Tóm tắt Luận văn Thạc sĩ: Phát hiện, cảnh báo bất thường trên hệ thống mạng và truyền thông dựa trên phân tích dữ liệu log

Trong bối cảnh kỷ nguyên Công nghiệp 4.0, sự phát triển vượt bậc của Trí tuệ nhân tạo (AI) và Học máy (Machine Learning), cùng với sự mở rộng không ngừng của hạ tầng mạng và viễn thông, đã tạo ra một lượng lớn dữ liệu và cảnh báo hệ thống. Điều này đặt ra thách thức lớn trong việc giám sát và duy trì hiệu năng, an toàn mạng. Các phương pháp giám sát truyền thống thường không đủ khả năng phát hiện các lỗi mới, chưa từng ghi nhận hoặc dự báo các sự cố tiềm ẩn. Do đó, nghiên cứu này nhấn mạnh tầm quan trọng của việc phát triển một phương pháp tiếp cận tiên tiến để phát hiện cảnh báo bất thường trên hệ thống mạng và truyền thông, dựa trên phân tích dữ liệu log bằng các kỹ thuật học máy, nhằm cung cấp thông tin chính xác về lỗi và khả năng cảnh báo sớm, góp phần nâng cao độ tin cậy và hiệu quả hoạt động của toàn bộ hệ thống.

Các nhà nghiên cứu, kỹ sư mạng, chuyên gia bảo mật và sinh viên chuyên ngành hệ thống thông tin quan tâm đến giám sát, bảo mật mạng và ứng dụng học máy.

Nghiên cứu này giải quyết vấn đề cấp thiết về việc quản lý và phân tích khối lượng lớn dữ liệu log phát sinh từ các hệ thống mạng và truyền thông phức tạp, đặc biệt trong bối cảnh công nghệ 4.0. Luận văn tổng quan các giao thức giám sát mạng phổ biến như SNMP, IPFIX, SYSLOG, CLI và các kỹ thuật học máy liên quan đến phân loại và phân cụm dữ liệu, trong đó có thuật toán K-means. Mục tiêu chính là xây dựng một phương pháp hiệu quả để phát hiện bất thường trong dữ liệu log, từ đó cung cấp cảnh báo sớm về các sự cố tiềm tàng. Phương pháp tiếp cận bao gồm việc phát triển một mô hình dữ liệu cảnh báo và đề xuất một thuật toán phân tích dữ liệu log. Thuật toán này được thiết kế để lọc và phân loại các bản ghi log, tách biệt những trạng thái bình thường với những dấu hiệu bất thường có thể dẫn đến các lỗi lớn hơn. Tính hiệu quả của thuật toán sẽ được chứng minh thông qua đánh giá dựa trên cơ sở toán học và kiểm nghiệm bằng mô phỏng thực nghiệm. Kết quả của nghiên cứu này có tiềm năng ứng dụng cao trong việc nâng cao an toàn, hiệu suất và khả năng phục hồi của các hệ thống mạng, giúp các nhà quản trị có thể phản ứng chủ động và kịp thời trước các mối đe dọa và sự cố, từ đó tối ưu hóa hoạt động và giảm thiểu rủi ro vận hành.