Đồ án tốt nghiệp - Thiết kế và triển khai hệ thống phát hiện xâm nhập IDS trong môi trường mạng ITBF

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HỒ CHÍ MINH
KHOA ĐIỆN – ĐIỆN TỬ

ĐỒ ÁN TỐT NGHIỆP
NGÀNH CÔNG NGHỆ KỸ THUẬT MÁY TÍNH
HỆ ĐÀO TẠO CHẤT LƯỢNG CAO

THIẾT KẾ VÀ TRIỂN KHAI HỆ THỐNG PHÁT
HIỆN XÂM NHẬP IDS TRONG MÔI TRƯỜNG
MẠNG INTERNET TRÊN BOARD FPGA
SVTH:

TRẦN TÂN TIẾN
MSSV: 20119031
TRẦN MINH TRÍ
MSSV: 20119298

TP. HỒ CHÍ MINH – 07/2025

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HỒ CHÍ MINH
KHOA ĐIỆN – ĐIỆN TỬ

ĐỒ ÁN TỐT NGHIỆP
NGÀNH CÔNG NGHỆ KỸ THUẬT MÁY TÍNH
HỆ ĐÀO TẠO CHẤT LƯỢNG CAO

THIẾT KẾ VÀ TRIỂN KHAI HỆ THỐNG PHÁT
HIỆN XÂM NHẬP IDS TRONG MÔI TRƯỜNG
MẠNG INTERNET TRÊN BOARD FPGA
SVTH:

TRẦN TÂN TIẾN
MSSV: 20119031
TRẦN MINH TRÍ
MSSV: 20119298

GVHD:

PGS.TS VÕ MINH HUÂN

TP. HỒ CHÍ MINH – 07/2025

I

II

III

IV

LỜI CẢM ƠN
Em xin gửi lời cảm ơn chân thành đến Khoa Điện – Điện tử, Trường Đại học
Sư Phạm Kỹ Thuật TP.HCM đã tạo điều kiện thuận lợi cho em và nhóm có cơ hội
được tiếp cận, nghiên cứu và hoàn thành đồ án tốt nghiệp này.
Đặc biệt, nhóm xin bày tỏ lòng biết ơn sâu sắc đến thầy PGS.TS Võ Minh
Huân – người đã luôn tận tình hướng dẫn, định hướng và chia sẻ cho nhóm rất
nhiều kiến thức chuyên môn cũng như kinh nghiệm thực tế quý báu trong suốt quá
trình thực hiện đề tài. Chính sự hỗ trợ và chỉ dẫn của thầy là nguồn động lực lớn
giúp nhóm có thể từng bước hoàn thiện nội dung và triển khai đề tài một cách hiệu
quả nhất.
Tuy đã cố gắng hết khả năng, dành nhiều thời gian và tâm huyết cho đồ án,
nhưng do hạn chế về kiến thức, kinh nghiệm thực tiễn và thời gian thực hiện, đề
tài không tránh khỏi những thiếu sót. Nhóm rất mong nhận được sự góp ý, chỉ dẫn
từ quý thầy cô để có thể cải thiện, bổ sung và phát triển đề tài tốt hơn trong thời
gian tới.
Một lần nữa, nhóm xin chân thành cảm ơn quý thầy cô và Nhà trường đã đồng
hành cùng nhóm trong quá trình học tập và thực hiện khóa luận tốt nghiệp này.

V

TÓM TẮT
Trong bối cảnh an ninh mạng ngày càng trở nên cấp thiết đối với các hệ thống
IoT, việc xây dựng các mô hình phát hiện xâm nhập (IDS – Intrusion Detection
System) có khả năng phản hồi nhanh, hiệu quả và phù hợp với phần cứng nhúng
là nhu cầu cần thiết. Đồ án này được thực hiện nhằm xây dựng một hệ thống phát
hiện xâm nhập sử dụng mô hình Random Forest, triển khai trên nền tảng SoC
Zynq-7000 với sự kết hợp giữa phần cứng (PL – Programmable Logic) và phần
mềm (PS – Processing System).
Trong quá trình thực hiện, nhóm lựa chọn mô hình Random Forest với đặc
điểm dễ lượng tử hóa và triển khai hiệu quả trên FPGA. Sau khi xử lý
...

...
u ra từ nhị phân (tấn
công/bình thường) thành đa lớp để phân loại từng loại tấn công (DoS, DDoS,
Reconnaissance, Keylogger...).
Thông qua các hướng mở rộng này, hệ thống IDS có thể trở thành một nền
tảng phát hiện xâm nhập toàn diện, thích hợp triển khai trong các hệ thống IoT,
mạng công nghiệp hoặc hạ tầng thành phố thông minh.

79

TÀI LIỆU THAM KHẢO

[1]

K. Rajasekaran and K. Nirmala, Classification and Importance of
Intrusion Detection System, International Journal of Computer Science
and Information Security, vol. 10, no. 8, 2020.

[2]

M. e. a. Aljanabi, Intrusion Detection: A Review, Mesopotamian
Journal of Cybersecurity, p. 1–4, 2021.

[3]

Q. Zeng and Y. Hara-Azumi, Hardware/Software Codesign of
Real-Time Intrusion Detection System for Internet of Things Devices,
IEEE Internet of Things Journal, vol. 11, no. 12, p. 22351–22362, 2024.

[4]

B. e. a. Jacob, Quantization and training of neural networks for
efficient integer-arithmetic-only inference, in Proceedings of the
IEEE/CVF Conference on Computer Vision and Pattern Recognition
(CVPR), 2018.

[5]

I. Hubara, M. Courbariaux, D. Soudry, R. El-Yaniv and Y. Bengio,
Quantized Neural Networks: Training Neural Networks with Low
Precision Weights and Activations, Journal of Machine Learning
Research, vol. 6869–6898, p. 18, 2017.

[6]

N. Koroniotis, N. Moustafa, E. Sitnikova and B. Turnbull, Towards
the development of realistic botnet dataset in the Internet of Things for
network forensic analytics: Bot-IoT dataset, Future Generation
Computer Systems, p. 779–796, 2019.

[7]

D. Inc., Zybo Reference Manual, 2020. [Online]. Available:
https://digilent.com/reference/programmable-logic/zybo/start.

80

[8]

L. Breiman, Random Forests, Machine Learning, vol. 45, no. 1, p.
5–32, 2001.

[9]

M. Loecher, Unbiased variable importance for random forests,
Communications in Statistics - Theory and Methods, 2020.

[10]

H. L. Smith, P. J. Biggs, N. P. French, A. N. H. Smith and J. C.
Marshall, Out of (the) bag—encoding categorical predictors impacts
out-of-bag samples, PeerJ Computer Science, vol. 10, p. e2445, 2024.

[11]

T. Hastie, R. Tibshirani and J. Friedman, The Elements of Statistical
Learning, New York: Springer, 2009.

[12]

X. Inc., PetaLinux Tools Documentation: Reference Guide
(UG1144), 2023. [Online]. Available: https://docs.xilinx.com/r/enUS/ug1144-petalinux-tools-reference-guide.

[13]

AMD, AXI GPIO v2.0 LogiCORE IP Product Guide (PG144),
2016.

81