LuanVan.vnLuận Văn
Gửi thư

MỘT TIẾP CẬN PHÁT HIỆN TẤN CÔNG MẠNG SỬ DỤNG MÔ HÌNH MÁY HỌC MỜ (FUZZY MACHINE LEARNING – FML)

Khoá luận tốt nghiệp · Đại học · năm 2025 · đề tài tham khảo

Loại tài liệuKhoá luận tốt nghiệp
Bậc họcĐại học
NgànhCông nghệ thông tin
Tác giảMai Diễm Phương
Người hướng dẫnPhan Thượng Cang
Cơ sở đào tạoTrường Đại học Cần Thơ
Năm2025
NguồnThư viện số Trường Đại học Cần Thơ · trang gốc

Tóm tắt

Trong bối cảnh các mối đe dọa an ninh mạng ngày càng tinh vi và khó phát hiện, việc xây dựng một hệ thống phát hiện xâm nhập mạng (Intrusion Detection System – IDS) có độ chính xác cao, khả năng diễn giải tốt và vận hành hiệu quả trên dữ liệu lớn là yêu cầu cấp thiết. Luận văn này đề xuất một giải pháp IDS kết hợp máy học (Machine Learning) và suy luận mờ (Fuzzy Logic), triển khai trên nền tảng xử lý phân tán Apache Spark và huấn luyện bằng TensorFlow/Keras. Hai tập dữ liệu CIC-IDS-Collection và NF-UQ-NIDS-v2 được tiền xử lý bằng PySpark, bao gồm chuẩn hóa đặc trưng, cân bằng dữ liệu bằng SMOTE và Undersampling, đồng thời xây dựng biến mờ sử dụng hàm Gaussian. Hệ thống được thiết kế với hai kiến trúc mô hình chính: 1. SAINT/Transformer + Fuzzy – khai thác sức mạnh attention để học biểu diễn toàn cục, kết hợp GaussianFuzzifier và FuzzyPooling nhằm tăng khả năng diễn giải kết quả. 2. CNN + Fuzzy – tận dụng khả năng trích xuất đặc trưng cục bộ của CNN, kết hợp GaussianFuzzifier để xử lý tính không chắc chắn trong dữ liệu mạng. Luận văn còn đề xuất Mô-đun ra quyết định cảnh báo mờ (Fuzzy Decision Module) – thành phần có chức năng kết hợp xác suất dự đoán từ mô hình học sâu với mức độ tin cậy từ hệ thống fuzzy, nhằm đưa ra cảnh báo theo ba cấp độ: “OK”, “NGHI NGỜ” và “CẢNH BÁO”. Mô-đun này không chỉ giúp phát hiện các mối đe dọa nghiêm trọng mà còn giảm thiểu cảnh báo sai do nhầm lẫn với dữ liệu lành tính, từ đó hỗ trợ người quản trị mạng ưu tiên xử lý và ra quyết định kịp thời. Kết quả thực nghiệm cho thấy cả hai mô hình đạt độ chính xác và F1-score cao trên cả dữ liệu tiền xử lý truyền thống và dữ liệu mờ hóa, đặc biệt cải thiện khả năng phát hiện các loại tấn công khó phân loại và giảm tỷ lệ cảnh báo sai. Nghiên cứu này đóng góp về mặt khoa học khi đề xuất quy trình tích hợp suy luận mờ vào quá trình học sâu cho dữ liệu mạng, và mang giá trị thực tiễn khi có thể triển khai trong các hệ thống giám sát và phòng thủ an ninh mạng ở quy mô lớn.
Bản toàn văn lưu tại thư viện Trường Đại học Cần Thơ

Thông tin và tóm tắt ở trên lấy từ kho số mở của thư viện trường. Bản toàn văn do thư viện trường quản lý — có nơi cho đọc trực tuyến, có nơi cần tài khoản bạn đọc của trường.

Mở tại thư viện trường ↗
Dùng tài liệu tham khảo cho đúng
  • Đọc để hiểu cách người trước đặt câu hỏi, chọn phương pháp, trình bày số liệu — rồi tự làm với dữ liệu và bối cảnh của bạn.
  • Ý, số liệu, bảng biểu lấy từ tài liệu này phải trích dẫn (tác giả, năm, tên đề tài, cơ sở đào tạo).
  • Đề tài trùng tên vẫn làm được nếu khác đơn vị khảo sát, thời gian hoặc cách tiếp cận — nêu rõ điểm khác trong phần mở đầu.

Hướng dẫn chọn đề tài, cấu trúc và số liệu cho ngành này: Luận văn công nghệ thông tin · Hỏi đáp từng chương với người hướng dẫn số: Học Giả Số · Công cụ số: Luận Văn Số.

Đề tài cùng ngành

Tác giả muốn gỡ, sửa thông tin hoặc bổ sung bản toàn văn: gửi yêu cầu qua trang Liên hệ, kèm đường dẫn trang này.