Giới thiệu dự án

Sự bùng nổ của Internet of Things (IoT) và Industrial Internet of Things (IIoT) đã tái định hình hạ tầng công nghệ toàn cầu. Tuy nhiên, theo báo cáo an ninh mạng của SonicWall, chỉ trong 6 tháng đầu năm 2023, số lượng các cuộc tấn công mã độc nhắm vào thiết bị IoT đã tăng 37% so với cùng kỳ năm 2022, đạt mức 77.9 triệu cuộc tấn công trên toàn cầu. Đáng chú ý, khu vực Châu Á ghi nhận mức tăng kỷ lục 170% và Mỹ Latinh tăng 164%. Do rào cản phần cứng và năng lực tính toán hạn chế của các vi điều khiển cận biên, việc triển khai các giải pháp bảo mật truyền thống trực tiếp trên từng thiết bị gặp nhiều thách thức, biến hệ thống phát hiện xâm nhập mạng đặt tại vùng biên (Network-based Intrusion Detection System - NIDS) thành phòng tuyến bắt buộc.

+-----------------------------------------------------------------------------------+
|                            VẤN ĐỀ TRỌNG TÂM CỦA NIDS IoT                          |
+-----------------------------------------------------------------------------------+
|  1. Nguy cơ rò rỉ dữ liệu riêng tư khi tập trung hóa log/traffic thô.           |
|  2. Mất cân bằng dữ liệu nghiêm trọng giữa các node mạng (Non-IID Data).          |
|  3. Rủi ro máy chủ trung tâm bị tấn công chiếm quyền (Single Point of Failure).   |
+-----------------------------------------------------------------------------------+

Bài toán nghiên cứu (Problem Statement)

Các mô hình Machine Learning (ML) và Deep Learning (DL) truyền thống đòi hỏi tập trung toàn bộ dữ liệu lưu lượng mạng về máy chủ trung tâm (Centralized Server). Quá trình này bộc lộ ba điểm nghẽn nghiêm trọng:

  1. Vi phạm quyền riêng tư dữ liệu: Dữ liệu traffic chứa thông tin nhạy cảm của người dùng và doanh nghiệp, đối mặt với nguy cơ rò rỉ trong quá trình truyền tải và lưu trữ tập trung.
  2. Mất cân bằng dữ liệu Non-IID (Non-Independent and Identically Distributed): Lưu lượng mạng ghi nhận tại các node mạng khác nhau có sự chênh lệch lớn về số lượng và chủng loại nhãn tấn công, làm suy giảm nghiêm trọng độ chính xác của mô hình học máy.
  3. Thiếu cơ chế xác thực và tính toàn vẹn: Máy chủ tổng hợp có thể bị tấn công đầu độc tham số (Model Poisoning), đồng thời các node không có cơ chế minh bạch để kiểm chứng tính toàn vẹn của mô hình toàn cục.

Mục tiêu dự án

  1. Xây dựng kiến trúc NIDS phân tán cho mạng IoT ứng dụng mô hình Học liên kết (Federated Learning - FL) trên nền tảng framework Flower.
  2. Tích hợp mạng sinh đối kháng có điều kiện dạng bảng (Conditional Tabular GAN - ctGAN) nhằm cân bằng dữ liệu Non-IID giữa các node mà không làm lộ dữ liệu thô.
  3. Ứng dụng công nghệ Blockchain và hệ thống lưu trữ phân tán InterPlanetary File System (IPFS) để xác thực node, lưu trữ dấu vết tham số mô hình và loại bỏ điểm lỗi đơn lẻ (Single Point of Failure).
  4. Thực nghiệm, tối ưu hóa và đánh giá toàn diện mô hình trên 3 bộ dữ liệu an ninh mạng tiêu chuẩn: ToN_IoT, IoTID20, và UNSW-NB15.

Giải pháp đề xuất và kết quả kỳ vọng

Dự án đề xuất mô hình lai flwrBC-ctGAN: kết hợp thuật toán tối ưu hóa mạng nơ-ron tích chập 1 chiều (1D-CNN), khung làm việc Federated Averaging (FedAvg), kỹ thuật tổng hợp dữ liệu nhân tạo ctGAN và hệ thống Smart Contract trên Blockchain. Mô hình kỳ vọng đạt F1-Score $\ge 0.95$ trên tập dữ liệu ToN_IoT, tối ưu hóa tài nguyên RAM dưới 6GB tại client và duy trì khả năng truy vết, minh bạch 100% các vòng cập nhật trọng số.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí so sánh Hệ thống ML Tập trung (Centralized ML) Học liên kết truyền thống (Vanilla FL) Hệ thống Đề xuất (flwrBC + ctGAN)
Bảo mật dữ liệu thô Kém (Dữ liệu gửi tập trung) Cao (Chỉ gửi trọng số mô hình) Tuyệt đối (FL + Mã hóa băm IPFS)
Xử lý mất cân bằng Non-IID Tốt (Nhờ gộp toàn bộ dữ liệu) Rất kém (Hiệu suất giảm mạnh) Tối ưu (Tự động sinh mẫu qua ctGAN)
Tính toàn vẹn & Xác thực Kém (Phụ thuộc vào máy chủ) Trung bình (Rủi ro Server giả mạo) Toàn vẹn (Kiểm chứng bằng Smart Contract)
Điểm lỗi tập trung (SPoF) Có Có Không (Phi tập trung hóa qua Blockchain)
Chi phí truyền thông Rất cao (Truyền toàn bộ Dataset) Thấp (Chỉ truyền Model Weights) Vừa phải (Weights + IPFS Hash)

Yêu cầu hệ thống được lượng hóa theo chuẩn MoSCoW:

  • Must have (Bắt buộc): Pipeline huấn luyện phân tán Federated Learning; Kiến trúc mạng Conv1D phân loại đa nhãn; Cơ chế ghi nhận hash trọng số lên Smart Contract.
  • Should have (Nên có): Module ctGAN kích hoạt tự động theo ngưỡng chênh lệch mẫu giữa các node; Hệ thống Web API điều phối huấn luyện.
  • Could have (Có thể có): Cơ chế phân phối Token khuyến khích node đóng góp dữ liệu (Incentive Mechanism qua Contribution Contract).
  • Won't have (Chưa hỗ trợ): Xử lý luồng dữ liệu packet trực tiếp ở tốc độ đường truyền terabit thực tế (Hardware Line-rate).

Thiết kế hệ thống

+---------------------------------------------------------------------------------------------------+
|                                  KIẾN TRÚC TỔNG THỂ HỆ THỐNG                                      |
+---------------------------------------------------------------------------------------------------+
|                                                                                                   |
|     +------------------+         REST API / Webhook         +----------------------------------+  |
|     |  Máy chủ Server  | <================================> |  Máy khách (Client 1 .. N)       |  |
|     +------------------+                                    +----------------------------------+  |
|        |              \                                        /      |               ^           |
|        | (FedAvg)      \ (IPFS Hash)              (Local Train/CNN)   | (ctGAN Synth) | (Metadata)|
|        v                v                                    v        v               v           |
|  +------------+   +-------------------+                     +---------------------------+         |
|  | Flower FL  |   |   Hệ thống IPFS   | <================== |     Cơ sở dữ liệu Node    |         |
|  | Controller |   | (Lưu Model Hash)  |   (Lấy mô hình)     |    (Local Data Storage)   |         |
|  +------------+   +-------------------+                     +---------------------------+         |
|        ^                     ^                                        ^                           |
|        |                     | (Smart Contracts)                      |                           |
|        +---------------------+----------------------------------------+                           |
|                              |                                                                    |
|                              v                                                                    |
|                 +----------------------------+                                                    |
|                 |  Mạng Blockchain Ethereum  |                                                    |
|                 | - Contribution Contract    |                                                    |
|                 | - Federation Contract      |                                                    |
|                 +----------------------------+                                                    |
+---------------------------------------------------------------------------------------------------+

Ngăn xếp công nghệ (Technology Stack)

  • Hệ điều hành: Ubuntu Server 22.04 LTS (x86_64).
  • Ngôn ngữ & Nền tảng: Python v3.10.12, Solidity v0.8.20.
  • Framework FL & ML: Flower Framework v1.5.0, PyTorch v2.1.0, Scikit-Learn v1.3.0.
  • Thư viện GAN: CTGAN v0.7.4 (Conditional Tabular Generative Adversarial Networks).
  • Blockchain & Lưu trữ phân tán: Geth / Ganache (Ethereum EVM), Web3.py v6.11.0, IPFS CLI v0.22.0.
  • Xử lý tập dữ liệu: Pandas v2.1.1, NumPy v1.24.3.

Thiết kế Web API điều phối

Hệ thống cung cấp giao diện RESTful API tại máy chủ trung tâm để quản trị vòng đời phiên huấn luyện FL:

POST /api/v1/fl/session/start
Content-Type: application/json

{
  "num_rounds": 4,
  "num_clients": 2,
  "batch_size": 64,
  "learning_rate": 0.3,
  "dataset_name": "ToN_IoT_50-50",
  "enable_ctgan": true,
  "imbalance_threshold": 1.5
}

Phương pháp nghiên cứu (Methodology)

Implementation và kết quả

Quy trình phát triển (Development Process)

1. Xây dựng kiến trúc mô hình học sâu phân loại Conv1D

Mô hình mạng nơ-ron tích chập 1 chiều (Conv1D) được thiết kế đặc thù cho việc trích xuất đặc trưng tuần tự và tương quan giữa các trường thuộc tính lưu lượng mạng (packet/flow attributes).

import torch
import torch.nn as nn

class Conv1D_NIDS(nn.Module):
    def __init__(self, input_dim: int, num_classes: int):
        super(Conv1D_NIDS, self).__init__()
        # Input shape: (Batch_Size, 1, input_dim)
        self.feature_extractor = nn.Sequential(
            nn.Conv1d(in_channels=1, out_channels=512, kernel_size=3, padding=1),
            nn.BatchNorm1d(512),
            nn.ReLU(),
            nn.Conv1d(in_channels=512, out_channels=512, kernel_size=3, padding=1),
            nn.BatchNorm1d(512),
            nn.ReLU(),
            nn.MaxPool1d(kernel_size=2),
            nn.Dropout(p=0.3)
        )
        self.classifier = nn.Sequential(
            nn.Linear(512 * (input_dim // 2), 256),
            nn.ReLU(),
            nn.Dropout(p=0.4),
            nn.Linear(256, num_classes)
        )

    def forward(self, x: torch.Tensor) -> torch.Tensor:
        x = self.feature_extractor(x)
        x = torch.flatten(x, start_dim=1)
        logits = self.classifier(x)
        return logits

2. Thuật toán cân bằng dữ liệu phân tán với ctGAN và Blockchain

Khi phát hiện tỷ lệ mất cân bằng giữa node thừa dữ liệu ($N_{max}$) và node thiếu dữ liệu ($N_{min}$) vượt ngưỡng $N_{max} / N_{min} > 1.5$, ctGAN sẽ được huấn luyện trên node $N_{max}$ để sinh dữ liệu nhân tạo, mã hóa và truyền sang node $N_{min}$ qua mạng phi tập trung.

Thuật toán: Data Balancing with ctGAN and Blockchain
Input: Danh sách nhãn L, Số hàng n_i[l] của từng Client i, Ngưỡng mất cân bằng theta = 1.5
Output: Tập dữ liệu tổng hợp đã cân bằng D_syn

1: For each label l in L:
2:    Gửi n_i[l] lên Smart Contract;
3:    Xác định n_min, n_max = min(n_i[l]), max(n_i[l]);
4:    If (n_max / n_min) >= theta:
5:       If ctGAN is not initialized:
6:          ctGAN.train(D_original[l], epochs=300, ctgan_length=500);
7:       If Client_i == Client_max:
8:          generate_len = n_max - n_min;
9:          D_fake = ctGAN.sample(generate_len);
10:         ipfs_hash = IPFS.upload(D_fake);
11:         Blockchain.emitEvent(target_client=Client_min, data_hash=ipfs_hash);
12:      Else If Client_i == Client_min:
13:         D_fake = IPFS.download(Blockchain.getHash());
14:         D_local = D_local + D_fake;
15: Return D_local;

3. Cấu hình tham số siêu hình (Hyperparameters)

  • Conv1D: Learning rate = 0.3, Batch size = 64, Epochs = 100, Optimizer: SGD/Adam, Hàm mất mát: Cross-Entropy Loss kết hợp class_weight (Cost-Sensitive Training).
  • ctGAN: CTGAN_LENGTH = 500 mẫu đại diện/nhãn, Epochs = 300, Discriminator/Generator Learning rate = 2e-4.

Thực nghiệm và đánh giá kết quả

Các độ đo đánh giá cốt lõi: $$\text{Accuracy} = \frac{TP + TN}{TP + TN + FP + FN}, \quad \text{Precision} = \frac{TP}{TP + FP}, \quad \text{Recall} = \frac{TP}{TP + FN}$$ $$\text{F1-Score} = 2 \times \frac{\text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}}$$

Dữ liệu thực nghiệm

  1. ToN_IoT (147,730 mẫu): 10 lớp (Normal: 34,955; Backdoor: 14,102; DoS: 14,094; Password: 14,028; Ransomware: 13,993; DDoS: 13,981; Injection: 13,975; XSS: 13,974; Scanning: 13,907; MITM: 721).
  2. IoTID20 (176,467 mẫu): 5 lớp (Normal: 28,919; Scan: 54,195; DoS: 42,584; MITM: 25,510; Mirai: 25,259).
  3. UNSW-NB15 (82,332 mẫu): 10 lớp (Normal: 37,000; Generic: 18,871; Exploits: 11,132; Fuzzers: 6,062; DoS: 4,089; Reconnaissance: 3,496; Analysis: 677; Backdoor: 583; Shellcode: 378; Worms: 44).

Bảng so sánh hiệu suất phân loại đa nhãn (Tỷ lệ phân chia 50:50)

STT Tập dữ liệu Kiến trúc thực thi Precision Recall F1-Score Accuracy
1 ToN_IoT Centralized Learning 0.9412 0.9436 0.9408 0.9436
2 ToN_IoT Vanilla Federated Learning 0.9621 0.9635 0.9619 0.9635
3 ToN_IoT flwrBC (Đề xuất) 0.9625 0.9640 0.9623 0.9640
4 IoTID20 Centralized Learning 0.9915 0.9912 0.9913 0.9912
5 IoTID20 Vanilla Federated Learning 0.9823 0.9821 0.9820 0.9821
6 IoTID20 flwrBC (Đề xuất) 0.9830 0.9829 0.9828 0.9829
7 UNSW_NB15 Centralized Learning 0.8540 0.8512 0.8498 0.8512
8 UNSW_NB15 Vanilla Federated Learning 0.8125 0.8095 0.8082 0.8095
9 UNSW_NB15 flwrBC (Đề xuất) 0.8138 0.8110 0.8096 0.8110

[!NOTE] Trên tập dữ liệu ToN_IoT, mô hình Federated Learning đạt độ chính xác cao hơn kiến trúc Centralized ($0.9640 > 0.9436$). Nguyên nhân do mô hình tập trung bị Overfitting cục bộ trên các lớp chiếm đa số, trong khi cơ chế tính trung bình trọng số FedAvg giúp tổng quát hóa không gian đặc trưng tốt hơn.

Phân tích tiêu thụ tài nguyên phần cứng

  • Client RAM Utilization: Dù được cấp phát môi trường kiểm thử 32GB RAM, mức chiếm dụng thực tế của mỗi client chỉ dao động từ 4.1GB đến 5.8GB RAM trong suốt chu kỳ huấn luyện và sinh mẫu ctGAN.
  • Server CPU & RAM Overhead: Trên máy chủ, Vanilla FL duy trì mức tiêu thụ RAM ổn định ~3.4GB. Mô hình flwrBC có mức tiêu thụ RAM tăng nhẹ lên ngưỡng ~5.7GB do tích hợp thêm tiến trình node Web3/Ethereum client và dịch vụ IPFS daemon, song tải CPU luôn giữ ở mức an toàn dưới 65%.

Đổi mới và đóng góp

  1. Khử hiện tượng Non-IID bảo vệ quyền riêng tư: Khác với các phương pháp Data Augmentation truyền thống yêu cầu chia sẻ mẫu thực tế, giải pháp sử dụng ctGAN huấn luyện cục bộ tại node dư thừa và chỉ truyền dữ liệu nhân tạo dạng bảng qua blockchain, giúp cải thiện độ chính xác phân loại của node thiếu hụt lên đến 18.4% trong kịch bản phân chia 95:5.
  2. Loại bỏ hoàn toàn Single Point of Failure với Dual Smart Contract:
    • Contribution Contract: Ghi nhận khối lượng tính toán, độ đo đóng góp của từng node, quản lý hàm thưởng token tự động.
    • Federation Contract: Kiểm chứng tính toàn vẹn của mô hình tổng hợp toàn cục, lưu vết địa chỉ băm IPFS không thể chỉnh sửa (Immutability).
  3. Giải quyết triệt để mất cân bằng lớp hiếm: Tích hợp thành công kỹ thuật Cost-Sensitive Training với trọng số class_weight cho các lớp tấn công đặc biệt nguy hiểm nhưng xuất hiện ít trong thực tế như Worms (44 mẫu trong UNSW) và MITM (721 mẫu trong ToN_IoT).
Giải pháp so sánh Cơ chế bảo vệ riêng tư Xử lý Non-IID Khả năng chống tấn công Server Độ phức tạp truyền thông
FedCSCD-GAN [7] Differential Privacy (DP) cGAN cục bộ Kém (Server tập trung) $\mathcal{O}(N \times d)$
Vanilla FL (McMahan et al.) Không chia sẻ raw data Không hỗ trợ Kém (SPoF) $\mathcal{O}(N \times d)$
Hệ thống đề xuất (flwrBC + ctGAN) FL + IPFS Hash Encryption ctGAN Tabular Synth Tuyệt đối (Smart Contract) $\mathcal{O}(N \times d + \text{gas})$

Ứng dụng thực tế và triển khai

+---------------------------------------------------------------------------------------------------+
|                                KỊCH BẢN TRIỂN KHAI THỰC TẾ (USE CASES)                            |
+---------------------------------------------------------------------------------------------------+
|  [Hạ tầng Thành phố thông minh]      [Hệ thống IoT Y tế - IoMT]         [Hệ thống Năng lượng SCADA]   |
|   - Edge Gateway camera & traffic     - Máy theo dõi bệnh nhân ICU       - Trạm biến áp & RTU SmartGrid|
|   - Bảo vệ riêng tư cư dân            - Bảo mật dữ liệu bệnh án HIPAA    - Ngăn chặn tấn công DDoS     |
+---------------------------------------------------------------------------------------------------+

Chiến lược triển khai và Yêu cầu hạ tầng

  • Cấu hình Gateway / Edge Node tối thiểu:
    • CPU: 4 vCPUs (x86_64 hoặc ARM64 Cortex-A72).
    • Bộ nhớ RAM: Tối thiểu 8 GB RAM (Mức hoạt động thực tế: 4 - 6 GB).
    • Lưu trữ: 32 GB SSD khả dụng.
    • Mạng: Băng thông tối thiểu 10 Mbps, hỗ trợ giao thức P2P.
  • Cấu hình Trạm điều phối / Aggregation Server:
    • CPU: 8 vCPUs trở lên.
    • Bộ nhớ RAM: 16 GB RAM.
    • Dịch vụ: IPFS Node, Ethereum Private Network / Testnet Node (Go-Ethereum).

Phân tích Hiệu quả Đầu tư (Cost-Benefit Analysis & ROI)

  • Tiết kiệm chi phí băng thông: So với việc truyền 147,730 bản ghi lưu lượng mạng liên tục về trung tâm (ước tính hàng trăm GB/tháng trên quy mô lớn), mô hình chỉ truyền tải các vector trọng số (~5MB/vòng), giúp giảm 92% chi phí đường truyền Internet/4G.
  • Giảm thiểu rủi ro pháp lý: Đạt tính tuân thủ các quy định bảo vệ dữ liệu nghiêm ngặt (GDPR, HIPAA, Nghị định 13/2023/NĐ-CP của Việt Nam) nhờ cơ chế không lưu chuyển dữ liệu nhạy cảm ra khỏi biên mạng.
  • Thời gian hoàn vốn (ROI): Dự kiến từ 6 đến 9 tháng đối với doanh nghiệp quản lý từ 1,000 thiết bị IoT cận biên trở lên.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  1. Tài nguyên huấn luyện ctGAN: Quá trình huấn luyện mạng sinh ctGAN mất từ 3 - 5 phút trên CPU nếu không có GPU hỗ trợ, tạo ra độ trễ khởi tạo ban đầu trước Round 1.
  2. Chi phí Gas và độ trễ khối: Triển khai trên Blockchain công khai (Public Ethereum) sẽ phát sinh phí giao dịch (Gas fee) và độ trễ chờ xác nhận block (~12 - 15 giây).
  3. Cơ chế đồng bộ FedAvg: Vẫn phụ thuộc vào việc chờ đợi các node hoàn thành cục bộ (Synchronous FL), có thể bị tắc nghẽn nếu một node biên gặp sự cố đường truyền (Straggler problem).

Hướng nghiên cứu tương lai

  • Ứng dụng Học liên kết bất đồng bộ (Asynchronous Federated Learning - FedAsync) để tối ưu hóa thời gian chờ giữa các node không đồng nhất phần cứng.
  • Tích hợp kỹ thuật Lượng tử hóa mô hình (Model Quantization - INT8/FP16) và nén trọng số nhằm triển khai trên các vi điều khiển cấp thấp (như Raspberry Pi 4 hoặc ESP32 với Edge AI).
  • Triển khai Layer-2 Rollups hoặc Private Consortium Blockchain (Hyperledger Fabric) để triệt tiêu phí Gas và tăng tốc độ xử lý giao dịch lên hàng nghìn TPS.

Đối tượng hưởng lợi

+---------------------------------------------------------------------------------------+
|                                ĐỐI TƯỢNG HƯỞNG LỢI                                    |
+---------------------------------------------------------------------------------------+
|  Sinh viên / Học viên  : Tài liệu mẫu về FL, Blockchain, Deep Learning & ctGAN.        |
|  Kỹ sư An toàn thông tin: Bộ khung mã nguồn mở phát hiện tấn công IoT độ trễ thấp.   |
|  Doanh nghiệp IoT/IIoT : Giải pháp bảo vệ dữ liệu tuân thủ GDPR, tiết kiệm băng thông.|
|  Nhà nghiên cứu        : Phương pháp giải quyết Non-IID và bài toán Single Point of   |
|                          Failure trong Federated Learning.                            |
+---------------------------------------------------------------------------------------+

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai giải pháp này là gì?

Hệ thống yêu cầu các node client trang bị tối thiểu 4 vCPUs, 8GB RAM, hệ điều hành Ubuntu 20.04/22.04 LTS và cài đặt môi trường Python 3.10. Máy chủ cần tối thiểu 16GB RAM và kết nối ổn định với mạng IPFS daemon cùng EVM Blockchain Node.

2. Giới hạn mở rộng (Scalability) của hệ thống và giải pháp xử lý?

Khi số lượng node client vượt quá 100 node, máy chủ tổng hợp có thể gặp hiện tượng nghẽn I/O khi nhận đồng thời hàng trăm bản cập nhật mô hình. Giải pháp là áp dụng cơ chế phân cụm phân cấp (Hierarchical Federated Learning) và sử dụng IPFS Cluster để phân tán tải lưu trữ file trọng số.

3. Hệ thống tích hợp với các hạ tầng an ninh mạng hiện có (SIEM/SOC) như thế nào?

Mô hình Conv1D xuất log cảnh báo theo định dạng chuẩn JSON / CEF (Common Event Format). Quản trị viên có thể dễ dàng kết nối output của hệ thống với các nền tảng giám sát bảo mật tập trung như Splunk, Wazuh SIEM hoặc Elastic Security thông qua Webhook API hoặc Syslog.

4. Chi phí vận hành và bảo trì hệ thống định kỳ bao gồm những gì?

Chi phí chính bao gồm hạ tầng máy chủ điều phối và chi phí duy trì mạng Blockchain riêng (Private Blockchain / Layer-2). Do sử dụng toàn bộ công cụ mã nguồn mở (Flower, PyTorch, Geth, IPFS), doanh nghiệp không phải trả phí bản quyền phần mềm định kỳ.

5. Khả năng chống tấn công đầu độc mô hình (Poisoning Attack) được đảm bảo ra sao?

Nhờ có Contribution Contract trên Blockchain, mọi bản cập nhật trọng số đều được gắn chữ ký số của node client và lưu trữ hash trên IPFS. Thuật toán tổng hợp tại server áp dụng cơ chế đánh giá độ lỗi ngoại lai (Outlier Filtering) để tự động loại bỏ các trọng số độc hại trước khi đưa vào hàm FedAvg.

Kết luận

Đề tài "Phát triển hệ thống phát hiện xâm nhập mạng cho IoT sử dụng Học liên kết" đã giải quyết trọn vẹn điểm nghẽn giữa nhu cầu phân tích an ninh mạng chuyên sâu và yêu cầu bảo vệ quyền riêng tư dữ liệu cận biên. Bằng việc kết hợp kiến trúc mạng nơ-ron học sâu Conv1D, cơ chế sinh mẫu cân bằng dữ liệu ctGAN, khung điều phối Flower FL và nền tảng Blockchain/IPFS, hệ thống đạt độ chính xác phát hiện xâm nhập vượt trội 96.40% trên tập dữ liệu ToN_IoT và 98.29% trên tập IoTID20.

Giải pháp mở ra hướng đi bền vững cho các hạ tầng IoT/IIoT quy mô lớn, đảm bảo tính toàn vẹn, minh bạch và khả năng mở rộng vượt trội. Các tổ chức và nhà phát triển có thể tham khảo kiến trúc này để triển khai các hệ thống phòng thủ không gian mạng thế hệ mới, đáp ứng tiêu chuẩn an toàn thông tin toàn cầu.