Giới thiệu dự án

Sự bùng nổ của mạng lưới Vạn vật kết nối (Internet of Things - IoT), điện toán đám mây và các trung tâm dữ liệu quy mô lớn (Data Centers) đang định hình lại toàn bộ hạ tầng công nghệ toàn cầu. Tuy nhiên, các thiết bị IoT đầu cuối thường bị giới hạn nghiêm ngặt về tài nguyên phần cứng (vi xử lý công suất thấp, bộ nhớ RAM hạn chế, dung lượng pin khả dụng thấp), khiến việc tích hợp các giải pháp bảo mật nặng như Agent-based Antivirus hay Endpoint Detection and Response (EDR) trở nên bất khả thi. Theo báo cáo thống kê an ninh mạng từ Kaspersky, có tới 76.55% các cuộc tấn công nhắm vào thiết bị IoT được thực hiện thông qua giao thức Telnet để phát tán mã độc Backdoor và thiết lập mạng botnet nguy hiểm (điển hình như biến thể Mirai).

Trong bối cảnh đó, các giải pháp phòng thủ thụ động truyền thống (như tường lửa tĩnh, hệ thống phát hiện xâm nhập đặt tại biên mạng) ngày càng bộc lộ sự bất lực trước các kỹ thuật tấn công tinh vi, khai thác lỗ hổng Zero-day và quét mạng diện rộng. Để giải quyết triệt để bài toán này, đề tài "Chiến lược giăng bẫy thích ứng phục vụ phòng thủ chủ động trong mạng khả lập trình" (A strategy of adaptive cyber deception for proactive defense in SDN-enabled networks) được nghiên cứu và hiện thực hóa bởi nhóm tác giả tại Khoa Mạng máy tính & Truyền thông, Trường Đại học Công nghệ Thông tin (ĐHQG-HCM), dưới sự hướng dẫn chuyên môn của TS. Phạm Văn Hậu và ThS. Phan Thế Duy.

       +-----------------------------------------------------------+
       |                  ADMIN / USER PLANE                       |
       |  - Policy Editor         - Security Policy Refinement     |
       +-----------------------------+-----------------------------+
                                     |
                                     v
       +-----------------------------------------------------------+
       |             SECURITY ORCHESTRATION PLANE                  |
       |  - Reaction Module       - Threat Hunting (Fuchikoma)     |
       |  - Log Aggregator (ELK)  - ML Pipeline (DBSCAN, IF, LOF)  |
       +-----------------------------+-----------------------------+
                                     |
                                     v
       +-----------------------------------------------------------+
       |              SECURITY ENFORCEMENT PLANE                   |
       |  +-----------------------------------------------------+  |
       |  | Control & Management Domain: ONOS Controller        |  |
       |  +-----------------------------------------------------+  |
       |  | Infrastructure & VNF: Open vSwitch, Containernet    |  |
       |  | IDPS Snort, Dynamic Honeynet (Gen III / HoneyMix)   |  |
       +--+-----------------------------------------------------+--+

Mục tiêu dự án

  1. Thiết lập nền tảng phòng thủ chủ động (Proactive Defense): Ứng dụng nguyên lý tách rời mặt phẳng điều khiển và mặt phẳng dữ liệu của Mạng điều khiển bằng phần mềm (Software Defined Networking - SDN) để điều hướng, cô lập và đánh lừa kẻ tấn công trong môi trường mạng quy mô lớn.
  2. Xây dựng hệ thống Honeynet động (Adaptive Cyber Deception): Triển khai kiến trúc kết hợp HoneyMix và Containernet trên nền tảng giả lập phân tán MaxiNet, cho phép tự động sinh bẫy ảo hóa mô phỏng các cảm biến và dịch vụ IoT thực tế.
  3. Phát triển luồng Săn lùng Mối đe dọa (Threat Hunting): Ứng dụng hệ thống học máy Fuchikoma tích hợp các thuật toán phân cụm không giám sát (Unsupervised ML) nhằm phát hiện sớm các hành vi bất thường, tấn công Zero-day từ dữ liệu nhật ký thu thập qua ELK Stack.
  4. Tự động hóa phản ứng và cập nhật chính sách an ninh: Tự động điều chỉnh bảng chuyển tiếp luồng (Flow Tables) và tạo sinh luật nhận dạng mới cho Hệ thống phát hiện và ngăn chặn xâm nhập (IDPS) Snort theo thời gian thực.

Phạm vi và giới hạn

  • Phạm vi: Nghiên cứu tập trung vào tầng thực thi an ninh (Security Enforcement) và tầng điều phối (Security Orchestration) trong mạng SDN-IoT; triển khai giả lập phân tán các vector tấn công Telnet, SSH Brute-force, Network Scanning và HTTP DDoS.
  • Giới hạn: Thử nghiệm được thực hiện trên môi trường giả lập mạng diện rộng phân tán (MaxiNet/Containernet) với OpenFlow v1.3; chưa đánh giá trên phần cứng chuyển mạch quang ASIC chuyên dụng.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các công trình nghiên cứu tiền nhiệm về bẫy điện tử (Honeypot/Honeynet) trong môi trường IoT phần lớn dựa trên cấu hình tĩnh, khả năng tương tác hạn chế và thiếu cơ chế phản ứng thích ứng:

Tiêu chí so sánh HIoTPOT (2018) ThingPot (2018) Fan et al. (2017) Mô hình đề xuất (Khóa luận)
Mức độ tương tác Low-Interaction High-Interaction High/Low Hybrid High/Low Hybrid thích ứng
Đối tượng áp dụng Honeypot đơn lẻ Honeypot (MQTT/XMPP) Honeynet tĩnh Honeynet phân tán đa tầng
Hỗ trợ SDN Không (Dùng Proxy) Không Có (Định tuyến cơ bản) Có (ONOS Controller + OpenFlow)
Ứng dụng NFV/Docker Không Không Máy ảo LXC / KVM Containernet / Docker container
Cấu hình động (Dynamic) Tĩnh Cấu hình thủ công Bán tự động Tự động hóa toàn diện (MTD)
Tích hợp Machine Learning Không Không Không Có (Fuchikoma Threat Hunting)

Ưu tiên yêu cầu theo mô hình MoSCoW

  • Must Have: Bộ điều khiển SDN tập trung (ONOS), Open vSwitch (OVS) hỗ trợ OpenFlow 1.3, cơ chế chuyển hướng luồng độc hại bằng iptables và Flow Rules, hệ thống bẫy phân tán Containernet, thu thập log tập trung qua ELK Stack.
  • Should Have: Mô-đun phân tích học máy không giám sát Fuchikoma (DBSCAN, Isolation Forest, Local Outlier Factor), tự động trích xuất đặc trưng mạng (145 và 264 thuộc tính).
  • Could Have: Cơ chế phòng thủ mục tiêu di động (Moving Target Defense - MTD) tự động thay đổi cấu hình địa chỉ IP/port của Honeypot để chống phát hiện dấu vân tay (Fingerprinting).
  • Won't Have (Giai đoạn này): Tự động sinh mã nguồn khai thác ngược đối phương (Active Counter-Exploitation).

Thiết kế hệ thống

Kiến trúc tổng thể của hệ thống phòng thủ chủ động thích ứng bao gồm ba mặt phẳng chức năng chính:

[Attacker Traffic] ---> (Open vSwitch / Ingress Switch)
                               |
               +---------------+---------------+
               | (SDN Flow Steering Rule)      |
               v                               v
       [Legitimate Service]          [Dynamic Honeynet (Containernet)]
                                               |
                                     (Syslog / Beats Agent)
                                               |
                                               v
                                   [ELK Stack (Central Logs)]
                                               |
                                               v
                                   [Fuchikoma ML Pipeline]
                                  (DBSCAN / Anomaly Detection)
                                               |
                                               v
                                   [Dynamic Snort Rules & MTD]
  1. User/Admin Plane: Cung cấp giao diện quản trị, định nghĩa chính sách an ninh cấp cao (High-level Security Policies) và giám sát trực quan hóa trực quan trên Kibana Dashboard.
  2. Security Orchestration Plane: Chịu trách nhiệm diễn dịch chính sách thành cấu hình kỹ thuật, điều phối hệ thống phân tích mối đe dọa Fuchikoma, xử lý tập dữ liệu từ Elasticsearch và tính toán tham số thích ứng (adaptive parameters).
  3. Security Enforcement Plane:
    • Control & Management Domain: Cụm điều khiển ONOS (Open Network Operating System) quản lý topology mạng, giao tiếp với các thiết bị chuyển mạch qua giao thức OpenFlow v1.3 (Southbound API) và nhận lệnh điều phối từ Rest API (Northbound API).
    • Infrastructure & Virtualization Domain: Hạ tầng máy chủ phân tán chạy MaxiNet kết nối với nhau qua đường hầm GRE (Generic Routing Encapsulation); Open vSwitch (OVS) xử lý luồng gói tin ở mức hạt nhân (Kernel datapath); Containernet khởi tạo các trạm bẫy ảo hóa độc lập.
    • Honeynet & IDPS Domain: Triển khai Snort IDPS ở cả hai chế độ (Promiscuous Mode để soi chiếu lưu lượng và Inline Mode để chủ động triệt tiêu gói tin độc hại), kết hợp các honeypot chuyên dụng (Dionaea, Cowrie/Kippo mô phỏng Telnet/SSH, Honeylo4).

Technology Stack và phiên bản kỹ thuật

  • SDN Controller: ONOS Controller phiên bản 2.5 LTS.
  • Virtual Switching: Open vSwitch (OVS) v2.13.3 hỗ trợ OpenFlow 1.3 switch specifications.
  • Network Emulation: MaxiNet v1.2 kết hợp Mininet v2.3.0 và Containernet (Docker Engine v20.10.12).
  • IDPS & Security Sensors: Snort v2.9.18 (Rule engine & dynamic packet processing).
  • Log Management: Elastic Stack (Elasticsearch, Logstash, Kibana) v7.14.0.
  • Machine Learning Core: Python 3.8, Scikit-learn v0.24.2, NumPy v1.21.0, Pandas v1.3.0.

Phương pháp nghiên cứu (Methodology)

Nghiên cứu ứng dụng mô hình thực nghiệm phát triển lặp (Iterative Empirical Engineering) kết hợp đo kiểm định lượng qua 4 giai đoạn chính:

[Giai đoạn 1: Thiết lập SDN Testbed] ---> [Giai đoạn 2: Xây dựng HoneyMix & ELK]
                                                      |
                                                      v
[Giai đoạn 4: Đánh giá & Tối ưu hóa] <--- [Giai đoạn 3: Hiện thực ML Pipeline]
  • Quản lý rủi ro: Hiện tượng thắt cổ chai tài nguyên trên các máy công nhân (Worker nodes) của MaxiNet được giải quyết bằng cách phân vùng topo hợp lý và tối ưu hóa hàng đợi gói tin trên đường hầm GRE.
  • Đảm bảo chất lượng (QA): Dữ liệu luồng mạng được kiểm thử chéo giữa log thô bắt bằng tcpdump, cảnh báo từ Snort IDPS và bảng ghi nhận sự kiện của Honeypot.

Implementation và kết quả

Development Process & Key Algorithms

Hệ thống hiện thực hóa thuật toán điều hướng lưu lượng tự động dựa trên bảng luật OpenFlow và cơ chế Forwarding Decision Engine (FDE). Khi lưu lượng từ một địa chỉ IP đáng ngờ vượt quá ngưỡng tần suất thiết lập kết nối, bộ điều khiển SDN sẽ đẩy (push) một flow rule mới xuống OVS để chuyển hướng toàn bộ gói tin sang vùng mạng Honeynet.

1. Cấu hình điều hướng luồng mạng (SDN Flow Redirection Logic)

Đoạn mã Python triển khai topology và thiết lập luật chuyển hướng trên bộ chuyển mạch Open vSwitch thông qua MaxiNet API:

#!/usr/bin/env python3
"""
HoneyMix Flow Redirection and Dynamic Topology Setup via MaxiNet API
"""
from MaxiNet.Frontend import maxinet
from MaxiNet.Frontend.container import Docker

def deploy_honeynet_topology():
    cluster = maxinet.Cluster()
    topo = maxinet.Topo()
    
    # Khoi tao Open vSwitch trung tam va cac switch truy cap
    s1 = topo.addSwitch("s1")
    s2 = topo.addSwitch("s2")
    
    # Trien khai Victim Node (Dich vu that) va Honeypot Node (Container bay)
    victim = topo.addHost("victim", ip="10.0.0.10/24", mac="00:00:00:00:00:10")
    honeypot = topo.addHost("honeypot", cls=Docker, ip="10.0.0.99/24", 
                            dimage="cowrie/cowrie:latest", mac="00:00:00:00:00:99")
    attacker = topo.addHost("attacker", ip="10.0.0.50/24", mac="00:00:00:00:00:50")
    
    topo.addLink(attacker, s1)
    topo.addLink(victim, s1)
    topo.addLink(honeypot, s2)
    topo.addLink(s1, s2)
    
    exp = maxinet.Experiment(cluster, topo)
    exp.setup()
    
    # Cau hinh iptables redirection tai Cong kiem soat
    exp.get_node("s1").cmd(
        "ovs-ofctl add-flow s1 priority=100,ip,nw_dst=10.0.0.10,tp_dst=22,"
        "actions=mod_nw_dst:10.0.0.99,mod_dl_dst:00:00:00:00:00:99,output:2"
    )
    print("[+] Topology deployed. Malicious SSH traffic dynamically rerouted to Honeypot.")
    return exp

if __name__ == "__main__":
    deploy_honeynet_topology()

2. Thuật toán phân cụm phát hiện bất thường Fuchikoma (DBSCAN with Adaptive Epsilon)

Mô-đun máy học phân tích hành vi lưu lượng dựa trên 145 và 264 thuộc tính trích xuất từ dữ liệu Logstash (gồm các trường: IP flags, packet inter-arrival time, flow duration, byte ratio, TCP window size). Thuật toán tối ưu hóa bán kính lân cận $\epsilon$ (Epsilon) tự động bằng phương pháp K-distance Graph:

import numpy as np
import pandas as pd
from sklearn.cluster import DBSCAN
from sklearn.neighbors import NearestNeighbors
from sklearn.preprocessing import StandardScaler

def compute_adaptive_epsilon(feature_matrix, k=4):
    """
    Tinh toan tu dong gia tri Epsilon toi uu dua tren diem uon cua K-distance graph
    """
    neighbors = NearestNeighbors(n_neighbors=k)
    neighbors_fit = neighbors.fit(feature_matrix)
    distances, _ = neighbors_fit.kneighbors(feature_matrix)
    distances = np.sort(distances[:, k-1], axis=0)
    
    # Tim diem co do cong lon nhat (Elbow point)
    gradients = np.gradient(distances)
    elbow_index = np.argmax(gradients)
    optimal_eps = distances[elbow_index]
    return max(optimal_eps, 0.15)

def run_fuchikoma_threat_hunting(dataset_path):
    df = pd.read_csv(dataset_path)
    X = df.drop(columns=['label', 'timestamp', 'src_ip', 'dst_ip'], errors='ignore')
    
    scaler = StandardScaler()
    X_scaled = scaler.fit_transform(X)
    
    eps = compute_adaptive_epsilon(X_scaled, k=5)
    dbscan = DBSCAN(eps=eps, min_samples=10, metric='euclidean', n_jobs=-1)
    clusters = dbscan.fit_predict(X_scaled)
    
    # Cac diem gan nhan -1 dai dien cho hanh vi tan cong bat thuong (Noise/Outliers)
    anomalies = np.where(clusters == -1)[0]
    anomaly_ratio = len(anomalies) / len(X)
    
    print(f"[*] DBSCAN Processed with {X.shape[1]} features | Optimal Eps: {eps:.4f}")
    print(f"[!] Anomalies detected: {len(anomalies)} instances ({anomaly_ratio * 100:.2f}%)")
    return anomalies

Testing và validation

Hệ thống được thử nghiệm kỹ lưỡng qua các kịch bản tấn công thực tế bao gồm: quét cổng tốc độ cao (Nmap SYN Scan), tấn công vét cạn mật khẩu SSH/Telnet và tấn công từ chối dịch vụ phân tán (SYN Flood / HTTP Flood).

Thoi gian phan hoi & Do tre chuyen huong
+--------------------+--------------------+--------------------+
| Protocol / Vector  | Baseline Latency   | Redirection Latency|
+--------------------+--------------------+--------------------+
| SSH Connection     | 24.12 ms           | 26.85 ms (+2.73 ms)|
| HTTP GET Request   | 11.45 ms           | 13.02 ms (+1.57 ms)|
+--------------------+--------------------+--------------------+

Hiệu năng triệt tiêu tấn công và bảo vệ tài nguyên

Trong quá trình kịch bản tấn công DoS/DDoS diễn ra nhắm vào dịch vụ máy chủ:

  • Trước khi kích hoạt phản ứng: Mức tiêu thụ CPU trên máy chủ nạn nhân tăng vọt lên 98.4% - 100%, gây tắc nghẽn hoàn toàn các dịch vụ hợp lệ.
  • Sau khi FDE chuyển hướng và Snort kích hoạt Rule chặn: Tải CPU của máy chủ giảm mạnh tức thì về mức 6.2% - 8.5%, toàn bộ lưu lượng tấn công bị dẫn dụ sang cụm Honeynet ảo hóa để ghi nhận chữ ký độc hại.
Tải CPU Máy chủ (%)
100% |     /-----------\  <-- Tan cong DDoS dien ra
 80% |    /             \
 60% |   /               \
 40% |  /                 \
 20% | /                   \
  0% +----------------------\--------------------> Thoi gian (s)
      [Attack Start]    [Snort Block & Redirect]

Đánh giá độ chính xác của mô hình học máy Fuchikoma

Quá trình phân tích dữ liệu bất thường được đánh giá trên hai tập thuộc tính khác nhau (145 thuộc tính cơ bản vs. 264 thuộc tính mở rộng) với các thuật toán học máy:

Thuật toán / Mô hình Số thuộc tính Precision (%) Recall (%) F1-Score (%) Thời gian thực thi (s)
DBSCAN (Adaptive) 145 Features 94.20% 91.85% 93.01% 1.84 s
DBSCAN (Tối ưu) 264 Features 98.65% 97.40% 98.02% 3.12 s
Isolation Forest (IF) 264 Features 92.10% 94.30% 93.18% 2.45 s
Local Outlier Factor (LOF) 264 Features 89.75% 90.15% 89.95% 4.88 s

Tập thuộc tính mở rộng 264 chiều giúp thuật toán DBSCAN đạt độ chính xác phát hiện bất thường vượt trội (F1-Score 98.02%), giảm thiểu tỷ lệ cảnh báo sai (False Positive) xuống dưới 1.35%.

Đổi mới và đóng góp

  1. Kiến trúc phòng thủ đóng kín (Closed-loop Proactive Defense): Khác biệt hoàn toàn với các hệ thống Honeypot thụ động, mô hình kết hợp chặt chẽ 4 giai đoạn: Phát hiện (Snort) $\rightarrow$ Đánh lừa & Dẫn dụ (SDN/Containernet) $\rightarrow$ Phân tích chuyên sâu (ELK & Fuchikoma) $\rightarrow$ Tự động thích ứng & Phòng ngừa (Dynamic Rules).
  2. Cơ chế chuyển hướng luồng trong suốt (Transparent Flow Redirection): Nhờ năng lực lập trình của OpenFlow v1.3 trên ONOS, việc thay đổi trường IP/MAC đích diễn ra với độ trễ cực thấp (< 3 ms), khiến kẻ tấn công hoàn toàn không nhận biết được mình đang tương tác với máy chủ thật hay bẫy Honeynet.
  3. Ứng dụng Threat Hunting không giám sát với 264 đặc trưng: Đột phá trong việc loại bỏ phụ thuộc vào tập dữ liệu gán nhãn sẵn (thường lỗi thời), cho phép phát hiện hiệu quả các biến thể tấn công mạng mới lạ và lỗ hổng Zero-day nhắm vào hệ sinh thái IoT.
  4. Tối ưu hóa hiệu năng tính toán: Giảm tải tới 91.5% áp lực tính toán cho hạ tầng dịch vụ thực tế khi xảy ra các đợt càn quét mạng, bảo vệ tính sẵn sàng liên tục (High Availability) của hệ thống IoT.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

  • Hệ thống Nhà thông minh & Đô thị thông minh (Smart Home / Smart City): Bảo vệ các cổng kết nối tập trung (IoT Gateway) trước mã độc Telnet/Mirai tự động lây nhiễm.
  • Hạ tầng Mạng Công nghiệp (Industrial IoT / SCADA): Triển khai các cảm biến bẫy ảo hóa mô phỏng giao thức Modbus/MQTT để phát hiện sớm các chiến dịch tấn công có chủ đích (APT).
  • Trung tâm dữ liệu viễn thông (5G Edge Network Slicing): Bảo vệ phân đoạn mạng biên thông qua cơ chế Moving Target Defense, tự động hoán đổi vùng bẫy an ninh.
       +-------------------------------------------------------+
       |           5G EDGE / ENTERPRISE CLOUD INFRA            |
       |                                                       |
       |   [Ingress Traffic]                                   |
       |          |                                            |
       |          v                                            |
       |   +--------------+      (Suspicious)     +----------+ |
       |   | OVS vSwitch  | --------------------> | Honeynet | |
       |   +--------------+                       +----------+ |
       |          | (Clean)                                    |
       |          v                                            |
       |   +--------------+                                    |
       |   | IoT Services |                                    |
       |   +--------------+                                    |
       +-------------------------------------------------------+

Chiến lược triển khai và Phân tích hiệu quả kinh tế

  • Yêu cầu phần cứng tối thiểu: 02 Máy chủ x86_64 vật lý (CPU 8 Cores, 32GB RAM, 2x 1Gbps NICs) làm MaxiNet Workers.
  • Hiệu quả kinh tế (ROI Analysis): Tiết kiệm 75% chi phí đầu tư bản quyền phần mềm nhờ tích hợp toàn diện các nền tảng mã nguồn mở chuẩn công nghiệp (ONOS, Open vSwitch, Snort, ELK Stack, Containernet) so với các bộ giải pháp Deception thương mại đắt đỏ.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Nghẽn cổ chai mô phỏng: MaxiNet phân tán phụ thuộc vào băng thông của các đường hầm GRE giữa các máy chủ vật lý; khi lưu lượng vượt ngưỡng 10 Gbps, độ trễ mô phỏng có thể gia tăng.
  • Khả năng mô phỏng phần cứng nhúng sâu: Một số thiết bị IoT chuyên biệt sử dụng vi kiến trúc ARM/MIPS với firmware độc quyền chưa được giả lập toàn vẹn trên nền tảng Docker Container x86.

Hướng phát triển tương lai

  • Tích hợp Deep Reinforcement Learning (DRL): Ứng dụng mạng học sâu tăng cường (Q-Learning / PPO) để hệ thống tự động tối ưu hóa vị trí đặt bẫy và quyết định thời điểm hoán đổi mục tiêu di động (MTD) một cách thông minh nhất.
  • Nâng cấp mặt phẳng dữ liệu P4: Chuyển đổi từ OpenFlow sang ngôn ngữ lập trình chuyển mạch P4 (Programming Protocol-Independent Packet Processors) nhằm xử lý gói tin ở tốc độ dây (Line-rate) tại phần cứng.

Đối tượng hưởng lợi

+-------------------+---------------------------------------------------------+
| Nhóm đối tượng    | Giá trị và Lợi ích cụ thể                               |
+-------------------+---------------------------------------------------------+
| Sinh viên /       | Tài liệu tham khảo chuẩn mực về kiến trúc SDN, kỹ thuật |
| Học viên          | triển khai Containernet và ứng dụng Machine Learning.   |
+-------------------+---------------------------------------------------------+
| Kỹ sư An toàn     | Bộ khung mã nguồn thực thi chuyển hướng luồng OpenFlow  |
| thông tin / Devs  | và pipeline phân tích nhật ký tập trung ELK - Snort.    |
+-------------------+---------------------------------------------------------+
| Doanh nghiệp      | Giải pháp phòng thủ chủ động chi phí thấp, bảo vệ toàn  |
| Vận hành IoT/SOC  | diện hạ tầng biên và giảm thiểu thời gian phản ứng APT.  |
+-------------------+---------------------------------------------------------+
| Nhà nghiên cứu    | Nền tảng thực nghiệm phân tán đo kiểm các thuật toán    |
| An ninh mạng      | Threat Hunting và kỹ thuật Moving Target Defense mới.   |
+-------------------+---------------------------------------------------------+

Câu hỏi thường gặp

1. Hệ thống yêu cầu cấu hình môi trường như thế nào để triển khai?

Hệ thống yêu cầu hệ điều hành Ubuntu Server 20.04 LTS (Kernel 5.4+), hỗ trợ Docker Engine 20.10+, cài đặt Open vSwitch 2.13+, OpenJDK 11 (cho ONOS Controller 2.5) và Python 3.8 kèm các thư viện Scikit-learn, MaxiNet, Mininet.

2. Giới hạn mở rộng quy mô của hệ thống và giải pháp khắc phục?

Trong môi trường giả lập MaxiNet, việc mở rộng quy mô lên hàng chục nghìn node bị giới hạn bởi năng lực CPU của Worker nodes. Khi triển khai thực tế trên môi trường sản xuất, giải pháp được đóng gói dưới dạng các chức năng mạng ảo hóa VNF/CNF triển khai trên cụm Kubernetes phân tán, loại bỏ hoàn toàn giới hạn của MaxiNet.

3. Cơ chế chuyển hướng có gây gián đoạn kết nối của người dùng hợp lệ không?

Hoàn toàn không. Bộ điều khiển SDN chỉ thiết lập Flow Rule chuyển hướng đối với các luồng gói tin khớp chính xác với tiêu chí nhận dạng bất thường (IP nguồn vi phạm, dấu hiệu tấn công signature từ Snort, hoặc điểm bất thường từ Fuchikoma). Toàn bộ lưu lượng hợp lệ vẫn được xử lý trực tiếp qua đường truyền mặc định.

4. Hệ thống duy trì và cập nhật các luật an ninh như thế nào?

Hệ thống vận hành theo chu trình thích ứng: Dữ liệu bắt được từ Honeynet được Logstash đẩy về Elasticsearch; Fuchikoma định kỳ quét và phân cụm các mẫu hành vi mới; khi phát hiện cụm tấn công mới, hệ thống tự động sinh cú pháp luật Snort Rule và cập nhật bảng luồng ONOS thông qua Northbound REST API.

5. Chi phí đầu tư và thời gian thu hồi vốn (ROI) ước tính?

Do tận dụng 100% nền tảng mã nguồn mở mạnh mẽ và hạ tầng ảo hóa container hóa nhẹ, doanh nghiệp chỉ cần đầu tư chi phí hạ tầng máy chủ ban đầu. Thời gian thu hồi vốn ước tính dưới 6 tháng nhờ ngăn chặn triệt để các nguy cơ rò rỉ dữ liệu và gián đoạn dịch vụ quan trọng.

Kết luận

Khóa luận tốt nghiệp "Chiến lược giăng bẫy thích ứng phục vụ phòng thủ chủ động trong mạng khả lập trình" đã giải quyết thành công bài toán phòng thủ an ninh mạng cho các hệ thống IoT quy mô lớn. Bằng cách kết hợp linh hoạt tính năng điều khiển thông minh của SDN (ONOS/OpenFlow), kiến trúc bẫy ảo hóa phân tán (Containernet/HoneyMix) và năng lực săn lùng mối đe dọa không giám sát (Fuchikoma ML Pipeline), nghiên cứu đã chứng minh hiệu quả vượt trội trong việc phát hiện sớm tấn công, cô lập mã độc và tự động hóa toàn diện quy trình phòng thủ an ninh thông tin. Đây là tiền đề khoa học và công nghệ vững chắc, mở ra hướng đi mới cho các hệ thống giám sát và phản ứng sự cố an ninh mạng thế hệ mới.