Khóa luận tốt nghiệp an toàn thông tin nghiên cứu khả năng trốn tránh và chuyển giao của tấn công đối kháng chống lại trình phát hiện xâm nhập

Khóa luận nghiên cứu khả năng trốn tránh và chuyển giao của tấn công đối kháng chống lại hệ thống phát hiện xâm nhập trong an toàn thông tin.

• Tác giả: Lê Minh Phúc
• Người hướng dẫn: ThS. Phan Thế Duy
• Trường học: Đại học Quốc gia Hồ Chí Minh
• Chuyên ngành: Kỹ sư ngành An toàn thông tin
• Đề tài: Nghiên Cứu Về Tính Evasive Và Khả Năng Chuyển Giao Của Các Cuộc Tấn Công Đối Kháng Đối Với Hệ Thống Phát Hiện Xâm Nhập
• Loại tài liệu: khóa luận
• Năm xuất bản: 2023
• Địa điểm: Thành phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Lí do chọn đề tài
• 1.2. Mục tiêu nghiên cứu
• 1.3. Phạm vi nghiên cứu
• 1.4. Đối tượng nghiên cứu
• 1.5. Phương pháp thực hiện
• 1.6. Cấu trúc khóa luận
• 2. CHƯƠNG 2: TÌNH HÌNH NGHIÊN CỨU
• 2.1. Các công trình nghiên cứu liên quan
• 2.2. Ý nghĩa khoa học và thực tiễn của đề tài
• 2.3. Ý nghĩa thực tiễn
• 3. CHƯƠNG 3: CƠ SỞ LÝ THUYẾT
• 3.1. Hệ thống phát hiện xâm nhập IDS
• 3.1.1. Hệ thống phát hiện xâm nhập IDS
• 3.1.2. Phương pháp phát hiện xâm nhập
• 3.1.3. Mạng nơ-ron đồ thị
• 3.1.4. Kiến trúc đề tài
• 3.1.5. Thiết kế hàm loss
• 3.2. Tổng quan các mô hình IDS sử dụng
• 3.2.1. Mô hình Convolutional Neural Network-CNN
• 3.2.2. Mô hình Variational Autoencoder-VAE
• 3.2.3. Mô hình GraphSAGE
• 3.3. Tấn công đối kháng
• 3.3.1. Các hình thức tấn công đối kháng
• 3.3.2. Các thuộc tính của một cuộc tấn công đối kháng
• 3.3.3. Phòng chống các cuộc tấn công đối kháng
• 3.3.4. Công cụ tạo mẫu dữ liệu đối kháng ART (Adversarial Robustness Toolbox)
• 3.3.4.1. Các chức năng chính của công cụ ART
• 3.3.4.2. Thuật toán sinh mẫu dữ liệu đối kháng
• 3.4. Mạng khả lập trình SDN
• 3.4.1. Kiến trúc của mạng SDN
• 3.4.2. Cách hoạt động của mạng SDN
• 3.4.3. Ưu điểm của mạng SDN
• 4. CHƯƠNG 4: PHƯƠNG PHÁP THỰC HIỆN
• 4.1. Tổng quan mô hình và các kịch bản thực nghiệm
• 4.2. Chiến lược thực hiện cuộc tấn công né tránh
• 4.3. Mô hình chuyển giao mẫu đối kháng trong hệ thống phát hiện xâm nhập
• 4.4. Phương pháp sinh dữ liệu
• 4.5. Phương pháp né tránh sử dụng mẫu đối kháng đối với mẫu dữ liệu mạng
• 4.6. Mô hình thực hiện
• 4.7. Triển khai mô hình SDN
• 4.8. Phương pháp tăng tính bền vững của mô hình
• 5. CHƯƠNG 5: KẾT QUẢ THỰC NGHIỆM
• 5.1. Môi trường thực nghiệm
• 5.2. Tập dữ liệu
• 5.3. Tiền xử lý dữ liệu
• 5.4. Các hàm tính toán hiệu suất
• 5.5. Kết quả các cuộc tấn công né tránh
• 5.5.1. Tập dữ liệu NF-UNSW-NB15
• 5.5.2. Tập dữ liệu NF-CSE-CIC-IDS2018
• 5.6. Kết quả thực hiện chuyển giao mô hình
• 5.6.1. Tập dữ liệu NF-UNSW-NB15
• 5.6.2. Tập dữ liệu NF-CSE-CIC-IDS2018
• 5.7. Kết quả triển khai mô hình SDN
• 5.8. Phương pháp tái huấn luyện các mô hình
• 5.8.1. Tái huấn luyện mô hình áp dụng các cuộc tấn công né tránh
• 5.8.2. Tái huấn luyện mô hình áp dụng phương pháp chuyển giao
• 5.9. Các phương pháp tấn công né tránh
• 5.10. Phương pháp chuyển giao mô hình
• 5.11. Tái huấn luyện mô hình
• 6. CHƯƠNG 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 6.1. Kết luận
• 6.2. Hướng phát triển
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Nghiên Cứu Tính Evasive Trong Tấn Công Mạng

Nghiên cứu về tính evasive trong tấn công mạng đang trở thành một chủ đề nóng trong lĩnh vực an ninh thông tin. Các cuộc tấn công này không chỉ đơn thuần là việc xâm nhập vào hệ thống mà còn là việc làm cho hệ thống phát hiện xâm nhập (IDS) không nhận ra được sự hiện diện của chúng. Điều này đặt ra nhiều thách thức cho các nhà nghiên cứu và chuyên gia bảo mật trong việc phát triển các phương pháp phát hiện hiệu quả hơn.

1.1. Khái Niệm Về Tính Evasive Trong Tấn Công Mạng

Tính evasive trong tấn công mạng đề cập đến khả năng của kẻ tấn công trong việc tránh bị phát hiện bởi các hệ thống IDS. Các phương pháp tấn công này thường sử dụng các kỹ thuật tinh vi để làm cho các mẫu tấn công trở nên khó nhận diện hơn.

1.2. Tầm Quan Trọng Của Nghiên Cứu Tính Evasive

Nghiên cứu về tính evasive không chỉ giúp cải thiện khả năng phát hiện của IDS mà còn giúp các tổ chức bảo vệ hệ thống của họ tốt hơn trước các mối đe dọa ngày càng tinh vi. Việc hiểu rõ về các phương pháp tấn công này là rất cần thiết để phát triển các giải pháp bảo mật hiệu quả.

II. Thách Thức Trong Việc Phát Hiện Tấn Công Đối Kháng

Các hệ thống phát hiện xâm nhập (IDS) hiện nay đang phải đối mặt với nhiều thách thức trong việc phát hiện các cuộc tấn công đối kháng. Những thách thức này không chỉ đến từ sự phát triển của công nghệ mà còn từ sự sáng tạo của kẻ tấn công. Việc phát hiện các cuộc tấn công này đòi hỏi các phương pháp và công nghệ tiên tiến.

2.1. Các Hình Thức Tấn Công Đối Kháng Phổ Biến

Các hình thức tấn công đối kháng phổ biến bao gồm việc thay đổi dữ liệu đầu vào để làm cho hệ thống phát hiện không nhận diện được. Những kỹ thuật này thường được sử dụng để đánh lừa các mô hình học máy trong IDS.

2.2. Khó Khăn Trong Việc Phát Hiện Các Cuộc Tấn Công Mới

Một trong những khó khăn lớn nhất trong việc phát hiện các cuộc tấn công đối kháng là sự xuất hiện của các phương pháp tấn công mới mà chưa được hệ thống IDS cập nhật. Điều này dẫn đến việc các hệ thống này không thể phát hiện được các mối đe dọa mới.

III. Phương Pháp Nghiên Cứu Tính Evasive Trong Tấn Công Mạng

Để nghiên cứu về tính evasive trong tấn công mạng, các nhà nghiên cứu đã áp dụng nhiều phương pháp khác nhau. Những phương pháp này không chỉ giúp phát hiện các cuộc tấn công mà còn đánh giá khả năng chuyển giao của các mẫu tấn công giữa các mô hình học máy khác nhau.

3.1. Phương Pháp Thực Nghiệm Đánh Giá Tính Evasive

Phương pháp thực nghiệm được sử dụng để đánh giá tính evasive bao gồm việc tạo ra các mẫu tấn công đối kháng và kiểm tra khả năng phát hiện của IDS. Các mẫu này thường được tạo ra từ các mô hình học máy như CNN và VAE.

3.2. Đánh Giá Khả Năng Chuyển Giao Tấn Công

Khả năng chuyển giao của các mẫu tấn công đối kháng giữa các mô hình học máy là một yếu tố quan trọng trong nghiên cứu này. Việc đánh giá khả năng này giúp xác định mức độ hiệu quả của các phương pháp phát hiện khác nhau.

IV. Ứng Dụng Thực Tiễn Của Nghiên Cứu Tính Evasive

Nghiên cứu về tính evasive và khả năng chuyển giao của các cuộc tấn công đối kháng có nhiều ứng dụng thực tiễn trong lĩnh vực an ninh mạng. Các kết quả nghiên cứu có thể được áp dụng để cải thiện các hệ thống IDS hiện tại và phát triển các giải pháp bảo mật mới.

4.1. Cải Thiện Hệ Thống Phát Hiện Xâm Nhập

Kết quả nghiên cứu có thể giúp cải thiện khả năng phát hiện của các hệ thống IDS bằng cách áp dụng các phương pháp mới và tối ưu hóa các thuật toán hiện có.

4.2. Phát Triển Các Giải Pháp Bảo Mật Mới

Nghiên cứu này cũng mở ra cơ hội cho việc phát triển các giải pháp bảo mật mới, giúp các tổ chức bảo vệ hệ thống của họ tốt hơn trước các mối đe dọa ngày càng tinh vi.

V. Kết Luận Và Hướng Phát Triển Tương Lai

Nghiên cứu về tính evasive và khả năng chuyển giao của các cuộc tấn công đối kháng là một lĩnh vực quan trọng trong an ninh mạng. Kết quả nghiên cứu không chỉ giúp cải thiện khả năng phát hiện của IDS mà còn mở ra nhiều hướng phát triển mới cho các giải pháp bảo mật trong tương lai.

5.1. Tóm Tắt Kết Quả Nghiên Cứu

Kết quả nghiên cứu đã chỉ ra rằng tính evasive là một yếu tố quan trọng cần được xem xét trong việc phát triển các hệ thống IDS hiệu quả hơn.

5.2. Đề Xuất Hướng Nghiên Cứu Tương Lai

Hướng nghiên cứu tương lai có thể tập trung vào việc phát triển các mô hình học máy mới có khả năng chống lại các cuộc tấn công đối kháng, cũng như cải thiện khả năng phát hiện của các hệ thống IDS.

Nội dung chính

Giới thiệu dự án

Trong kỷ nguyên chuyển đổi số và bùng nổ hạ tầng điện toán đám mây, các cuộc tấn công mạng ngày càng gia tăng về quy mô lẫn mức độ tinh vi. Theo thống kê an ninh mạng toàn cầu, các cuộc tấn công từ chối dịch vụ phân tán (DDoS), xâm nhập có chủ đích (APT) và phần mềm độc hại mới tăng hơn 38% mỗi năm. Để bảo vệ hạ tầng mạng, hệ thống phát hiện xâm nhập (Intrusion Detection System - IDS) đóng vai trò là tuyến phòng thủ then chốt giúp giám sát lưu lượng, nhận diện bất thường và đưa ra cảnh báo sớm cho trung tâm điều hành an ninh mạng (SOC).

+-----------------------------------------------------------------------------------+
|                        MÔ HÌNH TỔNG QUAN HỆ THỐNG PHÒNG THỦ IDS                   |
+-----------------------------------------------------------------------------------+
|                                                                                   |
|  [ Lưu lượng mạng / NetFlow ]                                                     |
|  [ Tiền xử lý & Xây dựng Đồ thị G(V, E) ]                                         |
|             [ Đánh giá Tính bền vững & Né tránh ]                                 |
|             [ Phòng thủ: Tái huấn luyện đối kháng ]                               |
|             [ Triển khai thực nghiệm Mạng SDN (Mininet + Ryu) ]                   |
|                                                                                   |
+-----------------------------------------------------------------------------------+

Vấn đề nghiên cứu và Thách thức cốt lõi

Mặc dù các mô hình Học sâu (Deep Learning - DL) như Mạng nơ-ron tích chập (Convolutional Neural Network - CNN) hay Bộ tự mã hóa biến phân (Variational Autoencoder - VAE) đã đạt độ chính xác cao trong phân loại luồng mạng tĩnh, chúng bỏ qua mối quan hệ tương tác liên kết giữa các thực thể IP/Port trong không gian phi Euclid (Non-Euclidean Space). Mạng nơ-ron đồ thị (Graph Neural Network - GNN) nổi lên như giải pháp đột phá giúp mô hình hóa topology mạng tổng thể.

Tuy nhiên, các mô hình Học máy và GNN đều đối mặt với lỗ hổng nghiêm trọng trước Tấn công đối kháng (Adversarial Attacks):

• Tấn công né tránh (Evasion Attacks): Kẻ tấn công biến đổi thuộc tính gói tin hoặc can thiệp topology đồ thị (thêm/xóa liên kết luồng) trong pha kiểm thử (inference phase) để qua mặt bộ phát hiện mà không làm mất tính độc hại của cuộc tấn công.
• Tính chuyển giao (Adversarial Transferability): Các mẫu đối kháng sinh ra từ một mô hình hộp trắng đơn giản (như CNN hoặc VAE) có thể đánh lừa thành công một mô hình hoàn toàn khác biệt về cấu trúc như GNN (Black-box Attack).

Mục tiêu nghiên cứu cụ thể

1. Thiết kế và tối ưu mô hình E-GraphSAGE (Edge-featured GraphSAGE): Mở rộng thuật toán GraphSAGE truyền thống nhằm nhúng trực tiếp vector thuộc tính cạnh luồng mạng (NetFlow features) để phát hiện xâm nhập.
2. Xây dựng kịch bản tấn công né tránh cấu trúc: Đánh giá định lượng mức độ suy giảm hiệu năng của GNN khi bị làm nhiễu cấu trúc liên kết thông qua thao tác thêm/xóa 5% và 10% tổng số cạnh đồ thị.
3. Đánh giá tính chuyển giao đối kháng liên kiến trúc: Sử dụng công cụ Adversarial Robustness Toolbox (ART) để tạo mẫu tấn công trên CNN, VAE và chuyển giao sang mô hình E-GraphSAGE trên hai tập dữ liệu chuẩn NF-UNSW-NB15 và NF-CSE-CIC-IDS2018.
4. Phát triển chiến lược phòng thủ và tái huấn luyện (Adversarial Retraining): Tăng cường tính bền vững (robustness) cho IDS và kiểm chứng cơ chế thực thi trên mạng khả lập trình (Software-Defined Networking - SDN).

Phạm vi và Giới hạn đề tài

• Phạm vi dữ liệu: Thực nghiệm trên 2 bộ dữ liệu chuẩn hóa dạng NetFlow gồm NF-UNSW-NB15 và NF-CSE-CIC-IDS2018.
• Phạm vi mô hình: So sánh đối chiếu 3 kiến trúc: CNN, VAE và E-GraphSAGE.
• Môi trường mô phỏng: Triển khai kiến trúc mạng khả lập trình SDN dựa trên Mininet và bộ điều khiển OpenFlow/Ryu Controller.

---

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí phân tích	IDS dựa trên Chữ ký (Snort/Suricata)	IDS Học sâu truyền thống (CNN / MLP / VAE)	IDS Đồ thị đề xuất (E-GraphSAGE IDS)
Khả năng bắt Zero-day	Kém (chỉ nhận diện mẫu đã biết)	Tốt (dựa trên phân tích bất thường)	Xuất sắc (bắt bất thường hành vi & tương tác topo)
Khai thác quan hệ Topo	Không hỗ trợ	Không hỗ trợ (xem từng flow độc lập)	Toàn diện (tổng hợp lân cận đa bước nhảy)
Kháng nhiễu đối kháng	Trung bình (dễ bị obfuscation chuỗi)	Rất kém (dễ vỡ trước FGSM, PGD, CW)	Bền vững hơn sau khi tái huấn luyện đối kháng
Chi phí tính toán	Thấp ($O(1)$ lookup)	Trung bình ($O(N)$ inference)	$O(V + E)$ theo kích thước đồ thị con

Yêu cầu hệ thống theo mô hình MoSCoW

• Must Have: Mô hình E-GraphSAGE nhúng thuộc tính cạnh luồng mạng; thuật toán sinh mẫu đối kháng gradient; pipeline tái huấn luyện.
• Should Have: Module chuyển giao mẫu đối kháng từ CNN/VAE sang GNN; cơ chế giảm chiều dữ liệu NetFlow tự động.
• Could Have: Tích hợp module can thiệp luồng động trên SDN Controller (Ryu) khi phát hiện tấn công đối kháng.
• Won't Have: Triển khai phần cứng ASIC chuyên dụng trong pha thử nghiệm hiện tại.

Thiết kế hệ thống và Kiến trúc kỹ thuật

Hệ thống được thiết kế theo kiến trúc module hóa phân tầng:

[ Thu thập Dữ liệu NetFlow (v9/IPFIX) ]
[ Mô hình Đối kháng (ART) ]  [ Pipeline E-GraphSAGE ]
- FGSM, PGD, CW              - Aggregate: AGG_k(e_uv)
- Trích xuất Perturbation    - Edge Embedding Update
[ Module Đánh giá Né tránh & Chuyển giao ]
[ SDN Controller & Phòng thủ Tái huấn luyện ]

Tech Stack và Phiên bản công nghệ

• Ngôn ngữ cốt lõi: Python v3.9.16
• Thư viện Học sâu & Đồ thị: PyTorch v2.0.1, PyTorch Geometric (PyG) v2.3.1
• Bộ công cụ Sinh đối kháng: Adversarial Robustness Toolbox (IBM ART) v1.15.2
• Thư viện Khoa học dữ liệu: Scikit-Learn v1.2.2, NetworkX v3.1, Pandas v2.0.3
• Môi trường SDN: Mininet v2.3.0, OpenFlow Protocol v1.3, Ryu SDN Controller v4.34

---

Implementation và kết quả

Chi tiết thuật toán E-GraphSAGE và Sinh mẫu đối kháng

Thuật toán E-GraphSAGE cải tiến giải quyết bài toán biểu diễn luồng mạng bằng cách cập nhật trạng thái đỉnh dựa trên vector thuộc tính cạnh $e_{uv}^{(k-1)}$ của các kết nối lân cận $\mathcal{N}(v)$:

$$h_{\mathcal{N}(v)}^{(k)} = \text{AGG}k\left(\left{ e{uv}^{(k-1)}, \forall u \in \mathcal{N}(v), uv \in E \right}\right)$$

$$h_v^{(k)} = \sigma\left( W^{(k)} \cdot \text{CONCAT}\left( h_v^{(k-1)}, h_{\mathcal{N}(v)}^{(k)} \right) \right)$$

Sau $K$ bước nhảy (hops), biểu diễn nhúng của cạnh $uv$ được tổng hợp trực tiếp từ hai đỉnh đầu mút:

$$z_{uv} = \text{CONCAT}\left( z_u^{(K)}, z_v^{(K)} \right)$$

import torch
import torch.nn as nn
import torch.nn.functional as F
from torch_geometric.nn import MessagePassing

class EGraphSAGEConv(MessagePassing):
    def __init__(self, in_channels, edge_channels, out_channels):
        super(EGraphSAGEConv, self).__init__(aggr='mean')
        self.lin_node = nn.Linear(in_channels, out_channels)
        self.lin_edge = nn.Linear(edge_channels, out_channels)
        self.lin_update = nn.Linear(out_channels * 2, out_channels)

    def forward(self, x, edge_index, edge_attr):
        # x: [num_nodes, in_channels], edge_attr: [num_edges, edge_channels]
        return self.propagate(edge_index, x=x, edge_attr=edge_attr)

    def message(self, x_j, edge_attr):
        # Kết hợp thông tin node lân cận và đặc trưng thuộc tính cạnh
        msg = F.relu(self.lin_edge(edge_attr))
        return msg

    def update(self, aggr_out, x):
        h_v = self.lin_node(x)
        concat_h = torch.cat([h_v, aggr_out], dim=-1)
        return F.relu(self.lin_update(concat_h))

Phương pháp sinh mẫu đối kháng dựa trên tối ưu hóa gradient (Fast Gradient Sign Method - FGSM):

$$x_{adv} = x + \epsilon \cdot \text{sign}\left( \nabla_x \mathcal{L}(\theta, x, y) \right)$$

Trong đó $\epsilon$ là hệ số nhiễu giới hạn ($L_\infty$-norm budget), $\mathcal{L}$ là hàm mất mát phân loại (Cross-Entropy Loss).

from art.attacks.evasion import FastGradientMethod, ProjectedGradientDescent
from art.estimators.classification import PyTorchClassifier

# Khởi tạo bộ ước lượng ART cho mô hình Baseline
classifier = PyTorchClassifier(
    model=cnn_model,
    loss=nn.CrossEntropyLoss(),
    optimizer=torch.optim.Adam(cnn_model.parameters(), lr=0.001),
    input_shape=(1, feature_dim),
    nb_classes=2,
    clip_values=(0.0, 1.0)
)

# Sinh mẫu tấn công đối kháng Evasion bằng PGD
pgd_attacker = ProjectedGradientDescent(
    estimator=classifier,
    eps=0.1,
    eps_step=0.01,
    max_iter=40,
    targeted=False
)
x_test_adv = pgd_attacker.generate(x=x_test_clean)

---

Testing và Validation

Thực nghiệm được thực hiện trên 2 bộ dữ liệu chuẩn NetFlow:

1. NF-UNSW-NB15: Bao gồm 1,623,118 bản ghi luồng mạng với 43 thuộc tính số và nhãn tấn công đa dạng (DoS, Exploits, Generic, Reconnaissance).
2. NF-CSE-CIC-IDS2018: Tập dữ liệu quy mô lớn gồm 18,893,708 bản ghi luồng mạng mô phỏng hạ tầng doanh nghiệp AWS.

1. Kết quả tấn công né tránh cấu trúc (Thao tác Thêm/Xóa cạnh)

Khi áp dụng phương pháp can thiệp topology đồ thị bằng cách thêm/xóa ngẫu nhiên hoặc có chủ đích 5% và 10% số cạnh kết nối trong đồ thị E-GraphSAGE:

Tập dữ liệu	Kịch bản thực nghiệm	Precision (%)	Recall (%)	F1-Score (%)	Accuracy (%)
NF-UNSW-NB15	Gốc (Clean Graph)	96.82	95.40	96.10	96.25
	Thêm/Xóa 5% cạnh	84.15	81.30	82.70	83.10
	Thêm/Xóa 10% cạnh	72.40	68.90	70.61	71.35
NF-CSE-CIC-IDS2018	Gốc (Clean Graph)	98.45	97.80	98.12	98.20
	Thêm/Xóa 5% cạnh	87.60	84.25	85.89	86.40
	Thêm/Xóa 10% cạnh	75.10	71.60	73.31	74.50

Nhận xét: Việc thao tác 10% cạnh làm suy giảm nghiêm trọng chỉ số F1-Score của GNN (giảm tới ~25.49% trên NF-UNSW-NB15), chứng minh rằng các mô hình GNN dù mạnh mẽ vẫn cực kỳ nhạy cảm trước nhiễu loạn liên kết topo.

2. Kết quả Chuyển giao Đối kháng (Adversarial Transferability)

Mẫu đối kháng được sinh từ mô hình CNN và VAE thông qua kỹ thuật FGSM/PGD, sau đó nạp trực tiếp vào mô hình mục tiêu E-GraphSAGE (chưa từng thấy mẫu này trong pha train):

Mô hình Nguồn	Mô hình Mục tiêu	Tập dữ liệu	Tỷ lệ né tránh thành công (ASR %)	F1-Score còn lại của GNN (%)
CNN	E-GraphSAGE	NF-UNSW-NB15	64.30%	58.20%
VAE	E-GraphSAGE	NF-UNSW-NB15	59.80%	62.45%
CNN	E-GraphSAGE	NF-CSE-CIC-IDS2018	68.75%	54.10%
VAE	E-GraphSAGE	NF-CSE-CIC-IDS2018	62.10%	60.80%

3. Kết quả Tái huấn luyện Đối kháng (Adversarial Retraining)

Sau khi áp dụng phương pháp tái huấn luyện bằng cách đưa 20% mẫu nhiễu topo và mẫu đối kháng chuyển giao vào tập huấn luyện mới:

Kịch bản kiểm thử (NF-UNSW-NB15)	F1-Score Trước Re-training (%)	F1-Score Sau Re-training (%)	Tỷ lệ phục hồi hiệu năng
Dữ liệu sạch (Clean Data)	96.10%	95.85%	Giữ vững (-0.25%)
Nhiễu 5% cạnh liên kết	82.70%	93.40%	+10.70%
Mẫu chuyển giao từ CNN	58.20%	89.65%	+31.45%
Mẫu chuyển giao từ VAE	62.45%	91.20%	+28.75%

---

Đổi mới và đóng góp

1. Kiến trúc E-GraphSAGE tối ưu hóa cho NetFlow: Khác với GraphSAGE chuẩn chỉ xử lý thuộc tính nút, kiến trúc đề xuất cập nhật trạng thái đỉnh thông qua toán tử tổng hợp trực tiếp trên thuộc tính luồng mạng (cạnh), giúp giảm chi phí tính toán đồ thị trong mạng lớn.
2. Khám phá định lượng về tính chuyển giao liên kiến trúc (Cross-Architecture Transferability): Chứng minh bằng thực nghiệm rằng vector gradient đối kháng sinh ra từ các mô hình học sâu truyền thống (CNN, VAE) hoàn toàn có khả năng vô hiệu hóa mô hình học sâu cấu trúc đồ thị (GNN) với tỷ lệ vượt qua lên tới 68.75%.
3. Chiến lược Phòng thủ Tái huấn luyện Tích hợp (Adversarial Robust Retraining): Đề xuất pipeline tái cấu trúc ma trận kề và vector đặc trưng giúp phục hồi hơn 31% hiệu năng phân loại của hệ thống IDS trước các biến thể tấn công zero-day.
4. Mô hình hóa kiểm chứng trên môi trường SDN thực tế: Kết nối luồng phân tích từ GNN trực tiếp với Ryu SDN Controller, cho phép tự động cô lập cổng và đẩy FlowMod rules chặn luồng tấn công đối kháng theo thời gian thực.

---

Ứng dụng thực tế và triển khai

Kịch bản Triển khai Trung tâm Điều hành An ninh Mạng (SOC Enterprise)

Mô hình E-GraphSAGE được đóng gói thành Microservice phân tích bất thường luồng mạng, tích hợp trong hệ sinh thái giám sát SDN của doanh nghiệp viễn thông hoặc ngân hàng:

[ Switches OpenFlow (ToR) ]
[ Logstash / Apache Kafka Message Bus ]
[ E-GraphSAGE Inference Engine (Triton / PyTorch C++) ]
[ Ryu Controller ] [ Forwarding ]
[ Chặn IP/Port tức thì ]

Yêu cầu Tài nguyên Hệ thống

• Hạ tầng máy chủ suy luận: CPU Intel Xeon Gold 6248R (8 Cores), 32GB RAM, GPU NVIDIA RTX A4000 (16GB VRAM) hoặc Tesla T4.
• Băng thông xử lý: Đạt thông lượng 45,000 flows/giây với độ trễ suy luận trung bình $\le 18.5\text{ms}$.
• Ước tính Hiệu quả Đầu tư (ROI): Giảm thiểu 65% thời gian điều tra sự cố của kỹ sư SOC (MTTR) và ngăn chặn nguy cơ tổn thất trung bình 2.5 triệu USD do các cuộc tấn công né tránh gây tê liệt hệ thống.

---

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

• Độ phức tạp tính toán đồ thị thời gian thực: Việc cập nhật và tái tạo cấu trúc đồ thị động liên tục trên mạng có hàng triệu kết nối đồng thời đòi hỏi dung lượng bộ nhớ GPU đáng kể.
• Ranh giới gán nhãn luồng: Các luồng mạng có thời gian tồn tại cực ngắn (mice flows) có thể tạo ra các đồ thị con thưa thớt, làm giảm hiệu quả tổng hợp lân cận của phép toán AGG.

Hướng phát triển tương lai

• Dynamic Temporal GNN: Ứng dụng Mạng nơ-ron đồ thị động theo chuỗi thời gian (T-GNN) để nắm bắt biến thiên topology theo từng mili-giây.
• Phòng thủ Tự động bằng Học tăng cường (Reinforcement Learning): Tích hợp tác tử RL trên SDN Controller để tự động tối ưu hóa chính sách thay đổi địa chỉ IP ảo (Moving Target Defense - MTD) nhằm vô hiệu hóa nỗ lực thăm dò của kẻ tấn công đối kháng.

---

Đối tượng hưởng lợi

• Sinh viên & Học viên cao học: Tiếp cận tài liệu tham khảo chuẩn mực về An toàn thông tin, toán học đối kháng trong AI, kỹ thuật triển khai PyTorch Geometric và mô phỏng SDN.
• Kỹ sư An ninh mạng & AI/MLOps Engineers: Nắm vững phương pháp kiểm thử độ bền (stress-testing) của mô hình phân loại trước các cuộc tấn công Adversarial Evasion và phương pháp tái huấn luyện thực chiến.
• Doanh nghiệp & Đơn vị Quản trị Mạng: Sở hữu thiết kế kiến trúc IDS thế hệ mới có khả năng tích hợp linh hoạt vào hạ tầng SDN hiện hữu, nâng cao năng lực bảo vệ dữ liệu trọng yếu.
• Cộng đồng Nghiên cứu An ninh AI: Kế thừa kết quả thực nghiệm định lượng về tính chuyển giao đối kháng trên các bộ dữ liệu NetFlow tiêu chuẩn.

---

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai mô hình E-GraphSAGE IDS là gì?

Hệ thống yêu cầu máy chủ Linux (Ubuntu 20.04/22.04 LTS), cài đặt Python 3.9+, PyTorch 2.0+, CUDA 11.8+, tối thiểu 16GB RAM và 1 GPU có VRAM $\ge 8\text{GB}$ để đáp ứng tốc độ dựng đồ thị luồng và suy luận liên tục.

2. Giới hạn khả năng mở rộng (Scalability) của mô hình đồ thị và giải pháp khắc phục?

Khi số lượng host và luồng mạng vượt quá hàng triệu node/cạnh, đồ thị toàn cục sẽ gặp hiện tượng quá tải bộ nhớ. Giải pháp khắc phục là sử dụng cơ chế Mini-batch Subgraph Sampling của GraphSAGE kết hợp cụm phân tán DGL/PyG để chỉ lấy mẫu $k$-hàng xóm quan trọng nhất thay vì xử lý toàn bộ đồ thị.

3. Mô hình có thể tích hợp với các hệ thống SIEM/SOC hiện hữu như thế nào?

E-GraphSAGE xuất kết quả phân loại dưới định dạng chuẩn JSON qua Kafka Topic hoặc Syslog RFC 5424. Các nền tảng SIEM như Splunk, IBM QRadar hay Elastic Security có thể tiêu thụ log này trực tiếp để kích hoạt playbook xử lý sự cố tự động.

4. Chi phí và chu kỳ bảo trì hệ thống định kỳ như thế nào?

Mô hình cần được cập nhật trọng số định kỳ (thường là 1-2 tuần/lần) thông qua pipeline Tái huấn luyện đối kháng tự động với các mẫu tấn công mới thu thập từ Honeypot. Chi phí duy trì chủ yếu là điện năng và khấu hao phần cứng máy chủ GPU.

5. Thời gian hoàn vốn đầu tư (ROI) ước tính cho doanh nghiệp?

Với việc giảm thiểu 80% tỷ lệ cảnh báo sai (False Positives) và ngăn chặn thành công các biến thể tấn công né tránh, thời gian hoàn vốn đầu tư ước tính đạt từ 6 đến 9 tháng sau khi đưa vào vận hành chính thức tại Trung tâm SOC.

---

Kết luận

Đồ án khóa luận tốt nghiệp "A Study on the Evasiveness and Transferability of Adversarial Attacks against Intrusion Detection Systems" của nhóm tác giả Lê Minh Phúc và Mai Anh Khoa (Trường ĐH Công nghệ Thông tin - ĐHQG TP.HCM) dưới sự hướng dẫn của ThS. Phan Thế Duy đã giải quyết thành công bài toán đánh giá toàn diện tính bền vững của các hệ thống IDS thế hệ mới. Đề tài không chỉ chứng minh các lỗ hổng tiềm tàng của mô hình GNN trước các kỹ thuật can thiệp topo và mẫu đối kháng chuyển giao từ CNN/VAE, mà còn cung cấp giải pháp phòng thủ tái huấn luyện vững chắc và mô hình triển khai thực tế trên mạng SDN. Đây là đóng góp khoa học và thực tiễn giá trị, đặt nền móng cho các hệ thống an ninh mạng tự hành và kiên cường trong tương lai.

Trích đoạn nội dung tài liệu

Chương 1: TONG QUAN ĐỀ TÀI Trình bày tổng quan về hướng nghiên cứu của đề tài. e Chương 2: TONG QUAN TINH HÌNH NGHIÊN CỨU Tổng kết các công trình liên quan đã được tham khảo trong quá trình nghiên ⁄ cứu. e Chương 3: CƠ SỞ LÝ THUYET Giới thiệu những khái niệm và kiến thức cơ bản cần thiết để thực hiện nghiên cứu. e Chương 4: PHƯƠNG PHÁP THỰC HIỆN Trình bày chỉ tiết về phương pháp thực hiện và mô hình được áp dụng trong đề tài.

e Chương 5: KET QUA THỰC NGHIEM Đánh giá quá trình thực nghiệm va kết quả đạt được, cung cấp nhận xét về các công việc đã được thực hiện trong Chương 4. e Chương 6: KET LUẬN VÀ HƯỚNG PHÁT TRIEN Tổng kết và đề xuất những hướng phát triển tiềm năng cho đề tài nghiên cứu. TÌNH HÌNH NGHIÊN CỨU Chương này trình bày các công trình nghiên cứu liên quan cũng như ý nghĩa về sự quan trọng của đề tài được thực hiện. Các công trình nghiên cứu liên quan Trong lĩnh vực học máy hiện nay, việc xử lý đữ liệu đồ thị ngày càng trở nên quan trọng và phức tạp hơn bao giờ hết.

Đồ thị có thể mô hình hóa mối quan hệ giữa các thực thể và cung cấp một cách tiếp cận mạnh mẽ để nắm bắt thông tin cấu trúc và tương tác phức tạp giữa các yếu tố trong hệ thống. Trong tình hình này, những mô hình học máy như GNN đã trở thành một công cụ mạnh mẽ cho việc khai thác tri thức từ dit liệu đồ thị. GNN là một loại mô hình học sâu được thiết kế đặc biệt để làm việc trên dữ liệu đồ thị. Một trong những lý do nổi bật để sử dung mô hình GNN, đặc biệt là E-Graph và E-GraphSAGE, là khả năng của chúng trong mô hình hóa thông tin cấu trúc và tương tác giữa các yêu tố trong dữ liệu đồ thị.

Trong một đồ thị, các đỉnh và cạnh thường đại diện cho các thực thể và mối quan hệ giữa chúng. GNNs có khả năng tổng hợp thông tin từ hàng xóm của mỗi đỉnh và xây dựng một biểu diễn học máy dựa trên cấu trúc đồ thị này. Điều này cho phép GNNs hiểu được sự phụ thuộc và tương tác giữa các yếu tố trong hệ thống, từ đó cải thiện khả năng dự đoán và phân tích. Một lợi ích quan trọng của GNN là khả năng áp dụng vào nhiều lĩnh vực khác nhau trong học máy.

GNN đã chứng minh kha năng vượt trội trong các nhiệm vụ như phân loại đồ thị, dự đoán chuỗi thời gian trong đồ thị, và dự báo tương tác đồ thị. No cũng được sử dung rộng rãi trong các ứng dụng xử lý ngôn ngữ tự nhiên, phân tích hình ảnh, và đề xuất hợp tác. 9 Theo Wei Weng Lo [1] và Liyan Chang [2], E-Graph và E-GraphSAGE là những phiên bản nâng cao của mô hình CNN, được tối ưu hóa để giải quyết những thách thức lớn trong việc áp dụng học sâu vào dữ liệu đồ thị. Một trong những đặc điểm quan trọng của E-GraphSAGE là khả năng chọn lọc thông minh hàng xóm quan trọng nhất cho mỗi đỉnh, thay vì sử dụng một số hàng xóm ngẫu nhiên như trong GraphSAGE.

Điều này giúp cải thiện khả năng mô hình hóa thông tin cấu trúc và tăng cường hiệu suất dự đoán của GNN. Hơn nữa, E-GraphSAGE cũng hỗ trợ việc nhúng đa loại hình thực thể trong đồ thị. Trong nhiều tình huống thực tế, các đỉnh có thể đại diện cho người dùng, sản phẩm, sự kiện hoặc các đối tượng khác. Khả năng nhúng đa loại hình thực thể mở ra nhiều cơ hội trong ứng dụng học máy, như phân loại đa nhãn, đề xuất hợp tác và dự báo tương tác.

Tuy nhiên, hiện nay các mô hình học máy đang phải đối mặt với một thách thức đáng chú ý đó chính là các cuộc tấn công đối kháng. Đây là các chiến lược được thiết kế để đánh lừa, phá hoại hoặc gây thiệt hại cho các mô hình học may thông qua việc tạo ra các đữ liệu đầu vào chứa thông tin gian lận. Các cuộc tấn công đối lập có thể nhắm vào các mô hình học máy sử dụng trong nhiều ứng dụng, từ nhận dạng hình ảnh và xử lý ngôn ngữ tự nhiên đến hệ thống tự lái và giao dịch tài chính. Trong nhiều nghiên cứu đã được đề cập của Sandy Huang [3] cũng như Akhtar [4], mục tiêu của các tấn công này là làm cho mô hình học máy cho ra kết quả sai lệch, thậm chí dẫn đến hậu quả nghiêm trọng.

Điều đáng ngại là các cuộc tấn công đối lập ngày càng phổ biến và tinh vi hơn, khiến cho việc bảo vệ các mô hình trở nên càng khó khăn. Đặc trưng của các cuộc tấn công đối lập là sự khéo léo và tổ chức, trong đó kẻ tấn công sử dụng các phương pháp tinh vi để tìm ra các điểm yếu trong mô hình học máy và tạo ra dữ liệu đầu vào nhằm phá vỡ tính chính xác và đáng tin cậy của mô hình. Các kỹ thuật tấn công đối lập phổ biến bao gồm tấn công thành phần, tấn công theo hướng gradient và tấn công thế vị. 10 Trong bối cảnh này, nâng cao khả năng phòng vệ chống lại các cuộc tấn công đối lập trở thành một ưu tiên quan trọng.

Cần có sự tăng cường về thuật toán và kiến thức về an ninh để phát hiện và ngăn chặn các tấn công này. Bằng cách hiểu rõ các kỹ thuật tấn công đối lập và xây dựng các biện pháp phòng thủ tương ứng, chúng ta có thể đảm bảo tính tin cậy và an toàn của các mô hình học máy trong thế giới kỹ thuật số ngày càng phức tạp và đầy rủi ro. Một trong những hình thức tấn công đối kháng phổ biến là Poisioning và Evasion Attack, nơi kẻ tấn công cố gắng thay đổi dữ liệu đầu vào để đánh lừa mô hình học máy và gây ra các kết quả sai lầm hoặc không mong muốn. Trong số các phương pháp tấn công Evasion Attack, việc thêm và xóa cạnh trong đồ thị đặc biệt quan trọng và nguy hiểm.

Nghiên cứu của Binghui Wang [5] va Biggio [6] đã chỉ ra rằng, phương pháp thêm và xóa cạnh là các kỹ thuật tấn công mà kẻ tấn công thay đổi cấu trúc của đồ thị dữ liệu đầu vào để lừa mô hình học máy. Khi thêm cạnh, kẻ tấn công có thể tạo ra các kết nối giả mạo hoặc không tồn tại trong dữ liệu gốc, làm cho mô hình phân loại sai hoặc dự đoán sai. Trong khi đó, khi xóa cạnh, kẻ tấn công cố gắng loại bỏ các liên kết quan trọng trong đồ thị để làm mất thông tin quan trọng, gây nhiễu cho mô hình và làm cho nó không đáng tin cậy. Theo He Zhang [7| và Kwon Hyun [8], sự nguy hiểm của việc thêm và xóa cạnh trong tấn công Evasion Attack nằm ở khả năng gây ảnh hưởng lớn đến độ chính xác và đáng tin cậy của mô hình học máy.

Một mô hình không đủ can thận có thể bị lừa bằng việc thêm hoặc xóa chỉ một số cạnh nhưng lại gây ra những thay đổi quan trọng trong kết quả dự đoán. Điều này có thể có hậu quả nghiêm trọng trong các ứng dụng quan trọng như hệ thống phát hiện xâm nhập, bảo mật thông tin cá nhân hay dự báo tài chính. Vì vậy, việc nghiên cứu và phát triển các phương pháp phòng thủ chống lại tấn công Evasion Attack, đặc biệt là việc phát hiện và giảm thiểu tác động của việc thêm và xóa cạnh, trở thành một thách thức quan trọng trong lĩnh vực 11 an ninh học máy hiện nay. Các nghiên cứu mới nhất trong lĩnh vực này đóng vai trò quan trọng trong việc nâng cao khả năng bảo vệ và đáng tin cậy của các mô hình học máy trước các hình thức tấn công ngày càng tỉnh vi và phức tạp.

Chính vì những khả năng tìm ẩn của các hình thức tấn công đối kháng và các mô hình hoc máy đặc biệt là đối với mô hình GNN, Wei Jin [9] đã chỉ ra rằng có nhiều cách tiếp cận để đối phó với các cuộc tấn công đối kháng đối với mô hình GNN. Một trong số đó là tăng cường hệ thống phòng thủ bằng cách sử dụng các kỹ thuật chống lại các cuộc tấn công như đầu vào đối kháng hoặc thay đổi kiến trúc mô hình. Các phương pháp đầu vào đối kháng liên quan đến việc tạo ra những đối tượng đầu vào mang tính chất gian lận, nhằm đánh lừa mô hình GNN và làm sai lệch quyết định của nó. Các kỹ thuật này có thể bao gồm việc thêm nhiễu vào dữ liệu đầu vào, tạo ra đồ thị giả mạo, hoặc thực hiện các biến đổi khác để làm mờ thông tin quan trọng trong đồ thị.

Ngoài ra, việc thay đổi kiến trúc mô hình GNN cũng là một cách tiếp cận phòng thủ hiệu quả. Điều này có thể bao gồm việc áp dụng các biện pháp như thêm các lớp kiểm soát hay cơ chế tự động kiểm tra độ tin cậy của thông tin từ các hàng xóm. Bằng cách tăng cường cơ chế tự bảo vệ, mô hình GNN có khả năng phát hiện và chống lại các cuộc tấn công đối kháng. Một khía cạnh quan trọng của việc đối phó với các cuộc tấn công đối kháng là việc phát triển các phương pháp phát hiện và kiểm tra tính đáng tin cậy của mô hình GNN.

Diéu này giúp phát hiện những biểu hiện của các cuộc tấn công và đảm bảo rằng mô hình đang hoạt động theo đúng ý đồ ban đầu. Bên cạnh đó, một khía cạnh quan trọng cần xem xét là khả năng chuyển giao (transferability) của các cuộc tấn công phá vỡ mô hình. Ambra Demontis [10] đã chỉ ra rằng khả năng chuyển giao đề cập đến việc một cuộc tấn công thành công trên một mô hình học máy có thể được chuyển đổi sang một mô 12 hình khác. Điều này có ý nghĩa rằng kẻ tấn công chỉ cần tiến hành cuộc tấn công một lần và sau đó có thể áp dụng kết quả đó để đánh lừa nhiều mô hình khác nhau.

Điều này gây ra một mối đe dọa lớn cho hệ thống bảo mật, vì thậm chí khi một mô hình được cải tiến và bảo vệ, tấn công vẫn có thể lan tỏa và gây hậu quả tiềm tàng trên các mô hình mới. Dựa trên các nghiên cứu của Ehsan Nowroozi [11], Transferability đã trở thành một chủ đề nghiên cứu quan trọng trong cộng đồng an ninh mạng. Việc hiểu và đánh giá khả năng chuyển giao của các cuộc tấn công phá vỡ mô hình có thể giúp chúng ta phát triển các biện pháp phòng thủ hiệu quả hơn và tăng cường độ tin cậy của các mô hình học máy.