Bối cảnh và vấn đề nghiên cứu

Khóa luận tốt nghiệp kỹ sư ngành An toàn thông tin của tác giả Nguyễn Khắc Tuấn Anh và Nguyễn Thành Đạt, thực hiện năm 2022 tại Trường Đại học Công nghệ Thông tin (Đại học Quốc gia TP. Hồ Chí Minh) dưới sự hướng dẫn của ThS. Phan Thế Duy và ThS. Đỗ Hoàng Hiển, nghiên cứu về đề tài: "Cơ chế săn tìm mối đe dọa liên kết cho mạng khả lập trình" (The Scheme of Federated Threat-Hunting for SDN-Enabled Networks).

Bối cảnh thực tế xuất phát từ sự bùng nổ của mạng máy tính, Internet và xu hướng kết nối vạn vật (IoT), kéo theo rủi ro mất an toàn thông tin gia tăng nhanh chóng. Báo cáo của Bkav năm 2019 ghi nhận 85,2 triệu lượt tấn công mã độc tại Việt Nam. Theo thống kê của Cục An toàn thông tin (Bộ Thông tin và Truyền thông), năm 2021 Việt Nam ghi nhận hơn 9.700 cuộc tấn công mạng, tăng 42,42% so với năm 2020. Trước sự gia tăng lưu lượng mạng phức tạp, mạng khả lập trình (Software-Defined Networking - SDN) nổi lên như một kiến trúc mạng hiện đại, phân tách luồng điều khiển (Control Plane) và luồng dữ liệu (Data Plane), là công nghệ then chốt cho hệ thống mạng 5G. Tuy nhiên, kiến trúc tập trung của bộ điều khiển SDN lại tạo ra điểm lỗi đơn và bề mặt tấn công mới.

Để ứng phó, phương pháp săn tìm mối đe dọa (Threat Hunting - TH) chủ động được áp dụng nhằm thay thế việc chờ đợi cảnh báo thụ động từ tường lửa hoặc hệ thống IDS truyền thống. Dù học máy (Machine Learning) hỗ trợ phát hiện xâm nhập hiệu quả, việc huấn luyện tập trung truyền thống đòi hỏi các tổ chức phải chia sẻ dữ liệu nhạy cảm. Phương pháp học liên kết (Federated Learning - FL) ra đời nhằm huấn luyện phân tán tại thiết bị biên mà không cần truyền dữ liệu thô. Tuy nhiên, các nghiên cứu gần đây chỉ ra FL vẫn có nguy cơ bị tấn công suy luận (inference attack) hoặc dịch ngược mô hình để tái tạo dữ liệu gốc từ các trọng số trao đổi. Do đó, việc bảo vệ quyền riêng tư cho các tham số trong học liên kết trên hạ tầng SDN là vấn đề cấp thiết.

Mục tiêu nghiên cứu của khóa luận được xác định cụ thể:

  1. Xây dựng một cơ chế săn tìm mối đe dọa liên kết trong mạng khả lập trình kết hợp kỹ thuật quyền riêng tư khác biệt (Differential Privacy - DP) và kỹ thuật mã hóa đồng cấu (Homomorphic Encryption - HE) nhằm bảo vệ quyền riêng tư dữ liệu tham gia huấn luyện.
  2. Thiết kế và thực hiện các kịch bản thí nghiệm khác nhau để đánh giá hiệu suất, ưu điểm và nhược điểm của từng giải pháp bảo mật tham số trên mô hình học sâu.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Hệ thống mạng SDN và cơ chế giám sát luồng lưu lượng dữ liệu; các mô hình học sâu (LSTM, DNN) cùng thư viện hỗ trợ (Keras, TensorFlow); phương pháp học liên kết áp dụng cho hệ thống phát hiện xâm nhập (IDS) trong mạng SDN.
  • Phạm vi nghiên cứu: Triển khai kỹ thuật FL, DP và HE cho bài toán phát hiện xâm nhập trong môi trường mạng SDN; sử dụng nguồn dữ liệu tấn công từ hai tập dữ liệu chuẩn là CIC-ToN-IoT 2018 và CICIDS2018.

Cơ sở lý thuyết và phương pháp

Khung lý thuyết của khóa luận bao quát 5 nhóm kiến thức nền tảng:

  • Trí tuệ nhân tạo và học sâu: Phân loại học máy gồm học có giám sát (Supervised learning), học không giám sát (Unsupervised learning), học bán giám sát, học tăng cường và học sâu (Deep learning). Khóa luận sử dụng mạng nơ-ron hồi quy Long Short-Term Memory (LSTM) và Deep Neural Network (DNN) với khả năng tự động trích xuất đặc trưng đa tầng.
  • Học liên kết (Federated Learning): Áp dụng kiến trúc phối hợp giữa máy chủ trung tâm (Aggregator / Server) và các máy khách biên (Clients / Edge nodes). Máy khách dùng dữ liệu cục bộ (Local Data) huấn luyện mô hình cục bộ (Local Model), sau đó gửi bản cập nhật tham số (Local Update / Weights) về máy chủ để tổng hợp thành mô hình toàn cục (Global Model), giải quyết hạn chế của mô hình tập trung.
  • Săn tìm mối đe dọa (Threat Hunting): Khóa luận hệ thống 4 nhóm TH (dựa trên dữ liệu, dựa trên khai thác dữ liệu, dựa trên thực thể, dựa trên TTP - chiến thuật, kỹ thuật, quy trình và TH lai); mô hình Kim cương (Diamond Model gồm Đối thủ, Năng lực, Cơ sở hạ tầng, Nạn nhân); mô hình Kim tự tháp nỗi đau (Pyramid of Pain của David Bianco) phân cấp độ khó từ Hash values, IP addresses, Domain names, Network/host artifacts, Tools đến TTPs; quy trình săn tìm 5 giai đoạn gồm Giả thuyết, Thu thập thông tin, Kích hoạt, Điều tra, Phản hồi/Giải quyết.
  • Quyền riêng tư khác biệt và Mã hóa đồng cấu:
    • Quyền riêng tư khác biệt (Differential Privacy): Đưa nhiễu kiểm soát vào tham số mô hình trước khi truyền, đặc trưng qua tham số $\epsilon$. Hai cơ chế nhiễu được nghiên cứu gồm nhiễu Laplace (với tham số tỷ lệ $b = \Delta f / \epsilon$) và nhiễu Gauss (với $\epsilon \in (0, 1)$).
    • Mã hóa đồng cấu (Homomorphic Encryption): Cho phép tính toán trực tiếp trên bản mã mà không cần giải mã sang bản rõ, bao gồm mã hóa đồng cấu một phần (Partially HE - PHE: sơ đồ nhân ElGamal, sơ đồ cộng Paillier), mã hóa hơi đồng cấu (Somewhat HE - SHE) và mã hóa hoàn toàn đồng cấu (Fully HE - FHE).
  • Mạng khả lập trình SDN và Công nghệ dữ liệu lớn:
    • Kiến trúc SDN gồm 3 lớp: Lớp ứng dụng (Application Layer kết nối qua giao diện hướng bắc Northbound API), Lớp điều khiển (Control Layer sử dụng bộ điều khiển SDN như OpenDaylight), Lớp hạ tầng (Infrastructure Layer gồm các OpenFlow switch). Giao thức OpenFlow chuẩn hóa giao tiếp hướng nam thông qua 3 thành phần chính: Kênh bảo mật (Secure Channel), Giao thức OpenFlow, Bảng luồng (Flow Table).
    • Công nghệ Apache Spark: Nền tảng tính toán phân tán trong bộ nhớ RAM, gồm 5 thành phần (Spark Core, Spark SQL, Spark Structured Streaming, MLlib, GraphX), vận hành theo mô hình Master-Slave với Driver Program, SparkContext, Cluster Manager, Worker Nodes và cấu trúc dữ liệu RDD (Resilient Distributed Datasets).

Phương pháp nghiên cứu kết hợp giữa phân tích lý thuyết, thiết kế kiến trúc hệ thống và thực nghiệm định lượng trên mô hình học sâu phân tán, xử lý dữ liệu luồng mạng qua Spark và phân tích hiệu năng của các thuật toán bảo vệ quyền riêng tư.

Thiết kế và triển khai hệ thống

Khóa luận xây dựng cơ chế bảo vệ kép cho quy trình săn tìm mối đe dọa trong mạng SDN, kết hợp các thành phần kỹ thuật sau:

Thành phần hệ thống Công nghệ / Giao thức Vai trò chức năng trong hệ thống
Mặt phẳng dữ liệu (Data Plane) OpenFlow Virtual Switches Tiếp nhận luồng gói tin, chuyển tiếp lưu lượng và thực thi chính sách bảo mật dựa trên Flow Table.
Mặt phẳng điều khiển (Control Plane) Bộ điều khiển SDN (OpenDaylight) Quản trị logic tập trung, giám sát luồng lưu lượng và gửi các chỉ thị cấu hình dòng xuống switch.
Thu thập và xử lý luồng mạng Apache Spark (Structured Streaming) Bắt gói tin thời gian thực, xử lý phân tán trong bộ nhớ RAM để trích xuất thuộc tính lưu lượng mạng SDN.
Nút biên huấn luyện (Edge Tier) Container / Máy trạm biên, Keras, TensorFlow Lưu trữ dữ liệu cục bộ, huấn luyện mô hình học sâu LSTM/DNN cục bộ và tính toán trọng số cập nhật.
Cơ chế bảo vệ quyền riêng tư Differential Privacy (Laplace / Gauss) & HE Bổ sung nhiễu vi phân vào vector trọng số và mã hóa bản mã trước khi truyền đi để chống tấn công suy luận.
Máy chủ tổng hợp (Cloud / Server Tier) Aggregator Tiếp nhận các bản cập nhật trọng số đã được bảo vệ từ các nút biên, tổng hợp và phân phối mô hình toàn cục mới.

Quy trình xử lý gói tin và huấn luyện hệ thống:

  1. Gói tin từ thiết bị gửi tới switch OpenFlow; nếu không khớp mục nào trong Flow Table, gói tin chuyển lên bộ điều khiển SDN. Bộ điều khiển kiểm tra, tạo Flow Entry tương ứng gửi xuống switch để tiếp tục chuyển tiếp luồng dữ liệu.
  2. Dữ liệu lưu lượng từ các switch được thu thập và tiền xử lý thời gian thực thông qua Apache Spark.
  3. Các nút biên sử dụng dữ liệu cục bộ để huấn luyện mô hình mạng nơ-ron LSTM.
  4. Trọng số mô hình cục bộ được làm mờ bằng cơ chế nhiễu vi phân (Laplace hoặc Gauss) và xử lý bảo mật trước khi truyền về Aggregator để cập nhật Global Model, ngăn chặn kẻ tấn công tái tạo dữ liệu huấn luyện ban đầu.

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương 1 trình bày tổng quan về an toàn thông tin mạng, sự gia tăng của các đợt tấn công mã độc tại Việt Nam (dẫn chứng số liệu Bkav 2019 và Cục An toàn thông tin 2021) cùng thách thức bảo mật trên mạng SDN. Tác giả khảo sát các nghiên cứu liên quan, tiêu biểu là công trình của Farah Kandah (2020) về việc rút ngắn thời gian phát hiện mối đe dọa từ 170 ngày xuống dưới 10 giây với độ chính xác 93,4% trên hạ tầng SDN; mô hình Fed-TH của Mohamed Abdel-Basset ứng dụng FL đạt độ chính xác 92%. Từ đó, chương phân tích nguy cơ rò rỉ dữ liệu qua tấn công suy luận (inference attack) trong học liên kết và xác định mục tiêu, phạm vi nghiên cứu của đề tài.

Chương 2: Cơ sở lý thuyết

Chương 2 cung cấp hệ thống lý thuyết toàn diện phục vụ đề tài:

  • Phân tích chi tiết ba tầng khái niệm AI, Machine Learning (học có giám sát, học không giám sát, phép thử Turing) và Deep Learning (trích xuất đặc trưng tự động qua mạng nơ-ron sâu).
  • Kiến trúc, quy trình vận hành và ứng dụng của học liên kết (FL) trong di động, y tế, xe tự hành, công nghiệp; các thách thức về dung lượng lưu trữ, băng thông, tấn công đầu độc mô hình (backdoor) và tính phi tập trung.
  • Mô hình săn tìm mối đe dọa (Threat Hunting): 4 phân loại TH, mô hình Kim cương (Diamond Model), Kim tự tháp nỗi đau (Pyramid of Pain) và chu trình săn tìm 5 bước.
  • Cơ chế bảo vệ quyền riêng tư: Định nghĩa Differential Privacy (nhiễu Laplace, nhiễu Gauss) và Mã hóa đồng cấu (PHE với RSA/ElGamal/Paillier, SHE, FHE).
  • Mạng khả lập trình SDN và giao thức OpenFlow: Cấu trúc 3 lớp, thành phần OpenFlow và tiến trình 8 bước xử lý gói tin qua bảng luồng.
  • Công nghệ dữ liệu lớn Apache Spark: Kiến trúc Master-Slave, SparkContext, RDD và 5 phân hệ chức năng.

Chương 3: Phương pháp nghiên cứu

Chương 3 trình bày các giải pháp kỹ thuật do nhóm nghiên cứu đề xuất:

  • Thiết kế cơ chế săn tìm mối đe dọa liên kết trong môi trường mạng khả lập trình.
  • Xây dựng mô hình học sâu liên kết (Federated Deep Learning) dựa trên kiến trúc mạng LSTM nhằm phân tích chuỗi thời gian của các luồng lưu lượng mạng.
  • Đề xuất kiến trúc tích hợp kỹ thuật quyền riêng tư khác biệt (DP) và mã hóa đồng cấu (HE) vào giai đoạn tổng hợp tham số của học liên kết, đảm bảo tính bảo mật cho hệ thống trước các nguy cơ tấn công đảo ngược dữ liệu.

Chương 4: Thực nghiệm và đánh giá

Chương 4 mô tả môi trường thực nghiệm và kết quả kiểm thử:

  • Thiết lập môi trường thực nghiệm: Cài đặt và cấu hình mạng SDN, triển khai các máy ảo, gán địa chỉ IP cho các nút mạng (trình bày tại Bảng 4.8: Bảng cấu hình IP các máy trong mạng SDN).
  • Huấn luyện mô hình học sâu liên kết LSTM trên các tập dữ liệu tấn công mạng chuẩn (CIC-ToN-IoT 2018 và CICIDS2018).
  • Đo lường và đối sánh kết quả thực nghiệm qua 3 kịch bản:
    1. Mô hình LSTM với phương pháp học liên kết thông thường (Bảng 4.1).
    2. Mô hình LSTM học liên kết kết hợp DP với cơ chế nhiễu Gauss (Bảng 4.2).
    3. Mô hình LSTM học liên kết kết hợp DP với cơ chế nhiễu Laplace (Bảng 4.3).
  • Triển khai đoạn mã xử lý bắt dữ liệu luồng mạng trên SDN và đánh giá kết quả dự đoán lưu lượng mạng SDN nhằm phát hiện hành vi bất thường.

Chương 5: Kết luận

Chương 5 đúc kết các kết quả đạt được của khóa luận, đánh giá những mặt thuận lợi cùng các khó khăn, thách thức gặp phải trong quá trình nghiên cứu và đề xuất các định hướng phát triển tiếp theo của đề tài.

Kết quả và đóng góp

Khóa luận đã hoàn thành các mục tiêu đề ra với những kết quả cụ thể:

  • Thực nghiệm kiểm chứng mô hình học sâu liên kết: Nhóm tác giả đã triển khai huấn luyện mô hình mạng nơ-ron LSTM trên hạ tầng học liên kết và ghi nhận số liệu qua 3 bảng thực nghiệm chính:
    • Bảng 4.1: Bảng kết quả thực nghiệm huấn luyện mô hình LSTM với phương pháp học liên kết thông thường.
    • Bảng 4.2: Bảng kết quả thực nghiệm huấn luyện mô hình LSTM kết hợp Federated Learning và Differential Privacy cơ chế Gauss (FL + DP Gauss).
    • Bảng 4.3: Bảng kết quả thực nghiệm huấn luyện mô hình LSTM kết hợp Federated Learning và Differential Privacy cơ chế Laplace (FL + DP Laplace).
  • Đánh giá sự đánh đổi (trade-off) giữa độ chính xác và tính riêng tư: Kết quả thực nghiệm xác nhận rằng việc thêm nhiễu vi phân (DP) bảo vệ được dữ liệu cá nhân trước tấn công suy luận, nhưng làm suy giảm độ chính xác của mô hình; độ phức tạp và số lượng trọng số càng lớn thì mức độ suy giảm càng rõ. Ngược lại, mã hóa đồng cấu (HE) duy trì trọn vẹn độ chính xác nhưng làm tăng kích thước mô hình, kéo dài thời gian huấn luyện và tiêu tốn bộ nhớ RAM.
  • Triển khai thành công hạ tầng mạng thử nghiệm SDN: Xây dựng mạng SDN hỗ trợ OpenFlow theo cấu hình mạng chuẩn (Bảng 4.8), tích hợp mã nguồn thu bắt gói tin và chạy mô hình phân loại lưu lượng, đưa ra kết quả dự đoán luồng dữ liệu mạng chính xác.

Đóng góp so với các nghiên cứu trước:

  • Khắc phục lỗ hổng rò rỉ tham số của mô hình học liên kết truyền thống và mô hình Fed-TH của Mohamed Abdel-Basset bằng cách bổ sung cơ chế bảo vệ tham số kết hợp giữa Differential Privacy và Homomorphic Encryption.
  • Tích hợp thành công luồng xử lý phân tán dữ liệu lớn của Apache Spark với cấu trúc mạng khả lập trình SDN, hình thành quy trình khép kín từ thu thập, trích xuất đặc trưng luồng mạng đến phát hiện mối đe dọa phân tán.

Hạn chế và hướng nghiên cứu tiếp

Khóa luận ghi nhận các hạn chế kỹ thuật dựa trên kết quả khảo sát và thực nghiệm:

  • Chi phí tài nguyên tính toán cao: Kỹ thuật mã hóa đồng cấu làm kích thước mô hình tăng lên đáng kể, gia tăng thời gian huấn luyện và tiêu tốn dung lượng bộ nhớ RAM của hệ thống.
  • Suy giảm hiệu năng mô hình do nhiễu: Kỹ thuật quyền riêng tư khác biệt trực tiếp làm suy giảm độ chính xác của mô hình học sâu; sự suy giảm này thể hiện rõ rệt hơn đối với các mô hình phức tạp có nhiều tầng và trọng số.
  • Thách thức về băng thông và tính tập trung: Quá trình truyền thông trao đổi trọng số định kỳ giữa máy chủ trung tâm và nhiều nút mạng đòi hỏi băng thông và dung lượng lưu trữ lớn. Bên cạnh đó, mạng SDN vẫn đối mặt với rủi ro bị tấn công trực diện vào bộ điều khiển tập trung, tính quy chuẩn chưa đồng nhất và khả năng mở rộng quy mô mạng còn hạn chế.

Hướng nghiên cứu tiếp theo được tác giả chỉ ra:

  • Nghiên cứu tối ưu hóa các thuật toán mã hóa đồng cấu và cơ chế phân bổ nhiễu nhằm giảm thiểu thời gian huấn luyện và mức độ chiếm dụng bộ nhớ.
  • Xem xét áp dụng phương pháp học liên kết trên nền tảng chuỗi khối (BlockFL) để loại bỏ hoàn toàn tính tập trung của máy chủ tổng hợp, xây dựng hệ thống học máy phân tán không cần đặt niềm tin (trustless).

Giá trị tham khảo

Công trình là tài liệu tham khảo giá trị cho các đối tượng chuyên môn sau:

  • Sinh viên, học viên cao học chuyên ngành An toàn thông tin, Mạng máy tính và Truyền thông, Khoa học dữ liệu đang thực hiện đề tài về phát hiện xâm nhập, bảo vệ quyền riêng tư trong học máy hoặc an ninh mạng SDN.
  • Kỹ sư hệ thống và chuyên viên phân tích an ninh mạng: Cung cấp tài liệu tham khảo chi tiết về quy trình tích hợp giao thức OpenFlow với framework xử lý dữ liệu lớn Apache Spark để phân tích lưu lượng mạng thời gian thực.
  • Các phần nội dung đáng tham khảo nhất bao gồm:
    • Khung cơ sở lý thuyết chuẩn xác về toán học của phân phối Laplace, phân phối Gauss trong Differential Privacy và các lược đồ mã hóa đồng cấu (PHE, SHE, FHE).
    • Kiến trúc tích hợp bộ điều khiển OpenDaylight, chuyển mạch OpenFlow và Spark Structured Streaming.
    • Thiết kế kịch bản thực nghiệm đối sánh giữa học liên kết nguyên bản và học liên kết tích hợp nhiễu vi phân (Bảng 4.1, 4.2, 4.3).

Câu hỏi thường gặp

1. Tại sao học liên kết (Federated Learning) vẫn có nguy cơ mất an toàn dữ liệu dù không truyền dữ liệu thô?

Dù học liên kết chỉ truyền các vector trọng số hoặc bản cập nhật cục bộ (Local Update) thay vì dữ liệu thô, các nghiên cứu được trích dẫn trong khóa luận chỉ ra rằng kẻ tấn công có thể thực hiện tấn công suy luận (inference attack) hoặc tấn công tái cấu trúc dữ liệu. Dựa vào sự biến thiên của các tham số mô hình toàn cục được tổng hợp, kẻ xấu có thể dịch ngược và tái tạo lại một phần dữ liệu huấn luyện nhạy cảm của các bên tham gia.

2. Sự khác biệt giữa nhiễu Laplace và nhiễu Gauss trong cơ chế Differential Privacy của khóa luận là gì?

Cơ chế nhiễu Laplace sử dụng phân phối Laplace với kỳ vọng bằng 0 và tỷ lệ $b = \Delta f / \epsilon$, bổ sung trực tiếp giá trị nhiễu độc lập vào kết quả hàm truy vấn. Trong khi đó, cơ chế nhiễu Gauss sử dụng phân phối chuẩn, chỉ áp dụng được với tham số $\epsilon \in (0, 1)$, đưa lại phân phối xác suất khác biệt và được điều chỉnh phù hợp với các điều kiện giới hạn bảo vệ dữ liệu cụ thể.

3. Bộ điều khiển SDN (SDN Controller) đóng vai trò gì và giao tiếp với các tầng mạng qua các giao diện nào?

Bộ điều khiển SDN hoạt động như hệ điều hành của mạng, đảm nhận vai trò quản trị tập trung toàn bộ luồng điều khiển (Control Plane), quyết định quy tắc định tuyến và chuyển tiếp gói tin thay vì để các switch phần cứng tự quyết định. Bộ điều khiển giao tiếp với các ứng dụng bảo mật, tường lửa, IDS ở tầng trên qua giao diện hướng bắc (Northbound API) và giao tiếp với các thiết bị mạng phần cứng/chuyển mạch ảo ở tầng dưới qua giao diện hướng nam (Southbound API) bằng giao thức OpenFlow.

4. Apache Spark đóng vai trò gì trong kiến trúc săn tìm mối đe dọa của khóa luận?

Apache Spark là nền tảng tính toán cụm phân tán trong bộ nhớ RAM, được sử dụng để giải quyết thách thức xử lý luồng dữ liệu lớn (Big Data). Trong hệ thống đề xuất, Spark nhận dữ liệu bắt gói tin thời gian thực từ mạng SDN thông qua phân hệ Spark Structured Streaming, phân phối tác vụ xuống các nút Worker thông qua RDD để xử lý, làm sạch và nạp nhanh chóng vào mô hình học sâu phân tích nguy cơ.

5. Khóa luận sử dụng mô hình học sâu và tập dữ liệu nào để kiểm chứng thực nghiệm?

Khóa luận sử dụng mô hình mạng nơ-ron hồi quy LSTM (Long Short-Term Memory) và DNN, xây dựng trên nền tảng thư viện Keras và TensorFlow. Dữ liệu thực nghiệm được lấy từ hai bộ dữ liệu tấn công mạng và an ninh mạng chuẩn là CIC-ToN-IoT 2018 và CICIDS2018.

Kết luận

Khóa luận tốt nghiệp của tác giả Nguyễn Khắc Tuấn Anh và Nguyễn Thành Đạt đã nghiên cứu và xây dựng thành công cơ chế săn tìm mối đe dọa liên kết trên nền tảng mạng khả lập trình SDN, kết hợp kỹ thuật quyền riêng tư khác biệt và mã hóa đồng cấu nhằm bảo vệ an toàn cho quá trình trao đổi tham số học máy. Công trình hoàn thành trọn vẹn việc thiết lập hệ thống thực nghiệm tích hợp giữa SDN (OpenFlow), Apache Spark và mô hình học sâu phân tán LSTM, đồng thời đưa ra các đánh giá định lượng xác thực về sự đánh đổi giữa độ chính xác và mức độ bảo đảm quyền riêng tư dữ liệu. Kết quả nghiên cứu cung cấp cơ sở khoa học và kỹ thuật vững chắc cho việc phát triển các giải pháp bảo mật phân tán thế hệ mới trong các hạ tầng mạng hiện đại.