Hệ Thống Phát Hiện Anomalies Dựa Trên Swarm Learning Cho Hạ Tầng Điện Toán Đám Mây

Khóa luận trình bày hệ thống phát hiện hiệu suất bất thường dựa trên học bầy đàn cho hạ tầng đám mây trong mạng máy tính và truyền thông dữ liệu.

• Tác giả: Nguyễn Đàm Nhật Anh
• Người hướng dẫn: ThS. Nguyễn Khánh Thuật
• Trường học: Đại học Quốc gia Thành phố Hồ Chí Minh
• Chuyên ngành: Ngành Mạng Máy Tính và Truyền Thông
• Đề tài: Hệ Thống Phát Hiện Anomalies Dựa Trên Swarm Learning Cho Hạ Tầng Điện Toán Đám Mây
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2024
• Địa điểm: Thành phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• TÓM TẮT
• MỤC LỤC
• DANH MỤC CÁC BẢNG
• DANH MỤC CÁC HÌNH VẼ VÀ ĐỒ THỊ
• DANH MỤC TỪ VIẾT TẮT
• 1. CHƯƠNG 1: MỞ ĐẦU
• 1.1. Lý do chọn đề tài
• 1.2. Các nghiên cứu liên quan
• 1.3. Mục tiêu, đối tượng và phạm vi nghiên cứu
• 1.3.1. Mục tiêu nghiên cứu
• 1.3.2. Đối tượng nghiên cứu
• 1.3.3. Phạm vi nghiên cứu
• 1.4. Phương pháp nghiên cứu
• 1.5. Các đóng góp chính của đề tài
• 1.6. Cấu trúc khóa luận tốt nghiệp
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Điện toán đám mây
• 2.1.1. Kiến trúc của điện toán đám mây
• 2.1.2. Các loại hình của điện toán đám mây
• 2.1.3. Mô hình triển khai
• 2.1.4. Thu thập và quản lý nhật ký
• 2.2. Lịch sử phát triển của học máy
• 2.2.1. Học có giám sát
• 2.2.2. Học không giám sát
• 2.2.3. Học tăng cường
• 2.3. Long Short-Term Memory
• 2.4. Học máy bầy đàn
• 2.4.1. Ý tưởng của học máy bầy đàn
• 2.4.2. Kiến trúc của học máy bầy đàn
• 2.4.3. Các thành phần trong học máy bầy đàn
• 2.4.4. Thuật toán bầu chọn lãnh đạo
• 2.5. Mất cân bằng dữ liệu
• 3. CHƯƠNG 3: PHƯƠNG PHÁP THỰC HIỆN
• 3.1. Nghiên cứu mô hình phù hợp
• 3.2. Triển khai các mô hình đã nghiên cứu
• 3.2.1. Nghiên cứu kiến trúc hệ thống
• 3.2.2. Triển khai nền tảng học bầy đàn
• 3.2.2.1. Cài đặt máy chủ quản lý giấy phép
• 3.2.2.2. Cài đặt HPE Swarm Learning Management UI
• 3.2.2.3. Cài đặt Swarm Learning sử dụng SLM-UI
• 3.2.3. Thực hiện ví dụ với học máy bầy đàn
• 3.2.4. Triển khai mô hình học máy
• 3.2.5. Thiết kế hệ thống
• 3.3. Thu thập và tiền xử lí dữ liệu
• 3.3.1. Dữ liệu bất thường
• 3.3.2. Tiền xử lí dữ liệu
• 3.3.2.1. Mất cân bằng dữ liệu
• 3.3.2.2. Đánh nhãn dữ liệu
• 4. CHƯƠNG 4: THỰC NGHIỆM, ĐÁNH GIÁ VÀ THẢO LUẬN
• 4.1. Quy trình thực nghiệm
• 4.1.1. Huấn luyện trên học máy tập trung
• 4.1.2. Huấn luyện mô hình trên học máy bầy đàn
• 4.2. Kết quả thực nghiệm
• 4.2.1. Các tiêu chí đánh giá
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 5.1. Kết luận
• 5.2. Hướng phát triển
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về Hệ Thống Phát Hiện Anomalies Dựa Trên Swarm Learning

Hệ thống phát hiện anomalies dựa trên Swarm Learning cho hạ tầng điện toán đám mây đang trở thành một xu hướng quan trọng trong lĩnh vực công nghệ thông tin. Với sự gia tăng của các cuộc tấn công mạng, việc phát hiện và ngăn chặn các bất thường trong hệ thống là rất cần thiết. Swarm Learning cho phép các nút mạng học hỏi từ nhau mà không cần chia sẻ dữ liệu, từ đó bảo vệ quyền riêng tư và tăng cường bảo mật.

1.1. Khái niệm về Swarm Learning và Anomaly Detection

Swarm Learning là một phương pháp học máy phi tập trung, cho phép các nút mạng hợp tác mà không cần chia sẻ dữ liệu. Phát hiện anomalies là quá trình nhận diện các mẫu không bình thường trong dữ liệu, giúp phát hiện sớm các mối đe dọa.

1.2. Tầm quan trọng của Hệ Thống trong Bảo Mật Dữ Liệu

Hệ thống phát hiện anomalies giúp bảo vệ dữ liệu trong hạ tầng điện toán đám mây. Việc phát hiện sớm các bất thường có thể ngăn chặn các cuộc tấn công mạng, bảo vệ thông tin nhạy cảm của tổ chức.

II. Thách Thức trong Việc Phát Hiện Anomalies trên Hạ Tầng Đám Mây

Việc phát hiện anomalies trong hạ tầng điện toán đám mây gặp nhiều thách thức. Các vấn đề như khối lượng dữ liệu lớn, tính phức tạp của các mô hình và sự thay đổi liên tục của môi trường làm cho việc phát hiện trở nên khó khăn. Hệ thống cần phải có khả năng xử lý và phân tích dữ liệu một cách hiệu quả.

2.1. Khối Lượng Dữ Liệu Lớn và Đa Dạng

Hệ thống phải xử lý một lượng lớn dữ liệu từ nhiều nguồn khác nhau. Điều này đòi hỏi các thuật toán phải có khả năng mở rộng và xử lý nhanh chóng để phát hiện anomalies kịp thời.

2.2. Tính Phức Tạp của Mô Hình Học Máy

Các mô hình học máy cần phải được tối ưu hóa để phù hợp với dữ liệu đa dạng. Việc lựa chọn thuật toán phù hợp là rất quan trọng để đảm bảo độ chính xác trong việc phát hiện anomalies.

III. Phương Pháp Swarm Learning trong Phát Hiện Anomalies

Phương pháp Swarm Learning mang lại nhiều lợi ích cho việc phát hiện anomalies. Bằng cách cho phép các nút mạng học hỏi từ nhau mà không cần chia sẻ dữ liệu, phương pháp này giúp bảo vệ quyền riêng tư và tăng cường bảo mật. Các thuật toán học máy như LSTM có thể được áp dụng để cải thiện độ chính xác trong việc phát hiện.

3.1. Cách Thức Hoạt Động của Swarm Learning

Swarm Learning cho phép các nút mạng chia sẻ thông tin mà không cần tiết lộ dữ liệu gốc. Điều này giúp bảo vệ quyền riêng tư và giảm thiểu rủi ro bảo mật.

3.2. Ứng Dụng LSTM trong Phát Hiện Anomalies

Mô hình LSTM có khả năng xử lý dữ liệu thời gian và phát hiện các mẫu bất thường. Việc áp dụng LSTM trong Swarm Learning giúp cải thiện độ chính xác trong việc phát hiện anomalies.

IV. Kết Quả Nghiên Cứu và Ứng Dụng Thực Tiễn

Nghiên cứu cho thấy rằng Swarm Learning có thể cải thiện đáng kể hiệu suất phát hiện anomalies so với các phương pháp truyền thống. Kết quả từ các thử nghiệm cho thấy độ chính xác cao và khả năng phát hiện nhanh chóng các bất thường trong hệ thống.

4.1. Kết Quả Thực Nghiệm

Các thử nghiệm cho thấy mô hình Swarm Learning đạt được độ chính xác cao trong việc phát hiện anomalies, tương đương với các mô hình tập trung nhưng với lợi thế về bảo mật.

4.2. Ứng Dụng trong Doanh Nghiệp

Hệ thống phát hiện anomalies có thể được áp dụng trong nhiều lĩnh vực như tài chính, y tế và công nghiệp, giúp bảo vệ dữ liệu và tăng cường an ninh mạng.

V. Kết Luận và Hướng Phát Triển Tương Lai

Hệ thống phát hiện anomalies dựa trên Swarm Learning cho hạ tầng điện toán đám mây là một giải pháp tiềm năng cho các vấn đề bảo mật hiện nay. Hướng phát triển tương lai có thể bao gồm việc cải thiện các thuật toán học máy và mở rộng khả năng ứng dụng trong nhiều lĩnh vực khác nhau.

5.1. Tương Lai của Swarm Learning

Swarm Learning có tiềm năng lớn trong việc phát triển các hệ thống bảo mật thông minh hơn, giúp phát hiện và ngăn chặn các mối đe dọa một cách hiệu quả.

5.2. Đề Xuất Nghiên Cứu Thêm

Cần có thêm nhiều nghiên cứu để tối ưu hóa các thuật toán và mở rộng khả năng ứng dụng của Swarm Learning trong các lĩnh vực khác nhau.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Điện toán đám mây (Cloud Computing) ngày càng đóng vai trò thiết yếu trong hoạt động của doanh nghiệp và tổ chức nhờ khả năng lưu trữ linh hoạt, mở rộng quy mô dễ dàng và tiết kiệm chi phí vận hành. Tuy nhiên, sự phát triển nhanh chóng của hạ tầng đám mây đồng thời kéo theo các nguy cơ bảo mật ngày càng nghiêm trọng. Theo số liệu từ Cục An toàn thông tin được tác giả dẫn chiếu, chỉ trong quý I năm 2024, Việt Nam ghi nhận hơn 150 triệu cảnh báo về nguy cơ bảo mật và hơn 13 nghìn sự kiện liên quan tới mã độc ransomware. Một số vụ tấn công điển hình trong năm 2024 được đề cập trực tiếp trong khóa luận bao gồm: Công ty chứng khoán VNDirect (ngày 24/3), Tổng công ty Dầu Việt Nam – PVOil (ngày 2/4), và Bưu điện Việt Nam – VNPost (ngày 4/6).

Các biểu hiện bất thường về hiệu suất trên hệ thống đám mây — như tăng đột ngột response time, CPU usage, Memory usage, Disk usage — có thể là dấu hiệu của tấn công từ bên ngoài hoặc lỗi dịch vụ nội bộ, ảnh hưởng trực tiếp đến trải nghiệm người dùng và hoạt động triển khai dịch vụ. Việc phát hiện sớm các bất thường này vì vậy được xác định là yêu cầu cấp thiết.

Hầu hết các nghiên cứu hiện có về phát hiện bất thường áp dụng mô hình học máy tập trung, vốn tiềm ẩn rủi ro khi toàn bộ dữ liệu có thể bị tổn hại nếu trung tâm bị tấn công. Federated Learning (FL) được đề xuất như giải pháp thay thế, song vẫn dễ bị tấn công suy luận thành viên và tái cấu trúc dữ liệu, đồng thời gặp hạn chế về băng thông. Trên cơ sở đó, tác giả đề xuất sử dụng Swarm Learning (SL) — một kiến trúc học máy phi tập trung kết hợp điện toán biên và công nghệ Blockchain — để khắc phục các điểm yếu của cả học máy tập trung lẫn FL.

Mục tiêu nghiên cứu:

1. Nghiên cứu các mô hình học bầy đàn phù hợp với bài toán phát hiện bất thường.
2. Nghiên cứu và triển khai hệ thống phát hiện bất thường bằng mô hình học máy trên nền tảng học bầy đàn.
3. Đánh giá hiệu suất của nền tảng học bầy đàn so với học máy tập trung.

Đối tượng nghiên cứu bao gồm: kiến trúc hạ tầng đám mây, kiến trúc nền tảng học bầy đàn, các mô hình học máy (tập trung vào LSTM), phần mềm thu thập và quản lý nhật ký Splunk, và các kỹ thuật tiền xử lý dữ liệu.

Phạm vi nghiên cứu bao gồm điện toán đám mây, hiệu suất bất thường, học máy, nền tảng học bầy đàn, dữ liệu phân tán và bảo mật thông tin. Dữ liệu thực nghiệm bao gồm tập dữ liệu công khai lẫn tập dữ liệu thu thập trên môi trường thực tế.

---

Cơ sở lý thuyết và phương pháp

Khung lý thuyết và mô hình sử dụng:

Tác giả xây dựng nền tảng lý thuyết xoay quanh ba trụ cột chính:

• Long Short-Term Memory (LSTM): Là mạng thần kinh hồi quy (RNN) được thiết kế để xử lý dữ liệu time-series, có khả năng ghi nhớ thông tin dài hạn thông qua cơ chế trạng thái tế bào và bốn tầng tương tác nội bộ. LSTM được lựa chọn vì sự phù hợp với dữ liệu hiệu suất theo thời gian (multivariate time-series).
• Swarm Learning (SL): Nền tảng học máy phi tập trung của Hewlett Packard Enterprise (HPE), sử dụng Blockchain trên nền Ethereum và điện toán biên, cho phép các nút chia sẻ tham số mô hình mà không trao đổi dữ liệu thô. Kiến trúc gồm các thành phần: SL node, Swarm Network (SN) node, Swarm Operator (SWOP) node, Swarm Learning Command Interface (SWCI) node, SLM-UI node và ML node.
• SMOTE (Synthetic Minority Over-sampling Technique): Thuật toán xử lý mất cân bằng dữ liệu bằng nội suy tuyến tính ngẫu nhiên giữa các mẫu thiểu số và các mẫu lân cận.

Phương pháp nghiên cứu:

Khóa luận sử dụng đồng thời bốn phương pháp: thu thập số liệu, nghiên cứu định lượng, thực nghiệm so sánh và phân tích tổng kết kinh nghiệm.

Nguồn dữ liệu:

Tập dữ liệu	Loại	Đặc điểm
Server Machine Dataset (SMD)	Công khai	Dữ liệu time-series đa biến từ máy chủ
Vichalana Anomaly Benchmark	Công khai	Có nhãn kịch bản bất thường
Tập dữ liệu tự thu thập	Thực tế	Thu thập qua Splunk trên môi trường thật

Dữ liệu nhật ký được thu thập bằng phần mềm Splunk, với các thành phần Forwarder, Indexer, Search Head và Deployment Server. Splunk hỗ trợ nhiều định dạng (Syslog, CSV, apache-log, access_combined) và được xây dựng trên nền Lucene và MongoDB.

---

Nội dung chính theo từng chương

Chương 1: Mở đầu

Chương này trình bày bối cảnh thực tiễn về an toàn thông tin trên nền tảng đám mây tại Việt Nam năm 2024, các cuộc tấn công điển hình, và phân tích điểm yếu của học máy tập trung và Federated Learning. Trên cơ sở đó, tác giả đặt vấn đề ứng dụng Swarm Learning để phát hiện hiệu suất bất thường, đồng thời giới thiệu mục tiêu, đối tượng, phạm vi và các đóng góp chính của đề tài.

Chương 2: Cơ sở lý thuyết

Chương cung cấp nền tảng lý thuyết toàn diện. Phần điện toán đám mây mô tả kiến trúc bốn lớp (phần cứng, cơ sở hạ tầng, nền tảng, ứng dụng), ba mô hình dịch vụ (IaaS, PaaS, SaaS) và bốn mô hình triển khai (Public, Private, Hybrid, Community Cloud) theo định nghĩa của NIST. Phần học máy trình bày lịch sử phát triển từ thập niên 1940 đến 2024 (tóm lược trong Bảng 2.1), phân loại theo bốn nhóm chính (học có giám sát, không giám sát, bán giám sát, tăng cường), và mô tả kiến trúc LSTM. Phần học bầy đàn phân tích chi tiết kiến trúc hai lớp của SL, quy trình cập nhật mô hình hai giai đoạn qua blockchain, và thuật toán bầu chọn lãnh đạo (hiện suy đoán dựa trên mô hình Proof of Stake). Chương kết thúc với phân tích vấn đề mất cân bằng dữ liệu và thuật toán SMOTE.

Chương 3: Phương pháp thực hiện

Chương trình bày toàn bộ quá trình triển khai từ lựa chọn mô hình đến thiết lập hạ tầng. Tác giả lần lượt đánh giá và loại bỏ các mô hình ban đầu (IForest, OCSVM, KNN, LOF) do không phù hợp với phân loại nhị phân hoặc không được nền tảng SL hỗ trợ, dẫn đến quyết định sử dụng LSTM. Kiến trúc LSTM được cấu hình với 50 nút LSTM, đầu ra sigmoid, optimizer Adam (learning_rate=0.001), hàm loss binary_crossentropy, 15 epochs và batch_size=512.

Về hạ tầng, tác giả được cấp ba VPS từ khoa Mạng máy tính và Truyền thông:

• Máy huấn luyện 1 (IP: 10.103): 8 CPU, 32GB RAM, 160GB Disk, Ubuntu 22
• Máy huấn luyện 2 (IP: 10.104): 8 CPU, 32GB RAM, 160GB Disk, Ubuntu 22
• Máy quản lý giấy phép (IP: 10.48): 4 CPU, 83GB RAM, 80GB Disk, Ubuntu 22

Quy trình triển khai bao gồm cài đặt AutoPass License Server (APLS) qua Docker, cài đặt HPE Swarm Learning Management UI (SLM-UI) tại cổng 30302, và thực hiện ví dụ MNIST trên mô hình 2 máy để kiểm chứng trước khi triển khai bài toán chính. Dữ liệu sau khi thu thập qua Splunk được tiền xử lý bao gồm xử lý mất cân bằng bằng SMOTE và đánh nhãn dữ liệu bất thường.

Chương 4: Thực nghiệm, đánh giá và thảo luận

Chương trình bày hai kịch bản huấn luyện song song: học máy tập trung và học máy bầy đàn trên cùng bộ dữ liệu. Cấu hình tham số trên nền tảng học bầy đàn được mô tả trong Bảng 4.1. Các tiêu chí đánh giá bao gồm Accuracy, Precision, Recall và F1-score cùng thời gian huấn luyện, tổng hợp trong Bảng 4.2. Kết quả được so sánh trên ba tập dữ liệu:

• SMD: Kết quả SL tương đồng với học máy tập trung (Bảng 4.3).
• Vichalana và tập tự thu thập: SL cho kết quả nhỉnh hơn học máy tập trung (Bảng 4.4).

Đồ thị accuracy theo từng epoch được trình bày cho cả ba tập dữ liệu, cho thấy xu hướng hội tụ của cả hai kiến trúc.

Chương 5: Kết luận và hướng phát triển

Chương tổng kết kết quả đạt được, so sánh ưu nhược điểm giữa SL và học máy tập trung, và đề xuất các hướng nghiên cứu tiếp theo.

---

Thiết kế và triển khai

Kiến trúc hệ thống sử dụng mô hình hai nút huấn luyện kết nối qua VPN của Trường Đại học Công nghệ Thông tin. Mỗi nút chạy đồng thời các container: SN node (quản lý blockchain Ethereum), SWOP node (khởi tạo và quản lý container ML), và ML node (huấn luyện LSTM cục bộ). Máy quản lý giấy phép chạy APLS tại cổng 5814. Toàn bộ nút Swarm kết nối với License Server để xác thực.

Công nghệ sử dụng:

• Nền tảng SL: HPE Swarm Learning (mã nguồn tại GitHub của Hewlett Packard Enterprise)
• Container hóa: Docker
• Backend học máy: TensorFlow
• Mô hình: LSTM (Sequential API)
• Thu thập dữ liệu: Splunk (Indexer, Forwarder, Search Head, Deployment Server)
• Xử lý mất cân bằng: SMOTE
• Blockchain: Ethereum (Private Permissioned)

Quy trình kiểm thử bao gồm chạy ví dụ MNIST trên kiến trúc 2 nút trước khi huấn luyện mô hình chính; ví dụ này sử dụng hai SN node (sn1, sn2), hai SWOP node (swop1, swop2) và một SWCI node (swci1). Đánh giá mô hình dựa trên bốn tiêu chí định lượng (Accuracy, Precision, Recall, F1-score) và thời gian huấn luyện.

---

Kết quả và đóng góp

Kết quả chính:

• Mô hình LSTM trên nền tảng Swarm Learning đạt độ chính xác tương đồng với học máy tập trung trên tập dữ liệu SMD.
• Với các tập dữ liệu có nhiều đặc trưng hơn (Vichalana và tập tự thu thập), SL cho kết quả nhỉnh hơn so với học máy tập trung.

Giải pháp và đóng góp cụ thể:

• Triển khai và huấn luyện thành công mô hình LSTM trên kiến trúc học bầy đàn HPE với hai nút thực.
• Thu thập dữ liệu thực tế bằng Splunk và so sánh kết quả giữa dữ liệu công khai (SMD, Vichalana) với dữ liệu thực tế tự thu thập.
• Chứng minh rằng Swarm Learning là kiến trúc khả thi cho bài toán phát hiện bất thường trên hạ tầng đám mây, đặc biệt trong bối cảnh dữ liệu phân tán và yêu cầu bảo mật cao.
• Phân tích định lượng điểm mạnh của SL so với học máy tập trung thông qua kết quả thực nghiệm ba chiều (tập dữ liệu công khai 1, công khai 2, thực tế).

---

Hạn chế và hướng nghiên cứu tiếp

Về hạn chế, tác giả thừa nhận vốn kiến thức còn hạn hẹp và điều kiện nghiên cứu còn hạn chế. Về mặt kỹ thuật, việc tích hợp các phương pháp học máy vào SL có thể gây phức tạp trong phân tích hiệu suất; công nghệ blockchain hỗ trợ đồng bộ hoá cũng có thể tăng chi phí và thời gian thực hiện. Khóa luận mới triển khai với hai nút huấn luyện, chưa đánh giá hành vi hệ thống khi mở rộng quy mô lên nhiều nút hơn.

Hướng phát triển được đề xuất trong Chương 5 bao gồm mở rộng kiến trúc nhiều nút, cải thiện thuật toán bầu chọn lãnh đạo (khuyến nghị chuyển từ Proof of Stake sang Proof of Work để phân bổ tải mạng công bằng hơn), và khám phá thêm các mô hình học máy có thể tích hợp vào nền tảng SL.

---

Giá trị tham khảo

Khóa luận phù hợp làm tài liệu tham khảo cho các nhóm đối tượng sau:

• Sinh viên ngành Mạng máy tính và Truyền thông, Khoa học Máy tính, An toàn thông tin: Phần cơ sở lý thuyết (Chương 2) cung cấp tổng quan hệ thống về học máy, LSTM và kiến trúc Swarm Learning; Chương 3 cung cấp hướng dẫn triển khai thực tế nền tảng HPE SL từng bước.
• Kỹ sư vận hành hệ thống đám mây (SRE/DevOps): Phần thu thập dữ liệu với Splunk và quy trình phát hiện bất thường time-series có thể ứng dụng trực tiếp trong giám sát hạ tầng thực tế.
• Nghiên cứu sinh và người làm đề tài về Federated Learning/Swarm Learning: Phần so sánh giữa học máy tập trung, FL và SL (Chương 1, 2) và kết quả thực nghiệm ba tập dữ liệu (Chương 4) cung cấp dữ liệu tham chiếu có giá trị.
• Người làm đề tài liên quan đến phát hiện bất thường: Quy trình tiền xử lý dữ liệu time-series, xử lý mất cân bằng bằng SMOTE và thiết kế LSTM cho phân loại nhị phân có thể tái sử dụng cho các bài toán tương tự.

---

Câu hỏi thường gặp

1. Tại sao tác giả chọn LSTM thay vì các mô hình ban đầu như IForest, OCSVM, KNN, LOF? Tác giả nhận thấy các mô hình ban đầu (IForest, OCSVM, LOF) không phù hợp với bài toán phân loại nhị phân và nền tảng học bầy đàn chưa hỗ trợ các mô hình này. KNN bị loại vì thuật toán đơn giản và kém chính xác hơn. LSTM được chọn vì xử lý hiệu quả dữ liệu time-series (multivariate) — đúng với đặc trưng dữ liệu hiệu suất đám mây trong bài toán này.

2. Hệ thống được triển khai trên hạ tầng như thế nào, với cấu hình cụ thể nào? Hệ thống sử dụng ba VPS do khoa Mạng máy tính và Truyền thông cấp: hai máy huấn luyện (8 CPU, 32GB RAM, 160GB Disk, Ubuntu 22, kết nối qua VPN trường) và một máy quản lý giấy phép APLS (4 CPU, 83GB RAM, 80GB Disk). Tất cả đều chạy container Docker.

3. Swarm Learning khác gì so với Federated Learning trong ngữ cảnh bài toán này? Trong FL, máy chủ tham số chuyên dụng thu thập và phân phối kết quả học cục bộ, tạo ra điểm trung tâm có thể bị tấn công và gây độ trễ do băng thông. SL loại bỏ máy chủ chuyên dụng, thay bằng blockchain Ethereum để đồng bộ tham số ngang hàng, dữ liệu thô không rời khỏi nút, giảm nguy cơ tấn công suy luận thành viên và tái cấu trúc dữ liệu.

4. Kết quả thực nghiệm trên ba tập dữ liệu cho thấy sự khác biệt gì giữa SL và học máy tập trung? Trên tập SMD, kết quả SL tương đồng với học máy tập trung. Trên tập Vichalana và tập dữ liệu tự thu thập — vốn có nhiều đặc trưng hơn — SL cho kết quả nhỉnh hơn so với học máy tập trung. Điều này cho thấy SL có lợi thế rõ hơn khi dữ liệu phức tạp và phân tán theo đặc trưng non-IID.

5. Thuật toán bầu chọn lãnh đạo trong Swarm Learning hoạt động theo cơ chế nào, và tác giả đề xuất cải tiến gì? Thuật toán hiện tại được tác giả suy đoán sử dụng mô hình Proof of Stake (PoS), trong đó nút có "cổ phần" lớn hơn có xác suất trở thành nút lãnh đạo cao hơn. Tác giả ghi nhận nhiều khuyến nghị chuyển sang Proof of Work (PoW), nơi nút cạnh tranh bằng sức mạnh xử lý để giải câu đố mật mã, đảm bảo phân bổ tải mạng công bằng hơn và giảm nguy cơ nút có lưu lượng cao trở thành mục tiêu tấn công.

---

Kết luận

Khóa luận đề xuất và triển khai hệ thống phát hiện hiệu suất bất thường trên hạ tầng đám mây bằng cách kết hợp mô hình LSTM với nền tảng Swarm Learning của HPE, giải quyết đồng thời bài toán độ chính xác phát hiện và yêu cầu bảo mật, riêng tư dữ liệu trong môi trường phân tán. Kết quả thực nghiệm trên ba tập dữ liệu — trong đó có tập dữ liệu thu thập từ môi trường thực — xác nhận SL đạt hiệu suất tương đương hoặc nhỉnh hơn học máy tập trung, đặc biệt khi dữ liệu có nhiều đặc trưng và phân bố không đồng đều. Đây là một trong số ít nghiên cứu tại Việt Nam triển khai Swarm Learning trong bài toán phát hiện bất thường hạ tầng đám mây trên môi trường thực tế, mở ra hướng nghiên cứu tiếp về mở rộng quy mô nhiều nút và tối ưu cơ chế đồng thuận blockchain trong học máy phi tập trung.

Trích đoạn nội dung tài liệu

Mở đầu: Tổng quan về dé tài, trình bày lý do chọn dé tài và các nghiên cứu liên quan đến đề tài. Giới thiệu mục tiêu, đối tượng và phạm vi nghiên cứu. Đồng thời trình bày các phương pháp nghiên cứu và các đóng góp chính của đề tài. ¢ Chương 2: Cơ sở lý thuyết: Trình bày tổng quan về Học máy, Học máy bầy đàn, mô hình học máy LSTM.

Chương này còn trình bày thiết kế mô hình học bầy đàn được sử dụng. Đồng thời trình bày phương pháp thu thập dữ liệu sử dụng phần mềm Splunk và một số kĩ thuật tiền xử li dit liệu. ¢ Chương 3: Phương pháp thực hiện: Trinh bày các phương pháp thực hiện với các nội dung, mục tiêu đã đê ra. « Chương 4: Thực nghiệm, đánh giá va thảo luận: Trình bày các kịch ban triển khai, mô tả tập dữ liệu, môi trường và cấu hình triển khai.

Đưa ra các tiêu chí đánh giá và trình bày kết quả đã triển khai. * Chương 5: Kết luận và hướng phát triển: Đánh giá kết quả dat được, so sánh các ưu điểm, nhược điểm giữa học bầy đàn với học máy tập trung và đề xuất hướng phát triển trong tương lai. CƠ SỞ LÝ THUYET Chương 2 giới thiệu các khái niệm và công nghệ cơ bản được sử dụng trong nội dung nghiên cứu, bao gồm tổng quan về học máy, giới thiệu học sâu và mô hình Long Short-Term Memory (LSTM). Tập trung vào nền tang học bay đàn, tổng quan về điện toán đám mây, van dé mat cân bằng dif liệu và giới thiệu phần mềm hỗ trợ thu thập và quản lý nhật ký.

Chương này sẽ tổng quan nội dung nghiên cứu để giải quyết bài toán phát hiện hiệu suất bất thường cho cở sở hạ tầng đám mây.1 Điện toán dam mây Cloud computing [9] hay điện toán đám mây, là một sự thay đổi trong mô hình quản lý và sử dụng tài nguyên phần cứng và phần mềm. Sự xuất hiện của dịch vụ kiến trúc định hướng (Service Oriented Architecture - SOA) đã làm nền tảng cho điện toán đám mây, cho phép các tổ chức chia sẻ cơ sở vật chất phi vật lý. Ý tưởng bắt nguồn từ các khóa cạnh của cơ sở hạ tầng trong công nghệ thông tin, khi mà có thể làm cho cơ sở hà tậng có thể tái sử dụng, từ đó có thể phân phối lại chi phí. Những khả năng này làm giảm đáng kể thời gian lắp đặt, chi phí dau tư và chi phí vận hành các cơ sở hạ tầng.

Theo định nghĩa của National Institute of Standards and Technology (NIST)!: "Điện toán đám mây là một mô hình cho phép các dịnh vụ tiện lợi, theo yêu cầu quyền truy cập vào nhóm tài nguyên có thể cau hình và được chia sẻ như mạng, máy chủ, lưu trữ, ứng dụng,. Có thể được cung cấp và phát hành nhanh chóng với sự quản lý tối thiểu của nhà cung cấp dịch vụ.gov/nistpubs/Legacy/SP/nistspecialpublication800-145. ĐIỆN TOÁN DAM MAY Application O_ +22 CLOUD e JO e2 COMPUTING PUBLIC PRIVATE HYBRID CLOUD javaWpoint Hình 2. Tổng quan về điện toán đám mây ? 2.1 Kiên trúc của điện toán đám mây Điện toán đám mây [10] sẽ có 4 lớp bao gồm: Lớp phần cứng/trung tâm dif liệu, lớp cơ sở hạ tầng, lớp nên tảng và lớp ứng dụng.

$= Resources Managed at each Layer: as a Service (laaS) Hình 2. Kiến trúc của điện toán đám mây [11] “https ://medium.com/@singhatul 1 155/cloud-computing-revolutionizing-modern-technology-everything-you-need-to- know-0cf84c202c8a CHƯƠNG 2. CƠ SỞ LÝ THUYẾT ° Lớp phần cứng: Lớp này chịu trách nhiệm quản lý tài nguyên vật ly của đám mây, bao gồm máy chủ, bộ định tuyến, bộ chuyển mạch, nguồn và hệ thống làm mát. Lớp phần cứng đặt tại trung tâm dữ liêu.