luyện: Đánh giá sự phục hồi hiệu suất của mô hình sau khi được huấn luyện bổ sung với dữ liệu đối kháng trốn tránh và dữ liệu đối kháng chuyển giao.

Chương 6: Kết luận và hướng phát triển

Đánh giá tổng kết các mục tiêu đã đạt được của khóa luận và đề xuất các hướng nghiên cứu mở rộng trong tương lai.

Kết quả và đóng góp

Khóa luận đã hoàn thành các nội dung thực nghiệm và thu được các kết quả cụ thể theo các kịch bản đo lường:

1. Kết quả thực nghiệm tấn công né tránh trên cấu trúc đồ thị

Khóa luận đã kiểm thử tác động của việc can thiệp cấu trúc liên kết topo đối với mô hình E-GraphSAGE trên hai tập dữ liệu NF-UNSW-NB15 và NF-CSE-CIC-IDS2018:

Kịch bản tấn công Tập dữ liệu kiểm thử Đối tượng can thiệp Bảng dữ liệu trong văn bản
Tấn công né tránh mức 5% NF-UNSW-NB15 Thêm / xóa 5% tổng số cạnh Bảng 5.1
Tấn công né tránh mức 10% NF-UNSW-NB15 Thêm / xóa 10% tổng số cạnh Bảng 5.2
Tấn công né tránh mức 5% NF-CSE-CIC-IDS2018 Thêm / xóa 5% tổng số cạnh Bảng 5.3
Tấn công né tránh mức 10% NF-CSE-CIC-IDS2018 Thêm / xóa 10% tổng số cạnh Bảng 5.4

Thực nghiệm chỉ ra rằng việc thay đổi cấu trúc đồ thị bằng cách thêm các kết nối giả mạo hoặc loại bỏ các liên kết luồng mạng quan trọng làm suy giảm rõ rệt độ chính xác phân loại của mô hình E-GraphSAGE, chứng minh cấu trúc topo là yếu tố nhạy cảm đối với GNN trong bài toán NIDS.

2. Kết quả thực nghiệm tính chuyển giao của mẫu đối kháng

Khóa luận đã tiến hành tạo các mẫu dữ liệu đối kháng từ hai mô hình học sâu CNN và VAE, sau đó đưa vào kiểm thử trên mô hình E-GraphSAGE mà không qua huấn luyện trước:

  • Kiểm thử trên toàn bộ tập dữ liệu kiểm tra của NF-UNSW-NB15 (Bảng 5.5) và NF-CSE-CIC-IDS2018 (Bảng 5.6).
  • Kiểm thử cô lập trên nhóm dữ liệu chỉ chứa mẫu tấn công (Attack-only samples) đối với NF-UNSW-NB15 (Bảng 5.7) và NF-CSE-CIC-IDS2018 (Bảng 5.8).
  • Kết quả khẳng định tính khả thi của việc chuyển giao đối kháng: các mẫu nhiễu sinh ra từ kiến trúc mạng nơ-ron tích chập hoặc tự mã hóa biến phân vẫn duy trì khả năng làm sai lệch quyết định phân loại của mô hình dựa trên đồ thị.

3. Kết quả thực nghiệm trên môi trường SDN và giải pháp phòng thủ

  • Triển khai SDN với Mininet: Thống kê thuộc tính traffic (Bảng 5.9), ghi nhận số liệu tạo mẫu DoS (Bảng 5.10) và số lượng gói tin gửi đi qua switch (Bảng 5.11), chứng minh khả năng áp dụng phân tích gói tin bị can thiệp thuộc tính trong mạng khả lập trình.
  • Tái huấn luyện đối kháng (Adversarial Re-Training):
    • Tái huấn luyện E-GraphSAGE với tập dữ liệu chứa nhiễu thêm/xóa 5% cạnh (Bảng 5.12) giúp mô hình thích ứng và cải thiện lại độ chính xác phân loại.
    • Tái huấn luyện với các mẫu đối kháng chuyển giao trên tập dữ liệu NF-UNSW-NB15 (Bảng 5.13) giúp nâng cao độ bền vững (robustness) trước các mẫu dữ liệu gian lận sinh ra từ CNN và VAE.

Đóng góp của khóa luận:

  • Đưa ra quy trình áp dụng và tinh chỉnh thuật toán E-GraphSAGE cho phép xử lý và nhúng trực tiếp các thuộc tính luồng mạng (cạnh) thay vì chỉ nhúng đặc trưng nút như GraphSAGE truyền thống.
  • Cung cấp đánh giá thực nghiệm đa chiều về mức độ tổn thương của mô hình phát hiện xâm nhập dựa trên GNN trước hai phương thức tấn công: biến đổi cấu trúc đồ thị (thêm/xóa cạnh) và chuyển giao mẫu đối kháng từ các kiến trúc học sâu khác (CNN, VAE).
  • Kiểm chứng hiệu quả của phương pháp tái huấn luyện đối kháng trong việc khôi phục độ chính xác và tăng cường độ vững chắc cho hệ thống IDS.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của đề tài:

  • Các thực nghiệm tấn công né tránh cấu trúc đồ thị mới tập trung ở mức độ thay đổi tỷ lệ cố định (5% và 10% tổng số cạnh) trên các tập dữ liệu đã qua tiền xử lý và giảm mẫu.
  • Mô hình mạng SDN được triển khai thử nghiệm trên môi trường giả lập Mininet ở quy mô phòng thí nghiệm, chưa đánh giá trên hạ tầng phần cứng mạng thực tế với lưu lượng băng thông lớn.
  • Kịch bản tấn công đối kháng chuyển giao chủ yếu khảo sát giữa các cặp mô hình CNN, VAE sang GNN, chưa mở rộng sang nhiều kiến trúc học sâu phức tạp khác.

Hướng nghiên cứu tiếp:

  • Mở rộng nghiên cứu các kỹ thuật tấn công trốn tránh tinh vi hơn trên đồ thị, kết hợp đồng thời thao tác thay đổi thuộc tính cạnh và cấu trúc nút.
  • Nghiên cứu tối ưu hóa hiệu năng tính toán của thuật toán E-GraphSAGE nhằm đáp ứng yêu cầu phát hiện xâm nhập theo thời gian thực (real-time) trên lưu lượng mạng thực tế.
  • Thiết kế các cơ chế phòng thủ nâng cao như sửa đổi trực tiếp hàm mất mát, áp dụng cơ chế chú ý (Graph Attention) hoặc tiền xử lý lọc nhiễu cấu trúc đồ thị trước khi phân loại.
  • Triển khai thử nghiệm hệ thống IDS trên môi trường mạng SDN quy mô công nghiệp để đánh giá độ trễ và khả năng mở rộng.

Giá trị tham khảo

Khóa luận là tài liệu tham khảo phù hợp cho:

  • Sinh viên, học viên chuyên ngành An toàn thông tin, Mạng máy tính và Khoa học dữ liệu: Tham khảo quy trình tiền xử lý dữ liệu mạng dạng luồng (NetFlow), phương pháp xây dựng đồ thị mạng và cơ chế hoạt động của thuật toán nhúng cạnh E-GraphSAGE.
  • Nhà nghiên cứu về an ninh học máy (Adversarial Machine Learning): Tiếp cận phương pháp luận kiểm thử độ bền vững của mô hình phát hiện xâm nhập, kỹ thuật can thiệp cấu trúc topo đồ thị và quy trình đo lường tính chuyển giao mẫu đối kháng giữa các họ mô hình học sâu.
  • Kỹ sư mạng và quản trị hệ thống: Tham khảo mô hình tích hợp giải pháp học máy vào môi trường mạng khả lập trình SDN sử dụng Mininet để giám sát và đối phó với tấn công mạng.

Câu hỏi thường gặp

1. Tại sao khóa luận lại sử dụng thuật toán E-GraphSAGE thay vì GraphSAGE tiêu chuẩn?

Trong thuật toán GraphSAGE gốc, mô hình chỉ tập trung lấy mẫu và tổng hợp đặc trưng của các nút (node features) mà bỏ qua đặc trưng của các cạnh. Tuy nhiên, các bộ dữ liệu phát hiện xâm nhập mạng (NIDS) hiện đại dựa trên luồng (flow-based) chủ yếu chứa thông tin thuộc tính của các luồng kết nối (như địa chỉ IP, cổng, số byte, thời gian) tương ứng với các cạnh trong đồ thị, trong khi thông tin nút rất hạn chế. Thuật toán E-GraphSAGE được thiết kế để khởi tạo đặc trưng nút bằng vector đồng nhất và tập trung lấy mẫu, tổng hợp trực tiếp các thuộc tính cạnh ở các lớp lân cận, tạo ra biểu diễn nhúng cạnh (edge embedding) phục vụ chính xác cho bài toán phân loại luồng mạng.

2. Tấn công né tránh (Evasion Attack) trên mô hình mạng nơ-ron đồ thị trong khóa luận được thực hiện bằng cách nào?

Khóa luận thực hiện tấn công né tránh trong giai đoạn kiểm thử thông qua việc thao túng cấu trúc liên kết (topology) của đồ thị. Kẻ tấn công tiến hành thêm các cạnh mới (tạo ra các liên kết giả mạo giữa các nút không tương đồng) hoặc xóa bỏ các cạnh hiện có (loại bỏ các liên kết luồng mạng quan trọng). Các kịch bản thực nghiệm được thiết lập bằng cách thêm hoặc xóa ngẫu nhiên 5% và 10% tổng số cạnh của đồ thị nhằm phá vỡ cơ chế tổng hợp thông tin lân cận của mô hình E-GraphSAGE, dẫn đến việc phân loại sai lưu lượng tấn công thành lưu lượng bình thường.

3. Tính chuyển giao (Transferability) của mẫu đối kháng được kiểm chứng giữa các mô hình nào?

Tính chuyển giao được kiểm chứng bằng cách sử dụng công cụ Adversarial Robustness Toolbox (ART) để sinh ra các mẫu dữ liệu đối kháng từ hai mô hình học sâu truyền thống là CNN (Convolutional Neural Network) và VAE (Variational Autoencoder). Sau đó, các mẫu đối kháng này được đưa vào kiểm thử trực tiếp trên mô hình E-GraphSAGE. Thực nghiệm kiểm tra xem các mẫu được thiết kế để đánh lừa CNN và VAE có khả năng làm cho mô hình GNN (vốn có kiến trúc và nguyên lý hoạt động hoàn toàn khác biệt) đưa ra kết quả sai lệch hay không.

4. Hai bộ dữ liệu được sử dụng trong khóa luận là gì và được tiền xử lý ra sao?

Khóa luận sử dụng hai bộ dữ liệu luồng mạng chuẩn gồm NF-UNSW-NB15 và NF-CSE-CIC-IDS2018. Trong quá trình thực nghiệm, cả hai bộ dữ liệu đều trải qua các bước tiền xử lý gồm: loại bỏ các thuộc tính không tương thích, chuẩn hóa dữ liệu, mã hóa đặc trưng luồng mạng thành thuộc tính cạnh cho mô hình E-GraphSAGE, và thực hiện giảm kích thước mẫu dữ liệu gốc để phù hợp với tài nguyên tính toán trong môi trường thực nghiệm.

5. Phương pháp tái huấn luyện (Re-training) mang lại hiệu quả gì cho hệ thống phát hiện xâm nhập?

Tái huấn luyện đối kháng là phương pháp phòng thủ được khóa luận áp dụng bằng cách đưa các mẫu dữ liệu bị can thiệp cấu trúc (thêm/xóa cạnh) và các mẫu đối kháng chuyển giao thu được từ các kịch bản tấn công vào tập huấn luyện của mô hình. Kết quả thực nghiệm tại Chương 5 (Bảng 5.12 và Bảng 5.13) cho thấy sau khi được tái huấn luyện, mô hình E-GraphSAGE khôi phục lại hiệu suất phân loại và gia tăng đáng kể độ bền vững trước các kỹ thuật tấn công trốn tránh và tấn công chuyển giao.

Kết luận

Khóa luận tốt nghiệp của tác giả Lê Minh Phúc và Mai Anh Khoa đã nghiên cứu chuyên sâu về các lỗ hổng an ninh của mô hình phát hiện xâm nhập sử dụng học sâu trên dữ liệu đồ thị trước các cuộc tấn công đối kháng. Thông qua việc phân tích thuật toán E-GraphSAGE trên hai bộ dữ liệu chuẩn NF-UNSW-NB15 và NF-CSE-CIC-IDS2018, công trình đã chứng minh cấu trúc topo đồ thị và tính chuyển giao mẫu đối kháng từ các kiến trúc CNN, VAE có thể làm suy giảm nghiêm trọng độ chính xác của hệ thống IDS. Đồng thời, nghiên cứu đã triển khai thử nghiệm giám sát lưu lượng trong môi trường mạng SDN với Mininet và khẳng định hiệu quả của giải pháp tái huấn luyện đối kháng trong việc củng cố độ bền vững cho các hệ thống giám sát an ninh mạng thế hệ mới.