Hệ Thống Phát Hiện Xâm Nhập Trong Mạng SDN Sử Dụng Mạng Đối Kháng Sinh

Khóa luận tốt nghiệp nghiên cứu tốt nghiệp an toàn thông tin trình phát hiện xâm nhập trong mạng khả lập trình dựa trên mạng đối, vận dụng lý thuyết vào thực tế, đề xuất giải pháp

• Tác giả: Võ Văn Minh
• Người hướng dẫn: ThS. Phan Thế Duy
• Trường học: Đại học Quốc gia TP. Hồ Chí Minh
• Chuyên ngành: Kỹ sư ngành An toàn thông tin
• Đề tài: Hệ Thống Phát Hiện Xâm Nhập Trong Mạng SDN Sử Dụng Mạng Đối Kháng Sinh
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2021
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: GIỚI THIỆU TỔNG QUAN
• 1.1. Đặt vấn đề
• 1.2. Tình hình nghiên cứu
• 1.3. Tính khoa học và tính mới của đề tài
• 1.4. Mục tiêu của đề tài
• 1.5. Đối tượng nghiên cứu
• 1.6. Phạm vi nghiên cứu
• 1.7. Cấu trúc khoá luận
• 2. CHƯƠNG 2: KIẾN THỨC NỀN TẢNG
• 2.1. Software-Defined Networking (SDN)
• 2.2. Tổng quan về SDN
• 2.3. Kiến trúc của SDN
• 2.4. Cơ chế hoạt động của SDN
• 2.5. Giới thiệu về phương pháp học sâu (Deep Learning)
• 2.5.1. Khái niệm học sâu
• 2.5.2. Phân loại học sâu
• 2.5.3. Mạng nơ-ron tích chập CNN (Convolutional Neural Network)
• 2.5.3.1. Kiến trúc chung của mạng nơ-ron tích chập
• 2.5.3.2. Mô hình hoạt động của CNN
• 2.5.4. Giới thiệu các kiến trúc CNN hiện đại
• 2.5.5. Mạng nơ-ron hồi quy (RNN - Recurrent Neural Network)
• 2.5.5.1. Giới thiệu về RNN
• 2.5.5.2. Mô hình hoạt động của RNN
• 2.5.5.3. Mô hình hoạt động của LSTM (Long short-term memory)
• 2.6. Generative Adversarial Network (GAN)
• 2.6.1. Giới thiệu về GAN
• 2.6.2. Cấu trúc mạng GAN
• 2.6.3. Mô hình AdvGAN
• 2.6.4. Giới thiệu về AdvGAN
• 2.6.5. Nguyên lý hoạt động của AdvGAN
• 2.6.6. Kỹ thuật học chuyển tiếp (Transfer Learning)
• 2.6.7. Các phép đo đánh giá mô hình
• 2.6.8. Hệ thống phát hiện xâm nhập NIDS
• 3. CHƯƠNG 3: PHƯƠNG PHÁP LUẬN VÀ THIẾT KẾ HỆ THỐNG
• 3.1. Giới thiệu chung
• 3.2. Phương pháp phát hiện tấn công
• 3.2.1. Phương pháp binary classifier
• 3.2.2. Phương pháp multiclass classifier
• 3.3. Mô hình phát hiện tấn công
• 3.3.1. Mô hình phát hiện tấn công sử dụng thuật toán MLP
• 3.3.2. Mô hình phát hiện tấn công sử dụng thuật toán LSTM
• 3.3.3. Mô hình phát hiện tấn công sử dụng thuật toán VGG-19
• 3.4. Mô hình phát sinh tấn công đối kháng
• 3.4.1. Mô hình phát sinh tấn công đối kháng sử dụng AdvGAN
• 3.4.2. Mô hình phát sinh tấn công đối kháng sử dụng Conditional GAN
• 3.5. Phương pháp tái huấn luyện
• 4. CHƯƠNG 4: KẾT QUẢ THỰC NGHIỆM, PHÂN TÍCH - ĐÁNH GIÁ
• 4.1. Các tập dữ liệu sử dụng
• 4.1.1. Tạo tập dữ liệu tấn công InSecLab2021
• 4.2. Xây dựng mô hình mạng bị tấn công
• 4.2.1. Triển khai ONOS Controller
• 4.2.2. Giới thiệu về CICFlowMeter
• 4.2.3. Tạo các Docker Image
• 4.2.4. Dựng mô hình với Containernet
• 4.2.5. Xây dựng mô hình mạng tấn công
• 4.2.5.1. Cài đặt Docker Swarm và POFfalner
• 4.2.5.2. Dựng mạng Botnet Mira
• 4.2.5.3. Thu thập tấn công và gắn nhãn dữ liệu
• 4.3. Gắn nhãn dữ liệu
• 4.4. Tiền xử lý dữ liệu
• 4.4.1. Xử lý dữ liệu đầu vào cho mô hình MLP và LSTM
• 4.4.2. Xử lý dữ liệu đầu vào cho mô hình VGG-19
• 4.5. Các tiêu chí đánh giá mô hình
• 4.6. Môi trường huấn luyện mô hình
• 4.6.1. Máy tính huấn luyện
• 4.6.2. Framework sử dụng
• 4.7. Huấn luyện IDS
• 4.7.1. Huấn luyện mô hình MLP
• 4.7.2. Huấn luyện mô hình LSTM
• 4.7.3. Huấn luyện mô hình VGG-19
• 4.7.4. Kết quả huấn luyện IDS
• 4.8. Huấn luyện mô hình GAN
• 4.8.1. Huấn luyện mô hình AdvGAN
• 4.8.2. Huấn luyện mô hình Conditional AdvGAN
• 4.9. Tấn công IDS sử dụng AdvGAN
• 4.10. Tấn công IDS sử dụng Conditional AdvGAN
• 4.11. Tái huấn luyện IDS bằng tập dữ liệu đối kháng
• 4.11.1. Tái huấn luyện IDS sử dụng tập dữ liệu đối kháng AdvGAN
• 4.11.2. Tái huấn luyện IDS sử dụng tập dữ liệu đối kháng Conditional AdvGAN
• 4.12. Phân tích - đánh giá
• 5. CHƯƠNG 5: KẾT LUẬN
• 5.1. Thuận lợi và khó khăn
• 5.2. Khó khăn
• 5.3. Hướng phát triển
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC

Tóm tắt

I. Tổng quan về Hệ Thống Phát Hiện Xâm Nhập Trong Mạng SDN

Hệ thống phát hiện xâm nhập (IDS) trong mạng định nghĩa bằng phần mềm (SDN) đang trở thành một chủ đề nóng trong lĩnh vực an ninh mạng. SDN cho phép quản lý mạng một cách linh hoạt và hiệu quả hơn, nhưng cũng đồng nghĩa với việc các mối đe dọa an ninh mạng ngày càng phức tạp hơn. Việc phát hiện và ngăn chặn các cuộc tấn công mạng là một thách thức lớn. Hệ thống IDS sử dụng mạng đối kháng sinh (GAN) có thể cải thiện khả năng phát hiện các hành vi bất thường trong mạng.

1.1. Khái niệm về Hệ Thống Phát Hiện Xâm Nhập

Hệ thống phát hiện xâm nhập (IDS) là một công cụ quan trọng trong việc bảo vệ an ninh mạng. IDS có thể phân loại thành hai loại chính: dựa trên dấu hiệu và dựa trên hành vi bất thường. Mỗi loại có những ưu điểm và nhược điểm riêng, nhưng IDS dựa trên hành vi bất thường đang ngày càng được ưa chuộng nhờ khả năng phát hiện các tấn công mới.

1.2. Tầm quan trọng của Mạng SDN trong An ninh Mạng

Mạng SDN cung cấp khả năng quản lý linh hoạt và hiệu quả cho các hệ thống mạng phức tạp. Tuy nhiên, sự phức tạp này cũng tạo ra nhiều lỗ hổng bảo mật. Việc áp dụng các giải pháp bảo mật như IDS trong môi trường SDN là rất cần thiết để bảo vệ hệ thống khỏi các cuộc tấn công mạng.

II. Vấn đề và Thách thức trong Hệ Thống Phát Hiện Xâm Nhập

Mặc dù hệ thống phát hiện xâm nhập trong mạng SDN có nhiều lợi ích, nhưng vẫn tồn tại nhiều thách thức. Các cuộc tấn công mạng ngày càng tinh vi và khó phát hiện hơn. Hệ thống IDS cần phải được cải tiến liên tục để đối phó với các mối đe dọa mới. Việc thiếu dữ liệu chất lượng để huấn luyện mô hình cũng là một vấn đề lớn.

2.1. Các loại tấn công mạng phổ biến

Các loại tấn công mạng như tấn công từ chối dịch vụ (DDoS), tấn công lừa đảo và tấn công mã độc đang gia tăng. Những tấn công này không chỉ gây thiệt hại về tài chính mà còn ảnh hưởng đến uy tín của tổ chức. Hệ thống IDS cần phải có khả năng phát hiện nhanh chóng và chính xác các loại tấn công này.

2.2. Thiếu hụt dữ liệu huấn luyện cho IDS

Một trong những thách thức lớn nhất đối với hệ thống IDS là việc thiếu hụt dữ liệu huấn luyện chất lượng. Dữ liệu không đủ đa dạng có thể dẫn đến việc mô hình không phát hiện được các tấn công mới. Việc sử dụng mạng đối kháng sinh (GAN) để tạo ra dữ liệu mới có thể là một giải pháp khả thi.

III. Phương pháp Sử dụng Mạng Đối Kháng Sinh trong IDS

Mạng đối kháng sinh (GAN) đã được chứng minh là một công cụ mạnh mẽ trong việc tạo ra dữ liệu huấn luyện cho hệ thống phát hiện xâm nhập. Bằng cách sử dụng GAN, có thể tạo ra các mẫu dữ liệu tấn công đa dạng, giúp cải thiện khả năng phát hiện của IDS. Phương pháp này không chỉ giúp tăng cường độ chính xác mà còn giảm thiểu thời gian và chi phí trong việc thu thập dữ liệu.

3.1. Cấu trúc và Nguyên lý hoạt động của GAN

Mạng đối kháng sinh (GAN) bao gồm hai thành phần chính: mạng sinh và mạng phân biệt. Mạng sinh tạo ra dữ liệu mới, trong khi mạng phân biệt đánh giá tính xác thực của dữ liệu. Quá trình này diễn ra liên tục cho đến khi mạng sinh tạo ra dữ liệu đủ chất lượng để đánh lừa mạng phân biệt.

3.2. Ứng dụng của GAN trong Hệ Thống IDS

Việc áp dụng GAN trong hệ thống IDS cho phép tạo ra các mẫu tấn công giả lập, giúp mô hình học hỏi và cải thiện khả năng phát hiện. Điều này đặc biệt hữu ích trong việc phát hiện các tấn công chưa từng thấy trước đây, từ đó nâng cao khả năng bảo vệ hệ thống mạng.

IV. Kết quả Nghiên cứu và Ứng dụng Thực tiễn

Nghiên cứu đã chỉ ra rằng việc sử dụng mạng đối kháng sinh (GAN) để tạo ra dữ liệu huấn luyện cho hệ thống phát hiện xâm nhập có thể cải thiện đáng kể khả năng phát hiện tấn công. Các thử nghiệm trên tập dữ liệu CSE-CIC-IDS2018 và InSecLab2021 cho thấy mô hình IDS được huấn luyện với dữ liệu sinh ra từ GAN có tỷ lệ phát hiện cao hơn so với mô hình truyền thống.

4.1. Kết quả thực nghiệm với dữ liệu CSE CIC IDS2018

Kết quả thực nghiệm cho thấy mô hình IDS sử dụng dữ liệu sinh ra từ GAN có tỷ lệ phát hiện tấn công cao hơn 15% so với mô hình không sử dụng GAN. Điều này chứng tỏ rằng GAN có thể tạo ra dữ liệu chất lượng cao, giúp cải thiện hiệu suất của IDS.

4.2. Ứng dụng thực tiễn trong các tổ chức

Nhiều tổ chức đã bắt đầu áp dụng phương pháp này để nâng cao khả năng bảo vệ hệ thống mạng của họ. Việc sử dụng GAN không chỉ giúp tiết kiệm thời gian và chi phí mà còn tăng cường khả năng phát hiện các mối đe dọa mới.

V. Kết luận và Hướng phát triển trong Tương lai

Hệ thống phát hiện xâm nhập trong mạng SDN sử dụng mạng đối kháng sinh (GAN) là một giải pháp tiềm năng cho các vấn đề an ninh mạng hiện nay. Nghiên cứu cho thấy rằng việc áp dụng GAN có thể cải thiện đáng kể khả năng phát hiện tấn công. Trong tương lai, cần tiếp tục nghiên cứu và phát triển các phương pháp mới để tối ưu hóa hiệu suất của IDS.

5.1. Tương lai của Hệ Thống IDS

Hệ thống IDS sẽ tiếp tục phát triển và cải tiến để đối phó với các mối đe dọa ngày càng tinh vi. Việc tích hợp các công nghệ mới như AI và machine learning sẽ giúp nâng cao khả năng phát hiện và phản ứng nhanh chóng với các cuộc tấn công.

5.2. Đề xuất nghiên cứu tiếp theo

Cần nghiên cứu thêm về việc tối ưu hóa các mô hình GAN để tạo ra dữ liệu chất lượng cao hơn. Ngoài ra, việc kết hợp GAN với các phương pháp học sâu khác có thể mở ra nhiều cơ hội mới trong việc phát hiện và ngăn chặn các cuộc tấn công mạng.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong kiến trúc mạng máy tính truyền thống, tầng điều khiển (control plane) và tầng dữ liệu (data forwarding plane) được tích hợp chặt chẽ theo chiều dọc bên trong các thiết bị phần cứng chuyên dụng. Sự liên kết này gây ra nhiều khó khăn khi quản trị viên cần thay đổi chính sách định tuyến, bảo trì hoặc cấu hình lại hệ thống, bởi mọi thao tác đều phải thực hiện thủ công trên từng thiết bị riêng lẻ từ các nhà sản xuất khác nhau. Mô hình mạng định nghĩa bằng phần mềm (Software-Defined Networking - SDN) ra đời nhằm khắc phục hạn chế này bằng cách tách rời tầng điều khiển khỏi tầng chuyển tiếp dữ liệu, tập trung quyền điều khiển về một bộ điều khiển trung tâm (Controller) và giao tiếp với các thiết bị mạng thông qua các giao thức chuẩn hóa như OpenFlow. Tuy nhiên, tương tự như các mạng truyền thống, môi trường SDN vẫn phải đối mặt với nhiều nguy cơ an ninh mạng và các cuộc tấn công tinh vi.

Để bảo vệ hạ tầng mạng, hệ thống phát hiện xâm nhập mạng (Network-based Intrusion Detection System - NIDS) được triển khai nhằm giám sát và nhận diện các hành vi bất thường. Trong khi NIDS dựa trên dấu hiệu (signature-based) có tỷ lệ cảnh báo nhầm thấp nhưng bất lực trước các cuộc tấn công mới (Zero-day), thì NIDS dựa trên hành vi bất thường (anomaly-based) ứng dụng kỹ thuật học sâu (Deep Learning) lại sở hữu khả năng nhận diện các dạng tấn công chưa từng xuất hiện. Dẫu vậy, hiệu quả của NIDS dựa trên học sâu phụ thuộc mật thiết vào chất lượng, số lượng và tính đa dạng của tập dữ liệu huấn luyện. Việc thu thập và gắn nhãn thủ công luồng dữ liệu mạng đòi hỏi chi phí tài nguyên, nhân lực và thời gian rất lớn. Bên cạnh đó, các nghiên cứu gần đây chứng minh rằng các mô hình học sâu rất dễ bị tổn thương trước dữ liệu đối kháng (adversarial examples) — tức các gói tin bị chèn thêm một lượng nhiễu cực nhỏ nhằm đánh lừa bộ phân loại của NIDS.

Khóa luận tốt nghiệp của tác giả Võ Văn Minh và Nguyễn Huy Thuật (ngành An toàn thông tin, Trường Đại học Công nghệ Thông tin, Đại học Quốc gia TP. Hồ Chí Minh, năm 2021) tập trung giải quyết bài toán trên thông qua hai mục tiêu nghiên cứu cụ thể:

1. Nghiên cứu các phương pháp huấn luyện hệ thống phát hiện xâm nhập mạng (NIDS) bằng các tập dữ liệu thực nghiệm để phát hiện các cuộc tấn công trong môi trường mạng khả lập trình SDN.
2. Nghiên cứu ứng dụng mạng đối sinh (Generative Adversarial Network - GAN) để phát sinh thêm các mẫu dữ liệu đối kháng từ tập dữ liệu ban đầu, phục vụ công tác tái huấn luyện nhằm củng cố và tăng cường năng lực phòng thủ cho NIDS.

Về đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Kiến trúc mạng khả lập trình SDN; hệ thống phát hiện xâm nhập mạng NIDS; các mô hình học sâu bao gồm mạng nơ-ron truyền thẳng đa tầng (MLP), mạng nơ-ron tích chập (CNN), mạng nơ-ron hồi quy (RNN/LSTM); mạng sinh đối kháng (GAN), cụ thể là mô hình AdvGAN và Conditional AdvGAN.
• Phạm vi nghiên cứu: Khóa luận tập trung vào việc nghiên cứu cơ chế sinh dữ liệu tấn công đối kháng và huấn luyện NIDS trên hai tập dữ liệu: tập dữ liệu chuẩn hóa quốc tế CSE-CIC-IDS2018 và tập dữ liệu InSecLab2021 được nhóm tác giả tự xây dựng thông qua mô hình thực nghiệm mạng SDN tại phòng thí nghiệm An toàn thông tin (InSecLab).

Điểm mới của khóa luận nằm ở việc đề xuất áp dụng kiến trúc Conditional AdvGAN. Mô hình AdvGAN truyền thống chỉ có thể sinh ra dữ liệu đối kháng cho một loại tấn công duy nhất trên mỗi lần huấn luyện, dẫn đến việc phải duy trì nhiều mô hình độc lập. Bằng cách tích hợp điều kiện nhãn vào bộ sinh và bộ phân biệt, Conditional AdvGAN cho phép sinh có chủ đích nhiều loại dữ liệu tấn công đối kháng khác nhau chỉ trong một kiến trúc duy nhất, tương thích với bài toán phân loại đa lớp (multiclass classification).

Cơ sở lý thuyết và phương pháp

Khóa luận xây dựng hệ thống giải pháp dựa trên nền tảng lý thuyết mạng máy tính và học máy chuyên sâu:

• Kiến trúc mạng SDN và giao thức OpenFlow: SDN được cấu trúc thành ba tầng riêng biệt: tầng ứng dụng (Application Layer), tầng điều khiển (Control Layer) với bộ điều khiển ONOS Controller đóng vai trò hệ điều hành mạng, và tầng dữ liệu (Data Layer) gồm các thiết bị chuyển mạch thực thi việc chuyển tiếp gói tin theo bảng luồng (Flow Table). Khi gói tin không khớp với bất kỳ quy tắc nào trong bảng luồng, thiết bị sẽ gửi yêu cầu lên Controller qua giao thức OpenFlow để nhận chính sách xử lý mới.

• Các thuật toán học sâu cho NIDS:

  • Multi-Layer Perceptron (MLP): Mạng truyền thẳng gồm các khối kết hợp lớp kết nối đầy đủ (Fully-Connected), lớp Dropout giảm hiện tượng quá khớp (overfitting) và hàm kích hoạt LeakyReLU.
  • Long Short-Term Memory (LSTM): Biến thể của mạng nơ-ron hồi quy RNN, sử dụng các cổng nhớ (Cell state) nhằm lưu trữ các đặc trưng phụ thuộc theo chuỗi thời gian của luồng mạng, giải quyết triệt để vấn đề tiêu biến đạo hàm (vanishing gradient).
  • VGG-19 kết hợp kỹ thuật học chuyển tiếp (Transfer Learning): Kiến trúc CNN sâu gồm 19 lớp từng đạt giải cao tại cuộc thi ILSVRC 2014 trên tập ImageNet. Khóa luận sử dụng chiến lược trích xuất đặc trưng (Feature Extractor), trong đó toàn bộ các lớp tích chập ban đầu được đóng băng trọng số, chỉ thay thế và huấn luyện lại các lớp phân loại (classifier) ở đầu ra nhằm nhận diện các mẫu luồng mạng đã được biến đổi thành dạng ảnh ma trận 224x224 pixel.

• Mạng sinh đối kháng (GAN) và mô hình AdvGAN: GAN hoạt động dựa trên lý thuyết trò chơi tổng bằng không (zero-sum game) giữa bộ sinh (Generator - $G$) và bộ phân biệt (Discriminator - $D$) để đạt đến trạng thái cân bằng Nash. Mô hình AdvGAN mở rộng kiến trúc này bằng cách tích hợp thêm mô hình mục tiêu $f$ (chính là NIDS). Hàm mất mát tổng thể của AdvGAN được biểu diễn qua công thức:

  $$\mathcal{L} = \mathcal{L}{adv} + \alpha \mathcal{L}{GAN} + \beta \mathcal{L}_{hinge}$$

  Trong đó: $\mathcal{L}{GAN}$ đảm bảo dữ liệu sinh ra tương đồng với phân phối dữ liệu gốc; $\mathcal{L}{adv}$ tối ưu hóa khả năng đánh lừa mô hình NIDS; $\mathcal{L}_{hinge}$ (soft hinge loss) giới hạn biên độ nhiễu chèn vào nhằm giữ nguyên bản chất hoạt động của gói tin.

• Phương pháp phân loại: Nhóm tác giả triển khai hai hướng tiếp cận phân loại gồm phân loại nhị phân (Binary Classifier - phân tách lưu lượng bình thường và tấn công riêng lẻ) và phân loại đa lớp (Multiclass Classifier - nhận diện đồng thời lưu lượng bình thường và nhiều phân lớp tấn công).

• Thang đo đánh giá: Hiệu năng mô hình được định lượng bằng ma trận nhầm lẫn (Confusion Matrix cả dạng unnormalized và normalized), độ chính xác (Accuracy), độ chuẩn xác (Precision), độ thu hồi (Recall) và điểm số F1 (F1-score).

Thiết kế và triển khai hệ thống

Khóa luận đã hiện thực hóa một môi trường mạng thử nghiệm hoàn chỉnh nhằm mô phỏng thực tế kịch bản tấn công và thu thập tập dữ liệu InSecLab2021:

[Mạng tấn công: Botnet Mirai / CNC] 
[Mạng bị tấn công: Containernet + OpenFlow Switch + ONOS Controller]

• Môi trường mạng bị tấn công:
  • Hệ thống sử dụng bộ điều khiển ONOS Controller phiên bản phân tán, cài đặt giao diện điều khiển và các ứng dụng định tuyến cần thiết.
  • Hạ tầng mạng được mô phỏng linh hoạt thông qua nền tảng Containernet, cho phép tích hợp các container Docker làm nút mạng kết nối trực tiếp với OpenFlow Switch ảo.
  • Các máy chủ cung cấp dịch vụ web và các nút giả lập người dùng hợp thức (User bot) được khởi tạo bằng các Docker Image chuyên biệt để tạo lưu lượng nền tự nhiên.
  • Cấu hình kỹ thuật Port Mirroring trên switch để sao chép toàn bộ lưu lượng luồng chuyển tiếp sang máy chủ bắt gói tin (Capturing Server).
• Môi trường mạng tấn công:
  • Cụm Docker Swarm được quản lý qua giao diện Portainer, phục vụ việc phân bổ tài nguyên và điều phối số lượng lớn các nút tấn công.
  • Triển khai mạng mã độc Botnet Mirai thực tế với máy chủ điều khiển trung tâm CNC (Command and Control) để phát động các kịch bản tấn công từ chối dịch vụ và quét cổng vào hệ thống SDN.
• Thu thập và tiền xử lý dữ liệu:
  • Công cụ CICFlowMeter được sử dụng để phân tích các tệp lưu lượng thô (pcap) thành các bản ghi luồng mạng (network flows) chứa các thuộc tính thống kê.
  • Dữ liệu thu được được gắn nhãn tương ứng với từng kịch bản thử nghiệm để hình thành tập dữ liệu InSecLab2021.
  • Quy trình tiền xử lý: Đối với mô hình MLP và LSTM, các trường dữ liệu được chuẩn hóa số học và chuyển thành vector đặc trưng. Đối với mô hình VGG-19, dữ liệu luồng được sắp xếp, tái cấu trúc thành ma trận hai chiều và nội suy kích thước về định dạng ảnh chuẩn $224 \times 224 \times 3$ pixel.

Nội dung chính theo từng chương

Chương 1: Giới thiệu tổng quan

Chương 1 thiết lập bức tranh tổng thể về đề tài nghiên cứu. Tác giả phân tích tính cấp thiết của việc bảo vệ an toàn thông tin trong mạng SDN khi hạ tầng điều khiển tập trung trở thành mục tiêu hấp dẫn cho các cuộc tấn công mạng. Chương này trình bày chi tiết tổng quan các nghiên cứu liên quan trên thế giới: mô hình MAD-GAN của Dan Li và cộng sự sử dụng LSTM-RNN; nghiên cứu của Paulo Freitas de Araujo-Filho cải tiến tốc độ sinh dữ liệu; công trình của Trầm Trọng Hữu về phát hiện bất thường dựa trên không gian ẩn; nghiên cứu nền tảng AdvGAN của Chaowei Xiao; và giải pháp DIGFuPAS của nhóm tác giả Phan Thế Duy sử dụng Wasserstein GAN trên các tập dữ liệu NSL-KDD và CICIDS2018. Trên cơ sở đó, chương xác lập mục tiêu, đối tượng, phạm vi nghiên cứu và đề xuất áp dụng Conditional AdvGAN nhằm giải quyết bài toán sinh dữ liệu đa lớp.

Chương 2: Kiến thức nền tảng

Chương 2 cung cấp hệ thống lý thuyết phục vụ cho toàn bộ khóa luận:

• Phân tích kiến trúc SDN ba tầng (Application, Control, Data), cơ chế điều khiển tách biệt và chu trình xử lý gói tin qua bảng luồng với giao thức OpenFlow.
• Khái quát các phương thức học sâu (có giám sát, không giám sát, bán giám sát).
• Cấu trúc mạng tích chập CNN (lớp Convolution trích xuất đặc trưng qua bộ lọc filter, lớp Max Pooling giảm chiều dữ liệu $2 \times 2$ bước nhảy 2, lớp Fully-Connected) và lịch sử phát triển qua các kiến trúc AlexNet, VGG-16, GoogleNet, ResNet, DenseNet.
• Cấu trúc mạng RNN và mô hình bộ nhớ dài-ngắn hạn LSTM với cơ chế cổng nhớ giải quyết bài toán chuỗi thời gian.
• Nguyên lý hoạt động của mạng GAN, lý thuyết trò chơi tổng bằng không và điểm cân bằng Nash.
• Cấu trúc và hàm tổn thất của AdvGAN trong việc tấn công mô hình học sâu thông qua tối ưu hóa nhiễu.
• Kỹ thuật học chuyển tiếp (Transfer Learning) phân tách thành hai hướng tiếp cận: Trích xuất đặc trưng (Feature Extractor) và Tinh chỉnh sâu (Fine-tuning).
• Cơ chế vận hành của hệ thống NIDS dựa trên dấu hiệu và dựa trên hành vi bất thường, cùng các chỉ số đo lường hiệu năng (Accuracy, Confusion Matrix, Precision, Recall, F1-score).

Chương 3: Phương pháp luận và thiết kế hệ thống

Chương 3 trình bày chi tiết quy trình nghiên cứu và kiến trúc các mô hình phát hiện, tấn công và tái huấn luyện:

• Phương pháp phân loại: Phân loại nhị phân (Binary Classifier) với các mô hình độc lập cho từng loại tấn công, và phân loại đa lớp (Multiclass Classifier) sử dụng một mô hình duy nhất để nhận diện tất cả các nhãn.
• Thiết kế bộ phát hiện IDS:
  • Mô hình MLP: Thiết kế 4 khối fully-connected kết hợp Dropout và LeakyReLU.
  • Mô hình LSTM: Xây dựng gồm 2 lớp LSTM trích xuất đặc trưng thời gian và 1 lớp fully-connected ở đầu ra.
  • Mô hình VGG-19: Ứng dụng kỹ thuật Feature Extractor, giữ nguyên các khối tích chập trích xuất đặc trưng của mạng nơ-ron sâu 19 lớp từ Oxford, chuyển đổi dữ liệu mạng thành ảnh và tái cấu trúc tầng phân loại cuối cùng.
• Thiết kế bộ sinh đối kháng: Hiện thực mô hình AdvGAN gốc và thiết kế mô hình cải tiến Conditional AdvGAN nhằm cho phép bộ sinh $G$ và bộ phân biệt $D$ tiếp nhận nhãn điều kiện, từ đó sinh dữ liệu tấn công có định hướng mà không cần huấn luyện riêng lẻ từng mô hình.
• Quy trình tái huấn luyện: Kết hợp dữ liệu sinh đối kháng từ Generator với tập dữ liệu huấn luyện ban đầu để cập nhật lại trọng số cho các mô hình IDS.

Chương 4: Kết quả thực nghiệm, phân tích - đánh giá

Chương 4 là phần nội dung thực nghiệm chuyên sâu:

• Thiết lập kịch bản trên hai tập dữ liệu: tập dữ liệu quốc tế CSE-CIC-IDS2018 và tập dữ liệu thực nghiệm tự tạo InSecLab2021.
• Triển khai mô hình testbed hoàn chỉnh: kết hợp ONOS Controller, Containernet, Docker Swarm, Portainer và mã độc Botnet Mirai; sử dụng CICFlowMeter trích xuất luồng mạng thành công.
• Tiền xử lý dữ liệu: chuẩn hóa thuộc tính cho MLP, LSTM và biến đổi không gian sang kích thước $224 \times 224$ cho VGG-19.
• Huấn luyện các mô hình IDS mục tiêu theo cả hai phương pháp Binary và Multiclass Classifier.
• Thực hiện tấn công đánh lừa các mô hình IDS bằng dữ liệu đối kháng sinh ra từ AdvGAN và Conditional AdvGAN, ghi nhận sự suy giảm hiệu năng của các bộ phân loại.
• Tái huấn luyện các mô hình IDS bằng tập dữ liệu bổ sung mẫu đối kháng và đánh giá lại độ chính xác, chứng minh năng lực phòng thủ của mô hình được cải thiện rõ rệt sau khi tái huấn luyện.

Chương 5: Kết luận và hướng phát triển

Chương 5 đúc kết toàn bộ quá trình nghiên cứu:

• Đánh giá các thuận lợi về môi trường phòng thí nghiệm InSecLab và nguồn tài liệu tham khảo.
• Chỉ ra các khó khăn trong việc tiêu tốn tài nguyên phần cứng tính toán khi huấn luyện đồng thời nhiều mô hình học sâu và mạng đối sinh GAN.
• Đề ra các hướng nghiên cứu mở rộng trong tương lai nhằm hoàn thiện hệ thống phòng thủ mạng SDN.

Kết quả và đóng góp

Nghiên cứu đã hiện thực hóa thành công chu trình khép kín: xây dựng môi trường SDN $\rightarrow$ tạo tập dữ liệu $\rightarrow$ huấn luyện NIDS $\rightarrow$ tấn công đối kháng bằng GAN $\rightarrow$ tái huấn luyện phòng thủ.

Hệ thống các mô hình và phương pháp kỹ thuật được triển khai trong khóa luận được tổng hợp trong bảng sau:

Thành phần hệ thống	Kỹ thuật / Công nghệ sử dụng	Vai trò trong nghiên cứu
Môi trường SDN	ONOS Controller, OpenFlow, Containernet	Mô phỏng hạ tầng mạng điều khiển tập trung, quản lý luồng dữ liệu
Môi trường tấn công	Docker Swarm, Portainer, Botnet Mirai	Giả lập mạng máy tính ma và phát động các kịch bản tấn công thực tế
Thu thập dữ liệu	CICFlowMeter, Port Mirroring	Bắt gói tin và trích xuất thành các bản ghi luồng mạng (Flows)
Tập dữ liệu	CSE-CIC-IDS2018, InSecLab2021	Dữ liệu huấn luyện, kiểm thử và sinh mẫu đối kháng
Mô hình IDS (Mục tiêu)	MLP (4 khối), LSTM (2 lớp), VGG-19 (Feature Extractor)	Nhận diện xâm nhập theo hai cơ chế: Binary và Multiclass Classifier
Mô hình sinh đối kháng	AdvGAN, Conditional AdvGAN	Tạo nhiễu đối kháng đánh lừa NIDS; sinh mẫu theo nhãn điều kiện
Chiến lược phòng thủ	Retraining (Tái huấn luyện)	Cập nhật tập huấn luyện với dữ liệu đối kháng để tăng độ bền vững

Các kết quả và đóng góp cụ thể mà tác giả đã đạt được:

• Xây dựng thành công tập dữ liệu InSecLab2021 phản ánh chân thực các luồng lưu lượng mạng hợp thức và lưu lượng tấn công Botnet Mirai trong môi trường SDN ảo hóa.
• Chứng minh tính khả thi của kỹ thuật học chuyển tiếp thông qua mô hình VGG-19: việc chuyển đổi dữ liệu luồng mạng phi hình ảnh thành biểu diễn ma trận ảnh $224 \times 224$ cho phép tận dụng các bộ trích xuất đặc trưng sâu đã được tiền huấn luyện từ tập ImageNet để phân loại xâm nhập mạng.
• Chứng minh thực nghiệm lỗ hổng bảo mật của các mô hình NIDS dựa trên học sâu: cả ba mô hình MLP, LSTM và VGG-19 đều bị suy giảm tỷ lệ phát hiện khi đối mặt với dữ liệu đối kháng được tối ưu hóa từ AdvGAN và Conditional AdvGAN.
• Khẳng định tính hiệu quả của phương pháp đề xuất: việc sử dụng Conditional AdvGAN giúp rút gọn kiến trúc huấn luyện khi chỉ cần duy trì một mô hình duy nhất để phát sinh nhiều loại dữ liệu tấn công có nhãn khác nhau. Quá trình tái huấn luyện NIDS với dữ liệu đối kháng giúp mô hình khôi phục và gia tăng đáng kể độ chính xác nhận diện tấn công trên cả hai tập dữ liệu CSE-CIC-IDS2018 và InSecLab2021.

Hạn chế và hướng nghiên cứu tiếp

Dựa trên các phân tích về khó khăn và phạm vi nghiên cứu được nêu trong văn bản, khóa luận tồn tại các điểm hạn chế sau:

• Hạn chế về tài nguyên tính toán: Việc huấn luyện các mạng nơ-ron sâu phức tạp (như VGG-19) kết hợp với cơ chế tối ưu hóa luân phiên giữa bộ sinh và bộ phân biệt trong mạng GAN đòi hỏi dung lượng bộ nhớ lớn và hiệu năng tính toán cao của GPU, dẫn đến thời gian huấn luyện kéo dài.
• Hạn chế về kịch bản tấn công: Dữ liệu tự thu thập InSecLab2021 mới chỉ dừng lại ở phạm vi các kịch bản tấn công do mạng Botnet Mirai thực hiện trên môi trường Containernet cục bộ của phòng thí nghiệm, chưa bao quát toàn bộ các biến thể tấn công mạng diện rộng khác.

Hướng phát triển tiếp theo được nhóm tác giả xác định bao gồm:

• Mở rộng môi trường thực nghiệm với nhiều kịch bản và họ mã độc tấn công đa dạng hơn trên mạng SDN.
• Nghiên cứu tối ưu hóa thuật toán của mạng sinh đối kháng nhằm giảm thiểu độ phức tạp tính toán và rút ngắn thời gian huấn luyện.
• Thử nghiệm tích hợp trực tiếp cơ chế phát hiện và phòng thủ đối kháng theo thời gian thực (real-time) ngay tại tầng điều khiển của ONOS Controller.

Giá trị tham khảo

Khóa luận là nguồn tài liệu học thuật và kỹ thuật giá trị dành cho sinh viên, học viên cao học và kỹ sư chuyên ngành An toàn thông tin, Kỹ thuật mạng máy tính và Trí tuệ nhân tạo ứng dụng.

Nội dung của khóa luận mang lại giá trị tham khảo thiết thực ở các khía cạnh:

• Phương pháp luận dựng testbed SDN thực tế: Quy trình kết hợp Containernet, OpenFlow Switch, ONOS Controller và Docker Swarm/Portainer là tài liệu hướng dẫn từng bước chuẩn xác cho các nghiên cứu muốn tái lập môi trường mạng khả lập trình và mạng Botnet Mirai để thu thập dữ liệu.
• Kỹ thuật tiền xử lý và chuyển đổi dữ liệu luồng sang ảnh: Phương pháp ánh xạ vector luồng từ CICFlowMeter thành ma trận ảnh $224 \times 224$ để áp dụng mạng tích chập VGG-19 cung cấp một hướng tiếp cận mở cho các bài toán an ninh mạng dựa trên thị giác máy tính.
• Kỹ thuật tấn công và phòng thủ đối kháng (Adversarial Robustness): Cách thức thiết kế hàm mất mát cho AdvGAN và việc tinh chỉnh sang Conditional AdvGAN là hình mẫu tham khảo rõ ràng cho các đề tài nghiên cứu về tính bền vững của các mô hình học máy trong an toàn thông tin.

Câu hỏi thường gặp

1. Khóa luận sử dụng các thuật toán học sâu nào để xây dựng hệ thống phát hiện xâm nhập NIDS?
Khóa luận thiết kế và thử nghiệm ba thuật toán học sâu độc lập gồm: Multi-layer Perceptron (MLP) với cấu trúc 4 khối kết nối đầy đủ, Long Short-Term Memory (LSTM) gồm 2 lớp hồi quy, và mô hình mạng nơ-ron tích chập VGG-19 được áp dụng kỹ thuật học chuyển tiếp (Transfer Learning) theo cơ chế trích xuất đặc trưng (Feature Extractor).

2. Điểm khác biệt cốt lõi giữa AdvGAN gốc và Conditional AdvGAN được đề xuất trong khóa luận là gì?
Mô hình AdvGAN gốc chỉ có thể sinh ra dữ liệu đối kháng cho một loại tấn công duy nhất trên mỗi mô hình được huấn luyện, muốn sinh nhiều loại tấn công phải tạo nhiều mô hình riêng rẽ. Conditional AdvGAN khắc phục nhược điểm này bằng cách đưa nhãn loại tấn công vào làm điều kiện cho cả mạng Generator ($G$) và Discriminator ($D$), giúp một mô hình duy nhất có thể sinh ra nhiều loại dữ liệu tấn công đối kháng theo mong muốn.

3. Dữ liệu luồng mạng được đưa vào mô hình VGG-19 bằng cách nào khi bản chất VGG-19 là mạng xử lý hình ảnh?
Dữ liệu luồng mạng sau khi trích xuất qua công cụ CICFlowMeter được nhóm tác giả tiền xử lý, chuẩn hóa các trường đặc trưng số học, sau đó chuyển đổi và tái cấu trúc thành dạng ma trận dữ liệu hai chiều và điều chỉnh kích thước về đúng chuẩn ảnh màu $224 \times 224$ pixel để đưa vào các lớp tích chập của VGG-19.

4. Môi trường thực nghiệm mạng bị tấn công và mạng tấn công được thiết lập bằng các công nghệ nào?
Mạng bị tấn công được dựng bằng ONOS Controller kết hợp nền tảng Containernet, các máy ảo của phòng thí nghiệm InSecLab, thiết bị chuyển mạch cấu hình port mirroring và công cụ CICFlowMeter. Mạng tấn công được triển khai trên cụm Docker Swarm quản lý bởi Portainer, tích hợp mạng mã độc Botnet Mirai với máy chủ CNC điều phối kịch bản tấn công.

5. Khóa luận đánh giá hiệu quả của hệ thống NIDS trên những tập dữ liệu nào?
Hệ thống được đánh giá trên hai tập dữ liệu: tập dữ liệu tiêu chuẩn quốc tế CSE-CIC-IDS2018 và tập dữ liệu InSecLab2021 do chính nhóm tác giả tự tạo thông qua quá trình tấn công, thu thập và gắn nhãn luồng mạng trong môi trường thực nghiệm.

Kết luận

Khóa luận tốt nghiệp của Võ Văn Minh và Nguyễn Huy Thuật đã nghiên cứu thành công giải pháp nâng cao năng lực cho hệ thống phát hiện xâm nhập mạng NIDS trong môi trường mạng định nghĩa bằng phần mềm SDN thông qua mạng đối sinh GAN. Bằng việc đề xuất ứng dụng Conditional AdvGAN kết hợp các thuật toán học sâu MLP, LSTM và VGG-19, công trình đã giải quyết hiệu quả bài toán tạo dữ liệu đối kháng đa lớp phục vụ tái huấn luyện hệ thống. Toàn bộ quy trình từ dựng testbed mô phỏng Containernet, thu thập tập dữ liệu InSecLab2021 đến thực nghiệm phòng thủ đã chứng minh tính khoa học, tính đúng đắn và khả năng ứng dụng thực tiễn của giải pháp trong an toàn thông tin mạng hiện đại.

Trích đoạn nội dung tài liệu

Chương 1. Giới thiệu tông quan về đề tài nghiên cứu, mục đích, đối tượng và phạm vi nghiên cứu. Trình bày các kiến thức nền tảng về SDN, Deep Learning, GAN, NIDS. Trình bày phương pháp luận và thiết kế hệ thống cho các phương pháp phát hiện tan công, sinh dit liệu, tái huấn luyện.

Hiện thực các phương pháp trình bày ở Chương 3, đánh giá kết quả đạt được. Dua ra kết luận, hướng phát triển cho khoá luận. KIÊN THUC NEN TANG 2. Software-Defined Networking (SDN) 2.

Tổng quan về SDN Trong những năm tồn tai và phát triển của Mang máy tính truyền thống, sự gia tăng mạnh mẽ về độ phức tạp của mạng đã mang lại những khó khăn trong việc quản trị nó. Việc câu hình các hệ thống mạng máy tính bằng các chính sách được xác định trước, câu hình lại các thiết bị mang dé đáp ứng với các thay đổi, hiệu chỉnh lỗi và cân bằng tải là trở thành những nhiệm vụ khó khăn. Vì có vẻ như các hệ thống mạng hiện tại được tích hợp theo chiều doc, tầng điều khiển va tầng dữ liệu được gắn kết với nhau. Vì vậy khi muốn cấu hình lại các tham số của mang, thay vì vốn về bản chat chúng ta chi cần thay đổi tang điều khiến thì chúng ta bắt buộc phải cấu hình lại hoàn toàn thiết bị (chứa cả tang dữ liệu lẫn tầng điều khiển), và phải làm trên từng thiết bị một cách thủ công mà không thé thay đổi đồng loạt toàn bộ tầng điều khiển cùng một lúc.

Thêm vào đó sự phát trién của các công nghệ ảo hóa cũng làm cho các công nghệ mạng truyền thống trở lên lỗi thời. Do hệ thống các thiết bị mạng truyền thống thường là các thiết bi đóng kin đắt tiền, trong đó phần mềm điều khiển và cau hình được gắn liền với phần cứng và mỗi hãng sản xuất lại cung cap một giao diện kết nối riêng làm cho độ phức tạp của mạng và khả năng tích hợp ngày càng trở lên khó kiểm soát. Việc ảo hóa do đó phục thuộc vào công nghệ và làm cho kết câu hệ thống mạng càng trở lên phức tạp, thiếu đồng bộ. Việc độc quyền các công nghệ mạng làm cho việc thay thé và sửa đổi, bổ sung các tính năng mới cho thiết bị cũng gặp nhiều hạn chế.

Các thiết bị cũng trở nên phức tạp và có nguy cơ chứa nhiều lỗ hồng, chang hạn như các phần mềm điều khiến routers có kích thước hơn 20 triệu dòng code với nguy cơ chứa day những lỗ hồng bao mật nghiêm trọng. Nhưng dé thay thế hoặc update các bản vá mới cho thiết bị đòi hỏi phải làm trên từng thiết bị một gây ra rất nhiều khó khăn cho các quản tri viên và trong trường hợp xâu nao đó, quản tri viên hoàn toàn có thé bỏ quên một vài thiết bị có lỗ héng chang hạn, điều này làm tăng các điểm yếu và nguy cơ an toàn cho mạng. Tóm lại các công nghệ mạng truyền thống đang gặp nhiều vấn đề trong việc quản lý và vận hành. Vì vậy sự ra đời của SDN được xem là một đột phá về kiến trúc mạng, tuy chưa được sử dụng rộng rãi nhưng SDN được kỳ vọng là tương lai của mạng máy tính với nhiều ưu điểm.

Sự khác biệt giữa kiến trúc mạng truyền thống và SDN được mô tả trong Hình 2. Traditional Network Software-Defined Network Hình 2.1: Sự khác biệt giữa kiến trúc mạng truyền thống và kiến trac SDN SDN là một kiểu kiến trúc mạng cho phép việc quản lý, điều khiến và tối ưu hóa tài nguyên mạng theo thiên hướng lập trình. SDN phân tách các cấu hình mang và việc thiết kế, lưu thông lưu lượng mạng ra khỏi phan ha tang phan cứng để đảm bảo việc quản lý và kiểm soát khi sử dụng các API mạng (network Application Programming Interface) trở nên hoàn chỉnh và đồng nhất hơn. Về mặt cơ bản, đây là cách thức sử dụng các giao thức mở như OpenFlow, giao thức mà có thé áp dụng cho mọi nơi dùng phần mềm dé quản lý việc truy cập vào các thiết bị mạng như switch, router có firmware độc quyền (như Cisco, Jupiter,.

SDN được định nghĩa bởi việc phân tách tầng điều khiến (control plane) và tang truyền dir liệu (data forwarding plane) trong hệ thống mạng. Nó là một kiểu kiến trúc giúp làm giảm chi phí vận hành và tăng tốc thời gian đáp ứng khi có yêu cầu thay đổi hoặc cung cấp thêm dịch vụ. SDN còn cho phép môi trường mạng kết nối trực tiếp đến các ứng dụng thông qua API để nâng cao độ bảo mật và hiệu suất của ứng dụng. SDN tạo ra một kiêu kiến trúc mạng linh hoạt tạo điều kiện cho sự thay đổi khi cần thiết.

Kiến trúc của SDN Kiến trúc của SDN gồm 3 tầng riêng biệt: tầng ứng dụng (Application Layer), tầng điều khiển (Control Layer), và tầng dữ liệu (Data Layer). Kiến trúc của SDN được mô tả trong Hình 2. Load Traffic/Security Application Laver Balancing Monitoring Ppp y Application-Control Interface OpenDayLight "1 Control Layer Control-Data Interface Virtual Switch | Data Layer Hình 2.2: Kiến trúc của SDN e Tang ứng dụng: Các ứng dụng như cân bằng tải, giám sát mang,. được triển khai tại tang này.

Nhờ khả năng thu thập thông tin từ bộ điều khiến, các ứng dụng này có thé có cái nhìn tong quan về mạng và có thé đưa ra quyết định điều khiến, thiết lập các thông số mạng cũng như tạo ra chính sách chuyển tiếp tối ưu đựa trên toàn bộ mạng. Với SDN, việc quản lý mạng có thê được thực hiện thông qua một giao diện duy nhất, trái ngược với việc cấu hình ở mỗi thiết bị mạng riêng lẻ. Việc này có thé thực hiện nhờ tang ứng dụng liên kết với lớp điều khiển thông qua các API. ° Tang diéu khién: La noi tập trung các bộ điều khiển (Controller) thực hiện việc điều khiển cấu hình mạng theo các yêu cau từ lớp ứng dụng và kha năng của mạng.

Controller hoạt động như một loại hệ điều hành cho SDN. Tất cả thông tin liên lạc giữa các ứng dụng và các thiết bị phải đi qua controller. Controller thường sử dụng giao thức OpenFlow và cung cấp API để cấu hình các thiết bị mạng, quản lý kiểm soát luồng lưu lượng trong môi trường mạng. e Tang dữ liệu: Là các thiết bi mạng thực tế (vật lý hay ảo hóa) thực hiện việc chuyên tiếp gói tin theo sự điều khiến của lớp điều khiển.

Một thiết bị mạng có thê hoạt động theo sự điều khién của nhiều bộ điều khiển khác nhau, điêu này giúp tăng cường khả năng ảo hóa của mạng. Cơ chế hoạt động của SDN Dữ liệu trong mang SDN được truyền đi theo hai luồng riêng biệt. Luồng dữ liệu chuyền tiếp các gói tin đi trong mạng, bao gồm tất cả các hàm và tiến trình chịu trách nhiệm xử lý và chuyên tiếp gói tin. Luồng điều khiển chuyền tiếp các gói mang thông tin điều khiến từ thiết bị chuyển mạch đến bộ điều khiển và ngược lại.

SDN hoạt động dựa trên cơ chế tách riêng việc kiểm soát luồng điều khiển với luồng dé liệu. Luông điều khiển không nằm trong các nút như mạng truyền thống mà được tách ra từ các thiết bị vật lý và chuyên đến quản lý tập trung tại các bộ điều khiển. Điều này giúp cho việc quản ly mạng có thé được thực hiện thông qua một giao diện duy nhất, trái ngược với viéc cau hình ở mỗi thiết bi mạng riêng lẻ. Việc tương tác với các thiết bị mạng vật lý được bộ điều khiển thực hiện thông qua một giao thức chuẩn dành riêng cho mạng SDN, phổ biến nhất là OpenFlow.

Luéng dữ liệu của SDN gồm các thiết bi mạng chứa bảng luồng, và trong bảng luồng chứa nhiều bản ghi luồng. Các bản ghi luồng quy định các hành vi và 10 nguyên tắc về đường đi cho các gói tin đi trong mạng. Luéng điều khiến trao đồi các gói tin mang thông tin về việc điều khién đường di, cau hình của gói tin,. giữa bộ điều khiến và các thiết bị chuyển mạch.

Thông qua các gói tin truyền đi trong luồng điều khiến, bộ diều khiến biết và quản lý sự tồn tại của các bản ghi luéng. Quy trình xử lý khi có gói tin đi đến một thiết bị chuyển mach trong mang SDN có thé được mô tả trong Hình 2. Controller (2) (3) Forward Feedback Flow Table Match Flow Table Packet Entries? Departure Hình 2.3: Quy trình xử lý gói tin trong mạng SDN Khi có gói tin đến, thiết bị chuyển mạch tra cứu trong bảng luồng. Nếu gói tin khớp với các nguyên tắc có trong bản ghi luồng thì thiết bị chuyển mạch thực thi các hành vi tương ứng và cập nhật các số liệu, nếu không thì chuyền thông tin về gói tin đến bộ điều khiển.

Bộ điều khiển xử lý thông tin gói tin, chuyển một bản ghi luồng chứa nguyên tắc và hành vi mới vào bảng luỗng của thiết bị chuyên mạch. Thiết bị chuyên mạch dựa vào nguyên tắc mới dé xử lý gói tin. Nếu van không có bản ghi luồng chứa nguyên tắc thích hợp thì hủy gói tin. Hướng tiếp cận 11 này cũng đơn giản hoá công việc triên khai các chức năng mạng.

Điêu này cho phép luéng các gói dit liệu đi qua mạng được kiểm soát theo hướng lập trình. Giới thiệu về phương pháp học sâu (Deep Learning) 2. Khái niệm học sâu Deep Learning là đào tạo một máy tính học giống như bộ não con người. Đôi khi được gọi là mạng thần kinh sâu (deep neural networking) hoặc học thần kinh sâu (deep neural learning), nó được liên kết với trí thông minh nhân tạo và thông qua máy tinh học sâu, "học" để nhận ra các mẫu và xác định các đôi tượng trừu tượng.

Để hiểu rõ về học sâu, hãy tưởng tượng một đứa trẻ học về loài méo. Đứa trẻ học dé nhận biết đó có phải là một con mèo hay không bằng cách chỉ vào nó và nói từ “mèo”. Phụ huynh nói "Đúng rồi, đó là một con mèo" hoặc "Không phải, đó không phải là một con mèo”. Khi trẻ tiếp tục chỉ vào đồ vật, trẻ sẽ nhận thức rõ hơn về các đặc điểm của mèo như đuôi, tai, lông và bốn chân.

Đứa trẻ đang làm rõ một sự trừu tượng phức tạp - khái niệm về một con mèo - bằng cách xây dựng một hệ thông phân cấp trong đó mỗi cấp độ trừu tượng được tạo ra với kiến thức mà lớp trước của hệ thống phân cấp thu được. Một chương trình có thể nhận ra một loài hoa dựa trên một bức ảnh hoặc bài hat dựa trên âm thanh của ai đó đang ngâm nga thì đó là kết quả của một mạng lưới thần kinh.