Đề án tốt nghiệp Thạc sĩ: Các mô hình học sâu cho tính toán độ tin cậy trong mạng phức tạp

Trong bối cảnh kỷ nguyên số hóa, các mạng phức tạp ngày càng đóng vai trò trung tâm trong nhiều lĩnh vực, từ mạng xã hội đến Internet of Things (IoT), tạo ra những tác động sâu rộng đến đời sống và quyết định của con người. Nhu cầu đánh giá độ tin cậy của các đối tượng, cộng đồng và nội dung trên mạng là yếu tố thiết yếu để giảm thiểu rủi ro và hỗ trợ ra quyết định hiệu quả. Tuy nhiên, việc định nghĩa rõ ràng, mô tả quá trình hình thành và phân tích tác động của khái niệm tin cậy, vốn mang tính chủ quan và thay đổi theo bối cảnh, vẫn là một thách thức lớn. Đề án này nhằm nghiên cứu sâu sắc về khái niệm tin cậy, cụ thể hóa các yếu tố tiền đề ảnh hưởng, và đề xuất các phương pháp cũng như xây dựng các mô hình tin cậy phù hợp cho mạng phức tạp.

Nghiên cứu sinh, sinh viên sau đại học, và các nhà nghiên cứu trong lĩnh vực Khoa học Máy tính, Kỹ thuật Mạng, Trí tuệ Nhân tạo, đặc biệt những người quan tâm đến ứng dụng Học sâu trong phân tích độ tin cậy của mạng phức tạp.

Nghiên cứu này tập trung vào việc phát triển và ứng dụng các mô hình học sâu để giải quyết bài toán tính toán độ tin cậy trong mạng phức tạp, từ đó nâng cao khả năng đánh giá và tối ưu hóa hiệu quả vận hành của các hệ thống mạng hiện đại. Đề án bắt đầu bằng việc làm rõ khái niệm tin cậy, các yếu tố tiền đề ảnh hưởng, và phương pháp mô hình hóa mạng phức tạp dưới dạng đồ thị có hướng. Mục tiêu chính bao gồm thiết kế và huấn luyện các mô hình học sâu như Mạng nơ-ron tích chập (CNN) và Long Short-Term Memory (LSTM) để trích xuất các đặc trưng không gian và thời gian từ cấu trúc kết nối mạng. Nghiên cứu cũng tích hợp các yếu tố không chắc chắn và mối quan hệ phức tạp vào mô hình nhằm cải thiện độ chính xác dự đoán, đồng thời tối ưu hóa siêu tham số và lựa chọn mô hình để nâng cao tốc độ huấn luyện và giảm yêu cầu dữ liệu. Phạm vi nghiên cứu bao gồm phân tích các loại mạng phức tạp (mật độ kết nối, tính phân tán, sự biến động), khảo sát các mô hình học sâu (CNN, LSTM, RNN), và sử dụng bộ dữ liệu mạng lớn từ Stanford Large Network Dataset Collection để huấn luyện và kiểm tra. Các phương pháp mô phỏng và thực nghiệm được thiết kế để đánh giá hiệu quả của các mô hình thông qua độ chính xác, tốc độ huấn luyện và khả năng tổng quát hóa, với các chỉ số như MAE, MSE, MAPE. Kết quả thử nghiệm sẽ so sánh hiệu suất giữa các mô hình học sâu để xác định mô hình tối ưu cho việc dự đoán độ tin cậy trong các mạng có cấu trúc thay đổi nhanh và đặc trưng không đồng nhất, mang lại giá trị ứng dụng cao trong quản lý và vận hành hệ thống mạng hiện đại.