LuanVan.vnLuận Văn
Gửi thư

PHÁT HIỆN VÀ PHÂN LOẠI ĐE DOẠ NỘI BỘ DỰA TRÊN DỮ LIỆU HÀNH VI NGƯỜI DÙNG BẰNG MÔ HÌNH HỌC MỜ - PHÂN HỆ 1

Khoá luận tốt nghiệp · Đại học · năm 2026 · đề tài tham khảo

Loại tài liệuKhoá luận tốt nghiệp
Bậc họcĐại học
NgànhCông nghệ thông tin
Tác giảPhan Thanh Hoàng
Người hướng dẫnPhan Thượng Cang
Cơ sở đào tạoTrường Đại học Cần Thơ
Năm2026
NguồnThư viện số Trường Đại học Cần Thơ · trang gốc

Tóm tắt

Nghiên cứu tập trung vào bài toán phát hiện mối đe dọa nội gián (Insider Threat Detection) trên dữ liệu nhật ký người dùng, sử dụng bộ dữ liệu CERT r4.2 và CERT r5.2. Mục tiêu của nghiên cứu là xây dựng quy trình phát hiện hành vi bất thường có khả năng khai thác đặc điểm thời gian và hành vi của người dùng, đồng thời đánh giá khả năng tổng quát hóa của mô hình giữa các phiên bản dữ liệu. Dữ liệu được tổ chức ở nhiều mức biểu diễn gồm Event, Session và User, sau đó xây dựng cửa sổ trượt để bảo toàn mối quan hệ theo thời gian và thống nhất đầu vào cho các mô hình học sâu. Nghiên cứu tiến hành chuỗi thực nghiệm nhằm khảo sát ảnh hưởng của cân bằng dữ liệu, kiểm định chéo theo thời gian, biểu diễn đa mức và cấu hình Session + User, sau đó đánh giá khả năng tổng quát hóa giữa CERT r4.2 và CERT r5.2. Năm mô hình học sâu gồm BiLSTM, GRU, Transformer, Mamba và BiLSTM–Transformer được triển khai và so sánh dựa trên các chỉ số, trong đó Macro Recall và Macro F1 được ưu tiên để đánh giá khả năng nhận diện các lớp thiểu số. Trên cơ sở cấu hình dữ liệu được lựa chọn, nghiên cứu tiếp tục khảo sát các phương pháp fuzzy hóa tại đầu vào, tầng mờ có khả năng học, tầng đầu ra và các cấu hình fuzzy kết hợp, nhằm cải thiện khả năng phân biệt giữa các lớp hành vi. Kết quả thực nghiệm cho thấy hiệu quả phân loại phụ thuộc đáng kể vào cách biểu diễn, xử lý dữ liệu và kiến trúc mô hình; việc kết hợp dữ liệu từ hai phiên bản CERT r4.2 và r5.2 giúp đánh giá khả năng tổng quát hóa trong các miền dữ liệu khác nhau. Các phương pháp Fuzzy Input và Fuzzy Output mang lại kết quả phù hợp trong cấu hình được khảo sát, trong khi Multi-Stage cải thiện Macro Recall ở phần lớn mô hình nhưng chưa tạo ra sự cải thiện nhất quán về Macro F1. Xét trên kết quả thực nghiệm và tiêu chí đánh giá khả năng phát hiện các lớp thiểu số, nghiên cứu lựa chọn cấu hình BiLSTM kết hợp Fuzzy Input và Fuzzy Output làm cấu hình mô hình đề xuất cuối cùng. Kết quả cho thấy việc bổ sung Multi-Stage chưa cải thiện hiệu quả của cấu hình BiLSTM này, do đó phương án được lựa chọn nhằm duy trì hiệu quả phân loại đồng thời hạn chế độ phức tạp không cần thiết. This study focuses on Insider Threat Detection within user log data, utilizing the CERT r4.2 and CERT r5.2 datasets. The primary objective is to develop an anomaly detection framework capable of exploiting users' temporal and behavioral characteristics, while evaluating the models' generalization capabilities across different data versions. The data is structured into multiple representation levels, including Event, Session, and User. Subsequently, a sliding window technique is applied to preserve temporal relationships and standardize the inputs for deep learning models. A series of experiments were conducted to investigate the impact of data balancing, time-series cross-validation, multi-level representation, and the combined Session + User configuration, followed by an evaluation of generalization between CERT r4.2 and CERT r5.2. Five deep learning models - BiLSTM, GRU, Transformer, Mamba, and BiLSTM–Transformer - were implemented and compared. Macro Recall and Macro F1 scores were prioritized as evaluation metrics to effectively assess the detection capability for minority classes. Based on the optimal data configuration, the study further explored fuzzification methods at the input layer, learnable layer, output layer, and combined fuzzy configurations, aiming to enhance the discriminative power between behavioral classes. The experimental results indicate that classification performance depends substantially on data representation, preprocessing strategies, and model architectures. Combining data from the CERT r4.2 and r5.2 datasets provides a basis for evaluating model generalization across different data distributions. The Fuzzy Input and Fuzzy Output methods yield promising results in the evaluated configurations, while the Multi-Stage mechanism improves Macro Recall for most models but does not produce consistent improvements in
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.