HỆ THỐNG PHÁT HIỆN XÂM NHẬP MINH BẠCH VÀ CÓ THỂ GIẢI THÍCH DỰA TRÊN SỰ KẾT HỢP GIỮA SHAP VÀ LIME

Abstract

Trong bối cảnh chuyển đổi số hiện nay, các mối đe dọa an ninh mạng ngày càng trở nên phức tạp và tinh vi, đòi hỏi các hệ thống phát hiện xâm nhập (Intrusion Detection System - IDS) phải không ngừng cải tiến để đảm bảo khả năng bảo vệ hệ thống. Việc ứng dụng các mô hình học máy và học sâu đã giúp nâng cao đáng kể hiệu suất phát hiện tấn công. Tuy nhiên, các mô hình này thường hoạt động theo cơ chế “hộp đen” (black-box), gây khó khăn trong việc giải thích và kiểm chứng các quyết định dự đoán. Để giải quyết vấn đề này, luận văn đề xuất một phương pháp tiếp cận nhằm xây dựng hệ thống IDS có khả năng giải thích dựa trên sự kết hợp của hai kỹ thuật X-AI phổ biến là SHAP và LIME. Bên cạnh đó, nghiên cứu tập trung xây dựng một khung đánh giá tổng hợp các chỉ số định lượng nhằm đo lường chất lượng giải thích của các phương pháp X-AI dưới nhiều khía cạnh như độ trung thực, tính ổn định và khả năng diễn giải. Thực nghiệm được tiến hành trên các bộ dữ liệu tiêu biểu trong lĩnh vực phát hiện xâm nhập bao gồm CIC-IDS2017, NSL-KDD và Simargl2022 (Signal-2022) với nhiều mô hình học máy và học sâu khác nhau. Kết quả cho thấy phương pháp đề xuất không chỉ duy trì hiệu năng phát hiện cao mà còn cung cấp các giải thích có ý nghĩa, góp phần nâng cao tính minh bạch và độ tin cậy của hệ thống IDS. Luận văn đóng góp một quy trình tích hợp giữa mô hình dự đoán và cơ chế giải thích, đồng thời đề xuất hướng tiếp cận đánh giá X-AI có thể áp dụng cho nhiều bài toán phân loại trong lĩnh vực an ninh mạng. In the context of digital transformation, cybersecurity threats are becoming increasingly complex and sophisticated, requiring Intrusion Detection Systems (IDS) to continuously evolve in order to ensure effective protection. The application of machine learning and deep learning models has significantly improved intrusion detection performance. However, these models often operate as “black boxes,” making their decisions difficult to interpret and validate. To address this issue, this thesis proposes an explainable IDS framework by integrating two widely used Explainable Artificial Intelligence (X-AI) techniques, namely SHAP and LIME. In addition, a comprehensive evaluation framework is developed, incorporating multiple quantitative metrics to assess the quality of explanations from different perspectives, including faithfulness, robustness, and interpretability. Experiments are conducted on benchmark intrusion detection datasets, including CIC-IDS2017, NSL-KDD, and Simargl2022(Signal-2022), using various machine learning and deep learning models. The results demonstrate that the proposed approach not only maintains high detection performance but also provides meaningful explanations, thereby enhancing the transparency and reliability of IDS systems. This thesis contributes an integrated pipeline that combines predictive models with explanation mechanisms, and proposes a systematic approach for evaluating X-AI methods, which can be extended to other classification problems in cybersecurity.