Với đặc trưng tách biệt giữa mặt điều khiển và mặt dữ liệu, SDN tạo điều kiện thuận lợi cho việc thu thập dữ liệu mạng và áp dụng các thuật toán học máy - Machine Learning (ML) để phát hiện bất thường. Việc kết hợp giữa SDN và ML mang lại một hướng tiếp cận mới hiệu quả hơn trong công tác bảo mật mạng.
Hệ thống được xây dựng với khả năng mở rộng cao, chi phí thấp và dễ triển khai tại hộ gia đình. Kết quả thực nghiệm cho thấy hệ thống hoạt động ổn định, độ trễ thấp, khả năng phát hiện bất thường tốt và đề xuất lịch điều khiển thiết bị hiệu quả, góp phần nâng cao nhận thức sử dụng điện tiết kiệm và thông minh cho người dùng.
Xuất phát từ mong muốn góp phần giải quyết những vướng mắc này, nhóm quyết định lựa chọn đề tài "DevOps cho tái cấu hình thiết bị IoT" với hy vọng nghiên cứu, xây dựng và thử nghiệm một mô hình DevOps phù hợp, có tính thực tiễn cao, dễ áp dụng rộng rãi, góp phần nâng cao hiệu quả, tính linh hoạt và bảo mật cho các hệ thống IoT tại Việt Nam.
Đồ án Áp dụng các kỹ thuật học máy để phát hiện lưu lượng nguy hại trong điện toán đám mây nhằm xây dựng một hệ thống phát hiện xâm nhập (IDS) thông minh, có khả năng phân tích và phát hiện hành vi tấn công mạng theo thời gian thực trong môi trường điện toán đám mây.
Kết quả đánh giá trên tập dữ liệu kiểm thử cho thấy mô hình Random Forest đạt độ chính xác tổng thể cao (lên đến 0.97), thể hiện khả năng phân loại tốt
giữa các mức độ kẹt xe. Phân tích chi tiết chỉ ra rằng mô hình đặc biệt hiệu quả trong việc xác định các tuyến đường thông thoáng và hiếm khi nhầm lẫn giữa hai trạng thái đối lập là kẹt xe nặng và không kẹt xe. Ứng dụng demo đã chứng minh được khả năng tính toán, so sánh và đề xuất thành công lộ trình có thời gian di chuyển ngắn nhất giữa các lựa chọn thay thế dựa trên kết quả dự đoán.
Đồ án này trình bày quá trình thiết kế và triển khai một hệ thống AIoT (Artificial Intelligence of Things) nhằm hỗ trợ dự đoán sớm nguy cơ mắc bệnh tim mạch. Hệ thống kết hợp giữa các thiết bị cảm biến y sinh học (như cảm biến nhịp tim, huyết áp) và mô hình học sâu (Deep Learning) để thu thập, xử lý và phân tích dữ liệu sức khỏe của bệnh nhân theo thời gian thực.
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.
