CHƯƠNG 1.2 DAT VAN DE.3 MỤC TIÊU CUA DE TÀI 1. 4 BI, nghién CUA n.2 Pham vi nghién 5n ốc .2 CC MO’ de dO nha. GAFGYT ATTACK VA MIRAI ATTACK .1 Botnets và D OS. tt HH HH HH HH HH Hà HH HH rc 7 2.2 Gafgyt Attack và Bashlite AtfqCĂ.3 Biện pháp phòng CHONG vcssssssscssscssesesessssesssvssssssssssssssessesesssesnsnsssnussunuinsssseseeeeeeessssssnsnssunusssseseeceeeeessesssannanee 12 2.1 Tổng quan máy h0C cessssssscssseessvvvssvesssseeesesssesssssssnvussnssnsssssssceceeeceessssisuuuunnunnnnsnssssseeceeeseeessissumnnnnnnnsnnnseeeeeeeeee 12 2.3 Ưu điển và nhược điỂm.
sọc nhọ vnre 15 2.2 Kiến trúc Neural network sssssssssssssssssssssssvsssssssssssssesseeeeseessssnssnsssunussssseseeeeeeeesesssannassunmnsssseseeeeeeeessensnanannee 16 2.3 Ung dung Neural network.5 HỌC LIEN KET (FEDERATED LEARNING) .scssessssssesseessesseesesucenessesuesuecsncesecnessnesuesuecseesucsussseeauesueeaeeaneeneaseeanenneensens 18 DST TONG QUAM na:‹14.3 Nhược điểm 20 CHƯƠNG 3. MÔ HÌNH HỆ THÓNG 3.1 HE THONG ĐÈ XUẤT .2 MÔ HÌNH PHÁT HIỆN MOI DE DỌA. 5:6 23 3938EE2EEt2EEE93E3211121111111121212111111111111111111111711 111111111 cE 23 3.3 ĐÀO TẠO MÔ HÌNH 3.1 Đào tạo mô hình 3. Đào tạo mô hình áp dụng Federated Learning.
Đào tạo mô hình áp dụng Federated Learning được toi tru hóÓa. 55 55cccssccerveteereeeteereerereeerrcev 27 vi CHƯƠNG 4. KÉT QUÁ THỰC NGHIỆM 4. -ễíỪDŨỪõðä‡iiñ¬10AOÂẲÂẦÂẦÂẨẢ.3 Phin chia ốc.
Tién xử lý dữ liệu 42 CAI ĐẶT HE THONG TREN RASPBERRY P14. 3D 43 HIEU SUAT MO HÌNH 38 44 GIAM SAT VÀ TRUC QUAN HOA TREN ELASTICSEARCH. INTERFACE co ch.2 Tin ning ẽa ẽeố. KET LUẬN VÀ HƯỚNG PHAT TRIÊN.1 KET QUA DAT ĐƯỢC.
HƯỚNG PHAT TRIEN TIẾP THEO .sssssssesssessseesseesssseestscsnsccssccssscssssesneesbocsssesssscssssessscsssecssecssscsssecssecsssessneessnseaneeess 49 vi DANH MỤC HÌNH ANH Hình 2-1 Lợi ích của ÍO TẺ.-- «1 1 1 91191 91193910 1 0H HH HH TT TH TH HH HT 5 Hình 2-2 Các mối đe dọa đối với IoT.----¿-©+++2E+++t2EE++tEEEEEEEEELEEEELLEEEErieriirrirrii 7 Hình 2-3 Phương pháp lây nhiễm IoT' Botnet. ¿5-5 25 StS£ SE E£EESE‡E£EEEEEEEEEEEEEEEEEEEEEEEEEEErErrerkrrerrrs 8 Hình 2-4 Username va Password trong source code của ÌMITa1.- --- 5 5 + xxx ng 11 Hình 2-5 Ung dụng của máy h0C.cecsccsscssssssessssessessessessessesussvcsvcsssesscssesussucsucsscsessessssussucsusavesessesseesesaease 13 Hình 2-6 Kiến trúc mạng Neural netWOFK.---¿- 2: 5c 5£©S£2EE2EE£EE+2EESEEEEEEEEEE2E121127112711211 21121. 2 17 Hình 2-7 Phương pháp học liên KẾT.- ¿2 2 + +E£+S£+EE£EE#EEEEEEEEEEEEEEEEEEEEEEEEE71121121171712211 11111. 19 Hình 3-1 Mô hình tổng quan hệ thống dé XuẤt.-- -- ¿- ¿2° +E+SE+SE+EE+E£+E£EE£EEEEEEEEEEEEEEEE2EEEEEEEErkrree 23 Hình 3-2 Mô hình dự đoán mối đe dọa .:--52:55+2t22E++t 2E 2E tt EttEktrtttttrrtrrirrrtrerrrre 24 Hình 3-3 Cac kĩ thuật nén và giải nén dữ lIỆU.- --- --- - + +11 HH ng HH Hàng 25 Hình 3-4 Tối ưu hóa mô hình theo cách kiểm tra thay đổi của ÏOSS.----- 2 2 22 2+S£+£++£s+zxzsezz 28 Hình 3-5 Tối ưu hóa mô hình theo cách kiểm tra độ chính xác trước và sau khi đảo tạo.
42 Hình 4-2 Giao diện trang discover ElasfICS€ATCÌ. 6 2c 2 1821118311 83911 1311 9111 911 1 911 81 ng ng rry 43 Hình 4-3 Log trong quá trình đào tạo mô hình.- -- + 6 1x 1 91 91 93 1121 H1 HH HH ngưng 44 Hình 4-4 Lọc các log trong quá trình đào tạo mô hình.- -¿- + + 2222 E333 *#EESEEeeErekeeeeerersesse 45 Hình 4-5 Giao diện chính trang web ứng dụng hệ thống .--- + 2 ¿+ + E+EE+E£+EE+E++E£zE££EerEerxerxsxez 45 Hình 4-6 Kết quả dự đoán lưu lượng mạng từ file ŒSV.- 2-2 252 £+E+E£EE£EESEEEEEEEEEEEEEEEerkerkerkrree 47 Hình 4-7 Thực hiện tấn công mirai__udp. --2- 2 2 2 £E+E£EE#EE#EE+EEEEEEEEEEEEEEEEEEEEEEEEEEE2EE1E1EEErkrree 48 Hình 4-8 Dự đoán mối đe dọa thời HAN HU 1. 48 VI DANH MỤC BANG Bảng 1-1 Top 10 quốc gia là nơi xuất phát của các cuộc tan công mạng bang botnet mirai.
3 Bang 2-1 Các thành phan trong BOfnet. - 2-2-2 ©5£2S£SE+EE£EEEEE2EEEEEEEEEEEE2E1717112112117171. 7111111 cxe 9 Bang 3-1 Ý nghĩa các hang số trong Early Stopping .----- ¿+52 2+EE+EE£EE2EE2EEEEEEEEEEkrrkerkerreee 25 Bang 4-1 Các thiết bị thương mại bị nhiễm botnet .-- 2-2: + 2 £SE+EE£2E££EE+EE£EEZEEEEEEEEerkerrerrsers 30 Bảng 4-2 Phân loại mối đe đọa. 31 Bảng 4-3 Ý nghĩa của các biến thống kê.---2- 2£ 2 SESE£SE2EEEEEEEEEE211221717112112117171.
211111110 32 Bảng 4-4 Mô tả ngắn gọn ý nghĩa của các đặc trưng trong tập dữ liệu NbaloT.--------- 33 Bang 4-5 Các biện pháp thống kê áp dung cho từng loại đặc trưng trong tập dit liệu NbaloT. 34 Bang 4-6 Đánh giá thực nghiệm mô hình không áp dụng FL,.-- -- ¿55 32+ +22 £**E+*vE+eexeesseereeersss 39 Bảng 4-7 Đánh giá mô hình áp dụng FL truyền thống.-- 2-22 5¿2+£2++2E+2EE+2E+tEE++Ex+zzxrzxrerxeee 40 Bảng 4-8 Đánh giá mô hình áp dụng FL được tối ưu hóa theo cách kiểm tra thay đổi của loss. 40 Bảng 4-9 Đánh giá mô hình áp dụng FL được tối ưu hóa theo cách kiểm tra độ chính xác trước và sau 1X DANH MỤC TỪ VIET TAT Từ Nội dung Diễn giải CnCs Command-and-Control Server Máy chủ ra lệnh va quản li botnet DDoS Distributed Denial Of Service Tân công từ chối dich vu phân tán DNS Domain Name System Hệ thống phân giải tên miền ELK Elasticsearch, Logstash và Kibana | Ba phần mềm cốt lõi đi kèm với nhau, phục vụ cho công việc giám sát hệ thống FL Federated Learning Hoc lién két IoT Internet of Things Mang lưới van vật kết nối Internet ML Machine Learning May hoc IDS Intrusion Detection System Hệ thống phát hiện xâm nhập TÓM TÁT KHÓA LUẬN Công nghệ IoT phát triển dẫn đến sự ra đời ngày càng nhiều của các mỗi de dọa nhắm đến IoT. Thế nhưng, việc bảo mật cho chúng lại chưa được quan tâm từ phía nhà sản xuất lần người dùng, các thiết bị IoT chi được trang bị các phương pháp bảo mật truyền thống như bảo mật dựa trên các quy tắc có định (rule-based security).
Các mối đe dọa ngày càng tinh vi có thé dé dàng vượt qua các lớp bảo mật thô sơ đó, do đó, việc áp dụng ML để phát hiện các mối đe dọa đã trở thành xu hướng. Tuy nhiên, bản than ML cũng tiềm ấn nhiều rủi ro, chang hạn như vi phạm quyền riêng tư của dữ liệu. Do đó, chúng tôi quan tâm đến học liên kết (FL), mô hình có thể tận dụng tốt khả năng của ML mà vẫn đảm bảo quyền riêng tư của dit liệu. Trong khóa luận này, chúng tôi sẽ thảo luận về các mối đe dọa phô biến mà ToT phải đối mặt.
Bên cạnh đó, chúng tôi đề xuất mô hình phát hiện mối đe dọa dựa trên bộ dit liệu NBaloT. Cuối cùng, chúng tôi sẽ đưa ra kết luận về việc đánh giá hiệu suất mô hình. Ngoài ra, chúng tôi còn trực quan hóa và cung cấp giao diện web giúp việc sử dụng hệ thống dễ dàng hơn. Thông qua khóa luận này, chúng tôi mong muốn đem lại cái nhìn khách quan về các mối đe doa đối với IoT; cung cấp ki thuật phát hiện các mối đe dọa, góp phần giảm thiểu các cuộc tan công.
Đồng thời, góp phần mở ra hướng nghiên cứu, phát triên các công cụ bảo mật cho an ninh mạng hiện nay.1 Tên đề tài XÂY DỰNG VÀ TOI UU HE THONG FEDERATED IDS (BUILD AND OPTIMIZE FEDERATED IDS SYSTEM) 1.2 Đặt van đề Nhu cầu tiện ich của con người ngày càng tang cũng như các yêu cầu về hiệu suất, tự động hóa càng cao dẫn đến ngày cảng nhiều các thiết bị IoT hiện đại ra đời, trải dài trong mọi lĩnh vực, từ cung cấp tiện ích cá nhân cho đến các hoạt động giám sát rộng lớn. Do đó, nó đóng vai trò quan trọng, lưu giữ nhiều dữ liệu nhạy cảm và đòi hỏi phải hoạt động tốt, không có độ trễ. Song song với sự phát trién của IoT, các môi de dọa ngày càng da dang và tinh vi. Kẻ tan công giờ đây không chỉ xâm phạm đến các thiết bị IoT mà còn biến các thiệt bị đó thành công cụ đê tân công các mục tiêu khác.
Vào tháng 10 năm 2016, ba cuộc tấn công DdoS liên tiếp được thực hiện nhắm vào Dyn, một nhà cung cấp DNS lớn. Chúng đã tạo ra nhiều thiệt hại và gián đoạn cho nhiều dịch vụ và nền tảng Internet lớn bao gồm Netflix, PayPal, Visa, Amazon, New York Times, Reddit, GitHub,. đối với một lượng lớn người dùng ở Châu Âu và Bắc Mỹ. Cuộc tấn công được cho là thực hiện từ một mạng botnet từ các thiết bị IoT bị xâm nhập như cameralP, TV thông minh, công khu dân cư, máy in, thậm chi cả màn hình quan sát em bé,.
dé thực hiện hàng loạt DNS lookup. Các cuộc tấn công botnet trong loT ngày càng trở nên phố biến do việc triển khai rộng rãi các thiết bị IoT và các lỗ hồng của chúng. Cũng trong năm 2016, Việt Nam đã bị ghi nhận là một trong những quốc gia là nơi xuất phát của các cuộc tan công mạng bang botnet. Quốc gia Tỷ lệ % của BotNet Mirai IPs Việt Nam 12,8% Brazil 11,8% Hoa Kỳ 10,9% Trung Quốc 8,8% Mexico 8,4% Triéu Tién 6,2% Thai Lan 4,9% Nga 4,0% Romania 2,3% Colombia 1,5% Bang 1-1 Top 10 quốc gia là nơi xuất phát của các cuộc tan công mang bằng botnet mirai.
(Nguôn: https://www.com/blog/malware-analysis-mirai-ddos-botnet/ ) Trong bối cảnh IoT, kẻ tấn công có thể xâm phạm một sỐ lượng lớn thiết bị được kết nói, chăng hạn như máy ảnh, bộ định tuyến, khóa thông minh,. có mật khâu yếu hoặc phần mềm lỗi thời. Sau khi các thiết bị bị xâm nhập, chúng có thé được sử dụng dé khởi chạy các cuộc tấn công DDoS trên máy chủ hoặc các thiết bị được kết nối khác, điều này có thể gây ra sự gián đoạn đáng kể cho các dich vụ bị nhắm mục tiêu. Ngoài ra, kẻ tan công có thé sử dụng các thiết bị này dé tan cống các thiết bị khác, tạo email spam, khai thắc tiền điện tử hoặc đánh cắp di liệu có giá tri từ người dùng.3 Mục tiêu của đề tài Đề tài được chúng tôi phát triển nham tìm hiểu một số mối đe dọa đối với hệ thống IoT, ảnh hưởng của nó và cách phòng chống.
Đồng thời, chúng tôi cũng thực hiện nghiên cứu, tìm hiểu về FL cũng như cân nhắc ưu nhược điểm của mô hình sử dụng nó. Một hệ thống phát hiện xâm nhập (IDS) áp dụng nền tảng mô hình FL, tối ưu số lần cập nhật tham số giữa master và các workers dé giảm thiểu tài nguyên mang và tính toán cho các thiết bị IoT sẽ được chúng tôi đề xuất, trình bay và tiến hành xây dựng. Sau cùng, chúng tôi cung cấp giao diện web dé người dùng có thé dé dàng sử dụng mô hình đã dao tạo.4 Đối tượng và phạm vi nghiên cứu 1.1 Đối tượng nghiên cứu Khóa luận hướng đến việc nghiên cứu kiến trúc cho hệ thống phát hiện xâm nhập (IDS) trên các thiết bị IoT. Chúng tôi cũng đã tìm hiểu và ứng dụng mô hình Federated Learning vào đề tài dé đạt được hiệu suất tốt mà vẫn đảm bảo quyền riêng tư của dir liệu.2 Phạm vi nghiên cứu Nghiên cứu các cuộc tấn công Gafgyt Attack và Mirai Attack trên thiết bị IoT.
CƠ SỞ LY THUYET 2.1 Tỗng quan về IoT 2.1 Lợiích IoT đề cập đến một mạng lưới các thiết bị được kết nối với nhau, giao tiếp với nhau và với internet. oT mang lại nhiều lợi ich trong nhiều lĩnh vực khác nhau có thê ké đến như: cải thiện hiệu suất; giảm chi phí vận hành; nâng cao trải nghiệm người dùng: thu thập, phân tích chỉ tiết khối lượng dữ liệu lớn; cải thiện an ninh, bảo mật; giám sát, điều khién từ xa; .