PHÁT HIỆN XÂM NHẬP TRONG CÁC HỆ THỐNG MẠNG KHÔNG ĐỒNG NHẤT BẰNG MÔ HÌNH HỌC SÂU

Abstract

Trước sự phát triển mạnh mẽ của công nghệ thông tin và trí tuệ nhân tạo, các cuộc tấn công mạng ngày càng gia tăng cả về số lượng lẫn mức độ tinh vi, đặt ra yêu cầu cấp thiết đối với việc xây dựng các hệ thống phát hiện xâm nhập (Intrusion Detection System – IDS) có khả năng nhận diện chính xác các hành vi bất thường trong nhiều môi trường mạng khác nhau. Xuất phát từ yêu cầu đó, đề tài “Phát hiện xâm nhập trong các hệ thống mạng không đồng nhất bằng mô hình học sâu” được thực hiện. Để thực hiện mục tiêu này, đề tài sử dụng năm mô hình học sâu gồm GNN, Transformer, TCN, GNN-Transformer, TCN-Transformer để phân loại lưu lượng mạng bình thường và lưu lượng tấn công. Quá trình thực nghiệm được tiến hành trên ba bộ dữ liệu đại diện cho ba môi trường mạng gồm mạng doanh nghiệp, mạng Internet vạn vật (IoT) và mạng công nghiệp. Trước khi huấn luyện, các bộ dữ liệu được thực hiện các bước tiền xử lý nhằm nâng cao chất lượng dữ liệu đầu vào và tạo điều kiện thuận lợi cho quá trình học của mô hình. Sau khi hoàn thành quá trình huấn luyện, các mô hình được đánh giá thông qua các chỉ số Accuracy, Precision, Recall và F1-score, đồng thời xem xét hiệu năng tính toán dựa trên thời gian huấn luyện và thời gian suy luận. Từ các kết quả thực nghiệm thu được, đề tài tiến hành so sánh, phân tích ưu điểm và hạn chế của từng mô hình trên từng môi trường mạng. Kết quả nghiên cứu không chỉ cho thấy sự khác biệt về khả năng phát hiện xâm nhập và hiệu năng tính toán giữa các mô hình, mà còn cung cấp cơ sở tham khảo cho việc lựa chọn và triển khai các mô hình học sâu trong các hệ thống phát hiện xâm nhập ở những môi trường mạng khác nhau. Từ khóa: an toàn thông tin, hệ thống phát hiện xâm nhập, mạng không đồng nhất, học sâu, bài toán phân loại, chỉ số đánh giá. In the context of the rapid development of information technology and artificial intelligence, cyberattacks are increasing in both number and sophistication, creating an urgent need for Intrusion Detection Systems (IDS) capable of accurately identifying abnormal behaviors across diverse network environments. In response to this need, the study entitled “Intrusion Detection in Heterogeneous Network by Deep Learning Models” was conducted. To achieve this objective, the study employs five deep learning models, namely GNN, Transformer, TCN, GNN-Transformer, and TCN-Transformer, to classify normal and attack network traffic. Experiments are conducted on three datasets representing three different network environments: enterprise networks, Internet of Things (IoT) networks, and industrial networks. Prior to training, the datasets undergo preprocessing steps to improve the quality of the input data and facilitate the learning process of the models. After the training process is completed, the models are evaluated using Accuracy, Precision, Recall, and F1-score, while their computational performance is assessed based on training time and inference time. Based on the experimental results, the study compares and analyzes the advantages and limitations of each model across different network environments. The findings not only demonstrate differences in intrusion detection capability and computational performance among the models but also provide a reference for selecting and deploying deep learning models in intrusion detection systems across various network environments. Keywords: information security, intrusion detection system, heterogeneous networks, deep learning, classification, evaluation metrics.