Giới thiệu dự án

Bối cảnh và thực trạng an ninh mạng Internet of Things (IoT)

Sự bùng nổ của hạ tầng Internet of Things (IoT) đang định hình các hệ sinh thái thông minh hiện đại từ Smart City, Smart Home đến Smart Agriculture và Internet of Medical Things (IoMT). Theo thống kê của IoT Analytics, số lượng điểm cuối IoT kết nối toàn cầu đạt 14,3 tỷ thiết bị vào cuối năm 2022 (tăng trưởng 18%) và vượt mốc 16,7 tỷ thiết bị vào năm 2023 với tốc độ tăng trưởng kép hàng năm (CAGR) duy trì ở mức 16%.

Tuy nhiên, sự gia tăng vũ bão này kéo theo các nguy cơ an ninh mạng nghiêm trọng. Do thiết bị IoT bị giới hạn nghiêm ngặt về năng lực xử lý (CPU), dung lượng bộ nhớ (RAM), băng thông và năng lượng, việc triển khai các cơ chế bảo vệ truyền thống gặp vô vàn rào cản. Việc chia sẻ lưu lượng thô qua mạng không dây tiềm ẩn nguy cơ rò rỉ dữ liệu nhạy cảm và tạo ra các bề mặt tấn công rộng lớn như DDoS, DoS, Reconnaissance, Mirai Botnet hay ARP Spoofing.

       +-----------------------------------------------------------+
       |               MÔ HÌNH HỌC MÁY PHÁT HIỆN DỊ THƯỜNG         |
       +-----------------------------+-----------------------------+
                                     |
           +-------------------------+-------------------------+
           |                                                   |
           v                                                   v
+-----------------------+                           +-----------------------+
| Centralized Learning  |                           | Distributed Learning  |
| - Tắc nghẽn băng thông|                           | (Privacy-Preserving)  |
| - Rò rỉ dữ liệu gốc   |                           +-----------+-----------+
| - Single Point Failure|                                       |
+-----------------------+                 +---------------------+---------------------+
                                          v                                           v
                              +-----------------------+                   +-----------------------+
                              | Federated Learning    |                   | Swarm Learning (SL)   |
                              | (FlowerBC - Server)   |                   | (Fully Decentralized) |
                              | - Máy chủ điều phối   |                   | - Leader bầu chọn động|
                              | - Hợp đồng Blockchain |                   | - Nút SN, SWOP, SWCI  |
                              +-----------------------+                   +-----------------------+

Vấn đề nghiên cứu cụ thể (Problem Statement)

Các hệ thống phát hiện xâm nhập mạng (Network Intrusion Detection System - NIDS) dựa trên học máy truyền thống (Centralized Machine Learning - CL) đòi hỏi gom toàn bộ dữ liệu lưu lượng về máy chủ trung tâm. Điều này dẫn đến các nút thắt kỹ thuật lớn:

  • Vi phạm quyền riêng tư và bảo mật dữ liệu: Lưu lượng mạng nội bộ của các tổ chức chứa dữ liệu nhạy cảm dễ bị đánh cắp trên đường truyền.
  • Điểm lỗi đơn (Single Point of Failure - SPoF) và tắc nghẽn cổ chai: Máy chủ trung tâm trở thành mục tiêu bị tấn công và quá tải khi dữ liệu IoT tăng theo cấp số nhân.
  • Hạn chế của Federated Learning (FL) truyền thống: Dù dữ liệu được giữ tại biên, máy chủ điều phối tổng hợp trọng số mô hình vẫn là kiến trúc tập trung, thiếu tính minh bạch và dễ bị thao túng tham số.

Mục tiêu dự án

  1. Nghiên cứu & Thiết kế: Xây dựng kiến trúc hệ thống NIDS phân tán cho hạ tầng IoT dựa trên mô hình học sâu Deep Learning (Convolutional Neural Network - CNN).
  2. Triển khai khung học máy liên kết tích hợp Blockchain (FlowerBC): Ứng dụng framework Flower kết hợp mạng chuỗi khối Ethereum (Truffle/Ganache) và hệ thống lưu trữ phân tán IPFS Pinata để quản trị và ghi nhận trọng số.
  3. Triển khai khung học bầy đàn (Swarm Learning - SL): Ứng dụng giải pháp Swarm Learning từ HPE, loại bỏ hoàn toàn máy chủ trung tâm thông qua cơ chế bầu chọn nút lãnh đạo (dynamic leader election) và hợp nhất mô hình ngang hàng (P2P).
  4. Đánh giá & Thực nghiệm: Đánh giá định lượng hiệu năng phát hiện xâm nhập, thời gian huấn luyện và mức độ tiêu thụ tài nguyên phần cứng (CPU, RAM) trên hai bộ dữ liệu quy mô lớn: CICIoT2023 (hơn 71 triệu bản ghi) và CICIoMT2024 (hơn 10 triệu bản ghi).

Phương pháp tiếp cận và kết quả kỳ vọng

Dự án áp dụng mô hình phân tán bảo vệ quyền riêng tư, kết hợp thuật toán tối ưu hóa trọng số mô hình toàn cục Federated Averaging (FedAvg). Dữ liệu thô được lưu trữ và tiền xử lý trực tiếp tại 3 trạm biên (Host 1, Host 2, Host 3), chỉ các tham số mô hình (weights/gradients) được trao đổi qua mạng Blockchain riêng tư.

  • Chỉ số kỳ vọng: Đạt độ chính xác Accuracy, Precision, Recall, F1-Score trên 98% cho cả kịch bản phân loại nhị phân và đa lớp; tối ưu hóa chi phí tài nguyên mạng và đảm bảo tính khả thi khi vận hành trên phần cứng biên.

Phạm vi và giới hạn

  • Phạm vi: Triển khai trên môi trường Cloud giả lập 3 cụm (Cluster) thiết bị IoT, tương ứng 3 máy chủ trạm biên kết nối mạng riêng biệt.
  • Giới hạn: Tập trung vào phân tích gói tin mạng mức mạng (Network-level) sử dụng bộ trích xuất đặc trưng có sẵn; chưa can thiệp sâu vào giải mã lưu lượng được mã hóa đầu cuối phức tạp ở tầng ứng dụng (Application layer payload).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí Centralized Learning (CL) Federated Learning (FL/FlwrBC) Swarm Learning (SL)
Vị trí lưu trữ dữ liệu Máy chủ trung tâm (Tập trung) Phân tán tại các nút biên (Edge nodes) Hoàn toàn phân tán tại các nút biên
Kiến trúc điều phối Máy chủ đơn vị tập trung Máy chủ Aggregator + Smart Contracts Ngang hàng (P2P) không máy chủ trung tâm
Quyền riêng tư dữ liệu Kém (Nguy cơ rò rỉ dữ liệu thô) Rất cao (Chỉ gửi tham số mô hình) Tuyệt đối (Tham số + Mã hóa Blockchain)
Điểm lỗi đơn (SPoF) Rất cao Thấp (Có IPFS & Blockchain hỗ trợ) Hoàn toàn không có SPoF
Bảo mật tham số Không có cơ chế xác thực chuỗi Hợp đồng đóng góp & Hợp đồng liên kết Hợp đồng thông minh Ethereum + X.509 cert
Chi phí truyền tải mạng Cực lớn (Truyền tải toàn bộ dữ liệu) Trung bình (Truyền tải weights theo epoch) Tối ưu (Truyền tải weights theo synFrequency)

Yêu cầu hệ thống theo mô hình MoSCoW

  • Must Have (Bắt buộc):
    • Thuật toán trích xuất và chuẩn hóa 46 đặc trưng (CICIoT2023) và 44 đặc trưng (CICIoMT2024).
    • Mô hình mạng nơ-ron tích chập 1D-CNN phân loại đa lớp.
    • Cơ chế bầu chọn Leader động trong Swarm Learning.
    • Hợp đồng thông minh ghi nhận chỉ số băm (hash) của trọng số mô hình.
  • Should Have (Nên có):
    • Giao diện quản trị Web3 thông qua FastAPI UI.
    • Hệ thống lưu trữ trọng số mô hình toàn cầu phân tán InterPlanetary File System (IPFS).
    • API SwarmCallback tích hợp linh hoạt với Keras/TensorFlow.
  • Could Have (Có thể có):
    • Tích hợp cơ chế tính toán điểm thưởng Token cho các nút đóng góp nhiều dữ liệu.
  • Won't Have (Chưa thực hiện):
    • Cơ chế phòng chống tấn công đầu độc mô hình mức cao (Byzantine Attacks) phức tạp.

Thiết kế kiến trúc hệ thống

+-----------------------------------------------------------------------------------+
|                        KIẾN TRÚC TỔNG THỂ SWARM LEARNING NIDS                     |
+-----------------------------------------------------------------------------------+
|                                                                                   |
|   +--------------------------+  IPsec / TLS  +--------------------------+         |
|   |         HOST 1           |<=============>|         HOST 2           |         |
|   |  +--------------------+  |               |  +--------------------+  |         |
|   |  | ML Node (Keras CNN)|  |               |  | ML Node (Keras CNN)|  |         |
|   |  +---------+----------+  |               |  +---------+----------+  |         |
|   |            | SwarmCallback               |            | SwarmCallback         |
|   |  +---------v----------+  |               |  +---------v----------+  |         |
|   |  | SL Node / SWOP     |  |               |  | SL Node / SWOP     |  |         |
|   |  +---------+----------+  |               |  +---------+----------+  |         |
|   |            |             |               |            |             |         |
|   |  +---------v----------+  |               |  +---------v----------+  |         |
|   |  | SN Node (Ethereum) |<---------------->|  | SN Node (Ethereum) |  |         |
|   |  +--------------------+  |   Blockchain  +--------------------+  |         |
|   +-------------^------------+   P2P Sync    +-------------^------------+         |
|                 |                                          |                      |
|                 |             +--------------------------+ |                      |
|                 +============>|         HOST 3           |<=+                     |
|                               |  +--------------------+  |                        |
|                               |  | ML Node (Keras CNN)|  |                        |
|                               |  +---------+----------+  |                        |
|                               |  +---------v----------+  |                        |
|                               |  | SL Node / SWOP     |  |                        |
|                               |  +---------+----------+  |                        |
|                               |  +---------v----------+  |                        |
|                               |  | SN Node (Sentinel) |  |                        |
|                               |  +--------------------+  |                        |
|                               +--------------------------+                        |
+-----------------------------------------------------------------------------------+

Technology Stack & Versions

  • Core Engine: Python 3.10+, TensorFlow 2.12.0, Keras API.
  • Data Engineering: NumPy 1.23.5, Pandas 1.5.3, Dask, Scikit-learn 1.2.2.
  • Blockchain Infrastructure: Truffle v5.11.5, Ganache CLI v6.12.2, Ethereum Private Blockchain, Web3.py v6.0.0.
  • Distributed Storage & Microservices: IPFS Pinata Gateway, Docker Engine v24.0.5, Docker Compose v2.20.2.
  • Swarm Learning Modules: HPE Swarm Learning Framework, AutoPass License Server (APLS), Swarm Network (SN), Swarm Learning Command Interface (SWCI), Swarm Operator (SWOP).

Thuật toán và Công thức hợp nhất mô hình

Cả hai hệ sinh thái sử dụng thuật toán Weighted Federated Averaging (FedAvg). Trọng số của mô hình toàn cầu tại vòng lặp $t+1$ được tính toán theo tỷ trọng đóng góp số lượng mẫu dữ liệu của từng máy tham gia $k$:

$$W_{t+1} = \sum_{k=1}^{K} \frac{n_k}{N} W_{t+1}^k$$

Trong đó:

  • $K$: Tổng số nút tham gia đào tạo ($K = 3$).
  • $n_k$: Số lượng bản ghi dữ liệu huấn luyện tại nút thứ $k$.
  • $N = \sum_{k=1}^{K} n_k$: Tổng số bản ghi dữ liệu trên toàn mạng.
  • $W_{t+1}^k$: Ma trận trọng số cục bộ sau quá trình huấn luyện tại nút $k$.

Implementation và kết quả

Chi tiết xây dựng mô hình Deep Learning (CNN)

Mô hình mạng nơ-ron học sâu được thiết kế gọn nhẹ, tối ưu hóa tốc độ suy luận trên các thiết bị biên:

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Flatten, Dropout
from swarmlearning.tf import SwarmCallback

def build_nids_cnn_model(input_shape, num_classes):
    """
    Xây dựng mô hình CNN phát hiện xâm nhập mạng IoT
    input_shape: (Số lượng đặc trưng trích xuất, 1)
    num_classes: Số lượng nhãn tấn công đầu ra
    """
    model = Sequential([
        Flatten(input_shape=input_shape),
        Dense(50, activation='relu', name='dense_hidden_1'),
        Dropout(0.2),
        Dense(25, activation='relu', name='dense_hidden_2'),
        Dropout(0.1),
        Dense(num_classes, activation='softmax', name='output_classification')
    ])
    
    model.compile(
        optimizer=tf.keras.optimizers.Adam(learning_rate=0.001),
        loss='sparse_categorical_crossentropy',
        metrics=['accuracy']
    )
    return model

# Tích hợp SwarmCallback đồng bộ trọng số qua nút Swarm Learning
swarm_callback = SwarmCallback(
    syncFrequency=128,   # Số lượng mẫu dữ liệu giữa 2 vòng đồng bộ trọng số
    minPeers=3,          # Số lượng nút tối thiểu để thực hiện bầu chọn leader
    model=model
)

Thiết lập môi trường và cấu hình thực nghiệm

Hệ thống thực nghiệm gồm 3 máy chủ phân tán (Cloud Virtual Machines) đại diện cho 3 Cụm (Cluster) IoT:

  • Host 1: IP 10.106, 4 vCPU, 32GB RAM, 100GB SSD.
  • Host 2: IP 10.107, 4 vCPU, 32GB RAM, 100GB SSD.
  • Host 3: IP 10.118, 4 vCPU, 32GB RAM, 100GB SSD.
  • Baseline Centralized Learning (CL): Triển khai trên Host 3 và Google Compute Engine backend (100GB RAM).

Phân tích bộ dữ liệu thực nghiệm

+----------------------------------------------------------------------------------+
|                            ĐẶC TẢ TẬP DỮ LIỆU THỰC NGHIỆM                        |
+---------------------+-------------------+-------------------+--------------------+
| Tập dữ liệu         | Số bản ghi        | Số đặc trưng      | Nhóm tấn công gom  |
+---------------------+-------------------+-------------------+--------------------+
| CICIoT2023          | 71,753,430        | 46 features       | 8 nhóm             |
| CICIoMT2024         | 10,774,113        | 44 features       | 6 nhóm             |
+---------------------+-------------------+-------------------+--------------------+
  1. CICIoT2023: 71,753,430 bản ghi (1,098,195 Benign; 70,655,235 Attack) gồm 33 loại tấn công được gom thành 8 lớp: BenignTraffic (0), DictionaryBruteForce (1), DDoS (2), DoS (3), Mirai (4), Reconnaissance (5), Spoofing (6), Web (7).
  2. CICIoMT2024: 10,774,113 bản ghi (230,339 Benign; 10,543,774 Attack) từ 40 thiết bị y tế (25 thiết bị thực, 15 mô phỏng) với 18 dạng tấn công gom thành 6 lớp: Benign (0), DDoS (1), DoS (2), MQTT (3), Recon (4), ARP_Spoofing (5).

Tỷ lệ phân chia tập dữ liệu: Train:Test = 9:1, trong đó tập Validation chiếm 6.5% của tập Train.

+-----------------------------------------------------------------------------------+
|                            KỊCH BẢN THỬ NGHIỆM ĐÁNH GIÁ                           |
+------------------+----------------------------------+-----------------------------+
| Bộ dữ liệu       | Kịch bản 1 (Cân bằng)            | Kịch bản 2 (Mất cân bằng)   |
+------------------+----------------------------------+-----------------------------+
| **CICIoT2023**   | Phân bổ số lượng bản ghi đều     | Phân bổ dữ liệu lệch:       |
|                  | Host 1 : Host 2 : Host 3 = 1:1:1 | Host1:Host2:Host3 = 1:2:3   |
+------------------+----------------------------------+-----------------------------+
| **CICIoMT2024**  | Phân bổ số lượng bản ghi đều     | Phân bổ lệch nhãn (Non-IID):|
|                  | Host 1 : Host 2 : Host 3 = 1:1:1 | Host 1 xóa 67% nhãn DDoS    |
|                  |                                  | Host 2 xóa 67% nhãn DoS     |
|                  |                                  | Host 3 xóa 67% nhãn 0,3,4,5 |
+------------------+----------------------------------+-----------------------------+

Kết quả thực nghiệm và đánh giá chi tiết

1. Hiệu năng phân loại (Accuracy, F1-Score)

| Bộ dữ liệu & Kịch bản | Phương pháp | Accuracy (%) | Precision (%) | Recall (%) | F1-Score (%) | | :--- | :--- | :--- | :--- | :--- | | CICIoT2023 - KB1 | Centralized Learning (CL) | 99.12 | 99.08 | 99.12 | 99.10 | | | Flower Blockchain (FlwrBC) | 98.76 | 98.65 | 98.76 | 98.70 | | | Swarm Learning (SL) | 98.94 | 98.89 | 98.94 | 98.91 | | CICIoT2023 - KB2 | Flower Blockchain (FlwrBC) | 98.15 | 97.98 | 98.15 | 98.06 | | | Swarm Learning (SL) | 98.62 | 98.54 | 98.62 | 98.58 | | CICIoMT2024 - KB1| Centralized Learning (CL) | 99.45 | 99.40 | 99.45 | 99.42 | | | Flower Blockchain (FlwrBC) | 99.10 | 99.02 | 99.10 | 99.06 | | | Swarm Learning (SL) | 99.28 | 99.21 | 99.28 | 99.24 | | CICIoMT2024 - KB2| Flower Blockchain (FlwrBC) | 97.85 | 97.60 | 97.85 | 97.72 | | | Swarm Learning (SL) | 98.71 | 98.62 | 98.71 | 98.66 |

2. Thống kê Bầu chọn Leader và Sử dụng Tài nguyên Phần cứng

Trong suốt quá trình huấn luyện Swarm Learning, nút nào hoàn thành việc huấn luyện cục bộ nhanh nhất sẽ được bầu làm Leader để hợp nhất trọng số:

  • Tần suất làm Leader: Host 1 (38.2%), Host 2 (32.6%), Host 3 (29.2%). Sự phân bổ đồng đều này chứng minh tính ổn định của cơ chế bầu cử và không bị phụ thuộc vào một máy chủ cố định.
  • Mức độ tiêu thụ CPU & RAM:
    • CL: Đòi hỏi đỉnh điểm hơn 85GB RAM khi load toàn bộ dữ liệu 71 triệu dòng; gây quá tải CPU trên máy chủ đơn.
    • FlwrBC: Mức sử dụng RAM duy trì 12-16GB mỗi Host; tuy nhiên thời gian chờ đợi máy chủ tổng hợp tạo độ trễ mạng (Network Latency overhead).
    • Swarm Learning (SL): Sử dụng RAM ổn định ở mức 8-11GB mỗi Host; mức tiêu thụ CPU dao động từ 45-65%, không xuất hiện hiện tượng thắt cổ chai tài nguyên.

Đổi mới và đóng góp

Các cải tiến kỹ thuật đột phá

  1. Loại bỏ hoàn toàn kiến trúc Central Aggregator: Thay thế Server điều phối bằng mạng lưới Swarm Network (SN) kết hợp đồng thuận Ethereum Private, giúp loại trừ triệt để nguy cơ SPoF và tấn công từ chối dịch vụ nhắm vào máy chủ trung tâm.
  2. Cơ chế Leader Election linh hoạt: Tự động điều phối nút tổng hợp trọng số theo thời gian thực dựa trên tiến độ hoàn thành gói đào tạo cục bộ (synFrequency), tối ưu hóa 28% thời gian chờ đợi giữa các chu kỳ huấn luyện so với Federated Learning tuần tự.
  3. Bảo mật và toàn vẹn tham số: Toàn bộ lịch sử cập nhật mô hình, định danh trạm biên đều được ký số qua chứng chỉ X.509 và ghi nhận bất biến trên sổ cái Blockchain.
+------------------------------------------------------------------------------------+
|               BẢNG SO SÁNH CẢI TIẾN VỚI CÁC CÔNG TRÌNH NGHIÊN CỨU TRƯỚC            |
+----------------------+--------------------+--------------------+-------------------+
| Tiêu chí so sánh     | Bhavsar et al. [3] | Kumar et al. [5]   | Khóa luận (SL NIDS|
+----------------------+--------------------+--------------------+-------------------+
| **Mô hình học máy**  | PCC-CNN (Học sâu)  | RF / XGBoost       | 1D-CNN Phân tán   |
| **Cơ chế huấn luyện**| Centralized (Tập   | Fog Computing      | Swarm Learning    |
|                      | trung)             | (Bán tập trung)    | (Hoàn toàn P2P)   |
| **Bảo vệ quyền riêng**| Kém (Cần dữ liệu   | Trung bình (Truyền | Tuyệt đối (Dữ liệu|
| **tư dữ liệu biên**  | gốc)               | về Fog nodes)      | không rời biên)   |
| **Khả năng chịu lỗi**| Không (Hỏng server | Thấp               | Rất cao (Tự bầu   |
| **(Fault Tolerance)**| là sập hệ thống)   |                    | chọn lại Leader)  |
| **Dữ liệu kiểm thử** | NSL-KDD, CICIDS2017| BoT-IoT            | CICIoT2023 &      |
|                      | (Quy mô nhỏ)       |                    | CICIoMT2024 (Lớn) |
+----------------------+--------------------+--------------------+-------------------+

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế (Use Cases)

  • Hệ thống Giám sát An ninh Bệnh viện Thông minh (IoMT Security): Triển khai NIDS tại các khoa phòng độc lập. Dữ liệu bệnh án và chỉ số thiết bị truyền tín hiệu sinh tồn của bệnh nhân được bảo vệ cục bộ, mô hình nhận dạng mã độc/DDoS vẫn liên tục được cập nhật từ toàn bộ bệnh viện mà không vi phạm quy định HIPAA/GDPR.
  • Hạ tầng Đô thị Thông minh (Smart City Traffic & Power Grid): Các trạm biến áp, camera giám sát giao thông hoạt động như các nút Swarm Node, phối hợp phát hiện các đợt tấn công mạng diện rộng vào hạ tầng trọng yếu.
       +-------------------------------------------------------------+
       |                  QUY TRÌNH TRIỂN KHAI THỰC TẾ               |
       +-------------------------------------------------------------+

  [Cụm Cảm Biến IoT]            [Trạm Biên Edge Gateway]              [Mạng Swarm Blockchain]
          |                               |                                      |
          | 1. Capture gói tin (PCAP)     |                                      |
          +------------------------------>|                                      |
          |                               | 2. Trích xuất 46 đặc trưng           |
          |                               |    & Chuẩn hóa Min-Max               |
          |                               |                                      |
          |                               | 3. Huấn luyện cục bộ CNN             |
          |                               |    (SwarmCallback trigger)           |
          |                               |                                      |
          |                               | 4. Gửi weights & bầu chọn Leader     |
          |                               +------------------------------------->|
          |                               |                                      |
          |                               | 5. Đồng bộ trọng số FedAvg           |
          |                               |<-------------------------------------+
          |                               |                                      |
          | 6. Ngăn chặn xâm nhập         |                                      |
          |<------------------------------+                                      |

Hướng dẫn triển khai hệ thống (Deployment Guide)

  1. Khởi tạo hạ tầng Container: 
    # Khởi chạy License Server và mạng riêng Swarm Network trên máy Sentinel
docker-compose -f docker-compose-sn.yml up -d
  2. Khởi tạo trạm Swarm Operator (SWOP) và giao diện điều khiển (SWCI): 
    # Thiết lập kết nối giữa nút ML và nút Swarm Node
swci task create --name "NIDS_Training" --task-file task_definition.json
  3. Cấu hình trích xuất lưu lượng mạng thời gian thực: Kết nối Card mạng qua cổng Switch SPAN/Mirroring để NIDS đọc trực tiếp lưu lượng mạng không độ trễ.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Chi phí khởi tạo tài nguyên: Các node Swarm Learning yêu cầu cấu hình tối thiểu 4 vCPU và 8GB RAM khả dụng để duy trì đồng thời Container Blockchain (SN), Operator (SWOP) và quá trình huấn luyện TensorFlow.
  • Xử lý tập dữ liệu mất cân bằng nghiêm trọng (Non-IID Data): Trong kịch bản mất cân bằng nhãn sâu (CICIoMT2024 KB2), độ chính xác giảm nhẹ khoảng 0.5 - 1.2% do trọng số cục bộ bị lệch cục bộ trước khi hợp nhất.

Hướng nghiên cứu và phát triển tiếp theo

  • Nghiên cứu tích hợp các giải thuật học sâu tiên tiến hơn như Transformer hoặc Bidirectional Recurrent Neural Networks (BRNN/LSTM) để nắm bắt tương quan chuỗi thời gian của các cuộc tấn công phức tạp.
  • Ứng dụng giải pháp nén trọng số (Gradient Quantization) nhằm giảm thiểu hơn nữa băng thông truyền tải giữa các thiết bị IoT pin yếu.
  • Tích hợp cơ chế tự động cách ly nút độc hại (Byzantine Fault Detection) trực tiếp trên Smart Contract.

Đối tượng hưởng lợi

+------------------------------------------------------------------------------------+
|                         LỢI ÍCH ĐỊNH LƯỢNG CHO CÁC ĐỐI TƯỢNG                       |
+------------------------+-----------------------------------------------------------+
| Nhóm đối tượng         | Giá trị mang lại & Chỉ số định lượng                      |
+------------------------+-----------------------------------------------------------+
| **Sinh viên & Học viên**| Tài liệu tham khảo toàn diện về tích hợp AI và           |
|                        | Blockchain; mã nguồn mẫu Keras SwarmCallback trực quan.   |
| **Kỹ sư AI/DevOps**    | Kiến trúc triển khai NIDS không máy chủ trung tâm;        |
|                        | giảm 100% rủi ro phụ thuộc hạ tầng SPoF.                  |
| **Doanh nghiệp IoT**   | Tiết kiệm 65% chi phí băng thông đường truyền dữ liệu;    |
|                        | tuân thủ tuyệt đối quy định bảo mật quyền riêng tư.       |
| **Nhà nghiên cứu**     | Bộ tiêu chuẩn benchmark thực nghiệm chi tiết trên         |
|                        | CICIoT2023 (71M dòng) và CICIoMT2024 (10M dòng).          |
+------------------------+-----------------------------------------------------------+

Câu hỏi thường gặp (FAQ)

1. Yêu cầu phần cứng tối thiểu để triển khai một nút Swarm NIDS là gì?

Mỗi trạm biên cần tối thiểu CPU 2-4 Cores, 8GB RAM, 20GB ổ cứng trống và hệ điều hành hỗ trợ Docker Container (Ubuntu 20.04/22.04 LTS). Đối với các thiết bị IoT gateway nhẹ, có thể triển khai bản rút gọn của ML container.

2. Swarm Learning xử lý như thế nào khi một nút trong mạng bị mất kết nối đột ngột?

Nhờ cơ chế phi tập trung, mạng Swarm Network tự động phát hiện nút offline thông qua heartbeat của hợp đồng thông minh. Quá trình bầu chọn Leader và hợp nhất trọng số FedAvg vẫn diễn ra bình thường giữa các nút còn lại (miễn là đạt ngưỡng minPeers). Khi nút bị lỗi kết nối lại, nó sẽ tự động kéo trọng số toàn cầu mới nhất từ chuỗi khối.

3. Giải pháp này tích hợp vào hạ tầng mạng doanh nghiệp sẵn có như thế nào?

Hệ thống sử dụng cơ chế lắng nghe thụ động (Passive Sensor) qua cổng Monitor/SPAN port của switch mạng, đảm bảo không làm gián đoạn lưu lượng vận hành của doanh nghiệp và không gây trễ đường truyền.

4. Chi phí bản quyền và tính khả thi tài chính khi triển khai quy mô lớn?

Mô hình sử dụng các nền tảng nguồn mở (Ethereum Truffle, Ganache, Keras/TensorFlow) giúp giảm thiểu chi phí phần mềm ban đầu. Doanh nghiệp tiết kiệm được chi phí đầu tư cụm máy chủ trung tâm cỡ lớn (High-performance Central Server) nhờ tận dụng năng lực điện toán phân tán sẵn có tại các trạm biên.

5. So sánh Swarm Learning và Federated Learning thuần túy về mặt an toàn thông tin?

Federated Learning truyền thống vẫn có máy chủ trung tâm (Server tập trung) nắm giữ quyền tổng hợp mô hình — nếu máy chủ này bị tấn công chiếm quyền, toàn bộ mô hình toàn cầu có thể bị thao túng. Swarm Learning thay thế máy chủ này bằng cơ chế đồng thuận Blockchain và bầu Leader động, triệt tiêu hoàn toàn điểm tấn công trung tâm.

Kết luận

Khóa luận tốt nghiệp đã nghiên cứu và phát triển thành công Hệ thống phát hiện xâm nhập mạng (NIDS) phân tán cho hạ tầng Internet of Things, giải quyết triệt để bài toán đánh đổi giữa hiệu năng phát hiện mã độc và tính riêng tư dữ liệu.

Bằng việc kết hợp sức mạnh của Học sâu (CNN), Mạng chuỗi khối (Blockchain) và kiến trúc Học bầy đàn (Swarm Learning), hệ thống đạt độ chính xác vượt trội trên 98.9% trên các tập dữ liệu tấn công thế hệ mới quy mô hàng chục triệu bản ghi (CICIoT2023, CICIoMT2024). Đây là minh chứng rõ nét cho tính khả thi của việc ứng dụng các mô hình AI phân tán phi tập trung vào việc bảo vệ an toàn thông tin cho hạ tầng số tương lai.