PHÁT HIỆN TẤN CÔNG MẠNG IOT VỚI KỸTHUẬTTĂNG CƯỜNG ĐẶC TRƯNG

Abstract

Sự phát triển nhanh chóng của Internet vạn vật (IoT) mang lại nhiều tiện ích nhưng đồng thời làm gia tăng nguy cơ tấn công mạng do đặc thù tài nguyên hạn chế và tính dễ bị khai thác của các thiết bị. Vì vậy, việc xây dựng hệ thống phát hiện xâm nhập (IDS) hiệu quả là một vấn đề cấp thiết. Trong luận văn này, các mô hình học sâu bao gồm RNN, LSTM, CNN-LSTM, DNN, FT-Transformer và mô hìnhlai CNN-BiLSTM-Transformer cùng với mô hình học máy XGBoost được đề xuất và đánh giá trên bộ dữ liệu Gotham 2025 nhằm phát hiện và phân loại các dạng tấn côngIoT. Kết quả thực nghiệm cho thấy trước khi áp dụng kỹ thuật tăng cường đặc trưng (Feature Enhancement - FE), các mô hình đạt độ chính xác từ 97% đến 98%, riêng XGBoost vượt trội với 99,61% nhờ khả năng xử lý tốt dữ liệu mất cân bằng. Tuynhiên, các mô hình học sâu vẫn tồn tại sự nhầm lẫn giữa một số lớp, đặc biệt làBruteForce và Network Scanning. Sau khi áp dụng FE, hiệu năng của tất cả các mô hình được cải thiện rõ rệt, đạt độ chính xác từ 99,5% đến gần 99,9%, đồng thời giảm đáng kể sự nhầm lẫn giữa các lớp. XGBoost tiếp tục dẫn đầu với độ chính xác 99,97%, nhưng các mô hình học sâu như LSTM và DNN cũng đạt kết quả rất cạnh tranh (trên 99,9%) với chi phí tính toán được tối ưu. Từ đó có thể kết luận rằng Feature Enhancement đóng vai trò then chốt trong việc nâng cao hiệu quả IDS. Khi dữ liệu được biểu diễn tốt, các mô hình đơn giản như DNN hay XGBoost vẫn có thể đạt hiệu năng cao, giúp giảm chi phí tính toán và phù hợp hơn với triển khai thực tế. The rapid development of the Internet of Things (IoT) brings many conveniences but also increases the risk of cyberattacks due to the limitedresourcesand high exploitability of IoT devices. Therefore, building an effective intrusiondetection system (IDS) is an urgent issue. In this thesis, deep learningmodelsincluding RNN, LSTM, CNN-LSTM, DNN, FT-Transformer, and the hybridCNN-BiLSTM-Transformer model, along with the machine learning model XGBoost, areproposed and evaluated on the Gotham 2025 dataset to detect and classifyvarioustypes of IoT attacks. Experimental results show that before applying Feature Enhancement (FE), themodels achieved accuracies ranging from 97% to 98%, with XGBoost standingout at99.61% due to its ability to handle imbalanced data effectively. However, deeplearning models still exhibited confusion between certain classes, especiallyBruteForce and Network Scanning. After applying FE, the performance of all modelsimproved significantly, achieving accuracies from 99.5%to nearly 99.9%, whilesubstantially reducing class confusion. XGBoost continued to lead with anaccuracy of 99.97%, but deep learning models such as LSTM and DNNalso achievedhighlycompetitive results (over 99.9%) with optimized computational costs. It can be concluded that Feature Enhancement plays a crucial role inenhancingIDS performance. When data is well-represented, simple models like DNNorXGBoost can still achieve high performance, reducing computational costs andbeingmore suitable for real-world deployment.