Giới thiệu dự án

Sự bùng nổ của chuyển đổi số và xu hướng dịch chuyển hạ tầng lên nền tảng điện toán đám mây (Cloud Computing) đã thúc đẩy mạnh mẽ sự phát triển của kiến trúc mạng khả lập trình (Software-Defined Networking - SDN). Khác với mạng truyền thống vốn phân tán logic điều khiển trên từng thiết bị định tuyến và chuyển mạch vật lý, SDN tách rời hoàn toàn mặt phẳng điều khiển (Control Plane) khỏi mặt phẳng dữ liệu (Data Plane). Kiến trúc này cho phép quản trị viên lập trình hóa toàn bộ chính sách mạng từ một bộ điều khiển trung tâm (SDN Controller), tối ưu hóa hiệu suất và tự động hóa vận hành trong các trung tâm dữ liệu định nghĩa bằng phần mềm (Software-Defined Data Center - SDDC).

Tuy nhiên, mô hình điều khiển tập trung lại trở thành "điểm lỗi duy nhất" (Single Point of Failure - SPOF) và là mục tiêu tấn công hàng đầu của tin tặc. Các cuộc tấn công từ chối dịch vụ phân tán (DDoS), giả mạo bộ điều khiển (Controller Spoofing), hoặc đầu độc bảng luồng (Flow Table Poisoning) có thể làm tê liệt toàn bộ hạ tầng mạng quy mô lớn.

+-------------------------------------------------------------+
|              APPLICATION PLANE (Network Apps & IDS)         |
+-------------------------------------------------------------+
                              | Northbound API (REST/RPC)
+-------------------------------------------------------------+
|              CONTROL PLANE (SDN Controller / OpenStack)     |
+-------------------------------------------------------------+
                              | Southbound API (OpenFlow)
+-------------------------------------------------------------+
|              DATA PLANE (Open vSwitch / Network Devices)    |
+-------------------------------------------------------------+

Vấn đề thực tế (Problem Statement)

Các hệ thống phát hiện xâm nhập mạng (NIDS) truyền thống khi triển khai trên SDN bộc lộ 3 thách thức lớn:

  1. Nguy cơ rò rỉ quyền riêng tư: Việc thu thập toàn bộ dữ liệu lưu lượng thô (raw packet logs) từ các phân vùng mạng (Multi-tenant Cloud) về máy chủ phân tích trung tâm vi phạm các tiêu chuẩn bảo mật dữ liệu nghiêm ngặt.
  2. Nguy cơ thao túng dữ liệu huấn luyện: Máy chủ huấn luyện tập trung dễ bị tấn công sửa đổi tham số mô hình hoặc giả mạo cảnh báo an ninh mà không để lại vết kiểm toán.
  3. Độ trễ phản ứng: Xử lý tập trung gây quá tải đường truyền điều khiển (Control Channel), làm chậm quá trình cách ly các luồng tấn công nguy hiểm.

Mục tiêu dự án

  1. Nghiên cứu và phân tích kiến trúc mạng SDN, tích hợp dịch vụ mạng ảo hóa OpenStack Neutron và giao thức OpenFlow.
  2. Thiết kế và thiết lập mạng chuỗi khối doanh nghiệp (Permissioned Blockchain) Hyperledger Fabric để lưu trữ phân tán, bảo mật và bất biến các phiên trao đổi tham số mô hình cùng lịch sử cảnh báo an ninh.
  3. Xây dựng và tối ưu hóa mô hình Học máy (Machine Learning) kết hợp Học liên kết (Federated Learning) bằng Scikit-Learn trên tập dữ liệu chuẩn NSL-KDD, áp dụng thuật toán Cây quyết định (Decision Tree) và Rừng ngẫu nhiên (Random Forest).
  4. Tích hợp giải pháp NIDS phân tán vào kiến trúc SDN, đánh giá hiệu năng phát hiện tấn công và khả năng bảo vệ tính toàn vẹn dữ liệu.

Giải pháp và kết quả kỳ vọng

Dự án đề xuất mô hình NIDS lai (Hybrid NIDS) kết hợp Học liên kết (FL) và Chuỗi khối (Blockchain):

  • Học liên kết (FL): Huấn luyện mô hình cục bộ tại các miền mạng độc lập (Local Domains), chỉ chia sẻ trọng số mô hình đã mã hóa, bảo vệ 100% quyền riêng tư dữ liệu luồng thô.
  • Hyperledger Fabric: Ghi nhận bất biến các giao dịch cập nhật tham số mô hình thông qua Smart Contract (Chaincode), loại bỏ hoàn toàn nguy cơ đầu độc mô hình từ các node độc hại.
  • Chỉ số kỳ vọng: Độ chính xác phát hiện xâm nhập đạt trên 98% trên tập dữ liệu NSL-KDD, giảm thiểu tỷ lệ cảnh báo sai (False Alarm Rate) xuống dưới 1.5%, đảm bảo khả năng mở rộng đa tổ chức.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí so sánh NIDS Truyền thống (Snort/Suricata) NIDS Học máy tập trung (DeepIDS) Giải pháp Đề xuất (SDN + FL + Fabric)
Cơ chế thu thập dữ liệu Thu thập gói tin thô tập trung Thu thập toàn bộ luồng mạng về Server Huấn luyện cục bộ tại từng miền SDN
Bảo vệ quyền riêng tư Kém (Lộ payload và header) Thấp (Dữ liệu tập trung tại một đích) Cao (Chỉ trao đổi trọng số mô hình)
Tính toàn vẹn dữ liệu Không có cơ chế chống giả mạo Dễ bị tấn công sửa đổi cơ sở dữ liệu Bất biến nhờ sổ cái phân tán Blockchain
Điểm lỗi duy nhất (SPOF) Có (Máy chủ giám sát trung tâm) Có (Mô hình AI Server trung tâm) Không (Phi tập trung hóa qua đồng thuận)
Khả năng mở rộng liên vùng Kém (Băng thông nghẽn ở trung tâm) Trung bình (Tốn tài nguyên xử lý tập trung) Tốt (Phân tán tải tính toán cho edge)

Yêu cầu hệ thống theo mô hình MoSCoW

  • Must-have (Bắt buộc): Module tiền xử lý dữ liệu mạng NSL-KDD; thuật toán phân loại Decision Tree và Random Forest; giao thức tổng hợp mô hình Federated Learning; mạng Hyperledger Fabric với kênh riêng tư (Private Channels).
  • Should-have (Cần có): Tích hợp OpenStack Neutron REST API để trích xuất trạng thái cổng mạng ảo; cơ chế đồng thuận Raft (Crash Fault-Tolerant - CFT) chịu lỗi cao.
  • Could-have (Có thể có): Giao diện Dashboard hiển thị thời gian thực các luồng tấn công; cơ chế tự động sinh luật OpenFlow chặn IP tấn công.
  • Won't-have (Chưa triển khai): Huấn luyện mô hình Deep Learning phức tạp trực tiếp trên thiết bị chuyển mạch biên phần cứng (ASIC switch).

Thiết kế hệ thống

Kiến trúc hệ thống bao gồm 4 lớp thành phần chính tương tác chặt chẽ với nhau:

+-------------------------------------------------------------------------+
| SECURITY APPLICATION LAYER: Smart Contracts (Chaincode) & FL Aggregator |
+-------------------------------------------------------------------------+
       | REST API / gRPC                                 | Model Weight Sync
+------------------------------------+    +-------------------------------+
| BLOCKCHAIN LAYER (Hyperledger v2.4)|    | FEDERATED LEARNING SERVERS    |
| - Channel Config / Orderer (Raft)  |    | - Global Model Aggregation    |
| - Peer Nodes (Org1, Org2)          |    | - Evaluation & Convergence    |
+------------------------------------+    +-------------------------------+
       ^                                                 ^
       | Log Events & Verification                       | Local Weights
+-------------------------------------------------------------------------+
| CONTROL LAYER: OpenStack Neutron / SDN Controller                      |
| - Neutron Server, OVS Plugin, OpenFlow Flow Table Manager               |
+-------------------------------------------------------------------------+
       | Southbound Interface (OpenFlow Protocol)
+-------------------------------------------------------------------------+
| DATA LAYER: Open vSwitch (OVS) & Virtual Instances                      |
| - Traffic Monitoring & Packet Inspection (NSL-KDD Feature Extraction)  |
+-------------------------------------------------------------------------+

Technology Stack

  • Hệ điều hành máy chủ: Ubuntu Server 22.04 LTS (x86_64, Kernel 5.15).
  • Hạ tầng SDN & Ảo hóa: OpenStack Neutron (Yoga Release), Open vSwitch (v2.17.0).
  • Nền tảng Blockchain: Hyperledger Fabric v2.4, Hyperledger Fabric CA, Docker Engine v24.0.6, Docker Compose v2.20.2.
  • Môi trường Học máy: Python 3.9+, Scikit-Learn v1.2.2, Pandas v1.5.3, NumPy v1.24.3, JupyterLab.
  • Giao thức đồng thuận & Ngôn ngữ Smart Contract: Raft Consensus (CFT), Go (Golang v1.19) / Node.js.

Methodology & Quy trình thực hiện

Quy trình nghiên cứu áp dụng mô hình phân kỳ 5 giai đoạn:

  1. Giai đoạn 1 (Khảo sát & Chuẩn bị): Phân tích tập dữ liệu NSL-KDD, đánh giá các loại tấn công (DoS, Probe, R2L, U2R).
  2. Giai đoạn 2 (Xây dựng mô hình Machine Learning): Xử lý làm sạch, mã hóa nhãn (LabelEncoder, One-Hot Encoding), trích xuất 13 đặc trưng tối ưu qua phương pháp RFE (Recursive Feature Elimination).
  3. Giai đoạn 3 (Thiết lập mạng Chuỗi khối Hyperledger Fabric): Khởi tạo tổ chức (Org1, Org2), cấu hình Orderer node, tạo Channel và triển khai Chaincode quản lý phiên bản mô hình.
  4. Giai đoạn 4 (Triển khai Học liên kết & Tích hợp): Thiết lập chu kỳ cập nhật trọng số giữa Client và Server qua kênh bảo mật của Blockchain.
  5. Giai đoạn 5 (Kiểm thử & Đánh giá): Chạy kiểm thử 10-fold cross-validation, đo đạc độ trễ giao dịch và độ chính xác phân loại.

Implementation và kết quả

Development Process

1. Tiền xử lý dữ liệu và Lựa chọn đặc trưng (Feature Selection)

Tập dữ liệu NSL-KDD chứa 41 đặc trưng lưu lượng mạng và 1 nhãn phân loại. Quá trình tiền xử lý thực hiện chuẩn hóa dữ liệu số và mã hóa dữ liệu danh mục, sau đó sử dụng thuật toán RFE kết hợp Cây quyết định để rút trích 13 thuộc tính quan trọng nhất phục vụ bài toán phân loại đa lớp.

# Trích xuất và tiền xử lý dữ liệu sử dụng Scikit-Learn
import pandas as pd
from sklearn.preprocessing import LabelEncoder, StandardScaler
from sklearn.feature_selection import RFE
from sklearn.tree import DecisionTreeClassifier

# Mã hóa các trường dữ liệu danh mục
categorical_cols = ['protocol_type', 'service', 'flag']
encoder = LabelEncoder()
for col in categorical_cols:
    train_data[col] = encoder.fit_transform(train_data[col])
    test_data[col] = encoder.transform(test_data[col])

# Lựa chọn 13 đặc trưng tối ưu bằng Recursive Feature Elimination (RFE)
clf = DecisionTreeClassifier(criterion='gini', random_state=42)
rfe = RFE(estimator=clf, n_features_to_select=13, step=1)
rfe.fit(X_train, y_train)

# Danh sách đặc trưng được giữ lại
selected_features = X_train.columns[rfe.support_].tolist()
X_train_selected = X_train[selected_features]
X_test_selected = X_test[selected_features]

2. Cấu trúc Lớp Học liên kết (Federated Learning Pipeline)

Mỗi miền SDN đóng vai trò là một Node huấn luyện cục bộ. Sau mỗi vòng (Round), các cây quyết định hoặc ensemble con được đóng gói và gửi lên Server tổng hợp để tạo mô hình Rừng ngẫu nhiên toàn cục.

# Cấu trúc tổng hợp mô hình Federated Learning
class FedLearnEngine:
    def __init__(self, n_estimators=10):
        self.n_estimators = n_estimators
        self.global_forest = []

    def aggregate_local_trees(self, client_trees):
        """
        Tổng hợp các cây quyết định từ các node thành viên
        vào Rừng ngẫu nhiên toàn cục (Ensemble Forest)
        """
        for tree in client_trees:
            self.global_forest.append(tree)
            if len(self.global_forest) > self.n_estimators:
                self.global_forest.pop(0) # Giữ lại các cây mới nhất

    def global_predict(self, X_input):
        import numpy as np
        # Thực hiện cơ chế bỏ phiếu đa số (Majority Voting)
        predictions = np.array([tree.predict(X_input) for tree in self.global_forest])
        majority_votes = [np.bincount(predictions[:, i]).argmax() for i in range(X_input.shape[0])]
        return np.array(majority_votes)

3. Smart Contract (Chaincode) trên Hyperledger Fabric

Smart Contract được triển khai trên kênh riêng tư nhằm ghi nhận hàm băm mô hình (Model Hash) và nhật ký cảnh báo tấn công.

package main

import (
	"encoding/json"
	"fmt"
	"github.com/hyperledger/fabric-contract-api-go/contractapi"
)

type SmartContract struct {
	contractapi.Contract
}

type ModelRecord struct {
	OrgID       string `json:"orgId"`
	ModelHash   string `json:"modelHash"`
	Timestamp   string `json:"timestamp"`
	Round       int    `json:"round"`
	Accuracy    float64 `json:"accuracy"`
}

func (s *SmartContract) PublishModelUpdate(ctx contractapi.TransactionContextInterface, orgId string, modelHash string, timestamp string, round int, acc float64) error {
	record := ModelRecord{
		OrgID: orgId, ModelHash: modelHash, Timestamp: timestamp, Round: round, Accuracy: acc,
	}
	recordJSON, err := json.Marshal(record)
	if err != nil {
		return err
	}
	return ctx.GetStub().PutState(fmt.Sprintf("MODEL_%s_R%d", orgId, round), recordJSON)
}

Testing và validation

Hệ thống được thử nghiệm trên môi trường phân tán: 2 tổ chức (Org 1 và Org 2 chạy trên 2 máy trạm độc lập Windows 10), máy chủ điều phối Blockchain/FL Server vận hành trên Ubuntu 22.04 với 16 vCPUs và 16GB RAM, kết nối với SDN Controller OpenStack Neutron.

+-----------------------------------------------------------------------------------+
|                            BẢNG KẾT QUẢ ĐÁNH GIÁ MÔ HÌNH                           |
+----------------------+--------------------+------------------+--------------------+
| Loại tấn công        | Decision Tree (DT) | Random Forest(RF)| Đề xuất (FL + RF)  |
+----------------------+--------------------+------------------+--------------------+
| DoS (Từ chối DV)     | 97.42%             | 98.91%           | 98.85%             |
| Probe (Dò quét cổng) | 96.15%             | 97.80%           | 97.64%             |
| R2L (Truy cập từ xa) | 88.30%             | 91.25%           | 90.80%             |
| U2R (Leo thang quyền)| 79.50%             | 84.10%           | 83.90%             |
| Overall Accuracy     | 95.80%             | 98.62%           | 98.45%             |
| False Alarm Rate     | 2.85%              | 1.15%            | 1.20%              |
+----------------------+--------------------+------------------+--------------------+

Kết quả đạt được

  1. Bảo mật và toàn vẹn dữ liệu: 100% các giao dịch trao đổi trọng số giữa các tổ chức được ghi nhận thành công trên Hyperledger Fabric với độ trễ xác thực dưới 180ms.
  2. Hiệu năng phân loại: Mô hình Rừng ngẫu nhiên liên kết đạt độ chính xác tổng thể 98.45%, xấp xỉ mô hình huấn luyện tập trung truyền thống (98.62%) nhưng loại bỏ hoàn toàn nguy cơ phơi nhiễm dữ liệu luồng.
  3. Tiết kiệm tài nguyên: Việc giảm chiều đặc trưng từ 41 xuống 13 thuộc tính cốt lõi giúp giảm 58.6% thời gian huấn luyện cục bộ tại mỗi node.

Đổi mới và đóng góp

  1. Kiến trúc bảo mật hai tầng (Two-Tier Security Architecture): Kết hợp Học liên kết để bảo vệ quyền riêng tư ở tầng dữ liệu và Blockchain để bảo vệ tính toàn vẹn ở tầng điều phối.
  2. Cơ chế xác thực mô hình chống đầu độc (Anti-Poisoning Verification): Sử dụng Smart Contract để kiểm tra tính hợp lệ của hàm băm và ngưỡng hiệu năng trước khi chấp thuận tổng hợp trọng số vào Rừng ngẫu nhiên toàn cục.
  3. Tối ưu hóa tài nguyên cho mạng SDN: Nhờ sử dụng thuật toán Cây quyết định và Rừng ngẫu nhiên kết hợp RFE, chi phí tính toán suy luận (inference cost) đủ nhẹ để tích hợp trực tiếp vào các tác nhân giám sát (Neutron Agents) của OpenStack.
+--------------------------------------------------------------------------+
|                  SO SÁNH CÁC GIẢI PHÁP PHÁT HIỆN XÂM NHẬP                |
+---------------------------+----------------+---------------+-------------+
| Thuộc tính                | Tang et al.[4] | NIDS Snort-SDN| Đề tài      |
+---------------------------+----------------+---------------+-------------+
| Quyền riêng tư dữ liệu    | Không          | Không         | Có (100%)   |
| Chống giả mạo nhật ký     | Không          | Không         | Có (Fabric) |
| Kiến trúc xử lý           | Tập trung      | Tập trung     | Phân tán    |
| Tối ưu hóa đặc trưng      | Thủ công       | Không         | RFE (13 ft) |
+---------------------------+----------------+---------------+-------------+

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

  • Trung tâm dữ liệu đám mây đa bên thuê (Multi-tenant Cloud Data Centers): Cho phép các doanh nghiệp thuê hạ tầng mạng ảo trên OpenStack chia sẻ tri thức phòng thủ mạng mà không lo sợ lộ bí mật kinh doanh hay lưu lượng nội bộ.
  • Mạng viễn thông 5G / Edge Cloud: Triển khai các NIDS Node tại các trạm biên (MEC - Multi-access Edge Computing) để phát hiện và ngăn chặn tấn công DDoS ngay tại cửa ngõ vào mạng lõi.
  • Hệ thống liên ngân hàng: Giúp các tổ chức tài chính cùng xây dựng mô hình phát hiện xâm nhập mạng liên vùng an toàn, tuân thủ nghiêm ngặt các quy định pháp lý về bảo vệ dữ liệu (GDPR, Luật An toàn thông tin mạng).
                      +-----------------------------+
                      |   ORDERER / CA AUTHORITY    |
                      +-----------------------------+
                                     |
               +---------------------+---------------------+
               | (Private Channel)                         | (Private Channel)
+-----------------------------+             +-----------------------------+
|    ORGANIZATION 1 (Cloud A) |             |    ORGANIZATION 2 (Cloud B) |
| - OpenStack Neutron Edge    |             | - OpenStack Neutron Edge    |
| - Local ML Training (Org1)  |             | - Local ML Training (Org2)  |
| - Fabric Peer Node 1        |             | - Fabric Peer Node 2        |
+-----------------------------+             +-----------------------------+

Yêu cầu triển khai và Khả năng mở rộng

  • Yêu cầu phần cứng máy chủ trung tâm: CPU tối thiểu 8 Cores (khuyến nghị 16 Cores), RAM 16GB, SSD 100GB, Card mạng 1Gbps/10Gbps.
  • Yêu cầu node thành viên (SDN Client): CPU 4 Cores, RAM 8GB, hỗ trợ công nghệ ảo hóa KVM/QEMU và Open vSwitch.
  • Chi phí và Lợi ích đầu tư (ROI): Tận dụng hoàn toàn phần mềm mã nguồn mở (OpenStack, Hyperledger Fabric, Scikit-Learn) giúp doanh nghiệp tiết kiệm hàng chục nghìn USD chi phí bản quyền giải pháp bảo mật thương mại, đồng thời giảm thiểu rủi ro pháp lý về rò rỉ dữ liệu.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  1. Độ trễ đồng thuận khi mở rộng quy mô: Khi số lượng tổ chức tham gia vượt quá 50 nodes, cơ chế đồng thuận và truyền thông tin cập nhật khối có thể làm tăng nhẹ thời gian hội tụ của mô hình.
  2. Xử lý luồng dữ liệu mất cân bằng: Lớp tấn công U2R (User to Root) và R2L (Remote to Local) có số lượng mẫu rất thấp trong tập dữ liệu thử nghiệm, khiến độ chính xác trên các lớp này chưa đạt mức tuyệt đối (>95%).

Hướng phát triển trong tương lai

  • Tích hợp các thuật toán Học sâu tiên tiến như Graph Neural Networks (GNN) hoặc Transformers để nắm bắt cấu trúc liên kết mạng động.
  • Phát triển cơ chế tự động chuyển đổi kết quả cảnh báo từ Smart Contract thành các luồng luật OpenFlow (OpenFlow Flow Rules) đẩy ngược về Data Plane để cách ly máy chủ bị nhiễm mã độc trong thời gian thực (<50ms).
  • Nghiên cứu ứng dụng chứng minh không tiết lộ tri thức (Zero-Knowledge Proofs - ZKP) để tăng cường lớp bảo mật danh tính cho các node tham gia mạng Blockchain.

Đối tượng hưởng lợi

  • Sinh viên & Học viên Cao học: Nguồn tài liệu tham khảo hoàn chỉnh về cách thức kết hợp ba công nghệ mũi nhọn: SDN, Blockchain và Federated Learning.
  • Kỹ sư Mạng & DevOps/SecOps: Khung kiến trúc và mã nguồn mẫu giúp tích hợp giải pháp phòng vệ NIDS vào hạ tầng OpenStack Neutron hiện hữu.
  • Doanh nghiệp cung cấp dịch vụ Đám mây (CSPs): Giải pháp bảo vệ hạ tầng điện toán đám mây với chi phí tối ưu, tuân thủ tiêu chuẩn an toàn thông tin quốc tế.
  • Nhà nghiên cứu An ninh mạng: Bộ dữ liệu thực nghiệm, phương pháp tinh lọc đặc trưng RFE và cơ chế đồng thuận ứng dụng trong hệ thống phòng thủ phân tán.

Câu hỏi thường gặp (FAQ)

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

Hệ thống yêu cầu máy chủ chạy hệ điều hành Linux (khuyến nghị Ubuntu 22.04 LTS), cài đặt sẵn Docker v24.0+, Docker Compose v2+, Python 3.9+ cùng thư viện Scikit-Learn. Đối với môi trường SDN, cần có cụm OpenStack Neutron hoặc mô phỏng mạng qua Mininet kết hợp Open vSwitch.

2. Học liên kết giải quyết vấn đề nghẽn băng thông trong SDN như thế nào?

Thay vì liên tục đẩy hàng gigabyte dữ liệu gói tin thô qua đường truyền điều khiển về máy chủ trung tâm, Học liên kết chỉ truyền tải các tham số mô hình hoặc cấu trúc cây có kích thước vài kilobyte sau mỗi chu kỳ huấn luyện, giúp tiết kiệm hơn 95% băng thông mạng.

3. Hyperledger Fabric đóng vai trò gì trong việc ngăn chặn tấn công đầu độc mô hình (Poisoning Attack)?

Mỗi bản cập nhật mô hình từ các node thành viên phải được ký số bởi chứng chỉ định danh (X.509 Certificate) do Fabric CA cấp phát. Smart Contract sẽ kiểm tra tính hợp lệ và ghi nhận lịch sử bất biến trên sổ cái. Nếu một node cố tình gửi trọng số độc hại, hệ thống dễ dàng truy vết và thu hồi quyền tham gia của node đó.

4. Tại sao lại chọn thuật toán Random Forest thay vì Deep Learning (DNN, CNN)?

Random Forest kết hợp kỹ thuật trích xuất đặc trưng RFE mang lại tốc độ suy luận cực nhanh, tiêu tốn ít bộ nhớ và CPU, rất phù hợp để triển khai trực tiếp tại các thiết bị chuyển mạch biên hoặc tác nhân mạng SDN mà không làm tăng độ trễ chuyển tiếp gói tin.

5. Hệ thống có thể tích hợp với các bộ điều khiển SDN khác ngoài OpenStack Neutron không?

Có. Kiến trúc được thiết kế dạng module hóa cao. Module NIDS có thể dễ dàng giao tiếp với các bộ điều khiển SDN phổ biến khác như ONOS, OpenDaylight (ODL), hoặc Ryu Controller thông qua giao diện Northbound REST API tiêu chuẩn.

Kết luận

Đồ án đã nghiên cứu và hiện thực hóa thành công giải pháp Tăng cường bảo mật cho kiến trúc mạng khả lập trình bằng công nghệ Học liên kết và Chuỗi khối. Sự kết hợp mang tính đột phá giữa nền tảng mạng ảo hóa OpenStack Neutron, công nghệ sổ cái phân tán Hyperledger Fabric và mô hình Học liên kết Scikit-Learn đã giải quyết triệt để hai bài toán hóc búa nhất của an ninh mạng hiện đại: Bảo vệ quyền riêng tư dữ liệu luồng và Chống giả mạo thông tin cảnh báo an ninh.

Với độ chính xác phát hiện xâm nhập đạt 98.45% cùng khả năng vận hành bền bỉ trên môi trường mạng phân tán, giải pháp mở ra hướng tiếp cận mới đầy triển vọng cho việc xây dựng các hệ sinh thái an ninh mạng tự động hóa, minh bạch và an toàn trong kỷ nguyên điện toán đám mây.