Phát hiện các cuộc tấn công mạng trên Multi-API Gateways trong môi trường Cloud-Native

Khóa luận trình bày phương pháp phát hiện tấn công mạng trên multi API gateways trong môi trường cloud native bằng deep learning và Apache Mesos.

• Tác giả: Tran Le Khoi
• Người hướng dẫn: TS. Nguyen Ngoc Tu
• Trường học: Đại học Quốc gia TP. Hồ Chí Minh
• Chuyên ngành: Kỹ sư ngành An toàn thông tin
• Đề tài: Phát Hiện Cuộc Tấn Công Mạng Trên Multi-API Gateways Sử Dụng Deep Learning
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2024
• Địa điểm: Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• 1. TỔNG QUAN ĐỀ TÀI
• 1.1. Lý do chọn đề tài
• 1.2. Mục tiêu nghiên cứu
• 1.3. Phạm vi nghiên cứu
• 2. TÌNH HÌNH NGHIÊN CỨU VÀ CÁC CÔNG TRÌNH LIÊN QUAN
• 2.1. Nghiên cứu về kiến trúc API gateway và giải pháp bảo mật
• 2.2. Nghiên cứu về mô hình Deep Learning và các đánh giá
• 3. TỔNG QUAN VỀ CÔNG NGHỆ VÀ MÔ HÌNH
• 3.1. Mô hình multi-API gateways
• 3.2. Tổng quan về Microservices
• 3.3. Tổng quan về API gateway Security
• 3.4. Các lỗ hổng bảo mật thường gặp ở API gateway
• 3.5. Tổng quan về Cloud Native
• 3.6. Tổng quan về Computer Cluster
• 3.7. Tổng quan về Deep Learning
• 3.7.1. Tổng quan về mô hình ALBERT
• 3.7.2. Tổng quan về mô hình Recurrent Neural Network
• 3.7.3. Tổng quan về mô hình Long Short-Term Memory
• 3.7.4. Tổng quan về mô hình Convolutional Neural Network
• 3.7.5. Tổng quan về mô hình GRU
• 4. KIẾN TRÚC GIẢI PHÁP
• 4.1. Tổng quan về phương pháp Secure Design
• 4.2. Module Data Input
• 4.3. Module Authorization
• 4.4. Module Session Management
• 4.5. Module Service Discovery
• 4.6. Module Feature Extraction
• 4.7. Module Application Endpoint
• 4.8. Tổng quan về phương pháp Secure Monitor
• 4.9. Module Centralize Monitoring and Loading
• 4.10. Module Deep Learning-based Detection
• 4.11. Module Deep Learning-based Classification
• 5. TRIỂN KHAI VÀ ĐÁNH GIÁ
• 5.1. Môi trường triển khai
• 5.2. Kết quả đạt được
• 5.3. Triển khai Secure Monitor
• 5.4. Triển khai Module Central Load and Monitor
• 5.5. Triển khai Module Deep Learning-based Detection
• 5.6. Triển khai Microservices nằm sau API Gateway
• 5.7. Phương pháp áp dụng
• 5.8. Mô hình triển khai
• 5.9. Kịch bản thực nghiệm 1
• 5.9.1. Đánh giá model ALBERT
• 5.9.2. Đánh giá model GRU với model LSTM
• 5.10. Kịch bản thực nghiệm 2
• 5.10.1. Giới thiệu chung về dataset
• 5.10.2. Cách dataset được trích xuất đặc trưng từ raw data
• 5.10.3. Kịch bản tấn công và kết quả thu được
• 5.11. Kịch bản thực nghiệm 3
• 6. KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN CỦA KHÓA LUẬN
• DANH MỤC HÌNH VẼ
• DANH MỤC BẢNG
• DANH MỤC TỪ VIẾT TẮT
• DANH MỤC TỪ TẠM DỊCH
• TÓM TẮT KHÓA LUẬN

Tóm tắt

I. Tổng quan về phát hiện cuộc tấn công mạng trên Multi API Gateways

Trong bối cảnh an ninh mạng ngày càng trở nên phức tạp, việc phát hiện các cuộc tấn công mạng trên Multi-API gateways là một thách thức lớn. Multi-API gateways đóng vai trò quan trọng trong việc quản lý và bảo mật lưu lượng dữ liệu giữa các dịch vụ trong môi trường Cloud-Native. Nghiên cứu này sẽ cung cấp cái nhìn tổng quan về các phương pháp phát hiện tấn công mạng, đặc biệt là việc áp dụng Deep Learning để nâng cao khả năng bảo mật.

1.1. Tầm quan trọng của Multi API Gateways trong an ninh mạng

Multi-API gateways là điểm trung gian giữa các ứng dụng và dịch vụ, giúp quản lý lưu lượng và bảo mật thông tin. Việc bảo vệ các cổng này là rất cần thiết để ngăn chặn các cuộc tấn công mạng như DDoS và SQL Injection.

1.2. Các loại tấn công mạng phổ biến trên Multi API Gateways

Các cuộc tấn công như DDoS, SQL Injection và XSS thường nhắm vào Multi-API gateways. Những lỗ hổng này có thể dẫn đến mất mát dữ liệu và thiệt hại nghiêm trọng cho tổ chức.

II. Vấn đề và thách thức trong phát hiện tấn công mạng

Phát hiện tấn công mạng trên Multi-API gateways gặp nhiều thách thức do tính phức tạp của các cuộc tấn công và sự đa dạng của các phương thức tấn công. Việc phát hiện kịp thời và chính xác là rất quan trọng để bảo vệ hệ thống. Nghiên cứu này sẽ phân tích các vấn đề chính trong việc phát hiện tấn công mạng.

2.1. Khó khăn trong việc phát hiện tấn công phức tạp

Các cuộc tấn công ngày càng tinh vi, sử dụng nhiều kỹ thuật khác nhau để đánh lừa hệ thống phát hiện. Điều này đòi hỏi các phương pháp phát hiện phải liên tục được cập nhật và cải tiến.

2.2. Thiếu hụt dữ liệu và thông tin

Việc thiếu hụt dữ liệu lịch sử và thông tin về các cuộc tấn công trước đó làm giảm khả năng phát hiện và ứng phó kịp thời với các mối đe dọa mới.

III. Phương pháp Deep Learning trong phát hiện tấn công mạng

Deep Learning đã trở thành một công cụ mạnh mẽ trong việc phát hiện tấn công mạng. Các mô hình học sâu có khả năng phân tích và nhận diện các mẫu tấn công phức tạp mà các phương pháp truyền thống không thể phát hiện. Nghiên cứu này sẽ trình bày các phương pháp Deep Learning được áp dụng trong phát hiện tấn công mạng.

3.1. Mô hình học sâu phổ biến trong phát hiện tấn công

Các mô hình như CNN và RNN đã được chứng minh là hiệu quả trong việc phát hiện các mẫu tấn công. Những mô hình này có khả năng học từ dữ liệu lớn và phát hiện các bất thường trong lưu lượng mạng.

3.2. Lợi ích của việc sử dụng Deep Learning

Deep Learning giúp cải thiện độ chính xác trong việc phát hiện tấn công, giảm thiểu số lượng cảnh báo giả và tăng cường khả năng phản ứng nhanh chóng với các mối đe dọa.

IV. Ứng dụng thực tiễn của Deep Learning trong bảo mật mạng

Việc áp dụng Deep Learning trong bảo mật mạng đã mang lại nhiều kết quả tích cực. Nghiên cứu này sẽ trình bày các ứng dụng thực tiễn của Deep Learning trong việc phát hiện tấn công mạng trên Multi-API gateways.

4.1. Triển khai mô hình Deep Learning trong môi trường thực tế

Các mô hình Deep Learning đã được triển khai thành công trong nhiều tổ chức, giúp phát hiện và ngăn chặn các cuộc tấn công mạng hiệu quả hơn.

4.2. Kết quả nghiên cứu và đánh giá hiệu suất

Nghiên cứu cho thấy việc áp dụng Deep Learning đã cải thiện đáng kể khả năng phát hiện tấn công, với tỷ lệ phát hiện lên đến 95% trong các thử nghiệm thực tế.

V. Kết luận và hướng phát triển tương lai

Nghiên cứu này đã chỉ ra rằng việc phát hiện tấn công mạng trên Multi-API gateways là một nhiệm vụ quan trọng và cần thiết. Deep Learning là một công cụ hữu ích trong việc nâng cao khả năng bảo mật. Hướng phát triển tương lai sẽ tập trung vào việc cải tiến các mô hình học sâu và tích hợp chúng vào các hệ thống bảo mật hiện có.

5.1. Tương lai của Deep Learning trong an ninh mạng

Deep Learning sẽ tiếp tục phát triển và trở thành một phần không thể thiếu trong các giải pháp bảo mật mạng, giúp phát hiện và ngăn chặn các cuộc tấn công ngày càng tinh vi.

5.2. Đề xuất nghiên cứu tiếp theo

Cần nghiên cứu thêm về các phương pháp kết hợp Deep Learning với các công nghệ bảo mật khác để tạo ra các giải pháp toàn diện hơn cho an ninh mạng.

Trích đoạn nội dung tài liệu

ĐẠI HOC QUOC GIA TP. HO CHÍ MINH TRUONG DAI HOC CONG NGHE THONG TIN KHOA MANG MAY TINH VA TRUYEN THONG TRAN LE KHÔI — 20521484 NGUYEN ĐỨC TOAN - 20522026 KHOA LUAN TOT NGHIEP PHAT HIEN CAC CUOC TAN CONG MANG TREN MULTI-API GATEWAYS TRONG MOI TRUONG CLOUD-NATIVE SU DUNG DEEP LEARNING VA APACHE MESOS VOI MARATHON CYBER ATTACKS DETECTION IN CLOUD-NATIVE MULTI- API GATEWAYS USING DEEP LEARNING AND APACHE MESOS WITH MARATHON KY SU NGANH AN TOAN THONG TIN GIANG VIEN HUONG DAN TS. NGUYEN NGOC TU TP. HO CHÍ MINH, 2024 LỜI CẢM ƠN Đề tài "Phát hiện các cuộc tan công mạng trên Multi-API gateways trong môi trường Cloud-Native sử dụng Deep Learning và Apache Mesos với Marathon" là thành quả của sự nghiên cứu và thực hiện khóa luận tốt nghiệp của nhóm sau khoảng thời gian học tại Khoa Mạng máy tính và Truyền thông, Trường Đại học Công nghệ Thông tin - ĐHQG TPHCM.

Trong quá trình làm việc và hoàn thiện báo cáo, nhóm đã nhận được sự quan tâm và giúp đỡ đặc biệt từ Quý Thầy Cô, gia đình và bạn bè. Đề đảm bảo đồ án đạt được sự thành công cao nhất, nhóm xin bày tỏ lòng biết ơn chân thành đến: Khoa Mạng máy tính và Truyền thông, Trường Đại học Công nghệ Thông tin, đã tạo điều kiện học tập và rèn luyện một cách xuất sắc, mang lại kiến thức và kỹ năng hữu ích mà nhóm có thé áp dụng hiệu quả vào quá trình thực hiện đề tài. Tiến sĩ Nguyễn Ngọc Tự, Giảng viên hướng dẫn, là người thầy tận tâm, thầy đã hỗ trợ nhóm một cách nhiệt tình suốt quá trình nghiên cứu và thực hiện đề tài. Thầy đã chia sẻ kiến thức và đưa ra những góp ý quý báu đề nhóm có thể hoàn thành đề tài nghiên cứu một cách xuất sắc.

Nhóm cũng muốn bày tỏ lòng biết ơn đặc biệt đến Ban giám hiệu và đội ngũ giáo viên của Trường Dai học Công nghệ Thông tin, đã tạo điều kiện cho nhóm có cơ hội học tập và tích lũy kiến thức, kinh nghiệm thực tế, là nguồn thông tin quan trọng hỗ trợ cho quá trình nghiên cứu và viết khóa luận tốt nghiệp. Cuôi cùng, nhóm xin chân thành cảm ơn gia đình và bạn bè, những người đã luôn động viên và tạo điêu kiện tôt nhât đê nhóm có thê nỗ lực và hoàn thành khóa luận tốt nghiệp một cách xuất sắc.Hồ Chí Minh, ngày 27 tháng 06 năm 2024 Tác giả MỤC LỤC TOM WV. Tổng quan đề tài.--- 2-2 2 £+EE+EE+EE2EE+EE2EEEEEEEEEEEEEEEEEErkrrrerree 2 1. Lý do chọn đề tài.

---- St tk Ek EEEEEE1211211211211211 211111111111 treo 2 1. Mục tiêu nghiÊn CỨU.-- G1111 9319911901019 1g ng 2 IS No o8 on. Cac nghiên cứu liên Quan. Tình hình nghiên cứu và các công trình liên quan.

Nghiên cứu về kiến trúc API gateway và giải pháp bảo mật. Nghiên cứu về mô hình Deep Learning và các đánh giá. Co sở lý thuyẾt. Tổng quan về APLo.

Tổng quan về API gateway .cvc tre II 3. Mô hình multi-API gateways. Tổng quan về Microservices. Tổng quan về API gateway SeCUTILY .cceccescesessessesessessessessesseseesseseseeees 13 Fe tê.

Các lỗ hồng bảo mật thường gặp ở API gateway. Tổng quan về Cloud Native .----- ¿+55 s+EE+EE+E2EE£EEEzErrerrerrerree 15 “hàn tin o. Tổng quan về MiCTOS€TViC€S.-- 2: + 25+ S££EE‡EE‡EE2EEEEEEEEErrrrrrrerree 15 “5n tì (<3 0 o. Tổng quan về Computer Cluster.

-G- SG TH TT nh 16 3. Tổng quan về Deep learning. G- kh TH HH TH HH Hàn ng 16 3. Tổng quan về mô hình AIBERTT.ccx HH HH HH nhiệt 16 3.

Kiến tric “⁄⁄s#ếc. Tổng quan về mô hình Recurrent Neural Network. LH HH ni, 19 ch NI. Tổng quan về mô hình Long Short-Term Memory.

Tổng quan về mô hình Convolutional Neural Network.- SG LH ng 21 3.2, Kiến tric eeeceecssseessssessssecesssecesnseesnseessnecesnscessnecennscessseessnesesneeeenneeeets 21 3. Téng quan về mô hình GRU.- SẶ- SH SH TH HH HH nghiệt 22 3. che 22 Chương 4. Kiến trúc giải pháp.------- 2 252+Et+EE£EE2EE2EEEEEEEEEEErrrrrerreee 23 4.

_ Tổng quan về phương pháp Secure Design. Module Data Ínpu(. Module Author1zafiOT.- 5 <2 v1 ng ng ey 27 4. Module Session ManageImen(.

Module Service DISCOVYV. Module Feature EXtraC(ION. SG vn ng ren 28 4. Module Application EndpOITI.

Các microservices nằm sau API gateway. Tổng quan về phương pháp Secure Monitor. Module Centralize Monitoring and Loading. Module Deep Learning-based Detection.

Module Deep Learning-based ClassificafIon. Module s(0ì( 3/2 iiiiiimDmùDñDẶỤẶỤẶỤẮŨẮŨẲŨỘẮỔẮđäñẳñũẦ. Triển khai và đánh giá. Triển khai Secure Design.

_ Triển khai Module Data Input. _ Triển khai Module Authentication. Triển khai Module Athorization. Triển khai Module Session Management.

_ Triển khai Module Service Dis€OVeFY. _ Triển khai Module Feature Extraction. Triển khai Module Application Endpoint.----- 2 sss2ss+ss+sz 47 5. Môi trường triển khai.- -:- sc s+SE‡EEeEESEEEEEEEEEEEEEEEEEErrrrrrrei 48 5.

Kết quả dat được.--:- cSt St EEE11211221111111 2112121 re,52 5. _ Triển khai Secure MOnifOr.---- 2 £+++++EE£2E+£EEtEE+EEerxerxerrxervee 59 5. Trién khai Module Central Load and MonitOr. Triển khai Module Deep Learning-based Detection.

Triển khai Microservices nằm sau API GateWay. Phương phap áp dung .-- c1 HH kg re, 71 5. Mô hình triển khai.-Ặ SG Q SH ng nH HH HH ng ro 72 5. Kịch bản thực nghiỆm 1.

Đánh giá model ALBEIRÍT. Đánh giá model GRU với model LSTM. _ Kịch bản thực nghiỆm 2. _ Giới thiệu chung về đafaset.

Cách dataset được trích xuất đặc trưng từ raw dafa. Kịch ban tấn công và kết quả thu ẨƯỢC. Dan Gia ha. Kịch ban thực nghiỆm 3.

ng ng nh ng, 82 5. GiGi thiệu chung về dataset. Cach dataset được trích xuất đặc trưng từ raw dafa. Kich bản tan công va kết quả thu được.----¿--s¿-s+5-xz+ss+2 84 "nh.

Kết luận và hướng phát triển của khóa luận. Ket ua eee eeccseeeccsssseecssseeeessneesssneecsssneeessnneecssnecesnneessunecssnneeesaneesssnees 85 6. Hướng phát trim.cecceceecceccsscssessessessessessessessessessesscsecsscssesssssessssecsseseeaeeaes 88 DANH MỤC HÌNH VE Hình 2.1: Kết quả của nhóm tác giả [6] .------- 2-2 5£+£E£2E£+EE+£E£+EzEEerxezrxerxez 10 Hình 3.1: Cấu tạo của một En€oerr.----s- sex +Sk+E+EEk+EeEEEEeEeEkekexerxrkerrxexrrs 18 Hình 3.2: Kiến trúc của ALBERT.-- 2-2 ©5£+2x+2E+2EE£EEtEESEEEEECEEEErkerkrrrrerrees 19 Hình 3.3: Kiến trúc của RÌNN.4: Kiến trúc của LSTÌM.----¿ 2£ ++2+£+EE£EEtSEEEEEEEEESEEEEEEEEerkrrkrrrrrrvee 21 Hình 3.5: Kiến trúc của CNN.6: Kiến trúc của GRU.--¿-¿- 2£ +©5++EE£EE£EEEEEtEEESEEErErkkerxerrrrrkervee 23 Hình 4.1: API Gateway trong mô hình tong thỂ.2: Kiến trúc API gateway với các module của Secure Design được gắn cờ 0.1: Mô hình trién khai Module Data Input .2: Mô hình triển khai Module Authentication ở quá trình đăng ký.3: Mô hình triển khai Module Authentication ở quá trình đăng nhập .4: Mô hình triển khai Module Authorization.----- 2 ssz+sz+sz2sz+s++‡ 40 Hình 5.5: Mô hình triển khai của Module Session Management khi người dùng truy cập trang cá nhân.- -- --- 1111 HH re 42 Hình 5.6: Mô hình triển khai của Module Session Management khi người dùng truy 020081041.7: Mô hình triển khai của Module Service DiscOVery.8: Mô hình triển khai của Module Feature Extraction.9: Mô hình triển khai của Application Endpoint.10: VỊ trí của Me€§OS.11: Mô hình hoạt động của Framework Marathon cùng với Mesos.12: Mô hình quản lý Mesos Master, Marathon Framework và Mesos Slave ¬—.13: Giao diện Marathon cùng các MOdUIe .14: Giao diện Mesos cùng với các module đang chạy .15: Các node Mesos SÏ4V€. LH HH ng ngờ 53 Hình 5.16: Đăng ký thành công .17: Tao mã otp trên ứng dụng web totp.

eee ee eeeeseceeeseeeeeeseeeseeseenes 54 Hình 5.18: Ma OTP tao thamh CONG 11.19: Giao diện đăng nhập thành công.20: Trang cá nhân của người đùng. -- -- «+ xxx skssksseeree 56 Hình 5.21: Kết quả trả về của Epoch serViCe.-- 2-2: 2 s2 + k+E+EE+E++EzEzEexee 56 Hình 5.22: Kết qua trả về của Quote serVice.----: 2+ +©s++cx++zxezrxrerxerrxee 57 Hình 5.23: Access Denied khi truy cập dịch vụ trái phép.24: Phiên đăng nhập trong trình duyệt khi sử dung service.25: Các phiên đăng nhập được trích xuất và so sánh.26: Mô hình triển khai cua Module Central Load and Monitor.30: Kiến trúc của ALBERT rebuild.---- 2-5 z2++x+zx++zxerxzrserxeee 64 Hình 5.27: Các loại dữ liệu trong CICDDOS 20119.31: Mô hình triển khai của Epoch Service.----- 2-2 s2 s+sz+sz+szzzz+xzez 72 Hình 5.32: Mô hình triển khai của Quote sa.35: Kiến trúc dataset.36: Mô hình triển khai thực tẾ.-- - 2+ St+E+EEE+EEEEEE+EEEEEEeEeEkrkererxsrrrs 78 Hình 5.37: Thực hiện tan công SYN Flood với Hping.38: các thông tin về lưu lượng mạng trên node 100.39: Thông số CPU máy 100.40: Kết quả truy cập của người đùng.41: Tan công XSS. 1ec1y, 85 DANH MỤC BANG Bảng 5.33: Đánh giá kết quả ALEBRT(rebuild) và ALBERT(pre-train) .34: Đánh giá kết quả GRU và LSTM DANH MUC TU VIET TAT API Application Programming Interface MLP Multi-layer Perceptron MITM Man In The Middle DDOS Distributed Denial of Service SQLI SQL Injection XSS Cross Site Scripting DNN Deep Neural Network FNN Feedforward Neural Network BERT Bidirectional Encoder Representations from Transformers AIBERT A Lite BERT GRU Gated Recurrent Unit RNN Recurrent Neural Network LSTM Long Short-Term Memory HTTP HyperText Transfer Protocol HTTPS HyperText Transfer Protocol Secure URL Uniform Resource Locator AES Advanced Encryption Standard CBC Cipher Block Chaining IV Initialization Vector SHA Secure Hash Algorithm HMAC Hash-based Message Authentication Code NIST National Institute of Standards and Technology TOTP Time-based One-Time Password OTP One Time Password JWT JSON Web Token DANH MỤC TỪ TẠM DỊCH Module M6-dun Framework Khung làm việc / Bộ khung Multi-API gateways Công đa API API gateway Cổng API Service Dịch vụ Cloud-Native Thuần đám mây Deep learning Học sâu Container Bộ chứa Secure Design Thiết kế an toàn Secure Monitor Giám sát an toàn Neuro-Linguistic Programming Bộ xử lý ngôn ngữ tự nhiên Computer Cluster Cụm máy tính Reverse Proxy Máy chủ Proxy đảo ngược SSL Termination Ngắt kết nối SSL Load Balancer Bộ cân bằng tải Vector Véc-to Multi-layer Perceptron Mang truyền thăng nhiều lớp Deep Neural Network Mạng nơ-ron sâu Feedforward Neural Network Mạng nơ-ron truyền thắng Multi Model Detection Phát hiện nhiều mô hình TOM TAT KHÓA LUẬN Hiện nay, an ninh mang trong môi trường đám mây trở thành một van đề ngày càng nổi bật và đòi hỏi sự quan tâm lớn trong doanh nghiệp, việc đảm bảo an toàn cho hệ thống trong môi trường mạng không chỉ là một sự ưu tiên mà còn là một nhu cầu cấp bách. Đặc biệt, các cuộc tấn công mạng trên Multi-API gateways trong môi trường Cloud-Native hiện tại là mối đe dọa đáng kê.

Tình trạng này không chỉ ảnh hưởng đến sự ôn định của hạ tầng đám mây mà còn đe dọa đến bảo mật thông tin của các tô chức. Trong nghiên cứu này sẽ tập trung vào việc phát hiện các cuộc tấn công mạng trên Multi-API gateways trong môi trường Cloud-Native xây dựng dựa trên hệ thống vận hành Apache Mesos và Framework Marathon và kỹ thuật Deep Learning. Qua đó, nghiên cứu nhấn mạnh vào việc xác định và ngăn chặn các cuộc tấn công mạng đối với Multi-API gateways trong môi trường Cloud-Native. Deep Learning được áp dụng dé phát hiện các mau tan công phức tạp, trong khi Apache Mesos và Marathon được sử dụng đề quản lý và triển khai các modules trong Muti-API gateways.

Nghiên cứu cung cấp một góc nhìn tổng quan về cách sử dụng Deep Learning và công cụ quản lý container trên Framework Marathon triển khai trên nền tảng Apache Mesos dé bảo vệ hạ tang mạng trong môi trường Cloud-Native. Đồng thời, nó cũng thảo luận về hiệu suất và tính khả thi của phương pháp này trong việc phát hiện và ứng phó với các cuộc tân công mạng đa dạng và phức tạp. Tổng quan đề tài 1.