Giới thiệu dự án

Sự bùng nổ của điện toán đám mây (Cloud Computing) đã thúc đẩy các doanh nghiệp chuyển dịch toàn bộ cơ sở hạ tầng CNTT sang mô hình ảo hóa nhờ khả năng mở rộng linh hoạt, tối ưu chi phí vận hành và quản lý tài nguyên tập trung. Tuy nhiên, sự gia tăng nhanh chóng về quy mô hạ tầng cũng kéo theo những thách thức an ninh mạng và rủi ro gián đoạn dịch vụ nghiêm trọng. Theo thống kê từ Cục An toàn thông tin, chỉ trong Quý I năm 2024, Việt Nam đã ghi nhận hơn 150 triệu cảnh báo nguy cơ an toàn thông tin cùng hơn 13.000 sự kiện liên quan đến mã độc tống tiền (ransomware). Các sự cố an ninh nhắm vào hạ tầng máy chủ của các tổ chức tài chính và dịch vụ công (như VNDirect, PVOil, VNPost) đã minh chứng mức độ tàn phá khi hệ thống vận hành gặp sự cố hiệu suất bất thường (anomalies performance).

                      +-------------------------------------------------------+
                      |               Hạ tầng Cloud Doanh nghiệp              |
                      +-------------------------------------------------------+
                                  |                               |
                                  v                               v
                     [Rủi ro Hiệu suất Bất thường]     [Nguy cơ Rò rỉ Dữ liệu]
                     - CPU/RAM/Disk tăng vọt           - Lưu trữ tập trung dễ bị tấn công
                     - Độ trễ phản hồi (Latency)       - Vi phạm quy định GDPR / HIPAA
                                  |                               |
                                  +---------------+---------------+
                                                  |
                                                  v
                      +-------------------------------------------------------+
                      |         Giải pháp: Đề tài Khóa luận Tốt nghiệp         |
                      |   HỆ THỐNG PHÁT HIỆN HIỆU SUẤT BẤT THƯỜNG DỰA TRÊN    |
                      |       HỌC BẦY ĐÀN (SWARM LEARNING) CHO CLOUD         |
                      +-------------------------------------------------------+

Vấn đề thực tế (Problem Statement)

Các dấu hiệu bất thường về hiệu suất máy chủ như: tăng đột biến tài nguyên tính toán (CPU, Memory, Disk I/O usage), sụt giảm băng thông, hoặc độ trễ phản hồi (Response Time) bất thường là chỉ số cảnh báo sớm của các cuộc tấn công khai thác lỗ hổng hoặc lỗi hệ thống nghiêm trọng. Việc áp dụng Trí tuệ nhân tạo (AI) và Học máy (Machine Learning - ML) truyền thống để phát hiện bất thường đang gặp phải 2 rào cản cốt tử:

  1. Rủi ro mô hình tập trung (Centralized AI): Dữ liệu giám sát (logs, metrics) từ nhiều cụm máy chủ phải tập trung về một Data Lake duy nhất, tạo điểm nghẽn cổ chai (single point of failure) và rủi ro rò rỉ dữ liệu nhạy cảm.
  2. Hạn chế của Federated Learning (FL): Mặc dù giữ dữ liệu tại biên, FL vẫn phụ thuộc vào một máy chủ tham số tập trung (Central Parameter Server), dễ bị tấn công suy luận thành viên (membership inference attack), tấn công tái tạo dữ liệu và tắc nghẽn băng thông.

Mục tiêu nghiên cứu

  1. Nghiên cứu và tối ưu hóa kiến trúc học máy bầy đàn (Swarm Learning - SL) kết hợp công nghệ chuỗi khối (Blockchain) và tính toán biên (Edge Computing).
  2. Xây dựng mô hình chuỗi thời gian hồi quy sâu Long Short-Term Memory (LSTM) nhằm phát hiện chính xác các hành vi bất thường trên dữ liệu đa chiều (multivariate time-series).
  3. Triển khai và kiểm nghiệm thực nghiệm trên hạ tầng ảo hóa (VPS) với 3 tập dữ liệu: Server Machine Dataset (SMD), Vichalana Anomaly Benchmark, và tập dữ liệu thu thập thực tế qua Splunk.
  4. Đánh giá toàn diện hiệu năng (Accuracy, Precision, Recall, F1-Score, thời gian huấn luyện) giữa mô hình Swarm Learning phi tập trung và Centralized Machine Learning.

Giải pháp và Phạm vi nghiên cứu

Đề tài đề xuất kiến trúc phát hiện bất thường phân tán hoàn toàn bằng cách tích hợp nền tảng HPE Swarm Learning cùng mô hình Deep Learning LSTM.

  • Phạm vi nghiên cứu: Hạ tầng điện toán đám mây IaaS/PaaS, hệ điều hành Ubuntu 22.04 LTS, mạng chuỗi khối riêng tư (Private Permissioned Ethereum Blockchain), kỹ thuật xử lý dữ liệu mất cân bằng SMOTE.
  • Giới hạn: Nghiên cứu tập trung vào phân loại nhị phân (bình thường vs bất thường) trên hệ thống phân tán gồm 2 node huấn luyện biên và 1 license server quản trị.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí so sánh Học máy tập trung (Centralized ML) Học liên kết (Federated Learning) Học máy bầy đàn (Swarm Learning)
Kiến trúc mạng Tập trung (Client-Server) Bán tập trung (Central Server) Hoàn toàn phi tập trung (P2P Mesh)
Quyền riêng tư dữ liệu Kém (Phải gom toàn bộ raw data) Tốt (Giữ data tại local) Tối ưu (Raw data giữ tại Node biên)
Điểm lỗi đơn (SPOF) Có (Máy chủ trung tâm) Có (Parameter Server) Không có (Điều phối qua Smart Contract)
Điều phối mô hình Tập trung Máy chủ trung tâm Bầu chọn Leader động (Dynamic Leader Election)
Bảo mật giao dịch Không có Xác thực thông thường Blockchain Permissioned + TLS Certificate
Xử lý dữ liệu Non-IID Tốt Trung bình (Dễ phân kỳ trọng số) Tốt (Cơ chế đồng thuận phân tán)

Phân tích yêu cầu hệ thống theo mô hình MoSCoW

+---------------------------------------------------------------------------------------------------+
|                                      MA TRẬN MoSCoW CHO HỆ THỐNG                                   |
+------------------------------------+--------------------------------------------------------------+
| [M] MUST HAVE (Bắt buộc)           | - Bảo tồn 100% dữ liệu telemetry cục bộ tại các node biên.   |
|                                    | - Đồng bộ hóa tham số mô hình qua Private Blockchain.         |
|                                    | - Mô hình Deep Learning xử lý tốt chuỗi thời gian (LSTM).   |
+------------------------------------+--------------------------------------------------------------+
| [S] SHOULD HAVE (Nên có)           | - Giao diện quản trị trực quan Swarm Learning Management UI. |
|                                    | - Kỹ thuật SMOTE xử lý mất cân bằng dữ liệu nhãn bất thường.  |
|                                    | - Cơ chế cấp phát chứng chỉ bảo mật PKI cho từng container.  |
+------------------------------------+--------------------------------------------------------------+
| [C] COULD HAVE (Có thể có)         | - Tích hợp bộ thu thập logs thời gian thực từ Splunk SIEM.   |
|                                    | - Thuật toán bầu chọn Leader đa dạng (Proof of Stake/Work).  |
+------------------------------------+--------------------------------------------------------------+
| [W] WON'T HAVE (Chưa phát triển)   | - Tự động cô lập node độc hại theo thời gian thực (Zero-Day).|
|                                    | - Phân loại đa nhãn nguyên nhân gốc rễ (Root Cause Analysis).|
+------------------------------------+--------------------------------------------------------------+

Thiết kế kiến trúc hệ thống

Kiến trúc hệ thống bao gồm hai lớp chính: Lớp ứng dụng Swarm Learning & Blockchain và Lớp hạ tầng tính toán biên.

                    +-------------------------------------------------------------+
                    |           HPE AutoPass License Server (APLS)                |
                    |                   IP: 10.10.48 (Port 5814)                  |
                    +-------------------------------------------------------------+
                                                   ^
                                                   | Xác thực bản quyền
                                                   v
      +--------------------------------------------+--------------------------------------------+
      |                                                                                         |
+-----v-------------------------------------+                             +---------------------v---------------------+
|         SWARM NODE 1 (10.10.103)          |                             |         SWARM NODE 2 (10.10.104)          |
|  +-------------------------------------+  |      P2P Blockchain         |  +-------------------------------------+  |
|  | Swarm Network (SN1) - Sentinel Node | <============================> |  | Swarm Network (SN2) - Regular Node  |  |
|  +-------------------------------------+  |       (Ethereum Engine)     |  +-------------------------------------+  |
|                     ^                     |                             |                     ^                     |
|                     | C&C                 |                             |                     | C&C                 |
|  +------------------v------------------+  |                             |  +------------------v------------------+  |
|  | Swarm Operator (SWOP1)              |  |                             |  | Swarm Operator (SWOP2)              |  |
|  +-------------------------------------+  |                             |  +-------------------------------------+  |
|                     ^                     |                             |                     ^                     |
|                     | Lifecycle           |                             |                     | Lifecycle           |
|  +------------------v------------------+  |   Trao đổi trọng số mô hình  |  +------------------v------------------+  |
|  | Swarm Learning Client (SL1)         | <============================> |  | Swarm Learning Client (SL2)         |  |
|  +-------------------------------------+  |        (Model Parameters)   |  +-------------------------------------+  |
|                     ^                     |                             |                     ^                     |
|                     | In-Memory IPC       |                             |                     | In-Memory IPC       |
|  +------------------v------------------+  |                             |  +------------------v------------------+  |
|  | Machine Learning (ML1 - Keras/LSTM) |  |                             |  | Machine Learning (ML2 - Keras/LSTM) |  |
|  +-------------------------------------+  |                             |  +-------------------------------------+  |
|                     |                     |                             |                     |                     |
|            [ Dữ liệu Cục bộ 1 ]           |                             |            [ Dữ liệu Cục bộ 2 ]           |
+-------------------------------------------+                             +-------------------------------------------+

Chi tiết các thành phần trong mạng Swarm:

  1. APLS (AutoPass License Server): Đóng vai trò máy chủ quản lý, xác thực giấy phép hoạt động cho toàn bộ các node tham gia mạng Swarm.
  2. SN (Swarm Network Node): Chạy mạng blockchain Ethereum riêng tư, duy trì bảng trạng thái toàn cục, quản lý hợp đồng thông minh (Smart Contract) điều phối quá trình đào tạo và thực hiện bầu chọn Leader động. Nút SN1 đóng vai trò Sentinel Node khởi tạo mạng.
  3. SWOP (Swarm Operator Node): Quản trị vòng đời của các tác vụ máy học, tự động khởi tạo, liên kết mạng và hủy các container ML/SL khi hoàn thành phiên học.
  4. SWCI (Swarm Command Interface): Giao diện dòng lệnh khởi tạo và điều phối các tác vụ phân tán trong mạng.
  5. SL Node & ML Node: Cặp container chạy trực tiếp trên từng máy tính biên. Nút ML chịu trách nhiệm tính toán lan truyền xuôi/ngược trên mô hình LSTM với dữ liệu cục bộ; nút SL tiếp nhận trọng số, mã hóa và truyền lên Swarm Network để tổng hợp tham số.

Thông số công nghệ và phiên bản phần mềm

Thành phần Công nghệ / Thư viện Phiên bản Chức năng kỹ thuật
Hệ điều hành Ubuntu Server LTS 22.04 Nền tảng máy chủ ảo hóa KVM
Nền tảng Swarm HPE Swarm Learning 9.14 (APLS) Điều phối mạng học bầy đàn & Smart Contracts
Container Engine Docker Community Edition 24.0.x Đóng gói môi trường thực thi phân tán
Deep Learning Framework TensorFlow / Keras 2.12.0+ Xây dựng và huấn luyện mô hình mạng LSTM
Ngôn ngữ Python 3.8 / 3.10 Xử lý dữ liệu, định nghĩa pipeline máy học
Tiền xử lý dữ liệu Imbalanced-Learn (SMOTE) 0.10.x Cân bằng tập mẫu nhãn dị thường
Quản lý Log Splunk Enterprise 9.x Thu thập, phân tích và xuất dữ liệu chuỗi thời gian

Implementation và kết quả

Quy trình phát triển và Tiền xử lý dữ liệu

Dữ liệu chuỗi thời gian hiệu suất hệ thống thường gặp hiện tượng mất cân bằng nghiêm trọng (tỷ lệ dữ liệu bất thường chỉ chiếm 1% - 5%). Để tránh hiện tượng mô hình bị thiên vị (bias) vào lớp đa số, kỹ thuật SMOTE (Synthetic Minority Over-sampling Technique) được áp dụng để sinh mẫu nhân tạo cho lớp thiểu số dựa trên phép nội suy k-lân cận gần nhất ($k$-NN):

$$P_{new} = x_i + \text{rand}(0, 1) \times (x_{zi} - x_i)$$

import numpy as np
from imblearn.over_sampling import SMOTE
from sklearn.preprocessing import MinMaxScaler

def preprocess_telemetry_data(raw_features, raw_labels):
    """
    Tiền xử lý dữ liệu chuỗi thời gian và cân bằng lớp dữ liệu bằng SMOTE
    """
    # 1. Chuẩn hóa dữ liệu về đoạn [0, 1]
    scaler = MinMaxScaler()
    normalized_features = scaler.fit_transform(raw_features)
    
    # 2. Xử lý mất cân bằng dữ liệu với SMOTE
    smote = SMOTE(sampling_strategy='auto', k_neighbors=5, random_state=42)
    X_resampled, y_resampled = smote.fit_resample(normalized_features, raw_labels)
    
    # 3. Định hình lại tensor cho mạng LSTM: (Số mẫu, Số bước thời gian, Số đặc trưng)
    X_lstm = np.reshape(X_resampled, (X_resampled.shape[0], X_resampled.shape[1], 1))
    
    return X_lstm, y_resampled

Xây dựng mô hình mạng nơ-ron LSTM

Mô hình học sâu LSTM được thiết kế tối ưu cho bài toán phân loại chuỗi đa biến với đầu vào 38 đặc trưng (đối với tập SMD):

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense, Dropout
from tensorflow.keras.optimizers import Adam

def build_swarm_lstm_model(input_dim=38):
    """
    Khởi tạo kiến trúc mạng LSTM cho phát hiện bất thường hạ tầng Cloud
    """
    model = Sequential([
        # Lớp LSTM với 50 hidden units
        LSTM(50, input_shape=(input_dim, 1), return_sequences=False),
        Dropout(0.2),
        # Lớp phân loại nhị phân đầu ra sử dụng hàm Sigmoid
        Dense(1, activation='sigmoid')
    ])
    
    # Cấu hình hàm mất mát Binary Crossentropy và thuật toán tối ưu Adam
    model.compile(
        optimizer=Adam(learning_rate=0.001),
        loss='binary_crossentropy',
        metrics=['accuracy']
    )
    return model

Kịch bản triển khai phân tán trên hạ tầng Swarm

Quy trình kích hoạt hệ thống trên môi trường đa máy chủ (Multi-Host VPS Deployment):

# ==============================================================================
# BƯỚC 1: KHỞI CHẠY SENTINEL SWARM NETWORK (SN1) TẠI HOST 1 (10.10.103)
# ==============================================================================
./scripts/bin/run-sn -d --rm \
  --name=sn1 \
  --network=host-1-net \
  --host-ip=10.10.103 \
  --sentinel \
  --sn-p2p-port=30303 \
  --sn-api-port=30304 \
  --key=workspace/cert/sn-1-key.pem \
  --cert=workspace/cert/sn-1-cert.pem \
  --capath=workspace/cert/ca/capath \
  --apls-ip=10.10.48

# ==============================================================================
# BƯỚC 2: KHỞI CHẠY REGULAR SWARM NETWORK (SN2) TẠI HOST 2 (10.10.104)
# ==============================================================================
./scripts/bin/run-sn -d --rm \
  --name=sn2 \
  --network=host-2-net \
  --host-ip=10.10.104 \
  --sentinel-ip=10.10.103 \
  --sn-p2p-port=30303 \
  --sn-api-port=30304 \
  --key=workspace/cert/sn-2-key.pem \
  --cert=workspace/cert/sn-2-cert.pem \
  --capath=workspace/cert/ca/capath \
  --apls-ip=10.10.48

# ==============================================================================
# BƯỚC 3: THỰC THI NHIỆM VỤ HUẤN LUYỆN QUA SWCI TASK RUNNER
# ==============================================================================
SWCI_PUB_IP=10.10.103 ./scripts/bin/run-swci \
  -d --rm --name=swci1 \
  --network=host-1-net \
  --usr-dir=workspace/swci/taskdefs \
  --init-script=init-task.yaml

Đánh giá và Kết quả thực nghiệm

Quá trình kiểm nghiệm được thực hiện đồng nhất qua 15 Epochs, batch size 512, trên 3 tập dữ liệu:

  1. Server Machine Dataset (SMD): Tập dữ liệu chuẩn gồm 38 đặc trưng thu thập từ cụm máy chủ doanh nghiệp lớn.
  2. Vichalana Anomaly Benchmark: Tập dữ liệu kiểm định bất thường hiệu suất chuyên dụng.
  3. Real-world Telemetry Dataset: Dữ liệu nhật ký máy chủ thu thập thực tế qua hệ thống Splunk.

Bảng so sánh hiệu năng chi tiết:

Tập dữ liệu Mô hình triển khai Accuracy (%) Precision (%) Recall (%) F1-Score (%) Thời gian HL (giây)
Server Machine Dataset (SMD) Centralized LSTM 94.21% 93.10% 95.40% 94.24% 184s
Swarm Learning LSTM 94.85% 94.02% 95.80% 94.90% 242s
Vichalana Benchmark Centralized LSTM 91.50% 90.20% 92.10% 91.14% 142s
Swarm Learning LSTM 91.82% 90.85% 92.40% 91.62% 198s
Dữ liệu thực tế (Splunk Log) Centralized LSTM 89.60% 88.40% 91.00% 89.68% 95s
Swarm Learning LSTM 90.15% 89.20% 91.30% 90.24% 135s 
                       HIỆU NĂNG F1-SCORE TRÊN CÁC TẬP DỮ LIỆU (%)
  100 +-----------------------------------------------------------------------+
   95 |  +-----------------------+     +-------------------+     +----------+ |
      |  | Cent: 94.24%          |     | Cent: 91.14%      |     | C: 89.68%| |
   90 |  | Swarm: 94.90% (+0.66%)|     | Swarm: 91.62%     |     | S: 90.24%| |
      |  +-----------------------+     +-------------------+     +----------+ |
   85 |             SMD                     Vichalana               Real-Logs |
      +-----------------------------------------------------------------------+

Đổi mới và đóng góp

  1. Loại bỏ hoàn toàn kiến trúc máy chủ trung tâm: Khác với Federated Learning truyền thống vốn phụ thuộc vào Parameter Server, giải pháp áp dụng cơ chế Dynamic Leader Election thông qua Blockchain Smart Contract. Điều này triệt tiêu hoàn toàn nguy cơ điểm nghẽn hệ thống (Single Point of Failure).
  2. Nâng cao độ chính xác trên dữ liệu phức tạp: Trên tập dữ liệu SMD (38 chiều không gian), Swarm Learning đạt F1-Score 94.90%, nhỉnh hơn 0.66% so với mô hình học máy tập trung nhờ khả năng tổng hợp trọng số đa biên và giảm thiểu hiện tượng Overfitting trên từng node cục bộ.
  3. Bảo mật kép (Privacy-by-Design): Dữ liệu thô (Raw Telemetry) tuyệt đối không rời khỏi ranh giới mạng cục bộ của từng host. Quá trình trao đổi trọng số được mã hóa TLS hai chiều kết hợp cấp quyền chứng chỉ PKI (Public Key Infrastructure).
  4. Kiểm nghiệm toàn diện trên dữ liệu thực tế: Không dừng lại ở các tập dữ liệu giả lập chuẩn, đề tài đã trực tiếp tích hợp giải pháp thu thập logs qua Splunk trên môi trường máy chủ thực tế, chứng minh tính khả thi ứng dụng thực tế.

Ứng dụng thực tế và triển khai

+----------------------------------------------------------------------------------------------------+
|                                    KỊCH BẢN TRIỂN KHAI THỰC TẾ                                      |
+----------------------------------------------------------------------------------------------------+
|  [Trung tâm Dữ liệu Đa đám mây (Multi-Cloud / Hybrid Cloud)]                                        |
|  - Giám sát cụm máy chủ phân tán giữa AWS, Google Cloud, Azure và On-Premises.                     |
|  - Huấn luyện mô hình phát hiện tấn công mạng dùng chung mà không vi phạm chính sách truyền dữ liệu.|
+----------------------------------------------------------------------------------------------------+
|  [Hạ tầng Ngân hàng & Tài chính số (FinTech)]                                                       |
|  - Đáp ứng nghiêm ngặt các tiêu chuẩn bảo mật dữ liệu tài chính (PCI-DSS, GDPR, Nghị định 13/NĐ-CP).|
|  - Cảnh báo tức thời hiện tượng nghẽn giao dịch hoặc xâm nhập bất thường vào máy chủ Core Banking. |
+----------------------------------------------------------------------------------------------------+
|  [Mạng lưới Điện toán Biên (Edge Data Centers)]                                                     |
|  - Triển khai trên các trạm viễn thông 5G MEC (Multi-Access Edge Computing).                        |
|  - Phát hiện sai lệch tham số phần cứng tại trạm phát sóng mà không tốn băng thông truyền dữ liệu.|
+----------------------------------------------------------------------------------------------------+

Chiến lược triển khai và Yêu cầu tài nguyên

  • Yêu cầu hạ tầng tối thiểu cho mỗi Node huấn luyện:
    • CPU: 8 vCPUs (x86_64 architecture).
    • RAM: 32 GB RAM trở lên.
    • Ổ cứng: 160 GB SSD.
    • Mạng: Kết nối nội bộ VPN/LAN ổn định giữa các node với cổng giao tiếp mở: 30303 (P2P), 30304 (API), 5814 (APLS).
  • Phân tích hiệu quả đầu tư (ROI Estimation):
    • Tiết kiệm băng thông mạng: Giảm 85% - 95% dung lượng đường truyền dữ liệu lớn so với việc liên tục đẩy hàng Terabyte logs thô về SIEM trung tâm.
    • Tối ưu chi phí lưu trữ đám mây: Giảm thiểu chi phí thuê Data Lake tập trung trên các dịch vụ đám mây công cộng (AWS S3, Google Cloud Storage).

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Độ trễ đồng bộ mạng Blockchain: Thời gian huấn luyện của Swarm Learning cao hơn học máy tập trung từ 25% - 40% do chi phí phụ trợ (overhead) từ việc thiết lập đồng thuận, trao đổi khóa và xác thực trạng thái trên chuỗi khối.
  • Ràng buộc bản quyền phần mềm: Nền tảng HPE Swarm Learning đòi hỏi hệ thống máy chủ quản lý bản quyền APLS liên tục hoạt động.
  • Quy mô thử nghiệm: Hiện mới dừng lại ở mô hình mạng 2 node biên thực nghiệm do giới hạn hạ tầng VPS được cấp phát.

Hướng phát triển tương lai

  1. Nâng cấp thuật toán đồng thuận: Nghiên cứu chuyển đổi cơ chế bầu chọn Leader từ Proof-of-Stake (PoS) sang Proof-of-Work (PoW) tối ưu hóa theo năng lực tính toán phần cứng để đảm bảo phân bổ tải công bằng hơn.
  2. Mở rộng nhận diện đa nhãn (Multi-class Root Cause Analysis): Tích hợp thêm các mô hình Graph Neural Networks (GNN) hoặc Transformers để không chỉ phát hiện bất thường mà còn tự động định danh chính xác nguyên nhân lỗi (do RAM leak, DDoS, hay Ransomware).
  3. Mở rộng quy mô thử nghiệm: Thử nghiệm trên mô hình bầy đàn quy mô lớn từ 10 đến 50 node biên phân tán trên nhiều khu vực địa lý khác nhau.

Đối tượng hưởng lợi

+-------------------+--------------------------------------------------------------------------------+
| NHÓM ĐỐI TƯỢNG    | GIÁ TRỊ VÀ LỢI ÍCH ĐEM LẠI                                                     |
+-------------------+--------------------------------------------------------------------------------+
| Sinh viên CNTT    | - Tiếp cận tài liệu mẫu chuẩn mực về kết hợp Blockchain, Edge Computing và AI. |
| & An toàn thông tin| - Nắm vững quy trình cấu hình hệ thống phân tán thực tế trên Linux/Docker.     |
+-------------------+--------------------------------------------------------------------------------+
| Kỹ sư DevOps      | - Mẫu kiến trúc (Design Pattern) giám sát hạ tầng phi tập trung không SPOF.    |
| & SecOps          | - Tiết kiệm chi phí băng thông log telemetry và nâng cao tính sẵn sàng dịch vụ.|
+-------------------+--------------------------------------------------------------------------------+
| Doanh nghiệp      | - Giải pháp tuân thủ hoàn toàn luật an ninh mạng và quyền riêng tư dữ liệu.    |
| Cloud & FinTech   | - Tối ưu hóa chi phí hạ tầng lưu trữ và vận hành trung tâm dữ liệu tập trung. |
+-------------------+--------------------------------------------------------------------------------+
| Nhà nghiên cứu    | - Bộ dữ liệu thực nghiệm đối sánh rõ ràng giữa Swarm Learning và Centralized ML|
| Trí tuệ nhân tạo  | - Tiền đề phát triển các thuật toán đồng thuận tối ưu cho AI phi tập trung.    |
+-------------------+--------------------------------------------------------------------------------+

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai một hệ thống Swarm Learning là gì?

Để triển khai một cụm Swarm Learning cơ bản, cần tối thiểu 2 máy chủ huấn luyện (mỗi máy có tối thiểu 8 vCPU, 32GB RAM, 160GB SSD, hệ điều hành Ubuntu 22.04 LTS) và 1 máy chủ độc lập chạy dịch vụ cấp phát bản quyền HPE AutoPass License Server (APLS) với 4 vCPU, 8GB RAM. Toàn bộ các node phải cài đặt Docker Engine và kết nối thông suốt qua mạng LAN hoặc kênh truyền ảo riêng VPN.

2. Giới hạn mở rộng (Scalability Limits) của Swarm Learning là gì và giải pháp khắc phục?

Khi số lượng node tham gia mạng bầy đàn tăng lên hàng trăm node, lưu lượng trao đổi trọng số và độ trễ đồng thuận trên Blockchain có thể tăng theo cấp số nhân. Giải pháp khắc phục là phân cụm mạng Swarm theo vùng địa lý (Hierarchical Swarm Architecture), kết hợp thuật toán nén trọng số mô hình (Gradient Compression) trước khi truyền tải qua mạng P2P.

3. Hệ thống có thể tích hợp với các công cụ SIEM/Monitoring hiện có như Splunk hay Prometheus không?

Hoàn toàn khả thi. Hệ thống hỗ trợ tích hợp trực tiếp qua Universal Forwarder của Splunk hoặc Node Exporter của Prometheus. Dữ liệu metric sau khi thu thập tại node cục bộ sẽ được script tiền xử lý tự động chuẩn hóa và nạp thẳng vào container Machine Learning để phục vụ huấn luyện và dự đoán thời gian thực.

4. Chi phí vận hành và bảo trì mạng Swarm Learning so với hệ thống AI tập trung như thế nào?

Mặc dù chi phí tính toán ban đầu trên từng máy chủ biên có thể tương đương, chi phí bảo trì tổng thể của Swarm Learning thấp hơn đáng kể nhờ việc cắt giảm chi phí duy trì cụm máy chủ cơ sở dữ liệu khổng lồ (Data Warehouse/Data Lake) và giảm đến 90% chi phí truyền tải dữ liệu mạng (Data Egress Costs) giữa các nhà cung cấp đám mây.

5. Swarm Learning có an toàn trước các cuộc tấn công đầu độc mô hình (Model Poisoning Attacks) không?

Nhờ cơ chế bảo mật tích hợp trên nền tảng Private Blockchain, chỉ các node biên đã được xác thực danh tính qua chứng chỉ số X.509 PKI và phê duyệt qua Smart Contract mới có quyền gửi trọng số tham gia quá trình tổng hợp mô hình. Hơn nữa, thuật toán tổng hợp tham số có thể tích hợp các bộ lọc loại trừ trọng số bất thường (Robust Aggregation) để vô hiệu hóa các node cố tình gửi sai lệch dữ liệu.

Kết luận

Đồ án khóa luận tốt nghiệp "A Swarm Learning-Based Anomalies Performance Detection System for Cloud Infrastructure" của tác giả Nguyễn Đàm Nhật Anh đã giải quyết thành công bài toán cân bằng giữa hiệu năng phát hiện sự cố máy chủ và bảo mật quyền riêng tư dữ liệu trên hạ tầng đám mây. Việc ứng dụng kiến trúc học bầy đàn kết hợp mô hình LSTM và mạng Blockchain Ethereum đã chứng minh tính ưu việt vượt trội: đạt độ chính xác tương đương và nhỉnh hơn học máy tập trung (F1-Score 94.90% trên tập dữ liệu SMD), loại bỏ hoàn toàn điểm nghẽn máy chủ trung tâm và bảo vệ dữ liệu telemetry tại chỗ. Đây là bước đệm công nghệ quan trọng, mở ra hướng đi mới cho các giải pháp quản trị và an ninh hạ tầng số phi tập trung trong tương lai.