Chương 1. Tổng quan đề tài. Chương này sẽ giới thiệu tông quan về đề tài nghiên cứu, phạm vi nghiên cứu và phương pháp nghiên cứu. Các nghiên cứu liên quan.
Chương này trình bảy các nghiên cứu của các nhóm tác giả khoa học. Các kiến thức nền tảng. Chương này trình bày các kiến thức tổng quan về SDN, phương pháp học cộng tác Federated Learning, mô hình học máy, IDS và một số kiến thức liên quan. Y tưởng, mô hình, phương pháp thực hiện.
Chương này trình bày về cách triển khai mang SDN, phương pháp học cộng tác Federated Learning để phát hiện các cuộc tấn công. Thực nghiệm và kết quả. Chương này trình mày mô hình đề xuất , đánh giá kết quả. Chương này đưa ra kết luận và hướng phát triển.
Phụ lục Chương 2. CÁC NGHIÊN CỨU LIÊN QUAN 2.1 Phát hiện tang công mạng IOT dựa trên học cộng tác Với số lượng các thiết bị ngày càng tăng của các cuộc tấn công mạng, các thiết bị Internet of Thing (IoT) đang tiếp xúc với các phần mềm độc hại nghiêm trọng, các cuộc tấn công, các hoạt động đôc hại ngày càng phát triển. Mặc dù các nghiên cứu trước đây đã tập trung vào phát hiện xâm nhập ở một vi trí tập trung, có thé hình dung tồn tại một thiết bị, thực thé có khả năng lưu trữ và thực hiện phân tích đữ liệu từ các thiết bị tham gia, nhưng với phương pháp này không thể mở rộng quy mô tốt với tốc độ phát triên nhanh chóng của các thiết bị kết nối loT và có thé gây ra rủi ro ảnh hưởng đến quyền riêng tư dữ liệu. Hơn nữa, với việc dữ liệu được kết nối phổ biến rộng rãi trên các mạng lớn nên việc các thiết bị được kết nối, tính toán phi tập trung là đang rất cần thiết trong bối cảnh này nhóm tác giả [5]đề xuất bài viết này với một sơ đồ dựa trên học liên kết dé phát hiện xâm phập IoT nhằm duy trì quyên riêng tư dit liệu bằng cách đào đạo mô hình cục bộ và suy luận các mô hình phát hiện.
Trong sơ đồ này, không chỉ có thé đảm bảo quyền riêng tư dữ liệu mà các thiết bị còn được hưởng lợi từ các thiết bị tham gia khác từ việc máy chủ tong hợp từ xa và chia sẻ mô hình mới phát hiện, cải tiễn với từng thiết bị tham gia. Nhóm tác giả đã thử nghiệm kỹ lưỡng trên tập dữ liệu NSL-KDD để đánh giá hiệu quả của các phương pháp đã đề xuất. Kết quả thử nghiệm và phân tích thực nghiệm khám phá được tính mạnh mẽ và lợi thế của mô hình học liên kết được thê hiện bằng cách đạt đến độ chính xác gần với độ chính xác của các mô hình được đào tạo dữ liệu tập trung. Và vượt trội hon so với việc đào đạo không tong hợp dữ liệu.2 Giải pháp đảm bảo riêng tư của dữ liệu người dùng khi huấn luyện học máy dựa trên học cộng tác Việc phân loại các tác nhân độc hại trong các bài toán ứng dụng học máy đòi hỏi việc tiép cận dữ liệu của người dùng, von là môi lo ngại vê quyên riêng tư dữ liệu.
Dé giải quyết vân dé này, trong nghiên cứu về hệ thông phát hiện xâm nhập (IDS) trong môi trường mạng IoT, nhóm tác giả Thien Duc Nguyen [6] đã đưa ra phương pháp học Cộng Tác với mục đích không những giúp mô hình phân loại nhận diện được các cuộc tấn công mạng, mà vẫn giữ được sự riêng tư của các tập dữ liệu của thiết bị người dùng.3 Kiến trúc điều khiến công nghiệp mới dựa trên Software-Defined Network Thông thường, các router và các thiết bị mạng khác bao gồm cả dữ liệu và chức năng điều khiển trong một mạng doanh nghiệp lớn, khiến cho việc điều chỉnh hạ tang mạng và mở rộng hệ thống trở nên khó khăn hơn. Dé giải quyết van đề này, trong nghiên cứu về kiến trúc điều khiển công nghép của nhóm tác gia Liang va Li [7] đã nêu ra lợi ích và khả năng vượt trội của SDN so với mạng truyền thống.4 Phát hiện bất thường cho dữ liệu chuỗi thời gian trong công nghệ IoT: Giao tiếp hiệu quả phương pháp học tập liên kết trên thiết bị Vì lỗi thiết bị trong mạng IoT ảnh hưởng nghiêm trọng tới việc sản xuất các sản phẩm công nghiệp trong IoT, việc phát hiện chính xác kịp thời chính xác các điểm bất thường ngày càng trở nên quan trọng. Hơn nữa, dữ liệu do các thiết bị trong mạng IoT thu thập chứa dữ liệu riêng tư của người dùng ngày càng thu hút mối quan tâm của mọi người. với trọng tâm nay, bài báo này [8] đề xuất một bộ khung học cộng tác (FL) phát hiện bất thường.
Nhóm tác giả đề xuất mô hình học cộng tác cho phép các thiết bị đạo tạo mô hình phi tập trung, cùng với mô hình đào tao Attention Mechanismbased Convolutional Neural Network-Long Short Term Memory (AMCNN-LSTM) dé phát hiện chính xác các điểm bat thường. Các nghiên cứu thử nghiệm mở rộng trong 4 bộ dữ liệu thực tế chứng minh rằng mô hình mà nhóm tác giả [8] đề xuất phát hiện chính xác và kịp thời các điểm bat thường và cũng giảm chi phí xuống 50% so với các phương pháp truyền thống. TONG QUAN KIÊN THỨC NEN TANG 3. Phương pháp hoc cộng tác (học liên kết) Federated Learning.1 Giới thiệu học cộng tác (học liên kết) Federated Learning.
Theo thống kê của Gizmochina, một trang công nghệ nổi tiếng của Trung Quốc, số lượng người dùng Smartphone trên toàn thế giới năm 2020 là 5,22 tỷ người dùng,lượng người dùng lớn như vậy tạo ra một lượng lớn dữ liệu, thông qua máy ảnh, micro,. và các cảm biến khác. Dữ liệu sau đó được thu thập trong các trung tâm dữ liệu dé đào tạo mô hình máy học (machine learning) hay học sâu (deeplearning) nhằm xây dựng các ứng dụng thông minh. Tuy nhiên, do các mối quan tâm về quyền riêng tư đữ liệu và giới hạn băng thông, các kỹ thuật học tập trung dữ liệu không thích hợp, người dung có khả năng sẽ ít chia sẻ dữ liệu hơn, do đó dit liệu sẽ chỉ có sẵn trên các thiết bị.
Cách tiếp cận tiêu chuẩn dé xây dựng mô hình học máy ngày nay là tập hop tat ca dữ liệu đào tạo ở một nơi, thường là trên đám mây, và sau đó dao tạo mô hình trên dữ liệu. Nhung cách tiếp cận này không khả thi đối với phần lớn dit liệu trên thế giới, vì lý do riêng tư và bảo mật không thê chuyền đến kho lưu trữ đữ liệu trung tâm. Điều này làm cho nó vượt quá giới hạn đối với các kỹ thuật AI truyền thống. Hơn nữa, các tình huống khó xử về quyền riêng tư càng khiến những gã khống 16 công nghệ gặp khó khăn.
Gần đây, Facebook và Amazon đã thừa nhận rằng đã lắng nghe cuộc trò chuyện của một số người dùng sau một cuộc điều tra. Sau đó có có một chiến dịch phản đối về việc xử lý thông tin người dùng, cuôi cùng 2 gã không lồ công nghệ được nêu trên đã buộc phải ngừng hoạt động này hoặc cung cấp tùy chọn tắt chia sẻ bất kỳ đữ liệu cá nhân nảo. Học tập liên kết giải quyết vẫn đề này băng cách lật lại phương pháp tiếp cận thông thường đối với AI. Thay vì yêu cầu một tập dữ liệu thống nhất dé đào tạo một mô hình, việc học liên kêt sẽ đê dữ liệu ở vi trí cua nó, được phân phôi trên nhiêu thiệt bị và máy chủ.
Thay vào đó, nhiều phiên bản của mô hình được gửi đi - một đến mỗi thiết bị có đữ liệu huấn luyện - và được huấn luyện cục bộ trên mỗi tập con dữ liệu. Các tham số mô hình kết quả, nhưng không phải dữ liệu đào tạo, sau đó được gửi trở lại dam mây. Khi tat cả các “mô hình nhỏ” này được tổng hợp, kết qua là một mô hình tong thé hoat động như thé nó đã được dao tạo trên toàn bộ tập dữ liệu cùng một lúc. FL là một trong những lĩnh vực phát triển nhanh nhất, vì nó đi kèm các tính năng riêng tư và bảo mật nhăm tuân thủ các yêu cầu của luật bảo vệ dữ liệu người dùng.Tuy nhiên, FL cũng không miễn nhiễm với các loại tấn công ví dụ như đầu độc dữ liệu, dau độc mô hình.1: Mô hình Fedearated Learning Học liên kết cho phép tạo ra các mô hình thông minh hơn, độ trễ thấp hơn và tiêu thụ ít điện năng hơn, tat cả đồng thời đảm bảo quyên riêng tư.
Ngoài ra cách tiếp cận này còn có một lợi ích tức thì khác: Ngoài việc cung cấp bản cập nhật cho mô hình được chia sẻ, thì mô hình sẽ được cai tiễn trên thiết bi và người dung có thé sử dụng ngay lập tức, mang lại trải nghiệm cá nhân hóa theo cách sử dụng thiết bị của người dùng.2 Ví dụ Gboard, bàn phím Google. Một vi dụ phố biến cho phương pháp này là Gboard, bàn phím của Google. Khi Gboard hién thị một truy vấn được đề xuất, điện thoại sẽ lưu trữ cục bộ thông tin về ngữ cảnh hién tại, việc người dùng nhấp vào đề xuất là một cách dé cung cấp dữ liệu cho quá trình huấn luyện. Học liên kết xử lý lịch sử trên thiết bi dé đề xuất các cải tiên cho lân lặp tiêp theo của mô hình đê xuât truy vân của Gboard.
Q umami burger menu umami burger G umami burger c ® I) be) $ 1 2 3 4 5 6 7. 8 9 0 q WwW e©e fr t y U | OP Hinh 3.2: Vi du vé Gbroad 3.3 Những khó khăn va lợi ich của học liên kết.2 Khó khăn: e Yêu cầu đầu tư: Các mô hình học tập liên kết có thé yêu cầu giao tiếp thường xuyên giữa các nút. Điều này có nghĩa là dung lượng lưu trữ và bang thông cao nằm trong số các yêu cầu của hệ thống. e Bảo mật dữ liệu: 10 o Dữ liệu không được thu thập trên một thiết bị / máy chủ duy nhất trong học tập liên kết, mà có nhiều thiết bị dé thu thập và phân tích dữ liệu.
Điều này làm tăng khả năng bị tấn công. o Mac dù chỉ có các mô hình hay các tham số, không phải dữ liệu thô được giao tiếp với máy chủ trung tâm, nhưng các mô hình có thê được thiết kế ngược dé xác định dữ liệu máy khách. Các công nghê, phương pháp nâng cao như quyền riêng tư khác biệt (Differential privacy), Homomorphic encryption, secure multiparty computation, được sử dung dé tăng kha năng bao mật dữ kiệu của hoc cộng tác. e Giới hạn hiệu suất: o Dữ liệu không đồng nhất: Các mô hình từ các thiết bị khác nhau được hợp nhất dé xây dựng một mô hình tốt hơn trong học liên kết.