Tổng quan luận án
Tính cấp thiết và khoảng trống nghiên cứu
Lưu lượng truyền thông và công nghệ thông tin trong môi trường mạng đang gia tăng nhanh chóng. Dự báo từ Cisco cho thấy lưu lượng Internet Protocol (IP) toàn cầu tăng gần gấp ba lần trong giai đoạn 5 năm và tăng 127 lần từ năm 2005 đến năm 2021, với tốc độ tăng trưởng kép hàng năm (CAGR) đạt 24% trong giai đoạn 2016–2021. Sự phát triển này mang lại nhiều lợi ích nhưng cũng đặt ra các thách thức an ninh thông tin nghiêm trọng trước sự đa dạng của các cuộc tấn công mạng. Theo thống kê thực nghiệm, 53% tổng số các cuộc tấn công mạng gây ra thiệt hại tài chính vượt mức 500.000 USD, bao gồm tổn thất doanh thu, khách hàng và các cơ hội kinh doanh. Do đó, việc phát hiện sớm tấn công mạng (Network Attack Detection - NAD) là yêu cầu thiết yếu nhằm bảo đảm tính bí mật, toàn vẹn và sẵn sàng (CIA) của thông tin trong hệ thống mạng truyền thông.
Mặc dù các kỹ thuật học máy và học sâu đã đạt được nhiều kết quả trong NAD, quá trình ứng dụng thực tế vẫn đối mặt với ba khoảng trống nghiên cứu kỹ thuật:
- Tính không đồng nhất và phức tạp của lưu lượng mạng: Lưu lượng mạng đến từ nhiều môi trường đa dạng (máy tính, đám mây, IoT) khiến việc biểu diễn dữ liệu phục vụ các thuật toán phân loại gặp nhiều khó khăn.
- Hiện tượng mất cân bằng dữ liệu nghiêm trọng: Việc thu thập dữ liệu tấn công khó khăn hơn nhiều so với dữ liệu thông thường, dẫn đến tập dữ liệu huấn luyện bị lệch (imbalanced), làm các thuật toán học máy truyền thống bị thiên vị và suy giảm độ chính xác.
- Sự thiếu hụt thông tin nhãn trong các miền mạng mới (đặc biệt là IoT): Do yêu cầu bảo mật quyền riêng tư của các thiết bị IoT, việc thu thập dữ liệu lưu lượng có gán nhãn từ toàn bộ các thiết bị là bất khả thi. Phân phối dữ liệu giữa các thiết bị có sự khác biệt (domain shift), khiến mô hình huấn luyện trên thiết bị này kém hiệu quả khi áp dụng cho thiết bị khác.
Mục tiêu nghiên cứu
Luận án hướng đến phát triển các mô hình mạng nơ-ron học sâu nhằm phân tích dữ liệu an ninh, nâng cao độ chính xác của các mô hình phát hiện tấn công mạng, cụ thể giải quyết ba vấn đề:
- Xây dựng kỹ thuật học biểu diễn (representation learning) có khả năng ánh xạ dữ liệu bình thường và dữ liệu tấn công (cả tấn công đã biết và tấn công chưa biết) vào hai vùng không gian tách biệt thông qua việc bổ sung thành phần điều chuẩn (regularized term) vào hàm mất mát của AutoEncoder (AE).
- Phát triển kỹ thuật sinh mẫu tấn công nhân tạo (synthesized attacks) dựa trên các mô hình sinh sâu không giám sát gồm Generative Adversarial Network (GAN) và AutoEncoder (AE) để cân bằng dữ liệu huấn luyện.
- Xây dựng mô hình học chuyển giao sâu (Deep Transfer Learning - DTL) cho phép chuyển giao tri thức từ thiết bị nguồn có nhãn sang thiết bị đích không có nhãn trong mạng IoT.
Đối tượng và phạm vi nghiên cứu
- Đối tượng nghiên cứu: Các mô hình mạng nơ-ron học sâu (AutoEncoder, Denoising AutoEncoder, Variational AutoEncoder, Generative Adversarial Network, Adversarial AutoEncoder) và kỹ thuật học chuyển giao áp dụng cho bài toán phát hiện tấn công mạng.
- Phạm vi dữ liệu thực nghiệm:
- 02 tập dữ liệu phát hiện xâm nhập mạng máy tính: NSL-KDD, UNSW-NB15.
- 03 tập dữ liệu mã độc (malware) từ hệ thống CTU-13 (Đại học Kỹ thuật Séc): Menti, NSIS.ay, Virus.
- 09 tập dữ liệu tấn công mạng IoT thu thập từ 9 thiết bị thương mại thực tế với 2 họ botnet Mirai và BASHLITE (Gafgyt).
- Phạm vi mô hình và tham số: Luận án tập trung vào các mô hình dựa trên AE và GAN; thực nghiệm được thực hiện trên cấu hình phần cứng cố định (Hệ điều hành Ubuntu 16.04 64-bit, CPU Intel Core i5-5200U, 2 nhân, 4GB RAM).
Tổng quan tài liệu và vị trí của luận án
Các hướng nghiên cứu trước
Hệ thống phát hiện tấn công mạng (NAD) phân tích dữ liệu lưu lượng an ninh thông qua ba hướng tiếp cận chính:
-
Phương pháp dựa trên tri thức (Knowledge-based Methods):
- Sử dụng các tập luật hoặc chữ ký tấn công (signatures) được định nghĩa trước để so khớp với hành vi mạng.
- Các công trình tiêu biểu: Sử dụng máy trạng thái hữu hạn để kiểm soát luồng thực thi và phát hiện sai lệch hành vi; định nghĩa cú pháp ngôn ngữ luật để mô tả đặc trưng tấn công; kết hợp kỹ sư tri thức và chuyên gia miền để sinh luật.
- Hạn chế: Khối lượng tính toán so khớp chuỗi rất lớn khi số lượng luật tăng cao; yêu cầu tri thức chuyên gia chất lượng cao từ trước; không thể phát hiện các cuộc tấn công chưa biết (zero-day attacks).
-
Phương pháp dựa trên thống kê (Statistical-based Methods):
- Xây dựng hồ sơ phân phối của lưu lượng mạng bình thường dựa trên các chỉ số thống kê (trung bình, trung vị, độ lệch chuẩn, entropy thông tin, entropy có điều kiện, information gain). Khi hành vi mạng quan sát được vượt qua ngưỡng xác định, hệ thống sẽ phát cảnh báo.
- Các công trình tiêu biểu: Ye và cộng sự xây dựng hồ sơ đơn biến và đa biến cho hành vi hệ thống; Viinikka và cộng sự tổng hợp đặc trưng chuỗi thời gian; Qingtao và cộng sự phát hiện bất thường qua sự biến đổi đột ngột của dữ liệu chuỗi thời gian.
- Hạn chế: Độ chính xác còn hạn chế, phụ thuộc lớn vào việc lựa chọn giá trị ngưỡng cố định, không thích ứng kịp với sự biến đổi phức tạp của lưu lượng mạng hiện đại.
-
Phương pháp dựa trên học máy (Machine Learning-based Methods):
- Phân loại thành học có giám sát, học bán giám sát và học không giám sát.
- Mô hình phân loại truyền thống: Support Vector Machine (SVM) với các hàm nhân tuyến tính, bậc hai, Gaussian; mô hình cây quyết định và Random Forest (RF); K-Nearest Neighbor (KNN).
- Xử lý mất cân bằng dữ liệu: Các kỹ thuật học nhạy cảm chi phí (cost-sensitive learning) của Zhang, Li, Chung, Wang, Raj, Khan; các kỹ thuật lấy mẫu lại (re-sampling) như SMOTE, SMOTE-SVM, BalanceCascade, EasyEnsemble, Tomek Link.
- Học biểu diễn sâu: Y. Meidan và cộng sự sử dụng AutoEncoder để xác định ngưỡng sai số tái tạo; Cao và cộng sự đề xuất Shrink AE (SAE) và Dirac Delta VAE (DVAE) để co cụm dữ liệu bình thường về gốc tọa độ trong điều kiện học một lớp (one-class); mạng niềm tin sâu (Deep Belief Network - DBN); mạng nơ-ron tích chập (CNN).
- Học chuyển giao sâu (DTL): Chia thành DTL dựa trên thực thể (instance-based), DTL dựa trên ánh xạ (mapping-based sử dụng MMD, JMMD), DTL dựa trên đối nghịch (adversarial-based), và DTL dựa trên mạng (network-based). Các nghiên cứu AE-DTL trước đây (như SKL-AE dùng độ đo KL divergence, SMD-AE dùng MMD) chỉ thực hiện chuyển giao tri thức tại duy nhất tầng thắt cổ chai (bottleneck layer).
Khoảng trống luận án lựa chọn giải quyết
- Các mô hình học biểu diễn bán giám sát (như SAE, DVAE) chỉ học trên dữ liệu bình thường, chưa tận dụng thông tin lớp tấn công khi có sẵn để tối ưu hóa không gian biểu diễn phân tách rõ ràng giữa lớp bình thường và lớp tấn công (cả đã biết và chưa biết), đồng thời chưa hỗ trợ bài toán đa lớp.
- Các phương pháp sinh mẫu giải quyết mất cân bằng như SMOTE, SMOTE-SVM, BalanceCascade dễ làm mất hoặc sai lệch phân phối dữ liệu gốc; các mô hình sinh đối nghịch GAN/ACGAN gặp hiện tượng khó hội tụ trong quá trình tối ưu hóa.
- Các mô hình học chuyển giao sâu dựa trên AE trước đây chỉ thực hiện giảm thiểu khoảng cách phân phối tại tầng bottleneck, chưa khai thác khả năng thích ứng đặc trưng ở các tầng mã hóa sâu hơn (encoding layers).
Cơ sở lý thuyết và phương pháp nghiên cứu
Lý thuyết, khái niệm và khung phân tích
Luận án xây dựng trên nền tảng toán học và kiến trúc của các mạng nơ-ron học sâu:
+----------------------------------------------+
| Kiến trúc mạng nơ-ron nền tảng |
+----------------------------------------------+
|
+-------------------------------+-------------------------------+
| | |
+-----------------+ +-----------------+ +-----------------+
| AutoEncoder | | Generative Adv. | | Deep Transfer |
| (AE) | | Network (GAN) | | Learning (DTL) |
+-----------------+ +-----------------+ +-----------------+
| • DAE, VAE | | • ACGAN | | • Metric: MMD |
| • Kích hoạt: | | • AAE, SAAE | | • Chuyển giao đa|
| ReLU + Tanh | | • Đối nghịch G-D| | tầng mã hóa |
+-----------------+ +-----------------+ +-----------------+
-
AutoEncoder (AE) và các biến thể:
- Cấu trúc cơ bản: Gồm bộ mã hóa $q_\phi$ ánh xạ dữ liệu đầu vào $x_i$ sang biểu diễn ẩn $z_i$ ($z_i = a_e(W x_i + b)$) và bộ giải mã $p_\theta$ tái tạo dữ liệu $\hat{x}i = a_d(W' z_i + b')$. Hàm mất mát chuẩn là sai số toàn phương trung bình (MSE):
$$\ell{AE}(x, \hat{x}) = \frac{1}{n} \sum_{i=1}^{n} |x_i - \hat{x}_i|^2$$
- Denoising AutoEncoder (DAE): Đưa nhiễu Gaussian đẳng hướng $x_{noise} \sim \mathcal{N}(0, \sigma_{noise}^2)$ vào đầu vào $\tilde{x} = x + x_{noise}$, buộc mô hình học cấu trúc phân phối thực thay vì phép đồng nhất.
- Variational AutoEncoder (VAE): Bổ sung ràng buộc phân phối tiên nghiệm chuẩn $\mathcal{N}(0, 1)$ lên không gian ẩn thông qua độ phân kỳ Kullback-Leibler (KL divergence) và kỹ thuật tái tham số hóa (re-parameterization trick).
- Adversarial AutoEncoder (AAE): Thay thế KL divergence bằng mạng đối nghịch (Regularization Phase) để khớp phân phối ẩn $q(z)$ với phân phối tiên nghiệm bất kỳ $p(z)$.
- Phối hợp hàm kích hoạt: Kết hợp hàm Tanh và ReLU trên các tầng ẩn của bộ mã hóa nhằm giải quyết đồng thời hiện tượng triệt tiêu đạo hàm (vanishing gradient của Tanh/Sigmoid) và hiện tượng nơ-ron chết (dying ReLU).
-
Mô hình sinh đối nghịch có bộ phân loại phụ (ACGAN):
- Máy sinh (Generator - $Ge$) nhận vector nhiễu $z$ kết hợp nhãn lớp $c$ để tạo ra mẫu nhân tạo $X_{fake} = Ge(c, z)$. Máy phân biệt (Discriminator - $Di$) thực hiện đồng thời hai nhiệm vụ: phân biệt dữ liệu thực/giả và dự đoán nhãn lớp tương ứng.
-
Độ đo Maximum Mean Discrepancy (MMD):
- Độ đo phi tham số xác định khoảng cách giữa hai phân phối xác suất trên không gian đặc trưng tái tạo:
$$MMD^2(D_S, D_T) = \left| \frac{1}{n_S}\sum_{i=1}^{n_S} \xi(x_i^S) - \frac{1}{n_T}\sum_{i=1}^{n_T} \xi(x_i^T) \right|^2$$
- MMD được sử dụng trong học chuyển giao để thu hẹp khoảng cách biểu diễn giữa miền nguồn $D_S = {(x_i^S, y_i^S)}{i=1}^{n_S}$ và miền đích $D_T = {x_i^T}{i=1}^{n_T}$.
-
Thước đo đánh giá và độ phức tạp mô hình:
- AUC (Area Under the ROC Curve): Tích phân diện tích dưới đường cong ROC thiết lập giữa Tỷ lệ dương tính thật (TPR) và Tỷ lệ dương tính giả (FPR):
$$TPR = \frac{TP}{TP + FN}, \quad FPR = \frac{FP}{TN + FP}$$
- Độ phức tạp mô hình: Tính theo tổng số tham số có thể huấn luyện (trainable parameters) của mạng nơ-ron kết nối đầy đủ: $(n + 1) \times m$ (với $n$ là số nơ-ron đầu vào, $m$ là số nơ-ron đầu ra, $+1$ biểu diễn trọng số chệch bias), kết hợp đo lường thời gian suy luận (inference testing time).
- Parzen window-based log-likelihood: Đánh giá định lượng chất lượng phân phối của các mẫu sinh nhân tạo.
Dữ liệu thực nghiệm
Tất cả các bộ dữ liệu được chuẩn hóa và tiền xử lý (loại bỏ các thuộc tính định danh như saddr, sport, daddr, dport, mã hóa one-hot cho các biến phân loại).
| Nhóm tập dữ liệu |
Tên tập dữ liệu |
Số thuộc tính |
Số mẫu huấn luyện (Lớp bình thường) |
Số mẫu huấn luyện (Lớp tấn công / Mã độc) |
Chi tiết các loại tấn công |
| Mạng máy tính |
NSL-KDD |
41 |
67.373 |
58.630 |
DoS (45.927), Probing (11.656), R2L (995), U2L (52) |
|
UNSW-NB15 |
49 |
37.000 |
45.332 |
Generic (18.871), Exploits (11.132), Fuzzers (6.062), DoS (4.089), Reconnaissance (3.496), Analysis (677), Backdoor (583), Shellcode (378), Worms (44) |
| Mã độc CTU-13 |
Menti |
- |
518.904 |
230 |
Botnet Scenario |
|
NSIS.ay |
- |
292.485 |
1.420 |
Botnet Scenario |
|
Virus |
- |
37.000 |
37.000 |
Botnet Scenario |
| Mạng IoT (Bot-IoT) |
IoT-1 (Danmini Doorbell) |
115 |
239.488 (Train) / 778.810 (Test) |
combo, ack (Mirai, Gafgyt) |
|
|
IoT-2 (Ecobee Thermostat) |
115 |
59.568 (Train) / 245.406 (Test) |
combo, ack (Mirai, Gafgyt) |
|
|
IoT-3 (Ennio Doorbell) |
115 |
174.100 (Train) / 181.400 (Test) |
combo, tcp (1 họ botnet) |
|
|
IoT-4 (Philips B120N10 Baby Monitor) |
115 |
298.329 (Train) / 800.348 (Test) |
tcp, syn (Mirai, Gafgyt) |
|
|
IoT-5 (Provision PT 737E Security Camera) |
115 |
153.011 (Train) / 675.249 (Test) |
combo, ack (Mirai, Gafgyt) |
|
|
IoT-6 (Provision PT 838 Security Camera) |
115 |
265.862 (Train) / 261.989 (Test) |
ack, udp (1 họ botnet) |
|
|
IoT-7 (Samsung SNH 1011 N Webcam) |
115 |
182.527 (Train) / 192.695 (Test) |
combo, tcp (1 họ botnet) |
|
|
IoT-8 (SimpleHome XCS7 1002 WHT Camera) |
115 |
189.055 (Train) / 674.001 (Test) |
combo, ack (Mirai, Gafgyt) |
|
|
IoT-9 (SimpleHome XCS7 1003 WHT Camera) |
115 |
176.349 (Train) / 674.477 (Test) |
combo, ack (Mirai, Gafgyt) |
|
Nội dung chính theo từng chương
Chương 1: Cơ sở lý thuyết và các nghiên cứu liên quan (Backgrounds)
Chương 1 hệ thống hóa bối cảnh an ninh mạng và các mô hình học sâu nền tảng.
- Phân tích ba phương pháp NAD truyền thống: Chỉ rõ ưu và nhược điểm của phương pháp dựa trên tri thức, thống kê và học máy.
- Khảo sát hàm kích hoạt trong AutoEncoder: Luận án thực nghiệm so sánh các hàm kích hoạt (Sigmoid, Tanh, ReLU) trên tập dữ liệu IoT-4. Kết quả cho thấy mô hình chỉ sử dụng hàm Sigmoid cho giá trị AUC xấp xỉ 0.5 (tương đương phân loại ngẫu nhiên) do hiện tượng triệt tiêu đạo hàm. Mô hình dùng Tanh đạt AUC gần 0.9. Khi kết hợp kiến trúc hai nhánh mạng bộ mã hóa (En1 dùng Tanh, En2 dùng ReLU), biểu diễn đầu ra kết hợp đạt điểm số AUC vượt trội (trên 0.95), tận dụng được khả năng tránh nơ-ron chết của Tanh và tránh triệt tiêu đạo hàm của ReLU.
- Định nghĩa các tiêu chuẩn đo lường: Xác lập cơ sở toán học của độ đo AUC, ma trận nhầm lẫn (TP, FP, TN, FN), log-likelihood cửa sổ Parzen và công thức tính tham số mô hình $(n+1) \times m$.
Chương 2: Học biểu diễn ẩn cho phát hiện tấn công mạng (Learning Latent Representation for Network Attack Detection)
Chương 2 đề xuất giải pháp cho bài toán dữ liệu lưu lượng không đồng nhất và phức tạp.
+-----------------------------------------------------------------------------------+
| Không gian biểu diễn ẩn của MAE / MVAE / MDAE |
| |
| [ Vùng dữ liệu Bình thường ] <------ Khoảng cách ------> [ Vùng dữ liệu Tấn công ] |
| (Tập trung quanh tâm phân phối 1) (Tấn công đã biết & chưa biết) |
| (Thuộc vùng phi bão hòa) |
+-----------------------------------------------------------------------------------+
- Ba mô hình học biểu diễn đề xuất:
- Multi-distribution Variational AutoEncoder (MVAE).
- Multi-distribution AutoEncoder (MAE).
- Multi-distribution Denoising AutoEncoder (MDAE).
- Cơ chế hoạt động: Bổ sung hàm phạt điều chuẩn vào hàm mục tiêu của AE, ép buộc dữ liệu lưu lượng bình thường và dữ liệu tấn công phân tách thành hai vùng riêng biệt trong không gian ẩn $z$. Bằng cách tận dụng vùng phi bão hòa của hàm kích hoạt, mô hình cho phép các mẫu tấn công chưa biết (unknown attacks) tự động rơi vào vùng của lớp tấn công thay vì bị lẫn vào lớp bình thường.
- Kết quả thực nghiệm:
- Đánh giá trên 9 tập dữ liệu IoT với 4 bộ phân loại tuyến tính: SVM, Perceptron (PCT), Nearest Centroid (NCT), Linear Regression (LR), đối sánh cùng Random Forest (RF), Standalone (STA), DBN, CNN, AE, VAE, DAE.
- Không gian biểu diễn mới giúp các bộ phân loại tuyến tính đơn giản đạt hiệu năng tương đương hoặc vượt trội so với các mô hình phi tuyến tính phức tạp huấn luyện trên không gian gốc.
- Khảo sát tham số nhiễu trên MDAE: Độ lệch chuẩn nhiễu Gaussian $\sigma_{noise} = 0.01$ trên tập IoT-1 cho điểm AUC cao nhất, đồng thời đạt tỷ lệ cảnh báo sai (FAR) và tỷ lệ bỏ sót (MDR) thấp nhất.
- Khả năng phát hiện tấn công chưa biết và đánh giá chéo tập dữ liệu (Cross-datasets): Bộ phân loại NCT áp dụng trên biểu diễn học được từ mô hình duy trì chỉ số AUC cao khi thử nghiệm trên tập IoT-2 với các dạng tấn công chưa từng xuất hiện trong tập huấn luyện.
Chương 3: Các mô hình học sinh sâu cho phát hiện tấn công mạng (Deep Generative Learning Models for Network Attack Detection)
Chương 3 giải quyết hiện tượng mất cân bằng dữ liệu nghiêm trọng trong tập dữ liệu an ninh mạng.
+--------------------------------------------------+
| Dữ liệu huấn luyện mất cân bằng |
+--------------------------------------------------+
|
+-------------------------+-------------------------+
| |
[ Thuật toán ACGAN-SVM ] [ Thuật toán CDAAE-KNN ]
Sinh mẫu nhãn tấn công qua Lấy mẫu vùng biên (Borderline)
bộ phân loại phụ kết hợp SVM tạo mẫu tấn công có chất lượng cao
| |
+-------------------------+-------------------------+
|
+--------------------------------------------------+
| Tập dữ liệu mới đã được cân bằng |
| (Mẫu sinh tương đồng phân phối gốc) |
+--------------------------------------------------+
- Ba mô hình sinh đề xuất:
- ACGAN-SVM: Kết hợp mạng sinh đối nghịch có điều kiện nhãn lớp và máy vector hỗ trợ để tạo mẫu tấn công nhân tạo cho các lớp thiểu số.
- Conditional Denoising Adversarial AutoEncoder (CDAAE): Kết hợp khả năng kháng nhiễu của DAE với quá trình huấn luyện đối nghịch có điều kiện nhãn lớp.
- Borderline Sampling with CDAAE-KNN (CDAAE-KNN): Thực hiện lấy mẫu tại vùng biên phân chia giữa các lớp sử dụng thuật toán K-Nearest Neighbor kết hợp CDAAE, tập trung sinh mẫu tại các khu vực khó phân loại.
- Kết quả thực nghiệm:
- Thực nghiệm trên các tập dữ liệu mạng NSL-KDD, UNSW-NB15 và CTU-13 với các bộ phân loại SVM, Decision Tree (DT), Random Forest (RF).
- Đánh giá log-likelihood cửa sổ Parzen: Chứng minh phân phối xác suất của dữ liệu sinh bởi CDAAE và ACGAN-SVM có độ tương đồng và tương quan thống kê chặt chẽ với phân phối thực của dữ liệu tấn công gốc hơn so với các phương pháp SMOTE, SMOTE-SVM, BalanceCascade, EasyEnsemble.
- Nâng cao rõ rệt độ chính xác phân loại đối với các lớp tấn công có số lượng mẫu cực thấp (U2L, R2L trong NSL-KDD, Worms, Shellcode trong UNSW-NB15, và mã độc Menti trong CTU-13).
Chương 4: Học chuyển giao sâu cho phát hiện tấn công mạng (Deep Transfer Learning for Network Attack Detection)
Chương 4 giải quyết vấn đề thiếu hụt nhãn dữ liệu trên các thiết bị mạng mới và bảo đảm quyền riêng tư trong IoT.
+--------------------------+ +--------------------------+
| Miền nguồn DS | | Miền đích DT |
| (IoT-1 có gán nhãn) | | (IoT-2 không có nhãn) |
+--------------------------+ +--------------------------+
| |
v v
[ Tầng mã hóa En 1 ] <------- Ràng buộc tối thiểu MMD -------> [ Tầng mã hóa En 1 ]
| |
v v
[ Tầng mã hóa En 2 ] <------- Ràng buộc tối thiểu MMD -------> [ Tầng mã hóa En 2 ]
| |
v v
[ Tầng mã hóa En 3 ] <------- Ràng buộc tối thiểu MMD -------> [ Tầng mã hóa En 3 ]
| |
+-----------------------------+-----------------------------+
|
v
[ Không gian biểu diễn bất biến ]
Phân loại chính xác miền đích DT
- Mô hình đề xuất: Maximum Mean Discrepancy - AutoEncoder (MMD-AE).
- Cơ chế thích ứng đa tầng:
- Thay vì chỉ tối thiểu hóa độ lệch phân phối tại tầng nút thắt cổ chai (bottleneck layer) như các phương pháp SKL-AE hoặc SMD-AE trước đây, mô hình MMD-AE thực hiện tính toán và giảm thiểu khoảng cách MMD đồng thời trên một, hai và cả ba tầng mã hóa (encoding layers) của mạng AutoEncoder.
- Quá trình này giúp căn chỉnh không gian biểu diễn ẩn giữa miền nguồn có nhãn ($D_S$) và miền đích không có nhãn ($D_T$) ở nhiều mức trừu tượng đặc trưng khác nhau.
- Kết quả thực nghiệm:
- Đánh giá chuyển giao tri thức từ thiết bị nguồn IoT-1 (Danmini Doorbell) sang thiết bị đích IoT-2 (Ecobee Thermostat) và trên toàn bộ 9 tập dữ liệu IoT.
- Điểm số AUC của mô hình MMD-AE vượt trội so với mô hình AE chuẩn, SKL-AE và SMD-AE trên miền đích mà không cần sử dụng bất kỳ nhãn nào của tập dữ liệu đích trong quá trình huấn luyện.
- Phân tích chi tiết thời gian xử lý và số lượng tham số huấn luyện xác nhận mô hình MMD-AE có độ phức tạp tính toán hợp lý, phù hợp với năng lực xử lý của các hệ thống an ninh mạng thực tế.
Kết quả và những đóng góp mới
Đóng góp về mặt lý luận khoa học
- Phương pháp học biểu diễn ẩn phân tách đa phân phối: Đề xuất thành công kỹ thuật đưa hàm phạt vào hàm mục tiêu của kiến trúc AutoEncoder (triển khai qua MVAE, MAE, MDAE). Về mặt lý thuyết, phương pháp đã chứng minh việc ràng buộc không gian ẩn kết hợp vùng phi bão hòa của hàm kích hoạt cho phép tách biệt dữ liệu bình thường và dữ liệu bất thường mà không làm mất tính tổng quát của phân phối dữ liệu gốc.
- Kỹ thuật sinh mẫu vùng biên dựa trên mạng đối nghịch sâu: Phát triển cấu trúc CDAAE, CDAAE-KNN và ACGAN-SVM. Đây là sự mở rộng lý thuyết kết hợp giữa mạng mã hóa tự động đối nghịch và kỹ thuật lấy mẫu biên (borderline sampling), khắc phục hạn chế làm sai lệch phân phối của các phương pháp nội suy truyền thống (SMOTE).
- Cơ chế học chuyển giao sâu đa tầng mã hóa: Xác lập nguyên lý chuyển giao tri thức dựa trên độ đo MMD áp dụng đồng thời trên chuỗi các tầng mã hóa (encoding layers) của AutoEncoder thay vì chỉ áp dụng tại tầng thắt cổ chai đơn lẻ, giúp biểu diễn đặc trưng giữa hai miền đạt tính bất biến phân phối cao hơn.
Đóng góp về mặt thực tiễn
- Nâng cao hiệu năng phát hiện tấn công chưa biết (Zero-day attacks): Cung cấp giải pháp cho phép các bộ phân loại tuyến tính đơn giản đạt độ chính xác cao trong việc nhận diện các dạng tấn công mới mà không đòi hỏi cập nhật lại toàn bộ chữ ký luật.
- Cân bằng dữ liệu thực tế cho các cuộc tấn công hiếm: Nâng cao năng lực phát hiện các nhóm tấn công mạng nguy hiểm nhưng có tần suất xuất hiện thấp trong tập dữ liệu (U2L, R2L, Botnet).
- Triển khai an ninh trong mạng IoT bảo đảm quyền riêng tư: Mô hình MMD-AE cho phép triển khai hệ thống giám sát an ninh trên các thiết bị IoT mới mà không cần thu thập dữ liệu nhãn nhạy cảm từ người dùng cuối.
- Công bố khoa học: Toàn bộ các kết quả nghiên cứu trong luận án đã được công bố qua 07 công trình khoa học, bao gồm: 03 bài báo hội thảo quốc tế (01 bài Rank B, 02 bài chỉ mục Scopus), 01 bài báo tạp chí khoa học trong nước, 02 bài báo tạp chí quốc tế thuộc danh mục ISI (01 bài SCIE-Q1, 01 bài SCI-Q1), và 01 bài báo gửi tạp chí quốc tế SCI-Q1 đang trong quá trình phản biện vòng 1.
Hạn chế và hướng nghiên cứu tiếp
Hạn chế của luận án
- Phạm vi kiến trúc mô hình: Luận án tập trung chuyên sâu vào các biến thể của mạng AutoEncoder (AE) và mạng đối nghịch (GAN), chưa khảo sát toàn diện các kiến trúc mạng nơ-ron học sâu khác (như Transformer hoặc Graph Neural Networks) do đặc thù 1 chiều của dữ liệu lưu lượng an ninh.
- Không gian siêu tham số: Do giới hạn về năng lực tính toán phần cứng, luận án chưa thể thực hiện tinh chỉnh và quét cạn toàn bộ các không gian cấu hình siêu tham số (phương pháp khởi tạo trọng số, số tầng ẩn, số nơ-ron trên từng tầng, các dạng hàm tối ưu hóa và các dải tốc độ học khác nhau).
- Phạm vi tập dữ liệu: Các thực nghiệm tập trung vào 2 bộ dữ liệu mạng máy tính, 3 tập dữ liệu mã độc CTU-13 và 9 tập dữ liệu IoT; chưa bao phủ toàn bộ các dạng giao thức mạng công nghiệp và mạng viễn thông thế hệ mới.
Hướng nghiên cứu tiếp theo
- Mở rộng kiểm thử và đánh giá các mô hình đề xuất trên các tập dữ liệu an ninh mạng mới và đa dạng hơn về quy mô, chủng loại giao thức và kiến trúc mạng.
- Nghiên cứu tối ưu hóa tự động siêu tham số của các mô hình MVAE, CDAAE-KNN và MMD-AE nhằm nâng cao khả năng triển khai thời gian thực trên các thiết bị phần cứng nhúng có tài nguyên hạn chế.
Giá trị tham khảo
- Đối với nghiên cứu sinh và học viên cao học ngành An toàn thông tin, Khoa học máy tính và Cơ sở toán học cho tin học:
- Là tài liệu tham khảo về phương pháp luận kết hợp giữa mô hình toán học (độ đo MMD, phân phối Gaussian, tối ưu hóa hàm mất mát) với kiến trúc học sâu (AE, GAN, AAE).
- Cung cấp phương pháp thiết kế thực nghiệm, tiền xử lý và đánh giá trên các bộ dữ liệu an ninh chuẩn (NSL-KDD, UNSW-NB15, CTU-13, Bot-IoT).
- Đối với giảng viên và chuyên gia nghiên cứu:
- Chương 2 và Chương 4 cung cấp khung phân tích về học biểu diễn và học chuyển giao sâu, có thể sử dụng làm học liệu chuyên đề trong các khóa học sau đại học về Học sâu ứng dụng và An toàn mạng.
- Đối với kỹ sư an toàn thông tin và chuyên viên phát triển hệ thống bảo mật:
- Tham khảo kiến trúc mô hình ACGAN-SVM và CDAAE-KNN để xử lý bài toán dữ liệu mất cân bằng trong các trung tâm điều hành an ninh mạng (SOC).
- Ứng dụng mô hình MMD-AE để triển khai nhanh các giải pháp bảo mật cho các hệ thống thiết bị IoT công nghiệp mà không tốn chi phí gán nhãn dữ liệu thực địa.
Câu hỏi thường gặp
1. Tại sao việc kết hợp hàm kích hoạt Tanh và ReLU trong AutoEncoder lại đạt hiệu quả cao hơn so với hàm Sigmoid khi phát hiện bất thường trong IoT?
Trong cấu trúc AutoEncoder sâu huấn luyện trên tập dữ liệu lớn (như IoT), hàm Sigmoid dễ dẫn đến hiện tượng triệt tiêu đạo hàm (vanishing gradient) khi giá trị rơi vào vùng bão hòa, khiến điểm AUC chỉ đạt xấp xỉ 0.5 (tương đương đoán ngẫu nhiên). Việc kết hợp hai nhánh mã hóa sử dụng đồng thời Tanh và ReLU giúp khắc phục nhược điểm của nhau: hàm Tanh giải quyết hiện tượng nơ-ron chết (dying ReLU problem), trong khi hàm ReLU giúp tránh hiện tượng triệt tiêu đạo hàm của Tanh, giúp mô hình đạt AUC trên 0.95.
2. Các mô hình học biểu diễn ẩn (MVAE, MAE, MDAE) phân tách dữ liệu tấn công chưa biết (unknown attacks) như thế nào?
Mô hình đưa thêm thành phần điều chuẩn vào hàm mất mát để ánh xạ dữ liệu bình thường vào một vùng phân phối tập trung trong không gian ẩn $z$. Đồng thời, cấu trúc mạng tận dụng vùng phi bão hòa của hàm kích hoạt. Khi dữ liệu tấn công chưa biết xuất hiện, do có đặc trưng sai lệch so với dữ liệu bình thường, biểu diễn ẩn của chúng sẽ tự động bị đẩy vào vùng không gian dành cho dữ liệu bất thường, giúp các bộ phân loại tuyến tính phân tách chính xác.
3. Ưu điểm của mô hình CDAAE và ACGAN-SVM so với kỹ thuật SMOTE truyền thống khi xử lý mất cân bằng dữ liệu là gì?
Kỹ thuật SMOTE tạo dữ liệu nhân tạo bằng phép nội suy tuyến tính giữa các điểm lân cận, dễ làm biến dạng và mất đi phân phối xác suất thực tế của dữ liệu an ninh gốc. Ngược lại, CDAAE và ACGAN-SVM học được phân phối xác suất ngầm định của dữ liệu thông qua cơ chế đối nghịch và kháng nhiễu, qua đó sinh ra các mẫu tấn công nhân tạo có chất lượng cao, đạt điểm log-likelihood cửa sổ Parzen vượt trội và duy trì sự tương đồng chặt chẽ với phân phối dữ liệu gốc.
4. Điểm khác biệt cốt lõi của mô hình học chuyển giao MMD-AE so với các mô hình AE-DTL trước đây (như SKL-AE, SMD-AE) là gì?
Các mô hình trước đây (như SKL-AE sử dụng khoảng cách KL hoặc SMD-AE sử dụng MMD) chỉ thực hiện việc thích ứng và tối thiểu hóa khoảng cách phân phối tại duy nhất tầng nút thắt cổ chai (bottleneck layer). Mô hình MMD-AE thực hiện việc chuyển giao và tối thiểu hóa khoảng cách phân phối MMD đồng thời trên một, hai và cả ba tầng mã hóa (encoding layers), giúp căn chỉnh các đặc trưng phân cấp sâu giữa miền nguồn và miền đích hiệu quả hơn.
5. Cấu hình phần cứng và hệ thống đo lường độ phức tạp mô hình được sử dụng trong luận án gồm những gì?
Toàn bộ thực nghiệm trong luận án được tiến hành đồng nhất trên hệ thống máy tính chạy hệ điều hành Ubuntu 16.04 (64-bit), trang bị vi xử lý Intel Core i5-5200U (2 nhân) và 4GB RAM. Độ phức tạp của mô hình được định lượng thông qua thời gian suy luận (inference testing time) trên từng mẫu dữ liệu và tổng số lượng tham số có thể huấn luyện tính theo công thức $(n + 1) \times m$ cho các tầng kết nối đầy đủ.
Kết luận
Luận án tiến sĩ của tác giả Vũ Thị Lý đã giải quyết ba thách thức cốt lõi trong bài toán phát hiện tấn công mạng bằng kỹ thuật học sâu: tính phức tạp của lưu lượng mạng, sự mất cân bằng dữ liệu và sự thiếu hụt nhãn trong môi trường IoT. Thông qua việc đề xuất các mô hình học biểu diễn ẩn (MVAE, MAE, MDAE), các mô hình sinh đối nghịch có điều kiện (ACGAN-SVM, CDAAE, CDAAE-KNN) và mô hình học chuyển giao sâu đa tầng mã hóa (MMD-AE), luận án đã cải thiện độ chính xác phân loại cho cả các cuộc tấn công đã biết và chưa biết. Các kết quả nghiên cứu có giá trị khoa học và thực tiễn cao, được minh chứng qua hệ thống thực nghiệm trên 14 bộ dữ liệu an ninh chuẩn và 07 công trình công bố trên các diễn đàn khoa học uy tín.
