THỬ NGHIỆM CÁC PHƯƠNG PHÁP GIẢM SỐ CHIỀU VECTOR ĐẶC TRƯNG KHI SỬ DỤNG HỌC MÁY ĐỂ PHÁT HIỆN TẤN CÔNG MẠNG IoT

Tóm tắt

Sự mở rộng nhanh chóng của các mạng máy tính quy mô lớn đã dẫn đến sự gia tăng đáng kể về lưu lượng dữ liệu và độ phức tạp của hệ thống, từ đó làm gia tăng nguy cơ xảy ra các cuộc tấn công mạng tinh vi. Do các phương pháp phát hiện xâm nhập truyền thống thường đòi hỏi nhiều tài nguyên tính toán, nhu cầu về các cơ chế phát hiện tấn công vừa nhẹ vừa hiệu quả trở nên cấp thiết hơn bao giờ hết. Nghiên cứu này đề xuất và đánh giá một khung phát hiện tấn công mạng linh hoạt, tích hợp các kỹ thuật giảm chiều dữ liệu với các bộ phân loại hiệu năng cao. Hai phương pháp giảm chiều Chi-square và Principal Component Analysis (PCA) được sử dụng để tối ưu hóa tập đặc trưng, sau đó được so sánh thông qua hai mô hình phân loại: mạng nơ-ron sâu (DNN) và Extreme Gradient Boosting (XGBoost). Hệ thống được huấn luyện và kiểm chứng trên các bộ dữ liệu chuẩn công khai, cho thấy khả năng duy trì độ chính xác phát hiện cao trong khi giảm đáng kể chi phí tính toán. Các kết quả thực nghiệm cho thấy rằng việc kết hợp giảm chiều đặc trưng với các mô hình học máy tiên tiến giúp tăng tốc độ xử lý, giảm tiêu thụ tài nguyên và nâng cao hiệu quả phát hiện tổng thể. Những phát hiện này khẳng định tính khả thi và hiệu quả của khung mô hình được đề xuất cho các hệ thống phát hiện xâm nhập trong môi trường mạng hiện đại.