Bối cảnh và vấn đề nghiên cứu

Trong xu hướng phát triển của Công nghiệp 4.0 và kỷ nguyên Vạn vật kết nối (IoT), kiến trúc mạng khả lập trình (Software Defined Networking - SDN) theo định nghĩa của Tổ chức Mạng mở (Open Networking Foundation - ONF) được ứng dụng rộng rãi trong các trung tâm dữ liệu, mạng doanh nghiệp và điện toán đám mây. Khác với mạng truyền thống vốn tích hợp chặt chẽ chức năng định tuyến và chuyển tiếp trên từng thiết bị đơn lẻ, SDN tách biệt hoàn toàn mặt phẳng điều khiển (Control Plane) và mặt phẳng dữ liệu (Data/Forwarding Plane). Kiến trúc này cho phép quản trị viên lập trình, giám sát và điều hướng lưu lượng tập trung thông qua bộ điều khiển (SDN Controller) quản lý các bộ chuyển mạch OpenFlow (OpenFlow Switches). Tuy nhiên, tính chất tập trung của bộ điều khiển cũng biến nó thành mục tiêu rủi ro hàng đầu trước các cuộc tấn công mạng ở nhiều tầng (mặt phẳng ứng dụng, dữ liệu và điều khiển).

Các cơ chế phòng thủ truyền thống như tường lửa (Firewall) hoặc hệ thống phát hiện xâm nhập dựa trên dấu hiệu (Signature-based IDS) như Snort hay Suricata chỉ phát hiện được những mẫu tấn công đã định danh trong cơ sở dữ liệu, không thể nhận diện các cuộc tấn công mới hoặc biến thể zero-day. Ngược lại, các hệ thống phát hiện xâm nhập dựa trên học máy (Machine Learning-based IDS) phát hiện dị thường lưu lượng mạng hiệu quả hơn nhưng đang đối mặt với ba rào cản kỹ thuật lớn:

  1. Sự phụ thuộc vào dữ liệu gán nhãn: Các mô hình học có giám sát đòi hỏi tập dữ liệu gán nhãn quy mô lớn, trong khi quy trình thu thập và gán nhãn thủ công tốn kém chi phí, mất nhiều thời gian và không khả thi đối với các kiểu tấn công chưa từng xuất hiện.
  2. Khả năng tự thích ứng suy giảm theo thời gian: Phần lớn nghiên cứu chỉ tập trung huấn luyện mô hình tĩnh trước khi triển khai (pre-train). Khi môi trường mạng xuất hiện các phương thức tấn công mới, độ chính xác của mô hình giảm dần nếu không có cơ chế tự học và bù đắp mất cân bằng dữ liệu.
  3. Vấn đề quyền riêng tư và băng thông trong mạng phân tán: Việc thu gom toàn bộ dữ liệu lưu lượng từ các bộ điều khiển phân tán về một máy chủ trung tâm để huấn luyện vi phạm các quy định bảo mật dữ liệu, đồng thời gây nghẽn đường truyền và tăng độ trễ mạng.

Để giải quyết các thách thức trên, đề tài xác định mục tiêu và nhiệm vụ nghiên cứu cụ thể:

  1. Nghiên cứu và xây dựng mô hình phát hiện xâm nhập sử dụng Bộ mã hóa tự động đối kháng bán giám sát (Semi-supervised Adversarial Autoencoder - SAAE) nhằm giảm thiểu nhu cầu dữ liệu gán nhãn ban đầu.
  2. Xây dựng cơ chế sinh và tăng cường dữ liệu dựa trên Autoencoder và Mạng sinh đối kháng (Generative Adversarial Networks - GAN) nhằm giải quyết bài toán mất cân bằng dữ liệu, tự động bổ sung mẫu tấn công mới và tăng cường tính đa dạng cho bộ dữ liệu huấn luyện theo thời gian.
  3. Ứng dụng phương pháp Học liên kết (Federated Learning - FL) để triển khai mô hình IDS phân tán trên kiến trúc mạng SDN gồm Root Controller và các Domain Controller, cho phép cập nhật và tổng hợp trọng số mô hình mà không cần chia sẻ dữ liệu thô.

Đối tượng nghiên cứu: Kiến trúc mạng khả lập trình (SDN); mô hình mạng sinh đối kháng (GAN); mô hình học cộng tác (Federated Learning); mô hình Bộ mã hóa tự động (Autoencoder, AAE, SAAE); các thư viện học máy TensorFlow, Keras, Scikit-learn và môi trường mô phỏng mạng Containernet.

Phạm vi nghiên cứu: Hệ thống IDS kết hợp GAN, Encoder và Học liên kết được thiết kế, thực nghiệm và đánh giá trên môi trường mô phỏng SDN phân tán; kiểm thử hiệu năng trên các bộ dữ liệu an ninh mạng chuẩn và dữ liệu chuyên biệt cho mạng SDN (NF-UNSW-NB15, NF-CSE-CIC-IDS2018, CIC-ToN-IoT, INSDN, INSECLAB). Thời gian thực hiện đề tài từ ngày 14/02/2022 đến ngày 15/07/2022.

Cơ sở lý thuyết và phương pháp

Khóa luận xây dựng nền tảng dựa trên các trụ cột lý thuyết và phương pháp sau:

Khung lý thuyết và mô hình kỹ thuật

  • Kiến trúc mạng khả lập trình (SDN): Mô hình phân lớp gồm Root Controller điều phối tầng trên và các Domain Controller quản lý trực tiếp các OpenFlow Switch ở tầng dữ liệu.
  • Học cộng tác (Federated Learning - FL): Khung học máy phân tán cho phép nhiều nút mạng (client) huấn luyện mô hình cục bộ trên dữ liệu riêng và chỉ gửi tham số/trọng số mô hình (weights) về máy chủ trung tâm (server) để tổng hợp. Nghiên cứu tổng hợp các phân loại FL (Horizontal FL, Vertical FL, Federated Transfer Learning) và các thuật toán tổng hợp trọng số: FedAvg, SMC-Avg, FedProx, FedMA, Scaffold, Tensor Factorization (TRIP), APFL.
  • Mạng sinh đối kháng (GAN) & CTGAN: Mô hình học sâu gồm mạng sinh (Generator $G$) và mạng phân biệt (Discriminator $D$) tối ưu hóa hàm đối kháng minimax: $$\min_G \max_D V(D, G) = \mathbb{E}{x \sim p{\text{data}}(x)}[\log D(x)] + \mathbb{E}_{z \sim p_z(z)}[\log(1 - D(G(z)))]$$
  • Bộ mã hóa tự động (Autoencoder - AE): Mạng nơ-ron gồm bộ mã hóa (Encoder) nén dữ liệu đầu vào $X$ thành vector đặc trưng tại lớp cổ chai (Bottleneck) $H = \phi(W_i X + b_1)$ và bộ giải mã (Decoder) tái tạo lại dữ liệu $Y = \phi(W_{jk} H + b_2)$ thông qua tối thiểu hóa hàm mất mát sai số bình phương trung bình (MSE) $J_e(W, b)$.
  • Bộ mã hóa tự động đối kháng bán giám sát (SAAE): Cấu trúc SAAE kết hợp AE với hai bộ phân biệt đối kháng để phân tách không gian tiềm ẩn thành hai vector:
    • Vector biến tiềm ẩn $z_1$: Ánh xạ theo phân phối phân loại Categorical $\text{Cat}(z_1)$, nhận giá trị one-hot đại diện cho thông tin lớp nhãn ("bình thường" hoặc "tấn công").
    • Vector biến tiềm ẩn $z_2$: Ánh xạ theo phân phối chuẩn Gaussian $\mathcal{N}(0, I)$ với số chiều cố định bằng 50, lưu trữ các thuộc tính phức tạp của lưu lượng mạng. Mô hình được tối ưu hóa qua thuật toán Stochastic Gradient Descent (SGD) với 3 giai đoạn: Giai đoạn tái tạo (Reconstruction phase), Giai đoạn điều chỉnh phân phối (Regularization phase) và Giai đoạn học bán giám sát (Semi-supervised phase).

Phương pháp nghiên cứu và thực nghiệm

Tác giả sử dụng phương pháp thực nghiệm định lượng kết hợp thiết kế hệ thống kỹ thuật:

  • Phương pháp thu thập và tiền xử lý dữ liệu: Chuẩn hóa các tập dữ liệu mạng lưu lượng NetFlow và PCAP, trích xuất đặc trưng số, xử lý mất cân bằng lớp và mã hóa one-hot.
  • Phương pháp huấn luyện phân tán: Thiết lập kiến trúc học liên kết sử dụng thuật toán FedAvg để tổng hợp trọng số giữa các nút mạng cục bộ.
  • Phương pháp kiểm thử và chỉ số đánh giá: Đo lường hiệu năng mô hình thông qua Độ chính xác (Accuracy), Độ thu hồi (Recall), Độ chuẩn xác (Precision), Điểm F1 (F1-Score) và diện tích dưới đường cong ROC (AUC).

Nguồn dữ liệu sử dụng

Khóa luận sử dụng 5 bộ dữ liệu an ninh mạng và dữ liệu mạng SDN:

  1. NF-UNSW-NB15: Bộ dữ liệu mạng chuẩn hóa định dạng NetFlow từ tập gốc UNSW-NB15.
  2. NF-CSE-CIC-IDS2018: Bộ dữ liệu tấn công mạng quy mô lớn định dạng NetFlow.
  3. CIC-ToN-IoT: Tập dữ liệu lưu lượng an ninh mạng dành riêng cho môi trường Internet vạn vật (IoT).
  4. INSDN: Bộ dữ liệu tấn công xâm nhập chuyên biệt được thu thập trực tiếp trên môi trường SDN.
  5. INSECLAB: Bộ dữ liệu lưu lượng mạng phục vụ kiểm thử hệ thống bảo mật SDN.

Thiết kế và triển khai hệ thống FG-SAAE

Hệ thống đề xuất mang tên FG-SAAE (Federated GAN Semi-supervised Adversarial Autoencoder), tích hợp đồng thời ba thành phần mạng nơ-ron tại mỗi bộ điều khiển SDN phân tán (Domain Controller): mô hình phân loại SAAE, bộ nén Autoencoder và bộ sinh dữ liệu GAN/CTGAN.

Thành phần Vai trò kiến trúc Đầu vào / Đầu ra
SAAE Module Nhận diện và phân loại gói tin độc hại bằng phương pháp bán giám sát Đầu vào: Vector đặc trưng gói tin; Đầu ra: Nhãn dự đoán ($z_1$) và vector đặc trưng ẩn ($z_2$)
Autoencoder Module Nén không gian thuộc tính của các cụm gói tin bất thường mới phát hiện Đầu vào: Dữ liệu tấn công chưa rõ nhãn; Đầu ra: Vector tiềm ẩn nén tại Bottleneck
GAN Module Sinh dữ liệu tăng cường từ không gian tiềm ẩn của các mẫu bất thường Đầu vào: Vector nhiễu ngẫu nhiên + vector nén; Đầu ra: Mẫu dữ liệu tấn công nhân tạo
Federated Coordinator Máy chủ điều phối tổng hợp trọng số mô hình từ các Domain Controller Đầu vào: Trọng số cục bộ từ các Client; Đầu ra: Trọng số mô hình toàn cục (Global Model)

Quy trình hoạt động tự cải tiến của hệ thống trải qua 3 giai đoạn:

  1. Giai đoạn tiền đào tạo (Pre-training Phase): Huấn luyện mô hình SAAE ban đầu với một lượng nhỏ dữ liệu gán nhãn kết hợp lượng lớn dữ liệu không gán nhãn trên từng Domain Controller; áp dụng Federated Learning để đồng bộ trọng số toàn cục.
  2. Giai đoạn vận hành (Operational Phase): SAAE phân loại lưu lượng mạng theo thời gian thực dựa trên giá trị của vector $z_1$. Hệ thống tính khoảng cách từ các cụm gói tin mới tới cụm bình thường; các mẫu bất thường được tự động lưu trữ đặc trưng vào bộ nhớ đệm.
  3. Giai đoạn cập nhật và tự cải tiến (Updating / Evolving Phase): Autoencoder trích xuất và nén các thuộc tính tấn công mới; GAN sử dụng vector nén này để sinh thêm các biến thể dữ liệu tương tự nhằm mở rộng tập huấn luyện; SAAE được tái huấn luyện cục bộ với dữ liệu tăng cường và tiếp tục gửi trọng số cập nhật lên máy chủ qua Federated Learning.

Công nghệ triển khai: Ngôn ngữ Python, framework TensorFlow, Keras, Scikit-learn; mạng SDN được giả lập thông qua công cụ Containernet cho phép liên kết các Docker container với OpenFlow Switch và bộ điều khiển SDN.

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương 1 thiết lập bài toán nghiên cứu về an ninh mạng trong bối cảnh SDN. Tác giả phân tích các công trình IDS tiền nhiệm: phương pháp SSAE trên NSL-KDD đạt độ chính xác 99% nhưng yêu cầu gán nhãn toàn bộ [28]; mô hình kết hợp RNN và LSTM của Dan Li đạt độ chính xác 98% và F1-score khả quan [17] nhưng gặp khó khăn khi triển khai thực tế do thiếu hụt nhãn; mô hình kết hợp GAN và Autoencoder [5] mới chỉ dừng lại ở chỉ số AUC; mô hình của Mirsky [21] có độ chính xác cao nhưng độ thu hồi (Recall) chỉ đạt khoảng 30%, bỏ sót nhiều cuộc tấn công. Chương 1 chỉ ra nhu cầu cấp thiết về một mô hình vừa bảo đảm quyền riêng tư bằng học liên kết, vừa có khả năng tự tiến hóa khi xuất hiện tấn công mới.

Chương 2: Cơ sở lý thuyết

Chương 2 trình bày có hệ thống các khái niệm nền tảng:

  • Kiến trúc phân tách hai mặt phẳng của SDN và vai trò bảo mật của bộ điều khiển tập trung.
  • Nguyên lý hoạt động 5 bước của Federated Learning, phân loại FL và toán học của các giải thuật tổng hợp trọng số (FedAvg, FedProx, Scaffold, APFL).
  • Cơ chế minimax của GAN, cấu trúc Encoder-Decoder của Autoencoder cùng nguyên lý thu gọn thông tin tại Bottleneck.
  • Toán học của Adversarial Autoencoder (AAE) và kiến trúc chi tiết của Semi-supervised Adversarial Autoencoder (SAAE) với hai phân phối mục tiêu $\text{Cat}(z_1)$ và $\mathcal{N}(z_2 | 0, I)$ phục vụ phân loại bán giám sát.

Chương 3: Phương pháp đề xuất

Chương 3 chi tiết hóa giải pháp kiến trúc FG-SAAE. Tác giả mô tả chi tiết các tầng nơ-ron (layer) trong khối SAAE, thuật toán trích xuất đặc trưng của Autoencoder và mô hình CTGAN phục vụ sinh dữ liệu dạng bảng (tabular network data). Chương này mô tả tường minh sơ đồ khối và quy trình 3 giai đoạn: tiền đào tạo, vận hành giám sát thời gian thực và tự cải tiến tham số mô hình thông qua vòng lặp phản hồi dữ liệu sinh đối kháng kết hợp đồng bộ hóa liên kết.

Chương 4: Thực nghiệm và đánh giá

Chương 4 thiết lập hệ thống thực nghiệm gồm 6 kịch bản kiểm thử nhằm xác minh từng giả thuyết nghiên cứu:

  • Kịch bản 1: Đánh giá hiệu năng của SAAE độc lập trên hai tập dữ liệu CIC-ToN-IoT và NF-CSE-CIC-IDS2018 khi tỷ lệ dữ liệu có nhãn ở mức thấp.
  • Kịch bản 2: So sánh mô hình học cộng tác (Federated Learning) với mô hình huấn luyện tập trung (Centralized) trên 3 tập dữ liệu (NF-UNSW-NB15, NF-CSE-CIC-IDS2018, CIC-ToN-IoT) dưới hai trường hợp phân phối dữ liệu tại các client (dữ liệu phân phối đều và dữ liệu mất cân bằng/Non-IID).
  • Kịch bản 3: Đánh giá hiệu quả của việc kết hợp GAN và SAAE trong việc bù đắp dữ liệu thiếu hụt và tăng cường độ chính xác phân loại trong môi trường học cộng tác trên tập NF-UNSW-NB15.
  • Kịch bản 4: Kiểm tra khả năng tự cải tiến (automated evolving) của mô hình FG-SAAE khi dữ liệu kiểm thử thay đổi và mở rộng theo thời gian so với mô hình tĩnh không có khối sinh dữ liệu.
  • Kịch bản 5: Đánh giá độ chính xác của FG-SAAE trên các tập dữ liệu lưu lượng đặc thù của mạng SDN (INSDN và INSECLAB).
  • Kịch bản 6: Triển khai thử nghiệm toàn bộ hệ thống phát hiện xâm nhập vào mạng SDN mô phỏng trên Containernet để kiểm tra tính khả thi vận hành thực tế.

Chương 5: Tổng kết

Chương 5 đúc kết các kết quả đạt được về mặt mô hình và triển khai kỹ thuật, đồng thời xác định các giới hạn hiện tại của hệ thống để đề xuất các hướng hoàn thiện tiếp theo.

Kết quả và đóng góp

Kết quả thực nghiệm chính

Các kết quả đo lường qua 6 kịch bản thực nghiệm trong văn bản chỉ ra:

  1. Hiệu năng học bán giám sát của SAAE (Kịch bản 1): SAAE duy trì độ chính xác và chỉ số F1 ở mức cao ngay cả khi chỉ sử dụng một tỷ lệ nhỏ dữ liệu được gán nhãn trên cả hai tập CIC-ToN-IoT và NF-CSE-CIC-IDS2018, vượt trội so với các mô hình học không giám sát truyền thống vốn có Recall thấp.
  2. Hiệu quả của Federated Learning (Kịch bản 2): Mô hình huấn luyện bằng phương pháp học cộng tác đạt hiệu năng xấp xỉ mô hình huấn luyện tập trung truyền thống trên cả 3 tập dữ liệu (NF-UNSW-NB15, NF-CSE-CIC-IDS2018, CIC-ToN-IoT), trong khi bảo đảm tính riêng tư tuyệt đối cho dữ liệu cục bộ của từng domain.
  3. Hiệu quả của việc kết hợp GAN (Kịch bản 3 & 4): Việc bổ sung GAN/CTGAN để sinh dữ liệu đã cải thiện rõ rệt khả năng nhận diện các cuộc tấn công mới. Khi tập dữ liệu kiểm thử mở rộng quy mô, mô hình FG-SAAE tự cải tiến duy trì độ chính xác và F1-score ổn định hơn hẳn so với mô hình SAAE tĩnh không được tái huấn luyện bằng dữ liệu sinh.
  4. Kiểm chứng trên mạng SDN (Kịch bản 5 & 6): Mô hình hoạt động tương thích và đạt kết quả phân loại cao trên hai tập dữ liệu chuyên dụng INSDN và INSECLAB, đồng thời triển khai thành công trên môi trường mô phỏng SDN thực tế với Containernet.

Đóng góp học thuật và kỹ thuật của đề tài

  • Đề xuất thành công kiến trúc tích hợp FG-SAAE kết hợp ba kỹ thuật: SAAE (học bán giám sát), GAN (sinh dữ liệu tăng cường) và Federated Learning (bảo mật dữ liệu phân tán).
  • Xây dựng cơ chế tự cải tiến (automated evolving) khép kín cho hệ thống IDS trong mạng SDN, giải quyết được hiện tượng suy giảm hiệu năng theo thời gian của các mô hình học máy tĩnh.
  • Kiểm chứng toàn diện giải pháp qua 6 kịch bản thực nghiệm trên 5 bộ dữ liệu an ninh mạng khác nhau và hiện thực hóa trên môi trường mạng SDN mô phỏng.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế ghi nhận

  • Hệ thống yêu cầu tài nguyên tính toán đáng kể tại mỗi Domain Controller do phải vận hành đồng thời 3 mô hình học sâu (SAAE, Autoencoder, GAN).
  • Môi trường thử nghiệm mạng SDN mới dừng lại ở mức mô phỏng bằng Containernet, chưa đánh giá trên hạ tầng phần cứng chuyển mạch SDN vật lý quy mô lớn.
  • Thử nghiệm học liên kết có thể gặp độ trễ truyền thông khi số lượng vòng lặp huấn luyện (communication rounds) tăng cao trong điều kiện băng thông mạng biến động.

Hướng nghiên cứu tiếp theo

  • Nghiên cứu tối ưu hóa kích thước mô hình và giảm tải tính toán để FG-SAAE có thể triển khai trên các thiết bị biên (Edge devices) có cấu hình giới hạn.
  • Mở rộng cơ chế phân loại đa lớp chi tiết (multi-class classification) tự động cho từng biến thể tấn công mới thay vì chỉ dừng lại ở bài toán nhị phân.
  • Đánh giá và tích hợp các giải thuật học liên kết nâng cao nhằm phòng chống tấn công đầu độc mô hình (poisoning attacks) và tấn công suy diễn dữ liệu (inference attacks).

Giá trị tham khảo

Khóa luận là tài liệu tham khảo chuyên sâu cho:

  • Sinh viên và học viên ngành An toàn thông tin, Mạng máy tính và Khoa học dữ liệu: Tham khảo cấu trúc thiết kế mô hình học máy kết hợp (Hybrid Deep Learning) trong xử lý dữ liệu luồng mạng.
  • Kỹ sư quản trị mạng và bảo mật: Tham khảo giải pháp tích hợp Federated Learning và IDS vào bộ điều khiển SDN để xây dựng cơ chế phòng thủ phân tán bảo vệ quyền riêng tư dữ liệu.
  • Nhà nghiên cứu về học máy an ninh mạng: Tham khảo chi tiết phương pháp toán học của SAAE (phân tách hai biến tiềm ẩn $z_1, z_2$), kỹ thuật sinh dữ liệu dạng bảng với CTGAN và thiết kế thực nghiệm 6 kịch bản toàn diện trên 5 bộ dữ liệu chuẩn.

Câu hỏi thường gặp

1. Mô hình FG-SAAE giải quyết bài toán thiếu dữ liệu gán nhãn trong mạng SDN bằng cơ chế nào?
Hệ thống sử dụng mô hình Semi-supervised Adversarial Autoencoder (SAAE). Bộ mã hóa tách dữ liệu đầu vào thành vector phân loại $z_1$ (phân phối Categorical) và vector đặc trưng $z_2$ (phân phối Gaussian). Cơ chế đối kháng giúp mô hình học cấu trúc dữ liệu từ lượng lớn lưu lượng không gán nhãn và chỉ cần một lượng nhỏ mẫu có nhãn để định hình ranh giới phân loại chính xác.

2. Hai vector biến tiềm ẩn $z_1$ và $z_2$ trong kiến trúc SAAE có vai trò gì khác nhau?
Vector $z_1$ đại diện cho thông tin nhãn lớp dưới dạng mã hóa one-hot ("bình thường" hoặc "tấn công") để thực hiện nhiệm vụ phân loại. Vector $z_2$ (50 chiều) tuân theo phân phối Gaussian $\mathcal{N}(0, 1)$, có nhiệm vụ nắm giữ toàn bộ các đặc trưng tiềm ẩn phức tạp khác của lưu lượng mạng (như giao thức, dịch vụ, mẫu hành vi) nhằm duy trì biểu diễn dữ liệu đầy đủ mà không làm nhiễu thông tin phân loại của $z_1$.

3. Tại sao khóa luận áp dụng phương pháp Học liên kết (Federated Learning) thay vì học máy tập trung?
Trong mạng SDN gồm nhiều vùng mạng phân tán, việc chuyển toàn bộ dữ liệu lưu lượng thô về trung tâm gây tiêu tốn băng thông lớn, tăng độ trễ và vi phạm quyền riêng tư dữ liệu của từng miền mạng. Federated Learning cho phép các Domain Controller tự huấn luyện mô hình cục bộ và chỉ chia sẻ trọng số mô hình đã mã hóa về Root Controller để tổng hợp, đảm bảo an toàn thông tin và giảm tải đường truyền.

4. Khả năng "tự cải tiến" (automated evolving) của hệ thống được hiện thực hóa như thế nào?
Khi phát hiện các gói tin bất thường mới, hệ thống tự động lưu trữ thuộc tính của chúng, sử dụng Autoencoder để nén không gian đặc trưng và dùng GAN/CTGAN để sinh thêm các mẫu dữ liệu tấn công tương tự. Dữ liệu tăng cường này được đưa vào tái huấn luyện SAAE liên tục, giúp mô hình tự động cập nhật kiến thức về các kiểu tấn công mới xuất hiện mà không cần dừng hệ thống để gán nhãn thủ công.

5. Hệ thống đã được kiểm chứng trên những bộ dữ liệu nào?
Đề tài thực nghiệm trên 5 bộ dữ liệu gồm: NF-UNSW-NB15, NF-CSE-CIC-IDS2018, CIC-ToN-IoT, cùng hai tập dữ liệu chuyên biệt thu thập trên môi trường mạng SDN là INSDN và INSECLAB.

Kết luận

Khóa luận tốt nghiệp của tác giả Hồ Huy Thái và Nguyễn Đức Hiếu đã giải quyết thành công bài toán phát hiện xâm nhập trong mạng khả lập trình SDN thông qua mô hình tích hợp FG-SAAE. Bằng sự kết hợp giữa học bán giám sát (SAAE), học liên kết (Federated Learning) và mạng sinh đối kháng (GAN), hệ thống vừa bảo đảm quyền riêng tư dữ liệu mạng phân tán, vừa giảm thiểu sự phụ thuộc vào nhãn dữ liệu và tự động nâng cao độ chính xác nhận diện theo thời gian. Các kết quả thực nghiệm đa dạng trên 5 tập dữ liệu và mô phỏng mạng thực tế đã chứng minh tính đúng đắn khoa học cùng khả năng ứng dụng thực tiễn của giải pháp đề xuất.