I. Tổng quan phát hiện bất thường mạng blockchain tại PTIT
Nghiên cứu về an toàn mạng blockchain đang phát triển mạnh mẽ tại Học viện Công nghệ Bưu chính Viễn thông. Đề án thạc sĩ của tác giả Trương Gia Hiển tập trung vào bài toán phát hiện hành vi bất thường trong môi trường tài chính phi tập trung. Hệ thống blockchain ghi nhận mọi giao dịch công khai và minh bạch. Tuy nhiên, tính ẩn danh tạo điều kiện cho nhiều hành vi gian lận phức tạp nảy sinh. Các cuộc tấn công thường diễn ra chớp nhoáng qua hợp đồng thông minh. Việc giám sát thủ công không thể đáp ứng khối lượng dữ liệu khổng lồ. Ứng dụng học máy mở ra hướng tiếp cận tự động và toàn diện. Mô hình có khả năng học các khuôn mẫu giao dịch thông thường. Khi có sai lệch xuất hiện, thuật toán lập tức đưa ra cảnh báo rủi ro. Đề tài tại Học viện PTIT xây dựng quy trình thực nghiệm chuẩn hóa trên nền tảng Python. Nghiên cứu khai thác sức mạnh của các thuật toán phân cụm và mạng nơ-ron sâu. Kết quả hướng tới việc thiết lập cơ chế phòng thủ chủ động cho hệ sinh thái Web3. Đề án đóng góp cơ sở khoa học vững chắc cho an ninh mạng viễn thông.
1.1. Bối cảnh nghiên cứu bảo mật blockchain tại Học viện PTIT
Học viện Công nghệ Bưu chính Viễn thông là cơ sở đào tạo công nghệ hàng đầu tại Việt Nam. Nghiên cứu bảo mật blockchain tại viện đáp ứng nhu cầu cấp thiết của kỷ nguyên số. Mạng lưới phi tập trung phát triển kéo theo nhiều nguy cơ tiềm ẩn. Kẻ xấu lợi dụng tính ẩn danh để rửa tiền hoặc chiếm đoạt tài sản. Phương thức phòng thủ thụ động truyền thống tỏ ra kém hiệu quả trước thủ đoạn mới. Do đó, viện thúc đẩy các đề tài thạc sĩ ứng dụng trí tuệ nhân tạo vào an ninh mạng. Hướng tiếp cận này giúp phân tích lưu lượng giao dịch quy mô lớn chính xác. Học viên tại PTIT được tiếp cận hệ thống máy chủ hiện đại để huấn luyện mô hình. Nghiên cứu góp phần bảo vệ hạ tầng số tương lai.
1.2. Mục tiêu nghiên cứu phát hiện gian lận tài chính DeFi
Tài chính phi tập trung DeFi là lĩnh vực giàu tiềm năng nhưng chứa đựng nhiều rủi ro. Mục tiêu chính của nghiên cứu là xây dựng công cụ phát hiện bất thường có độ tin cậy cao. Đề án tập trung nhận diện các kiểu tấn công như thao túng giá và khai thác giá trị MEV. Nghiên cứu giải quyết bài toán mất cân bằng dữ liệu nghiêm trọng trong các giao dịch thực tế. Phương pháp đề xuất cho phép hệ thống tự học từ các mẫu dữ liệu không gán nhãn. Quá trình kiểm tra giúp đánh giá khả năng tổng quát hóa của từng thuật toán. Kết quả nghiên cứu cung cấp cơ sở để ngăn chặn thiệt hại tài sản cho các nhà đầu tư. Hệ thống hướng đến mục tiêu hỗ trợ giám sát an toàn cho các giao thức tài chính số.
II. Thách thức phát hiện bất thường mạng blockchain trong DeFi
Môi trường DeFi hoạt động dựa trên các hợp đồng thông minh phức tạp và tự động. Cấu trúc tương tác đa hợp đồng tạo ra không gian giao dịch vô cùng đa dạng. Tuy nhiên, tính phức tạp này cũng kéo theo những thách thức an ninh nghiêm trọng. Các cuộc tấn công thường kết hợp nhiều kỹ thuật như vay chớp nhoáng và thao túng thanh khoản. Kẻ tấn công lợi dụng cơ chế của sàn giao dịch tự động AMM để trục lợi bất chính. Hành vi gian lận diễn ra trong vài giây khiến các hệ thống giám sát truyền thống bị động. Dữ liệu giao dịch blockchain có tính chất cực kỳ mất cân bằng. Tỷ lệ giao dịch gian lận chiếm tỷ phần rất nhỏ so với hàng triệu giao dịch bình thường. Hiện tượng trôi khái niệm diễn ra thường xuyên do hành vi người dùng liên tục biến đổi. Hơn nữa, việc gán nhãn thủ công cho dữ liệu đòi hỏi chi phí khổng lồ và không khả thi trong thực tế. Các nghiên cứu trước đây chủ yếu tập trung vào mạng Bitcoin đơn giản. Họ bỏ qua các đặc tính chuỗi thời gian và sự kiện hợp đồng tinh vi của DeFi. Vì vậy, việc thiết lập chuẩn đánh giá mới là bài toán cấp thiết.
2.1. Rủi ro gian lận giao dịch và thao túng trong mạng DeFi
Hệ sinh thái DeFi đối mặt với nhiều hình thức tấn công tinh vi. Kẻ xấu thường lợi dụng các khoản vay chớp nhoáng không cần thế chấp. Kẻ gian bơm thổi giá tài sản nhân tạo trên các bể thanh khoản. Lỗ hổng trong nguồn cấp giá Oracle cũng là mục tiêu bị khai thác nhiều. Ngoài ra, việc trích xuất giá trị MEV gây ảnh hưởng lớn đến người dùng thông thường. Kẻ tấn công sử dụng bot tự động để chèn lệnh và hưởng lợi từ chênh lệch giá. Các giao dịch này xảy ra với tốc độ cực nhanh trong từng khối dữ liệu. Phương pháp kiểm toán mã nguồn không thể ngăn chặn hành vi thao túng kinh tế. Việc phân tích hành vi dòng tiền trở thành yêu cầu bắt buộc để nhận diện gian lận.
2.2. Khoảng trống trong các mô hình học máy truyền thống
Nhiều nghiên cứu hiện nay áp dụng mô hình học máy trên dữ liệu Bitcoin tĩnh. Tuy nhiên, đặc thù đa hợp đồng của DeFi khiến các mô hình này bộc lộ hạn chế. Các thuật toán không giám sát cổ điển hiếm khi được khảo sát toàn diện trên dữ liệu DeFi. Trong khi đó, các nghiên cứu học sâu thường áp dụng kiến trúc đơn lẻ phức tạp. Giới nghiên cứu thiếu các phép so sánh hệ thống giữa nhiều biến thể autoencoder khác nhau. Các công trình chưa lượng hóa rõ ràng sự khác biệt giữa chuỗi thời gian và ngữ cảnh sự kiện. Hơn nữa, việc thiếu một chuẩn đối sánh đồng nhất gây khó khăn cho việc đánh giá hiệu năng. Sự thiếu hụt này làm giảm tính thực tiễn khi triển khai giải pháp vào các mạng lưới thực tế.
III. Giải pháp phát hiện bất thường mạng blockchain từ học máy
Nghiên cứu tại Học viện PTIT xây dựng khung giải pháp toàn diện và có tính tái lập cao. Pipeline xử lý bắt đầu từ việc trích xuất và tiền xử lý dữ liệu giao dịch. Kỹ thuật chia tập theo thời gian được áp dụng để mô phỏng chính xác hiện tượng trôi khái niệm. Nghiên cứu triển khai song song sáu thuật toán thuộc hai nhánh chính: học máy cổ điển và học sâu. Nhóm mô hình học máy truyền thống gồm K-Means, Isolation Forest và HBOS. Nhóm mô hình học sâu hiện đại gồm Dense Autoencoder, LSTM-AE cùng Transformer-VAE. Môi trường thực nghiệm vận hành trên nền tảng Python với các thư viện Scikit-learn, PyOD và TensorFlow. Nhóm nghiên cứu tối ưu hóa hiệu năng tính toán thông qua cơ chế tính toán chính xác hỗn hợp Mixed Precision và trình biên dịch XLA. Công cụ Optuna tự động hóa quá trình dò tìm siêu tham số tối ưu. Đề án áp dụng ma trận nhầm lẫn cùng các đường cong ROC và PR để đánh giá độ chính xác. Phương pháp này bảo đảm tính công bằng tuyệt đối khi so sánh năng lực của từng kiến trúc.
3.1. Thiết kế pipeline tiền xử lý và chuẩn hóa dữ liệu
Pipeline tiền xử lý đóng vai trò quyết định đến chất lượng của mô hình học máy. Dữ liệu thô từ chuỗi khối được đọc và trích xuất thông qua định dạng PyArrow Parquet nhằm đạt tốc độ cao. Dữ liệu bảng được xử lý bằng NumPy và Pandas để dọn dẹp các bản ghi khuyết thiếu. Nhóm tác giả áp dụng bộ chuẩn hóa RobustScaler nhằm giảm thiểu tác động tiêu cực của các giá trị ngoại lai cực đoan. Phương pháp phân tích thành phần chính PCA được sử dụng để giảm bớt số chiều đặc trưng dư thừa. Quy trình chia tập dữ liệu tuân thủ chặt chẽ yếu tố trục thời gian. Thiết kế này bảo đảm mô hình không gặp hiện tượng rò rỉ dữ liệu từ tương lai.
3.2. Triển khai mô hình học máy cổ điển và mô hình học sâu
Nghiên cứu tiến hành thử nghiệm toàn diện trên cả hai nhóm thuật toán học máy. Với nhóm cổ điển, thuật toán K-Means được tối ưu hóa số cụm lên đến 483 cụm hành vi. Kết quả này phản ánh tính phân mảnh rất cao của các giao dịch trên sàn phi tập trung. Các thuật toán Isolation Forest và HBOS từ thư viện PyOD hỗ trợ chấm điểm dị biệt nhanh chóng. Ở nhóm học sâu, TensorFlow và Keras đảm nhiệm việc xây dựng các mạng nơ-ron Dense Autoencoder, LSTM-AE và Transformer-VAE. Kỹ thuật Mixed Precision float16 giúp tăng tốc tính toán trên phần cứng GPU chuyên dụng. Trình biên dịch XLA tối ưu hóa luồng thực thi đồ thị tính toán. Hệ thống đạt hiệu năng suy luận cao, sẵn sàng phục vụ phân tích dữ liệu lớn.
IV. Hiệu quả phát hiện bất thường mạng blockchain và ứng dụng
Kết quả thực nghiệm tại Học viện PTIT chứng minh tính khả thi của các mô hình học máy. Các thuật toán học sâu cho thấy khả năng vượt trội trong việc phân tách dữ liệu phức tạp. Mô hình LSTM-AE và Transformer-VAE nắm bắt hiệu quả các mối tương quan theo chuỗi thời gian. Ngược lại, các mô hình cổ điển như K-Means và Isolation Forest có ưu thế về tốc độ huấn luyện. Thuật toán HBOS tiêu tốn rất ít tài nguyên phần cứng và phù hợp với các tác vụ sàng lọc nhanh. Sự kết hợp giữa các kiến trúc mang lại giải pháp cân bằng giữa độ trễ và độ chính xác. Nghiên cứu mở ra tiềm năng ứng dụng trực tiếp vào việc giám sát các mạng lưới blockchain vận hành thực tế. Các sàn giao dịch và quỹ đầu tư có thể tích hợp hệ sinh thái cảnh báo này vào hạ tầng bảo mật. Hệ thống giúp phát hiện sớm các cuộc tấn công rút cạn thanh khoản và thao túng giá tài sản. Đề án của Học viện PTIT tạo nền móng vững chắc cho các nghiên cứu tiếp theo về an toàn không gian mạng.
4.1. Đánh giá hiệu năng nhận diện qua các thước đo xếp hạng
Nghiên cứu sử dụng các bộ chỉ số chuyên biệt để đánh giá dữ liệu mất cân bằng nghiêm trọng. Nhóm chỉ số xếp hạng như ROC-AUC và PR-AUC phản ánh năng lực phát hiện tổng quát của từng mô hình. Mạng học sâu ghi nhận khả năng bao phủ mẫu bất thường tốt hơn ở các ngưỡng nhạy cảm. Trong khi đó, nhóm chỉ số quyết định như Precision, Recall và F1-Score giúp xác định ngưỡng cảnh báo tối ưu. Mô hình Isolation Forest và K-Means thể hiện sự ổn định tương đối trên các phân vùng dữ liệu đơn giản. Việc kết hợp ma trận nhầm lẫn giúp định lượng chính xác tỷ lệ báo động giả. Nhờ đó, người vận hành hệ thống có thể tùy chỉnh độ nhạy theo từng mục tiêu kiểm soát cụ thể.
4.2. Khả năng ứng dụng thực tế vào giám sát mạng blockchain
Nghiên cứu có giá trị thực tiễn cao đối với ngành công nghiệp tiền mã hóa và giám sát tài chính. Giải pháp có thể tích hợp vào hệ thống giám sát on-chain của các sàn giao dịch hoặc ví điện tử. Khi phát hiện giao dịch có điểm bất thường vượt ngưỡng, hệ thống sẽ kích hoạt quy trình xác thực bổ sung. Điều này giúp ngăn chặn các giao dịch rút ruột thanh khoản của tin tặc. Ngoài ra, các cơ quan an ninh mạng có thể ứng dụng mô hình để truy vết các dòng tiền gian lận xuyên chuỗi. Khả năng xử lý phân tán giúp hệ thống mở rộng linh hoạt theo quy mô giao dịch ngày càng tăng. Đề tài tại Học viện PTIT mở ra triển vọng lớn trong việc thương mại hóa giải pháp bảo mật blockchain.
