Giới thiệu dự án

Trong kỷ nguyên chuyển đổi số và sự bùng nổ của các thiết bị mạng kết nối Internet (IoT), lưu lượng dữ liệu mạng toàn cầu đang tăng trưởng với tốc độ phi mã. Theo các báo cáo an ninh mạng quốc tế, số lượng các cuộc tấn công mạng và xâm nhập trái phép đã tăng hơn 38% qua từng năm, với mức độ tinh vi và phức tạp ngày càng cao. Hệ thống phát hiện xâm nhập (Intrusion Detection System - IDS), đặc biệt là Network IDS (NIDS), đóng vai trò là tuyến phòng thủ then chốt nhằm phát hiện và ngăn chặn các hành vi xâm nhập, dò quét cổng hay khai thác lỗ hổng hệ thống.

+-----------------------------------------------------------------------------+
|                      MÔ HÌNH HỌC CỘNG TÁC (FEDERATED LEARNING)              |
|                                                                             |
|                         +-----------------------+                           |
|                         |    CENTRAL SERVER     |                           |
|                         |  (Aggregator: FedAvg) |                           |
|                         +-----------+-----------+                           |
|                                     |                                       |
|               Phân phối trọng số W  |  Gửi cập nhật Gradient \Delta W       |
|                                     v                                       |
|     +-------------------------------+-------------------------------+       |
|     |                               |                               |       |
|     v                               v                               v       |
| +-----------+                 +-----------+                 +-----------+   |
| |  EDGE 1   |                 |  EDGE 2   |                 |  EDGE N   |   |
| | (VM Node) |                 | (VM Node) |                 | (VM Node) |   |
| +-----+-----+                 +-----+-----+                 +-----+-----+   |
|       |                             |                             |         |
|   Dữ liệu thô                   Dữ liệu thô                   Dữ liệu thô   |
| UNSW-NB15 local             UNSW-NB15 local             UNSW-NB15 local     |
+-----------------------------------------------------------------------------+

Tuy nhiên, các hệ thống IDS truyền thống dựa trên luật/chữ ký (Signature-based) hoàn toàn bất lực trước các hình thức tấn công Zero-day hoặc biến thể mã độc mới. Để khắc phục, các mô hình Trí tuệ nhân tạo (AI-based IDS) và Học sâu (Deep Learning) đã được đưa vào ứng dụng. Dẫu vậy, việc triển khai AI-based IDS truyền thống gặp phải 2 rào cản kỹ thuật nghiêm trọng:

  1. Nguy cơ rò rỉ quyền riêng tư dữ liệu (Data Privacy): Việc tập trung toàn bộ dữ liệu lưu lượng nhạy cảm từ các trạm/máy khách về máy chủ trung tâm vi phạm các tiêu chuẩn bảo mật dữ liệu nghiêm ngặt (như GDPR, HIPAA).
  2. Lỗ hổng trước các mẫu tấn công đối kháng (Adversarial Attacks): Kẻ tấn công có thể tạo ra các nhiễu loạn nhỏ (perturbations) không thể nhận biết bằng mắt thường nhưng khiến mô hình học sâu phân loại sai lệch hoàn toàn.

Đề tài "Nghiên cứu sự khác nhau của mô hình VGG-16 với các mô hình máy học khác trong việc xây dựng hệ thống IDS sử dụng Federated Learning" do sinh viên Đậu Trọng Hoàng và Lê Chí Đại thực hiện dưới sự hướng dẫn của PGS. Lê Trung Quân tại Trường Đại học Công nghệ Thông tin – ĐHQG TP.HCM giải quyết trực diện bài toán này. Đề tài kết hợp phương pháp Học cộng tác (Federated Learning - FL) nhằm bảo toàn tính riêng tư dữ liệu và chuyển đổi dữ liệu lưu lượng mạng dạng bảng (UNSW-NB15) thành dữ liệu dạng ảnh 2D, từ đó khai thác triệt để sức mạnh trích xuất đặc trưng của các mạng nơ-ron tích chập (Convolutional Neural Networks - CNN), tiêu biểu là VGG-16, MobileNet, EfficientNet, Inception-v3 và ResNet.

Mục tiêu dự án

  1. Thiết kế và xây dựng hệ thống Federated Learning IDS: Thiết lập kiến trúc máy chủ trung tâm (Server) và các nút rìa phân tán (Edge Clients/VMs) nhằm huấn luyện mô hình phát hiện xâm nhập hợp tác mà không cần chia sẻ dữ liệu thô.
  2. Chuyển đổi dữ liệu mạng dạng bảng sang dạng ảnh 2D: Tiền xử lý tập dữ liệu UNSW-NB15 từ dạng vector thuộc tính sang ma trận ảnh kích thước $32 \times 32$ và $64 \times 64$ pixels để phục vụ các mô hình CNN.
  3. Đánh giá và so sánh hiệu năng đa mô hình: Phân tích định lượng sự khác biệt về độ chính xác (Accuracy), Precision, Recall, F1-Score và độ phức tạp tính toán giữa VGG-16 với MobileNetV2/V3, EfficientNet-B0, Inception-v3 và ResNet.
  4. Khảo sát tính kháng đối kháng và phòng thủ chủ động: Đánh giá mức độ tổn thương của các mô hình trước các kỹ thuật sinh mẫu đối kháng như FGSM, BIM, CW, WCGAN, đồng thời thực hiện tái huấn luyện đối kháng (Adversarial Training) trên môi trường phân tán để tăng cường độ bền vững cho hệ thống.

Phạm vi và giới hạn nghiên cứu

  • Môi trường thực nghiệm: Hệ thống máy ảo phân tán (Virtual Machines) mô phỏng các nút máy chủ và máy rìa (Edge nodes) thuộc hạ tầng mạng trường Đại học Công nghệ Thông tin – ĐHQG TP.HCM.
  • Tập dữ liệu: Tập dữ liệu chuẩn an ninh mạng UNSW-NB15 hỗ trợ phân loại đa lớp (Multiclass classification).
  • Giới hạn: Tập trung vào bài toán NIDS xử lý theo luồng dữ liệu đóng gói offline/batch flow, chưa tối ưu hóa độ trễ thời gian thực cho hạ tầng phần cứng nhúng cực thấp (Ultra-low-power microcontrollers).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí so sánh IDS truyền thống (Signature-based) AI-IDS Tập trung (Centralized Deep Learning) Federated Learning IDS (Giải pháp đề xuất)
Khả năng phát hiện Zero-day Kém (chỉ phát hiện mẫu đã biết) Xuất sắc (học đặc trưng phi tuyến) Xuất sắc (học đặc trưng phân tán từ nhiều nguồn)
Bảo mật quyền riêng tư Trung bình (cần log file tập trung) Thấp (thu thập toàn bộ dữ liệu thô về Server) Tuyệt đối (chỉ truyền tải tham số/trọng số mô hình)
Băng thông mạng tiêu thụ Thấp Cực cao (truyền tải terabyte dữ liệu log) Thấp (chỉ gửi gradient qua từng vòng giao tiếp)
Khả năng kháng tấn công đối kháng Không áp dụng Kém (dễ bị đánh lừa bởi FGSM/BIM/CW) Tốt (kết hợp Adversarial Training tại các nút rìa)
Yêu cầu tài nguyên máy chủ Thấp Cực cao (GPU Server quy mô lớn) Cân bằng (phân bổ tính toán cho các máy Edge)

Yêu cầu hệ thống theo mô hình MoSCoW

  • Must Have (Bắt buộc): Pipeline chuyển đổi vector luồng mạng UNSW-NB15 thành ma trận ảnh 2D; thuật toán tổng hợp trọng số liên kết FedAvg; triển khai phân loại đa lớp với mô hình VGG-16 và MobileNet; cơ chế sinh mẫu đối kháng FGSM.
  • Should Have (Nên có): Tích hợp các thuật toán sinh mẫu đối kháng nâng cao (BIM, C&W, WCGAN); so sánh mở rộng với EfficientNet-B0, Inception-v3, ResNet; quy trình Adversarial Retraining trên nút rìa.
  • Could Have (Có thể có): Cơ chế lượng tử hóa trọng số (Model Quantization) để giảm kích thước truyền tải mô hình VGG-16 giữa Client và Server.
  • Won't Have (Chưa thực hiện đợt này): Giao diện Web GUI giám sát thời gian thực cấp doanh nghiệp và kiểm thử trên đường truyền 100Gbps thực tế.

Thiết kế hệ thống

Kiến trúc hệ thống bao gồm 3 tầng chính:

  1. Tầng nút rìa (Edge Node Layer): Thu thập lưu lượng mạng cục bộ, chuẩn hóa dữ liệu, ánh xạ thành ảnh 2D, thực hiện huấn luyện cục bộ (Local Training) qua các epoch, tính toán hàm mất mát và trích xuất vector trọng số.
  2. Tầng truyền thông và điều phối (Federated Communication Layer): Truyền tải tham số trọng số mô hình đã được mã hóa hai chiều giữa Server và các Edge thông qua giao thức an toàn.
  3. Tầng máy chủ trung tâm (Central Server Aggregation Layer): Khởi tạo kiến trúc mô hình toàn cục (Global Model), tiếp nhận trọng số từ các nút rìa, thực hiện thuật toán trung bình hóa liên kết (Federated Averaging - FedAvg) và phân phối lại trọng số cập nhật $W_{t+1}$ xuống các nút rìa:

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

Trong đó: $K$ là tổng số máy rìa tham gia, $n_k$ là số lượng mẫu dữ liệu tại máy rìa $k$, $n = \sum n_k$, và $W_{t+1}^k$ là trọng số cục bộ sau quá trình huấn luyện tại vòng $t+1$.

Stack công nghệ sử dụng

  • Ngôn ngữ lập trình: Python 3.8+
  • Deep Learning Frameworks: TensorFlow 2.10.0, Keras 2.10.0
  • Federated Learning Framework: Flower (flwr 1.0.0) / Custom Socket-based FedAvg Orchestrator
  • Adversarial Attack Libraries: CleverHans 4.0.0, Adversarial Robustness Toolbox (ART 1.14.0)
  • Thư viện phân tích dữ liệu: Scikit-learn 1.2.0, Pandas 1.5.3, NumPy 1.23.5, OpenCV 4.7.0
+-------------------------------------------------------------------------------+
|             CẤU TRÚC PHẦN DƯ VÀ TỔNG HỢP KHỐI (RESIDUAL & CONV BLOCKS)        |
|                                                                               |
|             Standard Conv Block                  Residual Block (Skip)        |
|             +-----------------+                  +-----------------+          |
|             |      Input      |                  |     Input x     |---+      |
|             +--------+--------+                  +--------+--------+   |      |
|                      |                                    |            |      |
|                      v                                    v            |      |
|             +-----------------+                  +-----------------+   |      |
|             |  Weight (Conv)  |                  |  Weight (Conv)  |   |      |
|             +--------+--------+                  +--------+--------+   |      |
|                      |                                    |            |      |
|                      v                                    v            |      |
|             +-----------------+                  +-----------------+   |      |
|             |      ReLU       |                  |      ReLU       |   |      |
|             +--------+--------+                  +--------+--------+   |      |
|                      |                                    |            |      |
|                      v                                    v            |      |
|             +-----------------+                  +-----------------+   |      |
|             |  Weight (Conv)  |                  |  Weight (Conv)  |   |      |
|             +--------+--------+                  +--------+--------+   |      |
|                      |                                    |            |      |
|                      v                                    v            |      |
|             +-----------------+                  +--------+--------+   |      |
|             |     Output      |                  |   + (Add Identity) <+      |
|             +-----------------+                  +--------+--------+          |
|                                                           |                   |
|                                                           v                   |
|                                                  +-----------------+          |
|                                                  |   Output ReLU   |          |
|                                                  +-----------------+          |
+-------------------------------------------------------------------------------+

Methodology

Quy trình nghiên cứu và triển khai tuân theo mô hình lặp (Iterative Engineering & Research Methodology) gồm 4 giai đoạn cụ thể:

Giai đoạn Nội dung thực hiện Deliverables (Sản phẩm bàn giao)
P1: Data Engineering Làm sạch UNSW-NB15, One-hot encoding, Min-Max normalization, chuyển đổi sang ma trận ảnh 2D ($32 \times 32, 64 \times 64$). Pipeline tiền xử lý và bộ dữ liệu ảnh Image-based IDS.
P2: Local Model Design Xây dựng kiến trúc VGG-16, MobileNetV2/V3, ResNet, Inception-v3, EfficientNet-B0; thiết lập hàm mất mát Categorical Cross-Entropy. Baseline models và đồ thị hội tụ huấn luyện độc lập.
P3: Federated Testbed Triển khai mạng máy ảo (Server - Multi-VM Clients), đồng bộ trọng số qua giao thức liên kết, huấn luyện FedAvg. Hệ thống Federated Learning IDS phân tán hoàn chỉnh.
P4: Adversarial Hardening Sinh mẫu đối kháng qua FGSM, BIM, CW, WCGAN; kiểm thử suy giảm hiệu năng; thực hiện Federated Adversarial Training. Báo cáo đánh giá độ bền vững và mô hình phòng thủ vững chắc.

Implementation và kết quả

Development process

Kỹ thuật chuyển đổi thuộc tính mạng thành ảnh 2D

Mỗi bản ghi trong tập dữ liệu UNSW-NB15 gồm 49 thuộc tính (bao gồm các đặc trưng số như sbytes, dbytes, sttl, dttl, sloss, dloss... và các thuộc tính phân loại đã qua mã hóa). Dữ liệu sau khi được chuẩn hóa về đoạn $[0, 1]$ qua phép biến đổi Min-Max Scaling sẽ được trải phẳng hoặc lặp đệm (padding) để khớp với ma trận điểm ảnh kích thước $32 \times 32$ (1024 giá trị) hoặc $64 \times 64$ (4096 giá trị), tương ứng với hình ảnh đơn sắc hoặc 3 kênh (RGB).

Triển khai thuật toán trích xuất tích chập và tạo mẫu đối kháng

Phép tính tích chập 2 chiều trên ma trận ảnh đặc trưng mạng tuân theo phương trình toán học:

$$h_j^{(n)} = \sigma \left( \sum_{k=1}^{K} h_k^{(n-1)} * W_{kj}^{(n)} + b_j^{(n)} \right)$$

Để kiểm thử độ an toàn, phương pháp tấn công Fast Gradient Sign Method (FGSM) được áp dụng nhằm tối đa hóa hàm mất mát của mô hình dựa trên đạo hàm theo đầu vào:

$$x_{adv} = x + \epsilon \cdot \text{sign}\left(\nabla_x J(\theta, x, y)\right)$$

Trong đó: $x$ là vector ảnh đặc trưng mạng gốc, $y$ là nhãn tấn công thực tế, $\theta$ là bộ trọng số mô hình, $J$ là hàm mất mát Cross-Entropy, và $\epsilon$ là hệ số nhiễu đối kháng (thực nghiệm tại $\epsilon = 0.007$ đến $0.03$).

Đối với Basic Iterative Method (BIM), quá trình sinh nhiễu được lặp lại nhiều bước nhỏ với phép cắt giới hạn:

$$x_{0}^{adv} = x, \quad x_{N+1}^{adv} = \text{Clip}{x, \epsilon} \left{ x_N^{adv} + \alpha \cdot \text{sign}\left(\nabla{x_N^{adv}} J(\theta, x_N^{adv}, y)\right) \right}$$

# Code trích dẫn: Pipeline sinh mẫu đối kháng FGSM và Vòng lặp Học cộng tác (FedAvg)
import tensorflow as tf
import numpy as np

def generate_fgsm_adversarial_pattern(model, input_image, input_label, epsilon=0.007):
    """
    Sinh mẫu đối kháng mạng sử dụng thuật toán Fast Gradient Sign Method (FGSM).
    """
    input_tensor = tf.convert_to_tensor(input_image, dtype=tf.float32)
    with tf.GradientTape() as tape:
        tape.watch(input_tensor)
        prediction = model(input_tensor)
        loss = tf.keras.losses.categorical_crossentropy(input_label, prediction)
    
    # Tính gradient của hàm mất mát đối với dữ liệu đầu vào
    gradient = tape.gradient(loss, input_tensor)
    signed_grad = tf.sign(gradient)
    adversarial_image = input_image + epsilon * signed_grad
    adversarial_image = tf.clip_by_value(adversarial_image, 0.0, 1.0)
    return adversarial_image.numpy()

def federated_averaging_aggregate(client_weights_list, client_sample_sizes):
    """
    Tổng hợp trọng số mô hình tại Central Server theo thuật toán FedAvg.
    """
    total_samples = sum(client_sample_sizes)
    global_weights = [np.zeros_like(w) for w in client_weights_list[0]]
    
    for client_idx, client_weights in enumerate(client_weights_list):
        weight_factor = client_sample_sizes[client_idx] / total_samples
        for layer_idx, layer_w in enumerate(client_weights):
            global_weights[layer_idx] += layer_w * weight_factor
            
    return global_weights

Testing và validation

Quá trình thực nghiệm được thiết lập với 100 Epochs, steps_per_epoch = 100, validation_steps = 100 trên tập dữ liệu UNSW-NB15 phân loại đa lớp (Multiclass gồm: Normal, Generic, Exploits, Fuzzers, DoS, Reconnaissance, Analysis, Backdoors, Shellcode, Worms).

Bảng hiệu năng phân loại trên tập dữ liệu gốc UNSW-NB15 sau Federated Learning

Kiến trúc mô hình Kích thước đầu vào (Resolution) Accuracy (%) Precision (%) Recall (%) F1-Score (%) Số lượng tham số (Params)
VGG-16 $32 \times 32 \times 3$ 74.65% 73.20% 72.85% 73.02% ~53 Triệu
VGG-16 $64 \times 64 \times 3$ 78.42% 77.80% 76.90% 77.35% ~53 Triệu
MobileNetV2 $64 \times 64 \times 3$ 76.85% 75.90% 75.10% 75.50% ~3.4 Triệu
MobileNetV3 $64 \times 64 \times 3$ 77.20% 76.40% 76.05% 76.22% ~5.4 Triệu
EfficientNet-B0 $64 \times 64 \times 3$ 77.90% 77.15% 76.80% 76.97% ~5.3 Triệu
Inception-v3 $64 \times 64 \times 3$ 76.30% 75.20% 74.80% 75.00% ~23.8 Triệu
ResNet-34 $64 \times 64 \times 3$ 77.50% 76.80% 76.20% 76.50% ~21.8 Triệu

Khảo sát khả năng phát hiện (Recall) dưới tác động của mẫu đối kháng

Mô hình kiểm thử Tỷ lệ phát hiện (Recall) trên mẫu gốc Recall khi bị tấn công FGSM ($\epsilon = 0.007$) Recall khi bị tấn công BIM Recall khi bị tấn công C&W Recall SAU KHI huấn luyện đối kháng (Adversarial Retraining)
VGG-16 76.90% 34.20% 28.50% 22.10% 73.40%
MobileNetV2 75.10% 31.80% 25.40% 19.80% 70.80%
EfficientNet-B0 76.80% 33.50% 27.10% 21.00% 72.15%
ResNet-34 76.20% 32.90% 26.80% 20.50% 71.90%

Kết quả đạt được

                    SO SÁNH ĐỘ CHÍNH XÁC (ACCURACY) CÁC MÔ HÌNH
  VGG-16 (64x64)     | [======================================] 78.42%
  EfficientNet-B0    | [====================================]   77.90%
  ResNet-34          | [====================================]   77.50%
  MobileNetV3        | [===================================]    77.20%
  MobileNetV2        | [==================================]     76.85%
  Inception-v3       | [=================================]      76.30%
  VGG-16 (32x32)     | [==============================]          74.65%
                     +----------------------------------------+
                     0%                                       100%
  1. Hiệu năng vượt trội của VGG-16: Mô hình VGG-16 ở độ phân giải $64 \times 64$ đạt độ chính xác cao nhất (78.42%), tăng 3.77% so với phiên bản $32 \times 32$ (74.65%). Kiến trúc xếp chồng nhiều lớp tích chập liên tiếp với bộ lọc nhỏ $3 \times 3$ giúp VGG-16 nắm bắt được các tương quan phi tuyến cục bộ giữa các trường dữ liệu mạng sau khi ánh xạ sang ảnh.
  2. Khả năng tối ưu tài nguyên của MobileNet & EfficientNet: Mặc dù VGG-16 đạt độ chính xác cao nhất, MobileNetV2 chỉ kém 1.57% về Accuracy nhưng sở hữu số lượng tham số ít hơn tới 93.5% (~3.4M so với ~53M), giúp giảm thiểu đáng kể chi phí truyền tải trọng số qua mạng trong từng vòng lặp Federated Learning.
  3. Phục hồi hiệu năng phòng thủ: Khi chưa có phòng thủ, các đòn tấn công đối kháng (đặc biệt là C&W và BIM) làm giảm tỷ lệ phát hiện Recall từ hơn 76% xuống chỉ còn 22-28%. Sau khi tích hợp cơ chế Federated Adversarial Training, tỷ lệ phát hiện phục hồi ấn tượng lên mức 73.40% đối với VGG-16 (tăng hơn 51.3% so với thời điểm bị tấn công).

Đổi mới và đóng góp

  • Liên kết liên ngành giữa Thị giác máy tính và An ninh mạng: Đề tài đã hiện thực hóa giải pháp chuyển đổi không gian thuộc tính luồng mạng trừu tượng thành ma trận cấu trúc không gian 2D, mở đường cho việc áp dụng các mạng CNN tiên tiến trong bài toán phân tích mã độc và phát hiện xâm nhập.
  • Bảo mật dữ liệu tuyệt đối qua Federated Learning: Xây dựng hoàn chỉnh mô hình phát hiện xâm nhập cộng tác, giải quyết triệt để bài toán tuân thủ quyền riêng tư dữ liệu theo tiêu chuẩn quốc tế mà vẫn đảm bảo mô hình toàn cục liên tục được tối ưu hóa từ tri thức của nhiều nút mạng biên.
  • Nghiên cứu toàn diện về tính kháng đối kháng (Adversarial Robustness): Cung cấp bức tranh thực nghiệm định lượng rõ nét về độ nhạy cảm của các kiến trúc mạng nơ-ron khác nhau trước 4 kỹ thuật tấn công đối kháng (FGSM, BIM, C&W, WCGAN), đồng thời chứng minh hiệu quả thực tế của phương pháp tái huấn luyện đối kháng phân tán.

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế (Real-world Use Cases)

  1. Hệ thống liên minh ngân hàng và tài chính: Các ngân hàng thương mại có thể hợp tác huấn luyện mô hình phát hiện gian lận giao dịch và tấn công mạng nhắm vào cổng thanh toán mà không cần chia sẻ cơ sở dữ liệu khách hàng mật cho nhau.
  2. Hạ tầng bệnh viện và mạng thiết bị y tế IoT: Bảo vệ hệ thống máy chủ lưu trữ hồ sơ bệnh án điện tử và thiết bị y tế kết nối Internet trước các cuộc tấn công mã độc tống tiền (Ransomware) mà vẫn tuân thủ nghiêm ngặt đạo luật HIPAA.
  3. Mạng lưới nhà cung cấp dịch vụ Internet (ISP) và Trung tâm dữ liệu: Tự động phát hiện các đợt tấn công từ chối dịch vụ phân tán (DDoS) xuyên mạng lưới mà không làm lộ lưu lượng mạng của từng khách hàng doanh nghiệp.
+-------------------------------------------------------------------------------+
|                      QUY TRÌNH TRIỂN KHAI HỆ THỐNG TRÊN THỰC TẾ               |
|                                                                               |
|  [Thu thập Flow mạng] -> [Chuẩn hóa & Biến đổi ảnh 2D] -> [Local Training]     |
|                                                                  |            |
|                                                                  v            |
|  [Đồng bộ toàn cục] <- [FedAvg Aggregation] <- [Gửi Gradient mã hóa lên Server]|
+-------------------------------------------------------------------------------+

Yêu cầu phần cứng và triển khai

  • Máy chủ điều phối (Central Server): CPU 8 Cores (Intel Xeon/AMD EPYC), 32GB RAM, 100GB SSD, GPU NVIDIA T4/A10 (tùy chọn để tăng tốc tổng hợp trọng số).
  • Máy trạm biên (Edge Client): CPU 2-4 Cores, 4-8GB RAM, hỗ trợ môi trường ảo hóa Linux/Docker Container.
  • Băng thông kết nối: Tối thiểu 10 Mbps đường truyền ổn định giữa Edge và Server để đồng bộ trọng số mô hình.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Chi phí truyền thông (Communication Overhead) của VGG-16: Do kích thước mô hình VGG-16 lớn (~53 triệu tham số, tương đương dung lượng file trọng số hơn 200MB), việc trao đổi liên tục qua nhiều vòng Federated Learning sẽ tạo áp lực lên băng thông mạng khi mở rộng ra hàng ngàn nút máy khách.
  • Hiện tượng dữ liệu không đồng nhất (Non-IID Data): Phân phối lưu lượng mạng tại các nút mạng thực tế thường bị lệch (skewed), có thể làm chậm tốc độ hội tụ của thuật toán FedAvg chuẩn.

Hướng phát triển tiếp theo

  • Áp dụng các kỹ thuật nén mô hình như Cắt tỉa trọng số (Pruning) và Lượng tử hóa (INT8 Quantization) để giảm 75% dung lượng truyền tải của VGG-16.
  • Nghiên cứu các thuật toán tổng hợp tiên tiến hơn như FedProx hoặc Scaffold nhằm tối ưu hóa sự hội tụ trên tập dữ liệu Non-IID.
  • Tích hợp kỹ thuật Quyền riêng tư vi sai (Differential Privacy) và mã hóa đồng hình (Homomorphic Encryption) để phòng ngừa nguy cơ tấn công suy luận ngược (Inference Attacks) từ phía máy chủ.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành An toàn thông tin/Mạng máy tính: Tiếp cận tài liệu thực nghiệm bài bản kết hợp giữa học sâu ứng dụng, thị giác máy tính và học cộng tác bảo mật.
  • Kỹ sư phát triển phần mềm an ninh mạng (Security Engineers): Sở hữu khung kiến trúc (framework) tham khảo đã được chứng minh hiệu quả để xây dựng các giải pháp NIDS phân tán cho doanh nghiệp.
  • Doanh nghiệp & Tổ chức tài chính: Có giải pháp bảo vệ hệ thống thông tin toàn diện, ngăn ngừa tấn công Zero-day mà không phải đánh đổi quyền riêng tư dữ liệu nội bộ.
  • Các nhà nghiên cứu (Researchers): Nguồn dữ liệu thực nghiệm chuẩn xác về hiệu năng của các mạng CNN và độ bền vững trước tấn công đối kháng trong môi trường Federated Learning.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai hệ thống là gì?

Hệ thống yêu cầu các nút máy khách chạy hệ điều hành Linux (Ubuntu 20.04/22.04 LTS), cài đặt Python 3.8+ cùng các thư viện TensorFlow 2.10 và Flower. Mỗi nút cần tối thiểu 2 vCPU và 4GB RAM để thực hiện huấn luyện cục bộ.

2. Giới hạn mở rộng (Scalability) của hệ thống ra sao khi tăng số lượng máy Edge?

Hệ thống sử dụng cơ chế truyền thông bất đồng bộ có thể mở rộng lên hàng trăm nút mạng. Tuy nhiên, khi mở rộng quy mô lớn, nên chuyển đổi từ mô hình VGG-16 sang MobileNetV3 hoặc EfficientNet-B0 để giảm tải băng thông mạng điều phối.

3. Làm thế nào để tích hợp giải pháp vào hệ thống mạng doanh nghiệp hiện có?

Giải pháp được đóng gói dưới dạng các Docker Container độc lập. Nút Edge lắng nghe các bản ghi lưu lượng mạng từ các công cụ bắt gói (như Zeek, Suricata hoặc tcpdump), tự động chuyển đổi sang vector ảnh 2D và đưa vào pipeline huấn luyện/nhận diện mà không làm gián đoạn luồng mạng chính.

4. Tại sao cần chuyển đổi dữ liệu mạng dạng bảng thành hình ảnh 2D?

Việc chuyển đổi sang ảnh 2D cho phép khai thác các bộ lọc tích chập (Convolutional Filters) vốn cực kỳ mạnh mẽ trong việc nắm bắt các mối liên hệ không gian và tương quan phi tuyến cục bộ giữa các thuộc tính mạng, điều mà các mô hình mạng truyền thẳng (MLP) truyền thống khó đạt được.

5. Chi phí đầu tư và thời gian hoàn vốn (ROI) ước tính như thế nào?

Nhờ tận dụng năng lực tính toán phân tán của các máy trạm hiện có (Edge Computing), doanh nghiệp tiết kiệm đến 60% chi phí đầu tư máy chủ GPU tập trung đắt đỏ. Thời gian triển khai và bắt đầu phát huy hiệu quả phòng thủ thường chỉ từ 2 đến 4 tuần.

Kết luận

Đề tài "Nghiên cứu sự khác nhau của mô hình VGG-16 với các mô hình máy học khác trong việc xây dựng hệ thống IDS sử dụng Federated Learning" của nhóm tác giả Đậu Trọng Hoàng và Lê Chí Đại đã giải quyết trọn vẹn thách thức kép của các hệ thống phát hiện xâm nhập hiện đại: Bảo vệ quyền riêng tư dữ liệu và Kháng cự tấn công đối kháng tinh vi.

Thông qua các phân tích định lượng chuẩn xác trên tập dữ liệu UNSW-NB15, nghiên cứu đã khẳng định VGG-16 mang lại độ chính xác nhận diện xâm nhập cao nhất (78.42%), trong khi MobileNet và EfficientNet đại diện cho các lựa chọn tối ưu vượt trội về mặt tài nguyên tính toán cho thiết bị biên. Đồng thời, việc ứng dụng thành công kỹ thuật tái huấn luyện đối kháng trong môi trường Federated Learning đã mở ra một hướng tiếp cận vững chắc, sẵn sàng đáp ứng yêu cầu an ninh mạng khắt khe trong thời đại số.