Bối cảnh và vấn đề nghiên cứu

Sự phát triển nhanh chóng của công nghệ thông tin và mạng truyền thông đã dẫn đến sự gia tăng mạnh mẽ về số lượng thiết bị kết nối, đặc biệt là trong môi trường Mạng Vạn vật kết nối công nghiệp (Industrial Internet of Things - IIoT). Mặc dù mang lại khả năng thu thập và vận hành dữ liệu quy mô lớn, các thiết bị IIoT thường tiềm ẩn nhiều điểm yếu bảo mật, dễ trở thành mục tiêu của các cuộc tấn công mạng, làm gián đoạn hệ thống và thất thoát dữ liệu nhạy cảm. Hệ thống phát hiện xâm nhập (Intrusion Detection System - IDS) là giải pháp trọng yếu nhằm giám sát lưu lượng mạng (network traffic), phân tích hành vi bất thường và kịp thời đưa ra cảnh báo.

Việc ứng dụng các mô hình học máy (Machine Learning - ML) và học sâu (Deep Learning - DL) vào IDS cho phép nâng cao khả năng phát hiện các dạng tấn công mới. Tuy nhiên, phương pháp học máy tập trung truyền thống bộc lộ hai rào cản lớn:

  • Chi phí duy trì băng thông truyền tải và máy chủ xử lý dữ liệu tập trung từ hàng loạt thiết bị IIoT là rất lớn.
  • Nguy cơ rò rỉ quyền riêng tư và dữ liệu nhạy cảm khi phải chuyển dữ liệu thô về một máy chủ trung tâm.

Phương pháp học cộng tác (Federated Learning - FL) được đưa ra nhằm giải quyết các hạn chế trên bằng cách huấn luyện mô hình phân tán trực tiếp trên các thiết bị cục bộ (clients) và chỉ gửi thông số/trọng số mô hình về máy chủ trung tâm (global server) để tổng hợp. Dẫu vậy, trong môi trường mạng thực tế, dữ liệu thu thập tại các thiết bị tham gia thường mang tính phân phối không đồng nhất (Non-Independent and Identically Distributed - NonIID), thể hiện qua sự mất cân bằng về số lượng mẫu và sự sai lệch về phân phối nhãn (Label Skew) hoặc thuộc tính (Feature Skew). Hiện tượng này khiến mô hình toàn cục hội tụ chậm và suy giảm độ chính xác nghiêm trọng.

Các giải pháp giải quyết NonIID hiện hành như sử dụng Mạng sinh đối kháng (Generative Adversarial Networks - GAN) để sinh dữ liệu cục bộ hay sử dụng Học tăng cường (Reinforcement Learning - RL) để chọn lọc máy cộng tác đều có hạn chế riêng: huấn luyện GAN trên toàn bộ máy khách gây tốn kém tài nguyên tính toán, trong khi chỉ dùng RL lựa chọn máy khách lại đòi hỏi số vòng giao tiếp (communication rounds) rất lớn để đạt độ chính xác mục tiêu nếu dữ liệu thô chưa được cân bằng. Khóa luận này tập trung giải quyết bài toán tối ưu hóa mô hình phát hiện xâm nhập học cộng tác trên dữ liệu NonIID bằng cách kết hợp cả hai kỹ thuật GAN và RL.

Mục tiêu nghiên cứu:

  1. Xây dựng mô hình học cộng tác phát hiện tấn công mạng (FedIDS), ứng dụng phương pháp học tăng cường (RL) nhằm tối ưu hóa quá trình lựa chọn các thiết bị tham gia huấn luyện.
  2. Nghiên cứu và triển khai phương pháp làm giảm ảnh hưởng tiêu cực của dữ liệu phân phối không đồng nhất (NonIID) lên hiệu suất mô hình bằng việc kết hợp Mạng sinh đối kháng (GAN) để cân bằng dữ liệu cục bộ và Học tăng cường (RL) để chọn nhóm máy tối ưu.

Nhiệm vụ nghiên cứu cụ thể:

  1. Tìm hiểu nguyên lý và cơ chế hoạt động của học cộng tác (FL) kết hợp học tăng cường (RL) trong các hệ thống IDS.
  2. Nghiên cứu lý thuyết và khảo sát các biến thể của mạng sinh đối kháng (GAN), xây dựng mô hình GAN phù hợp để sinh dữ liệu cho bài toán an toàn thông tin.
  3. Phân tích thực nghiệm mức độ ảnh hưởng của dữ liệu mất cân bằng (NonIID) đến hiệu suất mô hình FL; thiết kế giải pháp phối hợp giữa GAN và RL.
  4. Xây dựng, triển khai thực nghiệm mô hình trên môi trường mạng khả lập trình (Software-Defined Networking - SDN) và đánh giá độ chính xác, tốc độ hội tụ trên bộ dữ liệu thực tế.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Phương pháp học cộng tác (FL); phương pháp học tăng cường (RL); Mạng sinh đối kháng (GAN, CGAN); hệ thống phát hiện xâm nhập mạng (IDS) tích hợp bộ điều khiển SDN; các dạng dữ liệu phân phối không đồng nhất (NonIID); các thư viện lập trình TensorFlow, Keras.
  • Phạm vi nghiên cứu: Mô hình học sâu phát hiện tấn công mạng kết hợp mạng tích chập (CNN) và khối nơ-ron hồi quy có cổng (GRU) mang tên FedIDS; tập dữ liệu thực nghiệm Kitsune Network Attack Dataset; môi trường mô phỏng phân tán có dữ liệu NonIID; thời gian thực hiện nghiên cứu từ tháng 02/2021 đến tháng 07/2021 (nghiệm thu năm 2022).

Cơ sở lý thuyết và phương pháp

Khóa luận thiết lập nền tảng lý thuyết thông qua việc hệ thống hóa các khái niệm, kiến trúc và thuật toán chuyên ngành:

  • Hệ thống phát hiện xâm nhập mạng (IDS): Phân loại theo 5 nhóm chức năng chính gồm: Hệ thống phát hiện xâm nhập mạng (NIDS), Hệ thống phát hiện xâm nhập máy chủ (HIDS), Hệ thống phát hiện xâm nhập dựa trên giao thức (PIDS), Hệ thống phát hiện xâm nhập dựa trên giao thức ứng dụng (APIDS) và Hệ thống phát hiện xâm nhập lai (Hybrid/Mixed IDS).
  • Kiến trúc học sâu (Deep Learning):
    • Mạng nơ-ron nhân tạo (ANNs): Cơ chế lan truyền xuôi, hàm mất mát (Mean Squared Error - MSE, Cross-Entropy), tối ưu hóa đạo hàm giảm dần và các hàm kích hoạt (Sigmoid, Tanh, ReLU).
    • Mạng nơ-ron tích chập (CNN): Khả năng trích xuất bản đồ đặc trưng (feature maps) thông qua các lớp Convolutional, Pooling và Fully-Connected, giúp giảm thiểu đáng kể số lượng trọng số tính toán so với ANN truyền thống.
    • Mạng nơ-ron hồi quy (RNN, LSTM, GRU): Xử lý dữ liệu chuỗi thời gian của lưu lượng mạng. Mạng GRU (Gated Recurrent Units) được lựa chọn nhờ cấu trúc tối ưu trạng thái ẩn $h_t$, giúp giảm độ phức tạp tính toán và tăng tốc độ huấn luyện so với LSTM nhưng vẫn khắc phục tốt vấn đề phụ thuộc xa (long-term dependencies).
    • Mạng sinh đối kháng (GAN, CGAN): Cấu trúc gồm mạng sinh (Generator - $G$) và mạng phân biệt (Discriminator - $D$) được huấn luyện đối kháng song song theo hàm mục tiêu Minimax nhằm sinh các mẫu dữ liệu nhân tạo mang đặc trưng tương đồng với dữ liệu thực của các lớp tấn công thiểu số.
  • Phương pháp học cộng tác (Federated Learning):
    • Phân loại theo cấu trúc dữ liệu: Học cộng tác theo chiều ngang (Horizontal FL) và Học cộng tác theo chiều dọc (Vertical FL).
    • Các thuật toán tổng hợp trọng số: FedSGD, FedAvg (tổng hợp trung bình trọng số cục bộ theo chu kỳ), FedProx (bổ sung hàm phạt khoảng cách đến mô hình toàn cục), FedNova (chuẩn hóa số bước cập nhật cục bộ) và FedPlus (truyền giá trị trung tâm của bộ trọng số).
  • Hiện tượng dữ liệu phân phối không đồng nhất (NonIID):
    • Phân loại: Lệch thuộc tính (Feature Skew) và Lệch nhãn (Label Skew).
    • Các hướng tiếp cận khắc phục: Can thiệp vào dữ liệu (Data - chia sẻ hoặc gia tăng dữ liệu), can thiệp vào thuật toán tổng hợp (Algorithm), can thiệp vào hệ thống (System - phân cụm, chọn lọc máy khách).
  • Phương pháp học tăng cường (Reinforcement Learning):
    • Mô hình hóa theo Quá trình quyết định Markov (Markov Decision Process - MDP) với bộ thông số: Không gian trạng thái ($s$), Không gian hành động ($a$), Xác suất chuyển trạng thái ($P_a(s, s')$), Hàm phần thưởng ($r_a(s, s')$) và Hệ số chiết khấu ($\gamma \in [0, 1)$).
    • Cơ chế học chủ động (Active Learning) giúp tác tử (agent) tự động cân bằng giữa khám phá (exploration) và khai thác (exploitation) để tối đa hóa tổng phần thưởng tích lũy.

Phương pháp nghiên cứu thực tế: Tác giả sử dụng phương pháp nghiên cứu thực nghiệm kết hợp thiết kế hệ thống. Quá trình triển khai bao gồm tiền xử lý dữ liệu, phân chia tập dữ liệu thành các phân phối NonIID nhân tạo, huấn luyện mô hình FedIDS trên nền tảng TensorFlow/Keras, kết hợp điều khiển giám sát luồng lưu lượng trên mạng SDN.

Nguồn dữ liệu thực nghiệm: Bộ dữ liệu an ninh mạng Kitsune Network Attack Dataset (Shabtai et al., 2018), bao gồm các bản ghi lưu lượng mạng bình thường (Benign) và nhiều dạng tấn công mạng phức tạp (XSS, SQL Injection, Password Attack, Scanning, MITM, DDoS, DoS, Backdoor).

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương 1 giới thiệu bức tranh toàn cảnh về sự gia tăng của các thiết bị IoT/IIoT và sự gia tăng các mối đe dọa an ninh mạng. Tác giả chỉ ra các điểm nghẽn của mô hình phát hiện xâm nhập học máy tập trung truyền thống về chi phí hạ tầng và rủi ro quyền riêng tư. Chương này phân tích chi tiết tính ưu việt của Federated Learning trong việc phân tán quá trình huấn luyện về các máy cục bộ, đồng thời nêu rõ thách thức lớn nhất khi triển khai thực tế: sự suy giảm hiệu năng do dữ liệu NonIID. Từ đó, tác giả xác định mục tiêu khóa luận, phạm vi thực hiện và cấu trúc của toàn bộ báo cáo.

Chương 2: Cơ sở lý thuyết và các công trình liên quan

Chương 2 trình bày chi tiết cơ sở lý thuyết về các hệ thống phát hiện xâm nhập mạng (NIDS, HIDS, PIDS, APIDS) và các mô hình học sâu (ANNs, CNN, RNN, LSTM, GRU, GAN). Chương này làm rõ cơ chế hoạt động của Federated Learning, phân tích hai dạng phân phối NonIID chính (Feature Skew, Label Skew) và phân loại ba hướng giải quyết NonIID trong học cộng tác.

Bên cạnh đó, chương 2 tổng hợp các công trình khoa học liên quan:

  • Hệ thống phát hiện bất thường D/IoT (Nguyễn Đức Thiện et al., 2019) triển khai FL trên các gateway bảo mật.
  • Mô hình DeepFed (Beibei Li et al.) kết hợp CNN và GRU cho hệ thống công nghiệp CPS.
  • Nghiên cứu của Nguyễn Chí Vỹ et al. (2021) về phòng chống tấn công đầu độc (Poisoning Attack) trong FL bằng thuật toán Local Outlier Factor (LOF).
  • Thuật toán FAVOR (Hao Wang et al., INFOCOM 2020) sử dụng Deep Q-Learning để chọn máy cộng tác trên dữ liệu NonIID.
  • Khảo sát của Hangyu et al. và Qinbin Li et al. (2021) về phân vùng dữ liệu và mức độ ảnh hưởng của dữ liệu NonIID.
  • Hệ thống DeepMonitor (Nguyễn Gia Trí et al., 2021) ứng dụng thuật toán Double Deep Q-Network (DDQN) giám sát lưu lượng IoT trong mạng SDN.
Hướng tiếp cận xử lý NonIID Kỹ thuật tiêu biểu trong tài liệu Ưu điểm Nhược điểm/Thách thức
Can thiệp Dữ liệu (Data) Gia tăng dữ liệu bằng GAN, chia sẻ tập dữ liệu chung Cân bằng phân phối nhãn cục bộ, giữ nguyên thuật toán gốc Chia sẻ dữ liệu vi phạm quyền riêng tư; chạy GAN trên mọi client tốn tài nguyên
Can thiệp Thuật toán (Algorithm) FedProx, FedNova, FedPlus, FedAvg tinh chỉnh Điều chỉnh hàm mất mát và chuẩn hóa trọng số toàn cục Tốc độ hội tụ vẫn chậm khi độ lệch nhãn (Label Skew) quá cao
Can thiệp Hệ thống (System) Deep Q-Learning (FAVOR), chia để trị (Divide-and-Conquer) Lựa chọn các máy khách có hiệu suất đóng góp cao nhất Cần nhiều vòng giao tiếp nếu dữ liệu thô tại máy khách chưa được xử lý

Chương 3: Phương pháp và mô hình đề xuất

Chương 3 trình bày chi tiết giải pháp thiết kế mô hình FedIDS cho bài toán phát hiện xâm nhập mạng công nghiệp:

  • Kiến trúc mạng nơ-ron FedIDS: Kết hợp các lớp tích chập (CNN) để tự động trích xuất các đặc trưng không gian từ vector lưu lượng mạng và các khối GRU để học các mối tương quan theo chuỗi thời gian, tạo ra mô hình phân loại tấn công chính xác với chi phí tính toán vừa phải.
  • Phương pháp cân bằng dữ liệu dựa trên GAN: Ứng dụng mạng sinh đối kháng để sinh bổ sung các mẫu dữ liệu thuộc các lớp tấn công thiểu số tại các máy cục bộ bị thiếu hụt dữ liệu nghiêm trọng, giúp tái cân bằng phân phối nhãn trước khi đưa vào huấn luyện FL.
  • Phương pháp lựa chọn máy cộng tác dựa trên RL: Xây dựng tác tử học tăng cường tại máy chủ trung tâm. Trạng thái ($s$) biểu diễn thông tin phản hồi của các máy khách, hành động ($a$) là việc lựa chọn một tập con máy khách tham gia vòng tổng hợp kế tiếp, phần thưởng ($r$) tỷ lệ thuận với độ chính xác và tốc độ hội tụ của mô hình toàn cục.
  • Phương pháp kết hợp toàn diện (RL + GAN): Tích hợp việc cân bằng dữ liệu cục bộ bằng GAN kết hợp với tác tử RL tại server. Cơ chế này giúp khắc phục nhược điểm tốn vòng lặp của RL đơn lẻ và giảm áp lực tính toán của việc áp dụng GAN diện rộng.

Chương 4: Thực nghiệm và đánh giá

Chương 4 mô tả toàn bộ quá trình thiết lập môi trường thực nghiệm, ngôn ngữ cài đặt (Python, TensorFlow, Keras) và cấu hình tham số cho mô hình học sâu FedIDS trên mạng SDN. Dữ liệu từ bộ Kitsune Network Attack Dataset được phân bổ thành 10 nút mạng cục bộ (parties) với độ lệch nhãn lớn để tạo lập 4 mức độ dữ liệu NonIID khác nhau.

Nội dung đánh giá tập trung vào:

  • Đo lường mức độ suy giảm hiệu suất của mô hình FedIDS gốc khi mức độ NonIID tăng dần.
  • So sánh hiệu quả lựa chọn máy khách của phương pháp Học tăng cường (RL) so với phương pháp chọn lựa ngẫu nhiên/cố định Top-5 thông thường.
  • So sánh toàn diện hiệu suất của ba phương pháp giải quyết NonIID: (1) Chỉ sử dụng GAN, (2) Chỉ sử dụng RL, và (3) Kết hợp RL và GAN thông qua chỉ số số vòng cập nhật mô hình cần thiết để đạt ngưỡng độ chính xác mục tiêu (Bảng 4.2).

Chương 5: Kết luận và hướng phát triển

Chương 5 đúc kết các kết quả đạt được của khóa luận trong việc xây dựng thành công kiến trúc FedIDS, phân tích định lượng ảnh hưởng của dữ liệu NonIID và chứng minh tính hiệu quả của mô hình kết hợp RL và GAN. Đồng thời, tác giả đề xuất các hướng mở rộng nghiên cứu trong tương lai nhằm nâng cao khả năng ứng dụng thực tế.

Kết quả và đóng góp

Khóa luận đã thu được các kết quả thực nghiệm cụ thể và đưa ra những đóng góp khoa học chính xác theo nội dung văn bản:

Kết quả thực nghiệm chính:

  • Phân tích và định lượng thành công tác động tiêu cực của dữ liệu NonIID: Khi độ lệch dữ liệu giữa các máy cộng tác tăng lên, mô hình FedIDS huấn luyện theo phương thức FedAvg thông thường bị phân kỳ hoặc cần số vòng lặp rất lớn mới có thể đạt trạng thái hội tụ.
  • Thuật toán lựa chọn máy cộng tác dựa trên Học tăng cường (RL) mang lại hiệu quả vượt trội so với phương pháp chọn Top-5 thông thường, giúp ưu tiên các máy có khả năng đóng góp trọng số chất lượng cao vào mô hình chung.
  • Phương pháp đề xuất kết hợp giữa GAN và RL đạt hiệu quả cao nhất trong việc rút ngắn thời gian huấn luyện và số vòng giao tiếp tổng hợp trên cả 4 mức độ đánh giá dữ liệu NonIID.

Đóng góp về mặt phương pháp và giải pháp:

  • Đề xuất kiến trúc học cộng tác phát hiện xâm nhập FedIDS tối ưu hóa cho mạng IIoT dựa trên sự kết hợp giữa CNN và GRU, vận hành được trên nền tảng mạng khả lập trình (SDN).
  • Phát triển mô hình lai kết hợp giữa kỹ thuật tiền xử lý cân bằng dữ liệu cục bộ bằng GAN và thuật toán điều phối thông minh máy khách bằng RL tại máy chủ trung tâm.

Đóng góp so với các nghiên cứu trước (tác giả tự nêu):

  • Khắc phục hạn chế của phương pháp FAVOR (Hao Wang et al.): Giảm thiểu số lượng lớn các vòng giao tiếp (communication rounds) mà FAVOR gặp phải khi chỉ sử dụng RL trên dữ liệu thô chưa cân bằng.
  • Khắc phục hạn chế của các giải pháp GAN phân tán truyền thống: Tránh được chi phí tính toán quá mức khi không bắt buộc toàn bộ tất cả máy tham gia đều phải huấn luyện mạng GAN, mà kết hợp cơ chế chọn lọc nút mạng của RL để tối ưu hóa tài nguyên toàn hệ thống.

Hạn chế và hướng nghiên cứu tiếp

Dựa trên phạm vi và nội dung trình bày trong khóa luận, các hạn chế và hướng phát triển mở rộng bao gồm:

Hạn chế:

  • Thực nghiệm được tiến hành trên môi trường mô phỏng phân tán dựa trên tập dữ liệu Kitsune Network Attack Dataset, chưa triển khai thử nghiệm trên các thiết bị phần cứng IIoT thực tế với nguồn tài nguyên tính toán (CPU, RAM, năng lượng) bị giới hạn nghiêm ngặt.
  • Khóa luận chủ yếu tập trung xử lý hiện tượng lệch nhãn (Label Skew), các dạng dữ liệu NonIID phức tạp khác như lệch thuộc tính (Feature Skew) hay lệch khái niệm theo thời gian (Concept Drift) chưa được khảo sát chuyên sâu.
  • Chưa tích hợp các cơ chế phòng thủ chuyên biệt chống lại các cuộc tấn công đầu độc mô hình (Model Poisoning Attack) hoặc tấn công suy diễn dữ liệu (Inference Attack) từ các máy cộng tác độc hại.

Hướng nghiên cứu tiếp:

  • Mở rộng thử nghiệm mô hình FedIDS trên các bộ dữ liệu an ninh mạng đa dạng khác của mạng IIoT và triển khai thực tế trên các thiết bị biên (Edge devices/Gateways).
  • Tối ưu hóa cấu trúc mạng GAN nhằm giảm thiểu hơn nữa chi phí tài nguyên tính toán khi sinh dữ liệu tại các nút mạng cục bộ.
  • Nghiên cứu kết hợp thêm các thuật toán xác thực mô hình cục bộ (như Local Outlier Factor - LOF) và các kỹ thuật bảo mật nâng cao (như Bảo mật vi sai - Differential Privacy) để bảo vệ toàn diện hệ thống học cộng tác trước các tác nhân gây hại.

Giá trị tham khảo

Báo cáo khóa luận mang lại giá trị tham khảo chuyên môn trong các lĩnh vực cụ thể:

  • Đối tượng thụ hưởng:
    • Sinh viên, học viên cao học và nghiên cứu sinh chuyên ngành Khoa học Máy tính, An toàn Thông tin, Kỹ thuật Mạng và Hệ thống Nhúng - IoT.
    • Các kỹ sư phần mềm, chuyên viên bảo mật mạng đang nghiên cứu và xây dựng giải pháp phát hiện bất thường phân tán trong mạng công nghiệp IIoT hoặc mạng SDN.
  • Nội dung có giá trị tham khảo cao:
    • Chương 2: Cung cấp hệ thống lý thuyết chi tiết, mạch lạc về cách phân loại các dạng NonIID trong Federated Learning và cơ chế của các thuật toán tổng hợp trọng số phổ biến (FedAvg, FedProx, FedNova, FedPlus).
    • Chương 3 & 4: Cung cấp phương pháp luận thực nghiệm về việc phối hợp giữa mạng học sâu CNN-GRU, mạng sinh dữ liệu GAN và thuật toán điều phối Reinforcement Learning để xử lý bài toán mất cân bằng dữ liệu thực tế.

Câu hỏi thường gặp

1. Mô hình FedIDS trong khóa luận sử dụng cấu trúc học sâu nào và ưu điểm của nó là gì?
Mô hình FedIDS được xây dựng dựa trên sự kết hợp giữa Mạng nơ-ron tích chập (CNN) và Khối nơ-ron hồi quy có cổng (GRU). Cấu trúc này cho phép mô hình tự động trích xuất các đặc trưng không gian của lưu lượng mạng thông qua các lớp tích chập, đồng thời nắm bắt được sự phụ thuộc chuỗi thời gian thông qua GRU với chi phí tính toán thấp hơn so với LSTM.

2. Hiện tượng NonIID trong Federated Learning ảnh hưởng như thế nào đến quá trình huấn luyện IDS?
Khi dữ liệu tại các máy cục bộ bị phân phối không đồng nhất (đặc biệt là mất cân bằng nhãn giữa lưu lượng bình thường và các loại tấn công), các mô hình cục bộ sẽ hội tụ về các hướng cục bộ lệch nhau. Khi tổng hợp về máy chủ trung tâm bằng các thuật toán như FedAvg, mô hình toàn cầu sẽ hội tụ rất chậm, dao động hoặc suy giảm độ chính xác phân loại đáng kể so với khi huấn luyện tập trung.

3. Tại sao khóa luận không sử dụng đơn lẻ GAN hoặc RL mà phải kết hợp cả hai?
Nếu chỉ sử dụng GAN, việc bắt buộc tất cả các máy tham gia đều phải huấn luyện mạng sinh đối kháng sẽ tiêu tốn rất nhiều thời gian và tài nguyên tính toán cục bộ. Nếu chỉ sử dụng RL (như phương pháp FAVOR), tác tử tại server phải mất rất nhiều vòng giao tiếp (communication rounds) mới tìm được nhóm máy phù hợp do dữ liệu thô tại máy khách vẫn bị mất cân bằng nghiêm trọng. Việc kết hợp giúp GAN cân bằng dữ liệu cục bộ cần thiết, tạo điều kiện cho RL nhanh chóng chọn lọc nhóm máy tối ưu, từ đó giảm số vòng cập nhật toàn cục.

4. Dữ liệu thực nghiệm được sử dụng trong khóa luận là gì và phân chia như thế nào?
Khóa luận sử dụng bộ dữ liệu Kitsune Network Attack Dataset bao gồm lưu lượng mạng bình thường và nhiều dạng tấn công mạng (XSS, Injection, Password, Scanning, MITM, DDoS, DoS, Backdoor). Dữ liệu này được chia cho 10 nút mạng cục bộ (Parties từ 0 đến 9) với số lượng mẫu và tỷ lệ các nhãn khác nhau để mô phỏng 4 mức độ dữ liệu NonIID phục vụ đánh giá thực nghiệm.

5. Hệ thống đề xuất được định hướng triển khai trên nền tảng mạng nào?
Mô hình được định hướng triển khai tích hợp trên mạng khả lập trình (Software-Defined Networking - SDN). Kiến trúc này cho phép tận dụng bộ điều khiển SDN để giám sát, thu thập và quản lý luồng lưu lượng mạng một cách linh hoạt, phục vụ việc phát hiện và đưa ra cảnh báo tấn công theo thời gian thực.

Kết luận

Khóa luận tốt nghiệp của tác giả Nguyễn Hữu Quyên đã giải quyết bài toán suy giảm hiệu năng của hệ thống phát hiện xâm nhập học cộng tác (FedIDS) trong môi trường mạng IIoT có dữ liệu phân phối không đồng nhất (NonIID). Bằng cách kết hợp Mạng sinh đối kháng (GAN) để cân bằng dữ liệu cục bộ và Học tăng cường (RL) để tối ưu hóa việc lựa chọn máy cộng tác tại máy chủ trung tâm, giải pháp đề xuất đã khắc phục hiệu quả nhược điểm tiêu tốn tài nguyên và kéo dài số vòng giao tiếp của các phương pháp đơn lẻ. Kết quả thực nghiệm trên bộ dữ liệu Kitsune Network Attack Dataset và môi trường mạng SDN đã chứng minh tính đúng đắn, nâng cao độ chính xác và đẩy nhanh tốc độ hội tụ của mô hình toàn cục.