ĐÁNH GIÁ CÁC KỸ THUẬT HỌC SÂU TRONG PHÁT HIỆN XÂM NHẬP TRÊN CÁC MÔI TRƯỜNG MẠNG KHÔNG ĐỒNG NHẤT

Abstract

An ninh mạng ngày càng đối mặt với nhiều hình thức tấn công phức tạp và đa dạng, đòi hỏi các hệ thống phát hiện xâm nhập (Intrusion Detection System – IDS) phải có khả năng nhận diện chính xác và kịp thời. Luận văn này tập trung nghiên cứu và đánh giá hiệu suất của các mô hình học sâu CNN, LSTM, GRU, MLP và các mô hình kết hợp CNN–LSTM, CNN–MLP trong nhiệm vụ phát hiện tấn công mạng.Các tập dữ liệu chuẩn được sử dụng bao gồm CSE-CIC-IDS-2018, CICIoT2023 và ICS-Flow, trong các tập dữu liệu này chứa các lưu lượng mạng bình thường và bất thường, phản ánh đa dạng các kịch bản tấn công thực tế như DoS/DDoS, Brute Force, tấn công Web, Reconnaissance, Spoofing, Replay và nhiều biến thể khác. Để khắc phục tình trạng mất cân bằng dữ liệu vốn phổ biến trong các bài toán phát hiện tấn công, nghiên cứu áp dụng các bước tiền xử lý sử dụng kỹ thuật cân bằng dữ liệu là SMOTE kết hợp Tomek Links. Các mô hình được huấn luyện và đánh giá dựa trên các chỉ số thông thường như Accuracy, Precision, Recall, F1-score mà còn đo lường cả hiệu quả tính toán thông qua mức tiêu thụ tài nguyên GPU/CPU. Kết quả đánh giá cho thấy mỗi mô hình đều có những ưu, nhược điểm riêng khi triển khai trong các môi trường mạng khác nhau. Từ đó, nghiên cứu này cung cấp một tài liệu tham khảo có giá trị về các kỹ thuật học sâu (Deep Learning), có thể hỗ trợ triển khai thực tế các hệ thống phát hiện xâm nhập (IDS) thế hệ mới với hiệu quả và đáng tin cậy hơn.