Xây dựng một hệ thống thông minh có khả năng phát hiện và phân loại các cuộc tấn công DDoS trên môi trường mạng, sử dụng các mô hình học máy để tăng cường hiệu quả phát hiện, đồng thời triển khai trên nền tảng điện toán đám mây nhằm đảm bảo khả năng xử lý dữ liệu trong thời gian thực và mở rộng linh hoạt theo nhu cầu thực tế.
Đề tài này được nhóm lựa chọn nhằm nghiên cứu và hiện thực hoá ý tưởng kết hợp giữa SDN và học máy để tạo ra một hệ thống mạng có khả năng thích ứng linh hoạt với các tình huống tắc nghẽn. Không chỉ mang giá trị thực tiễn cao, đề tài còn giúp nhóm sinh viên nâng cao năng lực nghiên cứu, lập trình mô phỏng mạng, khai thác dữ liệu và áp dụng trí tuệ nhân tạo vào các bài toán mạng, đáp ứng xu thế công nghệ hiện đại.
Mạng khả lập trình (Software-Defined Networking - SDN) là một kiến trúc mạng tiên tiến, tách biệt mặt phẳng điều khiển (control plane) khỏi mặt phẳng dữ liệu (data plane), mang lại sự linh hoạt và khả năng lập trình thông qua các giao diện mở như OpenFlow.
Đề tài này hướng đến việc khắc phục những hạn chế của mô hình truyền thống trong việc phát video trực tuyến, đặc biệt là vấn đề quá tải máy chủ và chi phí vận hành cao. Ý tưởng chính của đề tài là áp dụng công nghệ P2P giúp các thiết bị người dùng trao đổi dữ liệu trực tiếp, từ đó giảm sự phụ thuộc vào máy chủ trung tâm và tối ưu hóa quá trình truyền tải video.
Ngày nay, có rất nhiều rủi ro và mối nguy hiểm tiềm ẩn về bảo mật thông tin trong các ứng dụng công nghệ Internet vạn vật - Internet of Things (IoT). Để bảo mật các hệ thống phần mềm IoT, các kỹ sư phần mềm phải triển khai phần mềm bảo mật tiên tiến như Hệ thống phát hiện xâm nhập - Instrusion Detection System (IDS) có khả năng theo dõi cách các thiết bị IoT hoạt động trong mạng và phát hiện mọi hoạt động độc hại có thể xảy ra.
Đồ án này trình bày một Hệ thống cảnh báo khí gas tích hợp IoT và học máy nhằm giải quyết các hạn chế của hệ thống cảnh báo truyền thống như độ nhạy thấp, tỷ lệ cảnh báo sai cao và độ trễ phản hồi. Hệ thống được thiết kế với kiến trúc ba lớp: lớp cảm biến (sử dụng MQ-135 và DHT22), lớp xử lý Edge (Raspberry Pi với Node-RED) và lớp đám mây/ứng dụng người dùng.
Để giải quyết những hạn chế này, việc tích hợp SoftwareDefined Networking (SDN) và điện toán biên (Edge Computing) vào VANET đã được đề xuất như một giải pháp triển vọng nhằm tối ưu hóa hiệu suất và giảm độ trễ.
Đồ án này đề xuất và triển khai một hệ thống giám sát và dự đoán chất lượng không khí dựa trên nền tảng Internet of Things (IoT), học sâu (Deep Learning) và điện toán đám mây (Cloud Computing). Hệ thống gồm nhiều thành phần tích hợp chặt chẽ: các nút cảm biến IoT được triển khai thực tế để thu thập các thông số môi trường (nhiệt độ, độ ẩm, bụi mịn Particulate Matter 2.5 (PM2.5), Particulate Matter 10 (PM10), các khí Nitrogen dioxyde (NO2), Sulfur dioxide (SO2), Carbon monoxide (CO)) thông qua giao thức truyền thông MQTT; một máy chủ xử lý trung tâm có nhiệm vụ nhận dữ liệu, lưu trữ vào hệ quản trị cơ sở dữ liệu PostgreSQL, đồng thời áp dụng mô hình học sâu DNN để phân loại mức độ ô nhiễm và mô hình LSTM để dự đoán xu hướng nhiệt độ trong tương lai.
