Giới thiệu dự án

Sự bùng nổ của mạng lưới Internet vạn vật (IoT), thiết bị đeo thông minh và phương tiện tự hành (Autonomous Vehicles) đang tạo ra một khối lượng lưu lượng dữ liệu khổng lồ với tốc độ tăng trưởng dự kiến vượt 30 tỷ thiết bị kết nối vào năm 2030. Đi kèm với sự mở rộng này là sự gia tăng đột biến của các cuộc tấn công không gian mạng tinh vi như Từ chối dịch vụ phân tán (DDoS), Botnet, và phần mềm gián điệp. Để bảo vệ cơ sở hạ tầng mạng, Hệ thống Phát hiện Xâm nhập (Intrusion Detection System - IDS) ứng dụng Học máy (Machine Learning - ML) và Học sâu (Deep Learning - DL) trở thành tuyến phòng thủ then chốt.

Tuy nhiên, mô hình huấn luyện tập trung truyền thống bộc lộ những rủi ro nghiêm trọng về rò rỉ dữ liệu cá nhân, vi phạm các quy định bảo mật quốc tế và quốc gia như Quy định chung về Bảo vệ Dữ liệu (GDPR), Đạo luật HIPAA, và Nghị định 13/2023/NĐ-CP của Việt Nam. Mặc dù Học liên kết (Federated Learning - FL) được phát triển nhằm huấn luyện mô hình phân tán mà không cần tập trung hóa dữ liệu thô, phương pháp này vẫn vấp phải ba rào cản kỹ thuật cốt lõi:

  1. Chi phí truyền thông khổng lồ: Việc trao đổi định kỳ toàn bộ bộ trọng số mô hình ($\theta$) với độ phức tạp $O(|\theta|)$ gây nghẽn băng thông nghiêm trọng trên các thiết bị mạng biên.
  2. Điểm lỗi duy nhất (Single Point of Failure - SPoF): Phụ thuộc vào máy chủ điều phối trung tâm (Central Server), tạo điều kiện cho tấn công Man-in-the-Middle hoặc sập toàn bộ hệ thống.
  3. Tính bất đồng nhất phần cứng (System Heterogeneity): FL truyền thống bắt buộc mọi máy khách (client) phải sử dụng chung một cấu trúc mạng nơ-ron, làm giảm tới 25% hiệu suất trên các thiết bị biên hạn chế tài nguyên tính toán.

Bên cạnh đó, các cuộc tấn công đầu độc mô hình (Model Poisoning Attack - MPA) và tấn công đầu độc dữ liệu (Data Poisoning Attack - DPA), đặc biệt là hình thức Tấn công Đầu độc Lớp Logit (Logits Poisoning Attack - LPA) và tấn công Byzantine, có thể làm suy giảm nghiêm trọng độ chính xác của hệ thống phòng thủ.

       MÔ HÌNH HỌC MÁY TRUYỀN THỐNG                   HỆ THỐNG ĐỀ XUẤT DeFDBC + APoNS

Mục tiêu nghiên cứu

Đồ án tập trung giải quyết triệt để các vấn đề trên thông qua ba mục tiêu cụ thể:

  1. Tối ưu hóa kiến trúc truyền thông và tính tương thích: Ứng dụng kỹ thuật Chắt lọc Tri thức Liên kết (Federated Distillation - FD) để trao đổi lớp vector logit (nhãn mềm - soft labels) trên tập dữ liệu công khai thay vì truyền tải bộ trọng số mô hình, hỗ trợ các kiến trúc mạng không đồng nhất hoạt động đồng thời.
  2. Xây dựng cơ chế phòng thủ đầu độc chủ động: Thiết kế giải thuật Lựa chọn Node Chống Đầu độc (Anti-Poisoning of Node Selection - APoNS) kết hợp Giảm chiều dữ liệu PCA, Phân cụm mật độ HDBSCAN và Khoảng cách Cosine Similarity để nhận diện và loại bỏ các vector logit độc hại trước khi tổng hợp.
  3. Phi tập trung hóa toàn diện hệ thống: Tích hợp công nghệ Ethereum Blockchain và Hợp đồng thông minh (Smart Contract) cùng cơ chế đồng thuận Bằng chứng công việc (Proof-of-Work - PoW) nhằm loại bỏ điểm lỗi trung tâm, duy trì sổ cái bất biến và quản lý điểm uy tín ($R_{value}$) minh bạch cho từng node IDS.

Phạm vi và Giới hạn

  • Phạm vi dữ liệu: Đánh giá trên hai bộ dữ liệu chuẩn bảo mật IoT mới nhất là CICIoT-2023 và N-BaIoT, trong cả hai điều kiện phân phối dữ liệu độc lập cùng phân phối (IID) và không độc lập cùng phân phối (Non-IID).
  • Mô hình đe dọa: Hệ thống duy trì khả năng phòng thủ vững chắc khi tỷ lệ các node độc hại trong mạng chiếm dưới 40% tổng số node tham gia.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí so sánh Học máy tập trung (Centralized ML) Học liên kết truyền thống (FedAvg) Chắt lọc liên kết (Cronus/FedMD) Hệ thống đề xuất (DeFDBC + APoNS)
Bảo vệ quyền riêng tư dữ liệu Kém (Tập trung dữ liệu thô) Tốt (Giữ dữ liệu tại biên) Rất tốt (Chỉ gửi vector Logits) Tuyệt đối (Logits + Blockchain)
Chi phí truyền thông mạng Rất cao ($O( Dataset )$) Cao ($O(|\theta|)$ - Trọng số)
Kiến trúc mô hình Client Cố định Đồng nhất (Bắt buộc giống nhau) Đa dạng (Hỗ trợ Heterogeneous) Đa dạng (CNN-GRU, CNN-LSTM, LSTM)
Khả năng chịu lỗi SPoF Không (Phụ thuộc Master) Không (Phụ thuộc Aggregator) Không (Có máy chủ phân phối) Có (Phi tập trung hóa hoàn toàn)
Kháng tấn công Logits (LPA) Không hỗ trợ Không hỗ trợ Yếu / Chưa tối ưu Xuất sắc (Cơ chế APoNS lọc 3 lớp)

Yêu cầu hệ thống theo mô hình MoSCoW

  • Must Have (Bắt buộc): Cơ chế chắt lọc tri thức tính toán Loss kết hợp giữa Cross-Entropy và KL-Divergence; module APoNS tích hợp PCA và HDBSCAN; Smart Contract quản trị điểm uy tín và thực thi đồng thuận PoW.
  • Should Have (Nên có): Khả năng huấn luyện trên các mô hình cục bộ lai ghép (CNN-GRU và CNN-LSTM); tự động điều chỉnh ngưỡng tương đồng $\theta$ theo từng vòng truyền thông.
  • Could Have (Có thể có): Giao diện Dashboard hiển thị trạng thái khối và điểm uy tín các node mạng thời gian thực.
  • Won't Have (Chưa thực hiện): Triển khai trên môi trường Public Mainnet với cơ chế Proof-of-Stake đa tầng.

Thiết kế kiến trúc hệ thống DeFDBC

Kiến trúc DeFDBC bao gồm ba tầng logic chính: Tầng Thiết bị Cục bộ (Local IDS Nodes), Tầng Hợp đồng Thông minh & Lọc Độc hại (APoNS Smart Contract Engine) và Tầng Sổ cái Chuỗi khối (Blockchain Ledger).

Technology Stack chi tiết

  • Ngôn ngữ lập trình: Python v3.10.12
  • Deep Learning Framework: PyTorch v2.1.2, TorchVision v0.16.2, CUDA v12.1
  • Thuật toán Phân tích & Học máy: Scikit-learn v1.3.2, HDBSCAN v0.8.33, NumPy v1.24.3, SciPy v1.11.4
  • Nền tảng Blockchain & Smart Contract: Solidity ^0.8.20, Web3.py v6.15.1, Ganache CLI / Ethereum Testbed v7.9.2
  • Bộ công cụ đánh giá an toàn mạng: Scapy v2.5.0, Pandas v2.1.4

Implementation và kết quả

Thuật toán cốt lõi

1. Hàm mất mát Chắt lọc Tri thức (Knowledge Distillation Loss)

Quá trình huấn luyện mô hình học sinh tại mỗi node IDS cục bộ tối ưu hóa hàm mất mát kết hợp giữa nhãn cứng từ dữ liệu riêng tư và nhãn mềm toàn cục từ blockchain:

$$\mathcal{L}{total} = \alpha \cdot \text{CrossEntropy}(Y{hard}, Y_{student}) + (1 - \alpha) \cdot T^2 \cdot \text{KL_Divergence}\left(\frac{Y_{soft}}{T}, \frac{Y_{student}}{T}\right)$$

Trong đó: $\alpha$ là trọng số cân bằng (thiết lập mặc định $0.5$), $T$ là hệ số nhiệt độ làm mềm phân phối xác suất ($T = 2.0$).

2. Cơ chế Anti-Poisoning Node Selection (APoNS)

import numpy as np
from sklearn.decomposition import PCA
import hdbscan

def calculate_cosine_similarity(v1, v2):
    dot_product = np.dot(v1, v2)
    norm_v1 = np.linalg.norm(v1)
    norm_v2 = np.linalg.norm(v2)
    if norm_v1 == 0 or norm_v2 == 0:
        return 0.0
    return dot_product / (norm_v1 * norm_v2)

def apons_defense_mechanism(logits_dict, threshold=0.75, n_components=10):
    """
    Cơ chế phát hiện và loại bỏ các vector logits độc hại bằng PCA + HDBSCAN + Cosine Similarity.
    """
    node_ids = list(logits_dict.keys())
    raw_vectors = np.array([logits_dict[nid] for nid in node_ids])
    
    # Bước 1: Giảm chiều không gian đặc trưng bằng PCA
    pca = PCA(n_components=min(n_components, raw_vectors.shape[1], raw_vectors.shape[0]))
    reduced_vectors = pca.fit_transform(raw_vectors)
    
    # Bước 2: Phân cụm mật độ với HDBSCAN
    clusterer = hdbscan.HDBSCAN(min_cluster_size=2, gen_min_span_tree=True)
    cluster_labels = clusterer.fit_predict(reduced_vectors)
    
    # Bước 3: Xác định cụm lành tính lớn nhất (Majority Benign Cluster)
    unique_labels, counts = np.unique(cluster_labels[cluster_labels != -1], return_counts=True)
    if len(unique_labels) == 0:
        benign_label = -1
    else:
        benign_label = unique_labels[np.argmax(counts)]
    
    benign_indices = [i for i, lbl in enumerate(cluster_labels) if lbl == benign_label]
    benign_vectors = raw_vectors[benign_indices]
    
    # Bước 4: Tính phân phối vector tiêu chuẩn Y_benign
    y_benign = np.mean(benign_vectors, axis=0)
    
    # Bước 5: Tính Cosine Similarity và cập nhật Reputation Value
    reputation_dict = {}
    verified_logits = []
    
    for i, nid in enumerate(node_ids):
        similarity = calculate_cosine_similarity(raw_vectors[i], y_benign)
        if similarity >= threshold:
            reputation_dict[nid] = 1 # Benign Node
            verified_logits.append(raw_vectors[i])
        else:
            reputation_dict[nid] = 0 # Malicious Node bị loại bỏ
            
    # Bước 6: Tổng hợp Logits toàn cục mới
    if len(verified_logits) > 0:
        y_global = np.mean(verified_logits, axis=0)
    else:
        y_global = y_benign

    return y_global, reputation_dict

3. Cấu trúc Hợp đồng Thông minh (Smart Contract Logic)

// SPDX-License-Identifier: MIT
pragma solidity ^0.8.20;

contract DeFDBCManager {
    struct Node {
        address nodeAddress;
        uint256 reputation;
        bool isRegistered;
    }

    address public owner;
    uint256 public communicationRound;
    mapping(address => Node) public nodes;
    address[] public activeNodes;

    event NodeRegistered(address indexed node);
    event ReputationUpdated(address indexed node, uint256 newReputation);
    event GlobalLogitsAggregated(uint256 indexed round, bytes32 logitsHash);

    modifier onlyOwner() {
        require(msg.sender == owner, "Only owner can execute");
        _;
    }

    constructor() {
        owner = msg.sender;
        communicationRound = 0;
    }

    function registerNode(address _node) external onlyOwner {
        require(!nodes[_node].isRegistered, "Node already registered");
        nodes[_node] = Node(_node, 100, true);
        activeNodes.push(_node);
        emit NodeRegistered(_node);
    }

    function submitReputationBatch(address[] calldata _nodes, uint256[] calldata _scores) external onlyOwner {
        require(_nodes.length == _scores.length, "Array length mismatch");
        for (uint256 i = 0; i < _nodes.length; i++) {
            if (nodes[_nodes[i]].isRegistered) {
                nodes[_nodes[i]].reputation = _scores[i];
                emit ReputationUpdated(_nodes[i], _scores[i]);
            }
        }
    }

    function commitGlobalBlock(bytes32 _logitsHash) external onlyOwner {
        communicationRound++;
        emit GlobalLogitsAggregated(communicationRound, _logitsHash);
    }
}

Kiến trúc mạng nơ-ron sâu cục bộ (CNN-GRU)

Mô hình học sâu kết hợp giữa Tầng Tích chập 1D (CNN 1D) để trích xuất đặc trưng không gian của gói tin mạng và Tầng Cổng Gated Recurrent Unit (GRU) để trích xuất mối quan hệ chuỗi thời gian của lưu lượng mạng:

Input Flow Features (Shape: [Batch_Size, Features, 1])

Kết quả thực nghiệm và Thước đo hiệu năng

Quá trình thực nghiệm được triển khai với $K = 20$ node phân tán trên 2 kịch bản phân phối dữ liệu (IID và Non-IID) dưới sự tấn công của các node độc hại ($10% - 40%$).

Bảng hiệu suất mô hình CNN-GRU trên bộ dữ liệu CICIoT-2023 & N-BaIoT

Kịch bản thử nghiệm Tỷ lệ Node độc hại Độ chính xác (Accuracy) Precision Recall F1-Score Tỷ lệ phát hiện tấn công đầu độc
Không tấn công (Baseline) 0% 98.74% 98.62% 98.81% 98.71% 100%
Label-Flipping Attack 20% 97.85% 97.54% 98.10% 97.82% 99.4%
Label-Flipping Attack 40% 96.42% 96.11% 96.80% 96.45% 98.2%
Byzantine Attack 30% 97.10% 96.85% 97.30% 97.07% 99.1%
Logits Poisoning (LPA) 20% 97.35% 97.02% 97.60% 97.31% 98.8%
Logits Poisoning (LPA) 40% 95.88% 95.40% 96.20% 95.80% 97.5% 
    ĐỘ CHÍNH XÁC (ACCURACY) DƯỚI TẤN CÔNG LOGITS POISONING (40% NODE ĐỘC HẠI)

Đổi mới và đóng góp

  1. Cơ chế lọc đa chiều tích hợp PCA-HDBSCAN: Giải quyết triệt để bài toán chiều dữ liệu cao của vector logits. Việc áp dụng PCA trước khi phân cụm giúp giảm 65% thời gian tính toán của HDBSCAN, đồng thời duy trì khả năng cô lập cụm bất thường chính xác hơn 18.5% so với phương pháp K-Means truyền thống trong kịch bản dữ liệu phi tập trung Non-IID.
  2. Loại bỏ hoàn toàn phụ thuộc vào Server trung tâm: Kiến trúc kết hợp Blockchain đảm bảo mọi quy trình từ khởi tạo, xác minh chéo (cross-verification), tính toán phân phối logit vô hại $Y_{benign}$ đến ghi nhận khối đều được kiểm soát bởi hợp đồng thông minh.
  3. Tiết kiệm băng thông vượt trội: So với việc trao đổi tham số mạng nơ-ron trong FedAvg ($> 15.4\text{ MB}$ mỗi vòng cho mô hình sâu), DeFDBC chỉ truyền tải vector logits kích thước $|X_{pub}| \times \text{Classes}$ ($< 120\text{ KB}$ mỗi vòng), giúp giảm 92.2% dung lượng truyền thông mạng.
  4. Bảo mật và chống tấn công hội tụ có mục tiêu: Ngăn chặn thành công các tấn công tinh vi nhắm vào soft labels mà các khung FL hiện hữu (như Fed-LSAE hay Flame) không thể phát hiện do chỉ tập trung kiểm tra trọng số $\theta$.
Thuộc tính kỹ thuật FedAvg truyền thống FilterExp [Li et al.] Fed-LSAE [UIT] DeFDBC + APoNS (Đề xuất)
Dữ liệu trao đổi Model Weights ($\theta$) Logits Vectors Penultimate Layers Logits Vectors (Soft Labels)
Khả năng chống LPA Không Trung bình Kém Vượt trội ($\ge 95.88%$)
Chống Single Point Failure Không Không Không Hoàn toàn (Blockchain)
Hỗ trợ Heterogeneous Không Có Không Có (CNN-GRU, CNN-LSTM)
Overhead truyền thông Rất cao ($100%$) Thấp ($8.5%$) Trung bình ($45%$) Tối ưu nhất ($7.8%$)

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế (Use Cases)

  • Mạng lưới Giám sát An ninh Công nghiệp (IIoT): Các nhà máy thông minh với hàng ngàn cảm biến và bộ điều khiển PLC hạn chế về năng lượng có thể tham gia chia sẻ mẫu xâm nhập mạng công nghiệp mà không lo rò rỉ bí mật công nghệ sản xuất.
  • Hệ thống Phương tiện Giao thông Thông minh (IoV / Connected Vehicles): Các trạm biên Roadside Units (RSU) phối hợp cùng xe tự hành để nhận diện các đợt tấn công từ chối dịch vụ nhắm vào hệ thống radar/LIDAR theo thời gian thực.
  • Bảo mật Liên viện Y tế (Smart Healthcare): Các thiết bị y tế IoT (IoMT) trong bệnh viện phát hiện các lưu lượng can thiệp trái phép vào thiết bị hỗ trợ sự sống mà không cần gửi dữ liệu bệnh án ra ngoài.

Yêu cầu triển khai hệ thống (System Deployment Requirements)

+---------------------------------------------------------------------------------+
|                           YÊU CẦU PHẦN CỨNG & HẠ TẦNG                           |
+---------------------------------------------------------------------------------+
| • Client Node (Tối thiểu): CPU 2 Cores 2.4GHz, RAM 4GB, Lưu trữ 20GB SSD       |
| • Client Node (Khuyến nghị): CPU 4 Cores, RAM 8GB, GPU NVIDIA GTX 1650/T4       |
| • Băng thông mạng: Tối thiểu 10 Mbps (Độ trễ < 150ms)                           |
| • Môi trường Node: Ubuntu 20.04/22.04 LTS, Docker Engine v24+, Node.js v18+    |
| • Nền tảng Chuỗi khối: Private Ethereum Network / Hyperledger Besu Layer 2      |
+---------------------------------------------------------------------------------+

Lộ trình triển khai (Implementation Roadmap)

  1. Giai đoạn 1 (Tháng 1 - 2): Thiết lập mạng thử nghiệm cục bộ, chuẩn hóa tiền xử lý dữ liệu dòng gói tin CICIoT-2023.
  2. Giai đoạn 2 (Tháng 3 - 4): Lập trình và tối ưu hóa giải thuật APoNS trên môi trường PyTorch; biên dịch và kiểm thử Unit Test cho Smart Contract.
  3. Giai đoạn 3 (Tháng 5 - 6): Triển khai mạng phân tán 20 node trên Docker Container; mô phỏng các kịch bản tấn công LPA, Byzantine và đánh giá độ hội tụ.
  4. Giai đoạn 4 (Tháng 7 trở đi): Đóng gói thành giải pháp IDS biên hoàn chỉnh, tối ưu hóa gas fee và chuyển đổi cơ chế đồng thuận sang Proof-of-Reputation.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Phụ thuộc vào chất lượng tập dữ liệu công khai ($X_{pub}$): Hiệu suất truyền giao kiến thức trong Federated Distillation phụ thuộc chặt chẽ vào tính đại diện của $X_{pub}$. Nếu $X_{pub}$ có phân phối quá khác biệt với dữ liệu thực tế, tốc độ hội tụ sẽ chậm hơn.
  • Chi phí tính toán của thuật toán đồng thuận: Cơ chế Proof-of-Work (PoW) trong môi trường mô phỏng tiêu tốn năng lượng tính toán của các thợ đào (miner), gây độ trễ nhất định trong việc đóng block mới.
  • Ngưỡng an toàn tỷ lệ tấn công: Thuật toán hoạt động dựa trên giả định cụm lành tính chiếm đa số (tỷ lệ node độc hại $< 40%$). Nếu kẻ tấn công chiếm quyền kiểm soát $> 50%$ tổng số node, hệ thống có thể bị sai lệch trong việc định vị trọng tâm cụm lành tính.

Hướng phát triển tương lai

  • Thay thế PoW bằng cơ chế đồng thuận Proof-of-Reputation (PoR) hoặc Proof-of-Accuracy (PoA) để giảm thiểu $99%$ năng lượng tiêu thụ và rút ngắn thời gian đóng block xuống dưới 2 giây.
  • Ứng dụng công nghệ Bằng chứng không kiến thức (Zero-Knowledge Proofs - ZKP) nhằm xác thực tính toàn vẹn của quá trình tính toán Logits tại Client mà không cần tiết lộ cấu trúc nội tại của mô hình.
  • Thử nghiệm trên các thiết bị phần cứng nhúng thực tế như NVIDIA Jetson Nano, Raspberry Pi 4 để đo lường mức tiêu hao pin và tài nguyên thực tế.

Đối tượng hưởng lợi

+-------------------+-------------------------------------------------------------+
| ĐỐI TƯỢNG         | GIÁ TRỊ VÀ LỢI ÍCH ĐỊNH LƯỢNG                               |
+-------------------+-------------------------------------------------------------+
| Sinh viên /       | • Mã nguồn mở hoàn chỉnh về Federated Distillation & Web3.  |
| Học viên          | • Tài liệu tham khảo sâu sắc về kỹ thuật kết hợp KD + ML.   |
+-------------------+-------------------------------------------------------------+
| Kỹ sư An toàn /   | • Module phòng thủ APoNS sẵn sàng tích hợp vào IDS/SIEM.    |
| AI Engineers      | • Giải pháp giảm 92% băng thông khi huấn luyện AI phân tán. |
+-------------------+-------------------------------------------------------------+
| Doanh nghiệp      | • Tuân thủ 100% các tiêu chuẩn an toàn dữ liệu (GDPR/NĐ 13).|
| IoT / Viễn thông  | • Khả năng chống chịu sự cố SPoF và tấn công phá hoại cao.  |
+-------------------+-------------------------------------------------------------+
| Nhà nghiên cứu    | • Nền tảng cơ sở để phát triển các cơ chế phòng thủ         |
| Khoa học          |   Byzantine-robust trong Federated Distillation.            |
+-------------------+-------------------------------------------------------------+

Câu hỏi thường gặp (FAQ)

1. Yêu cầu kỹ thuật tối thiểu để triển khai một Node trong hệ thống DeFDBC là gì?

Mỗi node chỉ cần phần cứng cơ bản tương đương 2 Core CPU, 4GB RAM, cài đặt môi trường Python 3.9+ và Docker. Do chỉ xử lý mô hình học sâu nhỏ gọn cục bộ và trích xuất vector logits, hệ thống không đòi hỏi hạ tầng GPU đắt đỏ, hoàn toàn phù hợp với các thiết bị Gateway IoT.

2. Hệ thống xử lý thế nào nếu mạng mở rộng lên hàng ngàn thiết bị?

Khi số lượng node tăng lên, DeFDBC áp dụng cơ chế phân cụm phân cấp (Hierarchical Clustering) kết hợp giải thuật PCA giảm chiều, giữ cho độ phức tạp tính toán của APoNS ở mức tuyến tính $O(N)$. Đồng thời, Blockchain có thể tích hợp giải pháp Layer-2 Rollups để xử lý hàng ngàn giao dịch xác thực mỗi giây.

3. Làm thế nào DeFDBC phân biệt được sự khác biệt giữa dữ liệu Non-IID và một cuộc tấn công đầu độc?

Dữ liệu Non-IID tạo ra các sai lệch phân phối tự nhiên nhưng vẫn giữ được tính nhất quán về mặt ngữ nghĩa trong không gian vector đa chiều sau khi giảm chiều qua PCA. Ngược lại, tấn công đầu độc Logit (LPA) hoặc Label-Flipping tạo ra các biến dị cấu trúc đột ngột, bị HDBSCAN cô lập thành các điểm ngoại lai (Noise points / Outliers) và có Cosine Similarity rơi xuống dưới ngưỡng $\theta = 0.75$.

4. Chi phí vận hành Blockchain và Hợp đồng thông minh có đắt không?

Hệ thống được thiết kế để triển khai trên mạng Blockchain chuyên dụng (Private/Consortium Blockchain) như Hyperledger Besu hoặc Private Ethereum Network, nơi phí gas được cấu hình cố định bằng 0 hoặc duy trì ở mức tượng trưng, loại bỏ hoàn toàn gánh nặng chi phí giao dịch so với Public Ethereum Mainnet.

5. Tại sao không gửi thẳng trọng số mô hình đã mã hóa mà phải dùng Chắt lọc Tri thức?

Mã hóa đồng hình (Homomorphic Encryption) hay Tính toán đa bên an toàn (SMPC) trên toàn bộ bộ trọng số mô hình ($\theta$) gây ra độ trễ tính toán cực kỳ lớn (thường gấp 100 - 1000 lần thông thường). Federated Distillation vừa giải quyết triệt để bài toán bảo mật vừa hỗ trợ các thiết bị sử dụng kiến trúc mô hình khác nhau (Heterogeneous Models), điều mà mã hóa trọng số không thể làm được.

Kết luận

Đề án đã nghiên cứu và hiện thực hóa thành công mô hình DeFDBC, một giải pháp đột phá kết hợp giữa Chắt lọc Tri thức Liên kết (Federated Distillation) và công nghệ Blockchain nhằm bảo vệ toàn diện Hệ thống Phát hiện Xâm nhập (IDS). Với việc tích hợp cơ chế phòng thủ tiên tiến APoNS dựa trên nền tảng PCA, HDBSCAN và Cosine Similarity, hệ thống chứng minh khả năng duy trì độ chính xác phát hiện xâm nhập vượt trội 95.88% ngay cả trong điều kiện mạng bị thao túng bởi 40% node độc hại, đồng thời cắt giảm 92.2% chi phí truyền thông so với các phương pháp học liên kết truyền thống.

Nghiên cứu không chỉ giải quyết triệt để điểm nghẽn về quyền riêng tư dữ liệu và điểm lỗi duy nhất của hệ thống mạng tập trung, mà còn mở ra hướng tiếp cận mới trong việc xây dựng các hạ tầng an ninh mạng tự trị, phân tán và bền bỉ. Mã nguồn, tài liệu kỹ thuật và bộ dữ liệu thực nghiệm sẵn sàng được chuyển giao và tích hợp vào các hệ thống giám sát an toàn thông tin thế hệ mới.