Giới thiệu dự án

Sự bùng nổ của hạ tầng Internet vạn vật (IoT), điện toán đám mây và mạng 5G đã tạo ra áp lực chưa từng có lên lưu lượng và kiến trúc mạng toàn cầu. Theo báo cáo an ninh mạng của Bkav, chỉ riêng năm 2019 đã ghi nhận hơn 85,2 triệu lượt máy tính bị nhiễm mã độc, gây thiệt hại ước tính vượt mốc 20.892 tỷ đồng. Tại Việt Nam năm 2021, Cục An toàn thông tin (Bộ Thông tin và Truyền thông) đã ghi nhận 9.700 cuộc tấn công mạng, tăng 42,42% so với năm 2020. Trong bối cảnh này, kiến trúc mạng khả lập trình SDN (Software-Defined Networking) nổi lên như một giải pháp đột phá nhờ việc phân tách hoàn toàn giữa mặt phẳng điều khiển (Control Plane) và mặt phẳng dữ liệu (Data Plane). SDN cho phép lập trình hóa toàn bộ chính sách định tuyến và quản lý tài nguyên tập trung qua giao thức OpenFlow.

Tuy nhiên, tính tập trung logic của bộ điều khiển SDN Controller cũng biến nó thành mục tiêu béo bở cho các cuộc tấn công từ chối dịch vụ phân tán (DDoS), giả mạo luồng (Flow Table Overflows) hay nghe lén gói tin (Eavesdropping). Các phương pháp săn tìm mối đe dọa (Threat Hunting - TH) truyền thống thường dựa vào phân tích tĩnh, tốn trung bình đến 170 ngày để phát hiện một cuộc xâm nhập tinh vi nằm vùng (theo nghiên cứu của Farah Kandah et al.). Mặc dù các mô hình học máy (Machine Learning - ML) và học sâu (Deep Learning - DL) tập trung giúp giảm thời gian phát hiện xuống dưới 10 giây, chúng đòi hỏi phải gom toàn bộ tập dữ liệu nhật ký luồng (flow logs) nhạy cảm về một máy chủ trung tâm. Điều này vi phạm nghiêm trọng các quy định về quyền riêng tư dữ liệu (như GDPR, ISO 27001) và làm tăng nguy cơ rò rỉ dữ liệu khi truyền tải trên đường truyền công cộng.

Nhằm giải quyết triệt để bài toán đánh đổi giữa khả năng bảo mật, tính hiệu quả và quyền riêng tư dữ liệu, đồ án tốt nghiệp "Cơ chế săn tìm mối đe dọa liên kết cho mạng khả lập trình" (The Scheme of Federated Threat-Hunting for SDN-Enabled Networks) của nhóm tác giả Nguyễn Khắc Tuấn Anh và Nguyễn Thành Đạt (Trường Đại học Công nghệ Thông tin - ĐHQG-HCM, 2022) đã được nghiên cứu và phát triển.

Dự án xác định 4 mục tiêu cốt lõi:

  1. Thiết kế kiến trúc săn tìm mối đe dọa phân tán: Xây dựng mô hình Threat Hunting dựa trên học liên kết (Federated Learning - FL) cho phép các nút mạng biên (SDN Edge Nodes) tự huấn luyện mô hình học sâu cục bộ mà không chia sẻ dữ liệu luồng thô (raw packet flows).
  2. Tích hợp cơ chế bảo vệ quyền riêng tư hai lớp: Kết hợp kỹ thuật Quyền riêng tư khác biệt (Differential Privacy - DP) bằng nhiễu Laplace/Gaussian và Mã hóa đồng cấu một phần (Partially Homomorphic Encryption - PHE Paillier) nhằm ngăn chặn triệt để tấn công suy luận (Inference Attack) và tái cấu trúc dữ liệu từ trọng số (weight updates).
  3. Xây dựng đường ống thu thập và xử lý dữ liệu lớn theo thời gian thực: Ứng dụng giao thức OpenFlow 1.3 và nền tảng Apache Spark Structured Streaming để phân tích luồng dữ liệu mạng với độ trễ thấp.
  4. Thực nghiệm và đánh giá toàn diện: Kiểm thử hiệu năng mô hình Long Short-Term Memory (LSTM) trên các tập dữ liệu chuẩn CICIDS2018 và CIC-ToN-IoT dưới nhiều kịch bản bảo mật khác nhau.

Phạm vi nghiên cứu tập trung vào phân loại và phát hiện các mẫu tấn công mạng điển hình (DDoS, DoS, PortScan, BruteForce, Infiltration) trên môi trường giả lập mạng SDN Mininet, áp dụng các kỹ thuật toán học DP và mật mã PHE vào thuật toán tổng hợp Federated Averaging (FedAvg).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các giải pháp giám sát an ninh mạng và phát hiện xâm nhập (IDS/IPS) hiện nay bộc lộ nhiều điểm hạn chế khi ứng dụng vào môi trường mạng phân tán quy mô lớn.

Tiêu chí so sánh Hệ thống ML Tập trung (Centralized ML) Hệ thống FL Cơ bản (Vanilla Fed-TH) Giải pháp Đề xuất (FL + DP + PHE)
Bảo mật dữ liệu thô Kém (Phải gom toàn bộ pcap/flow logs về Cloud) Tốt (Dữ liệu lưu tại Local Edge Node) Tuyệt đối (Dữ liệu lưu tại Edge, mã hóa khi trao đổi)
Chống Tấn công Suy luận Không áp dụng Dễ bị dịch ngược trọng số để tái tạo dữ liệu gốc Kháng triệt để nhờ nhiễu vi phân $\epsilon$-DP và mã hóa Paillier
Băng thông mạng Tiêu tốn băng thông lớn ($O(N \times D_{data})$) Tiết kiệm băng thông ($O(N \times D_{model})$) Tăng nhẹ kích thước bản tin mã hóa ($O(N \times D_{cipher})$)
Độ chính xác (Accuracy) Rất cao (~94.5%) Cao (~93.4%) Cao ổn định (92.4% - 92.8%)
Độ trễ phát hiện Lớn do truyền tải dữ liệu Nhỏ (< 10 giây) Rất nhỏ (< 8.5 giây)

Để xác định lộ trình phát triển chính xác, các yêu cầu hệ thống được phân loại theo mô hình MoSCoW:

  • Must Have (Bắt buộc): Mô hình học sâu LSTM xử lý chuỗi luồng mạng; Thuật toán FedAvg phân tán; Tích hợp cơ chế chèn nhiễu Laplace/Gauss cho Differential Privacy; Bộ thu thập dữ liệu luồng qua Ryu Controller và OpenFlow 1.3.
  • Should Have (Nên có): Cơ chế mã hóa đồng cấu Paillier trên kênh trao đổi tham số giữa Edge Tier và Cloud Aggregator; Pipeline xử lý dữ liệu Spark Streaming; Đánh giá trực quan trên ma trận nhầm lẫn (Confusion Matrix).
  • Could Have (Có thể có): Khả năng điều chỉnh ngân sách riêng tư ($\epsilon$) động theo độ nhạy của từng lớp luồng mạng.
  • Won't Have (Chưa thực hiện): Mã hóa đồng cấu toàn phần (Fully Homomorphic Encryption - FHE) cho các hàm phi tuyến tính do rào cản chi phí tính toán phần cứng.

Thiết kế hệ thống

Kiến trúc hệ thống được phân lớp thành 3 tầng chính:

graph TD
    subgraph Infrastructure_Layer ["Tầng Hạ tầng (Data Plane)"]
        SW1["OpenFlow Switch 1"]
        SW2["OpenFlow Switch 2"]
        SW3["OpenFlow Switch 3"]
        Host["End Hosts / IoT Devices"] --> SW1
        Host --> SW2
        Host --> SW3
    end

    subgraph Control_and_Edge_Tier ["Tầng Điều khiển & Tính toán Biên (Edge Tier)"]
        Controller["Ryu SDN Controller (OpenFlow 1.3)"]
        SW1 <-->|Southbound API| Controller
        SW2 <-->|Southbound API| Controller
        SW3 <-->|Southbound API| Controller
        
        Spark["Apache Spark Structured Streaming"]
        Controller -->|Flow Stats Stream| Spark
        
        LocalTrain["Local LSTM Training Engine"]
        Spark -->|Feature Vector Data| LocalTrain
        
        DP_Module["Differential Privacy Engine (Laplace / Gauss Noise)"]
        LocalTrain --> DP_Module
        
        HE_Client["PHE Paillier Encryption Module"]
        DP_Module --> HE_Client
    end

    subgraph Cloud_Tier ["Tầng Tổng hợp Toàn cục (Cloud Tier)"]
        Aggregator["Secure FedAvg Aggregator (Calculates on Ciphertext)"]
        HE_Client -->|Encrypted Model Weights [[W_k]]| Aggregator
        Aggregator -->|Broadcast Global Weights W_global| LocalTrain
    end

Technology Stack & Versions

  • Ngôn ngữ lập trình: Python 3.8.10
  • Nền tảng Học sâu & FL: TensorFlow 2.8.0 / Keras 2.8.0, PyTorch 1.11.0, Syft / Flower 0.18.0
  • Mã hóa & Bảo mật: Python-Paillier 1.4.1, TenSEAL 0.3.13, Diffprivlib (IBM) 0.5.1
  • SDN Controller & Giả lập: Ryu SDN Controller v4.34, Mininet v2.3.0, Open vSwitch (OVS) v2.13.0, OpenFlow Protocol v1.3
  • Xử lý Dữ liệu lớn: Apache Spark v3.2.1 (Spark Streaming, PySpark), Kafka v3.1.0

Cấu trúc Vector Đặc trưng Luồng (Flow Table Schema)

Các gói tin thu thập từ switch OpenFlow được trích xuất thành 15 thuộc tính cốt lõi trước khi chuẩn hóa:

  1. duration_sec: Thời gian tồn tại của luồng (giây).
  2. packet_count: Tổng số gói tin trong luồng.
  3. byte_count: Tổng số bytes truyền tải.
  4. packet_rate: Tốc độ truyền gói ($packets / duration$).
  5. byte_rate: Tốc độ truyền dữ liệu ($bytes / duration$).
  6. protocol: Giao thức mạng (TCP/UDP/ICMP).
  7. tcp_flags: Cờ trạng thái TCP (SYN, ACK, FIN, RST, PSH, URG).
  8. flow_inter_arrival_time_mean: Độ trễ trung bình giữa các gói.
  9. flow_inter_arrival_time_std: Độ lệch chuẩn thời gian giữa các gói.
  10. forward_packet_length_mean: Độ dài trung bình gói tin chiều đi.

Methodology

Dự án áp dụng quy trình nghiên cứu thực nghiệm bán lặp (Iterative-Experimental Lifecycle) kéo dài 16 tuần, chia làm 4 giai đoạn chính:

Tuần 1-4: Khảo sát lý thuyết, mô hình hóa đe dọa SDN (Diamond Model & Pyramid of Pain).
Tuần 5-8: Thiết kế mô hình toán học (DP Noise scale, Paillier keygen) và xây dựng mạng mô phỏng Mininet.
Tuần 9-12: Lập trình tích hợp FedAvg, Spark Streaming pipeline, triển khai LSTM Anomaly Detection.
Tuần 13-16: Đánh giá Benchmark đa kịch bản trên CICIDS2018/CIC-ToN-IoT, tối ưu hóa siêu tham số và viết báo cáo.

Implementation và kết quả

Development process

Cốt lõi của hệ thống nằm ở việc biến đổi các gradient trọng số mô hình LSTM cục bộ thông qua cơ chế chèn nhiễu vi phân (Differential Privacy) và mã hóa trước khi gửi lên Aggregator.

1. Thuật toán chèn nhiễu vi phân (DP Laplace / Gauss)

Độ nhạy cục bộ của hàm gradient được xác định bởi: $$\Delta f = \max_{||D - D'||_1 = 1} ||f(D) - f(D')||_2$$ Với ngân sách quyền riêng tư $\epsilon$ và tham số suy giảm $\delta$, nhiễu Laplace được thêm vào từng trọng số $w_i \in W$: $$\tilde{w}_i = w_i + \text{Laplace}\left(0, \frac{\Delta f}{\epsilon}\right)$$ Với phân phối Gaussian: $$\tilde{w}_i = w_i + \mathcal{N}\left(0, \sigma^2\right), \quad \text{với } \sigma \ge \frac{\Delta f \sqrt{2\ln(1.25/\delta)}}{\epsilon}$$

import numpy as np
import phe as paillier

class SecureLocalClient:
    def __init__(self, client_id, model, epsilon=0.8, delta=1e-5, clip_norm=1.0):
        self.client_id = client_id
        self.model = model
        self.epsilon = epsilon
        self.delta = delta
        self.clip_norm = clip_norm

    def train_and_perturb(self, X_local, y_local, epochs=5, batch_size=32):
        # 1. Huấn luyện mô hình cục bộ trên dữ liệu luồng SDN
        self.model.fit(X_local, y_local, epochs=epochs, batch_size=batch_size, verbose=0)
        weights = self.model.get_weights()
        
        # 2. Gradient Clipping & Differential Privacy Perturbation
        perturbed_weights = []
        for w in weights:
            # Gradient clipping theo ngưỡng L2 norm
            norm = np.linalg.norm(w)
            if norm > self.clip_norm:
                w = w * (self.clip_norm / norm)
            
            # Tính toán độ lệch chuẩn Gauss và thêm nhiễu
            sigma = (self.clip_norm * np.sqrt(2 * np.log(1.25 / self.delta))) / self.epsilon
            noise = np.random.normal(loc=0.0, scale=sigma, size=w.shape)
            perturbed_weights.append(w + noise)
            
        return perturbed_weights

    def encrypt_weights(self, perturbed_weights, public_key):
        # 3. Mã hóa đồng cấu Paillier trên từng tham số trọng số
        encrypted_weights = []
        for layer in perturbed_weights:
            flat_layer = layer.flatten()
            encrypted_layer = [public_key.encrypt(float(val)) for val in flat_layer]
            encrypted_weights.append((encrypted_layer, layer.shape))
        return encrypted_weights

2. Thuật toán Tổng hợp mã hóa trên Cloud Aggregator (Paillier Homomorphic FedAvg)

Nhờ tính chất đồng cấu cộng của Paillier: $E(m_1) \cdot E(m_2) = E(m_1 + m_2)$, Cloud Server có thể tính toán trọng số trung bình toàn cục trực tiếp trên bản mã (Ciphertext) mà không cần khóa giải mã: $$E(W_{global}) = \prod_{k=1}^{K} E(\tilde{W}_k)^{n_k / N}$$

def secure_fedavg_aggregate(encrypted_client_updates, total_samples, client_sample_sizes):
    num_layers = len(encrypted_client_updates[0])
    aggregated_weights = []
    
    for layer_idx in range(num_layers):
        layer_shape = encrypted_client_updates[0][layer_idx][1]
        layer_len = len(encrypted_client_updates[0][layer_idx][0])
        encrypted_sum_layer = []
        
        for w_idx in range(layer_len):
            # Tính tổng trọng số có trọng số trên bản mã
            weighted_val = encrypted_client_updates[0][layer_idx][0][w_idx] * (client_sample_sizes[0] / total_samples)
            for client_idx in range(1, len(encrypted_client_updates)):
                factor = client_sample_sizes[client_idx] / total_samples
                weighted_val = weighted_val + (encrypted_client_updates[client_idx][layer_idx][0][w_idx] * factor)
            encrypted_sum_layer.append(weighted_val)
            
        aggregated_weights.append((encrypted_sum_layer, layer_shape))
    return aggregated_weights

3. Bắt và phân loại gói tin tại Ryu Controller

from ryu.base import app_manager
from ryu.controller import ofp_event
from ryu.controller.handler import MAIN_DISPATCHER, set_ev_cls
from ryu.ofproto import ofproto_v1_3

class ThreatHuntingController(app_manager.RyuApp):
    OFP_VERSIONS = [ofproto_v1_3.OFP_VERSION]

    @set_ev_cls(ofp_event.EventOFPPacketIn, MAIN_DISPATCHER)
    def _packet_in_handler(self, ev):
        msg = ev.msg
        datapath = msg.datapath
        ofproto = datapath.ofproto
        parser = datapath.ofproto_parser
        in_port = msg.match['in_port']

        # Trích xuất gói tin và phân tích luồng thông qua Spark Streaming Engine
        flow_features = self.extract_features(msg)
        is_threat = self.global_lstm_model.predict(flow_features)

        if is_threat:
            # Sinh luật cấm (Drop rule) chặn đứng nguồn tấn công
            match = parser.OFPMatch(in_port=in_port, ipv4_src=flow_features['ip_src'])
            actions = [] # Rỗng -> Drop
            self.add_flow(datapath, priority=100, match=match, actions=actions, buffer_id=msg.buffer_id)
        else:
            # Chuyển tiếp bình thường
            actions = [parser.OFPActionOutput(ofproto.OFPP_FLOOD)]
            out = parser.OFPPacketOut(datapath=datapath, buffer_id=msg.buffer_id, in_port=in_port, actions=actions, data=msg.data)
            datapath.send_msg(out)

Testing và validation

Môi trường kiểm thử bao gồm cụm 4 máy ảo Edge Client và 1 Cloud Master Server chạy trên nền tảng Mininet SDN topology gồm 6 Open vSwitch và 20 trạm đầu cuối (Hosts). Tập dữ liệu kiểm thử kết hợp giữa CICIDS2018 (2.8 triệu bản ghi) và CIC-ToN-IoT (hơn 5 triệu bản ghi cảm biến/luồng mạng).

Kết quả Benchmark Hiệu năng Huấn luyện (Sau 50 Vòng FL)

Kịch bản Thực nghiệm Tham số Bảo mật Accuracy (%) Precision (%) Recall (%) F1-Score (%) Thời gian/Round (s) Băng thông Up (MB)
LSTM Tập trung None 94.20 93.80 94.10 93.95 14.2 128.5 (Raw data)
FL Baseline None 93.40 93.10 93.20 93.15 3.8 2.4 (Model weights)
FL + DP Gauss $\epsilon=0.8, \delta=10^{-5}$ 92.65 92.40 92.80 92.60 4.1 2.4
FL + DP Laplace $\epsilon=0.5$ 91.80 91.50 92.00 91.75 3.9 2.4
FL + DP + PHE $\epsilon=0.8$, Paillier 1024-bit 92.45 92.20 92.60 92.40 8.5 9.6 (Ciphertext)

Kết quả đạt được

  1. Hiệu năng phát hiện đe dọa: Mô hình đề xuất (FL + DP + PHE) đạt độ chính xác 92.45% và F1-Score 92.40%, chỉ suy giảm 0.95% so với FL không bảo mật và 1.75% so với mô hình tập trung, trong khi đảm bảo an toàn toán học đối với quyền riêng tư dữ liệu.
  2. Kháng tấn công suy luận (Inference Attack Defense): Khi thực nghiệm tấn công tái tạo dữ liệu từ gradient (Model Inversion Attack), độ lỗi tái tạo căn quân phương sai (RMSE) trên mô hình có DP tăng hơn 85.3%, khiến kẻ tấn công không thể phục hồi được địa chỉ IP hay cấu trúc gói tin gốc.
  3. Thời gian phản ứng thực tế: Thời gian phát hiện và sinh luật Drop Flow tự động trên Ryu Controller đạt < 8.5 giây, cải thiện vượt bậc so với thời gian phát hiện trung bình 170 ngày của kỹ thuật rà soát truyền thống.

Đổi mới và đóng góp

  • Kiến trúc phòng thủ ba lớp tối ưu cho SDN: Đồ án tiên phong kết hợp mạng khả lập trình SDN, học sâu liên kết (LSTM Federated Learning) và bộ đôi kỹ thuật bảo mật dữ liệu nâng cao (DP + PHE).
  • Cân bằng tối ưu giữa Quyền riêng tư và Độ chính xác: Chứng minh bằng thực nghiệm rằng với ngân sách $\epsilon = 0.8$, hệ thống duy trì được độ chính xác trên 92% trong khi ngăn chặn triệt để rủi ro rò rỉ topology mạng biên.
  • Tối ưu hóa tính toán mã hóa trên dữ liệu lớn: Xây dựng thành công cơ chế vector hóa tham số mô hình kết hợp Apache Spark Streaming, cho phép xử lý hàng chục nghìn luồng mạng mỗi giây mà không gây nghẽn cổ chai tại SDN Controller.

Ứng dụng thực tế và triển khai

Use Cases thực tế

  • Trung tâm dữ liệu đa người thuê (Multi-tenant Cloud Data Centers): Các nhà cung cấp dịch vụ đám mây có thể cùng huấn luyện mô hình phát hiện tấn công DDoS xuyên hạ tầng mà không làm lộ lưu lượng mạng nội bộ của từng khách hàng doanh nghiệp.
  • Mạng liên ngân hàng và tài chính: Phát hiện các mẫu tấn công xâm nhập có chủ đích (APT) trên mạng diện rộng (SD-WAN) kết nối giữa các chi nhánh ngân hàng với yêu cầu bảo mật thông tin tài chính nghiêm ngặt.
  • Mạng IoT Đô thị thông minh (Smart City Infrastructure): Triển khai các Edge IDS tại các trạm điều khiển giao thông và trạm biến áp thông minh để săn tìm mã độc botnet tự động.

Yêu cầu hệ thống triển khai (System Requirements)

  • Edge Node: CPU 4 Cores 2.5GHz, 8GB RAM, Hệ điều hành Ubuntu 20.04 LTS, Hỗ trợ OVS 2.13+.
  • Cloud Aggregator: CPU 8 Cores 3.0GHz, 16GB RAM, 50GB NVMe Storage, Python 3.8+ runtime.
  • Băng thông mạng: Tối thiểu 10 Mbps giữa Edge Nodes và Aggregator.

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật: Việc mã hóa đồng cấu Paillier làm tăng kích thước tham số truyền tải lên khoảng 4 lần (từ 2.4MB lên 9.6MB/vòng) và thời gian xử lý tổng hợp trên CPU tăng từ 3.8s lên 8.5s mỗi vòng.
  • Hướng phát triển tương lai:
    1. Nghiên cứu áp dụng kỹ thuật Nén mô hình và Lượng tử hóa trọng số (Quantized Neural Networks) kết hợp Mã hóa đồng cấu hoàn toàn (FHE) tối ưu hóa trên phần cứng GPU/TPU.
    2. Mở rộng cơ chế học liên kết bất đồng bộ (Asynchronous FL) nhằm thích ứng với các nút mạng IoT có chất lượng kết nối không đồng đều.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành ATTT/CNTT: Tài liệu tham khảo thực nghiệm chi tiết về việc kết hợp giữa lý thuyết mật mã ứng dụng (PHE, DP) và học máy trên kiến trúc mạng thế hệ mới SDN.
  • Kỹ sư An ninh mạng & Quản trị hệ thống (SOC/NOC Engineers): Framework mã nguồn mở mẫu giúp xây dựng hệ sinh thái Threat Hunting chủ động, tự động hóa quy trình phân tích luồng và cấu hình OpenFlow Switch theo thời gian thực.
  • Doanh nghiệp viễn thông & Tài chính: Tiết kiệm hơn 60% chi phí đầu tư băng thông giám sát mạng tập trung, loại bỏ rủi ro pháp lý về vi phạm quyền riêng tư khách hàng theo các tiêu chuẩn quốc tế.

Câu hỏi thường gặp

  1. Yêu cầu kỹ thuật tối thiểu để triển khai hệ thống là gì? Hệ thống yêu cầu các switch mạng hỗ trợ chuẩn OpenFlow 1.3 (vật lý hoặc ảo hóa OVS), máy chủ biên chạy Ubuntu 20.04 LTS với tối thiểu 4GB RAM và bộ điều khiển SDN Ryu v4.34 kết nối ổn định với cụm Cloud Aggregator.

  2. Cơ chế Differential Privacy ảnh hưởng như thế nào đến độ chính xác phát hiện? Việc thêm nhiễu vi phân (Laplace hoặc Gauss) đánh đổi một lượng nhỏ độ chính xác (suy giảm từ 0.75% đến 1.6% tùy thuộc vào giá trị $\epsilon \in [0.5, 1.0]$) để đổi lại bảo đảm toán học chống lại việc tái cấu trúc thông tin gói tin từ gradient.

  3. Hệ thống có thể tích hợp với các giải pháp SIEM/SOC hiện có không? Có. Dữ liệu cảnh báo và nhật ký phát hiện đe dọa từ Ryu Controller và Spark Streaming có thể xuất trực tiếp qua giao thức Syslog hoặc REST API định dạng JSON tới các hệ thống như Splunk, Elastic SIEM hoặc IBM QRadar.

  4. Chi phí tài nguyên khi áp dụng mã hóa Paillier tăng bao nhiêu? Mã hóa Paillier 1024-bit làm tăng thời gian tính toán tổng hợp mỗi vòng từ ~3.8 giây lên ~8.5 giây và dung lượng bản tin cập nhật mô hình tăng từ 2.4MB lên 9.6MB, nhưng hoàn toàn khả thi trên hạ tầng mạng Gigabit nội bộ.

  5. Giải pháp xử lý bài toán dữ liệu mạng không đồng nhất (Non-IID Data) tại các trạm biên như thế nào? Thuật toán Federated Averaging được tích hợp trọng số theo tỷ lệ kích thước mẫu $n_k / N$ kết hợp chuẩn hóa trọng số cục bộ (Weight Normalization), giúp mô hình duy trì tính hội tụ ổn định ngay cả khi phân bố tấn công tại các miền SDN là không đồng nhất.

Kết luận

Đồ án tốt nghiệp "Cơ chế săn tìm mối đe dọa liên kết cho mạng khả lập trình" đã giải quyết thành công bài toán bảo vệ an toàn thông tin trên hạ tầng mạng SDN hiện đại. Bằng việc kết hợp sáng tạo giữa học sâu liên kết (LSTM FL), Quyền riêng tư khác biệt (DP) và Mã hóa đồng cấu Paillier (PHE), hệ thống chứng minh khả năng săn tìm mã độc và tấn công mạng đạt độ chính xác 92.45%, phản hồi trong vòng dưới 8.5 giây mà không làm rò rỉ dữ liệu luồng nhạy cảm. Đây là nền tảng vững chắc hướng tới việc xây dựng các trung tâm điều hành an ninh mạng (SOC) tự hành, bảo mật và tuân thủ tuyệt đối quyền riêng tư trong kỷ nguyên số.