Bối cảnh và vấn đề nghiên cứu

Sự phát triển của khoa học công nghệ nói chung và công nghệ thông tin nói riêng đã thúc đẩy quá trình số hóa và trao đổi thông tin mạnh mẽ trên mạng Internet. Với sự phổ biến của dịch vụ World Wide Web (WWW) và bộ giao thức TCP/IP, số lượng tên miền và địa chỉ mạng được đăng ký mới mỗi ngày tại các nhà cung cấp dịch vụ gia tăng với tốc độ nhanh chóng. Khối lượng dữ liệu quản lý khổng lồ phát sinh từ quá trình này tiềm ẩn nhiều thông tin giá trị về hành vi truy cập, thị hiếu người dùng cũng như các xu hướng vận động kinh tế - xã hội.

Tuy nhiên, các công cụ quản trị và truy vấn cơ sở dữ liệu quan hệ truyền thống (SQL) chỉ đáp ứng được việc lưu trữ và trích xuất dữ liệu cơ bản, không thể tự động phát hiện các mối liên hệ ẩn sâu hoặc rút trích các tri thức hữu ích bên dưới các tập dữ liệu quy mô lớn (mức Terabyte), có số chiều cao và nhiều yếu tố nhiễu. Để giải quyết bài toán này, kỹ thuật khai phá dữ liệu (Data Mining) và khám phá tri thức (KDD) được ứng dụng nhằm phân tích, phân nhóm và dự báo các mẫu dữ liệu phục vụ công tác quản lý và ra quyết định.

Đồ án tốt nghiệp của tác giả Nguyễn Văn Tuyên (ngành Công nghệ thông tin, Trường Đại học Dân lập Hải Phòng, năm 2016, dưới sự hướng dẫn của ThS. Nguyễn Trịnh Đông) xác định rõ 4 nhiệm vụ nghiên cứu cụ thể được giao:

  1. Tìm hiểu các phương pháp phân cụm dữ liệu.
  2. Tìm hiểu một số phương pháp tạo các luật cơ bản và các giải thuật liên quan.
  3. Đề ra phương pháp xây dựng hệ thống quản trị và xử lý dữ liệu.
  4. Thử nghiệm với các công cụ để giải quyết bài toán quản lý địa chỉ Internet.

Đối tượng nghiên cứu của đề tài là các thuật toán khai phá dữ liệu (trọng tâm là phương pháp phân cụm dữ liệu phân hoạch) và cấu trúc dữ liệu địa chỉ Internet (gồm không gian địa chỉ IPv4, IPv6 cùng hệ thống tên miền DNS). Phạm vi nghiên cứu tập trung vào cơ sở lý thuyết tiền xử lý dữ liệu, các độ đo khoảng cách, cơ chế định danh mạng máy tính, chức năng của các tổ chức quản lý địa chỉ Internet (ICANN, IANA, VNNIC) và thử nghiệm xây dựng phần mềm quản lý, phân cụm dữ liệu tên miền.

Cơ sở lý thuyết và phương pháp

Đồ án xây dựng khung lý thuyết dựa trên hai nền tảng chính: lý thuyết khai phá tri thức trong cơ sở dữ liệu và kiến trúc mạng Internet cùng hệ thống định danh toàn cầu.

Khung lý thuyết và mô hình sử dụng

  1. Tiến trình khám phá tri thức (Knowledge Discovery in Databases - KDD): Tác giả hệ thống hóa quy trình KDD chuẩn gồm 6 giai đoạn:
    • Lựa chọn dữ liệu (Data Selection): Thu thập và chọn lọc tập dữ liệu mục tiêu từ các nguồn phân tán.
    • Làm sạch dữ liệu (Data Cleaning): Xóa bỏ các bản ghi dư thừa, xử lý dữ liệu nhiễu hoặc thông tin sai lệch.
    • Làm giàu dữ liệu (Data Enrichment): Bổ sung thông tin từ các cơ sở dữ liệu liên kết bên ngoài để tăng cường ngữ nghĩa cho tập dữ liệu chính.
    • Mã hóa và chuẩn hóa dữ liệu (Coding & Normalization): Chuyển đổi dữ liệu về định dạng phù hợp cho các thuật toán. Áp dụng chuẩn hóa toàn cục (trên toàn bộ biến) hoặc chuẩn hóa trong cụm.
    • Khám phá tri thức / Khai phá dữ liệu (Data Mining): Bước trọng tâm thực hiện chạy các thuật toán phân cụm để rút trích các mẫu tiềm ẩn.
    • Báo cáo kết quả (Reporting): Trình bày và tổng hợp các phát hiện dưới dạng báo cáo phục vụ người dùng.
  2. Kỹ thuật biến đổi và giảm chiều dữ liệu: Trình bày lý thuyết phân tích thành phần chính (PCA), phân tách giá trị riêng (Singular Value Decomposition - SVD) và phép biến đổi Karhunen-Loéve (KL) nhằm giảm chiều dữ liệu nhưng vẫn giữ lại phần lớn phương sai của tập dữ liệu ban đầu.
  3. Kiến trúc địa chỉ mạng và hệ thống phân giải tên miền:
    • Địa chỉ IPv4: Không gian 32 bit (4 octet), phân chia thành 5 lớp mạng (A, B, C, D, E), kỹ thuật chuyển dịch địa chỉ mạng (NAT) và dải địa chỉ IP Private.
    • Địa chỉ IPv6: Không gian 128 bit (8 nhóm số Hexadecimal), các kỹ thuật tương thích và chuyển đổi (Dual-stack, Tunneling, Translation), các không gian địa chỉ đặc thù (Global Unicast 2000::/3, Link-Local FE80::/10, Unique Local FC00::/7, Loopback ::1).
    • Hệ thống tên miền (DNS): Cơ chế phân giải giữa chuỗi ký tự tên miền (URL) và địa chỉ IP vật lý.
    • Khung quản lý Internet: Cơ cấu điều phối quốc tế của IANA, ICANN và chức năng quản lý tài nguyên mạng quốc gia của Trung tâm Internet Việt Nam (VNNIC) theo Quyết định số 02/2008/QĐ-BTTTT ngày 05/03/2008 của Bộ Thông tin và Truyền thông.

Phương pháp nghiên cứu và độ đo toán học

Đồ án sử dụng phương pháp phân tích lý thuyết kết hợp thực nghiệm mô hình hóa toán học. Dữ liệu đầu vào cho các giải thuật được cấu trúc hóa dưới dạng ma trận dữ liệu ($n \times p$) hoặc ma trận không giống nhau ($n \times n$). Các hàm khoảng cách và độ tương tự được áp dụng tùy thuộc vào kiểu thuộc tính:

Kiểu thuộc tính Độ đo / Công thức toán học áp dụng Ghi chú kỹ thuật
Thuộc tính khoảng (Liên tục) Khoảng cách Minkowski: $d(x,y) = \left(\sum_{i=1}^n |x_i - y_i|^q\right)^{1/q}$ Trường hợp tổng quát
Thuộc tính khoảng (Liên tục) Khoảng cách Euclidean: $d(x,y) = \sqrt{\sum_{i=1}^n (x_i - y_i)^2}$ Phổ biến nhất (Minkowski với $q=2$)
Thuộc tính khoảng (Liên tục) Khoảng cách Manhattan: $d(x,y) = \sum_{i=1}^n |x_i - y_i|$ Minkowski với $q=1$
Thuộc tính khoảng (Liên tục) Khoảng cách Chebychev: $d(x,y) = \max_{i} |x_i - y_i|$ Minkowski với $q=\infty$
Thuộc tính nhị phân đối xứng Hệ số đối sánh đơn giản: $d(x,y) = \frac{b+c}{a+b+c+d}$ Trọng số xuất hiện 1 và 0 ngang nhau
Thuộc tính nhị phân bất đối xứng Hệ số Jaccard: $d(x,y) = \frac{b+c}{a+b+c}$ Bỏ qua các đối sánh đồng thời bằng 0 ($d$)
Thuộc tính định danh Độ phi tương tự: $d(x,y) = \frac{p-m}{p}$ $p$: tổng số thuộc tính; $m$: số thuộc tính trùng nhau
Thuộc tính có thứ tự Chuẩn hóa miền $[0, 1]$: $Z_i = \frac{r_i - 1}{M_i - 1}$ Chuyển về biến khoảng cách để tính toán

Nội dung chính theo từng chương

Chương 1: Giới thiệu chung về khai phá dữ liệu

Chương 1 thiết lập các khái niệm cơ bản về Data Mining, phân biệt Data Mining với Web Mining, đồng thời chỉ ra các lĩnh vực ứng dụng điển hình như phân tích dữ liệu bán hàng, phân tích rủi ro tín dụng, điều khiển lập lịch sản xuất, dự báo thời tiết và quản trị mạng. Tác giả phân tích các khó khăn lớn khi triển khai khai phá dữ liệu trên thực tế: quy mô dữ liệu vượt ngưỡng Terabyte, mức độ nhiễu và thiếu dữ liệu cao, số chiều lớn và các ràng buộc phức tạp giữa các trường thông tin.

Nội dung chương đi sâu vào 6 bước của tiến trình KDD, các phương pháp chuẩn hóa dữ liệu (chuẩn hóa toàn cục bằng phương sai trung bình và chuẩn hóa trong cụm), cùng các kỹ thuật giảm số chiều như PCA, SVD và biến đổi Karhunen-Loéve. Phần cuối chương trình bày tổng quan về hạ tầng Internet: cấu trúc địa chỉ IPv4 (32 bit, 4 octet), 5 lớp mạng cùng kỹ thuật NAT; nguyên lý địa chỉ IPv6 (128 bit) với khả năng mở rộng lên $2^{128}$ địa chỉ; nguyên lý hoạt động của hệ thống máy chủ DNS và vai trò quản lý nhà nước của VNNIC theo Quyết định số 02/2008/QĐ-BTTTT.

Chương 2: Các thuật toán trong khai phá dữ liệu

Chương 2 tập trung trình bày bài toán phân cụm dữ liệu (Clustering) dưới góc độ học không có thầy (Unsupervised learning / Learning from observation). Tác giả làm rõ các yêu cầu kỹ thuật đối với một thuật toán phân cụm: thời gian chạy tăng tuyến tính theo kích thước dữ liệu, khả năng xử lý dữ liệu hỗn hợp, khả năng phát hiện cụm hình dạng bất kỳ, giảm thiểu tri thức tham số đầu vào và tính độc lập với thứ tự nạp dữ liệu.

Chương phân loại và so sánh 4 trường phái phân cụm chính:

  1. Phương pháp phân hoạch (Partitioning): Gồm các thuật toán K-Means, K-Medoids (PAM), CLARA, CLARANS. Phương pháp này chia $n$ đối tượng vào $k$ cụm định trước dựa trên tâm đại diện, tối ưu hóa khoảng cách lồi nhưng gặp hạn chế với cụm dạng lồng nhau hoặc dữ liệu nhiều nhiễu.
  2. Phương pháp phân cấp (Hierarchical): Phân loại theo hướng tiếp cận từ dưới lên (Bottom-Up: AGNES, CURE, BIRCH, CHAMELEON) hoặc từ trên xuống (Top-Down: DIANA), cho phép tạo cấu trúc dạng cây nhưng chi phí tính toán cao và khó sửa lỗi ở các bước trước.
  3. Phương pháp dựa trên mật độ (Density-Based): Gồm DBSCAN, OPTICS, DENCLUE, DBCLASD; có khả năng nhận dạng cụm hình dáng bất kỳ và loại bỏ điểm ngoại lai hiệu quả.
  4. Phương pháp dựa trên lưới (Grid-Based): Chia không gian thành các ô lưới, tốc độ xử lý nhanh và độc lập với số lượng đối tượng dữ liệu.

Chương 2 trình bày chi tiết thuật toán K-Means và minh họa từng bước số học thông qua bài toán phân cụm 4 mẫu thuốc ($A(1,1), B(2,1), C(4,3), D(5,4)$) với 2 đặc trưng (Trọng lượng $X$ và độ pH $Y$) vào $K=2$ nhóm:

  • Khởi tạo: Chọn tâm ban đầu $c_1 = A(1,1)$ và $c_2 = B(2,1)$.
  • Vòng lặp 1: Tính ma trận khoảng cách Euclidean từ các điểm tới 2 tâm:
    • $d(C, c_1) = \sqrt{(4-1)^2 + (3-1)^2} = \sqrt{13} \approx 3.61$; $d(C, c_2) = \sqrt{(4-2)^2 + (3-1)^2} = \sqrt{8} \approx 2.83$.
    • Điểm $C$ và $D$ được gán về nhóm của $c_2$, nhóm 1 chỉ gồm ${A}$, nhóm 2 gồm ${B, C, D}$.
  • Cập nhật tâm: Giữ nguyên $c_1(1,1)$, tính lại tâm $c_2$ bằng trung bình cộng tọa độ các điểm $B, C, D$: $c_2 = \left(\frac{2+4+5}{3}, \frac{1+3+4}{3}\right) = (3.67, 2.67)$.
  • Vòng lặp tiếp theo: Tính toán lại khoảng cách và phân bổ lại các điểm cho đến khi tọa độ các tâm hội tụ hoàn toàn.

Chương 3: Thử nghiệm hệ thống

Chương 3 trình bày việc xây dựng phần mềm quản lý và thử nghiệm thuật toán phân cụm trên tập dữ liệu quản lý tên miền và địa chỉ IP. Tác giả mô tả cấu trúc phần mềm với các chức năng cơ bản:

  • Thiết lập và kiểm tra chuỗi kết nối cơ sở dữ liệu.
  • Phân quyền và xác thực người dùng qua giao diện đăng nhập.
  • Giao diện chính hiển thị các bảng dữ liệu quản lý.
  • Cập nhật, chỉnh sửa thông tin đăng ký tên miền của khách hàng.
  • Tra cứu, tìm kiếm thông tin địa chỉ mạng và tên miền.
  • Thực nghiệm chạy thuật toán K-Means và K-Medoids (PAM) trên dữ liệu quản trị để phân nhóm các tên miền có đặc tính tương đồng.

Thiết kế và triển khai

Phần mềm thử nghiệm trong đồ án được thiết kế dưới dạng ứng dụng quản trị dữ liệu có giao diện đồ họa, kết nối với hệ quản trị cơ sở dữ liệu để thực hiện quản lý danh bạ tên miền và tích hợp thuật toán phân cụm dữ liệu.

+-------------------------------------------------------------------+
|                  GIAO DIỆN NGƯỜI DÙNG CHƯƠNG TRÌNH                |
| +---------------------+ +--------------------+ +----------------+ |
| | Đăng nhập / Bảo mật | | Cập nhật tên miền  | | Tra cứu CSDL   | |
| +---------------------+ +--------------------+ +----------------+ |
+-------------------------------------------------------------------+
                                  |
                                  v
+-------------------------------------------------------------------+
|                   MÔ-ĐUN KHAI PHÁ DỮ LIỆU PHÂN CỤM                |
|   - Thiết lập số cụm K                                            |
|   - Lựa chọn thuật toán: K-Means / K-Medoids (PAM)                |
|   - Tính toán ma trận khoảng cách Euclidean                       |
|   - Xuất kết quả phân nhóm tên miền và đối tượng                  |
+-------------------------------------------------------------------+
                                  |
                                  v
+-------------------------------------------------------------------+
|               KẾT NỐI VÀ XỬ LÝ DỮ LIỆU (DATABASE ENGINE)          |
|   - Bảng thông tin khách hàng, tên miền, địa chỉ IP liên kết      |
+-------------------------------------------------------------------+

Hệ thống bao gồm các mô-đun chức năng chính tương ứng với các giao diện được cài đặt trong đồ án:

Tên chức năng / Giao diện Mô tả nhiệm vụ kỹ thuật
Kết nối cơ sở dữ liệu Thiết lập thông số kết nối máy chủ dữ liệu, kiểm tra tính sẵn sàng của cơ sở dữ liệu tên miền.
Đăng nhập hệ thống Xác thực danh tính người quản trị hệ thống trước khi cho phép truy cập tài nguyên.
Giao diện chính Bảng điều khiển trung tâm liên kết đến các phân hệ quản lý, tìm kiếm và phân cụm.
Cập nhật tên miền đăng ký Tiếp nhận thông tin đăng ký tên miền mới, chỉnh sửa thông tin bản ghi DNS, IP và chủ sở hữu.
Tìm kiếm thông tin Tra cứu nhanh thông tin địa chỉ Internet, trạng thái tên miền theo các tiêu chí truy vấn.
Phân cụm K-Means & K-Medoids Nhận tham số số cụm $K$, nạp dữ liệu từ bảng quản lý, thực thi giải thuật và hiển thị kết quả phân chia các nhóm tên miền.

Kết quả và đóng góp

Kết quả nghiên cứu chính

  1. Hệ thống hóa cơ sở lý thuyết: Đồ án tổng hợp đầy đủ tiến trình KDD 6 bước, các phương pháp tiền xử lý và chuẩn hóa dữ liệu, cùng 4 nhóm thuật toán phân cụm chính (phân hoạch, phân cấp, mật độ, lưới).
  2. Chi tiết hóa giải thuật toán học: Xây dựng quy trình toán học rõ ràng cho thuật toán K-Means và K-Medoids; cung cấp minh họa từng bước tính toán khoảng cách Euclidean, phân bổ nhóm và cập nhật lại tọa độ tâm cụm.
  3. Phân tích hạ tầng Internet: Tổng hợp bức tranh kỹ thuật về cấu trúc IPv4, IPv6, hệ thống DNS và khung pháp lý quản lý tài nguyên Internet tại Việt Nam thông qua hệ thống quy định của VNNIC.
  4. Xây dựng chương trình thử nghiệm: Triển khai thành công phần mềm quản lý tên miền tích hợp hai thuật toán phân cụm K-Means và K-Medoids, cho phép thao tác cập nhật dữ liệu, tìm kiếm và phân nhóm dữ liệu thử nghiệm.

Giải pháp và kiến nghị

  • Đề xuất ứng dụng kỹ thuật phân cụm dữ liệu phân hoạch vào hệ thống của các nhà cung cấp dịch vụ Internet để tự động phân đoạn các nhóm tên miền và khách hàng, phục vụ công tác giám sát hạ tầng và hoạch định kế hoạch kinh doanh.
  • Khuyến nghị kết hợp các bước tiền xử lý, chuẩn hóa dữ liệu và lựa chọn độ đo khoảng cách phù hợp với từng kiểu thuộc tính để nâng cao độ chính xác của quá trình phân cụm.

Đóng góp của đề tài

Đồ án liên kết giữa lý thuyết khai phá dữ liệu học máy (Machine Learning) với bài toán quản lý tài nguyên mạng thực tế. Tác giả tự hệ thống hóa các kỹ thuật đo độ tương đồng trong không gian metric và ứng dụng trực tiếp vào cấu trúc dữ liệu địa chỉ Internet, tạo cơ sở cho việc nghiên cứu áp dụng khai phá dữ liệu trong quản trị mạng máy tính.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế được ghi nhận

  • Thuật toán phân hoạch (K-Means, PAM) yêu cầu người dùng phải xác định trước tham số số cụm $K$, vốn là tham số khó ước lượng chính xác trên các tập dữ liệu lớn trong thực tế.
  • K-Means chỉ phát hiện tốt các cụm có hình dạng lồi (đa giác lồi, hình cầu) và rất nhạy cảm với các điểm dữ liệu nhiễu hoặc phần tử ngoại lai (outliers), làm lệch vị trí tâm cụm.
  • Quy mô thử nghiệm của chương trình mới dừng ở mức mô phỏng trên cơ sở dữ liệu mẫu, chưa tích hợp trực tiếp với luồng dữ liệu truy vấn mạng thời gian thực ở quy mô lớn.

Hướng nghiên cứu tiếp theo

  • Nghiên cứu và mở rộng sang các thuật toán phân cụm dựa trên mật độ (như DBSCAN, OPTICS) hoặc dựa trên lưới để xử lý các cụm có hình dạng phức tạp và tự động lọc bỏ các phần tử nhiễu.
  • Phát triển thêm các thuật toán khai phá luật kết hợp (Association Rules) để phân tích hành vi đăng ký tên miền và phát hiện các mẫu truy cập bất thường trong an toàn mạng.

Giá trị tham khảo

Đồ án là tài liệu tham khảo hữu ích cho các nhóm đối tượng sau:

  • Sinh viên ngành Công nghệ thông tin và Khoa học máy tính: Sinh viên làm đồ án tốt nghiệp hoặc học tập các học phần Khai phá dữ liệu, Trí tuệ nhân tạo, Mạng máy tính có thể tham khảo cấu trúc trình bày, hệ thống công thức các độ đo khoảng cách và ví dụ tính toán K-Means từng bước.
  • Người nghiên cứu về quản trị mạng và dữ liệu Internet: Cung cấp tài liệu tổng quan có hệ thống về cấu trúc địa chỉ IPv4/IPv6, cơ chế DNS và chức năng quản lý tài nguyên mạng của VNNIC.
  • Lập trình viên phát triển ứng dụng quản lý: Tham khảo cách thiết kế giao diện kết hợp chức năng cập nhật dữ liệu CRUD cơ bản với mô-đun chạy thuật toán phân cụm dữ liệu.

Câu hỏi thường gặp

1. Tiến trình khám phá tri thức (KDD) trong đồ án gồm những bước nào và bước nào là trọng tâm?
Tiến trình KDD được trình bày gồm 6 bước: (1) Lựa chọn dữ liệu, (2) Xóa bỏ dữ liệu không cần thiết / Làm sạch, (3) Làm giàu dữ liệu, (4) Mã hóa và chuẩn hóa, (5) Khám phá tri thức (Data Mining), (6) Báo cáo kết quả. Tác giả nhấn mạnh việc khai phá tri thức thực sự bắt đầu và tập trung ở bước thứ 5 thông qua việc áp dụng các thuật toán khai phá.

2. Điểm khác biệt căn bản giữa phân cụm dữ liệu (Clustering) và phân lớp dữ liệu (Classification) là gì?
Phân cụm dữ liệu là phương pháp học không có thầy (Unsupervised learning / Learning from observation), không đòi hỏi phải định nghĩa trước các mẫu dữ liệu huấn luyện hay các lớp nhãn có sẵn. Ngược lại, phân lớp dữ liệu là phương pháp học có thầy (Learning by example), đòi hỏi tập dữ liệu phải được gán nhãn trước để huấn luyện mô hình.

3. IPv6 có những ưu điểm gì vượt trội so với IPv4 và có những cơ chế chuyển đổi nào?
IPv6 mở rộng không gian địa chỉ lên 128 bit ($2^{128}$ địa chỉ so với $2^{32}$ của IPv4), loại bỏ hoàn toàn nhu cầu dùng NAT, hỗ trợ tự động cấu hình không cần DHCP, định tuyến phân cấp tốt hơn, hỗ trợ sẵn Multicast, nâng cao tính bảo mật và hỗ trợ thiết bị di động tốt hơn. Ba cơ chế tương thích khi chuyển đổi giữa IPv4 và IPv6 gồm: Dual-stack (chạy song song cả hai giao thức), Tunneling (đóng gói IPv6 truyền qua hạ tầng IPv4), và Translation (biên dịch gói tin giữa hai giao thức).

4. Trong ví dụ minh họa K-Means ở Chương 2, việc cập nhật tâm cụm được thực hiện như thế nào?
Với 4 mẫu thuốc $A(1,1), B(2,1), C(4,3), D(5,4)$ và $K=2$, sau khi tính khoảng cách Euclidean ở vòng lặp 1, nhóm 1 chỉ có điểm $A$ nên tâm $c_1$ giữ nguyên tọa độ $(1,1)$. Nhóm 2 gồm ba điểm $B, C, D$, tâm $c_2$ mới được tính bằng trung bình cộng tọa độ của 3 điểm này: hoành độ $X = \frac{2+4+5}{3} = 3.67$ và tung độ $Y = \frac{1+3+4}{3} = 2.67$.

5. Cơ quan nào chịu trách nhiệm quản lý tên miền và địa chỉ IP tại Việt Nam được trích dẫn trong văn bản?
Trung tâm Internet Việt Nam (VNNIC), trực thuộc Bộ Thông tin và Truyền thông, được thành lập ngày 28/04/2000. Chức năng, nhiệm vụ và quyền hạn của VNNIC được quy định theo Quyết định số 02/2008/QĐ-BTTTT ngày 05/03/2008 do Bộ trưởng Bộ Thông tin và Truyền thông ban hành, bao gồm quy hoạch, phân bổ, quản lý địa chỉ IP, số hiệu mạng (ASN) và tên miền quốc gia cấp cao .vn.

Kết luận

Đồ án tốt nghiệp của sinh viên Nguyễn Văn Tuyên đã hệ thống hóa toàn diện các kiến thức nền tảng về tiến trình khai phá tri thức, kỹ thuật chuẩn hóa dữ liệu và các giải thuật phân cụm trong không gian metric. Đề tài làm rõ cấu trúc hạ tầng địa chỉ Internet (IPv4, IPv6, DNS) cùng khung pháp lý quản lý tài nguyên mạng tại Việt Nam. Đồng thời, tác giả đã xây dựng phần mềm thử nghiệm minh chứng khả năng ứng dụng các thuật toán K-Means và K-Medoids trong việc phân nhóm và quản lý dữ liệu tên miền.