Bối cảnh và vấn đề nghiên cứu

Sự phát triển của mạng lưới vạn vật kết nối Internet (IoT) phục vụ nhu cầu tự động hóa và tiện ích đời sống đã dẫn tới sự gia tăng nhanh chóng về số lượng thiết bị thông minh. Do đặc thù hoạt động liên tục và lưu trữ nhiều dữ liệu cá nhân nhạy cảm, các hệ thống IoT trở thành mục tiêu hàng đầu của các cuộc tấn công mạng. Trong thực tế, các thiết bị này thường có năng lực phần cứng hạn chế và chủ yếu được trang bị các cơ chế an ninh truyền thống dựa trên tập luật cố định (rule-based security). Các biện pháp này dễ dàng bị vượt qua bởi các mối đe dọa biến thể mới hoặc tấn công chưa từng biết (zero-day).

Một hiểm họa điển hình được tác giả nêu ra là mạng máy tính ma (botnet), cụ thể là các mã độc Mirai và Gafgyt (hay còn gọi là Bashlite). Kẻ tấn công khai thác mật khẩu mặc định hoặc lỗ hổng phần mềm để xâm nhập vào thiết bị IoT, biến chúng thành các "bot" phục vụ cho các đợt tấn công từ chối dịch vụ phân tán (DDoS) quy mô lớn. Dẫn chứng thực tế là vụ tấn công DDoS vào nhà cung cấp dịch vụ phân giải tên miền Dyn vào tháng 10 năm 2016, làm gián đoạn hàng loạt dịch vụ Internet như Netflix, PayPal, Visa, Amazon, Reddit và GitHub. Báo cáo thống kê năm 2016 được trích dẫn trong văn bản cho thấy Việt Nam là quốc gia đứng đầu trong nhóm 10 nước phát sinh lưu lượng tấn công botnet Mirai nhiều nhất thế giới, chiếm tỷ lệ 12,8%.

Nhằm đối phó với sự thay đổi liên tục của lưu lượng độc hại, các giải pháp Trí tuệ nhân tạo (AI), Học máy (Machine Learning - ML) và Học sâu (Deep Learning - DL) đã được đưa vào hệ thống phát hiện xâm nhập (IDS). Hiệu suất phát hiện của mô hình tỷ lệ thuận với khối lượng dữ liệu huấn luyện. Tuy nhiên, việc tập trung dữ liệu từ các thiết bị IoT về máy chủ trung tâm gặp phải hai trở ngại lớn: nguy cơ vi phạm quyền riêng tư của người dùng do dữ liệu nhạy cảm bị thu thập và hạn chế về tài nguyên băng thông mạng. Để giải quyết mâu thuẫn này, Học liên kết (Federated Learning - FL) được lựa chọn nhằm huấn luyện mô hình phân tán trên thiết bị cục bộ, chỉ gửi tham số thay vì truyền dữ liệu thô. Dẫu vậy, việc liên tục trao đổi trọng số mô hình giữa các nút mạng lại tạo ra chi phí tính toán và truyền thông lớn.

Xuất phát từ thực tiễn trên, khóa luận xác định các mục tiêu và nhiệm vụ nghiên cứu như sau:

  1. Thiết kế hệ thống phát hiện xâm nhập (IDS) dựa trên nền tảng mô hình Học liên kết (Federated Learning).
  2. Tối ưu số lần cập nhật tham số giữa các thiết bị trạm (worker) và máy chủ quản trị (master) nhằm giảm thiểu việc tiêu hao tài nguyên mạng và tính toán.

Về đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Kiến trúc hệ thống phát hiện xâm nhập (IDS) dành cho mạng IoT; nghiên cứu và ứng dụng mô hình Federated Learning để đảm bảo hiệu suất và quyền riêng tư của dữ liệu.
  • Phạm vi nghiên cứu: Tập trung phân tích, phát hiện các cuộc tấn công botnet Gafgyt và Mirai trên các thiết bị IoT thương mại; thực nghiệm triển khai hệ thống trên phần cứng Raspberry Pi 4.

Cơ sở lý thuyết và phương pháp

Khóa luận xây dựng nội dung dựa trên các nền tảng lý thuyết và công nghệ chuyên ngành An toàn thông tin:

  • Khái niệm về mối đe dọa IoT Botnet: Phân tích kiến trúc hoạt động của mạng botnet bao gồm các thành phần: Máy chủ điều khiển và ra lệnh (CnCs - Command-and-Control Servers), các thiết bị bị kiểm soát (Bots), thành phần thăm dò (Scanners), công cụ cài cắm mã độc (Loaders), máy chủ chứa mã độc (Malware servers) và cơ sở dữ liệu (Database). Tác giả phân tích cơ chế lây nhiễm, quét cổng, khai thác thông tin đăng nhập mặc định và các hình thức tấn công lũ lụt như UDP Flooding, SYN Flooding, ACK Flooding.
  • Mạng nơ-ron nhân tạo (Artificial Neural Network) và Học sâu: Cấu trúc Perceptron nhiều tầng (Input Layer, Hidden Layer, Output Layer), kỹ thuật dừng sớm (Early Stopping) dựa trên 4 biến kiểm soát (early_stop_thresh, best_accuracy, best_epoch, expected_threshold) nhằm hạn chế hiện tượng quá khớp (overfitting) và tiết kiệm thời gian huấn luyện.
  • Mô hình Học liên kết (Federated Learning): Cơ chế phân tán gồm nút quản trị (master) và các nút thành viên (workers). Quá trình huấn luyện trải qua chu kỳ: phát tán mô hình toàn cục, huấn luyện mô hình cục bộ với tập dữ liệu tại biên, gửi trả trọng số và tính toán trung bình tham số (Federated Averaging) tại master.
  • Phương pháp nghiên cứu thực nghiệm:
    • Phân tích và tiền xử lý dữ liệu mạng từ file bắt gói tin (pcap) thông qua các đại lượng thống kê luồng.
    • Xây dựng mô hình học sâu kết hợp kỹ thuật nén dữ liệu truyền thông và thiết lập thuật toán lọc điều kiện gửi tham số.
    • Cài đặt thực tế trên mạng máy tính nhúng và kiểm thử hiệu năng phân loại theo từng vòng lặp huấn luyện.
  • Nguồn dữ liệu: Sử dụng tập dữ liệu N-BaIoT (Network-based Anomaly Detection in IoT), cung cấp lưu lượng mạng trích xuất từ 9 thiết bị IoT thương mại bị lây nhiễm mã độc botnet trong môi trường thực nghiệm.

Thiết kế và triển khai

Hệ thống Federated IDS được thiết kế theo mô hình phân tán gồm 1 nút master và 2 nút worker, tích hợp các thành phần giám sát và giao diện người dùng.

Kiến trúc phần mềm và mô hình phân loại

Mô hình phát hiện xâm nhập được xây dựng bằng framework PyTorch thông qua lớp nn.Module, cấu trúc gồm 2 lớp tích chập một chiều (1D Convolution) kết hợp với 3 lớp tuyến tính (Linear).

  • Đầu vào: Vector 115 thuộc tính số liệu thống kê luồng mạng từ tập dữ liệu N-BaIoT.
  • Đầu ra: Phân phối xác suất của 10 nhãn phân loại, gồm 1 lớp lưu lượng bình thường (benign) và 9 biến thể tấn công: gafgyt_combo, gafgyt_junk, gafgyt_scan, gafgyt_udp, mirai_ack, mirai_scan, mirai_syn, mirai_udp, mirai_udpplain. Xác suất lớn nhất sẽ được chọn làm nhãn dự đoán cuối cùng.

Giao tiếp giữa master và worker được lập trình bằng thư viện Socket trong Python, áp dụng kỹ thuật đa luồng (multi-threading). Trọng số mô hình sau mỗi lượt huấn luyện tốt nhất được lưu trữ tại tệp IoT_Intrusions_Detection.pth (tương ứng với các tệp cục bộ IoT_Intrusions_Detection1.pth, IoT_Intrusions_Detection2.pth trên từng worker).

Kỹ thuật nén và thuật toán tối ưu truyền thông

Nhằm giảm bớt dung lượng trao đổi qua mạng, hệ thống thử nghiệm các thuật toán nén thông qua thư viện compress của Python gồm: LZ4, BZ2, LZMA và GZIP. Bên cạnh đó, tác giả thiết kế 2 giải pháp điều kiện để worker quyết định việc gửi tham số:

  • Giải pháp 1 (Kiểm tra sự thay đổi của hàm mất mát - Loss): Sau khi huấn luyện cục bộ, worker thu thập chuỗi giá trị loss, áp dụng quy tắc Ba Sigma (Three-Sigma) để loại bỏ các điểm dị biệt (nhiễu). Sau đó tính toán giá trị mất mát trung bình (mean_loss) và tỷ lệ thay đổi (change_rate) so với 5 giá trị loss đầu tiên. Trọng số chỉ được gửi về master khi thỏa mãn đồng thời hai ngưỡng: change_rate > x (ví dụ x = 0.1) và mean_loss > y (ví dụ y = 0.05).
  • Giải pháp 2 (Kiểm tra sự gia tăng độ chính xác): Worker đánh giá mô hình trên tập kiểm thử cục bộ trước khi huấn luyện để lấy độ chính xác ban đầu (pre_acc), sau đó thực hiện huấn luyện cục bộ với Early Stopping để ghi nhận độ chính xác cao nhất (best_accuracy). Mô hình chỉ được chuyển giao về master nếu best_accuracy > pre_acc + 1 (với 1 là ngưỡng gia tăng mong đợi).

Triển khai thực nghiệm trên phần cứng và công nghệ phụ trợ

  • Phần cứng: 3 máy tính nhúng Raspberry Pi 4 (kiến trúc ARMv8 64-bit, bộ nhớ RAM 8GB, thẻ nhớ tối thiểu 16GB). Cả 3 nút đều cài đặt hệ điều hành Ubuntu Server 22.10 (64-bit) thông qua Raspberry Pi Imager.
  • Môi trường phần mềm: Sử dụng Docker để ảo hóa môi trường thực thi đồng nhất trên kiến trúc ARM, sử dụng image cơ sở kumatea/pytorch:1.1. Các gói thư viện phục vụ hệ thống gồm: numpy==1.5, scipy==1.0, pandas==1.5, elasticsearch==7.9, scikit-learn, matplotlib, scapy==2.5, streamlit, psutil.
  • Giám sát và giao diện: Tích hợp hệ thống ELK Stack (Elasticsearch, Logstash, Kibana) để theo dõi nhật ký (log) huấn luyện, mức độ chiếm dụng CPU, RAM và độ chính xác qua từng epoch thời gian thực. Giao diện người dùng được xây dựng bằng thư viện Streamlit, cung cấp hai tính năng: dự đoán lưu lượng độc hại từ tệp CSV có sẵn và bắt gói tin trực tiếp từ card mạng bằng Scapy để phân tích thời gian thực.

Nội dung chính theo từng chương

Chương 1. Đặt vấn đề

Chương này phân tích bối cảnh phát triển của các thiết bị IoT và các rủi ro an ninh mạng đi kèm, đặc biệt là nguy cơ từ các mạng botnet thực hiện tấn công DDoS quy mô lớn. Tác giả dẫn chứng số liệu thống kê về vụ tấn công Dyn năm 2016 và mức độ phát sinh botnet Mirai tại Việt Nam (12,8%). Chương này xác định mục tiêu của đề tài là xây dựng hệ thống phát hiện xâm nhập cho IoT dựa trên mô hình Federated Learning nhằm bảo vệ quyền riêng tư dữ liệu, đồng thời đề ra giải pháp tối ưu số lần truyền tham số nhằm tiết kiệm tài nguyên mạng và năng lực tính toán. Đối tượng và phạm vi nghiên cứu được giới hạn vào các biến thể tấn công của Gafgyt và Mirai trên thiết bị IoT.

Chương 2. Cơ sở lý thuyết

Chương 2 hệ thống hóa toàn bộ kiến thức nền tảng phục vụ cho việc thực hiện đồ án. Phần đầu trình bày về lợi ích và các mối đe dọa an toàn thông tin trên mạng IoT, phân tích chi tiết cơ chế lây nhiễm, quét cổng, kiến trúc phân tầng của mạng botnet Mirai và Gafgyt (Bashlite), đồng thời liệt kê danh sách tên người dùng và mật khẩu mặc định phổ biến bị khai thác. Tiếp theo, chương này tổng quan về các phương pháp máy học (học có giám sát, không giám sát, bán giám sát, học tăng cường), cấu trúc mạng nơ-ron nhân tạo nhiều lớp (Input, Hidden, Output layers) và các lĩnh vực ứng dụng. Phần cuối đi sâu vào nguyên lý hoạt động của Học liên kết (Federated Learning), chỉ rõ các bước đồng bộ giữa master và workers, đồng thời đánh giá ưu điểm (bảo mật dữ liệu, giảm độ trễ, tối ưu tài nguyên) cùng các thách thức (tính không đồng nhất của thiết bị, nguy cơ tấn công đầu độc và tái tạo dữ liệu).

Chương 3. Mô hình hệ thống

Chương 3 trình bày chi tiết kiến trúc giải pháp được đề xuất. Nội dung mô tả cấu trúc mạng học sâu phát hiện mối đe dọa với 2 lớp 1D Convolution và 3 lớp Linear nhận đầu vào 115 đặc trưng. Tác giả thiết lập thuật toán huấn luyện và kiểm thử, áp dụng cơ chế Early Stopping với các tham số giới hạn cụ thể. Chương này cũng phân tích việc áp dụng các kỹ thuật nén dữ liệu (LZ4, BZ2, LZMA, GZIP) và xây dựng chi tiết 2 giải pháp tối ưu hóa việc chuyển giao mô hình trong Federated Learning: lọc nhiễu loss bằng quy tắc Three-Sigma kết hợp ngưỡng biến thiên change_rate/mean_loss, và kiểm tra chênh lệch độ chính xác trước/sau huấn luyện (pre_acc và best_accuracy). Quy trình quản trị dữ liệu huấn luyện, đồng bộ socket đa luồng và tích hợp ngăn xếp ELK để ghi nhận log tài nguyên cũng được chuẩn hóa tại đây.

Chương 4. Kết quả thực nghiệm

Chương 4 tập trung vào việc mô tả tập dữ liệu N-BaIoT, bao gồm danh sách 9 thiết bị IoT thương mại bị nhiễm botnet, phân loại 10 nhãn dữ liệu và cấu trúc 115 thuộc tính thống kê tạo ra từ 5 luồng thông tin (MI, H, HH, HH_jit, HpHp) trong 5 khung thời gian suy giảm Lambda. Tác giả trình bày phương pháp phân chia dữ liệu (700.000 mẫu kiểm thử trên master, 1.000 mẫu huấn luyện và 500.000 mẫu kiểm thử trên mỗi worker) và công thức chuẩn hóa dữ liệu dựa trên giá trị trung bình (mean_standard) và độ lệch chuẩn (std_standard) của 3.000 bản ghi mẫu. Toàn bộ các bước cài đặt hệ thống thực tế trên 3 bo mạch Raspberry Pi 4 bằng Docker được hướng dẫn chi tiết qua từng dòng lệnh. Phần đánh giá hiệu năng thể hiện kết quả thực nghiệm qua 5 lần chạy của mô hình học sâu tập trung (không áp dụng FL) và mô hình áp dụng FL truyền thống. Cuối chương giới thiệu giao diện trực quan hóa trên Kibana/Elasticsearch và ứng dụng web Streamlit hỗ trợ dự đoán theo lô (file CSV) và theo luồng mạng thời gian thực.

Chương 5. Kết luận và hướng phát triển

Chương 5 tóm tắt các kết quả đạt được của khóa luận, bao gồm việc xây dựng thành công mô hình IDS học sâu phân loại được 10 nhóm lưu lượng mạng, triển khai hoạt động ổn định trên phần cứng nhúng Raspberry Pi 4 thông qua mô hình Học liên kết, tích hợp công cụ nén và cơ chế tối ưu truyền thông, đồng thời xây dựng hoàn chỉnh giao diện giám sát và cảnh báo. Bên cạnh đó, chương này đề xuất các định hướng phát triển tiếp theo nhằm nâng cao tính tương thích, tối ưu tài nguyên và mở rộng khả năng phòng thủ của hệ thống.

Kết quả và đóng góp

Kết quả thực nghiệm

Khóa luận đã tiến hành đánh giá thực nghiệm mô hình qua 5 lần chạy độc lập trên cùng một tập dữ liệu cố định để kiểm tra tính ổn định.

Mô hình học sâu độc lập không áp dụng Học liên kết (huấn luyện tập trung với 3.000 bản ghi, kiểm thử trên 700.000 bản ghi) đạt độ chính xác trên 98% và dừng sớm ở số epoch tương đối thấp:

Số thứ tự lần đào tạo Lần 1 Lần 2 Lần 3 Lần 4 Lần 5
Số mẫu dự đoán đúng 692.079 / 700.000 694.524 / 700.000 689.275 / 700.000 693.790 / 700.000 689.910 / 700.000
Tỷ lệ chính xác (%) 98,87% 99,22% 98,47% 99,11% 98,56%
Dừng sớm tại Epoch 9 11 13 12 13

Khi chuyển sang mô hình phân tán áp dụng Học liên kết (Federated Learning truyền thống, chưa áp dụng cơ chế tối ưu cắt giảm gửi tham số), kết quả đánh giá 5 lần trên master với 700.000 mẫu kiểm thử như sau:

Số thứ tự lần đào tạo Lần 1 Lần 2 Lần 3 Lần 4 Lần 5
Số mẫu dự đoán đúng 578.247 / 700.000 572.258 / 700.000 580.387 / 700.000 576.845 / 700.000 576.472 / 700.000
Tỷ lệ chính xác (%) 82,61% 81,75% 82,91% 82,41% 82,35%
Số lần gửi tham số 10 10 10 10 10

Độ chính xác trung bình của mô hình FL truyền thống đạt mức xấp xỉ 82,4%, thấp hơn so với mô hình tập trung do dữ liệu bị phân tách cục bộ trên các worker và số lượng epoch huấn luyện phân tán bị giới hạn, nhưng đổi lại đảm bảo nguyên tắc không truyền dữ liệu thô ra khỏi thiết bị IoT.

Đóng góp của đề tài

  1. Triển khai thành công kiến trúc Federated Learning trên phần cứng thực tế gồm các bo mạch Raspberry Pi 4 kiến trúc ARMv8, chứng minh tính khả thi của việc huấn luyện phân tán trực tiếp trên thiết bị IoT biên thay vì chỉ mô phỏng trên máy tính cá nhân.
  2. Thiết kế và tích hợp cơ chế Early Stopping cùng các thuật toán nén (LZ4, BZ2, LZMA, GZIP) và 2 giải pháp điều kiện (dựa trên quy tắc Three-Sigma lọc loss và chênh lệch độ chính xác) nhằm cắt giảm số lần cập nhật tham số không cần thiết giữa worker và master, góp phần tiết kiệm tài nguyên tính toán và băng thông truyền thông.
  3. Xây dựng hoàn chỉnh hệ sinh thái hỗ trợ vận hành bao gồm hệ thống giám sát thời gian thực ELK Stack và giao diện web Streamlit cho phép người quản trị dự đoán nguy cơ từ file dữ liệu lưu lượng hoặc giám sát luồng gói tin trực tiếp từ card mạng thiết bị.

Hạn chế và hướng nghiên cứu tiếp

Khóa luận chỉ ra một số hạn chế gắn liền với phạm vi và điều kiện thực nghiệm:

  • Tính không đồng nhất của thiết bị: Trong thực tế, các thiết bị IoT đa dạng về cấu hình phần cứng, phiên bản hệ điều hành và trạng thái kết nối mạng, có thể ảnh hưởng đến khả năng tương thích của môi trường container hoặc làm suy giảm độ đồng quy của mô hình toàn cục.
  • Thách thức an ninh nội tại của Federated Learning: Mô hình phân tán vẫn có nguy cơ đối mặt với các hình thức tấn công chuyên biệt vào quá trình học máy như tấn công đầu độc dữ liệu/mô hình (Poisoning Attack) hoặc tấn công tái tạo thông tin (Reconstruction Attack) từ các tham số mô hình trao đổi.
  • Ràng buộc phần cứng: Bộ nhớ RAM trên thiết bị thực nghiệm bị giới hạn (8GB trên Raspberry Pi 4), do đó số lượng dữ liệu huấn luyện cục bộ trên mỗi worker chỉ dừng ở mức 1.000 bản ghi mỗi đợt để tránh quá tải tài nguyên tính toán.

Hướng phát triển tiếp theo được tác giả xác định:

  • Mở rộng phạm vi thử nghiệm trên nhiều chủng loại phần cứng IoT khác nhau với cấu hình đa dạng để kiểm chứng độ bền vững của thuật toán.
  • Bổ sung các giải pháp phòng vệ chuyên sâu chống lại các tấn công đầu độc tham số trong quá trình huấn luyện Học liên kết.
  • Tối ưu hóa sâu hơn nữa cấu trúc mạng nơ-ron và thuật toán truyền thông nhằm cải thiện độ chính xác phân loại của mô hình FL tiệm cận với mô hình huấn luyện tập trung.

Giá trị tham khảo

Báo cáo khóa luận là tài liệu tham khảo có giá trị học thuật và ứng dụng kỹ thuật thực tiễn cho các nhóm đối tượng:

  • Sinh viên và học viên chuyên ngành An toàn thông tin, Mạng máy tính và Truyền thông: Nắm bắt phương pháp luận nghiên cứu khi ứng dụng Học máy/Học sâu vào bài toán phát hiện bất thường trên mạng viễn thông; hiểu rõ quy trình trích xuất và ý nghĩa của 115 thuộc tính thống kê từ lưu lượng mạng trong bộ dữ liệu chuẩn N-BaIoT.
  • Kỹ sư phát triển hệ thống nhúng và IoT: Tham khảo tài liệu kỹ thuật chi tiết về việc cài đặt, cấu hình hệ điều hành Ubuntu Server 64-bit và môi trường Docker PyTorch trên phần cứng kiến trúc ARMv8 của Raspberry Pi 4; phương pháp thiết lập socket giao tiếp đa luồng giữa master và các worker.
  • Nhóm nghiên cứu về Federated Learning: Có thể kế thừa các đề xuất tối ưu truyền thông, bao gồm thuật toán lọc nhiễu hàm mất mát theo quy tắc Ba Sigma và phương pháp đánh giá điều kiện gửi tham số nhằm giải quyết nút thắt cổ chai về băng thông trong học máy phân tán.

Câu hỏi thường gặp

1. Tập dữ liệu N-BaIoT được thu thập từ những thiết bị nào và gồm bao nhiêu thuộc tính?

Tập dữ liệu N-BaIoT được xây dựng từ lưu lượng mạng của 9 thiết bị IoT thương mại gồm: Danmini Doorbell, Ecobee Thermostat, Ennio Doorbell, Philips B120N10 Baby Monitor, Provision PT 737E Security Camera, Provision PT 838 Security Camera, Samsung SNH 1011 N Webcam, SimpleHome XCS7 1002 WHT Security Camera và SimpleHome XCS7 1003 WHT Security Camera. Tập dữ liệu có tổng cộng 7.062.606 bản ghi với 115 thuộc tính số liệu, được tính toán từ 5 luồng đặc trưng (MI, H, HH, HH_jit, HpHp) qua 8 phép toán thống kê trong 5 khung thời gian phân rã Lambda.

2. Cấu trúc mô hình học sâu dùng để phát hiện mối đe dọa được thiết kế như thế nào?

Mô hình được xây dựng bằng PyTorch kế thừa lớp nn.Module, gồm 2 lớp tích chập một chiều (1D Convolution) kết hợp với 3 lớp tuyến tính (Linear). Đầu vào của mô hình nhận 115 đặc trưng và đầu ra là phân phối xác suất phân loại cho 10 nhãn lưu lượng (1 nhãn lành tính benign và 9 nhãn tấn công thuộc hai họ botnet Gafgyt và Mirai).

3. Tác giả đề xuất các giải pháp nào để tối ưu hóa số lần chuyển giao mô hình giữa worker và master?

Có 2 giải pháp tối ưu được đề xuất:

  • Giải pháp 1: Lọc nhiễu danh sách giá trị loss cục bộ bằng quy tắc Three-Sigma, tính toán mean_loss và tỷ lệ thay đổi change_rate so với 5 loss đầu tiên. Chỉ gửi tham số khi thỏa mãn cả hai điều kiện ngưỡng (change_rate > x và mean_loss > y).
  • Giải pháp 2: Đo độ chính xác mô hình trước khi huấn luyện (pre_acc) và sau khi huấn luyện cục bộ (best_accuracy). Chỉ gửi tham số nếu độ chính xác tăng vượt mức kỳ vọng (best_accuracy > pre_acc + 1).

4. Hệ thống được triển khai thực tế trên cấu hình phần cứng và nền tảng phần mềm nào?

Hệ thống sử dụng 3 bo mạch Raspberry Pi 4 (1 master, 2 worker) kiến trúc ARMv8, RAM 8GB chạy Ubuntu Server 22.10 (64-bit). Môi trường chạy mô hình được đóng gói trong Docker container với image kumatea/pytorch:1.1, sử dụng giao tiếp Socket đa luồng trong Python, tích hợp hệ thống giám sát ELK Stack (Elasticsearch 7.9) và giao diện người dùng viết bằng Streamlit.

5. Độ chính xác thực nghiệm của mô hình không áp dụng FL và mô hình có áp dụng FL truyền thống chênh lệch ra sao?

Trong 5 lần đánh giá với 700.000 mẫu kiểm thử, mô hình học sâu tập trung (không áp dụng FL) đạt độ chính xác từ 98,47% đến 99,22% (trung bình trên 98,5%), dừng sớm từ epoch 9 đến 13. Trong khi đó, mô hình áp dụng FL truyền thống đạt độ chính xác dao động từ 81,75% đến 82,91% (lần 5 đạt 82,35%) với 10 chu kỳ gửi tham số.

Kết luận

Khóa luận tốt nghiệp của tác giả Châu Thanh Tuấn và Nguyễn Mỹ Quỳnh đã giải quyết bài toán phát hiện xâm nhập mạng botnet Mirai và Gafgyt trên các thiết bị IoT bằng phương pháp học máy phân tán. Đề tài xây dựng thành công mô hình học sâu kết hợp cơ chế Federated Learning, triển khai trực tiếp trên hệ thống gồm 3 máy tính nhúng Raspberry Pi 4 nhằm đảm bảo tính bảo mật và quyền riêng tư của dữ liệu cục bộ. Các giải pháp cắt giảm số lần truyền tham số, nén dữ liệu và hệ thống giám sát thời gian thực bằng ELK/Streamlit được hoàn thiện đầy đủ, tạo tiền đề kỹ thuật thực tiễn cho việc phát triển các cơ chế an ninh phân tán trong môi trường mạng vạn vật kết nối.