Giới thiệu dự án

Sự bùng nổ của mạng vạn vật (Internet of Things - IoT) với hàng chục tỷ thiết bị kết nối vào năm 2021 đã tạo ra áp lực chưa từng có lên hạ tầng an ninh mạng toàn cầu. Theo các báo cáo an toàn thông tin quốc tế, lưu lượng tấn công từ chối dịch vụ phân tán (Distributed Denial of Service - DDoS) và mã độc IoT đã tăng hơn 150% qua từng năm, với các biến thể tấn công zero-day tinh vi vượt qua các cơ chế kiểm soát truyền thống.

Mạng khả lập trình (Software-Defined Networking - SDN) ra đời như một bước ngoặt kiến trúc, cho phép tách biệt hoàn toàn tầng điều khiển (Control Plane) và tầng dữ liệu (Data Plane). Nhờ đó, việc quản lý và giám sát tập trung trở nên linh hoạt hơn. Tuy nhiên, các hệ thống phát hiện xâm nhập (Intrusion Detection System - IDS) truyền thống dựa trên dấu hiệu (Signature-based IDS) hoàn toàn bất lực trước các biến thể tấn công mới lạ. Ngược lại, các mô hình học máy tập trung (Centralized Machine Learning) đòi hỏi thu thập toàn bộ dữ liệu lưu lượng thô về máy chủ trung tâm, gây nghẽn băng thông nghiêm trọng và vi phạm nghiêm trọng các quy định bảo mật quyền riêng tư của người dùng (như GDPR, CCPA).

Đề tài "Trình phát hiện tấn công dựa trên học cộng tác trong mạng khả lập trình" (Federated Learning-based Intrusion Detection in SDN-aware Network) do nhóm sinh viên Nguyễn Hồng Hà và Trần Văn Hùng (Khoa Mạng máy tính và Truyền thông, Trường Đại học Công nghệ Thông tin - ĐHQG-HCM, dưới sự hướng dẫn của ThS. Phan Thế Duy) thực hiện, nhằm giải quyết triệt để sự xung đột giữa khả năng phát hiện mối đe dọa mạng và tính riêng tư dữ liệu người dùng.

+-------------------------------------------------------------------------+
|                              VẤN ĐỀ CỐT LÕI                              |
|   Tập trung dữ liệu thô = Rò rỉ quyền riêng tư + Nghẽn băng thông       |
|   Signature-based IDS   = Tỷ lệ bỏ lọt tấn công mới (False Negatives) cao|
+-------------------------------------------------------------------------+
                                    │
                                    ▼
+-------------------------------------------------------------------------+
|                             GIẢI PHÁP ĐỀ XUẤT                           |
|      Học cộng tác (FL) + Quyền riêng tư khác biệt (DP) + SDN (Ryu/OVS)  |
+-------------------------------------------------------------------------+

Mục tiêu dự án

  1. Thiết kế kiến trúc IDS phân tán: Tận dụng khả năng điều phối luồng của SDN kết hợp phương pháp Học cộng tác (Federated Learning - FL) trên các Security Gateway cục bộ.
  2. Bảo mật và bảo vệ quyền riêng tư: Ứng dụng kỹ thuật Quyền riêng tư khác biệt (Differential Privacy - DP) vào quá trình tối ưu hóa gradient, ngăn chặn các cuộc tấn công tái tạo dữ liệu (Reconstruction Attacks).
  3. Hiện thực hóa mô hình Deep Learning: Tinh chỉnh kiến trúc học sâu (Fine-tuned VGG-16 / CNN) để phân loại lưu lượng mạng bất thường với độ chính xác cao trên các tập dữ liệu chuẩn mực.
  4. Đánh giá thực nghiệm toàn diện: So sánh hiệu năng phát hiện giữa mô hình FL-IDS, Local-IDS (học cục bộ không chia sẻ), Centralized-IDS (học tập trung) và DPFL-IDS dưới các kịch bản lưu lượng thực tế.

Phạm vi và giới hạn

  • Phạm vi: Triển khai mô hình mạng SDN giả lập bằng Containernet/Mininet với Ryu Controller và OpenvSwitch (OVS); huấn luyện mô hình phân loại tấn công DDoS bằng bộ dữ liệu CICDDoS2019, CIC-IDS-2018 và IoT-23.
  • Giới hạn: Tập trung vào các dạng tấn công tầng mạng/vận chuyển (Syn Flood, UDP Flood, NetBIOS, LDAP); môi trường thử nghiệm trên hệ thống mạng mô phỏng 3-6 nút tác tử IDS cục bộ.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí Signature-based IDS (Snort/Suricata) Centralized ML-IDS Local ML-IDS (Không chia sẻ) Đề xuất: FL-IDS tích hợp DP
Bảo vệ quyền riêng tư Trung bình (cần giải mã gói) Rất kém (thu thập toàn bộ pcap) Tốt (dữ liệu lưu tại biên) Xuất sắc (dữ liệu tại biên + DP Noise)
Phát hiện tấn công mới Rất thấp (cần cập nhật rules) Rất cao (>98%) Trung bình (thiếu tính khái quát) Rất cao (xấp xỉ tập trung: ~97-98%)
Tải băng thông mạng Thấp Rất cao (đẩy telemetry thô) Rất thấp (0 Mbps ra ngoài) Cực thấp (chỉ truyền tham số weights)
Khả năng mở rộng SDN Kém Trung bình (nghẽn Server) Kém (phân mảnh tri thức) Tuyệt vời (tích hợp tầng Controller)

Phân loại yêu cầu hệ thống theo mô hình MoSCoW

  • Must have: Thuật toán Federated Averaging (FedAvg) trên hệ thống phân tán; cơ chế điều phối luồng mạng thông qua OpenFlow 1.3; bộ tiền xử lý ma trận đặc trưng từ luồng mạng (Flow features).
  • Should have: Bộ tối ưu hóa Gradient với Differential Privacy (DP-SGD); giao thức trao đổi trọng số an toàn qua Socket API/gRPC giữa Aggregation Server và Security Gateways.
  • Could have: Cơ chế phòng chống tấn công đầu độc mô hình (Model Poisoning / Sybil Attack) bằng thuật toán lọc tham số Byzantine-resilient.
  • Won't have (lần lặp này): Triển khai trực tiếp trên phần cứng ASIC/FPGA của switch P4 vật lý thương mại.

Thiết kế hệ thống

Kiến trúc giải pháp được chia thành 3 phân lớp gắn liền với hạ tầng SDN:

                  +-----------------------------------+
                  |        SDN Controller (Ryu)       |
                  |  - Global Aggregation Server (FL) |
                  |  - Flow Rule Management (OpenFlow)|
                  +-----------------+-----------------+
                                    │ OpenFlow 1.3 / Socket
         ┌──────────────────────────┼──────────────────────────┐
         ▼                          ▼                          ▼
+-----------------+        +-----------------+        +-----------------+
| Security GW #1  |        | Security GW #2  |        | Security GW #N  |
| - Local Train   |        | - Local Train   |        | - Local Train   |
| - DP Optimizer  |        | - DP Optimizer  |        | - DP Optimizer  |
| - OVS Datapath  |        | - OVS Datapath  |        | - OVS Datapath  |
+--------+--------+        +--------+--------+        +--------+--------+
         │                          │                          │
   +-----+-----+              +-----+-----+              +-----+-----+
   │ Host/IoT  │              │ Host/IoT  │              │ Host/IoT  │
   +-----------+              +-----------+              +-----------+
  1. Application Plane & Aggregation Server: Đóng vai trò máy chủ điều phối FL, khởi tạo mô hình học sâu toàn cục, tiếp nhận trọng số ($W_i, b_i$) từ các client sau mỗi vòng lặp (Federated Round) và thực hiện tổng hợp tham số theo công thức FedAvg: $$W_{global}^{t+1} = \sum_{k=1}^{K} \frac{n_k}{n} W_k^{t+1}$$
  2. Control Plane (Ryu Controller): Giao tiếp với các OpenvSwitch qua giao thức OpenFlow. Khi phát hiện luồng độc hại từ mô hình ML tại Security Gateway, Controller lập tức đẩy quy tắc luồng (FLOW_MOD với action DROP) xuống Data Plane để cô lập nguồn tấn công.
  3. Data Plane & Local Training Clients (Security Gateways): Được đặt tại các gateway phân vùng mạng. Mỗi Gateway thu thập lưu lượng nội bộ, trích xuất 78+ đặc trưng mạng từ luồng, chuyển đổi thành vector đầu vào và tiến hành huấn luyện mô hình VGG-16 cục bộ.

Cơ chế bảo mật với Differential Privacy (DP)

Để đảm bảo các tham số mô hình chia sẻ lên máy chủ không làm lộ thông tin nhạy cảm của từng gói tin, thuật toán DP-SGD (Differential Private Stochastic Gradient Descent) được tích hợp trực tiếp vào bộ tối ưu hóa:

  • L2 Norm Clipping: Giới hạn chuẩn gradient của mỗi mẫu dữ liệu để chặn ảnh hưởng cực đoan: $$g_t(x_i) \leftarrow g_t(x_i) / \max\left(1, \frac{|g_t(x_i)|_2}{C}\right)$$
  • Thêm nhiễu Gaussian: Bổ sung nhiễu có kiểm soát vào tổng gradient: $$\tilde{g}t = \frac{1}{L} \left( \sum{i} g_t(x_i) + \mathcal{N}(0, \sigma^2 C^2 \mathbf{I}) \right)$$
  • Ngân sách riêng tư: Quản lý thông qua hai chỉ số $(\epsilon, \delta)$ với $\delta = 1/N$ ($N$ là tổng kích thước mẫu dữ liệu huấn luyện).

Công nghệ sử dụng

  • Môi trường mô phỏng mạng: Containernet v2.0, Mininet v2.3.0, OpenvSwitch v2.13.0.
  • SDN Controller Framework: Ryu Controller v4.34, hỗ trợ giao thức OpenFlow v1.3.
  • Học máy & Học cộng tác: TensorFlow v2.4.1, Keras v2.4.0, Flower Framework (flwr v0.16.0), TensorFlow Privacy.
  • Ngôn ngữ & Thư viện phụ trợ: Python 3.8, NumPy, Scikit-learn, Scapy (bắt và phân tích gói tin mạng).

Implementation và kết quả

Quy trình phát triển và mã nguồn cốt lõi

Quy trình huấn luyện và điều phối FL-IDS bao gồm các bước: Chuẩn hóa dữ liệu MinMax Scaling $\rightarrow$ Huấn luyện cục bộ trên Security Gateway với DP-SGD $\rightarrow$ Gửi tham số mã hóa lên Server $\rightarrow$ Server tổng hợp FedAvg $\rightarrow$ Cập nhật mô hình toàn cục cho các OpenvSwitch IDS.

# Cấu hình Local Training Client với Differential Privacy và Flower Framework
import flwr as fl
import tensorflow as tf
from tensorflow_privacy.privacy.optimizers.dp_optimizer_keras import DPKerasAdamOptimizer

def create_dp_vgg_model(input_shape=(78, 1), num_classes=2):
    model = tf.keras.Sequential([
        tf.keras.layers.Conv1D(64, kernel_size=3, padding='same', activation='relu', input_shape=input_shape),
        tf.keras.layers.Conv1D(64, kernel_size=3, padding='same', activation='relu'),
        tf.keras.layers.MaxPooling1D(pool_size=2),
        tf.keras.layers.Conv1D(128, kernel_size=3, padding='same', activation='relu'),
        tf.keras.layers.MaxPooling1D(pool_size=2),
        tf.keras.layers.Flatten(),
        tf.keras.layers.Dense(256, activation='relu'),
        tf.keras.layers.Dropout(0.3),
        tf.keras.layers.Dense(num_classes, activation='softmax')
    ])
    
    # Tích hợp bộ tối ưu hóa chuẩn bảo vệ riêng tư (DP Optimizer)
    dp_optimizer = DPKerasAdamOptimizer(
        l2_norm_clip=1.0,
        noise_multiplier=0.5,
        num_microbatches=32,
        learning_rate=0.001
    )
    
    model.compile(optimizer=dp_optimizer,
                  loss='categorical_crossentropy',
                  metrics=['accuracy'])
    return model

class IDSClient(fl.client.NumPyClient):
    def __init__(self, model, x_train, y_train, x_val, y_val):
        self.model = model
        self.x_train, self.y_train = x_train, y_train
        self.x_val, self.y_val = x_val, y_val

    def get_parameters(self):
        return self.model.get_weights()

    def fit(self, parameters, config):
        self.model.set_weights(parameters)
        self.model.fit(self.x_train, self.y_train, epochs=5, batch_size=64, verbose=0)
        return self.model.get_weights(), len(self.x_train), {}

    def evaluate(self, parameters, config):
        self.model.set_weights(parameters)
        loss, accuracy = self.model.evaluate(self.x_val, self.y_val, verbose=0)
        return loss, len(self.x_val), {"accuracy": accuracy}

Mô hình chuyển tiếp luồng trên SDN Controller (Ryu) khi IDS phát hiện tấn công:

from ryu.base import app_manager
from ryu.controller import ofp_event
from ryu.controller.handler import MAIN_DISPATCHER, set_ev_cls
from ryu.ofproto import ofproto_v1_3

class SDNIntrusionBlocker(app_manager.RyuApp):
    OFP_VERSIONS = [ofproto_v1_3.OFP_VERSION]

    def block_malicious_flow(self, datapath, src_ip, dst_ip):
        ofproto = datapath.ofproto
        parser = datapath.ofproto_parser
        
        # Thiết lập match rule cho luồng tấn công
        match = parser.OFPMatch(eth_type=0x0800, ipv4_src=src_ip, ipv4_dst=dst_ip)
        # Action rỗng tương đương lệnh DROP gói tin
        instructions = [parser.OFPInstructionActions(ofproto.OFPIT_APPLY_ACTIONS, [])]
        
        flow_mod = parser.OFPFlowMod(
            datapath=datapath,
            priority=1000,
            match=match,
            instructions=instructions,
            idle_timeout=300,
            hard_timeout=600
        )
        datapath.send_msg(flow_mod)

Đánh giá kết quả thực nghiệm

Mô hình được thử nghiệm thực tế với bộ dữ liệu CICDDoS2019 trên 4 kịch bản kiến trúc:

  1. Mô hình Tập trung (Centralized/Ideal): Toàn bộ dữ liệu gom về một node trung tâm để huấn luyện.
  2. Mô hình Cục bộ (Local): Các node IDS tự huấn luyện riêng rẽ trên dữ liệu của mình và không chia sẻ tham số.
  3. Mô hình Học cộng tác cơ bản (FL-IDS): Huấn luyện theo FedAvg qua 10 rounds với 3-6 clients.
  4. Mô hình Học cộng tác kết hợp Quyền riêng tư khác biệt (DPFL-IDS): Thêm nhiễu Gaussian và L2-norm clipping vào FL.

Bảng so sánh hiệu năng chi tiết

Mô hình Độ chính xác (Accuracy) Precision Recall F1-Score Băng thông tiêu thụ Mức độ rò rỉ dữ liệu ($\epsilon$)
Centralized (Ideal) 98.85% 98.90% 98.80% 98.85% Rất cao (~100% Raw Data) Không an toàn
Local IDS (Node 1) 89.20% 88.50% 90.10% 89.29% 0 MB (Không trao đổi) An toàn cục bộ
FL-IDS (Đề xuất) 98.12% 98.25% 98.01% 98.13% Thấp (chỉ trao đổi weights: ~14.2 MB) An toàn phân tán
DPFL-IDS ($\epsilon = 2.45$) 95.68% 95.80% 95.55% 95.67% Thấp (~14.2 MB) Tuyệt đối an toàn (Toán học) 
                       HIỆU NĂNG PHÁT HIỆN TẤN CÔNG (F1-SCORE)
  100% ┼──────────────────────────────────────────────────────────────────
       │     98.85%                  98.13%                  95.67%
   95% ┼──────────────────────────────────────────────────────────────────
   90% ┼─────────────────── 89.29% ──────────────────────────────────────
       │
    0% ┼───────────────┬───────────────┬───────────────┬─────────────────
          Centralized        Local          FL-IDS          DPFL-IDS
  • Độ chính xác: Mô hình FL-IDS đạt độ chính xác 98.12%, chỉ kém mô hình tập trung lý tưởng 0.73%, nhưng vượt trội so với mô hình cục bộ phân mảnh (89.20%).
  • Cân bằng riêng tư - chính xác (Privacy-Utility Trade-off): Khi kích hoạt Differential Privacy với mức $\epsilon = 2.45$, mô hình vẫn duy trì độ chính xác cao đạt 95.68%, đảm bảo chặn đứng mọi rủi ro tấn công nghịch đảo gradient để khôi phục nội dung gói tin.

Đổi mới và đóng góp

  1. Kiến trúc phòng thủ phân tán dựa trên SDN: Tách biệt tác vụ suy luận (Inference) tại biên (Security Gateway OVS) và tác vụ điều phối luồng toàn cục tại Controller. Điều này giúp loại bỏ hoàn toàn nút thắt cổ chai tính toán (Computational Bottleneck) thường gặp ở các hệ thống IDS trung tâm.
  2. Khung làm việc bảo mật kép (FL + DP): Lần đầu tiên tích hợp thành công Differential Privacy trực tiếp vào cơ chế tối ưu gradient phân tán cho mạng SDN tại Việt Nam, mang lại sự đảm bảo toán học vững chắc về quyền riêng tư dữ liệu luồng mạng.
  3. Tiết kiệm tài nguyên truyền thông: Giảm hơn 85% lưu lượng băng thông phục vụ phân tích an ninh so với phương thức truyền file .pcap truyền thống về máy chủ đám mây, giúp tối ưu hóa đáng kể chi phí hạ tầng mạng.
  4. Khả năng phản ứng tự động ở mức mili-giây: Kết hợp API điều khiển luồng thời gian thực của OpenFlow, cho phép hệ thống tự động sinh luật chặn IP tấn công trong vòng dưới 50ms kể từ khi IDS phát hiện hành vi bất thường.

Ứng dụng thực tế và triển khai

+-------------------------------------------------------------------------------+
|                       MÔ HÌNH TRIỂN KHAI THỰC TẾ                              |
|                                                                               |
|  [Đại học / Doanh nghiệp A]      [Bệnh viện / Cơ quan B]     [Ngân hàng C]    |
|   - Private Network Traffic       - Private Medical IoT       - Fintech Data  |
|   - Local Security Gateway        - Local Security Gateway    - Local Sec GW  |
|            │                               │                        │         |
|            └───────────────────────┬───────┴────────────────────────┘         |
|                                    ▼                                          |
|                     [Trung tâm SOC Quốc gia / MSP]                            |
|                     - Ryu SDN Global Controller                               |
|                     - Federated Model Aggregator                              |
+-------------------------------------------------------------------------------+

Kịch bản ứng dụng

  • Liên minh an ninh mạng đa tổ chức (Cross-organization Security Alliance): Các ngân hàng, bệnh viện hoặc trường đại học có thể hợp tác huấn luyện một bộ não AI phát hiện tấn công chung mà không cần chia sẻ dữ liệu nhạy cảm của khách hàng hay bệnh nhân ra bên ngoài.
  • Hạ tầng đô thị thông minh (Smart City IoT): Giám sát hàng triệu cảm biến IoT phân tán khắp thành phố tại các trạm biên (Edge Gateways) với tài nguyên mạng hạn chế.
  • Mạng 5G Multi-access Edge Computing (MEC): Triển khai trực tiếp IDS tại các trạm gNodeB/MEC để bảo vệ hạ tầng viễn thông trước các cuộc tấn công DDoS quy mô lớn.

Ước tính hiệu quả kinh tế (ROI)

  • Tiết kiệm chi phí lưu trữ & băng thông: Cắt giảm tới 70% chi phí điện toán đám mây do không phải duy trì hồ dữ liệu (Data Lake) lưu trữ toàn bộ gói tin thô 24/7.
  • Tuân thủ pháp lý: Giúp doanh nghiệp đáp ứng 100% các tiêu chuẩn an toàn dữ liệu như Nghị định 13/2023/NĐ-CP của Việt Nam và chuẩn GDPR quốc tế, tránh các khoản phạt hàng triệu USD do rò rỉ dữ liệu người dùng.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Dữ liệu không đồng nhất (Non-IID Data): Khi phân phối lưu lượng tấn công giữa các client quá chênh lệch, tốc độ hội tụ của thuật toán FedAvg bị suy giảm, đòi hỏi số vòng lặp huấn luyện nhiều hơn.
  • Hiểm họa tấn công đầu độc (Poisoning Attacks): Một client bị kẻ tấn công chiếm quyền điều khiển có thể gửi các trọng số sai lệch (Backdoor gradients) làm hỏng mô hình toàn cục nếu không có bộ lọc phát hiện dị biệt tham số.

Hướng phát triển

  • Tích hợp các thuật toán tổng hợp chống tấn công Byzantine như Krum, Trimmed Mean, Bulyan để tăng sức chống chịu trước các client giả mạo.
  • Nâng cấp mô hình mạng nơ-ron sang kiến trúc Spatial-Temporal Graph Neural Networks (ST-GNN) hoặc Transformer-based Network Traffic Analyzers để nâng cao khả năng bắt giữ tương quan thời gian của các cuộc tấn công APT kéo dài.
  • Nghiên cứu triển khai thực tế trên các dòng phần cứng chuyên dụng hỗ trợ P4 Language và SmartNIC.

Đối tượng hưởng lợi

  • Sinh viên & Nghiên cứu sinh: Cung cấp tài liệu tham khảo chi tiết, minh bạch về sự kết hợp giữa hai lĩnh vực mũi nhọn: Trí tuệ nhân tạo phân tán (Federated AI) và Mạng điều khiển bằng phần mềm (SDN).
  • Kỹ sư An toàn thông tin (Security Engineers): Cung cấp mã nguồn thực tế và kiến trúc mẫu để xây dựng hệ thống phòng thủ SOC phân tán thế hệ mới, tối ưu hóa năng lực phát hiện mối đe dọa không phụ thuộc vào signatures.
  • Doanh nghiệp & Đơn vị vận hành mạng: Một chiến lược khả thi để nâng cấp hệ thống giám sát an ninh toàn diện, giảm thiểu chi phí hạ tầng mạng và triệt tiêu nguy cơ vi phạm quyền riêng tư khách hàng.

Câu hỏi thường gặp

1. Yêu cầu phần cứng và môi trường để triển khai hệ thống là gì?

Hệ thống thử nghiệm yêu cầu tối thiểu máy chủ cấu hình CPU Intel Core i7 (4 cores/8 threads trở lên), 16GB RAM, hệ điều hành Ubuntu Linux 20.04 LTS. Cần cài đặt sẵn môi trường Python 3.8, Docker CE (cho Containernet), OpenvSwitch và Ryu Controller framework.

2. Sự khác biệt cốt lõi giữa FL-IDS và IDS truyền thống dựa trên Machine Learning là gì?

Trong ML-IDS truyền thống, tất cả dữ liệu gói tin thô (pcap) từ mọi phân vùng mạng phải được truyền về một máy chủ trung tâm để phân tích, gây tắc nghẽn băng thông và lộ bí mật dữ liệu. Với FL-IDS, dữ liệu thô không bao giờ rời khỏi thiết bị biên (Security Gateway); các gateway chỉ huấn luyện cục bộ và gửi trọng số toán học (Weights) đã được thêm nhiễu bảo mật về máy chủ để tổng hợp.

3. Việc thêm nhiễu Differential Privacy có làm giảm khả năng nhận diện tấn công không?

Có một sự đánh đổi nhỏ (Trade-off) được kiểm soát chặt chẽ. Khi bổ sung nhiễu DP với $\epsilon = 2.45$, độ chính xác của hệ thống giảm nhẹ từ 98.12% xuống 95.68% (~2.44%), nhưng đổi lại hệ thống đạt được sự bảo vệ toán học tuyệt đối trước các cuộc tấn công tái tạo dữ liệu gói tin.

4. Hệ thống phản ứng thế nào khi phát hiện một cuộc tấn công mới?

Ngay khi mô hình suy luận tại Security Gateway gắn nhãn một luồng là độc hại (Malicious), một thông điệp cảnh báo được gửi ngay tới Ryu Controller thông qua REST API/Socket. Controller lập tức khởi tạo bản tin OFPFlowMod chứa luật DROP và gửi tới OpenvSwitch tương ứng để cắt đứt luồng kết nối trong thời gian thực (<50ms).

5. Làm thế nào để mở rộng hệ thống lên hàng trăm node mạng?

Hệ thống được thiết kế theo cấu trúc module phân tầng. Khi số lượng node tăng lên, có thể áp dụng kiến trúc Hierarchical Federated Learning (HFL) kết hợp cụm nhiều Controller SDN phân cấp, giúp tối ưu hóa số lượng kết nối và giảm thiểu độ trễ tổng hợp tham số trên diện rộng.

Kết luận

Khóa luận tốt nghiệp "Trình phát hiện tấn công dựa trên học cộng tác trong mạng khả lập trình" của sinh viên Nguyễn Hồng Hà và Trần Văn Hùng đã giải quyết xuất sắc bài toán cân bằng giữa hiệu năng phát hiện xâm nhập và tính riêng tư dữ liệu trong kỷ nguyên IoT và SDN. Bằng việc kết hợp sáng tạo giữa Federated Learning (FedAvg), Differential Privacy (DP-SGD) và SDN (Ryu/OpenFlow), đề tài đã chứng minh một giải pháp phòng thủ an ninh mạng phân tán có độ chính xác đạt 98.12%, giảm tải 85% băng thông, đồng thời bảo vệ trọn vẹn quyền riêng tư người dùng. Đây là nền tảng thực tiễn giá trị cao cho các nghiên cứu chuyên sâu và ứng dụng thương mại hóa trong các hệ thống an ninh mạng tương lai.