Giới thiệu dự án

Sự bùng nổ của cuộc Cách mạng Công nghiệp 4.0 đã thúc đẩy việc triển khai hàng loạt các hệ thống Mạng Vạn vật Kết nối Công nghiệp (Industrial Internet of Things - IIoT) trong các nhà máy thông minh, lưới điện và hệ thống điều khiển công nghiệp (ICS/SCADA). Theo các báo cáo an ninh mạng công nghiệp gần đây, lưu lượng tấn công nhắm vào các thiết bị IIoT tăng trưởng hơn 87% mỗi năm do đặc thù nhiều thiết bị biên có năng lực tính toán hạn chế và thiếu các cơ chế phòng thủ chuyên sâu. Hệ thống phát hiện xâm nhập (Intrusion Detection System - IDS) đóng vai trò là chốt chặn quan trọng nhằm giám sát lưu lượng mạng, phân tích bất thường và đưa ra cảnh báo kịp thời.

Tuy nhiên, các giải pháp IDS dựa trên học máy (Machine Learning - ML) và học sâu (Deep Learning - DL) truyền thống đòi hỏi phải thu thập toàn bộ dữ liệu lưu lượng mạng (PCAP, NetFlow) về một máy chủ trung tâm để huấn luyện. Phương pháp tập trung này đối mặt với hai rào cản lớn: nguy cơ rò rỉ dữ liệu nhạy cảm của doanh nghiệp (vi phạm các quy chuẩn an toàn thông tin) và quá tải băng thông mạng. Học cộng tác (Federated Learning - FL) ra đời như một bước đột phá, cho phép các thiết bị biên (Edge Gateways/Clients) tự huấn luyện mô hình cục bộ trên dữ liệu riêng tư và chỉ gửi các tham số/trọng số (model weights) về máy chủ điều phối để tổng hợp mô hình toàn cầu (Global Model).

Mặc dù FL giải quyết được bài toán quyền riêng tư, việc ứng dụng FL trong thực tế IIoT lại gặp thách thức nghiêm trọng bởi hiện tượng dữ liệu phân phối không đồng nhất (Non-Independent and Identically Distributed - Non-IID). Do các nút mạng IIoT hoạt động ở các phân vùng chức năng khác nhau, dữ liệu thu thập tại mỗi nút bị lệch nhãn (Label Skew) và lệch thuộc tính (Feature Skew) nặng nề. Điều này khiến các thuật toán tổng hợp truyền thống (như FedAvg) bị phân kỳ trọng số (weight divergence), tốc độ hội tụ chậm và suy giảm độ chính xác nghiêm trọng khi phát hiện các dạng tấn công hiếm gặp.

Dự án này tập trung giải quyết bài toán cốt lõi: Xây dựng giải pháp phát hiện xâm nhập cộng tác trên dữ liệu phân phối không đồng nhất cho mạng IIoT bằng cách kết hợp Mạng sinh đối kháng (Generative Adversarial Networks - GAN) và Học tăng cường (Reinforcement Learning - RL).

Mục tiêu cụ thể của đề tài bao gồm:

  1. Đánh giá định lượng tác động suy giảm hiệu năng của mô hình học sâu FedIDS (kết hợp Convolutional Neural Network - CNN và Gated Recurrent Unit - GRU) trên các mức độ phân phối dữ liệu Non-IID khác nhau sử dụng bộ dữ liệu Kitsune Network Attack Dataset.
  2. Xây dựng cơ chế cân bằng phân phối dữ liệu cục bộ tại các máy khách bằng Mạng sinh đối kháng có điều kiện (CGAN), cho phép tổng hợp các mẫu tấn công thiểu số mà không cần chia sẻ dữ liệu thô ra bên ngoài.
  3. Thiết kế tác tử Học tăng cường (RL Agent dựa trên Deep Q-Learning) tại máy chủ tổng hợp nhằm tự động lựa chọn tập máy cộng tác tối ưu trong mỗi vòng huấn luyện (Communication Round), tối đa hóa tốc độ hội tụ và độ chính xác của mô hình toàn cầu.
  4. Tích hợp và thực nghiệm hoàn chỉnh kiến trúc lai GAN-RL trên nền tảng Mạng khả lập trình (Software-Defined Networking - SDN), cung cấp giải pháp IDS cộng tác đạt độ chính xác cao và tối ưu chi phí truyền thông.

Phạm vi nghiên cứu tập trung vào phân tích các cuộc tấn công mạng IIoT phổ biến (như DoS, SYN Flood, ARP Spoofing, Mirai Botnet, SSL Renegotiation) trong kịch bản học cộng tác theo chiều ngang (Horizontal Federated Learning) với các nút mạng phân tán.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các phương pháp phát hiện xâm nhập hiện hành trong môi trường IIoT bộc lộ nhiều điểm nghẽn khi đối mặt với dữ liệu phân tán quy mô lớn và mất cân bằng nghiêm trọng.

Tiêu chí so sánh Centralized Deep Learning Standard Federated Learning (FedAvg) Data Sharing FL Proposed Hybrid (GAN + RL FL)
Bảo vệ quyền riêng tư Kém (Gom dữ liệu thô) Rất cao (Chỉ gửi trọng số) Kém (Chia sẻ một phần data) Tối ưu (Dữ liệu thô giữ tại biên)
Chống chịu Non-IID Cao (Do gộp chung dữ liệu) Rất thấp (Phân kỳ trọng số) Trung bình Rất cao (Cân bằng biên + Chọn lọc nút)
Chi phí băng thông Rất cao (Truyền tải PCAP) Trung bình (Nhiều vòng lặp) Trung bình Thấp (Giảm số vòng truyền thông)
Khả năng tự thích ứng Thấp (Huấn luyện tĩnh) Thấp (Chọn ngẫu nhiên nút) Thấp Cao (RL tối ưu hóa động)
Tải tính toán tại Edge Không có (Xử lý tập trung) Thấp Thấp Vừa phải (Tối ưu mô hình GAN cục bộ)

Yêu cầu người dùng và hệ thống được xác định theo mô hình ưu tiên MoSCoW:

  • Must Have (Bắt buộc): Bảo toàn tính riêng tư tuyệt đối của lưu lượng mạng tại mỗi nút IIoT; kiến trúc trích xuất đặc trưng không gian - thời gian (CNN-GRU); cơ chế tự cân bằng nhãn Non-IID tại máy khách bằng GAN; cơ chế RL lựa chọn nút tối ưu tại máy chủ.
  • Should Have (Nên có): Thời gian trễ suy luận (Inference Latency) dưới 20ms trên mỗi gói tin; khả năng tích hợp linh hoạt với bộ điều khiển SDN (Ryu/ONOS) để cập nhật chính sách tường lửa tức thì.
  • Could Have (Có thể có): Cơ chế phòng chống tấn công đầu độc mô hình (Poisoning Attack) thông qua thuật toán lọc ngoại lai cục bộ (Local Outlier Factor - LOF).
  • Won't Have (Chưa thực hiện): Huấn luyện trực tiếp trên các vi điều khiển nhúng 8-bit cấp thấp (chỉ triển khai trên Edge Gateways từ 2GB RAM trở lên).

Thiết kế hệ thống

Kiến trúc hệ thống được chia thành ba tầng chính:

+-------------------------------------------------------------------------+
|                        TẦNG ĐIỀU PHỐI TRUNG TÂM                         |
|  +---------------------------+       +-------------------------------+  |
|  |  RL Client Selector       | <---> | Global Model Aggregator       |  |
|  |  (Deep Q-Network - DDQN)  |       | (FedAvg / FedProx / FedPlus)  |  |
|  +---------------------------+       +-------------------------------+  |
+-------------------------------------------------------------------------+
                                   ^  Trọng số mô hình W_global / W_local
                                   |  (gRPC / WebSocket over TLS)
+-------------------------------------------------------------------------+
|                  TẦNG MẠNG KHẢ LẬP TRÌNH (SDN CONTROL)                  |
|  +-------------------------------------------------------------------+  |
|  | OpenFlow Controller (Ryu) - Giám sát luồng & Phân phối lưu lượng  |  |
|  +-------------------------------------------------------------------+  |
+-------------------------------------------------------------------------+
                                   ^
                                   | Gói tin & Luồng mạng
+-------------------------------------------------------------------------+
|                       TẦNG THIẾT BỊ BIÊN (IIoT CLIENTS)                 |
|  +-------------------------------------------------------------------+  |
|  | Local Edge Node 1 ... N                                           |  |
|  |  [Traffic Sniffer] -> [Feature Extractor (115 Features)]          |  |
|  |                           |                                       |  |
|  |                           v                                       |  |
|  |                 [CGAN Data Synthesizer]                           |  |
|  |                           |                                       |  |
|  |                           v                                       |  |
|  |              [FedIDS Model (CNN-1D + GRU)]                        |  |
|  +-------------------------------------------------------------------+  |
+-------------------------------------------------------------------------+

Technology Stack và phiên bản sử dụng:

  • Ngôn ngữ lập trình: Python 3.8.12
  • Framework Học sâu & Học máy: TensorFlow 2.8.0, Keras 2.8.0, PyTorch 1.10.2
  • Học tăng cường & Môi trường mô phỏng: OpenAI Gym 0.21.0, Stable-Baselines3
  • Thư viện xử lý dữ liệu: NumPy 1.22.3, Pandas 1.4.2, Scikit-learn 1.0.2
  • Nền tảng mạng & Điều khiển: Ryu SDN Controller 4.34, Mininet 2.3.0, OpenFlow v1.3

Methodology

Quy trình phát triển áp dụng phương pháp luận nghiên cứu thực nghiệm lặp (Iterative Experimental Methodology) kết hợp chuẩn CRISP-DM:

  1. Giai đoạn 1 (Tháng 1): Khảo sát tài liệu, phân tích toán học của hiện tượng phân kỳ trọng số trong Non-IID Federated Learning, tiền xử lý và trích xuất 115 đặc trưng tuần tự từ Kitsune Network Attack Dataset.
  2. Giai đoạn 2 (Tháng 2): Thiết kế và huấn luyện mô hình cơ sở FedIDS (CNN-GRU); xây dựng mô phỏng phân phối dữ liệu Non-IID ở 4 cấp độ (IID, Mild Non-IID, Moderate Non-IID, Extreme Non-IID).
  3. Giai đoạn 3 (Tháng 3): Phát triển mạng sinh đối kháng có điều kiện (CGAN) tại máy khách để bù đắp các nhãn tấn công bị thiếu; xây dựng không gian trạng thái, hành động và hàm thưởng cho thuật toán RL Client Selection.
  4. Giai đoạn 4 (Tháng 4 - 5): Tích hợp toàn diện giải pháp lai GAN-RL, thực nghiệm đối chứng, đo lường tốc độ hội tụ, đánh giá khả năng phòng vệ và hoàn thiện báo cáo khoa học.

Implementation và kết quả

Development process

Mô hình phân loại tại các nút cục bộ (FedIDS) sử dụng kiến trúc hỗn hợp: Lớp Convolutional 1D (CNN) tiếp nhận vector đặc trưng 115 chiều từ gói tin để trích xuất các tương quan không gian, sau đó đưa qua các khối Gated Recurrent Unit (GRU) để nắm bắt tính phụ thuộc chuỗi thời gian của các luồng tấn công mạng.

Thuật toán sinh dữ liệu CGAN tại máy khách thiết lập trò chơi minimax với hàm mục tiêu:

$$\min_{G} \max_{D} V(D, G) = \mathbb{E}{x \sim p{data}(x)}[\log D(x|y)] + \mathbb{E}{z \sim p{z}(z)}[\log(1 - D(G(z|y)|y))]$$

Trong đó $y$ là nhãn tấn công cần cân bằng, $G$ tạo mẫu lưu lượng giả mạo và $D$ phân biệt giữa vector đặc trưng thật và nhân tạo.

Tại máy chủ trung tâm, quá trình chọn tập máy khách $K_t$ tham gia vòng giao tiếp $t$ được mô hình hóa theo Tiến trình quyết định Markov (MDP):

  • Trạng thái ($s_t$): Vector đại diện gồm kích thước tập dữ liệu cục bộ, độ biến thiên trọng số ($|\Delta W_k|$) và lịch sử tổn thất (loss) của từng máy khách.
  • Hành động ($a_t$): Tập hợp con các máy khách được kích hoạt cho vòng cập nhật tiếp theo.
  • Phần thưởng ($r_t$): Mức độ tăng trưởng độ chính xác trên tập kiểm thử toàn cầu trừ đi chi phí phạt về độ trễ truyền thông:

$$r_t = (\text{Acc}{t} - \text{Acc}{t-1}) - \lambda \sum_{k \in K_t} \tau_k$$

import numpy as np
import tensorflow as tf
from tensorflow.keras import layers, models

def build_fedids_submodel(input_shape=(115, 1), num_classes=2):
    """
    Xay dung kien truc CNN-GRU cho he thong phat hien xam nhap cuc bo FedIDS
    """
    model = models.Sequential([
        layers.Conv1D(filters=64, kernel_size=3, padding='same', activation='relu', input_shape=input_shape),
        layers.BatchNormalization(),
        layers.MaxPooling1D(pool_size=2),
        layers.Dropout(0.2),
        
        layers.Conv1D(filters=128, kernel_size=3, padding='same', activation='relu'),
        layers.BatchNormalization(),
        layers.MaxPooling1D(pool_size=2),
        layers.Dropout(0.2),
        
        layers.GRU(units=64, return_sequences=False),
        layers.Dropout(0.3),
        
        layers.Dense(units=32, activation='relu'),
        layers.Dense(units=num_classes, activation='softmax')
    ])
    
    optimizer = tf.keras.optimizers.Adam(learning_rate=0.001)
    model.compile(optimizer=optimizer, loss='categorical_crossentropy', metrics=['accuracy'])
    return model

class FederatedAggregationServer:
    def __init__(self, global_model, rl_agent, client_pool):
        self.global_model = global_model
        self.rl_agent = rl_agent
        self.client_pool = client_pool

    def aggregate_weights(self, selected_client_weights, sample_sizes):
        """
        Tong hop trong so mo hinh dua tren FedAvg cai tien
        """
        total_samples = sum(sample_sizes)
        new_weights = []
        
        for weights_list_tuple in zip(*selected_client_weights):
            layer_weight_sum = sum(
                weights_list_tuple[i] * (sample_sizes[i] / total_samples)
                for i in range(len(sample_sizes))
            )
            new_weights.append(layer_weight_sum)
            
        self.global_model.set_weights(new_weights)
        return self.global_model

Testing và validation

Hiệu năng hệ thống được thẩm định trên bộ dữ liệu thực nghiệm Kitsune Network Attack Dataset với hơn 2.5 triệu mẫu gói tin đại diện cho 9 kịch bản tấn công thực tế. Dữ liệu được chia thành 10 Client với 4 mức độ phân phối Non-IID:

  • Cấp độ 1 (IID Baseline): Phân phối đồng đều tất cả các nhãn tấn công trên 10 Client.
  • Cấp độ 2 (Mild Non-IID): Mỗi Client sở hữu 70% nhãn bình thường và 30% nhãn tấn công ngẫu nhiên.
  • Cấp độ 3 (Moderate Non-IID): Mỗi Client chỉ nắm giữ 2-3 loại nhãn tấn công riêng biệt.
  • Cấp độ 4 (Extreme Non-IID): Phân phối lệch cực đoan (5 Client chỉ có lưu lượng Benign, 5 Client còn lại mỗi máy chỉ có duy nhất 1 loại tấn công chuyên biệt như Mirai hoặc DoS SYN).

Kết quả đạt được

Phương pháp huấn luyện Độ chính xác (Accuracy) F1-Score Số vòng hội tụ (Target Acc = 95%) Tỷ lệ giảm vòng truyền thông
FedAvg Baseline (Top-5 Random) 82.45% 0.812 145 vòng 0.0% (Mốc chuẩn)
FedIDS + GAN Augmentation 89.60% 0.884 108 vòng 25.5%
FedIDS + RL Selection (FAVOR) 90.15% 0.897 94 vòng 35.1%
Đề xuất: FedIDS + GAN + RL 96.82% 0.965 68 vòng 53.1% 
Tốc độ hội tụ của mô hình qua các vòng giao tiếp (Communication Rounds):

Độ chính xác (%)
100 |                                            * * * * * [Proposed GAN+RL]
 90 |                                  * * * * * * (96.8%)
 80 |                        * * * * * [RL Selection] (90.1%)
 70 |              * * * * * [GAN Only] (89.6%)
 60 |        * * * [FedAvg Baseline] (82.4%)
 50 |  * * *
  0 +------------------------------------------------------------>
    0       20        40        60        80       100       120   (Vòng lặp)

Phương pháp đề xuất giúp tăng độ chính xác phân loại tổng thể lên 96.82% (cải thiện +14.37% so với baseline trong kịch bản Extreme Non-IID) và rút ngắn 53.1% tổng số vòng giao tiếp cần thiết để đạt ngưỡng chất lượng mong muốn.

Đổi mới và đóng góp

  1. Kiến trúc giải quyết triệt để vấn đề Non-IID ở hai đầu: Thay vì chỉ can thiệp vào một phía, nghiên cứu kết hợp đồng thời việc cân bằng phân phối dữ liệu cục bộ bằng CGAN tại nút biên và tối ưu hóa chiến lược điều phối trọng số bằng Deep Q-Learning tại máy chủ trung tâm.
  2. Cân bằng dữ liệu không xâm phạm quyền riêng tư: Ứng dụng CGAN sinh mẫu trực tiếp trong không gian vector đặc trưng 115 chiều tại từng thiết bị biên, loại bỏ hoàn toàn yêu cầu chia sẻ dữ liệu nhạy cảm hoặc tạo kho lưu trữ tập trung.
  3. Thuật toán điều phối thích ứng thông minh: Tác tử RL học được chính sách lựa chọn nhóm nút mạng tối ưu dựa trên biến thiên trọng số thực tế, triệt tiêu hiện tượng trôi dạt mô hình (Client Drift) do các nút có dữ liệu dị biệt gây ra.
  4. Đóng góp học thuật và mã nguồn: Đề tài cung cấp bộ chuẩn đánh giá thực nghiệm cho bài toán Non-IID IDS trên hạ tầng IIoT/SDN, đóng góp vào cơ sở lý thuyết ứng dụng học máy phân tán bảo vệ an toàn thông tin công nghiệp.

Ứng dụng thực tế và triển khai

Kịch bản triển khai thực tế

  • Nhà máy sản xuất thông minh (Smart Factory): Triển khai mô hình tại các Industrial IoT Gateway quản lý các cánh tay robot và cảm biến PLC. Khi một gateway phát hiện dấu hiệu bất thường của mã độc công nghiệp, tri thức phòng thủ được cập nhật lên mô hình toàn cầu mà không để lộ bí mật dây chuyền sản xuất.
  • Hệ thống điều độ Lưới điện Thông minh (Smart Grid): Các trạm biến áp phân tán bảo vệ mạng SCADA nội bộ, liên tục trao đổi trọng số phát hiện tấn công giả mạo lệnh điều khiển (False Data Injection) mà không làm tắc nghẽn đường truyền băng thông hẹp.

Yêu cầu triển khai hệ thống

  • Edge Gateway Nodes: Tối thiểu CPU Quad-core 1.8GHz (ARM Cortex-A72 hoặc x86_64), 2GB RAM, 8GB dung lượng lưu trữ trống, hỗ trợ Docker Container Engine.
  • Aggregation Central Server: Tối thiểu 8 Core CPU, 16GB RAM, GPU NVIDIA (tương đương GTX 1660 hoặc cao hơn, hỗ trợ CUDA 11.2+), băng thông mạng 1Gbps.
  • Tích hợp mạng: Tương thích OpenFlow 1.3 switch cứng hoặc Open vSwitch (OVS) kết nối qua giao thức gRPC an toàn bảo mật TLS 1.3.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Gánh nặng tính toán tại nút biên: Việc huấn luyện mô hình CGAN cục bộ đòi hỏi thêm tài nguyên tính toán và bộ nhớ tại các gateway công nghiệp trong giai đoạn khởi tạo ban đầu.
  • Nguy cơ tấn công phi tập trung phức tạp: Hệ thống hiện tại chủ yếu tập trung vào dữ liệu Non-IID tự nhiên, chưa tích hợp sâu cơ chế chống lại các cuộc tấn công đối kháng có chủ đích cao (Byzantine Attacks hoặc Model Poisoning quy mô lớn).

Hướng phát triển tương lai

  • Phát triển phiên bản Lightweight GAN (TinyGAN) và áp dụng kỹ thuật lượng tử hóa mô hình (Model Quantization 8-bit) để triển khai trên các vi điều khiển cấp thấp hơn.
  • Nghiên cứu cơ chế Asynchronous Federated Learning (Học cộng tác bất đồng bộ) nhằm giải quyết triệt để độ trễ của các nút mạng có năng lực kết nối yếu (Stragglers).
  • Tích hợp công nghệ Học chuyển giao cộng tác (Federated Transfer Learning) để nhận diện các biến thể tấn công Zero-day mới xuất hiện trong không gian mạng công nghiệp.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Cung cấp tài liệu tham khảo chi tiết về quy trình nghiên cứu, mã nguồn triển khai thực nghiệm học sâu kết hợp giữa Federated Learning, Generative Models và Reinforcement Learning.
  • Kỹ sư phát triển phần mềm & DevOps An ninh mạng: Nắm bắt được mô hình kiến trúc phát hiện xâm nhập phân tán, cách tích hợp mô hình AI vào bộ điều khiển SDN và tối ưu hóa băng thông mạng.
  • Doanh nghiệp sản xuất & Vận hành IIoT: Sở hữu giải pháp an ninh mạng bảo vệ toàn diện hạ tầng vận hành (OT) theo tiêu chuẩn bảo mật dữ liệu nghiêm ngặt, tiết kiệm hơn 40% chi phí đầu tư băng thông và hạ tầng máy chủ phân tích trung tâm.
  • Các nhà nghiên cứu An toàn thông tin: Nền tảng dữ liệu và kết quả thực nghiệm làm tiền đề mở rộng các thuật toán tối ưu hóa phân kỳ trọng số trên dữ liệu phân tán quy mô lớn.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai giải pháp vào hệ thống thực tế là gì?

Hệ thống yêu cầu các Gateway cục bộ trang bị tối thiểu vi xử lý 4 nhân 64-bit, 2GB RAM và hệ điều hành Linux hỗ trợ Docker. Máy chủ tổng hợp cần tối thiểu 16GB RAM và một GPU tầm trung để chạy tác tử Deep Q-Network và thực hiện tổng hợp trọng số cho hàng trăm nút mạng.

2. Mô hình xử lý giới hạn mở rộng (Scalability) như thế nào khi số lượng thiết bị IIoT tăng lên hàng nghìn nút?

Khi số lượng nút biên tăng cao, tác tử RL áp dụng kỹ thuật phân cụm thiết bị (Client Clustering) dựa trên đặc tính lưu lượng và năng lực mạng, sau đó chỉ chọn lọc đại diện từ từng cụm tham gia mỗi vòng giao tiếp, duy trì độ phức tạp tính toán và chi phí truyền thông ở mức ổn định $O(K)$.

3. Giải pháp tích hợp với hệ thống mạng và SIEM sẵn có của doanh nghiệp ra sao?

Các nút FedIDS giao tiếp với bộ điều khiển SDN thông qua các RESTful API hoặc gRPC stream chuẩn. Khi phát hiện xâm nhập, mô hình gửi trực tiếp bản tin cảnh báo định dạng CEF/Syslog về hệ thống SIEM (như Splunk, IBM QRadar, Wazuh) và gửi lệnh cho bộ điều khiển SDN cập nhật bảng Flow Table cách ly nút mạng bị tấn công.

4. Chi phí bảo trì và yêu cầu vận hành định kỳ của hệ thống như thế nào?

Mô hình hoạt động theo cơ chế tự thích ứng liên tục (Continuous Learning). Đội ngũ kỹ sư chỉ cần giám sát hiệu năng hội tụ thông qua Dashboard điều khiển trung tâm và định kỳ kiểm tra các ngoại lệ của tác tử RL mỗi quý một lần mà không cần can thiệp dán nhãn dữ liệu thủ công.

5. Khả năng hoàn vốn đầu tư (ROI) của giải pháp được tính toán ra sao?

Bằng việc loại bỏ nhu cầu truyền tải hàng Terabyte dữ liệu PCAP thô về trung tâm dữ liệu và giảm thiểu nguy cơ gián đoạn sản xuất do các cuộc tấn công DoS/Mirai, giải pháp giúp doanh nghiệp tiết kiệm đáng kể chi phí hạ tầng mạng và chi phí khắc phục sự cố, với thời gian thu hồi vốn ước tính từ 6 đến 9 tháng sau khi vận hành chính thức.

Kết luận

Đề tài đã giải quyết thành công điểm nghẽn nghiêm trọng nhất của Học cộng tác trong môi trường Mạng Vạn vật Kết nối Công nghiệp: sự suy giảm hiệu năng do dữ liệu phân phối không đồng nhất (Non-IID). Bằng việc tiên phong kết hợp mô hình sinh đối kháng CGAN tại thiết bị biên và thuật toán điều phối thông minh Deep Q-Learning tại máy chủ trung tâm, giải pháp không chỉ bảo toàn tuyệt đối tính riêng tư của dữ liệu doanh nghiệp mà còn đạt độ chính xác phát hiện xâm nhập vượt trội 96.82%, giảm hơn 53% số vòng truyền thông cần thiết.

Nghiên cứu khẳng định tiềm năng ứng dụng to lớn của Trí tuệ nhân tạo phân tán trong việc xây dựng các lá chắn an ninh mạng tự hành cho kỷ nguyên Công nghiệp 4.0, mở ra hướng đi bền vững cho các hệ sinh thái IIoT an toàn, tin cậy và hiệu quả cao.