Giới thiệu dự án

Trong kỷ nguyên chuyển đổi số và bùng nổ của các thiết bị kết nối vạn vật (Internet of Things - IoT / Industrial IoT), lưu lượng mạng toàn cầu gia tăng theo cấp số nhân, kéo theo nguy cơ tiềm ẩn từ các cuộc tấn công mạng tinh vi. Theo các báo cáo an ninh mạng quốc tế, hơn 70% các cuộc tấn công thế hệ mới sử dụng kỹ thuật trốn tránh đối kháng (Adversarial Evasion Attacks) để vượt qua các bức tường lửa và hệ thống phát hiện xâm nhập truyền thống. Khóa luận tốt nghiệp ngành An toàn Thông tin tại Trường Đại học Công nghệ Thông tin - ĐHQG TP.HCM (UIT) thực hiện bởi nhóm tác giả Nguyễn Lê Quốc Đạt và Trần Bùi Nhật Trường, dưới sự hướng dẫn của ThS. Phan Thế Duy, đã phát triển đề tài: "A Robust Federated Intrusion Detection System Using Federated Learning and Generative Adversarial Networks" (Hệ thống phát hiện xâm nhập vững chắc sử dụng học liên kết và mạng sinh đối kháng).

+-----------------------------------------------------------------------------------+
|               BỐI CẢNH & THÁCH THỨC AN NINH MẠNG HIỆN ĐẠI                         |
|                                                                                   |
|  [ Tấn công trốn tránh ] ---> Làm mờ ranh giới dữ liệu ---> [ IDS truyền thống ]  |
|  (Adversarial Evasion)        (Noise/Header modification)     (Bị vượt qua / Bỏ sót)|
|                                                                                   |
|  [ Mất cân bằng dữ liệu] ---> Thiểu số mẫu Botnet/Malware -> [ Overfitting ]      |
|  (Class Imbalance)            (Benign chiếm >95%)            (FPR cao, Recall thấp)|
|                                                                                   |
|  [ Rào cản quyền riêng tư] -> Luật GDPR / ND 13/2023/ND-CP -> [ Data Silos ]      |
|  (Privacy Constraints)        (Không thể gom dữ liệu thô)    (Huấn luyện cục bộ kém)|
+-----------------------------------------------------------------------------------+

Vấn đề thực tế (Problem Statement)

Các hệ thống phát hiện xâm nhập mạng (Network Intrusion Detection Systems - NIDS) dựa trên Machine Learning (ML) và Deep Learning (DL) hiện nay đối mặt với 3 "điểm nghẽn" cốt tử:

  1. Sự tổn thương trước tấn công trốn tránh (Evasion Attacks): Kẻ tấn công cố tình thay đổi các thuộc tính gói tin (packet headers, flow duration, inter-arrival time) nhằm biến đổi lưu lượng độc hại (Botnet, DoS) thành dạng gần như đồng nhất với lưu lượng lành tính (Benign), khiến các bộ phân loại bị đánh lừa.
  2. Mất cân bằng dữ liệu cực đoan (Severe Class Imbalance): Trong các bộ dữ liệu thực tế, lưu lượng bình thường chiếm đa số áp đảo (>95%), trong khi các cuộc tấn công nguy hiểm thuộc lớp thiểu số ($C_m \ll C_M$), dẫn đến mô hình bị thiên vị (bias) và suy giảm khả năng phát hiện mẫu mới (Zero-day).
  3. Rào cản chia sẻ dữ liệu và bảo mật quyền riêng tư: Các quy định pháp lý nghiêm ngặt (như GDPR, Nghị định 13/2023/NĐ-CP) nghiêm cấm việc tập trung hóa dữ liệu mạng nhạy cảm từ nhiều tổ chức, dẫn đến tình trạng cô lập dữ liệu (data silos) và làm suy yếu khả năng tổng quát hóa của mô hình phòng thủ.

Mục tiêu dự án (Project Objectives)

  1. Xây dựng mô hình mạng sinh đối kháng cải tiến Transformer-EVAGAN, tích hợp cơ chế tự chú ý đa đầu (Multi-Head Self-Attention) vào mạng sinh đối kháng tạo mẫu trốn tránh (Evasion GAN), giúp vừa tạo mẫu tấn công đối kháng chất lượng cao vừa nâng cao năng lực phân loại của Discriminator.
  2. Thiết lập khung huấn luyện phân tán bảo toàn quyền riêng tư Fed-Transformer-EVAGAN dựa trên thuật toán Federated Averaging (FedAvg), cho phép nhiều máy trạm (clients) cùng hợp tác nâng cao chất lượng mô hình mà không cần gửi dữ liệu thô về máy chủ trung tâm.
  3. Ứng dụng Trí tuệ Nhân tạo có thể giải thích (Explainable AI - XAI) với hai kỹ thuật LIME và SHAP nhằm minh bạch hóa cơ chế trốn tránh của các thuộc tính luồng mạng, hỗ trợ chuyên viên phân tích tại các Trung tâm điều hành an ninh mạng (CSOC).
  4. Thực nghiệm, đối chuẩn và đánh giá toàn diện trên 3 tập dữ liệu chuẩn quốc tế: CIC-IDS2018, EdgeIIoT, và InSDN.

Phương pháp tiếp cận và kết quả kỳ vọng

  • Phương pháp tiếp cận: Tận dụng khả năng biểu diễn tương quan phi tuyến tính và phụ thuộc chuỗi của Transformer kết hợp cấu trúc Auxiliary Classifier GAN (ACGAN) để giải quyết tình trạng thiếu hụt dữ liệu lớp thiểu số, song song với việc áp dụng Federated Learning (FL) để phân tán quá trình học.
  • Chỉ số đo lường kỳ vọng: Cải thiện tỷ lệ phát hiện (Detection Rate/Recall) trên các mẫu Botnet trốn tránh lên trên 98%, giảm tỷ lệ cảnh báo sai (False Positive Rate - FPR) xuống dưới 1.5%, đồng thời đảm bảo bảo mật 100% dữ liệu luồng mạng cục bộ tại các trạm biên.
  • Phạm vi và giới hạn: Tập trung vào các dòng tấn công Botnet, DoS/DDoS trốn tránh trên tầng mạng và giao vận; giới hạn phạm vi mô phỏng trên các nút mạng biên IoT và kiến trúc mạng điều khiển bằng phần mềm (SDN).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí so sánh IDS dựa trên chữ ký (Snort/Suricata) Kỹ thuật Oversampling (SMOTE + ML) Mạng GAN cổ điển (IDSGAN/ACGAN) Fed-Transformer-EVAGAN (Đề xuất)
Khả năng bắt Zero-day Rất thấp (cần cập nhật rule) Trung bình (nội suy tuyến tính đơn giản) Khá (mô phỏng phân phối phức tạp) Xuất sắc (bắt trọn tương quan ngữ nghĩa)
Chống Evasion Attack Kém Kém Khá Tối ưu (Discriminator đối kháng trực tiếp)
Bảo vệ quyền riêng tư Không áp dụng Kém (cần dữ liệu tập trung) Kém (huấn luyện tập trung) Tuyệt đối (Federated Learning)
Độ phức tạp tính toán Thấp ($O(1) - O(N)$) Thấp ($O(N \cdot D)$) Cao ($O(Epochs \cdot D)$) Trung bình - Cao ($O(FL \cdot Layers)$)
Tính minh bạch (XAI) Cao (dựa trên luật rõ ràng) Tùy thuộc thuật toán ML Rất thấp (Black-box) Rất cao (Tích hợp LIME + SHAP) 
+---------------------------------------------------------------------------------------+
|                 YÊU CẦU HỆ THỐNG THEO MÔ HÌNH PHÂN CẤP MOSCOW                         |
+---------------------------------------------------------------------------------------+
| [MUST HAVE]   - Sinh mẫu đối kháng có khả năng trốn tránh bộ phân loại cơ sở.        |
|               - Discriminator hoạt động độc lập như một IDS với F1-score > 95%.       |
|               - Giao thức FedAvg cập nhật trọng số an toàn giữa Server và Clients.    |
+---------------------------------------------------------------------------------------+
| [SHOULD HAVE] - Tích hợp giải thích cục bộ (LIME) và toàn cục (SHAP) cho từng luồng.  |
|               - Hỗ trợ chuẩn hóa dữ liệu đa định dạng (CIC-IDS2018, EdgeIIoT, InSDN). |
+---------------------------------------------------------------------------------------+
| [COULD HAVE]  - Tối ưu hóa kích thước mô hình (Model Pruning) cho thiết bị biên IoT.  |
|               - Cơ chế Adaptive Aggregation chống lại hiện tượng Non-IID dữ liệu.     |
+---------------------------------------------------------------------------------------+
| [WON'T HAVE]  - Phòng chống các cuộc tấn công đầu độc mô hình nâng cao (Byzantine).   |
+---------------------------------------------------------------------------------------+

Thiết kế hệ thống

Kiến trúc giải pháp được chia thành 2 cấu phần chính: Khung kiến trúc mô hình Transformer-EVAGAN và Hệ thống phân tán Fed-Transformer-EVAGAN.

                           HỆ THỐNG HUẤN LUYỆN FED-TRANSFORMER-EVAGAN
                 +-------------------------------------------------------------+
                 |             CENTRAL SERVER (Aggregation Engine)             |
                 |  - Global Model Parameters (W_global)                       |
                 |  - Federated Averaging: W_{t+1} = \sum (N_k / n) * W_{t+1}^k|
                 +-------------------------------------------------------------+
                                       ^                 |
                     Local Model Upload|                 |Global Broadcast
                                       |                 v
                 +-------------------------------------------------------------+
                 |            EDGE CLIENT k (Transformer-EVAGAN)               |
                 |                                                             |
                 |  [Generator G]                  [Discriminator D / IDS]     |
                 |   Noise (Z) + Label (c)         Input: X_real / X_fake      |
                 |         |                              |                    |
                 |   +-----------+                  +-----------+              |
                 |   | Dense 32  |                  | Dense 128 |              |
                 |   | ReLU/Norm |                  | LeakyReLU |              |
                 |   +-----------+                  +-----------+              |
                 |         |                              |                    |
                 |   +-----------------------+      +-----------------------+  |
                 |   | Transformer Block     |      | Transformer Block     |  |
                 |   | - 8-Head Attention    |      | - 8-Head Attention    |  |
                 |   | - Positional Encoding |      | - Positional Encoding |  |
                 |   | - Add & LayerNorm     |      | - Add & LayerNorm     |  |
                 |   +-----------------------+      +-----------------------+  |
                 |         |                              |                    |
                 |   +-----------+                  +-----------+              |
                 |   | Dense 128 |                  | Dense 32  |              |
                 |   +-----------+                  +-----------+              |
                 |         |                              |                    |
                 |         v                              v                    |
                 |     G(z|c_m)                     P(Real/Fake), P(Class)     |
                 +-------------------------------------------------------------+

Chi tiết công nghệ và phiên bản (Technology Stack)

  • Ngôn ngữ cốt lõi: Python 3.10.12.
  • Deep Learning Framework: PyTorch 2.0.1 + CUDA 11.8 / TensorFlow 2.12.0.
  • Machine Learning & Baseline: Scikit-learn 1.2.2, XGBoost 1.7.5, LightGBM 3.3.5.
  • Explainable AI: SHAP 0.42.1, LIME 0.2.0.1.
  • Xử lý dữ liệu luồng mạng: Pandas 2.0.3, NumPy 1.24.3, Scapy 2.5.0.
  • Môi trường tính toán: Ubuntu 22.04 LTS, GPU NVIDIA RTX 3090 / A100 Tensor Core.

Phương pháp luận (Methodology)

Quy trình nghiên cứu áp dụng phương pháp luận CRISP-DM (Cross-Industry Standard Process for Data Mining) kết hợp chu kỳ lặp nhanh (Iterative Agile):

[Hiểu bài toán An ninh mạng] 
         ↓
[Thu thập & Tiền xử lý dữ liệu (CIC-IDS2018, EdgeIIoT, InSDN)]
         ↓
[Thiết kế & Huấn luyện Transformer-EVAGAN]
         ↓
[Phân tán hóa mô hình qua Federated Learning (FedAvg)]
         ↓
[Đánh giá đa chiều qua Metrics & XAI (LIME, SHAP)]
         ↓
[Tối ưu hóa & Đóng gói giải pháp]

Triển khai thực nghiệm và kết quả

Quy trình phát triển và thuật toán then chốt

Mô hình kế thừa và tối ưu hóa các hàm mất mát nhằm đảm bảo trạng thái cân bằng Nash giữa Generator ($G$) và Discriminator ($D$):

  1. Hàm mất mát phân loại (Binary Cross-Entropy Loss): $$\mathcal{L}{BCE} = - \frac{1}{N} \sum{i=1}^N \left[ y_i \log(p_i) + (1 - y_i) \log(1 - p_i) \right]$$

  2. Cơ chế tự chú ý đa đầu (Multi-Head Self-Attention): $$\text{Attention}(Q, K, V) = \text{softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right)V$$ $$\text{MultiHead}(Q, K, V) = \text{Concat}(\text{head}_1, \dots, \text{head}_h)W^O$$

  3. Thuật toán tổng hợp tham số mô hình Federated Averaging (FedAvg): $$W_{t+1} = \sum_{k=1}^K \frac{n_k}{n} W_{t+1}^k$$ Trong đó $K$ là tổng số clients tham gia, $n_k$ là số lượng mẫu tại client $k$, $n = \sum n_k$, và $W_{t+1}^k$ là bộ trọng số được cập nhật cục bộ tại vòng $t+1$.

Code snippet cấu trúc Transformer Block cho dữ liệu luồng mạng (PyTorch)

import torch
import torch.nn as nn

class NetworkTransformerBlock(nn.Module):
    def __init__(self, d_model: int = 128, nhead: int = 8, dim_feedforward: int = 256, dropout: float = 0.1):
        super(NetworkTransformerBlock, self).__init__()
        self.self_attn = nn.MultiheadAttention(embed_dim=d_model, num_heads=nhead, dropout=dropout, batch_first=True)
        self.linear1 = nn.Linear(d_model, dim_feedforward)
        self.dropout = nn.Dropout(dropout)
        self.linear2 = nn.Linear(dim_feedforward, d_model)
        
        self.norm1 = nn.LayerNorm(d_model)
        self.norm2 = nn.LayerNorm(d_model)
        self.dropout1 = nn.Dropout(dropout)
        self.dropout2 = nn.Dropout(dropout)
        self.activation = nn.LeakyReLU(0.2)

    def forward(self, src: torch.Tensor) -> torch.Tensor:
        # Multi-Head Attention + Add & Norm
        src2, _ = self.self_attn(src, src, src)
        src = src + self.dropout1(src2)
        src = self.norm1(src)
        
        # Feedforward + Add & Norm
        src2 = self.linear2(self.dropout(self.activation(self.linear1(src))))
        src = src + self.dropout2(src2)
        src = self.norm2(src)
        return src

Đánh giá và kiểm thử thực nghiệm

Nghiên cứu tiến hành đánh giá thực nghiệm trên 3 bộ dữ liệu:

  • CIC-IDS2018: Bộ dữ liệu mạng diện rộng với đa dạng hình thái tấn công (Botnet Ares, DoS-Slowloris, Infiltration).
  • EdgeIIoTset (2022): Dữ liệu môi trường mạng công nghiệp IoT thực tế, đặc trưng bởi các giao thức MQTT, CoAP, Modbus.
  • InSDN (2020): Tập dữ liệu chuyên biệt cho kiến trúc mạng Software-Defined Networking.
+------------------------------------------------------------------------------------------+
|                 HIỆU SUẤT PHÂN LOẠI TRÊN CÁC TẬP DỮ LIỆU THỰC NGHIỆM                    |
+-------------------+----------------------+---------------+--------------+----------------+
| Tập dữ liệu       | Mô hình              | Precision (%) | Recall (%)   | F1-Score (%)   |
+-------------------+----------------------+---------------+--------------+----------------+
|                   | XGBoost Baseline     | 91.24         | 88.50        | 89.85          |
| CIC-IDS2018       | EVAGAN gốc (2022)    | 94.15         | 92.80        | 93.47          |
|                   | Transformer-EVAGAN   | 98.42         | 97.90        | 98.16          |
|                   | Fed-Transformer-EVAGAN| 99.10        | 98.85        | 98.97          |
+-------------------+----------------------+---------------+--------------+----------------+
|                   | LightGBM Baseline    | 89.60         | 87.12        | 88.34          |
| EdgeIIoT          | EVAGAN gốc (2022)    | 93.70         | 91.45        | 92.56          |
|                   | Fed-Transformer-EVAGAN| 98.75        | 98.20        | 98.47          |
+-------------------+----------------------+---------------+--------------+----------------+
|                   | Logistic Regression  | 82.30         | 79.50        | 80.87          |
| InSDN             | EVAGAN gốc (2022)    | 92.10         | 90.80        | 91.44          |
|                   | Fed-Transformer-EVAGAN| 97.90        | 97.40        | 97.65          |
+-------------------+----------------------+---------------+--------------+----------------+

          SO SÁNH F1-SCORE TRÊN TẬP DỮ LIỆU CIC-IDS2018 (%)
100 +---------------------------------------------------------+ 98.97%
    |                                                 [*****] |
 95 |                                 [*****]         |     | |
    |                 [*****]         |     |         |     | | 93.47%
 90 | [*****]         |     |         |     |         |     | | 89.85%
    | |     |         |     |         |     |         |     | |
 85 | |     |         |     |         |     |         |     | |
 80 +-+-----+---------+-----+---------+-----+---------+-----+---+
      XGBoost         EVAGAN        Trans-EVAGAN    Fed-Trans-EVAGAN

Đánh giá khả năng giải thích qua XAI (LIME & SHAP)

Kết quả phân tích từ LIME và SHAP chỉ ra rằng mô hình Generator của Fed-Transformer-EVAGAN đã học được cách biến đổi tinh vi các thuộc tính luồng then chốt:

  • Flow Duration (Thời gian duy trì luồng): Mẫu tấn công trốn tránh phân bổ thời gian luồng ngẫu nhiên tương tự luồng HTTP/HTTPS thông thường, giảm độ đột biến.
  • Fwd Packet Length Std (Độ lệch chuẩn kích thước gói tin gửi đi): Tự động điều chỉnh kích thước payload nhằm qua mặt bộ lọc ngưỡng (Threshold filtering).
  • Header Flags: Điều chỉnh linh hoạt cờ TCP (SYN, PSH, ACK) nhằm ngụy trang thành phiên truyền tải dữ liệu hợp lệ.

Đổi mới và đóng góp

  1. Đột phá trong kiến trúc sinh mẫu đối kháng: Lần đầu tiên tích hợp thành công các khối Transformer (Multi-Head Self-Attention, 8 heads) xen kẽ vào các lớp Dense của kiến trúc EVAGAN trong bài toán an toàn thông tin. Mô hình giải quyết triệt để sự thiếu hụt ngữ cảnh liên kết giữa các trường thuộc tính trong gói tin mà các mạng nơ-ron truyền thống (MLP, CNN) bỏ sót.
  2. Cơ chế phòng thủ chủ động với Học liên kết: Xây dựng thành công hệ sinh thái chia sẻ tri thức phòng thủ phân tán Fed-Transformer-EVAGAN. Giải pháp cho phép tăng hiệu quả phát hiện tổng thể lên 5.5% - 8.2% so với việc từng đơn vị tự huấn luyện mô hình đơn lẻ, đồng thời bảo đảm tính riêng tư tuyệt đối cho dữ liệu luồng mạng nội bộ.
  3. Minh bạch hóa quá trình phát hiện: Ứng dụng toàn diện hệ thống giải thích kép (Dual XAI Framework) với LIME (phân tích mức độ mẫu cục bộ) và SHAP (đo lường đóng góp mức độ thuộc tính toàn cục), chuyển đổi mô hình từ cơ chế "hộp đen" (Black-box) sang "hộp kính" (Glass-box), nâng cao độ tin cậy khi triển khai thực địa.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng (Real-World Use Cases)

  • Hệ thống giám sát CSOC đa chi nhánh (Ngân hàng / Tổ chức Tài chính): Triển khai các trạm biên Client tại từng chi nhánh ngân hàng để giám sát lưu lượng giao dịch; Server trung tâm tổng hợp tri thức tấn công Botnet tài chính mà không cần truy xuất dữ liệu định danh khách hàng.
  • Bảo vệ hạ tầng thành phố thông minh và Nhà máy thông minh (IIoT): Giám sát các luồng dữ liệu SCADA/Modbus, ngăn ngừa các cuộc tấn công Zero-day nhắm vào hệ thống điều khiển công nghiệp.
+-----------------------------------------------------------------------------------+
|               LỘ TRÌNH TRIỂN KHAI DỰ ÁN TẠI DOANH NGHIỆP                          |
+-----------------------------------------------------------------------------------+
| [Tháng 1-2] Khảo sát hạ tầng mạng, cấu hình đường bắt gói (Mirror Port/TAP).      |
| [Tháng 3-4] Đóng gói mô hình Docker/Kubernetes, triển khai Client tại Edge Nodes. |
| [Tháng 5]   Thiết lập Aggregation Server, cấu hình kênh truyền gRPC mã hóa TLS.   |
| [Tháng 6]   Tích hợp giao diện điều khiển CSOC Dashboard với bảng phân tích XAI.   |
+-----------------------------------------------------------------------------------+

Yêu cầu triển khai hệ thống

  • Edge Client Node: CPU 4 Cores, RAM 8GB, GPU tối thiểu 4GB VRAM (hoặc Edge TPU như NVIDIA Jetson), Linux OS.
  • Central Aggregation Server: CPU 16 Cores, RAM 32GB, GPU NVIDIA V100/A100, Băng thông mạng tối thiểu 1Gbps, hỗ trợ gRPC qua mTLS.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Độ phức tạp tính toán: Cơ chế Self-Attention có độ phức tạp thuật toán bậc hai $O(N^2)$ theo chiều dài chuỗi thuộc tính, đòi hỏi tối ưu hóa tài nguyên phần cứng tại các thiết bị IoT năng lực thấp.
  • Độ trễ truyền thông trong FL: Quá trình truyền nhận trọng số qua nhiều vòng lặp (Communication Rounds) có thể bị nghẽn nếu băng thông mạng không ổn định hoặc xuất hiện các nút trễ (stragglers).

Hướng phát triển tương lai

  1. Nghiên cứu áp dụng kỹ thuật FlashAttention hoặc Linear Attention nhằm giảm độ phức tạp tính toán xuống $O(N)$.
  2. Tích hợp giải thuật Học liên kết bất đồng bộ (Asynchronous Federated Learning) kết hợp kỹ thuật nén lượng tử hóa mô hình (Quantization/Pruning) để tối ưu băng thông đường truyền.
  3. Tích hợp bằng chứng không tiết lộ tri thức (Zero-Knowledge Proofs - ZKP) nhằm phòng ngừa nguy cơ tấn công đầu độc mô hình từ các máy trạm độc hại (Byzantine Attackers).

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Tiếp cận tài liệu tham khảo chuẩn mực kết hợp chuyên sâu giữa Mạng sinh đối kháng (GAN), Transformer, Học liên kết (FL) và Trí tuệ Nhân tạo có thể giải thích (XAI) trong an ninh mạng.
  • Kỹ sư bảo mật (Security Engineers / SOC Analysts): Sở hữu kiến trúc tham chiếu NIDS thế hệ mới, đi kèm công cụ giải thích thuộc tính (LIME/SHAP) giúp tối ưu thời gian phân tích và ứng phó sự cố (Mean Time to Detect/Respond - MTTD/MTTR).
  • Doanh nghiệp & Tổ chức: Xây dựng giải pháp phòng thủ vững chắc trước các đợt tấn công Botnet tinh vi với chi phí đầu tư tối ưu (ROI dự kiến đạt 250% sau 18 tháng triển khai), tuân thủ 100% các tiêu chuẩn bảo mật dữ liệu hiện hành.
  • Cộng đồng nghiên cứu AI/Security: Cung cấp cơ sở lý thuyết và kết quả thực nghiệm tin cậy cho bài toán học tăng cường dữ liệu đối kháng và học phân tán trên dữ liệu mất cân bằng.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai mô hình tại trạm biên là gì?

Hệ thống yêu cầu máy chủ biên chạy hệ điều hành Linux (Ubuntu 20.04/22.04 LTS), tối thiểu 4 lõi CPU, 8GB RAM và khuyến nghị có card tăng tốc đồ họa (GPU từ 4GB VRAM như NVIDIA T4/RTX series) để đảm bảo độ trễ xử lý gói tin dưới 10ms.

2. Mô hình xử lý hiện tượng dữ liệu không đồng nhất (Non-IID) giữa các máy trạm như thế nào?

Fed-Transformer-EVAGAN sử dụng thuật toán FedAvg kết hợp cơ chế chuẩn hóa LayerNorm trong Transformer-block, giúp mô hình duy trì tính ổn định của gradient và giảm thiểu hiện tượng phân kỳ trọng số (Weight Divergence) khi phân phối dữ liệu mạng tại các chi nhánh có sự khác biệt lớn.

3. Giải pháp tích hợp vào hệ thống giám sát an ninh (SIEM/SOAR) hiện có như thế nào?

Discriminator sau khi huấn luyện được đóng gói dưới dạng Docker Microservice, cung cấp REST API/gRPC endpoint chuẩn. Đầu ra phân loại và cảnh báo được xuất theo định dạng chuẩn CEF (Common Event Format) hoặc JSON, dễ dàng tích hợp trực tiếp vào Splunk, IBM QRadar, ELK Stack hoặc Wazuh.

4. Chi phí duy trì và yêu cầu vận hành hệ thống ra sao?

Sau giai đoạn huấn luyện ban đầu, hệ thống chỉ yêu cầu chi phí vận hành máy chủ định kỳ và tự động tái huấn luyện (Re-training) theo chu kỳ định sẵn (ví dụ: hàng tuần). Quá trình tổng hợp trọng số qua Federated Learning diễn ra tự động, không đòi hỏi can thiệp thủ công từ quản trị viên.

5. Khả năng bảo mật thông tin của Federated Learning có thực sự an toàn trước các cuộc tấn công đảo ngược (Model Inversion)?

Hệ thống không truyền dữ liệu thô mà chỉ trao đổi trọng số gradient. Để tăng cường bảo mật cấp cao, hệ sinh thái có thể tích hợp thêm kỹ thuật Bảo mật vi sai (Differential Privacy) hoặc Mã hóa đồng hình (Homomorphic Encryption), ngăn chặn triệt để nguy cơ trích xuất thông tin luồng mạng từ trọng số mô hình.

Kết luận

Đồ án khóa luận "A Robust Federated Intrusion Detection System Using Federated Learning and Generative Adversarial Networks" của nhóm tác giả tại Trường Đại học Công nghệ Thông tin - ĐHQG TP.HCM đã giải quyết xuất sắc các bài toán thách thức hàng đầu trong lĩnh vực an toàn thông tin hiện đại. Bằng việc kết hợp tinh tế giữa sức mạnh tự chú ý của Transformer, khả năng tạo mẫu đối kháng của EVAGAN, cùng khung phân tán bảo toàn quyền riêng tư Federated Learning, nghiên cứu không chỉ thiết lập một chuẩn mực mới về độ chính xác và khả năng phòng thủ trước các cuộc tấn công trốn tránh, mà còn mở ra hướng đi bền vững cho các giải pháp an ninh mạng hợp tác trong kỷ nguyên số.