Bối cảnh và vấn đề nghiên cứu

Mạng khả lập trình (Software-Defined Networking - SDN) đã trở thành một kiến trúc mạng hiện đại được nhiều tổ chức lựa chọn nhờ khả năng phân tách luồng dữ liệu (Data Plane) và luồng điều khiển (Control Plane). Cấu trúc này cho phép bộ điều khiển mạng (SDN Controller) quản trị tập trung, lập trình trực tiếp và trừu tượng hóa cơ sở hạ tầng mạng cho các ứng dụng và dịch vụ, từ đó giúp triển khai ứng dụng nhanh chóng, linh hoạt và tối ưu hóa chi phí vận hành. Tuy nhiên, việc ảo hóa và tập trung hóa quyền điều khiển cũng mang lại những lỗ hổng bảo mật nghiêm trọng; trung tâm điều khiển và các thiết bị mạng trở thành mục tiêu hàng đầu của các cuộc tấn công mạng.

Trước thực trạng các kỹ thuật tấn công ngày càng tinh vi và biến đổi liên tục, các hệ thống phát hiện xâm nhập (IDS) truyền thống dựa trên dấu hiệu (signature-based) dần mất đi hiệu quả. Do đó, các giải pháp phát hiện mối đe dọa dựa trên học máy (Machine Learning) và học sâu (Deep Learning) được nghiên cứu ứng dụng nhằm nhận diện các hành vi bất thường. Mặc dù vậy, các mô hình học máy truyền thống thường đòi hỏi thu thập dữ liệu tập trung từ nhiều thiết bị đầu cuối không đồng nhất. Điều này dẫn đến hai rào cản lớn: nguy cơ rò rỉ quyền riêng tư dữ liệu cá nhân của các tổ chức tham gia và chi phí truyền thông, độ trễ mạng rất lớn khi mở rộng quy mô.

Phương pháp học liên kết (Federated Learning - FL) ra đời nhằm giải quyết vấn đề chia sẻ dữ liệu bằng cách cho phép các thiết bị huấn luyện cục bộ (Local Training) và chỉ gửi thông số cập nhật mô hình (Local Updates) về máy chủ để tổng hợp mô hình toàn cục (Global Model). Tuy nhiên, trong học liên kết vẫn tồn tại những thách thức kỹ thuật:

  • Việc trao đổi tham số mô hình cục bộ vẫn tiềm ẩn nguy cơ bị phân tích và dịch ngược (reverse engineering) để khai phá dữ liệu ban đầu.
  • Tốc độ hội tụ của mô hình toàn cục bị chậm và chi phí truyền thông lớn khi phải chờ đợi tất cả các nút phân tán gửi cập nhật.
  • Việc áp dụng các giải pháp bảo vệ quyền riêng tư và tối ưu hóa phân tầng có thể dẫn đến sự đánh đổi (trade-off) làm suy giảm độ chính xác của mô hình phân loại.

Từ bối cảnh trên, khóa luận xác định 5 mục tiêu nghiên cứu cụ thể:

  1. Xây dựng dịch vụ cộng tác săn tìm mối đe dọa trong mạng khả lập trình dựa trên phương pháp học sâu liên kết.
  2. Tích hợp kỹ thuật quyền riêng tư khác biệt (Differential Privacy) trong quá trình huấn luyện học sâu liên kết để đảm bảo quyền riêng tư dữ liệu người dùng.
  3. Triển khai kiến trúc dịch vụ vi mô (Microservices) cho dịch vụ săn tìm mối đe dọa trong mạng khả lập trình.
  4. Tận dụng ý tưởng của điện toán biên di động (Mobile Edge Computing) để xây dựng phương pháp học sâu liên kết nhiều tầng (HybridFL) nhằm giảm thiểu chi phí truyền thông.
  5. Thực hiện các kịch bản thực nghiệm khác nhau để đánh giá hiệu suất, ưu và nhược điểm của từng giải pháp.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Phương pháp học sâu liên kết ứng dụng mô hình Mạng nơ-ron sâu (Deep Neural Network - DNN) và Mạng bộ nhớ dài-ngắn hạn (Long Short Term Memory - LSTM); kỹ thuật quyền riêng tư khác biệt; kiến trúc dịch vụ vi mô; kiến trúc điện toán biên di động phân tầng (HybridFL); cấu trúc mạng khả lập trình SDN.
  • Phạm vi kỹ thuật và dữ liệu: Hệ thống được xây dựng bằng ngôn ngữ Python với các thư viện PyTorch, Flask và thư viện Opacus (hỗ trợ Differential Privacy); mô hình mạng SDN được mô phỏng với ONOS Controller và Containernet; tập dữ liệu đánh giá là bộ dữ liệu chuẩn CIC-DDoS2019 (tập trung vào hai loại lưu lượng tấn công LDAP và SYN).

Cơ sở lý thuyết và phương pháp

Khóa luận thiết lập nền tảng nghiên cứu dựa trên các lý thuyết và mô hình chuyên ngành:

  • Học máy và Học sâu: Sử dụng các giải thuật học có giám sát phục vụ bài toán phân lớp lưu lượng mạng nhị phân và đa lớp. Khóa luận triển khai hai kiến trúc mạng nơ-ron chính là Deep Neural Network (DNN) và Long Short Term Memory (LSTM), kết hợp các hàm kích hoạt (ReLU, Sigmoid, Tanh), hàm mất mát (Cross Entropy, RMSE) và thuật toán tối ưu hóa suy giảm độ dốc (Gradient Descent / Mini-Batch Gradient Descent).
  • Học liên kết (Federated Learning) và Mô hình nhiều tầng (HybridFL): Cơ chế phân tán cho phép các nút mạng tính toán cập nhật trọng số cục bộ ($W, b$) trên dữ liệu riêng tư, sau đó tổng hợp tại máy chủ biên (Edge Tier) và máy chủ đám mây (Cloud Tier) theo kiến trúc điện toán biên di động nhằm giảm tải lưu lượng đường trục và rút ngắn thời gian hội tụ.
  • Quyền riêng tư khác biệt (Differential Privacy - DP): Cung cấp sự đảm bảo toán học chống lại các kỹ thuật tấn công dịch ngược mô hình thông qua việc bổ sung nhiễu đã được hiệu chỉnh (đặc trưng bởi chỉ số epsilon $\epsilon$) vào trọng số mô hình trước khi truyền thông.
  • Khung lý thuyết săn tìm mối đe dọa (Threat Hunting): Dựa trên chu trình săn tìm 6 giai đoạn (Purpose, Scope, Equip, Plan Review, Execute, Feedback), kết hợp khung phân tích Cyber Kill Chain (Lockheed Martin, MITRE ATT&CK) và mô hình kim cương (Diamond Model gồm 4 thành phần: Adversary, Infrastructure, Capability, Victim) nhằm chủ động xác định hành vi bất thường.
  • Mạng khả lập trình (SDN): Kiến trúc 3 lớp gồm Lớp Ứng dụng (Application Layer), Lớp Điều khiển (Control Layer - ONOS Controller) và Lớp Cơ sở hạ tầng (Infrastructure Layer). Giao thức OpenFlow đóng vai trò giao tiếp chuẩn hóa phía Nam (Southbound Interface) giữa Controller và OpenFlow Switch (quản lý Flow Table, Group Table, OpenFlow Secure Channel).
  • Kiến trúc dịch vụ vi mô (Microservices): Đóng gói các module chức năng (huấn luyện, thu thập lưu lượng, tổng hợp tham số) thành các container độc lập giao tiếp qua HTTP API.
Tiêu chí Mạng khả lập trình (SDN) Mạng truyền thống
Cơ chế quản lý Quản lý tập trung qua Controller Quản lý phân tán trên từng thiết bị
Khả năng lập trình Có thể lập trình trực tiếp qua phần mềm Cấu hình thủ công, không thể lập trình
Phân tách luồng Luồng dữ liệu và luồng điều khiển tách biệt Luồng dữ liệu và điều khiển đi liền nhau
Khả năng mở rộng Cao, triển khai cấu hình nhanh chóng Thấp, tốn nhiều thời gian cấu hình
Bản chất thiết bị Thiết bị ảo hóa, trừu tượng hóa phần mềm Thiết bị phần cứng chuyên dụng
Tiêu chí Điện toán biên (Edge Computing) Điện toán đám mây (Cloud Computing)
Vị trí xử lý Tại rìa mạng, gần nguồn tạo dữ liệu Tại các trung tâm dữ liệu tập trung (Data Center)
Độ trễ Rất thấp, đáp ứng thời gian thực Cao hơn do quãng đường truyền tải dữ liệu xa
Băng thông mạng Giảm thiểu lưu lượng truyền về trục chính Dễ tắc nghẽn khi hàng tỷ thiết bị cùng gửi dữ liệu
Bảo mật dữ liệu Dữ liệu được xử lý sơ bộ tại chỗ Nguy cơ bị chặn bắt trên đường truyền xa

Phương pháp nghiên cứu: Nghiên cứu kết hợp phương pháp lý thuyết và thực nghiệm định lượng:

  • Thiết kế mô hình toán học và thuật toán cho quy trình huấn luyện học sâu liên kết tích hợp Differential Privacy.
  • Xây dựng hệ thống mạng SDN mô phỏng bằng Containernet kết hợp Docker và ONOS Controller.
  • Tiền xử lý dữ liệu và đánh giá định lượng trên bộ dữ liệu CIC-DDoS2019 thông qua các chỉ số True Positive (TP), True Negative (TN), False Positive (FP), False Negative (FN), Accuracy, Precision, Recall và F1-Score.

Thiết kế và triển khai

Hệ thống săn tìm mối đe dọa được thiết kế theo cấu trúc dịch vụ vi mô phân tầng, tích hợp trong môi trường SDN:

  • Kiến trúc phân tầng:
    • Tầng biên (Edge Tier): Gồm các thiết bị mạng và máy chủ biên được container hóa (Docker). Tại đây diễn ra quá trình thu thập gói tin mạng và huấn luyện mô hình học sâu cục bộ (Local Training) bằng PyTorch. Thư viện Opacus được tích hợp để chèn nhiễu Differential Privacy trực tiếp vào đạo hàm trọng số trước khi cập nhật.
    • Tầng đám mây (Cloud Tier): Chịu trách nhiệm khởi tạo tham số (Initialization), quản lý tài nguyên (Resource Manager), lập lịch (Scheduler), điều phối dịch vụ vi mô (Deployer/Service Manager) và thực hiện tổng hợp tham số toàn cục (Parameter Aggregation) để phát tán mô hình hoàn chỉnh (Global Update).
  • Môi trường triển khai:
    • Mô phỏng SDN: Sử dụng công cụ Containernet để giả lập topo mạng chứa các OpenFlow Switch kết nối với các nút Docker (đóng vai trò máy chủ biên và máy trạm).
    • Bộ điều khiển (SDN Controller): Sử dụng ONOS Controller để quản lý luồng dữ liệu thông qua giao thức OpenFlow.
    • Dịch vụ vi mô: Các thành phần dịch vụ giao tiếp nội bộ thông qua các hàm API viết trên nền Flask.
  • Quy trình bắt và phân loại lưu lượng: Dịch vụ bắt lưu lượng hoạt động trên các máy Docker trong Containernet, trích xuất đặc trưng và nạp vào mô hình học sâu (DNN/LSTM) đã được huấn luyện liên kết để đưa ra quyết định phân loại lưu lượng bình thường hay độc hại theo thời gian thực.

Nội dung chính theo từng chương

Chương 1: Giới thiệu bài toán và các nghiên cứu liên quan

Chương 1 thiết lập bức tranh tổng thể về các lỗ hổng bảo mật trong mạng khả lập trình SDN khi ứng dụng công nghệ ảo hóa. Tác giả phân tích các nghiên cứu liên quan về hệ thống phát hiện đe dọa dựa trên học máy tập trung, chỉ ra hạn chế về chi phí truyền thông và quyền riêng tư dữ liệu. Từ đó, chương này đề xuất mô hình dịch vụ săn tìm mối đe dọa dựa trên học liên kết và dịch vụ vi mô (Microservices), đồng thời xác định 5 mục tiêu nghiên cứu, đối tượng, phạm vi và bố cục 5 chương của khóa luận.

Chương 2: Cơ sở lý thuyết

Chương 2 trình bày có hệ thống các khái niệm nền tảng:

  • Trí tuệ nhân tạo, Học máy và Học sâu: Phân biệt học có giám sát, không giám sát, bán giám sát và học tăng cường; phân tích nguyên lý hoạt động của mạng nơ-ron, các hàm kích hoạt, hàm mất mát và thuật toán Gradient Descent.
  • Học liên kết (FL): Quy trình huấn luyện phân tán, trao đổi trọng số thay vì dữ liệu thô, cùng các thách thức về dữ liệu không đồng nhất và nguy cơ tấn công đảo ngược.
  • Quyền riêng tư khác biệt (DP): Cơ sở toán học của việc thêm nhiễu tham số $\epsilon$ nhằm bảo vệ dữ liệu cục bộ.
  • Săn tìm mối đe dọa (Threat Hunting): Trình bày các mô hình Cyber Kill Chain, ma trận MITRE ATT&CK, mô hình kim cương (Diamond Model) và chu trình 6 bước săn tìm.
  • Mạng khả lập trình (SDN) và Giao thức OpenFlow: Cấu trúc 3 lớp của SDN, cơ chế hoạt động của Flow Table, Group Table trong OpenFlow Switch.
  • Điện toán biên di động (MEC) và Kiến trúc Dịch vụ vi mô: So sánh chi tiết giữa điện toán biên và điện toán đám mây, giữa kiến trúc dịch vụ vi mô và kiến trúc một khối (Monolith).

Chương 3: Phương pháp nghiên cứu

Chương 3 tập trung mô tả chi tiết phương pháp đề xuất:

  • Thiết kế cấu trúc dịch vụ săn tìm mối đe dọa dựa trên học sâu liên kết nhiều tầng trong mạng SDN.
  • Xây dựng luồng hoạt động tích hợp kỹ thuật Quyền riêng tư khác biệt (Differential Privacy) trong quá trình huấn luyện mô hình liên kết.
  • Trình bày thuật toán huấn luyện học sâu liên kết nhiều tầng (HybridFL) có tích hợp DP.
  • Thiết kế chi tiết cấu trúc mạng nơ-ron sâu (DNN) và mạng nơ-ron hồi quy bộ nhớ dài-ngắn hạn (LSTM).
  • Thiết kế mô hình mạng khả lập trình phục vụ cho việc tích hợp bộ điều khiển ONOS và phân loại lưu lượng mạng.

Chương 4: Thực nghiệm và đánh giá

Chương 4 mô tả toàn bộ quá trình triển khai thực nghiệm và phân tích dữ liệu:

  • Thiết lập môi trường thực nghiệm với ONOS Controller, Containernet và Docker.
  • Đặc tả và tiền xử lý tập dữ liệu chuẩn CIC-DDoS2019 (tập ngày 01-12 và 03-11), trích xuất và xử lý mất cân bằng nhãn cho hai tập con tấn công là LDAP và SYN.
  • Thiết lập các tiêu chí đánh giá toán học gồm TP, TN, FP, FN, Accuracy, Precision, Recall và F1-Score.
  • Đánh giá định lượng kết quả huấn luyện của 4 cấu hình mô hình (FL, FL+DP, HybridFL, HybridFL+DP) áp dụng trên 2 kiến trúc mạng (DNN, LSTM) đối với 2 tập dữ liệu LDAP và SYN.
  • Đo lường và đánh giá chi phí truyền thông liên lạc giữa mô hình FL truyền thống và mô hình HybridFL.
  • Triển khai dịch vụ săn tìm mối đe dọa trong mạng SDN mô phỏng, thực hiện bắt lưu lượng thực tế và phân loại theo 3 kịch bản: 100% tấn công, 100% lành tính, và lưu lượng kết hợp cả hai mẫu.

Chương 5: Kết luận và hướng phát triển

Chương 5 tổng kết các kết quả đạt được, phân tích các thuận lợi và khó khăn kỹ thuật trong quá trình thực hiện khóa luận. Tác giả đánh giá mức độ hoàn thành so với mục tiêu đề ra và đưa ra các đề xuất định hướng phát triển nghiên cứu tiếp theo.

Kết quả và đóng góp

Khóa luận đạt được các kết quả kỹ thuật và đóng góp học thuật cụ thể:

  • Hiệu năng mô hình học sâu liên kết: Các mô hình DNN và LSTM khi huấn luyện theo phương pháp học liên kết (FL) và học liên kết nhiều tầng (HybridFL) đều đạt khả năng phát hiện chính xác các hành vi tấn công DDoS (LDAP và SYN) trên bộ dữ liệu CIC-DDoS2019. Kiến trúc LSTM cho thấy sự phù hợp cao trong việc nhận diện đặc trưng chuỗi thời gian của lưu lượng mạng.
  • Đánh giá tác động của Quyền riêng tư khác biệt (Differential Privacy): Kỹ thuật DP với thư viện Opacus đã bảo vệ thành công tính toán học của trọng số mô hình trước các nguy cơ tấn công dịch ngược dữ liệu. Thực nghiệm chỉ ra sự đánh đổi rõ ràng: việc chèn nhiễu $\epsilon$ làm giảm nhẹ độ chính xác tổng thể của mô hình, và độ suy giảm này thể hiện rõ rệt hơn đối với các mô hình phức tạp có nhiều tầng trọng số.
  • Tối ưu hóa chi phí truyền thông qua HybridFL: Mô hình học liên kết nhiều tầng (kết hợp cấp độ biên Edge Tier và cấp độ đám mây Cloud Tier) đã chứng minh khả năng giảm tải đáng kể chi phí truyền thông và thời gian trao đổi thông số so với mô hình FL tập trung truyền thống, nhờ cơ chế tổng hợp cục bộ tại biên trước khi chuyển lên máy chủ toàn cục.
Mô hình huấn luyện Kỹ thuật tích hợp Mục tiêu chính Tác động hiệu năng
FL tiêu chuẩn Học liên kết 1 tầng Huấn luyện phân tán, giữ dữ liệu tại chỗ Độ chính xác cao, chi phí truyền thông cao
FL + DP FL + Differential Privacy Ngăn chặn tấn công dịch ngược trọng số Độ chính xác giảm nhẹ do thêm nhiễu $\epsilon$
HybridFL FL nhiều tầng (MEC) Giảm chi phí truyền thông, tăng tốc hội tụ Tiết kiệm băng thông, giảm độ trễ trao đổi
HybridFL + DP FL nhiều tầng + DP Đảm bảo riêng tư và tối ưu hóa truyền thông Giải pháp toàn diện, chấp nhận đánh đổi độ chính xác
  • Triển khai thực tế trên mạng SDN: Đã đóng gói thành công hệ thống dưới dạng các dịch vụ vi mô trên Docker, kết nối hoạt động cùng bộ điều khiển ONOS Controller trong môi trường Containernet. Kết quả phân loại lưu lượng thời gian thực cho thấy hệ thống nhận diện chính xác 100% trong kịch bản mẫu tấn công độc hại, 100% trong kịch bản mẫu lưu lượng lành tính, và phân tách ổn định trong kịch bản lưu lượng hỗn hợp.
  • Đóng góp khoa học: Đề xuất một kiến trúc kết hợp hoàn chỉnh giữa Học sâu liên kết nhiều tầng, Quyền riêng tư khác biệt, Điện toán biên di động và Kiến trúc dịch vụ vi mô, giải quyết đồng thời hai bài toán cốt lõi trong bảo mật SDN: bảo vệ quyền riêng tư dữ liệu phân tán và giảm tải chi phí truyền thông mạng.

Hạn chế và hướng nghiên cứu tiếp

Khóa luận tự chỉ ra một số hạn chế và hướng mở nghiên cứu:

  • Hạn chế:
    • Kỹ thuật Quyền riêng tư khác biệt (Differential Privacy) gây suy giảm độ chính xác của mô hình khi thêm nhiễu $\epsilon$, đặc biệt đối với các mô hình mạng nơ-ron sâu phức tạp có số lượng trọng số lớn.
    • Hệ thống học sâu liên kết nhiều tầng (HybridFL) tuy giảm tải được chi phí truyền thông nhưng có sự suy giảm nhẹ về độ chính xác khi số vòng huấn luyện (training rounds) tăng cao.
    • Các kịch bản thực nghiệm mới chỉ tập trung vào bài toán phát hiện tấn công DDoS (dạng thức LDAP và SYN) trên tập dữ liệu mô phỏng CIC-DDoS2019 trong môi trường Containernet, chưa mở rộng ra các dạng tấn công nâng cao khác (như APT, tấn công nhắm đích) trên môi trường phần cứng mạng thực tế.
  • Hướng nghiên cứu tiếp:
    • Tối ưu hóa thuật toán thêm nhiễu của Differential Privacy nhằm thu hẹp khoảng cách đánh đổi giữa mức độ bảo mật quyền riêng tư và độ chính xác phân loại.
    • Thử nghiệm mô hình trên các tập dữ liệu mạng đa dạng hơn với nhiều kịch bản tấn công và bất thường mạng khác nhau.
    • Mở rộng triển khai hệ thống trên môi trường thiết bị mạng phần cứng thực tế và phát triển cơ chế tự động cấu hình luật chuyển mạch (Flow Rules) trên SDN Controller để ngăn chặn tấn công tức thời khi phát hiện đe dọa.

Giá trị tham khảo

Khóa luận là tài liệu tham khảo chuyên sâu cho các đối tượng và nội dung sau:

  • Đối tượng sử dụng:
    • Sinh viên, học viên cao học chuyên ngành An toàn thông tin, Mạng máy tính và Truyền thông, Khoa học dữ liệu và Trí tuệ nhân tạo.
    • Các kỹ sư an ninh mạng, kiến trúc sư hệ thống mạng đang nghiên cứu ứng dụng mô hình học máy phân tán trên nền tảng mạng khả lập trình SDN và kiến trúc Microservices.
  • Nội dung giá trị:
    • Chương 2: Cung cấp tài liệu tổng hợp đầy đủ về cơ chế hoạt động của mạng SDN (giao thức OpenFlow), chu trình Threat Hunting chuẩn hóa (Kill Chain, Diamond Model), nguyên lý toán học của Differential Privacy và quy trình huấn luyện Federated Learning.
    • Chương 3 & 4: Cung cấp thiết kế kiến trúc hệ thống HybridFL + DP, thuật toán huấn luyện chi tiết cho DNN và LSTM, phương pháp xử lý dữ liệu CIC-DDoS2019 và quy trình thiết lập môi trường thử nghiệm thực tế với ONOS Controller, Containernet và Docker.

Câu hỏi thường gặp

1. Tại sao học liên kết (Federated Learning) tiêu chuẩn vẫn cần tích hợp thêm kỹ thuật Quyền riêng tư khác biệt (Differential Privacy)?
Trong học liên kết, dù các bên tham gia không chia sẻ dữ liệu thô mà chỉ trao đổi thông số cập nhật mô hình cục bộ ($W, b$), kẻ tấn công vẫn có thể sử dụng các kỹ thuật phân tích và dịch ngược mô hình (reverse engineering / model inversion) để khôi phục lại dữ liệu ban đầu của người dùng. Kỹ thuật Quyền riêng tư khác biệt (Differential Privacy) giải quyết nguy cơ này bằng cách đưa thêm một lượng nhiễu toán học đã được kiểm soát (đặc trưng bởi chỉ số $\epsilon$) vào trọng số mô hình trước khi truyền đi, đảm bảo tính bảo mật dữ liệu ở mức toán học.

2. Mô hình học liên kết nhiều tầng (HybridFL) mang lại lợi ích gì so với mô hình học liên kết truyền thống?
Trong mô hình học liên kết truyền thống, tất cả các thiết bị đều phải gửi cập nhật mô hình trực tiếp lên máy chủ đám mây trung tâm, gây tắc nghẽn băng thông và độ trễ lớn. HybridFL tận dụng kiến trúc Điện toán biên di động (MEC) với hai cấp độ tổng hợp: tổng hợp cục bộ tại máy chủ biên (Edge Tier) và tổng hợp toàn cục tại máy chủ đám mây (Cloud Tier). Cấu trúc này đưa quá trình xử lý đến gần nguồn dữ liệu hơn, giúp giảm chi phí truyền thông liên lạc, tiết kiệm năng lượng và tăng tốc độ hội tụ của mô hình toàn cục.

3. Khóa luận sử dụng các kiến trúc học sâu nào và tập dữ liệu nào để thực nghiệm?
Khóa luận triển khai hai kiến trúc mạng học sâu là Mạng nơ-ron sâu (Deep Neural Network - DNN) và Mạng bộ nhớ dài-ngắn hạn (Long Short Term Memory - LSTM). Dữ liệu thực nghiệm được trích xuất từ bộ dữ liệu chuẩn CIC-DDoS2019 (tập ngày 01-12 và 03-11), tập trung vào hai dạng lưu lượng tấn công từ chối dịch vụ phân tán là LDAP và SYN.

4. Sự khác biệt cốt lõi giữa mạng khả lập trình (SDN) và mạng truyền thống được trình bày trong khóa luận là gì?
Mạng truyền thống tích hợp cả luồng dữ liệu (Data Plane) và luồng điều khiển (Control Plane) trên từng thiết bị phần cứng riêng lẻ, đòi hỏi cấu hình thủ công và khó mở rộng. Ngược lại, mạng SDN phân tách hoàn toàn hai luồng này: luồng điều khiển được tập trung hóa tại bộ điều khiển mạng (SDN Controller) có thể lập trình được qua phần mềm, còn các thiết bị chuyển mạch (OpenFlow Switch) ở luồng dữ liệu chỉ đảm nhiệm chức năng chuyển tiếp gói tin theo các quy tắc nhận từ Controller.

5. Bộ công cụ và môi trường nào được sử dụng để xây dựng và kiểm thử hệ thống mạng SDN trong khóa luận?
Hệ thống sử dụng nền tảng Containernet để giả lập topo mạng SDN chứa các OpenFlow Switch kết nối với các container Docker (đóng vai trò máy trạm và máy chủ biên). Bộ điều khiển mạng được sử dụng là ONOS Controller, giao tiếp với các switch thông qua giao thức OpenFlow. Mô hình học sâu và thuật toán huấn luyện liên kết được lập trình bằng Python, PyTorch, Opacus và đóng gói dịch vụ qua Flask.

Kết luận

Khóa luận tốt nghiệp của tác giả Trần Công Phát và Dương Mai Phương đã nghiên cứu và xây dựng thành công dịch vụ săn tìm mối đe dọa trong mạng khả lập trình SDN dựa trên phương pháp học sâu liên kết nhiều tầng (HybridFL). Bằng việc tích hợp kỹ thuật Quyền riêng tư khác biệt (Differential Privacy) và kiến trúc dịch vụ vi mô (Microservices), đề tài đã giải quyết đồng thời bài toán bảo vệ quyền riêng tư dữ liệu cục bộ và bài toán tối ưu hóa chi phí truyền thông trong môi trường mạng phân tán. Kết quả thử nghiệm trên bộ dữ liệu CIC-DDoS2019 cùng môi trường mô phỏng ONOS Controller và Containernet đã chứng minh tính khả thi, hiệu năng phân loại lưu lượng tấn công chính xác và giá trị ứng dụng thực tiễn của giải pháp.