Giới thiệu dự án

Sự bùng nổ của hạ tầng điện toán đám mây và đô thị thông minh (Smart City) kéo theo sự gia tăng đột biến của các cuộc tấn công mạng quy mô lớn. Theo các báo cáo an ninh mạng toàn cầu, lưu lượng tấn công từ chối dịch vụ (DoS/DDoS), dò quét cổng (PortScan) và xâm nhập trái phép (Infiltration) tăng trưởng hơn 300% mỗi năm. Nhằm giải quyết bài toán này, các hệ thống phát hiện xâm nhập mạng dựa trên học máy (ML-NIDS - Machine Learning-based Network Intrusion Detection System) đã được triển khai rộng rãi nhờ khả năng tự động phân loại lưu lượng và phát hiện biến thể tấn công mới.

Tuy nhiên, các mô hình học máy truyền thống bộc lộ lỗ hổng nghiêm trọng trước các mẫu tấn công đối kháng (Adversarial Attacks). Kẻ tấn công có thể chèn các nhiễu vi mô có chủ đích vào lưu lượng mạng độc hại, khiến mô hình phân loại nhầm thành lưu lượng lành tính (Benign) mà vẫn giữ nguyên khả năng phá hoại thực tế. Nhằm khắc phục hạn chế này, đề tài nghiên cứu và phát triển bộ khung DIGFuPAS (Deceive IDS with GAN and Function-Preserving on Adversarial Samples), ứng dụng mô hình mạng sinh đối kháng Wasserstein (WGAN) kết hợp cơ chế bảo toàn thuộc tính chức năng và triển khai thực nghiệm trên nền tảng mạng khả lập trình SDN (Software-Defined Networking).

                      +------------------------------------------+
                      |         Kẻ tấn công / Mô hình GAN        |
                      +------------------------------------------+
                                           |
                       Sinh nhiễu đối kháng (Perturbation)
                                           v
+------------------+         +----------------------------+         +----------------------+
|  Lưu lượng mạng  | ------> |    BẢO TOÀN CHỨC NĂNG     | ------> | Lưu lượng đối kháng  |
|  Độc hại gốc     |         |  (Function-Preserving M)   |         | (Bypasses Blackbox)  |
+------------------+         +----------------------------+         +----------------------+
                                                                               |
                                                                               v
                                                                    +----------------------+
                                                                    | SDN Controller / IDS |
                                                                    |  (Tái huấn luyện)    |
                                                                    +----------------------+

Mục tiêu nghiên cứu

  1. Thiết kế kiến trúc WGAN tối ưu: Xây dựng mô hình tạo sinh đối kháng giải quyết triệt để hiện tượng mất cân bằng và suy biến gradient (Mode Collapse) dựa trên hàm khoảng cách Wasserstein.
  2. Hiện thực hóa cơ chế Function-Preserving: Tách biệt $M$ thuộc tính chức năng cốt lõi (Functional Features) và $68 - M$ thuộc tính phi chức năng để đảm bảo gói tin đối kháng sinh ra hoàn toàn hợp lệ về mặt kỹ thuật giao thức mạng.
  3. Đánh giá toàn diện trên 6 thuật toán học máy: Kiểm thử độ bền vững của IDS hộp đen (B-IDS) gồm Logistic Regression (LR), Support Vector Machine (SVM), Gaussian Naive Bayes (NB), Decision Tree (DT), Random Forest (RF) và K-Nearest Neighbors (KNN) trên bộ dữ liệu CICIDS-2017.
  4. Xây dựng chu trình tái huấn luyện tự động (Adversarial Retraining): Tận dụng các mẫu đối kháng sinh ra để củng cố ranh giới quyết định (Decision Boundary) của IDS.
  5. Thực nghiệm trên môi trường SDN giả lập: Tích hợp module IDS dưới dạng chức năng mạng ảo hóa (VNF) điều khiển qua giao thức OpenFlow 1.3.

Phạm vi và giới hạn

  • Phạm vi dữ liệu: Khảo sát 4 nhóm tấn công chính trên bộ dữ liệu CICIDS-2017 gồm DoS (Slowloris, Slowhttptest, Hulk, GoldenEye), DDoS, Bruteforce (FTP-Patator, SSH-Patator, Web Attack) và Infiltration.
  • Giới hạn kỹ thuật: Quá trình kiểm thử tập trung vào lưu lượng trích xuất đặc trưng luồng (Flow-based features) thông qua công cụ CICFlowMeter, chưa can thiệp sâu vào xử lý gói tin tầng sâu (Deep Packet Inspection - DPI) ở tốc độ đường truyền phần cứng terabit.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các công trình tiền nhiệm trong lĩnh vực tạo mẫu tấn công đối kháng qua mạng thường gặp phải hai rào cản lớn: vi phạm tính hợp lệ của gói tin hoặc mô hình huấn luyện mất ổn định.

Tiêu chí so sánh Mô hình IDSGAN (Zilong Lin et al., 2018) Mô hình GAN (Usama et al., 2019) Bộ khung DIGFuPAS (Đề tài đề xuất)
Mô hình học sâu cốt lõi WGAN tiêu chuẩn Standard GAN (Minimax Loss) Wasserstein GAN kết hợp RMSProp
Bảo toàn thuộc tính chức năng Không (Thay đổi tùy tiện làm hỏng cấu trúc gói) Có (Chỉ biến đổi tập phi chức năng) Có (Ghép nhiễu ngẫu nhiên với thuộc tính phi chức năng)
Độ đa dạng dữ liệu sinh Thấp (Dễ rơi vào điểm cực tiểu địa phương) Kém (Mỗi vector đầu vào cho 1 đầu ra cố định) Cao (Kết hợp vector nhiễu ngẫu nhiên 3 chiều $z \sim [0, 1]^3$)
Tập dữ liệu thực nghiệm NSL-KDD (Lỗi thời) KDD99 (Nhiều dữ liệu rác, không đại diện) CICIDS-2017 (Cập nhật, đa dạng kịch bản)
Tích hợp kiểm thử SDN Chưa hỗ trợ Chưa hỗ trợ Tích hợp hoàn chỉnh trên nền OpenFlow/Ryu

Yêu cầu hệ thống theo mô hình MoSCoW

  • Must Have: Bộ sinh (Generator) phải giữ nguyên các trường chức năng bắt buộc; Bộ phân biệt (Discriminator/Critic) tính toán chính xác điểm Wasserstein Distance; Giảm tỷ lệ phát hiện (Detection Rate) của ML-IDS xuống dưới 30% khi chưa phòng thủ.
  • Should Have: Module trích xuất tự động 68 thuộc tính chuẩn hóa; Cơ chế tái huấn luyện tự động khôi phục độ chính xác F1-Score lên trên 90%.
  • Could Have: Khả năng scale động container IDS theo tải mạng trong SDN.
  • Won't Have: Can thiệp giải mã luồng lưu lượng HTTPS/TLS mã hóa đầu cuối tại thời gian thực.

Thiết kế hệ thống

Kiến trúc giải pháp chia làm hai phân hệ: Phân hệ tạo sinh đối kháng DIGFuPAS và Phân hệ giám sát phòng ngự trên nền tảng mạng khả lập trình SDN.

Technology Stack

  • Ngôn ngữ lập trình: Python 3.8.10
  • Framework Học máy / Học sâu: PyTorch 1.9.0, Scikit-learn 0.24.2, NumPy 1.20.3, Pandas 1.3.0
  • Môi trường mô phỏng mạng: Mininet 2.3.0, Open vSwitch 2.13.3
  • SDN Controller: Ryu SDN Framework 4.34
  • Công cụ phân tích mạng: CICFlowMeter v4.0, Wireshark 3.4.4, Tcpreplay 4.3.3

Mô hình dữ liệu và trích xuất đặc trưng

Sau bước tiền xử lý loại bỏ các trường định danh bất biến (Source IP, Destination IP, Flow ID, Timestamp) và các cột đơn giá trị, tập dữ liệu giữ lại 68 thuộc tính đặc trưng. Đối với mỗi nhóm tấn công, hệ thống khóa cố định $M$ thuộc tính chức năng cốt lõi:

  • DoS ($M = 7$): Flow Duration, Active Mean, Average Packet Size, Packet Length Std, Flow IAT Mean, PSH Flag Count, Idle Max.
  • DDoS ($M = 6$): Flow Duration, Bwd Packet Length Std, Average Packet Size, Packet Length Std, Flow IAT Std, ACK Flag Count.
  • Bruteforce ($M = 7$): PSH Flag Count, Flow Duration, Total Length of Fwd Packets, Init_Win_bytes_forward, Packet Length Std, Subflow Fwd Bytes, Fwd PSH Flags.
  • Infiltration ($M = 7$): Subflow Fwd Bytes, Total Length of Fwd Packets, Flow Duration, Idle Mean, Active Mean, Init_Win_bytes_backward, PSH Flag Count.

Implementation và kết quả

Chi tiết thuật toán và kiến trúc mạng nơ-ron

Quá trình huấn luyện WGAN sử dụng hàm mất mát dựa trên đối ngẫu Kantorovich-Rubinstein:

$$\min_G \max_{D \in \mathcal{D}_{L \le 1}} \underset{x \sim \mathbb{P}_r}{\mathbb{E}}[D(x)] - \underset{\tilde{x} \sim \mathbb{P}_g}{\mathbb{E}}[D(\tilde{x})]$$

Hàm mất mát của bộ phân biệt $D$ và bộ sinh $G$: $$\mathcal{L}_D = \underset{\tilde{x} \sim \mathbb{P}_g}{\mathbb{E}}[D(\tilde{x})] - \underset{x \sim \mathbb{P}_r}{\mathbb{E}}[D(x)]$$ $$\mathcal{L}_G = -\underset{\tilde{x} \sim \mathbb{P}_g}{\mathbb{E}}[D(\tilde{x})]$$

import torch
import torch.nn as nn

class DIGFuPAS_Generator(nn.Module):
    def __init__(self, input_dim):
        super(DIGFuPAS_Generator, self).__init__()
        # input_dim = (68 - M) non-functional features + 3 noise dimensions
        hidden_dim = input_dim // 2
        self.model = nn.Sequential(
            nn.Linear(input_dim, hidden_dim),
            nn.ReLU(),
            nn.Linear(hidden_dim, hidden_dim),
            nn.ReLU(),
            nn.Linear(hidden_dim, hidden_dim),
            nn.ReLU(),
            nn.Linear(hidden_dim, hidden_dim),
            nn.Sigmoid()  # Giữ giá trị nhiễu chuẩn hóa trong đoạn [0, 1]
        )
        self.out_layer = nn.Linear(hidden_dim, input_dim - 3)

    def forward(self, non_functional_x, noise_z):
        # Nối vector thuộc tính phi chức năng với vector nhiễu ngẫu nhiên
        inputs = torch.cat([non_functional_x, noise_z], dim=1)
        perturbed_non_functional = self.out_layer(self.model(inputs))
        return perturbed_non_functional

class DIGFuPAS_Discriminator(nn.Module):
    def __init__(self, input_dim):
        super(DIGFuPAS_Discriminator, self).__init__()
        # input_dim = 68 - M non-functional features
        self.model = nn.Sequential(
            nn.Linear(input_dim, input_dim * 2),
            nn.ReLU(),
            nn.Linear(input_dim * 2, input_dim * 2),
            nn.ReLU(),
            nn.Linear(input_dim * 2, input_dim * 2),
            nn.ReLU(),
            nn.Linear(input_dim * 2, input_dim // 2)
            # Lớp ra tuyến tính Linear Projection (không sử dụng Softmax/Sigmoid)
        )
        self.critic_head = nn.Linear(input_dim // 2, 1)

    def forward(self, x):
        features = self.model(x)
        score = self.critic_head(features)
        return score

def generate_adversarial_sample(generator, original_flow, functional_indices, non_functional_indices):
    """
    Sinh mẫu đối kháng bảo toàn chức năng Function-Preserving
    """
    batch_size = original_flow.size(0)
    noise = torch.rand(batch_size, 3) # Vector nhiễu ngẫu nhiên 3 chiều
    
    non_func_data = original_flow[:, non_functional_indices]
    func_data = original_flow[:, functional_indices]
    
    perturbed_non_func = generator(non_func_data, noise)
    
    # Tái cấu trúc vector 68 chiều hoàn chỉnh
    adversarial_flow = torch.zeros_like(original_flow)
    adversarial_flow[:, non_functional_indices] = perturbed_non_func
    adversarial_flow[:, functional_indices] = func_data
    
    return adversarial_flow

Đánh giá kết quả thực nghiệm

Mô hình được huấn luyện trên hệ thống máy chủ InSecLab với card tăng tốc tính toán GPU NVIDIA, phân bổ tập dữ liệu theo tỷ lệ train1 (40% huấn luyện IDS), train2 (40% huấn luyện WGAN) và test (20% đánh giá độc lập).

Tỷ lệ phát hiện trước vs sau khi tăng cường (Random Forest)
100% |==================================================== 98.92% (Gốc - ODR)
 80% |                                                     96.45% (Sau tăng cường)
 60% |
 40% |
 20% |================= 24.18% (Bị tấn công - ADR)
  0% +----------------------------------------------------

Hiệu quả đánh lừa IDS của DIGFuPAS và năng lực phục hồi sau Tái huấn luyện

Thuật toán B-IDS Tỷ lệ phát hiện gốc (ODR) Tỷ lệ phát hiện khi bị tấn công (ADR) Tỷ lệ phát hiện sau tái huấn luyện (Retrained DR) F1-Score Trước tấn công F1-Score Khi bị tấn công F1-Score Sau tái huấn luyện
Random Forest (RF) 98.92% 24.18% 96.45% 0.988 0.385 0.963
Decision Tree (DT) 97.45% 28.30% 94.12% 0.972 0.437 0.939
K-Nearest Neighbors (KNN) 96.80% 31.25% 93.80% 0.965 0.472 0.935
Support Vector Machine (SVM) 92.15% 18.40% 89.65% 0.918 0.306 0.892
Logistic Regression (LR) 88.30% 12.10% 85.40% 0.879 0.213 0.848
Gaussian Naive Bayes (NB) 84.10% 10.50% 81.20% 0.835 0.188 0.805

Dữ liệu thực nghiệm chứng minh: DIGFuPAS có khả năng làm tê liệt gần như hoàn toàn các mô hình phân loại chuẩn, kéo tỷ lệ nhận diện của Random Forest từ 98.92% xuống còn 24.18% (đánh lừa thành công hơn 75.8% lưu lượng tấn công). Sau quá trình tự động bổ sung mẫu đối kháng vào tập huấn luyện và tối ưu lại ranh giới quyết định, năng lực phòng thủ của Random Forest được khôi phục ấn tượng lên mức 96.45% và chỉ số F1-Score đạt 0.963.

Đổi mới và đóng góp

  1. Cơ chế hòa trộn nhiễu kết hợp (Hybrid Noise-Perturbation Mechanism): Khắc phục nhược điểm của việc chỉ sử dụng nhiễu thuần túy (gây khó hội tụ) hoặc chỉ sử dụng thuộc tính tĩnh (làm nghèo nàn tập mẫu sinh), việc nối vector nhiễu ngẫu nhiên 3 chiều $z \in [0, 1]^3$ vào vector phi chức năng tạo ra không gian biểu diễn vô hạn cho các biến thể tấn công mới.
  2. Nguyên lý bảo toàn chức năng mạng (Strict Function-Preserving): Đảm bảo các thuộc tính xác định giao thức cốt lõi như số cờ TCP (PSH, ACK), độ dài cửa sổ ban đầu (Init_Win_bytes) và kích thước gói trung bình không bị biến dạng, giúp gói tin đối kháng giữ nguyên khả năng khai thác lỗ hổng khi đi qua thiết bị định tuyến.
  3. Mô hình phòng ngự chủ động trên SDN: Tận dụng tính linh hoạt của SDN Controller để tự động trích xuất luồng qua cổng ảo (Mirroring Port), phát hiện điểm yếu của IDS và kích hoạt tái huấn luyện không làm gián đoạn hệ thống.
  4. Công bố khoa học và giải thưởng uy tín:
    • Giải Nhất lĩnh vực Công nghệ Thông tin - Giải thưởng Sinh viên Nghiên cứu Khoa học Euréka lần thứ XXII (2020).
    • Giải Nghiên cứu trẻ xuất sắc tại Hội thảo Mạng lưới học thuật Việt Nam tại Nhật Bản (VANJ 2020).
    • Bài báo khoa học tại Kỷ yếu Hội nghị Quốc gia lần thứ XXIII về Điện tử, Truyền thông và CNTT (REV-ECIT 2020) (ISBN: 978-604-80-5076-4).
    • Báo cáo chuyên đề tại Hội thảo An toàn thông tin - Bộ Tư lệnh Tác chiến Không gian mạng (BTL 86).

Ứng dụng thực tế và triển khai

Kịch bản triển khai trong thực tế

  • Trung tâm dữ liệu đám mây (Cloud Data Center): Bảo vệ các cụm máy chủ dịch vụ trước các cuộc tấn công DDoS phân tán có áp dụng kỹ thuật lẩn tránh AI.
  • Hạ tầng đô thị thông minh và IoT (Smart City / IoTCI): SDN Controller đóng vai trò kiểm soát tập trung, tự động cập nhật mô hình học máy cho hàng triệu node cảm biến có tài nguyên tính toán giới hạn.
                    +-------------------------------------+
                    |     SDN Controller (Ryu/OpenFlow)   |
                    +-------------------------------------+
                                       |
                   +-------------------+-------------------+
                   |                                       |
                   v                                       v
    +-----------------------------+         +-----------------------------+
    |   Open vSwitch Edge 01      |         |    Open vSwitch Edge 02     |
    +-----------------------------+         +-----------------------------+
                   |                                       |
       [Mirror: TCP/UDP Stream]                 [Mirror: TCP/UDP Stream]
                   |                                       |
                   +-------------------+-------------------+
                                       |
                                       v
                        +------------------------------+
                        |  DIGFuPAS VNF Container      |
                        |  1. Capture & Feature Ext    |
                        |  2. Real-time Inference      |
                        |  3. Trigger Self-Retraining  |
                        +------------------------------+

Phân tích hiệu quả kinh tế và vận hành (ROI)

  • Tối ưu hóa chi phí phần cứng (CapEx): Thay vì đầu tư các thiết bị phần cứng chuyên dụng độc quyền đắt đỏ, giải pháp vận hành hoàn toàn trên nền tảng phần mềm mã nguồn mở và máy chủ thương mại thông thường (COTS).
  • Giảm thiểu chi phí vận hành (OpEx): Tự động hóa quy trình phát hiện lỗ hổng và tái huấn luyện giúp giảm hơn 70% thời gian phân tích thủ công của chuyên viên trung tâm điều hành an ninh mạng (SOC).
  • Thời gian hoàn vốn (ROI Timeline): Ước tính các tổ chức tài chính hoặc doanh nghiệp cung cấp dịch vụ trực tuyến có thể thu hồi vốn đầu tư trong vòng 6 - 9 tháng nhờ ngăn chặn hiệu quả các sự cố gián đoạn dịch vụ và thất thoát dữ liệu.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  1. Độ trễ trích xuất đặc trưng luồng: Quy trình gom gói thành luồng và tính toán thống kê thông qua CICFlowMeter tạo ra độ trễ từ vài giây đến hàng chục giây đối với các kết nối thời gian dài (Flow Duration lớn).
  2. Phụ thuộc vào nhãn dữ liệu chuẩn: Quá trình gán nhãn của IDS hộp đen giả định ban đầu đạt độ chính xác cao, nếu dữ liệu ban đầu bị ô nhiễm (Data Poisoning), chất lượng mẫu sinh của WGAN sẽ bị ảnh hưởng.

Hướng phát triển tương lai

  • Trích xuất thuộc tính Online Streaming: Chuyển đổi từ trích xuất luồng sang mô hình phân loại từng gói tin (Packet-based ML) hoặc trích xuất thuộc tính tức thời trên phần cứng lập trình được (P4 Switch).
  • Mở rộng mô hình GAN điều kiện (cGAN / InfoGAN): Hỗ trợ sinh dữ liệu đa nhãn trực tiếp cho các họ mã độc cụ thể mà không cần tách riêng từng nhóm tấn công.
  • Tích hợp cơ chế học tăng cường (Reinforcement Learning): Xây dựng tác nhân tự động tối ưu chính sách luật tường lửa Flow-Rule trên SDN Controller ngay khi phát hiện xâm nhập.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Tiếp cận nguồn tài liệu mẫu mực về việc ứng dụng mạng sinh đối kháng WGAN vào bài toán an toàn thông tin và kiến trúc mạng SDN; nắm vững phương pháp xử lý dữ liệu tabular và tối ưu hàm mất mát đối kháng.
  • Kỹ sư bảo mật & Lập trình viên AI/SOC: Nắm bắt kiến trúc tích hợp giữa Ryu Controller, Open vSwitch và Dockerized VNF; tái sử dụng mã nguồn và pipeline tiền xử lý cho các hệ thống NIDS thực tế.
  • Doanh nghiệp & Đơn vị vận hành mạng: Sở hữu phương án kiểm thử độ bền vững của tường lửa và hệ sinh thái an ninh mạng tự động mà không cần thuê đội ngũ Red Team tốn kém.
  • Nhà nghiên cứu khoa học: Cung cấp bằng chứng thực nghiệm rõ ràng về khoảng cách giữa độ chính xác trên tập kiểm thử tĩnh và năng lực phòng thủ thực tế trước các cuộc tấn công đối kháng có chủ đích.

Câu hỏi thường gặp

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

Hệ thống yêu cầu máy chủ chạy Linux (Ubuntu 18.04/20.04 LTS), CPU tối thiểu 8 cores, 16GB RAM để vận hành đồng thời Mininet, Ryu Controller và CICFlowMeter. Để huấn luyện mô hình WGAN nhanh chóng, khuyến nghị trang bị thêm GPU rời có hỗ trợ CUDA với tối thiểu 6GB VRAM (ví dụ: NVIDIA GTX 1660 Ti hoặc RTX 2060 trở lên).

2. Giới hạn mở rộng (Scalability) của hệ sinh thái SDN ML-IDS này là bao nhiêu?

Kiến trúc phân tách của SDN cho phép phân tán tải phân tích. Một SDN Controller đơn lẻ có thể quản lý hàng chục switch OpenFlow. Khi lưu lượng mạng vượt ngưỡng 10 Gbps, các container trích xuất thuộc tính và ML-IDS có thể được nhân bản vô tính (horizontal scaling) trên cụm Kubernetes để cân bằng tải xử lý.

3. Giải pháp này có thể tích hợp với các hệ thống IDS truyền thống như Snort hay Suricata không?

Hoàn toàn khả thi. Hệ thống có thể triển khai ở chế độ lai (Hybrid Mode): Snort/Suricata xử lý phát hiện nhanh các cuộc tấn công đã có chữ ký (Signature-based) ở tầng ngoài, trong khi module ML-IDS DIGFuPAS tiếp nhận các luồng lưu lượng nghi vấn để phát hiện tấn công zero-day và tấn công đối kháng.

4. Tần suất tái huấn luyện mô hình nên được thiết lập như thế nào?

Tần suất tối ưu phụ thuộc vào lưu lượng mạng thực tế. Thông thường, hệ thống nên đặt ngưỡng kích hoạt tự động (Threshold Trigger): khi tỷ lệ cảnh báo bất thường tăng đột biến vượt quá 5% lưu lượng chung hoặc định kỳ vào các khung giờ thấp điểm hàng tuần.

5. Chi phí triển khai giải pháp này so với việc mua thiết bị thương mại chuyên dụng ra sao?

Giải pháp tiết kiệm từ 60% đến 80% chi phí đầu tư ban đầu do tận dụng phần mềm nguồn mở và phần cứng tiêu chuẩn. Chi phí chủ yếu tập trung vào việc cấu hình hệ thống ban đầu và duy trì máy chủ tính toán cho module WGAN.

Kết luận

Đề tài "Tăng cường khả năng phát hiện tấn công bằng Mạng sinh đối kháng trong Mạng khả lập trình" đã giải quyết thành công một trong những thách thức an ninh mạng cốt lõi hiện nay: tính dễ bị tổn thương của các mô hình học máy trước tấn công đối kháng. Bộ khung DIGFuPAS chứng minh tính ưu việt vượt trội khi vừa đảm bảo khả năng đánh lừa các thuật toán phân loại tiên tiến với tỷ lệ qua mặt lên tới hơn 75%, vừa giữ nguyên tính hợp lệ kỹ thuật của luồng dữ liệu nhờ cơ chế bảo toàn thuộc tính chức năng.

Việc tích hợp và kiểm thử thành công trên nền tảng mạng SDN không chỉ khẳng định tính khả thi của giải pháp trong môi trường mạng thế hệ mới mà còn mở ra hướng đi bền vững cho các trung tâm điều hành an ninh mạng tự động hóa. Độc giả, lập trình viên và các nhóm nghiên cứu quan tâm có thể tiếp tục mở rộng mô hình sang các tập dữ liệu mới hoặc phát triển các module trích xuất luồng thời gian thực nhằm hoàn thiện hệ thống phòng thủ không gian mạng thông minh.