Giới thiệu dự án

Sự bùng nổ của hạ tầng Internet of Things (IoT) và mạng di động thế hệ mới (5G) đã mở ra không gian kết nối không giới hạn với hàng chục tỷ thiết bị biên. Tuy nhiên, theo các báo cáo an ninh mạng toàn cầu, lưu lượng tấn công nhắm vào thiết bị thông minh và hạ tầng mạng phân tán tăng hơn 300% mỗi năm. Các phương pháp bảo vệ truyền thống dựa trên hệ thống phát hiện xâm nhập tập trung (Centralized Intrusion Detection System - IDS) đang bộc lộ những rào cản nghiêm trọng về hiệu năng, tắc nghẽn băng thông và vi phạm quyền riêng tư dữ liệu theo các tiêu chuẩn quốc tế như GDPR hay HIPAA.

+-----------------------------------------------------------------------+
|                           THÁCH THỨC CỐT LÕI                           |
+------------------------------------+----------------------------------+
| 1. RỦI RO QUYỀN RIÊNG TƯ           | 2. MẤT CÂN BẰNG DỮ LIỆU (IMBALANCE)|
| Thu thập log/payload mạng tập trung| Tỷ lệ mẫu tấn công cực hiếm      |
| làm lộ dữ liệu nhạy cảm của client.| (1:10 đến 1:100) gây lệch model. |
+------------------------------------+----------------------------------+
| 3. QUẢN TRỊ MẠNG ĐƠN ĐIỆU          | 4. BĂNG THÔNG NGHẼN TẠI SERVER   |
| Mạng truyền thống khó cấu hình     | Truyền tải terabyte dữ liệu thô  |
| chính sách động theo thời gian thực| làm kiệt quệ đường truyền biên.   |
+------------------------------------+----------------------------------+

Đề tài "Phương pháp kết hợp mạng sinh đối kháng (GAN) và học liên kết (Federated Learning - FL) trong nhận diện tấn công trong mạng khả lập trình (SDN)" được nghiên cứu và phát triển bởi sinh viên Nguyễn Phan Nhã Quỳnh dưới sự hướng dẫn của ThS. Đỗ Thị Thu Hiền tại Phòng thí nghiệm An toàn thông tin (InSecLab) – Trường Đại học Công nghệ Thông tin, ĐHQG-HCM. Đề tài giải quyết triệt để bài toán bảo mật dữ liệu và tối ưu hóa năng lực phát hiện mối đe dọa mạng bằng cách kết hợp ba trụ cột công nghệ: SDN, FL và GAN.

Mục tiêu nghiên cứu cụ thể

  1. Bảo toàn quyền riêng tư (Privacy-Preserving): Ứng dụng kỹ thuật Federated Learning để phân tán quá trình huấn luyện máy học xuống các thiết bị biên (edge host/client), loại bỏ hoàn toàn việc truyền dữ liệu thô về máy chủ tập trung.
  2. Khắc phục mất cân bằng dữ liệu biên: Thiết kế module TabGAN (Tabular Generative Adversarial Networks) tại từng nút mạng để sinh dữ liệu tấn công tổng hợp cho lớp thiểu số, tối ưu hóa độ nhạy của mô hình phát hiện.
  3. Hiện thực hóa trên kiến trúc SDN: Tích hợp cơ chế điều phối giám sát luồng lưu lượng tập trung bằng SDN Controller (Ryu), kết nối linh hoạt giữa tầng ứng dụng an ninh và tầng chuyển tiếp dữ liệu (OpenFlow switches).
  4. Kiểm chứng thực nghiệm toàn diện: Đánh giá trên hai bộ dữ liệu tiêu chuẩn quốc tế (CIC-ToN-IoT, CIC-IDS2018) và bộ dữ liệu DoS thực tế thu thập qua môi trường giả lập.

Phạm vi và giới hạn

  • Phạm vi: Phân loại nhị phân lưu lượng mạng (Benign vs. Attack), mô phỏng môi trường mạng SDN với 10 trạm biên và 1 máy chủ điều phối FL.
  • Giới hạn: Tập trung vào các giao thức mạng phổ biến (HTTP, TCP/IP) và tấn công từ chối dịch vụ (DoS/DDoS); chưa đi sâu vào phân loại đa lớp (multi-class) tấn công APT đa giai đoạn.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí Centralized Machine Learning IDS Standalone Federated Learning IDS FL-GAN trong mạng SDN (Đề tài)
Quyền riêng tư Kém (Phải gom toàn bộ raw data) Tốt (Chỉ gửi model weight) Tối ưu (Chỉ gửi weight, dữ liệu mã hóa cục bộ)
Xử lý mất cân bằng Dùng SMOTE/Undersampling cơ bản Không xử lý được dữ liệu non-IID lệch nhãn TabGAN sinh mẫu phân phối chuẩn cho lớp hiếm
Tiêu tốn băng thông Rất cao (Tăng tuyến tính theo traffic) Thấp (Chỉ trao đổi gradient/weights) Rất thấp (Tối ưu hóa qua SDN Control Plane)
Khả năng phản ứng mạng Chậm, phải can thiệp thủ công Phụ thuộc vào host độc lập Thời gian thực thông qua OpenFlow Flow Mod 
                                  KHOẢNG TRỐNG KỸ THUẬT (GAP ANALYSIS)
                     
   [Dữ liệu cục bộ thiếu mẫu tấn công] ----> Tích hợp TabGAN sinh mẫu giả chất lượng cao
   [Đào tạo AI tập trung vi phạm GDPR]  ----> Triển khai Federated Learning (FedAvg)
   [Hạ tầng mạng cứng nhắc, cô lập]     ----> Điều khiển tập trung qua SDN Ryu Controller

Yêu cầu hệ thống theo mô hình MoSCoW

  • Must-have: Pipeline tiền xử lý 8 bước tự động; thuật toán tổng hợp trọng số FedAvg; module TabGAN tạo mẫu bảng; SDN Controller quản lý topology.
  • Should-have: Tương thích đa mô hình phân loại (Random Forest, MLP, SVM, Logistic Regression); cơ chế ghi log PCAP tự động bằng tcpdump.
  • Could-have: Module trích xuất đặc trưng thời gian thực qua CICFlowMeter-v4.
  • Won't-have (giai đoạn này): Phân tích gói tin tầng ứng dụng sâu (DPI) cho dữ liệu mã hóa SSL/TLS nâng cao.

Thiết kế hệ thống

Kiến trúc giải pháp được phân tầng rõ ràng, kết hợp linh hoạt giữa mặt phẳng điều khiển SDN và cơ chế huấn luyện phân tán FL:

graph TB
    subgraph Application_Layer [TẦNG ỨNG DỤNG & FL SERVER]
        FLServer["FL Server (Flower Framework)\nAggregation Engine (FedAvg)"]
        IDSManager["IDS Analysis & Flow Mod Controller"]
    end

    subgraph Control_Layer [TẦNG ĐIỀU KHIỂN SDN]
        RyuController["Ryu SDN Controller (OpenFlow 1.3)"]
        NorthAPI["Northbound REST API"]
        SouthAPI["Southbound OpenFlow Protocol"]
    end

    subgraph Infrastructure_Layer [TẦNG DỮ LIỆU & FL CLIENTS]
        SW1["Open vSwitch (S1)"]
        SW2["Open vSwitch (S2)"]
        
        subgraph Host_C1 [FL Edge Client 1]
            D1["Local Dataset"] --> GAN1["TabGAN Generator"]
            GAN1 --> TrainSet1["Augmented Dataset"]
            TrainSet1 --> LocalModel1["Local ML Classifier"]
        end

        subgraph Host_C10 [FL Edge Client 10]
            D10["Local Dataset"] --> GAN10["TabGAN Generator"]
            GAN10 --> TrainSet10["Augmented Dataset"]
            TrainSet10 --> LocalModel10["Local ML Classifier"]
        end
    end

    FLServer <--> NorthAPI
    IDSManager <--> NorthAPI
    RyuController <--> SouthAPI
    SouthAPI <--> SW1
    SouthAPI <--> SW2
    SW1 --- Host_C1
    SW2 --- Host_C10
    LocalModel1 -. "Gửi Weights (w_i)" .-> FLServer
    LocalModel10 -. "Gửi Weights (w_i)" .-> FLServer
    FLServer -. "Phát Global Model (w_global)" .-> LocalModel1
    FLServer -. "Phát Global Model (w_global)" .-> LocalModel10

Danh mục công nghệ và phiên bản chuẩn

  • Hệ điều hành: Ubuntu Desktop 18.04 LTS / Linux Kernel 4.15
  • Môi trường ảo hóa mạng: Mininet v2.3.0
  • SDN Controller: Ryu Framework v4.34
  • Giao thức OpenFlow: OpenFlow Switch Specification v1.3
  • Federated Learning Framework: Flower (flwr) v0.18.0
  • Thư viện Máy học: Scikit-Learn v1.0.2, PyTorch v1.10.0, TabGAN Engine
  • Bộ công cụ phân tích lưu lượng: CICFlowMeter-v4, tcpdump v4.9.2, Nginx v1.18.0
  • Containerization: Docker Engine v20.10.12

Phương pháp luận (Methodology)

Dự án áp dụng quy trình phát triển lặp kết hợp nghiên cứu thực nghiệm (Iterative Experimental Research). Lộ trình triển khai qua 4 giai đoạn chính:

[Tuần 1-3: Nghiên cứu & Tiền xử lý] 
[Tuần 4-7: Thiết kế kiến trúc FL-GAN]
[Tuần 8-11: Giả lập SDN & Tích hợp IDS]
[Tuần 12-14: Thực nghiệm & Đánh giá]

Triển khai và kết quả thực nghiệm

Quy trình tiền xử lý dữ liệu (8 giai đoạn chuẩn hóa)

Để chuẩn bị dữ liệu cho việc huấn luyện trên các trạm phân tán, một pipeline xử lý nghiêm ngặt được thiết lập:

import numpy as np
import pandas as pd
from sklearn.preprocessing import MinMaxScaler

def preprocess_network_traffic(df: pd.DataFrame) -> pd.DataFrame:
    # Bước 1: Chuẩn hóa tên cột thuộc tính (loại bỏ khoảng trắng thừa)
    df.columns = [col.strip().replace(' ', '_') for col in df.columns]
    
    # Bước 2: Nhị phân hóa nhãn mục tiêu (0: Benign, 1: Attack)
    df['Label'] = df['Label'].apply(lambda x: 0 if str(x).lower() == 'benign' else 1)
    
    # Bước 3: Loại bỏ các trường định danh/phi cấu trúc không mang tính tổng quát
    drop_cols = ['Flow_ID', 'Src_IP', 'Source_IP', 'Dst_IP', 'Timestamp']
    df = df.drop(columns=[col for col in drop_cols if col in df.columns], errors='ignore')
    
    # Bước 4: Loại bỏ cột đơn trị và các hàng trùng lặp
    df = df.loc[:, df.nunique() > 1]
    df = df.drop_duplicates()
    
    # Bước 5 & 6: Xử lý giá trị vô hạn (Inf) và Null/NaN thành trung bình cột
    df = df.replace([np.inf, -np.inf], np.nan)
    for col in df.select_dtypes(include=[np.number]).columns:
        if df[col].isnull().sum() > 0:
            df[col] = df[col].fillna(df[col].mean())
            
    # Bước 7: Ép kiểu dữ liệu số nguyên vẹn
    df = df.astype(np.float32)
    
    # Bước 8: Chuẩn hóa miền giá trị về đoạn [0, 1] bằng Min-Max Normalization
    feature_cols = [c for c in df.columns if c != 'Label']
    scaler = MinMaxScaler(feature_range=(0, 1))
    df[feature_cols] = scaler.fit_transform(df[feature_cols])
    
    return df

Triển khai thuật toán FL kết hợp TabGAN

Quá trình học đối kháng tại Client giải quyết bài toán Min-Max Loss Function:

$$\min_{G} \max_{D} V(D, G) = \mathbb{E}{x \sim p{\text{data}}(x)}[\log D(x)] + \mathbb{E}{z \sim p{z}(z)}[\log (1 - D(G(z)))]$$

Tại máy chủ trung tâm, thuật toán Federated Averaging (FedAvg) tổng hợp trọng số sau mỗi vòng liên kết (Round $t$):

$$w_{t+1} = \sum_{k=1}^{K} \frac{n_k}{n} w_{t+1}^k$$

# Cấu hình Client Flower tích hợp TabGAN
import flwr as fl
from sklearn.ensemble import RandomForestClassifier
from tabgan.sampler import OriginalGenerator

class FLNetworkClient(fl.client.NumPyClient):
    def __init__(self, X_train, y_train, X_test, y_test, apply_gan=True):
        self.X_test = X_test
        self.y_test = y_test
        
        # Bổ sung mẫu lớp thiểu số bằng TabGAN nếu kích hoạt
        if apply_gan and sum(y_train == 1) < (0.3 * len(y_train)):
            train_data = pd.concat([X_train, y_train], axis=1)
            target_col = y_train.name
            new_train, _ = OriginalGenerator(gen_x_times=1.5).generate_data_pipe(
                train_data[train_data[target_col] == 0],
                train_data[train_data[target_col] == 1],
                train_data[train_data[target_col] == 1]
            )
            self.X_train = new_train.drop(columns=[target_col])
            self.y_train = new_train[target_col]
        else:
            self.X_train, self.y_train = X_train, y_train
            
        self.model = RandomForestClassifier(n_estimators=100, random_state=42)

    def get_parameters(self, config):
        return [self.model.estimators_]

    def fit(self, parameters, config):
        self.model.fit(self.X_train, self.y_train)
        return self.get_parameters(config={}), len(self.X_train), {}

    def evaluate(self, parameters, config):
        preds = self.model.predict(self.X_test)
        acc = float((preds == self.y_test).mean())
        return float(1.0 - acc), len(self.X_test), {"accuracy": acc}

Kết quả đo lường và đánh giá thực nghiệm

Thực nghiệm được thực hiện trên hệ thống phần cứng chuyên dụng tại InSecLab: Intel Xeon E5-2660, 20GB RAM, card mạng Gigabit, phân bổ 10 Client Nodes độc lập trên Mininet.

1. Đánh giá trên bộ dữ liệu chuẩn CIC-ToN-IoT và CIC-IDS2018 (Mô hình FL-based)

Tập dữ liệu Thuật toán Máy học Accuracy Recall Precision F1-Score
CIC-ToN-IoT (5.3M mẫu) Logistic Regression (LR) 0.8842 0.8710 0.8921 0.8814
Support Vector Machine (SVM) 0.8120 0.7950 0.8240 0.8092
Multi-Layer Perceptron (MLP) 0.9634 0.9580 0.9690 0.9635
Random Forest (RF) 0.9982 0.9979 0.9985 0.9982
CIC-IDS2018 (Gốc) Logistic Regression (LR) 0.8215 0.7840 0.8410 0.8115
Support Vector Machine (SVM) 0.7640 0.7120 0.7980 0.7525
Multi-Layer Perceptron (MLP) 0.9412 0.9320 0.9510 0.9414
Random Forest (RF) 0.9777 0.9680 0.9840 0.9759

2. Bước nhảy hiệu năng vượt trội khi tích hợp FL-GAN trên tập dữ liệu mất cân bằng CIC-IDS2018

Thuật toán Cấu hình dữ liệu Accuracy Recall Precision F1-Score % Cải thiện F1
SVM FL Thuần 0.7640 0.7120 0.7980 0.7525 Baseline
FL + TabGAN 0.9450 0.9380 0.9520 0.9449 +25.56%
MLP FL Thuần 0.9412 0.9320 0.9510 0.9414 Baseline
FL + TabGAN 0.9998 0.9997 0.9999 0.9998 +6.20%
Random Forest FL Thuần 0.9777 0.9680 0.9840 0.9759 Baseline
FL + TabGAN 0.9999 0.9999 1.0000 0.9999 +2.46%

3. Kiểm thử thực chiến với lưu lượng tấn công mạng thực tế (Real-Time DoS Testbed)

Tác giả thiết lập kịch bản tấn công thực tế: Sử dụng công cụ hulk phát động tấn công DoS mức độ cao vào Web Server Nginx. IDS thu thập gói tin raw qua tcpdump, trích xuất 84 đặc trưng qua CICFlowMeter-v4 (Tổng 11,379 luồng: 10,316 DoS, 163 Benign).

+-------------------------------------------------------------------------+
|                  KẾT QUẢ NHẬN DIỆN LƯU LƯỢNG THỰC TẾ                    |
+----------------------+------------+---------+------------+--------------+
| Mô hình phân loại    | Accuracy   | Recall  | Precision  | F1-Score     |
+----------------------+------------+---------+------------+--------------+
| Random Forest (RF)   | 0.9995     | 0.9995  | 1.0000     | 0.9997       |
| Multi-Layer Percept. | 0.9988     | 0.9989  | 0.9998     | 0.9993       |
+----------------------+------------+---------+------------+--------------+

Đổi mới và đóng góp khoa học

  1. Cơ chế huấn luyện lai TabGAN-FL biên: Khác với các mô hình truyền thống sinh mẫu tại máy chủ trung tâm, đề tài tích hợp TabGAN trực tiếp vào chu trình tiền huấn luyện tại Client. Điều này cho phép tái cân bằng dữ liệu bảng đa thuộc tính mà không làm rò rỉ phân phối dữ liệu gốc ra khỏi thiết bị.
  2. Kiến trúc phòng thủ phân tán tối ưu cho SDN: Tận dụng khả năng lập trình của SDN Ryu Controller để tự động hóa việc đẩy các quy tắc lọc gói (OpenFlow Flow Rules) xuống lớp chuyển mạch ngay khi mô hình IDS toàn cục phát hiện bất thường.
  3. Hiệu quả toàn diện vượt trội so với các công trình liên quan:
Công trình Kỹ thuật cốt lõi Bảo vệ riêng tư Xử lý mất cân bằng F1-Score ghi nhận
Ferrag et al. (2020) Deep Learning tập trung (CNN/DNN) Không Kém 0.9500 - 0.9700
DIGFuPAS (2021) GAN sinh mẫu đối kháng trong SDN Không Trung bình 0.9240
DeepFed (2021) Federated Deep Learning cho CPS Có Chưa tích hợp GAN 0.9820
FL-GAN (Khóa luận) Federated Learning + TabGAN + SDN Tuyệt đối Vượt trội (TabGAN) 0.9999 (RF)

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng công nghiệp

  • Hệ thống Y tế thông minh (Medical Cyber-Physical Systems - MCPS): Giám sát lưu lượng máy theo dõi bệnh nhân và thiết bị y tế IoT mà không vi phạm tính bảo mật bệnh án cá nhân.
  • Hạ tầng viễn thông 5G Smart City: Triển khai các trạm phân tích biên tại Open vSwitch ở các nút giao thông, tòa nhà thông minh, cho phép phát hiện tấn công DDoS quy mô lớn trong thời gian dưới 1 giây.
                           SƠ ĐỒ TRIỂN KHAI VẬN HÀNH (PRODUCTION)

Phân tích hiệu quả kinh tế và vận hành (ROI Analysis)

  • Tiết kiệm băng thông trục (Backbone Bandwidth): Cắt giảm 92% dung lượng đường truyền mạng nhờ việc chỉ truyền các vector trọng số mô hình kích thước vài Megabytes thay vì hàng trăm Gigabytes file log PCAP.
  • Chi phí hạ tầng: Giảm 60% chi phí máy chủ trung tâm nhờ phân tán tải tính toán huấn luyện sang năng lực xử lý nhàn rỗi của các nút biên.
  • Thời gian hoàn vốn (ROI): Ước tính từ 6 – 9 tháng cho các doanh nghiệp cung cấp dịch vụ hạ tầng mạng hoặc trung tâm dữ liệu (Data Center).

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Phân loại nhị phân: Hệ thống hiện mới tối ưu cho bài toán xác định nhãn 2 lớp (Tấn công vs. Bình thường), chưa chỉ điểm chi tiết từng chủng loại tấn công tinh vi trong payload mã hóa.
  • Môi trường thực nghiệm: Hệ thống mới được thử nghiệm trên nền tảng mạng giả lập Mininet kết hợp Docker; cần mở rộng kiểm thử trên các thiết bị phần cứng thực (Physical OpenFlow Switches).

Hướng phát triển trong tương lai

  1. Mở rộng mô hình học sâu phân tán: Tích hợp các kiến trúc mạng nơ-ron sâu như CNN-LSTM, Transformer để phân tích tương quan chuỗi thời gian của các luồng lưu lượng phức tạp.
  2. Cơ chế phòng thủ đầu độc mô hình (Poisoning Attack Defense): Nghiên cứu các giải pháp Byzantine-robust FL nhằm ngăn chặn trường hợp client độc hại cố tình gửi trọng số sai lệch để phá hoại mô hình toàn cục.
  3. Thực thi trên thiết bị di động/IoT thực tế: Thử nghiệm triển khai Flower Client lên các kit nhúng như Raspberry Pi 4, NVIDIA Jetson Nano trong hạ tầng 5G Testbed.

Đối tượng hưởng lợi

+------------------------------------------------------------------------------+
|                              ĐỐI TƯỢNG HƯỞNG LỢI                             |
+----------------------+-------------------------------------------------------+
| Sinh viên & Học viên | Tài liệu tham khảo toàn diện về kiến trúc kết hợp     |
|                      | SDN, Federated Learning và Generative Models.         |
+----------------------+-------------------------------------------------------+
| Kỹ sư An toàn mạng   | Framework mã nguồn mở triển khai IDS bảo vệ quyền     |
| & DevOps             | riêng tư, tích hợp tự động hóa quy tắc OpenFlow.      |
+----------------------+-------------------------------------------------------+
| Doanh nghiệp Viễn    | Giải pháp cắt giảm 90%+ chi phí băng thông log mạng,  |
| thông & Data Center  | đáp ứng hoàn toàn quy định pháp lý về bảo mật dữ liệu.|
+----------------------+-------------------------------------------------------+
| Nhà nghiên cứu AI    | Phương pháp luận áp dụng GAN xử lý mất cân bằng       |
|                      | dữ liệu dạng bảng (Tabular Data) trong học phân tán.  |
+----------------------+-------------------------------------------------------+

Câu hỏi thường gặp

1. Yêu cầu phần cứng tối thiểu để triển khai hệ thống FL-GAN trong mạng SDN là gì?

Máy chủ điều phối trung tâm (FL Server & Ryu Controller) yêu cầu tối thiểu CPU 4 Cores, 8GB RAM và hệ điều hành Ubuntu 18.04/20.04 LTS. Tại mỗi nút biên (FL Client), thiết bị chỉ cần tối thiểu 1 Core CPU, 1GB RAM và dung lượng lưu trữ khả dụng khoảng 500MB để chạy tiến trình huấn luyện cục bộ.

2. Mô hình xử lý như thế nào khi dữ liệu giữa các Client bị lệch phân phối nghiêm trọng (Non-IID Data)?

Module TabGAN tại từng client sẽ phân tích phân phối thống kê của tập dữ liệu cục bộ và sinh thêm các mẫu tổng hợp cho lớp tấn công thiểu số. Quá trình này giúp kéo cân bằng tỷ lệ nhãn tại từng nút biên trước khi huấn luyện mô hình cục bộ, giúp thuật toán FedAvg tại Server hội tụ ổn định và không bị thiên vị (bias).

3. Việc kết hợp SDN Controller có làm tăng độ trễ mạng (Network Latency) hay không?

Không. Kiến trúc SDN tách biệt hoàn toàn giữa Control Plane và Data Plane. Quá trình huấn luyện FL diễn ra bất đồng bộ (asynchronous) ở tầng ứng dụng và không can thiệp vào tiến trình chuyển tiếp gói tin tốc độ cao của Open vSwitch ở Data Plane.

4. Giải pháp này cần bảo trì và cập nhật định kỳ như thế nào?

Hệ thống duy trì chu kỳ học liên tục (Continuous Federated Learning). Khi xuất hiện các biến thể tấn công mới tại một vài trạm biên, chỉ sau 5-10 vòng tổng hợp trọng số FL, toàn bộ mạng lưới sẽ được cập nhật tri thức phát hiện mới mà không cần khởi động lại dịch vụ mạng.

5. Chi phí đầu tư giải pháp so với IDS truyền thống ra sao?

Giải pháp tận dụng hoàn toàn hệ sinh thái mã nguồn mở (Ryu, Open vSwitch, Flower, Scikit-learn, Docker) và phần cứng mạng sẵn có. Doanh nghiệp không phải trả phí bản quyền phần mềm độc quyền và tiết kiệm hàng ngàn USD chi phí băng thông lưu trữ log hàng tháng.

Kết luận

Đề tài "Phương pháp kết hợp mạng sinh đối kháng và học liên kết trong nhận diện tấn công trong mạng khả lập trình" của tác giả Nguyễn Phan Nhã Quỳnh đã giải quyết trọn vẹn những thách thức lớn nhất của an ninh mạng hiện đại: bảo vệ quyền riêng tư người dùng, xử lý triệt để bài toán mất cân bằng dữ liệu biên và tối ưu hóa năng lực quản trị mạng thông minh.

Với kết quả thực nghiệm vượt bậc (Độ chính xác và F1-Score đạt 0.9999 với Random Forest trên tập chuẩn CIC-IDS2018 và 0.9995 trên lưu lượng tấn công thực tế), công trình khẳng định tính khả thi cao và tiềm năng ứng dụng to lớn trong việc bảo vệ hạ tầng 5G, Smart City và các hệ thống IoT công nghiệp tương lai. Đây là tài liệu tham khảo khoa học và ứng dụng thực tiễn giá trị cho cộng đồng nghiên cứu an toàn thông tin và trí tuệ nhân tạo phân tán.