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 2

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 Huy
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

Luận văn nghiên cứu bài toán phát hiện và phân loại đe dọa nội bộ dựa trên dữ liệu hành vi người dùng trong điều kiện dữ liệu mất cân bằng và có sự khác biệt giữa các phiên bản CERT. Nghiên cứu khai thác dữ liệu ở nhiều mức biểu diễn và thực nghiệm trên CERT r4.2, CERT r5.2. Kết quả nghiên cứu cắt bỏ cho thấy cấu hình Session + User đạt sự cân bằng tốt giữa hiệu quả phân loại và chi phí tính toán. Trên cấu hình này, năm mô hình gồm LightGBM, LSTM, TCN, TCN+LSTM và SAINT được thực nghiệm và đánh giá bằng kiểm định chéo theo thời gian nhằm bảo đảm tính phù hợp với đặc trưng thời gian của dữ liệu. Bên cạnh các mô hình nền, luận văn khảo sát nhiều phương pháp tích hợp học mờ tại đầu vào, lớp có khả năng học và đầu ra. Trong đó, Fuzzy Input+Output cho kết quả tốt và ổn định hơn trên các mô hình được khảo sát. Trên cơ sở này, cơ chế MultiStage được tiếp tục áp dụng nhằm cải thiện khả năng phát hiện các lớp đe dọa, đặc biệt là Scenario 2 dễ bị nhầm với Benign. Kết quả cho thấy Multi-Stage giúp nâng cao Macro Recall và giảm đáng kể tình trạng bỏ sót Scenario 2, mặc dù Macro F1 không tăng đồng đều trên tất cả mô hình. Tổng hợp các kết quả thực nghiệm, nghiên cứu đề xuất cấu hình sử dụng dữ liệu Session + User, huấn luyện trên dữ liệu kết hợp CERT r4.2 và CERT r5.2, với mô hình SAINT tích hợp Fuzzy Input+Output và cơ chế Multi-Stage. Cấu hình này cho thấy khả năng duy trì hiệu quả phân loại, cải thiện phát hiện các lớp đe dọa và hỗ trợ nâng cao khả năng tổng quát hóa giữa các phiên bản dữ liệu CERT. This thesis investigates the detection and classification of insider threats based on user behavioral data under highly imbalanced conditions and distributional differences across CERT dataset versions. The study exploits behavioral information at multiple representation levels and conducts experiments on the CERT r4.2 and CERT r5.2 datasets. Ablation results show that the Session + User configuration provides a suitable trade-off between classification performance and computational cost. Based on this configuration, five models, including LightGBM, LSTM, TCN, TCN-LSTM, and SAINT, are evaluated using time-aware cross-validation to preserve the temporal characteristics of the data. In addition to the baseline models, the thesis investigates several fuzzy-learning integration strategies, including Fuzzy Input, Fuzzy Learnable Layer, and Fuzzy Output. Among the evaluated approaches, Fuzzy Input+Output provides relatively good and stable performance across the considered models. Based on this result, a Multi-Stage mechanism is further applied to improve the detection of threat classes, particularly Scenario 2, which remains prone to confusion with Benign behavior. Experimental results show that Multi-Stage improves Macro Recall and substantially reduces missed detections of Scenario 2, although Macro F1 does not increase consistently across all models. Based on the overall experimental results, the thesis proposes a configuration using Session + User representations, training on the combined CERT r4.2 and CERT r5.2 datasets, and a SAINT model integrated with Fuzzy Input+Output and the MultiStage mechanism. This configuration demonstrates the ability to maintain classification performance, improve the detection of threat classes, and enhance generalization across different CERT dataset versions.
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.