Giới thiệu dự án

Trong kỷ nguyên chuyển đổi số và bùng nổ của các ứng dụng nền tảng Web, an toàn thông tin trở thành yếu tố sống còn đối với các tổ chức và doanh nghiệp. Theo thống kê từ các tổ chức an ninh mạng quốc tế, hơn 75% các vụ tấn công mạng nhắm trực tiếp vào tầng ứng dụng Web (Layer 7), khai thác các lỗ hổng nghiêm trọng như SQL Injection (SQLi), Cross-Site Scripting (XSS), Local File Inclusion (LFI), Path Traversal, OS Command Injection và Remote Code Execution (RCE).

+-----------------------------------------------------------------------------------+
| THỰC TRẠNG AN NINH ỨNG DỤNG WEB & THÁCH THỨC VẬN HÀNH TRUYỀN THỐNG               |
+-----------------------------------------------------------------------------------+
| 1. Tấn công 0-day/1-day tăng mạnh  --> Vượt qua tường lửa WAF dựa trên Signature |
| 2. Mô hình Machine Learning tĩnh    --> Suy giảm độ chính xác theo thời gian       |
| 3. Quy trình thu thập thủ công      --> Độ trễ xử lý cao, tốn nhân lực vận hành    |
+-----------------------------------------------------------------------------------+

Vấn đề thực tế (Problem Statement)

Các hệ thống bảo vệ truyền thống như Tường lửa ứng dụng Web (Web Application Firewall - WAF) hay Hệ thống phát hiện xâm nhập (Intrusion Detection System - IDS) chủ yếu dựa trên tập luật nhận dạng (Signature-based). Cơ chế này bộc lộ những lỗ hổng chí mạng:

  • Không có khả năng phát hiện lỗ hổng mới (0-day/1-day): Khi tin tặc thay đổi chuỗi payload hoặc khai thác kỹ thuật mới chưa có trong cơ sở dữ liệu luật, hệ thống hoàn toàn bị qua mặt.
  • Quy trình cập nhật thủ công và chậm trễ: Việc phân tích mẫu độc hại đòi hỏi chuyên gia an ninh mạng phân tích thủ công, tạo độ trễ lớn trước các chiến dịch tấn công diện rộng.
  • Hạn chế của mô hình Học máy (Machine Learning) truyền thống: Mặc dù ML được ứng dụng để phân loại lưu lượng, việc huấn luyện mô hình thường thực hiện offline trên các tập dữ liệu tĩnh (static datasets), dẫn đến hiện tượng trôi dữ liệu (data drift/concept drift) và quên tri thức cũ (catastrophic forgetting) khi cập nhật dữ liệu mới.
  • Thiếu quy trình MLOps tự động: Thiếu tính liên kết khép kín giữa thu thập dữ liệu, tiền xử lý, huấn luyện, kiểm thử và triển khai mô hình.

Mục tiêu nghiên cứu (Project Objectives)

  1. Xây dựng hệ thống bẫy mạng (Honeypot) tương tác chuyên dụng: Thiết lập môi trường mồi nhử mô phỏng ứng dụng Web mục tiêu nhằm thu hút và bẫy các payload tấn công thực tế từ không gian mạng.
  2. Thiết lập đường ống tự động hóa MLOps trên nền tảng Kubeflow: Đóng gói toàn bộ các công đoạn thành các container Docker riêng biệt, liên kết thành một Pipeline khép kín hoạt động tự động từ thu thập dữ liệu đến triển khai.
  3. Nghiên cứu cơ chế mã hóa đặc trưng và học tiệm tiến (Incremental Learning): Chuyển đổi chuỗi HTTP request thành ma trận byte $(28 \times 28)$ và áp dụng các thuật toán phân loại có khả năng mở rộng tri thức liên tục mà không làm suy giảm hiệu năng trên dữ liệu lịch sử.
  4. Tối ưu hóa khả năng phát hiện mã khai thác mới với độ chính xác cao: Giảm thiểu tỷ lệ cảnh báo sai (False Positive Rate) và tự động cập nhật mô hình bảo vệ lên hệ thống phục vụ (Serving Website).

Phương pháp tiếp cận (Solution Approach)

Đề tài kết hợp hai trụ cột kỹ thuật: Cyber Traps (Bẫy mạng) để chủ động thu thập các mẫu tấn công mới nhất trong môi trường thực tế, và MLOps Pipeline (Kubeflow) để tự động hóa chu trình khép kín: Collect Log $\rightarrow$ Preprocess $\rightarrow$ Train/Retrain $\rightarrow$ Test $\rightarrow$ Deploy.

Kết quả kỳ vọng (Expected Outcomes)

  • Xây dựng thành công hệ thống bẫy mạng Nginx/Java thu thập trung bình hàng nghìn mẫu payload độc hại mỗi tuần.
  • Tự động hóa $100%$ quy trình tái huấn luyện và triển khai mô hình học máy thông qua Kubeflow Pipelines.
  • Mô hình phân loại đạt độ chính xác trên $95%$ đối với các dạng tấn công đã biết và phát hiện thành công các biến thể tấn công zero-day thông qua phương pháp học tiệm tiến.
  • Tối ưu hóa sai số bình phương trung bình (Mean Squared Error - MSE) đạt ngưỡng kiểm định trước khi chuyển giao sang môi trường production.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí so sánh Tường lửa WAF Signature-based Học máy truyền thống (Offline ML) Giải pháp đề xuất (Honeypot + MLOps)
Cơ chế nhận dạng So khớp chuỗi mẫu ký tự tĩnh Phân loại dựa trên tập mẫu tĩnh Phân loại động kết hợp học tiệm tiến
Khả năng bắt mã 0-day Kém ($< 10%$) Trung bình ($60% - 75%$) Rất cao ($> 95%$)
Mức độ tự động hóa Thấp (Cập nhật luật thủ công) Thấp (Kỹ sư chạy script thủ công) Cao (Tự động hóa hoàn toàn qua MLOps)
Khả năng mở rộng Giới hạn theo kích thước ruleset Phức tạp khi dữ liệu tăng Rất cao nhờ Kubernetes/Kubeflow
Nguy cơ trôi dữ liệu Không áp dụng Cao (Mô hình nhanh lỗi thời) Triệt tiêu nhờ quy trình Retrain định kỳ

Yêu cầu hệ thống theo mô hình MoSCoW

  • Must Have (Bắt buộc có): Hệ thống Honeypot thu thập log; Module tiền xử lý mã hóa payload thành mảng $(28, 28)$; Pipeline Kubeflow 6 bước hoàn chỉnh; Cơ chế kiểm định MSE trước khi deploy.
  • Should Have (Nên có): Bộ lọc làm sạch dữ liệu dựa trên ModSecurity Core Rule Set; Cơ chế kích hoạt Trigger quản lý danh sách IP whitelist qua UFW.
  • Could Have (Có thể có): Giao diện Dashboard trực quan hóa hiệu năng theo thời gian thực trên Kubeflow UI; Hỗ trợ nhiều thuật toán học máy phân loại đồng thời (CNN, SVM, KNN, Logistic Regression).
  • Won't Have (Chưa thực hiện): Tự động tạo bản vá mã nguồn ứng dụng (Auto-patching); Hệ thống bẫy mạng tương tác mức cao (High-interaction Honeynet) đa máy chủ vật lý.

Thiết kế hệ thống

Kiến trúc tổng thể được chia thành 4 cụm máy chủ độc lập nhằm tối ưu hóa tính cách ly bảo mật và hiệu năng xử lý:

flowchart TD
    subgraph ClientZone ["Không gian mạng Internet"]
        Attacker["Kẻ tấn công / Scanner"]
        User["Người dùng hợp lệ"]
    end

    subgraph HoneypotCluster ["Cụm Bẫy Mạng (Honeypot Host)"]
        NginxTrap["Nginx Reverse Proxy / Web Trap"]
        UFWTrigger["Trigger & UFW Whitelist Manager"]
        LogCollector["Log Formatter & Collector"]
    end

    subgraph StorageCluster ["Cụm Lưu Trữ (Data Storage)"]
        RawData["Kho dữ liệu Log / Payloads"]
        CleanDataset["Tập dữ liệu đã gán nhãn"]
        ModelRegistry["Kho lưu trữ mô hình (.h5)"]
    end

    subgraph MLOpsCluster ["Cụm Điều Phối MLOps (Kubeflow Host)"]
        PipeTrigger["Bộ kích hoạt Pipeline"]
        K1["1. Collect Log Component"]
        K2["2. Preprocess Data Component"]
        K3["3. Train / Retrain Component"]
        K4["4. Test Model (MSE) Component"]
        K5["5. Deploy Component"]
    end

    subgraph ServingCluster ["Cụm Phục Vụ (Serving Host)"]
        WAFEngine["Bộ phân loại Payload (Classifier)"]
        MainApp["Ứng dụng Web cần bảo vệ"]
    end

    Attacker -->|Gửi Payload độc hại| NginxTrap
    User -->|Gửi Request bình thường| NginxTrap
    NginxTrap --> LogCollector
    UFWTrigger --> NginxTrap
    LogCollector -->|Đẩy Log định dạng| RawData

    PipeTrigger --> K1
    K1 -->|Gửi tín hiệu thu thập| LogCollector
    RawData --> K2
    K2 --> CleanDataset
    CleanDataset --> K3
    ModelRegistry <-->|Load mô hình cũ / Save mô hình mới| K3
    K3 --> K4
    K4 -->|Đạt ngưỡng MSE| K5
    K5 -->|Đẩy mô hình .h5 mới| ModelRegistry
    ModelRegistry -->|Cập nhật mô hình tự động| WAFEngine
    WAFEngine --> MainApp

Technology Stack và phiên bản chi tiết

  • Hạ tầng ảo hóa & Điều phối: Kubernetes v1.22+, Kubeflow Pipelines v1.8+, Docker Engine v20.10.12.
  • Máy chủ Web & Tường lửa Honeypot: Nginx v1.18.0, ModSecurity v3.0.4 (OWASP Core Rule Set), UFW (Uncomplicated Firewall).
  • Framework Học máy & Xử lý dữ liệu: Python v3.8.10, TensorFlow v2.8.0, Keras v2.8.0, Scikit-Learn v1.0.2, NumPy v1.21.5, Pandas v1.4.1.
  • Hệ điều hành: Ubuntu Server 20.04 LTS (x86_64).

Implementation và kết quả

Development Process & Key Algorithms

1. Tiền xử lý dữ liệu và Mã hóa Ma trận Byte $(28 \times 28)$

Các chuỗi HTTP Request có độ dài biến thiên được chuẩn hóa về một không gian vector cố định. Mỗi ký tự trong chuỗi payload (URL, Header, Body) được chuyển đổi thành mã ASCII nguyên thủy (byte values $0 - 255$). Chuỗi được đệm (padding) bằng giá trị 0 hoặc cắt ngắn (truncating) về kích thước chuẩn $784$ byte, sau đó định hình lại thành ma trận 2 chiều $(28, 28)$ tương đương với cấu trúc ảnh một kênh (grayscale), phù hợp cho việc trích xuất đặc trưng không gian thông qua Convolutional Neural Network (CNN) hoặc duỗi phẳng cho các bộ phân loại tuyến tính.

import numpy as np

def transform_payload_to_matrix(raw_payload: str, target_dim=(28, 28)) -> np.ndarray:
    """
    Chuyển đổi chuỗi HTTP Request thô thành ma trận byte kích thước (28, 28)
    """
    # 1. Trích xuất mã byte ASCII
    byte_sequence = [ord(char) for char in raw_payload if ord(char) < 256]
    max_length = target_dim[0] * target_dim[1]  # 784 bytes
    
    # 2. Padding hoặc Truncating
    if len(byte_sequence) < max_length:
        padded_sequence = byte_sequence + [0] * (max_length - len(byte_sequence))
    else:
        padded_sequence = byte_sequence[:max_length]
        
    # 3. Định hình lại thành ma trận (28, 28) chuẩn hóa về khoảng [0, 1]
    matrix = np.array(padded_sequence, dtype=np.float32).reshape(target_dim)
    matrix_normalized = matrix / 255.0
    return matrix_normalized

# Ví dụ chuyển đổi payload độc hại:
sample_attack = "GET /index.php?file=../../../../etc/passwd HTTP/1.1"
encoded_matrix = transform_payload_to_matrix(sample_attack)
# encoded_matrix.shape == (28, 28)

2. Xây dựng 6 Components trong Kubeflow Pipeline

Mỗi bước trong quy trình MLOps được định nghĩa thành một component độc lập thông qua Dockerfile và tập lệnh Python chuyên biệt:

  1. collect-log-component: Gửi tín hiệu Socket đến Honeypot Server, phân tích access log Nginx và đóng gói thành file log thô.
  2. preprocess-data-component: Kiểm tra sự tồn tại của mô hình trên Data Storage. Lọc nhiễu qua các rule ModSecurity, gán nhãn dữ liệu (1: Malicious, 0: Normal), mã hóa $(28, 28)$ và phân chia tập dữ liệu thành 3 phần: Training ($70%$), Validation ($10%$), Testing ($20%$).
  3. train-model-component: Khởi tạo cấu trúc mô hình (CNN/SVM/Logistic Regression), thiết lập các siêu tham số (Learning rate, Batch size, Epochs) và huấn luyện trên tập dữ liệu cơ sở.
  4. retrain-model-component: Ứng dụng kỹ thuật Học tiệm tiến (Incremental/Online Learning). Nạp trọng số $W$ và bias $b$ từ phiên bản mô hình trước đó, tiếp tục tối ưu hóa hàm mất mát trên batch dữ liệu mới thu được từ Honeypot mà không huấn luyện lại từ đầu.
  5. test-model-component: Tính toán chỉ số sai số bình phương trung bình ($MSE$) và các chỉ số đo lường hiệu năng trên tập Testing: $$MSE = \frac{1}{N} \sum_{i=1}^{N} (y_i - \hat{y}_i)^2$$
  6. deploy-model-component: Đánh giá điều kiện nghiệm thu: nếu $MSE < \text{Threshold}$ (ví dụ: $0.05$), tệp trọng số .h5 mới sẽ được tự động đồng bộ sang cụm Serving Website và kích hoạt cơ chế Hot Reloading.
+-----------------------------------------------------------------------------------------------+
| ĐƯỜNG ỐNG TỰ ĐỘNG HÓA KUBEFLOW PIPELINES                                                     |
+-----------------------------------------------------------------------------------------------+
| [Collect Log] --> [Preprocess Data] --> [Train/Retrain Model] --> [Test MSE] --> [Deploy .h5] |
+-----------------------------------------------------------------------------------------------+

Testing và Validation

Thông số tập dữ liệu thực nghiệm

Tập dữ liệu thử nghiệm nội bộ thu thập từ hệ sinh thái bẫy mạng và hệ thống giả lập:

  • Lưu lượng bình thường (Normal requests): $16.223$ mẫu.
  • Lưu lượng độc hại (Malicious requests): $23.887$ mẫu (Bao gồm SQLi, XSS, Command Injection, LFI, RCE).
  • Tổng kích thước dataset: $40.110$ mẫu.
  • Tập dữ liệu chuẩn đối chuẩn bổ sung: Bộ dữ liệu FWAF (F5 Web Application Firewall Dataset) và CSIC 2010.

Kết quả đánh giá hiệu năng các thuật toán

Thuật toán Accuracy (%) Precision (%) Recall (%) F1-Score (%) Mean Squared Error (MSE) Thời gian huấn luyện (s)
Convolutional Neural Network (CNN) $98.84%$ $99.12%$ $98.56%$ $98.84%$ $0.0116$ $45.2$
Support Vector Machine (SVM) $97.45%$ $98.10%$ $96.80%$ $97.44%$ $0.0255$ $18.6$
Logistic Regression (LR) $93.15%$ $94.20%$ $92.05%$ $93.11%$ $0.0685$ $6.4$
K-Nearest Neighbors (KNN) $95.60%$ $96.30%$ $94.90%$ $95.59%$ $0.0440$ $12.1$

Mô hình mạng nơ-ron tích chập (CNN) kết hợp cùng kỹ thuật mã hóa ma trận $(28 \times 28)$ mang lại hiệu quả vượt trội với độ chính xác đạt $98.84%$ và chỉ số sai số MSE cực thấp ($0.0116$), đáp ứng hoàn hảo tiêu chuẩn kiểm định tự động của MLOps Pipeline.

Đổi mới và đóng góp

  1. Kiến trúc vòng lặp kín tự động hóa toàn diện (Closed-loop Automation): Khác biệt hoàn toàn với các nghiên cứu học máy truyền thống yêu cầu thu thập và gán nhãn thủ công, hệ thống đã liên kết thành công bẫy mạng với Kubeflow Pipelines, thiết lập chu trình tự tái sinh mô hình khi có dữ liệu mới.
  2. Kỹ thuật biểu diễn ma trận byte $(28 \times 28)$ cho dữ liệu văn bản Web: Loại bỏ sự phụ thuộc phức tạp vào các mô hình xử lý ngôn ngữ tự nhiên (NLP) nặng nề như BERT hay TF-IDF vốn đòi hỏi tài nguyên tính toán lớn. Phương pháp ánh xạ byte trực tiếp bảo toàn toàn bộ cấu trúc ký tự đặc biệt của mã độc mà vẫn đảm bảo tốc độ suy luận dưới $5\text{ms}/\text{request}$.
  3. Giải quyết triệt để hiện tượng quên tri thức bằng Học tiệm tiến: Thay vì phải gộp toàn bộ dữ liệu lịch sử để train lại từ đầu (tốn kém tài nguyên tính toán và thời gian), mô hình sử dụng kỹ thuật cập nhật trọng số tiệm tiến, giảm hơn $80%$ chi phí tính toán phần cứng và thời gian triển khai.
  4. So sánh định lượng với các công trình công bố:
    • So với nghiên cứu của Nikola Stevanovic (2021): Đồ án đã nâng cấp toàn bộ các thao tác thủ công thành các Dockerized Components trên Kubeflow, giúp loại bỏ hoàn toàn độ trễ can thiệp của con người.
    • So với nghiên cứu của Frederico A. Silveira: Tăng độ nhạy phát hiện các mẫu dị biệt dạng biến thể từ $96.0%$ lên $98.84%$.
    • Tỷ lệ phát hiện các biến thể tấn công zero-day thông qua bẫy mạng duy trì ở mức ấn tượng: $> 95.5%$.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

  • Bảo vệ cổng thanh toán và thương mại điện tử: Hệ thống Honeypot đóng vai trò mồi nhử đặt tại các dải IP công khai của doanh nghiệp để thu hút các đợt rà quét tự động, từ đó cập nhật mô hình bảo vệ hệ sinh thái Core Web Server chính.
  • Hệ thống cổng dịch vụ công trực tuyến: Ngăn chặn các cuộc tấn công leo thang đặc quyền, chiếm quyền điều khiển máy chủ cơ quan nhà nước thông qua phát hiện sớm các payload khai thác lỗ hổng 1-day/0-day.

Hướng dẫn triển khai (Deployment Architecture)

+-----------------------------------------------------------------------------------+
| QUY TRÌNH TRIỂN KHAI HỆ THỐNG TRÊN KUBERNETES                                     |
+-----------------------------------------------------------------------------------+
| 1. Triển khai Cụm Honeypot (Nginx + UFW Trigger) trên Node phân tán               |
| 2. Khởi tạo Kubernetes Cluster & Cài đặt Kubeflow Pipelines Core Engine           |
| 3. Xây dựng 6 Docker Images cho từng thành phần Pipeline                          |
| 4. Thiết lập lịch tự động (Cron Schedule) chạy Pipeline mỗi 24h trên Kubeflow UI  |
+-----------------------------------------------------------------------------------+

# 1. Build các Docker components cho Kubeflow
docker build -t registry.local/mlops/collect-log:v1 ./components/collect_log
docker build -t registry.local/mlops/preprocess:v1 ./components/preprocess
docker build -t registry.local/mlops/train-model:v1 ./components/train
docker build -t registry.local/mlops/deploy-model:v1 ./components/deploy

# 2. Biên dịch và thực thi Kubeflow Pipeline bằng Python SDK
python3 compile_pipeline.py --output web_defense_pipeline.yaml
agy run-pipeline --file web_defense_pipeline.yaml --experiment "Web-Attack-Defense-Prod"

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Độ nhạy với tấn công phân tán đa bước: Hệ thống hiện tập trung phân tích từng HTTP request độc lập (Stateless analysis), chưa theo dõi ngữ cảnh phiên làm việc kéo dài của các chiến dịch tấn công APT phức tạp.
  • Ràng buộc kích thước ma trận: Chuỗi payload vượt quá $784$ bytes sẽ bị cắt ngắn, có khả năng làm mất thông tin của các đoạn mã nhúng thực thi từ xa (RCE) có kích thước payload lớn.
  • Yêu cầu hạ tầng điều phối: Kubeflow và Kubernetes đòi hỏi tài nguyên phần cứng máy chủ tương đối lớn để vận hành ổn định các cụm master/worker.

Hướng phát triển trong tương lai

  • Ứng dụng kiến trúc Graph Neural Networks (GNN) hoặc Mô hình Transformer nhẹ để phân tích chuỗi tương tác session-based.
  • Nâng cấp bẫy mạng thành hệ thống bẫy mạng tương tác cao (High-interaction Honeynet) tích hợp Trí tuệ nhân tạo tạo sinh (Generative AI) nhằm tương tác thông minh và kéo dài thời gian đánh lừa tin tặc.
  • Tối ưu hóa mô hình sang định dạng TensorRT/ONNX để nhúng trực tiếp vào các thiết bị phần cứng mạng chuyên dụng (Edge IDS/IPS Devices).

Đối tượng hưởng lợi

+-----------------------------------------------------------------------------------+
| ĐỐI TƯỢNG HƯỞNG LỢI & GIÁ TRỊ THỰC TIỄN                                          |
+-----------------------------------------------------------------------------------+
| 1. Sinh viên / Nghiên cứu sinh : Tài liệu mẫu mực về kết hợp An toàn thông tin    |
|                                  và Machine Learning Operations (MLOps).          |
| 2. Kỹ sư Bảo mật (SecOps)     : Bộ giải pháp mã nguồn mở tự động hóa cập nhật     |
|                                  chữ ký nhận dạng mã độc không cần gán nhãn.      |
| 3. Doanh nghiệp / Khởi nghiệp : Tiết kiệm 70% chi phí vận hành đội ngũ SOC/WAF;   |
|                                  giảm thiểu tối đa rủi ro thiệt hại do 0-day.     |
+-----------------------------------------------------------------------------------+

Câu hỏi thường gặp

1. Yêu cầu phần cứng tối thiểu để triển khai toàn bộ hệ thống là gì?

Hệ thống cần tối thiểu 1 cụm Kubernetes gồm 1 Master Node (4 vCPU, 8GB RAM) và 2 Worker Nodes (8 vCPU, 16GB RAM, hỗ trợ GPU NVIDIA nếu huấn luyện CNN chuyên sâu). Cụm Honeypot độc lập chỉ cần 1 VPS (2 vCPU, 2GB RAM) chạy Ubuntu 20.04 LTS.

2. Mô hình có bị ảnh hưởng bởi tấn công đầu độc dữ liệu (Data Poisoning) vào Honeypot không?

Hệ thống đã tích hợp module tiền xử lý sử dụng tập luật ModSecurity Core Rule Set làm bộ lọc sơ bộ để phân loại và làm sạch dữ liệu. Các request không rõ nguồn gốc hoặc cố tình tạo nhiễu bất thường sẽ được cô lập trong buồng kiểm định trước khi đưa vào tập dữ liệu huấn luyện chính thức.

3. Tốc độ phân loại (Inference Latency) của mô hình khi triển khai thực tế là bao nhiêu?

Với ma trận kích thước chuẩn $(28, 28)$, mô hình CNN cho thời gian suy luận trung bình từ $3.2\text{ms} - 4.8\text{ms}$ trên mỗi HTTP request với CPU thông thường, hoàn toàn đáp ứng yêu cầu xử lý thời gian thực của các hệ thống Web có lưu lượng truy cập lớn.

4. Tại sao lại chọn sai số MSE để làm điều kiện nghiệm thu thay vì Accuracy?

Chỉ số MSE đo lường khoảng cách trực tiếp giữa giá trị xác suất dự đoán liên tục $[0, 1]$ và nhãn thực tế ${0, 1}$. Việc giám sát MSE giúp phát hiện sự mất ổn định của phân phối xác suất dự đoán (Prediction Confidence Degradation) nhạy hơn nhiều so với chỉ số Accuracy vốn bị làm phẳng bởi ngưỡng làm tròn (thresholding).

5. Chi phí vận hành giải pháp này so với việc mua WAF thương mại như thế nào?

Giải pháp xây dựng hoàn toàn trên các công nghệ mã nguồn mở (Nginx, Docker, Kubernetes, Kubeflow, Python). Doanh nghiệp chỉ chi trả chi phí hạ tầng máy chủ, giúp tiết kiệm từ $60% - 80%$ chi phí bản quyền hàng năm so với các giải pháp WAF/SIEM thương mại độc quyền.

Kết luận

Đồ án tốt nghiệp "Mô hình phát hiện tấn công Web dựa vào kỹ thuật bẫy mạng và quy trình MLOps" của nhóm tác giả Phạm Đức Trọng và Trần Chí Thiện (hướng dẫn bởi ThS. Phan Thế Duy - ĐH Công nghệ Thông tin, ĐHQG-HCM) đã giải quyết triệt để bài toán tự động hóa trong an ninh ứng dụng Web. Bằng sự kết hợp khoa học giữa kỹ thuật mồi nhử Honeypot, biểu diễn ma trận byte $(28 \times 28)$, thuật toán học tiệm tiến và quy trình điều phối Kubeflow Pipelines khép kín, nghiên cứu không chỉ mang lại giá trị học thuật xuất sắc mà còn mở ra tiềm năng ứng dụng thực tiễn to lớn trong việc bảo vệ hạ tầng số trước các hiểm họa an ninh mạng thế hệ mới.