KẾT HỢP HỌC MÁY VÀ PHÂN TÍCH LƯU LƯỢNG MẠNG TRONG PHÒNG CHỐNG TẤN CÔNG MẠNG VÀ ĐẢM BẢO AN NINH KHÔNG GIAN MẠNG
Từ khóa
DOI:
https://doi.org/10.34238/tnu-jst.15266Tóm tắt
Với sự phát triển nhanh chóng của công nghệ thông tin và môi trường mạng, các cuộc tấn công mạng ngày càng trở nên phức tạp và tinh vi, đặt ra những thách thức lớn đối với an ninh mạng. Các phương pháp phòng thủ truyền thống dựa trên chữ ký không còn đủ khả năng phát hiện và ngăn chặn các mối đe dọa mới. Việc kết hợp giữa học máy và phân tích lưu lượng mạng mở ra một hướng tiếp cận mới, cho phép hệ thống tự động học và nhận diện các hành vi bất thường trong mạng. Bài báo này trình bày một khung tích hợp kết hợp các thuật toán học máy với phân tích lưu lượng mạng nhằm nâng cao khả năng phát hiện và phòng chống tấn công mạng. Kết quả thực nghiệm trên tập dữ liệu CICIDS2017 cho thấy mô hình Random Forest đạt độ chính xác 99,28%, trong khi các mô hình học sâu thể hiện ưu thế trong việc phát hiện các cuộc tấn công zero-day. Khung tích hợp đề xuất có thể được triển khai trong các hệ thống IDS/IPS thực tế nhằm đảm bảo an ninh mạng một cách hiệu quả và chủ động, đồng thời cải thiện tốc độ phát hiện và khả năng thích ứng của hệ thống trong các môi trường mạng động.Lượt tải
Tài liệu tham khảo
A. Khraisat, I. Gondal, P. Vamplew, and J. Kamruzzaman, "Survey of intrusion detection systems: Techniques, datasets and challenges," Cybersecurity, vol. 2, no. 1, pp. 1-22, 2019.
R. Vinayakumar, M. Alazab, K. P. Soman, P. Poornachandran, A. Al-Nemrat, and S. Venkatraman, "Deep learning approach for intelligent intrusion detection system," IEEE Access, vol. 7, pp. 41525-41550, 2019.
I. Sharafaldin, A. H. Lashkari, and A. A. Ghorbani, "Toward generating a new intrusion detection dataset and intrusion traffic characterization," in Proc. 4th Int. Conf. Inf. Syst. Secur. Privacy (ICISSP), pp. 108-116, 2018.
M. A. Ferrag, L. Maglaras, S. Moschoyiannis, and H. Janicke, "Deep learning for cyber security intrusion detection: Approaches, datasets, and comparative study," J. Inf. Secur. Appl., vol. 50, 2020, Art. no. 102419.
J. Liu, Y. Liu, and Y. Zhang, "A novel deep learning framework for network traffic analysis," IEEE Netw., vol. 33, no. 3, pp. 136-142, 2019.
Z. Ahmad, A. S. Khan, C. W. Shiang, J. Abdullah, and F. Ahmad, "Network intrusion detection system: A systematic study of machine learning and deep learning approaches," Trans. Emerg. Telecommun. Technol., vol. 32, no. 1, 2021, Art. no. e4150.
T. T. Nguyen and G. Armitage, "A survey of techniques for internet traffic classification using machine learning," IEEE Commun. Surveys Tuts., vol. 10, no. 4, pp. 56-76, 2008.
A. L. Buczak and E. Guven, "A survey of data mining and machine learning methods for cyber security intrusion detection," IEEE Commun. Surveys Tuts., vol. 18, no. 2, pp. 1153-1176, 2016.
C. Yin, Y. Zhu, J. Fei, and X. He, "A deep learning approach for intrusion detection using recurrent neural networks," IEEE Access, vol. 5, pp. 21954-21961, 2017.
L. Breiman, "Random forests," Mach. Learn., vol. 45, no. 1, pp. 5-32, 2001.
C. Cortes and V. Vapnik, "Support-vector networks," Mach. Learn., vol. 20, no. 3, pp. 273-297, 1995.
Y. Zhou, H. Shi, Y. Zhao, W. Ding, J. Han, H. Sun, X. Zhang, C. Tang, and W. Zhang, "Identification of encrypted and malicious network traffic based on one-dimensional convolutional neural network," J. Cloud Comput., vol. 12, no. 1, 2023, Art. no. 53.
F. Hu, S. Zhang, X. Lin, L. Wu, N. Liao, and Y. Song, "Network traffic classification model based on attention mechanism and spatiotemporal features," EURASIP J. Inf. Secur., vol. 2023, no. 1, 2023, Art. no. 6.
A. Campazas-Vega, I. S. Crespo-Martínez, Á. M. Guerrero-Higueras, C. Álvarez-Aparicio, V. Matellán, and C. Fernández-Llamas, "Malicious traffic detection on sampled network flow data with novelty-detection-based models," Sci. Rep., vol. 13, 2023, Art. no. 15446.
S. Alam, Y. Alam, S. Cui, and C. Akujobi, "Data-Driven Network Analysis for Anomaly Traffic Detection," Sensors, vol. 23, no. 19, 2023, Art. no. 8174.
J. Zhang, D. Han, Z. Lv, Y. Lu, J. Duan, Y. Liu, and X. Zhang, "Bag2image: a multi-instance network traffic representation for network security event prediction," Cybersecurity, vol. 8, no. 1, 2025, Art. no. 31.
S. Alam, Y. Alam, S. Cui, and C. Akujuobi, "An intrusion detection model for CICIDS-2017 dataset using machine learning algorithms," in Proc. IEEE Conf., 2023, doi: 10.1109/10009400.
Y. LeCun, Y. Bengio, and G. Hinton, "Deep learning," Nature, vol. 521, pp. 436-444, 2015.
K. O'Shea and R. Nash, "An introduction to convolutional neural networks," arXiv preprint arXiv:1511.08458, 2015, doi: 10.48550/arXiv.1511.08458.
