Công nghệ thông tin và truyền thông ict 2022 kỷ yếu hội thảo khoa học

LỜI CHÀO MỪNG Kính thưa quý vị đại biểu, nhà khoa học tác giả! Ban tổ chức chào mừng quý vị đến tham gia Hội thảo Công nghệ thông tin truyền thông lần thứ VII (ICT2022) Trường Đại học Thái Bình Dương đăng cai tổ chức thành phố Nha Trang diễn vào ngày 15 tháng 07 năm 2022 Hội thảo ICT tổ chức định kỳ năm diễn đàn để nhà khoa học có hội trao đổi nghiên cứu chuyên sâu lĩnh vực công nghệ thông tin truyền thông Hội thảo tổ chức theo mơ hình kết hợp trường đại học địa điểm tổ chức trường đăng cai luân phiên Hội thảo lần thứ I (ICT2015) tổ chức Trường Đại học Thông tin Liên lạc (12/2015), lần thứ II (ICT2016) Trường Đại học Nha Trang Hội thảo lần thứ III (ICT2017) tổ chức Trường Đại học Đà Lạt, lần thứ IV (ICT2018) tổ chức Trường Đại học Thông tin liên lạc Hội thảo lần thứ V (ICT2019) tổ chức Trường Đại học Nha Trang vào ngày 27 tháng 12 năm 2019 Hội thảo lần thứ VI (ICT2021) tổ chức Trường Đại học Đà Lạt Hội thảo diễn đàn cho giảng viên, cán nghiên cứu, giảng dạy quản lý lĩnh vực Công nghệ thông tin truyền thông gặp gỡ, công bố thảo luận ý tưởng, kết nghiên cứu khoa học, triển khai ứng dụng Hội thảo ICT 2022 gặp nhiều khó khăn giai đoạn triển khai cơng tác chuẩn bị Tuy nhiên, với tinh thần trách nhiệm, nỗ lực cao từ Ban tổ chức, Ban chương trình đơn vị đăng cai tổ chức, hội thảo nhận 30 tham luận 73 tác giả đến từ 18 trường đại học, quan nước, đặc biệt có tham gia tác giả đến từ Ấn Độ, Trung Quốc, Hàn Quốc Sau trình đánh giá, nhận xét khách quan, kỹ lưỡng Ban chương trình xem xét chấp nhận 24 tham luận chấp nhận trình bày hội thảo Hội thảo ICT2022 nhận ủng hộ, phối hợp tích cực từ Trường Đại học Thái Bình Dương, Trường Đại học Nha Trang, Trường Đại học Thông Tin Liên Lạc, Trường Đại học Đà Lạt Ban tổ chức chân thành cảm ơn đơn vị tài trợ, diễn giả khách mời, thành viên Ban chương trình, Ban xuất bản, tác giả tham gia gửi tham luận góp phần vào thành cơng hội thảo Cuối cùng, xin kính chúc quý vị đại biểu, khách mời, tác giả có nhiều kết hữu ích từ Hội thảo Kính chúc tồn thể q vị nhiều sức khỏe, thành công Ban Tổ chức Hội thảo DANH SÁCH CÁC THÀNH VIÊN BAN CHỈ ĐẠO, BAN TỔ CHỨC HỘI THẢO Ban tổ chức: TS Nguyễn Trùng Lập - Trường Đại Học Thái Bình Dương TS Nguyễn Bá Hùng - Trường Đại Học Thái Bình Dương Ths Nguyễn Đăng Bắc - Trường Đại Học Thái Bình Dương TS Phạm Thị Thu Thúy - Trường Đại Học Nha Trang TS Nguyễn Hồng Giang - Trường Đại Học Thông tin liên lạc TS Trần Ngô Như Khánh - Trường Đại Học Đà Lạt Ban chương trình: TS Nguyễn Trùng Lập - Trường ĐH Thái Bình Dương TS Nguyễn Hữu Trọng -Trường ĐH Thái Bình Dương TS Nguyễn Bá Hùng - Trường ĐH Thái Bình Dương PGS.TS Nguyễn Văn Sinh Trường - Đại Học Quốc Tế ĐHQG TPHCM TS Nguyễn Tấn Cầm - Trường ĐH Công Nghệ Thông Tin TS Ngô Tấn Vũ Khanh - Trường Đại học Kinh Tế TP.HCM TS Phạm Thị Thu Thúy - Trường Đại học Nha Trang TS Nguyễn Khắc Cường - Trường Đại học Nha Trang TS Nguyễn Đức Thuần - Trường Đại học Nha Trang TS Phạm Gia Hưng - Trường Đại học Nha Trang TS Nguyễn Đình Hưng - Trường Đại học Nha Trang TS Đinh Đồng Lưỡng - Trường Đại học Nha Trang TS Nguyễn Hồng Giang - Trường Đại học Thông tin liên lạc TS Nguyễn Văn Chính - Trường Đại học Thơng tin liên lạc TS Trần Thế Nghiệp - Trường Đại học Thông tin liên lạc TS Nguyễn Hữu Minh - Trường Đại học Thông tin liên lạc TS Trần Ngô Như Khánh - Trường Đại học Đà Lạt TS Nguyễn Thị Lương - Trường Đại học Đà Lạt TS Dương Văn Hải - Trường Đại học Đà Lạt TS Võ Phương Bình - Trường Đại học Đà Lạt TS Trần Văn Thuận - Giám đốc Công viên Phần mềm Quân đội DANH SÁCH PHẢN BIỆN TS Nguyễn Trùng Lập - Trường ĐH Thái Bình Dương TS Nguyễn Tấn Cầm - Trường ĐH Công Nghệ Thông Tin TS Phạm Thị Thu Thúy - Trường Đại học Nha Trang TS Nguyễn Đức Thuần - Trường Đại học Nha Trang TS Nguyễn Đình Hưng - Trường Đại học Nha Trang TS Đinh Đồng Lưỡng - Trường Đại học Nha Trang TS Nguyễn Hồng Giang - Trường Đại học Thông tin liên lạc TS Trần Thế Nghiệp - Trường Đại học Thông tin liên lạc TS Trần Ngô Như Khánh - Trường Đại học Đà Lạt TS Nguyễn Thị Lương - Trường Đại học Đà Lạt TS Dương Văn Hải - Trường Đại học Đà Lạt TS Võ Phương Bình - Trường Đại học Đà Lạt TS Đinh Đồng Lưỡng - Trường Đại học Nha Trang TS Trần Đắc Tốt - Trường Đại học Công nghiệp Thực Phẩm Hồ Chí Minh Ths Trần Thị Tuyết Trinh - Trường Đại học Dự bị Nha Trang TS Nguyễn Văn Chính - Trường Đại học Thơng tin liên lạc TS Chu Tiến Dũng - Trường Đại học Thông tin liên lạc TS Nguyễn Hữu Minh - Trường Đại học Thông tin liên lạc Ths Nguyễn Đăng Bắc - Trường ĐH Thái Bình Dương Ths Nguyễn Văn Tự - Trường ĐH Thái Bình Dương Ths Nguyễn Hữu Tuấn - Trường ĐH Thái Bình Dương Ths Phạm Xuân Bình - Trường ĐH Thái Bình Dương MỤC LỤC NÂNG CAO CHẤT LƯỢNG CHO CÁC HỆ THỐNG MIMO SỬ DỤNG KỸ THUẬT……………… Bùi Quốc Doanh, Nguyễn Văn Chính, Trần Thế Nghiệp, Nguyễn Hồng Kiểm MỘT CÁCH TIẾP CẬN MỚI ĐỂ ẨN HOÀN TOÀN CÁC LUẬT KẾT HỢP NHẠY CẢM………… Đoàn Minh Khuê, Phan Ngọc Bảo 12 ỨNG DỤNG PHƯƠNG PHÁP TRAPEZOIDAL HESITANT FUZZY TOPSIS ……………………… Lê Thị Hồng Nhung, Nguyễn Đức Thuần 19 GIẢI PHÁP TRUY XUẤT ẢNH NỘI SOI DẠ DÀY HIỆU QUẢ……………………………………… Võ Thái Anh, Ngơ Dức Lưu 30 MƠ HÌNH DỰ BÁO Ô NHIỄM KHÔNG KHÍ SỬ DỤNG DỮ LIỆU ĐA MIỀN……………………… Võ Phương Bình, Nguyễn Minh Tiệp, Đặng Thanh Hải 44 APPLICATION OF COMBINATION LAW TO THE DATA OF NATIONAL HIGH………………… Pham Thi Thu Thuy, Bui Xuan Huy, Kim Hwa Soo 50 BỘ LỌC THÔNG DẢI MICROSTRIP BA BĂNG ỨNG DỤNG CHO WLAN & WiMAX…………… Đỗ Văn Phương, Nguyễn Văn Chính, Nguyễn Đình Q 56 PHƯƠNG PHÁP PHÁT HIỆN NGUY CƠ MẤT AN TỒN THƠNG TIN CHO CAMERA………… Trần Đắc Tốt, Võ Văn Khang 60 WIFI FINGERPRINTING-BASED INDOOR POSITIONING WITH MACHINE …………………… Luong Nguyen Thi Ninh Duong Bao, Huy Quang Pham, Khanh Nguyen-Huu 67 10 XÂY DỰNG HỆ THỐNG QUẢN LÝ DỮ LIỆU TRONG NÔNG NGHIỆP TẠI …………………… La Quốc Thắng, Nguyễn Văn Huy Dũng, Trần Thống, Trần Ngô Như Khánh 72 11 ỨNG DỤNG IOT KHẢO SÁT MỘT SỐ ĐIỀU KIỆN SINH TRƯỞNG ……………………………… Đoàn Vũ Thịnh, Khúc Thị An, Văn Hồng Cầm, Nguyễn Thị Thanh Tuyền 77 12 CHỐNG TẤN CƠNG NGẬP LỤT GĨI RREQ TRÊN GIAO THỨC AODV CỦA …………………… Mai Cường Thọ, Nguyễn Thị Hương Lý 83 13 MỘT SỐ PHƯƠNG PHÁP PHÁT HIỆN TẤN CÔNG SQL INJECTION …………………………… Trần Đắc Tốt, Nguyễn Trung Kiên, Trương Hữu Phúc, Lê Ngọc Sơn, Nguyễn Thanh Long 86 14 SO SÁNH CÁC THUẬT TOÁN HỌC MÁY TRONG PHÁT HIỆN TẤN CÔNG DdoS……………… Nguyễn Thị Khánh Trâm, Đoàn Trung Sơn 93 15 MỘT THỬ NGHIỆM HỌC CHUYỂN GIAO TRONG BÀI TOÁN PHÂN LỚP ẢNH ……………… Nguyễn Thị Hương Lý 98 16 ĐÁNH GIÁ HIỆU SUẤT NĂNG LƯỢNG CỦA HỆ THỐNG MIMO HOẠT ĐỘNG Ở DẢI ……… Nguyễn Đình Ngọc, Nguyễn Văn Dũng 101 17 PHÂN LOẠI VĂN BẢN DỰA TRÊN KỸ THUẬT KHAI THÁC ĐỒ THỊ CON PHỔ BIẾN………… Hồng Ngọc Dương, Phạm Ngọc Cơng 105 18 XÂY DỰNG ỨNG DỤNG ĐIỂM DANH SINH VIÊN DỰA TRÊN NHẬN DIỆN …………………… Nguyễn Bảo Long, Nguyễn Trọng Hiếu, Lê Hoàng Nhật, Phan Thị Thanh Nga, Nguyễn Thị Lương 110 19 ỨNG DỤNG IOT TRONG XÂY DỰNG HỆ THỐNG QUẢN LÝ BÃI ĐỖ XE ÔTÔ ………………… Nguyễn Hồng Giang, Nguyễn Duy Ln 115 20 MƠ HÌNH PHÂN TÁN TRONG NHẬN DẠNG VŨ KHÍ NĨNG……………………………………… Nguyễn Thị Khánh Trâm, Đoàn Trung Sơn 124 21 ĐÁNH GIÁ KHẢ NĂNG BẢO MẬT CỦA HỆ THỐNG FDNOMA KHI XUẤT …………………… Nguyễn Trọng Cơng, Dương Mạnh Thành, Trần Mạnh Hồng 130 22 KHẢ NĂNG TÁN XẠ NGƯỢC CỦA GÓI TIN VỚI CHIỀU DÀI HỮU HẠN ……………………… Chu Tiến Dũng, Trần Mạnh Hoàng, Thiều Hữu Cường 133 23 ỨNG DỤNG HỌC MÁY TRONG PHÁT HIỆN BẤT THƯỜNG TRÊN …………………… Vũ Đức Thịnh 24 ÁP DỤNG LỚP HỌC ĐẢO NGƯỢC TRONG GIẢNG DẠY HỌC PHẦN MẠNG ………………… Nguyễn Đăng Bắc, Lê Hữu Tuấn, Nguyễn Văn Tự, Phạm Xuân Bình 137 141 Nâng Cao Chất Lượng Cho Các Hệ Thống MIMO Sử Dụng Kỹ Thuật Lựa Chọn Ăng-Ten Phát Kết Hợp Tiền Mã Hóa Và San Bằng 1st Bùi Quốc Doanh Khoa viễn Thông Trường Đại học Thông tin Liên lạc Nha Trang, Việt Nam buiquocdoanh@tcu.edu.vn 2nd Nguyễn Văn Chính Khoa viễn Thơng Trường Đại học Thông tin Liên lạc Nha Trang, Việt Nam vanchinhsqtt@gmail.com 3rd Trần Thế Nghiệp Khoa viễn Thông Trường Đại học Thông tin Liên lạc Nha Trang, Việt Namy nghiepsqtt@gmail.com 4th Nguyễn Hồng Kiểm Khoa viễn Thông Trường Đại học Thông tin Liên lạc Nha Trang, Việt Nam line 1: 5th Given Name Surname line 2: dept name of organization (of Affiliation) line 3: name of organization (of Affiliation) line 4: City, Country line 5: email address or ORCID line 1: 6th Given Name Surname line 2: dept name of organization (of Affiliation) line 3: name of organization (of Affiliation) line 4: City, Country line 5: email address or ORCID nguyenhongkiem@tcu.edu.vn Tóm tắt— Hệ thống đa ăng-ten hay cịn gọi hệ thống đa đầu vào – đa đầu (MIMO: Multiple Input – Multiple Output) cải thiện hiệu độ tin cậy thông tin vô tuyến Tuy nhiên, hệ thống sử dụng nhiều chuỗi tần số vô tuyến (RF: Radio Frequency) kết hợp với nhiều ăng-ten gây tốn kích thước, công suất phần cứng Lựa chọn ăng-ten giải pháp thay đơn giản, giảm chi phí để tận dụng ưu điểm hệ thống MIMO Trong báo này, đề xuất giải pháp nâng cao chất lượng cho hệ thống MIMO sử dụng kỹ thuật lựa chọn ăng-ten phát kết hợp tiền mã hóa san Các kết tính tốn mô cho thấy, phẩm chất BER thiết kế đề xuất cải thiện tốt so với thiết kế trước Ngoài ra, với việc lựa chọn ăng-ten phát kết hợp tiền mã hóa san độ lợi SNR hệ thống tăng lên đáng kể ăng-ten phát với kỹ thuật tiền mã hóa san cho kênh MIMO khơng trải trễ Phần lại báo tổ chức sau: Trong phần 2, giới thiệu mơ hình hệ thống Trong phần 3, chúng tơi phân tích thiết kế kỹ thuật lựa chọn ăng ten phát kết hợp tiền mã hóa san Các kết mô đưa phần 4, báo kết luận phần Các ký hiệu mô tả sau: Các ma trận véc-tơ ký hiệu chữ đậm in hoa in thường; ký hiệu E (.) tập số Từ Khóa— Kênh MIMO; Lựa chọn ăng-ten phát; San bằng; Tỉ lệ lỗi bít; Tiền mã hóa A Mơ hình lựa chọn ăng-ten phát cho hệ thống MIMO phức phép tính kỳ vọng; ký hiệu (.) phép tính chuyển vị liên hiệp phức * II MƠ HÌNH HỆ THỐNG I GIỚI THIỆU Đối với hệ thống MIMO có số lượng ăng-ten lớn (hàng chục, hàng trăm ăng-ten), để có thông tin trạng thái kênh (CSI: Channel State Information) đường xuống, ăngten máy phát cần phải có nhiều thơng tin hồi tiếp thơng qua đường lên hệ thống song công phân chia theo tần số Và để tránh số lượng lớn thông tin hồi tiếp, phương pháp nén CSI nghiên cứu [1,2] Cịn hệ thống song cơng phân chia theo thời gian, khắc phục vấn đề thơng tin hồi tiếp CSI đường xuống thu từ CSI đường lên cách sử dụng kênh đối ngẫu Tuy nhiên, khơng đảm bảo độ xác CSI đường lên máy phát, dẫn đến giảm hiệu suất đường truyền [3] Và nghiên cứu nhà khoa học quan tâm không đảm bảo CSI máy phát, đồng thời giảm chi phí kích thước, cơng suất phần cứng đạt độ lợi công suất tăng dung lượng kênh MIMO kỹ thuật lựa chọn ăng-ten phát [4 - 7] Ví dụ, S Sanayei nhóm tác giả cho thấy việc lựa chọn ăng-ten giữ mức độ phân tập dải ăng-ten [4] Hay để tối đa thông lượng hệ thống MIMO cách lựa chọn tối ưu tập ăng-ten phát kết hợp với số chuỗi giá trị RF lựa chọn tổng số ăng-ten phát [5] Hình 1: Mơ hình hệ thống lựa chọn ăng-ten phát với kỹ thuật mã hóa trước san Hình mơ tả cấu trúc đầu cuối – đầu cuối mơ hình hệ thống MIMO kết hợp lựa chọn ăng-ten phát với MQ khối môđun RF lựa chọn tổng MT ăng-ten phát ( M Q  MT ) Ở đây, M Q mô-đun RF ánh xạ liệu có chọn lọc tới MQ ăng-ten tổng số MT ăng-ten phát Bởi MQ ăng-ten sử dụng tổng số MT ăng-ten phát, kênh hiệu dụng biểu diễn MQ cột kênh M R M T truyền H  Đặt pi số cột thứ ith lựa chọn ma trận kênh H, i = 1, 2, , M Q Sau đó, kênh hiệu dụng mơ tả ma trận kích thước M R  M T , ký hiệu H Trong báo này, dựa sở báo [8,9], đề xuất phương pháp thiết kế kết hợp lựa chọn tối ưu x M Q 1  p1 , p2 , pMQ   M R M T Đặt luồng liệu phát ánh xạ vào M Q ăng- ten lựa chọn Đối với kênh MIMO khơng có trải trễ, phương trình hệ thống lựa chọn ăng-ten phát với luồng liệu thu y biểu diễn phương trình sau: Px H x+n p1 , p2 , , pM Q M Q y=   III KỸ THUẬT LỰA CHỌN ĂNG-TEN PHÁT KẾT HỢP TIỀN MÃ HÓA VÀ SAN BẰNG CHO HỆ THỐNG MIMO A Kỹ thuật lựa chọn ăng-ten phát Để giảm tối thiểu xác suất lỗi, liệu symbol đầu vào phát theo số lượng ăng-ten lựa chọn Đặt (1)  P r  Ci → C j H  M R 1 Ở đây, Px công suất phát n  tạp âm trắng Gaussian trắng cộng tính (AWGN: Additive White Gaussian Noise) Từ phương trình (1) cho thấy, hiệu hệ thống phụ thuộc vào số lượng ăng-ten lựa chọn tổng số ăng-ten phát   p1 , p2 , , pMQ    , j  i biểu diễn theo cặp từ mã khơng gian-thời gian Ci phát có C j giải mã cho kênh truyền H  p , p , , p  với kênh hiệu dụng H B Mơ hình lựa chọn ăng-ten phát kết hợp tiền mã hóa san cho hệ thống MIMO  p , p , , p  2 Đối MQ có MQ cột ma trận H MQ lựa chọn, giới hạn cho xác suất lỗi theo cặp mã khối khơng gian-thời gian trực giao, cho phương trình sau:     Ei , j Px H  p1 , p2 , , pMQ      F =  MQ Pr  Ci → C j H   p p p , , ,  MQ    2M T       Hình 2: Mơ hình hệ thống lựa chọn ăng-ten phát kết hợp tiền mã hóa san cho hệ thống MIMMO Xét mơ hình hệ thống thơng tin MIMO sử dụng kỹ thuật lựa chọn ăng-ten phát kết hợp tiền mã hóa san Hình Mơ hình hệ thống bao gồm tiền mã hóa F, san G khối điều khiển ăng-ten phát Các luồng liệu đầu vào mã hóa điều chế để tạo luồng symbol liệu chung Sau truyền qua tiền    Px H  Ei , j  p1 , p2 , , pMQ   F   exp  −  4M T       mã hóa F vào khối lựa chọn ăng-ten phát M T trước phát lên kênh truyền H Ở H ma trận kênh có kích thước (4) M R  M T , sˆ vector tín hiệu thu có kích thước B  s vector tín hiệu phát có kích thước B  , B = rank ( H )  min( M R , M T ) số lượng luồng song đặc tính Ei , j Ei , j = I với  số Số lượng MQ ăng- M R  ; G ma san có kích thước B  M R F ma ten lựa chọn để tối thiểu đường bao công thức (4) hay tương đương với phương trình sau: Trong đó, Ei , j ma trận lỗi tập mã Ci C j , có H song truyền đi; n vector tạp âm có kích thước trận tiền mã hóa có kích thước M T  B  M Q 1 luồng liệu phát ánh xạ vào MQ Với x  ăng-ten lựa chọn truyền qua kênh MIMO khơng có trải trễ, ta có luồng liệu y thu từ hệ thống lựa chọn ăngten phát kết hợp với tiền mã hóa san mơ tả Hình biểu diễn phương trình sau: Px GH Fx + Gn p1 , p2 , , pM Q MQ y=  * * E ( xx ) = I; E (nn ) = R nn ; E ( xn ) =  = p , parg, , pm axA  MQ H  p , p , , p  MQ * MQ Ei , j * Ei , j Ei , j H arg m ax tr H p1 , p2 , , pM Q p1 , p2 , , pM Q AM Q   p1 , p2 , , pMQ = H arg m ax tr H p1 , p2 , , pM Q AM Q   p1 , p2 , , pMQ p1 , p2 , , pMQ     *       =  arg m ax H p1 , p2 , , pM Q p1 , p2 , , pM Q AM Q  F (5) Từ phương trình (5), thấy số lượng ăng-ten phát tương ứng so với số lượng cột chuẩn lựa chọn cho tối thiểu tỷ lệ lỗi bít Do SNR trung bình phía (3) Trong giá trị mũ (.)* ký hiệu chuyển vị liên hợp phức Trong phần tiếp theo, thảo luận giải pháp nâng cao chất lượng truyền dẫn kỹ thuật lựa chọn ăng-ten kết hợp tiền mã hóa san máy thu với MQ ăng-ten lựa chọn  pi i =1 MQ cho biểu thức sau:   p , p , , p  F = (2)  opt pM Q Ở đây, ma trận tiền mã hóa san thực phép nhân ma trận tuyến tính Ngồi ra, chúng tơi giả sử rằng: * opt opt p1 , p2 , , MQ = Px MQ H  p , p , , p  MQ (6) F    ( Các phương trình (5) (6) áp dụng cho ăng-ten với SNR cao lựa chọn phía máy thu Có nghĩa p opt , số opt opt p , , pM Q  với M Trong đó, R e G, F ( ) R e ( G, F ) := E ee ma trận H, ta có bất đẳng thức sau: p opt  , p2opt , , pMoptQ F H  MQ F (7) R e (G, F ) = E[( x − (GH MT Vì M Q  M T , nên ta có biểu thức sau: H p opt opt opt , p2 , , pM Q = H  F    H p   ( x − (GH + H p  + + H   p2opt + + H M  T p  MQ F   opt p1opt , p2opt , , pM Q  Px  H F H MT F MQ  p , p , , p  Fx + Gn * * * Fxx F H  p , p , , p  MQ * * *  p , p , , p  MQ * G + GH  p , p , , p  MQ * Fxn G MQ G + Gnn G  * * * * Áp dụng phương pháp Lagrange Duality điều kiện Karush-Kuhn-Tuck (KKT) vào phương trình (11) để thiết kế theo tiêu chí sai số bình phương trung bình nhỏ Xét biểu thức Lagrangian với  tham số nhân Lagraingian sau: ( ) − P  L (  , G, F ) = c ( G, F ) +  tr FF  * (17) x Sử dụng phương trình (12) (16) vào phương trình (17), ta tính biểu thức: L (  , G, F ) = tr[(GH (10)  p , p , , p   (GH  p1 , p2 , , pM Q  F − I) MQ F − I ) + GR nn G ] +  tr (FF ) − Px  * * (18) Để thiết kế ma trận tiền mã hóa F san G có  với F G thỏa mãn điều kiện sau: F L (  , G, F ) = (19) G L (  , G, F ) = (20) (   0; tr FF sau: ) * (16) )  = tr R e (G, F ) * + GR nn G ( ) liên quan đến phân bổ x n tính ( * * trị kỳ vọng E = E tr ee MQ   R e (G, F ) =  GH F − I )  (GH F −I p1 , p2 , , pM Q  p1 , p2 , , pM Q      (9) Trong đó, ma trận F thỏa mãn điều kiện tr FF *  Px giá c (G, F ) = E e Sử dụng giả thiết (3), phương trình (15) rút gọn sau: (11) (  p , p , , p  * (14) Fx + Gn)) ] (15) G,F * MQ : c ( G, F ) = E e Fx + Gn )) MQ * Giả sử kênh truyền H cố định thông tin trạng thái kênh biết máy thu máy phát Các ma trận F G đuợc thiết kế theo điều kiện sau:  p , p , , p  * B Kỹ thuật lựa chọn ăng-ten phát kết hợp với tiền mã hóa san Sau lựa chọn kênh hiệu dụng, ta tiếp tục thiết kế ma trận F G để giảm tối thiểu lỗi symbol theo kỳ vọng E ee*  , vector lỗi tính biểu thức sau: GH * * − Gnx + Gnx F H với tối ưu lựa chọn ăng-ten phương trình (2) tồn H phân bố i.i.d Gaussian Px + GH Điều có nghĩa bậc phân tập M T M R đạt e = x− R e (G, F ) = E  xx − xx F H G − xn G − GH Fxx  p1 , p2 , , pMQ   p1 , p2 , , pMQ  * = H F Từ bất đẳng thức (9), ta thấy đường biên biên SNR trung bình nhận hàm opt MQ Ở Hk  đại diện cột thứ k H Từ phương trình (7) (8), ta xác định phạm vi SNR trung bình phía máy thu với ăng-ten lựa chọn tối ưu sau: H  p , p , , p  Triển khai phương trình (14) ta phương trình sau: (8) Px (13) 2 + H p1opt * Sử dụng e biểu thức (10) vào phương trình (13), ta tính phương trình sau: H ma trận hiệp phương sai lỗi, định nghĩa theo phương trình sau: cột chuẩn hóa cao Q ) (  tr FF (12) * * )− P x 0 ) − P  = x (21) (22) * đạo hàm ma trận [10], tr ( AXB ) X = BA, tr AX B X = , sau sử dụng phương Áp dụng lý ( IV CÁC KẾT QUẢ MÔ PHỎNG thuyết ) * Để kiểm tra, đánh giá chất lượng thiết kế đề xuất, xây dựng chương trình Monte Carlo để mơ kết tính tốn hệ thống Kết đề xuất so sánh với thiết kế san theo tiêu chí cưỡng khơng (ZF: Zero-Forcing) thiết kế san theo tiêu chí sai số bình phương trung bình cực tiểu (MMSE: Minimum Mean Square Error) Mơ hình hệ thống MIMO xem xét trình (18) vào phương trình (19) (20), ta tính mối quan hệ ma trận tiền mã hóa G san F tương ứng sau đây: H  p1 , p2 , ,p M Q  F=H  p1 , p2 , ,p M Q  * FF H *  p1 , p2 , ,pM Q + R nn G * GF = F H *  p , p , , p  * G GH * (23) có số lượng ăng-ten phát M T = số lượng ăng-ten thu *  p , p , , p  MQ  G + F * M R = , số lượng ăng-ten lựa chọn M Q = 1, 2, 3; tín (24) hiệu phát sử dụng phương pháp điều chế 4QAM; công suất MQ Từ phương trình (23) (24), ma trận F G thiết kế sau lựa chọn ăng ten phát, đảm bảo lỗi cân cho luồng liệu theo phương trình sau: F = VΦ f G = Φg V H * *  p , p , , p  MQ −1 R nn phát chuẩn hóa Px ; kênh truyền pha-đinh Rayleigh chọn lọc tần số với nhiễu AWGN (25) Trước hết, tiến hành so sánh phẩm chất BER hệ thống thiết kế ZF, MMSE đề xuất với cơng suất (26) phát chuẩn hóa Px Quan sát từ Hình 3, ta thấy thiết kế đề xuất có phẩm chất BER tốt so với hai thiết kế san MMSE ZF Cụ thể, mức tổng SNR 30 dB phầm chất BER hệ thống thiết kế đề xuất, MMSE ZF 3.10-4, 2.10-3 5.10-3 Với  tính theo biểu thức sau: = ( tr Λ −1/2 ( ) tr Λ −1 ) (27) + Px Trong đó, Φ f Φg ma trận nằm đường chéo ma trận tiền mã hóa F san G, tính phương trình sau: 1/2  P  x = −1  tr Λ ( )   Φf 1/2 Φg  P  x = −1   tr ( Λ )  Λ −1/2 (28)  P  −1/2 x Λ +   −1  tr ( Λ )  −1 (29) Hình 3: Phẩm chất BER thiết kế Theo thiết kế kênh có giá trị yếu dùng công suất cao hơn, ngược lại kênh có giá trị mạnh dùng công suất thấp Và ma trận đường chéo Λ V tính từ phép tính phân rã trị riêng (EVD) sau: H *  p , p , , p  MQ R nn H  p , p , , p  MQ * Λ  V V) = (V V )  (   Λ (30) Trong V V ma trận trực giao có kích thước M Q  B M Q  ( M Q − B ) tạo thành từ không gian hạng H*  p , p , p  MQ R nn H  p , p , p  ; Λ Λ ma MQ trận đường chéo Với Λ chứa B giá trị không âm xếp theo thứ tự giảm dần từ phía bên trái xuống phía bên phải cịn Λ chứa trị riêng không 10 Kết mơ giải thích sau: so với thiết kế san ZF thiết kế san MMSE không chịu ảnh hưởng lớn hiệu ứng khuếch đại tạp âm san MMSE có tính đến đặc tính tạp âm cịn san ZF sử dụng lọc nghịch đảo đầu thu để cưỡng ảnh hưởng đáp ứng kênh truyền Vì vậy, phương pháp san MMSE ln cho phẩm chất BER tốt phương pháp san ZF Trong phương pháp này, thiết kế đề xuất cho phẩm chất BER tốt có phân bổ cơng suất chia kênh nên số kênh có giá trị riêng thấp truyền tín hiệu tới phía thu Cịn phương pháp san MMSE phải chịu buộc loại bỏ nhiễu công suất phát nên hệ thống bị giới hạn công suất phát dẫn đến phân bổ lượng kênh có chênh lệch lớn đặc biệt kênh có giá trị riêng thấp, dẫn đến số tín hiệu kênh có giá trị riêng thấp truyền tới đầu thu phân bổ cơng suất, phẩm chất BER phương pháp thấp so với thiết kế đề xuất Khả tán xạ ngược gói tin với chiều dài hữu hạn truyền thơng UAV Chu Tiến Dũng, Trần Mạnh Hoàng, Thiều Hữu Cường Trường Đại học Thơng tin Liên lạc Tóm tắt: Bài báo đưa biểu thức thông lượng BLER thiết bị bay không người lái (UAV) hỗ trợ hệ thống truyền thông tán xạ ngược dựa khối liệu với chiều dài hữu hạn Mô Monte carlo sử dụng để kiểm chứng kết phân tích trình bày đánh giá phẩm chất hệ thống đề xuất Từ khóa: Thiết bị khơng người lái (UAV), tán xạ ngược, chiều dài gói tin hữu hạn I GIỚI THIỆU Ngày nay, truyền thông chiều dài khối liệu hữu hạn, thiết bị không người lái (UAV) liên lạc tán xạ ngược kỹ thuật đầy hứa hẹn triển khai cho công nghệ khơng dây 5G 6G [1, 2] Do đó, nghiên cứu dựa kỹ thuật phát triển nhanh thời gian gần Tuy nhiên , hầu hết nghiên cứu xem xét liên lạc với khối liệu độ dài lớn phục vụ người dùng mặt đất hệ thống truyền thông khơng dây Trong , liên lạc tán xạ ngược hai vị trí phù hợp cho hệ thống truyền gói tin ngắn Kết nghiên cứu [3] khoảng cách truyền tán xạ ngược đạt 2.8 km Vì vậy, thiết bị tán xạ ngược sử dụng để thu thập liệu cho hệ thống điều khiển từ xa với hỗ trợ UAV hay hệ thống cảm biến Tuy nhiên, việc kết hợp liên lạc tán xạ ngược, gói tin ngắn UAV chưa khảo sát Từ vấn đề thúc đẩy xây dựng mơ hình truyền thơng dựa gói tin độ dài hữu hạn có hỗ trơ UAV với khả tán xạ ngược Bằng phân tích tốn học, đưa biểu thức tỉ lệ lỗi chiều dài gói tin trung bình (BLER) mơ hình đề xuất cho việc đánh giá chất lượng hệ thống II MÔ HÌNH HỆ THỐNG Hình Sơ đồ khối hệ thống Mơ hình hệ thống bao gồm: trạm điều khiển mặt đất, UAV người dùng BDn Cụ thể, tọa độ UAV bay thể tọa độ (r sin  , r cos  , H ) BDn hoạt động thiết bị tán xạ ngược bố trí ( xDn , yDn ,0) Quá trình liên lạc chia làm giai đoạn: đầu tiên, UAV truyền tín hiệu vơ tuyến đến BDn Thứ hai, tín hiệu bị tán xạ ngược từ BDn đến UAV Thứ 3, tín hiệu truyền từ UAV đến GS Tín hiệu nhận BDn giai đoạn đầu là: yBDn  PV g n ,1 s1  z BDn , 133 (1) Trong n {1, theo tham chiếu , N} gn,1   hn,1 / dVUn hệ số kênh truyền từ UAV đến BDn tính từ cơng suất kênh truyền với khoảng cách m , hn,1 fading quy mơ nhỏ có phân bố Nakagami dVU n  ( xDn  r sin  )  ( yDn  r cos  )  H khoảng cách UAV đến BDn ,  góc nâng UAV, S1 tín hiệu truyền UAV, z BDn ~ C (0,  n2 ) tạp âm Gauss BDn Trong giai đoạn 2, tín hiệu phản xạ với hệ số  B từ BDn đến UAV Vì vậy, tín hiệu nhận UAV thông qua đa truy cập phân chia theo thời gian xác định sau: yUAV   B PV g n ,1 g n ,2 s1 sn,2   B g n,2 z BDn  zUAV , (2) Trong gn,2   hn,2 / dVUn hệ số kênh truyền từ BDn đến UAV sn,2 tín hiệu truyền từ BDn zUAV ~ C (0,  n2 ) tạp âm Gauss UAV Xác suất xảy đường truyền thẳng (LOS) UAV BDn phụ thuộc vào môi trường  H 180o arcsin  PNLoS   PLoS a b số , n   dVU  a.exp  b(n  a)    n viết lại như: PLoS  n   B PV | g n,1 |2 | g n,2 |2 ,  B | g n,2 |2  U2AV   Từ (2), SNR UAV   (3) III PHÂN TÍCH THƠNG LƯỢNG VÀ BLER Khi chiều dài gói liệu đủ lớn, ( m  100 ) , BLER UAV hệ thống xem xét cho từ Hàm Q phân bố Gauss [4] đó:  n  Q((C ( n )  Rn ) / V ( n ) / m ) (4) Trong C( n )  log2 (1   n ) dung lượng shanon V ( n )  (1  1/ (1   i )2 )(log e)2 phân tán kênh Rn tốc độ truyền hệ thống Sau số bước biến đổi, BLER trung bình tính toán: n ( )   n  H L Trong F n | ( x | ) điều kiện hàm CDF F n | ( x |  )dx, (5)  n , n  [2 (22 Rn  1) / m]1/2 ,  n  2Rn  1, L   n  1/ (2n ) H   n  1/ (2n ) Chú ý rằng,  hệ số suy hao thêm kết nối LOS NLOS Cụ thể,   cho truyền lan LOS    cho truyền lan NLOS Sau đó, chúng tơi đưa BLER UAV hệ thống đề xuất là: n Trong n ,LoS ()  PLoS n,LoS  PNLoS n,NLoS , (2) n ,NLoS m1 1  1  n , LoS j 0 j m1  m2 n   m1   m2 n   exp       j !  1    2 B PV    2 B PV   j   m2 n       i  i   ( m1 )   B PV m1  j m1 1 n ,NLoS  1  j 0 K m1  j  i (7)  n m1m2  1 B PV j m1  m2 n   m1   m2 n   exp       j !  1    2 B PV    2 B PV   j   m2 n       i  i   ( m1 )   B PV m1  j m1  j  i m1  j  i K m1  j  i 134  n m1m2  12 B PV (8) Thay (7) (8) vào (6) đưa biểu thức BLER UAV Ngồi ra, thơng lượng liên lạc chiều dài gói tin hữu hạn hệ thống UAV tán xạ ngược tính tốn số lượng gói tin giải mã thành cơng Mơ hình tốn học thơng lượng tán xạ ngược UAV BDn cho bởi: N b (1  n ( )), n 1 Nm  (b)   (9) Trong m  mi  me , b  be  bi Trong đó, mi me kênh sử dụng cho huấn luyện truyền liệu be bi số lượng bit huấn luyện số bit truyền liệu IV KẾT QUẢ VÀ THẢO LUẬN Từ biểu thức toán học đưa từ phần trên, đánh giá BLER thông lượng chiều dài khối liệu hữu hạn hệ thống truyền thơng tán xạ ngược có hộ trợ UAV Mô Monte Carlo chứng minh cho biểu thức đưa thông qua việc sử dụng MATLAB Các tham số sử dụng cho mô thiết lập sau: Số lượng bit truyền kiệu 128, r  50m, H  100m,   20 dB Hình BLER trung bình so với SNR UAV BDn Hình minh họa BLER BDn hệ thống tán xạ ngược với hỗ trợ UAV số kênh truyền thay đổi Các đường cong lý thuyết đưa theo cơng thức số Trong có biểu tượng minh họa cho kết mô monte carlo Chúng ta quan sát BLER nhỏ tốc độ truyền b / m giảm Hơn nữa, tăng m cải thiện mã hóa đạt độ phân tán khơng cải thiện Do đó, tất đường cong dường song song tồn SNR Hình Thơng lượng so với số lượng gói tin truyền hệ thơng xem xét có hỗ trợ UAV 135 Hình thể thông lượng hệ thống đề suất số lượng bit huấn luyện thay đổi tổng số bit truyền liệu cố định Hình minh họa số lượng bit huấn luyện lớn có thơng lượng nhỏ Ngun nhân điều có bit liệu truyền tăng bit huấn luyện Mặt khác, thông lượng đạt giá trị lớn sau giảm số lượng gói tin truyền dẫn tăng V KẾT LUẬN Bằng việc áp dụng phân tích tốn học, đưa biểu thức thông lượng BLER hệ thống liên lạc độ dài gói tin hữu hạn có hỗ trợ UAV tán xạ ngược Từ đó, ảnh hưởng số lượng gói tin truyền dẫn lên phẩm chất hệ thống khảo sát Hệ thống tìm thấy hệ thống điều khiển từ xa cảm biến TÀI LIỆU THAM KHẢO [1] S Yang, Y Deng, X Tang, Y Ding, and J Zhou, "Energy Efficiency Optimization for UAV-assisted Backscatter Communications," IEEE Communications Letters, 2019 [2] N Agrawal, A Bansal, K Singh, C.-P Li, and S Mumtaz, "Finite Block Length Analysis of RIS-Assisted UAV-Based Multiuser IoT Communication System with Non-Linear EH," IEEE Transactions on Communications, 2022 [3] V Talla, M Hessar, B Kellogg, A Najafi, J R Smith, and S Gollakota, "Lora backscatter: Enabling the vision of ubiquitous connectivity," Proceedings of the ACM on interactive, mobile, wearable and ubiquitous technologies, vol 1, no 3, pp 1-24, 2017 [4] N H Tu and K Lee, "Performance analysis and optimization of multihop MIMO relay networks in short-packet communications," IEEE Transactions on Wireless Communications, 2021 136 Ứng dụng học máy phát bất thường tảng ELK Vũ Đức Thịnh Khoa Công nghệ Thông Tin Đại học Công nghiệp Thực phẩm TP Hồ Chí Minh TP Hồ Chí Minh, Việt Nam thinhvd@hufi.edu.vn với dấu hiệu phát xâm nhập lưu trữ sở liệu hệ thống xét xem hành động diễn an tồn hay khơng an tồn Ví dụ phát xâm nhập dựa vào dấu hiệu: kiểm tra log thấy người dùng cố gắng kết nối vào hệ thống quyền tài khoản “root”, nhập sai mật nhiều lần vi phạm nguyên tắc thiết lập hệ thống; thư điện tử không rõ nguồn mà có đính kèm file exe, pif, application, gadget, … chứa mã độc Abstract—Phát bất thường chứng minh phương pháp có giá trị nhiều lĩnh vực khác kinh tế, y tế, xâm nhập mạng… Trong nghiên cứu này, tác giả xây dựng giải pháp phát bất thường, dự đốn cơng theo phương pháp học khơng giám sát, dựa công cụ ELK Stack để thu thập xử lý liệu từ log ứng dụng, tạo véctơ đặc trưng sau áp dụng thuật toán PCA để phát điểm bất thường liệu log Keywords—ELK, PCA, phát bất thường I MỞ ĐẦU Kỹ thuật đơn giản hiệu trường hợp gặp mối đe dọa lưu trữ sở liệu hệ thống không hiệu trường hợp chưa gặp phải Đây mặt hạn chế phương pháp này, nên dùng mơ hình mạng lớn hay giao thức ứng dụng khơng thể theo dõi bao qt hết thành phần có hệ thống có độ tin cậy thấp Phát bất thường xác định kiện, mẫu khác biệt đáng kể so với hành vi khuôn mẫu tiêu chuẩn Các dị thường liệu gọi độ lệch chuẩn, giá trị ngoại lệ, nhiễu, vật lạ, … Trong bối cảnh phát bất thường mạng/ xâm nhập mạng phát lạm dụng thuật ngữ sử dụng phổ biến bất thường ngoại lệ Ví dụ: hoạt động làm tăng lưu lượng mạng đột biến thường đáng ý, hoạt động tăng đột biến nằm ngồi nhiều kỹ thuật phát bất thường truyền thống; mẫu lưu lượng bất thường hệ thống mạng máy tính có nghĩa tin tặc cơng gửi liệu nhạy cảm đến điểm mà khơng phép • Phát dựa vào bất thường Kỹ thuật phát dựa vào bất thường q trình tổng hợp hành động thơng thường khoảng thời gian từ nhiều đối tượng người dùng, máy chủ, kết nối mạng hay dịch vụ tạo thành hồ sơ thông tin để miêu tả hành động bình thường sau so sánh với kiện diễn hệ thốn để phát bình thường hay bất thường Phương pháp có độ xác cao hệ thống phát bất thường thiết lập hệ thống có thời gian vận hành dài để triển khai phân tích học tất hành động bình thường hệ thống Phát bất thường bước khai thác liệu nhằm xác định điểm liệu, kiện quan sát khác với hành vi bình thường tập liệu Dữ liệu bất thường cố nghiêm trọng, chẳng hạn trục trặc kỹ thuật, thay đổi hành vi trình sử dụng người dùng Máy học dần sử dụng để tự động hoá việc phát bất thường Trong nghiên cứu này, tác giả sử dụng công cụ ELK Stack (Beat, Logstash, Elastic Search, Kibana) [1] để thu thập phân tích data log services; phát dấu hiệu bất thường cách sử dụng kỹ thuật Dimensionality Reduction (DR) [2]; theo dõi, dự đoán, phát cảnh báo hành vi, điểm, dấu hiệu bất thường file log, traffic vào hệ thống, hành động xâm nhập trái phép hay hành động truy cập hợp pháp trình hoạt động hệ thống thuật tốn Principal Component Analysis (PCA)[3] • Phương pháp phát dựa mơ hình Phương pháp phát dựa mơ hình áp dụng kĩ thuật, phương pháp học máy; trí tuệ nhận tạo; mơ hình sử dụng thuật tốn để phát thời điểm bình thường hay bất bình thường, triển khai qui luật phát công cách tự động từ sở liệu mô Phương pháp sử dụng rộng rãi hệ thống dự đốn, phát cơng hay xâm nhập trái phép kể cũ hay nhiên nhiều lúc đưa cảnh báo nhầm so với hai phương pháp II CƠ SỞ LÝ THUYẾT • Kỹ thuật phát dựa vào phân tích trạng thái giao thức A Các phương pháp phát bất thường • Phương pháp dựa dấu hiệu Hiện nay, kẻ công thường thông qua giao thức mạng để công hay xâm nhập bất hợp pháp vào hệ thống Mỗi giao thức điều có cấu trúc cách hoạt động riêng biệt, kỹ thuật phát dựa vào phân tích trạng thái giao thức trình hoạt động giao Dấu hiệu đặc trưng hệ thống bị virus, công, xâm nhập trái phép, … thống kê trình hệ thống vận hành lưu lại Hệ thống triển khai so sánh liệu thu thập 137 thức, sử dụng liệu hoạt động hợp lệ giao thức có sẵn hệ thống để xem xét có hành vi cơng xảy hay khơng Hạn chế phương pháp tập trung liệu, phải phân tích thực giám sát trạng thái hoạt động cho nhiều phiên làm việc lúc; vấn đề phương pháp khơng thể phát cơng có dấu hiệu đặt trưng phương pháp giao thức thừa nhận đậy hành vi thông thường, ví dụ: thực lập lập lại hành động bình thường nhiều lần khoảng thời gian ngắn công từ chối dịch vụ Mặc khác xảy xung đột giao thức hệ thống giao thức có mạng [4][5][6][7] III PHƯƠNG PHÁP PHÁT HIỆN BẤT THƯỜNG DỰA TRÊN ELK VÀ PCA Phát bất thường ngày ứng dụng nhiều việc phát xâm nhập, công hệ thống nói chung hệ thống mạng nói riêng Trong đó, thuật tốn phân lớp thường sử dụng nhằm xây dựng mơ hình phát xâm nhập trái phép, để dự đoán phát cơng có bất thường xảy Tuy nhiên, nghiên cứu tác giả thực tốn phát bất thường phương pháp học khơng giám sát máy học dựa mơ hình đây: B Kỹ thuật Dimensionality Reduction Principal Component Analysis • Dimensionality Reduction (DR) Số lượng lớn thành phần đầu vào gây hiệu suất cho thuật toán học máy Giảm số chiều lĩnh vực nghiên cứu chung liên quan đến việc giảm số lượng thành phần đầu vào kỹ thuật quan trọng học máy Khi xử lý liệu có chiều cao, thường hữu ích giảm kích thước cách chiếu liệu xuống khơng gian có chiều thấp để nắm bắt chấ liệu điều gọi giảm kích thước liệu đảm bảo thông tin truyền tải tương tự DR mang lại trình bày ngắn gọn hơn, dễ hiểu khái niệm mục tiêu, tập trung ý người dùng vào biến có liên quan nhất, kỹ thuật DR giúp cho việc nén liệu, thời gian tính tốn nhanh Ví dụ: Dữ liệu địi hỏi trực quan hóa để hiểu rõ với liệu có chiều khơng thể quan sát Kỹ thuật DR mang lại số lượng chiều giảm xuống để quan sát cách xác Giảm số chiều sử dụng để phát bất thường • Hình Mơ hình thực nghiệm phát bất thường A Thu thập phân tích log mail Postfix – Logstash Nhằm mục đích đánh giá phương pháp phát bất thường theo mơ hình tốn - Hình 1, tác giả dựa vào tập liệu thu thập từ logmail Postfix mơ hình Tập liệu log bao gồm thuộc tính từ gói tin kết nối đến hệ thống thời gian, smtpd, sasl_method, sasl_username, qmgr, cleanup, saslauthd… Bằng cách sử dụng Logstash cơng cụ ELK để phân tích xây dựng cấu trúc log, Logstash thực cơng việc phân tích cú pháp từ log mail gồm 03 giai đoạn: input, filter ouput với plugin phù hợp Do mô hình thực nghiệm cài đặt Logstash Elasticsearch máy chủ, nên thiết lập đầu Logstash thông qua localhost để kết nối với Elasticsearch Principal Component Analysis (PCA) PCA kỹ thuật phổ biến để giảm kích thước tập liệu bao gồm nhiều biến số tương quan với nhau, dù nặng hay nhẹ, giữ lại mức độ biến động có tập liệu mức tối đa Đây kỹ thuật có nguồn gốc từ đại số tuyến tính sử dụng kỹ thuật chuẩn bị liệu để tạo phép chiếu trước xây dựng mơ hình Từ cấu hình trên, Logstash tự động phân tích tất thơng tin có log mail đường dẫn /var/log/maillog lưu trữ liệu Elastichsearch Kết quả, có 777.509 hits phân tích Elasticsearch PCA thực cách chuyển đổi biến thành tập hợp biến mới, gọi thành phần (hoặc đơn giản PC) trực giao, xếp theo thứ tự cho việc trì biến thể có biến ban đầu giảm di chuyển xuống theo thứ tự Theo phương pháp thành phần thứ giữ lại biến đổi tối đa có thành phần ban đầu Các thành phần ký hiệu riêng ma trận hiệp phương sai, chúng trực giao [8][9] Ví dụ: Ban đầu có 1000 biến có tương quan tuyến tính với nhau, ta sử dụng PCA xoay chiều không gian cũ trở thành chiều khơng gian cịn lại 10 biến khơng có tương quan tuyến tính mà giữ nhiều lượng thơng tin từ nhóm biến ban đầu Hình Phân tích log Elasticsearch B Thực tạo vector đặc trưng với watcher Tiếp theo tác giả công cụ watcher để tạo vector đặc trưng (vector tỷ lệ trạng thái) từ liệu phân tích lưu trữ Elasticsearch công cụ ELK với Index : maillog-2022.01.01 Wacher thực thông qua bước trigger, input, condition, transform action Trong nghiên 138 cứu tác giả thực tạo vector mà không cần transform, chọn khung thời gian 10 giây thực đếm số lần xuất chương trình 10 giây Sau có kết cuối vector tỷ lệ trạng thái lưu trữ Index: mail-program-watch-4 Kết sau thực Watcher, từ 777.509 hit tạo 4097 vector đặc trưng lưu trữ Elasticsearch Hình Trực quan hóa liệu thuật tốn PCA Từ hình ảnh trực quan hóa cho thấy điểm xa tập thành phần chính, từ thấy bất thường Ngược lại, điểm gần thể bình thường D Trực quan hóa liệu bất thường – Kibana Để trực quan hóa liệu bất thường, tác giả thực tạo ánh xạ với Kibana để trực quan hóa q trình bất thường Hình Watcher tạo vector đặc trưng Index mailprogram-vector-4 C Chương trình Python thuật tốn PCA Bước này, tác giả áp dụng thuật tốn phân tích thành phần PCA tập hợp véc tơ đặc trưng chương trình Python Ý tưởng ban đầu tạo tập hợp mục liệu để tìm mục bất thường cách sử dụng reconstruction error Sau tiền xử lý chuẩn hoá liệu dạng số, tác giả tiến hành chia nhỏ ma trận liệu nguồn thành thành phần thơng qua thư viện scikit-learning cung cấp lớp PCA phù hợp với tập liệu Thuật tốn PCA trích chọn véc tơ đặc trưng tiêu biểu số trường liệu ban đầu Tiếp theo sau tái tạo lại liệu ban đầu vài thành phần Dữ liệu tái tạo tương tự, không hoàn toàn giống với liệu gốc Các mục liệu tái tạo khác biệt với mục gốc tương ứng mục bất thường Hình Biểu đồ trực quan hóa phát ngưỡng bất thường IV KẾT QUẢ VÀ THẢO LUẬN A Kết thực nghiệm Nghiên cứu trình bày giải pháp phát bất thường hệ thống mail dựa tập liệu log mail Qua phân tích kết thực nghiệm khẳng định tính đắn giải pháp nghiên cứu với thực tế hệ thống Tại thời điểm xảy bất thường, đối chiếu kết với tình trạng hệ thống mail máy chủ mail Postfix nhận lượng thư lớn Đồng thời, hệ thống gửi cảnh báo tài khoản Telegram quản trị viên thời điểm với phát vector bất thường Qua dự đoán nguyên nhân hệ thống mail hoạt động chậm số lượng thư tăng đột biến ảnh hưởng đến hệ thống Kết giải pháp phát dự đoán công phần mềm hệ thống mà tác giả hướng tới nghiên cứu Hình Dữ liệu sau tiền xử lý 139 đề xuất phương pháp phát bất thường Các vấn đề khác phát dị thường, xử lý phát dị thường phát công hướng mở cho nghiên cứu REFERENCES [1] [2] [3] [4] [5] [6] Hình Hình ảnh hệ thống gửi cảnh báo Telegram [7] B Hướng phát triển Phân tích phát bất thường hướng nghiên cứu bao gồm nhiều lĩnh vực, nhiều mô hình, phương pháp kỹ thuật áp dụng khác Đối với phương pháp dựa PCA, độ phức tạp thuật tốn PCA, phép biến đổi tuyến tính, tự tương quan khoảng thời gian, … vấn đề cần lưu ý xem xét phương pháp PCA Trong phạm vi nghiên cứu này, tác giả hướng tới mục tiêu kiểm tra [8] [9] 140 https://vi.wikipedia.org/wiki/Elasticsearch [Online; accessed Arpil, 18 , 2022] Wei Xu System Problem Detection by Mining Console Logs PhD thesis, University of California, Berkeley, 2010 Peters, C A (2013) Intrusion and Fraud Detection using Multiple Machine Learning Algorithms (Doctoral dissertation, The University of Manitoba) Reddy, R R., Kavya, B., & Ramadevi, Y (2014) A Survey on SVM Classifiers for Intrusion Detection International Journal of Computer Applications, 98(19) Varun Chandola, Arindam Banerjee, and Vipin Kumar “Anomaly Detection: A Survey” In: ACM Comput Surv 41.3 (July 2009), 15:1– 15:58 issn: 0360- 0300 doi: 10.1145/1541880.1541882 Subutai Ahmad, Alexander Lavin, Scott Purdy, Zuha Agha: Unsupervised real-time anomaly detection for streaming data, Neurocomputing 262 (2017) 134– 147 Aaron Hart Michael Berthold Rosaria Silipo, Iris Adae Seven techniques for dimensionality reduction KNIME, 2014 Francisco Lima Principal component analysis in r https://www.rbloggers.com/principal-component-analysis-in-r/, 2018 [Online; accessed January 23, 2018] Lewis Lehe Victor Powell Principal component analysis explained visually http://setosa.io/ev/principal-component-analysis/ [Online; accessed April, 24 ,2022] ÁP DỤNG LỚP HỌC ĐẢO NGƯỢC TRONG GIẢNG DẠY HỌC PHẦN MẠNG MÁY TÍNH 3st Nguyễn Văn Tự 4st Phạm Xn Bình 2st Lê Hữu Tuấn 1st Nguyễn Đăng Bắc Khoa Công nghệ thông tin Khoa Công nghệ thông tin Khoa Công nghệ thông tin Khoa Công nghệ thông tin Đại học Thái Bình Dương Đại học Thái Bình Dương Đại học Thái Bình Dương Đại học Thái Bình Dương Nha Trang, Khánh Hòa Nha Trang, Khánh Hòa Nha Trang, Khánh Hòa Nha Trang, Khánh Hòa bac.nd@tbd.edu.vn tuan.lh@tbd.edu.vn tu.nv@tbd.edu.vn binh.px@tbd.edu.vn thống thường đánh giá sinh viên (SV) mức thấp thang đo: nhớ hiểu Một phương pháp giúp cho người học tham gia vào hoạt động mức cao thang đo Bloom như: Vận dụng - Phân tích – Đánh giá – Sáng tạo Trong báo này, chúng tơi trình bày kinh nghiệm giảng dạy học phần Mạng máy tính mơ hình lớp học đảo ngược II PHƯƠNG PHÁP NGHIÊN CỨU Chúng sử dụng phương pháp nghiên cứu lý thuyết: lựa chọn, thu thập phân tích, tổng hợp tài liệu lớp học đảo, thang đo tư nhận thức Bloom Dựa sở phân tích tài liệu này, làm rõ sở lý luận, đặc trưng mơ hình lớp học đảo ngược để áp dụng mơ hình lớp học đảo ngược giảng dạy học phần Mạng máy tính III KẾT QUẢ NGHIÊN CỨU III.1 Mơ hình lớp học đảo ngược A Giới thiệu mơ hình lớp học đảo Mơ hình lớp học đảo ngược phương thức dạy học theo mô hình kết hợp Mơ hình khai thác triệt để ưu điểm công nghệ thông tin góp phần giải hạn chế mơ hình dạy học truyền thống cách “đảo ngược” trình dạy học so với mơ hình dạy học truyền thống Sự “đảo ngược” hiểu thay đổi với dụng ý chiến lược sư phạm thể cách triển khai nội dung, mục tiêu dạy học hoạt động dạy học khác với cách truyền thống trước người dạy người học [2] [3] Mơ hình lật lại mối quan hệ truyền thống học tập nhà Với Tóm tắt nội dung: Bài báo chúng tơi trình bày kinh nghiệm việc triển khai mơ hình lớp học đảo ngược vào giảng dạy học phần Mạng máy tính Dựa kết đánh giá từ sinh viên, việc triển khai đem lại số kết khả quan cho người học Đồng thời, số hạn chế, giải pháp q trình chúng tơi triển khai mơ hình Từ khóa: Lớp học đảo, thang đo Bloom, Mạng máy tính I ĐẶT VẤN ĐỀ Lớp học truyền thống khiến quen thuộc với hình ảnh người Thầy đứng bục say sưa giảng bài, người học ngồi cắm cúi, chép từ chữ Kết sau nắm được, người học cổ máy kiến thức khô khan, ứng dụng hay thực hành vào thực tiễn Thay phải ép người học phải ngồi hàng tiếng đồng hồ nghe giảng nhàm chán, không tận dụng quãng thời gian dành cho hoạt động tương tác lớp? Bởi lẽ hoạt động mang lại nhiều giá trị, nhiều lợi ích cho người học Thang đo tư nhận thức Bloom ba mơ hình khác (Nhận thức, Cảm xúc, Vận động) học thuyết Bloom [1] Khía cạnh nhận thức liên quan đến việc học tập kiến thức phát triển kỹ trí tuệ Theo Bloom có loại chính, liệt kê từ hành vi đơn giản phức tạp nhất: Nhớ - Hiểu - Vận dụng - Phân tích – Đánh giá – Sáng tạo Từ đó, nhận thấy giảng dạy cần hướng tới mức cao thang đo tư nhận thức Bloom Trong đó, phương pháp truyền 141 lớp học đảo, việc tìm hiểu kiến thức định hướng giảng viên, nhiệm vụ sinh viên tự học kiến thức làm tập nhà thông qua: đọc tài liệu, tóm tắt tài liệu, nghe giảng thơng qua clip, tìm kiếm, khai thác tài liệu để phục vụ cho việc nghiên cứu học Thời lượng lớp chủ yếu dành cho việc tổ chức hoạt động giúp sinh viên tương tác, chia sẻ phần chuẩn bị trước GV củng cố, tái kiến thức vận dụng kiến thức vào xử lí tình cụ thể Các tập nâng cao thực lớp hỗ trợ giảng viên bạn nhóm Vậy khác biệt việc tổ chức hoạt động ngồi lớp học mơ hình lớp học đảo ngược lớp học truyền thống tóm tắt bảng sau: Loại hình lớp học Trong lớp học - Giúp nâng cao lực giải vấn đề rèn luyện kỹ cho người học (tự học, nghiên cứu tài liệu, sử dụng CNTT, ) - Giúp người học sử dụng hiệu thời gian học tập nhà lớp học - Tạo hội bình đẳng tiếp nhận thơng tin kiến thức - SV nghiên cứu học theo lực thân, không bị hạn chế không gian, thời gian, số lần Đối với giảng viên: - Khai thác mạnh mô hình để tổ chức hoạt động dạy học hiệu - Tăng thời gian giao tiếp, làm việc với người học (khơng bó hẹp khơng gian lớp học) - Hệ thống giảng, học liệu dùng cho giảng dạy sử dụng, khai thác khoa học, hiệu hơn, sử dụng học liệu dùng chung, học liệu mở cho mơn học C Mơ hình lớp học đảo với phát triển tư nhận thức người học Mơ hình lớp học đảo ngược xây dựng dựa sở lý thuyết học tập tích cực Phương thức dạy học tạo môi trường khuyến khích tính tự chủ học tập cho người học Theo Marks [5], thực mơ hình lớp học đảo ngược góp phần rèn luyện phát triển nhận thức cho người học Nếu dựa thang cấp độ tư Bloom từ thấp đến cao là: Nhớ, Hiểu, Vận dụng, Phân tích, Đánh giá, Sáng tạo thấy lớp học truyền thống thời gian lớp bị giới hạn nên GV hướng dẫn người học nội dung mức độ đầu nhận thức nhớ, hiểu Để đạt đến mức độ cao hơn, người học phải nỗ lực tự học tập nghiên cứu nhà trở ngại lớn với đa số sinh viên Với mơ hình lớp học đảo ngược mức độ đầu người học thực nhà nhờ clip, tài liệu, giảng đưa trước để đọc hướng dẫn GV Thời gian lớp, dành tối đa cho giảng viên sinh viên làm việc để giúp cho sinh viên đạt tư bậc cao, u cầu khó Ngồi lớp học Truyền thống Bài học/bài giảng Bài tập luyện tập Đảo ngược Bài tập luyện tập Video giảng, tài liệu Mô hình “Lớp học đảo ngược” khơng phải vận dụng cho tất nội dung dạy học, giảng viên cần phải có chọn lọc sử dụng mơ hình Nghiên cứu Jeremy Strayer năm 2007 thực Đại học bang Ohio hay Gardner năm 2012 Đại học Bang Tennessee mơ hình phù hợp với việc giảng dạy khái niệm bản, mơ hình, chế hoạt động, kiến thức thuộc loại quy trình (procedural knowledge), phương thức sử dụng hiệu dạy học dự án [4] B Ưu điểm mơ hình lớp học đảo Theo chúng tơi, số ưu điểm phương thức tổ chức dạy học là: Đối với người học: - Làm cho người học chủ động học tập - Mơ hình lớp học đảo ngược phù hợp với phát triển tư người học 142 khăn họ đạt có giảng viên bạn bè chia sẻ, hỗ trợ - Củng cố kiến thức với tập câu hỏi liên quan III.2 Mơ hình lớp học đảo ngược giảng dạy học phần Mạng máy tính A Giới thiệu học phần Mạng máy tính Trong chương trình đào tạo ngành CNTT khóa 2020, học phần Mạng máy tính thuộc nhóm mơn sở ngành, tổ chức giảng dạy vào học kỳ sau sinh viên có kiến thức Kiến trúc máy tính, Hệ điều hành Học phần tổ chức thành chuyên đề, chuyên đề có hình thức đánh giá cụ thể, phù hợp với chuẩn đầu ngành B Nội dung triển khai lớp học đảo ngược Trong học kỳ năm học 2021-2022, học phần Mạng máy tính tổ chức thành 02 lớp học phần theo kế hoạch phịng Đào tạo Chúng tơi chọn chun đề 1: “Tầng mạng mơ hình OSI” để áp dụng “đảo ngược” lớp CNTT107V122G2, diễn 02 buổi học (8 tiết) Các hoạt động: - Trước buổi học: Sinh viên yêu cầu xem trước 03 Clip, đọc tài liệu [6] [7] [8] [9] liên quan giảng giảng viên cung cấp Google Classroom lớp học Clip liên quan kiến thức “Giải thuật chọn đường” cho buổi học Clip thứ liên quan kiến thức “Giao thức IP, Subnet, sử dụng phần mềm Cisco packet tracer ” cho buổi học sau - Trong buổi học: Trước bắt đầu buổi học, sinh viên đưa câu hỏi gặp phải trình xem Clip đọc tài liệu Sau đó, GV tiến hành tóm tắt ngắn gọn nội dung SV cần giải đáp, làm rõ thời gian lại buổi học, GV tập trung vào: (1) Chuẩn hóa lại kiến thức để hiểu : Lý thuyết đồ thị, mơ hình OSI, chuẩn hóa mạng cục bộ, giao thức IP, mặt nạ mạng tính phần mềm Cisco packet tracer (2) Làm rõ vấn đề sử dụng công cụ Cisco packet tracer D Một số gợi ý quy trình áp dụng mơ hình lớp học đảo ngược: Tại nhà: - SV nghiên cứu tài liệu tham khảo xem video hướng dẫn chi tiết thao tác liên quan đến nội dung học giảng viên cung cấp Google Classroom - SV thực nhiệm vụ GV giao Google Classroom - SV trao đổi với GV bạn học thơng qua hệ thống Google Classroom, Zalo nhóm nội dung, kiến thức tự học nhiệm vụ giao - SV hoàn thành tập củng cố kiến thức Google Classroom gửi cho GV - SV chỉnh sửa lại sau nhận ý kiến góp ý, phản hồi GV Tại lớp: - Trao đổi khó khăn, vướng mắc SV nghiên cứu học nhà - Tham gia hoạt động nhóm để củng cố kiến thức tự học thực tập vận dụng nâng cao Theo quy trình trên, SV có hội để lĩnh hội lượng kiến thức nhiều hơn, rộng mà không cảm thấy nhàm chán Tham gia hoạt động tự củng cố, lĩnh hội kiến thức vận dụng kiến thức để giải vấn đề thực tiễn lớp giúp hình thành phát huy nhiều lực tổng hợp SV SV có giai đoạn để ghi nhớ kiến thức: - Tự học lớp Google Classroom học phần - Học lớp học trực tiếp hướng dẫn GV 143 Khi tiến hành thực nghiệm đối tượng sinh viên ngành CNTT khóa 2021 lớp học phần CNTT107V122G2 (3) Thiết kế mạng, giải vấn đề liên quan tính liên thơng mạng, kiểm tra lỗi GV thiết kế 03 tập cho sinh viên thực theo nhóm Mỗi nhóm có từ 3-4 sinh viên Bài tập 1: Các câu hỏi trắc nghiệm liên quan tới mơ hình OSI, lý thuyết đồ thị, chuẩn hóa mạng cục bộ, lớp mạng Với tập này, theo thang đo nhận thức Bloom sinh viên đánh giá mức độ nhớ hiểu Bài tập 2: Thực hành mô thiết kế theo mơ hình gợi ý sẵn như: multilayer switch (chức routing switch layer3 – chia mạng con, chọn đường đi, cấp phát DHIP Server) Với tập này, theo thang đo nhận thức Bloom sinh viên đánh giá mức độ hiểu vận dụng Bài tập 3: Thực hành mô thiết kế hệ thống mạng theo yêu cầu cụ thể Với tập này, theo thang đo nhận thức Bloom sinh viên đánh giá mức độ vận dụng, phân tích hướng đến sáng tạo Cuối buổi 1, thực khảo sát kiến thức chung tầng mạng Các câu hỏi yêu cầu sinh viên trả lời “Có” “Khơng”: Tầng mạng OSI gì? Anh/chị có hiểu chức năng, tầm quan trọng tầng mạng? Anh/chị có hiểu giao thức định tuyến giao thức IP? Anh/chị cảm thấy có khả sử dụng phần mềm Cisco packet tracer để thiết kế mạng Anh/chị cảm thấy cách học (SV xem trước clip, tài liệu nhà; sau trao đổi, giải vấn đề lớp với GV) có hữu ích khơng? Anh/chị cảm thấy cách học có gây áp lực (đọc xem tài liệu trước) không? - Sau buổi học: GV yêu cầu SV tự đúc kết lại nội dung học, tự tìm hiểu mở rộng thiết kế hệ thống mạng C Kết khảo sát: Kết bảng khảo sát: Qua kết trên, nhận thấy phần lớn sinh viên hào hứng, chủ động tham gia vào trình học tập Một số sinh viên cảm thấy áp lực sinh viên chưa có máy tính phải xem trước điện thoại Kết đánh giá (cuối buổi 2) Để đảm bảo tính khách quan, không sử dụng người đánh giá người giảng dạy Kết dạy học sau thực nghiệm thu qua kiểm tra lớp thực nghiệm (14 SV) lớp đối chứng (17 SV) sau: Qua số liệu thực nghiệm, nhận thấy, tỉ lệ SV đạt mức trung bình lớp thực nghiệm giảm so với lớp đối chứng (14,29% so với 52,94%); số SV đạt mức giỏi lớp thực nghiệm cao đáng kể so với lớp đối chứng (42,86% so với 17,65%) Trong q trình giảng dạy, chúng tơi nhận thấy, SV chủ động khả tự học SV tiến rõ rệt SV vận dụng tốt kĩ thuật vào tình cụ thể Với 02 buổi dạy học tổ chức dạy theo mơ hình lớp học đảo ngược khơng giúp tăng số lượng SV đạt mức khá, giỏi; giảm số lượng SV đạt kết trung bình mà 144 cịn góp phần nâng cao khả tự học SV IV KẾT LUẬN Mơ hình Lớp học đảo ngược áp dụng dạy học từ bậc phổ thông tới đại học Mơ hình khơng giúp SV linh hoạt thời gian học tiếp thu kiến thức mà tăng cường khả tự học hình thành tư bậc cao cho SV Để ứng dụng mơ hình lớp học đảo ngược dựa lớp học trực tuyến Google Classroom, đòi hỏi GV cần có tảng kiến thức tin học định đầu tư nhiều thời gian cho khâu chuẩn bị tài liệu để SV tự học hiệu trước tới lớp đồng thời giúp học lớp hiệu [7] V C Chunduri, "PATH FINDING Dijkstra’s Algorithm," Indiana State University, India, 2014 [8] "ptnetacad.net," [Online] Available: http://tutorials.ptnetacad.net/tutorials70.htm [Accessed 2022] [9] P Simoneau, "The OSI Model: Understanding the Seven Layers of Computer Networks," Global Knowledge Training LLC, 2006 TÀI LIỆU THAM KHẢO [1] Muhammad Tufail Chandio, Saima Murtaza Pandhiani, Rabia Iqbal, "Bloom’s Taxonomy: Improving Assessment and Teaching-Learning Process," Journal of Education and Educational Development, vol 3, no 2, pp 203-221, 2016 [2] Lê Thị Phượng, Bùi Phương Anh, "Dạy học theo mơ hình lớp học đảo ngược nhằm phát triển lực tự học cho học sinh," Tạp chí Quản lí Giáo dục, vol 10, pp 1-8, 2017 [3] N Chính, "Dạy học theo mơ hình Flipped Classroom," Báo Tia Sáng - Bộ Khoa, 2016 [4] Sams, A., & Bergmann, J., "Flip your students’ learning," Educational Leadership, vol 7, pp 16-20, 2013 [5] M D B, "Flipping the Classroom: Turning an Instructional Methods Course Upside Down," Journal of College Teaching and Learning, vol 12, no 4, pp 241-248, 2015 [6] G Thomas, "Introduction to the Internet Protocol: How does IP impact control networks?," Contemporary Controls, vol 1, no 4, pp 1-6, 1999 145 2| Phần I Những vấn đề chung phát triển khoa học công nghệ đổi sáng tạo phù hợp với tiềm Chịu trách nhiệm xuất GIÁM ĐỐC - TỔNG BIÊN TẬP BÙI MINH CƯỜNG Chịu trách nhiệm nội dung TS NGUYỄN HUY TIẾN Biên tập: NGUYỄN MINH CHÂU Chế bản: NGUYỄN MINH CHÂU Họa sĩ bìa: ĐẶNG NGUYÊN VŨ NHÀ XUẤT BẢN KHOA HỌC VÀ KỸ THUẬT 70 Trần Hưng Đạo - Hoàn Kiếm - Hà Nội ĐT: 024 3942 2443 Fax: 024 3822 0658 Email: nxbkhkt@hn.vnn.vn Website: http://www.nxbkhkt.com.vn CHI NHÁNH NHÀ XUẤT BẢN KHOA HỌC VÀ KỸ THUẬT 28 Đồng Khởi - Quận - TP Hồ Chí Minh ĐT: 028 3822 5062 In 300 bản, khổ 20.5  29.5 cm, Công ty TNHH In Tre Xanh Địa chỉ: Thôn Quỳnh Đô, xã Vĩnh Quỳnh, huyện Thanh Trì, Hà Nội Số ĐKXB: 2474-2022/CXBIPH/7-141/KHKT Quyết định XB số: 148/QĐ-NXBKHKT ngày 21/7/2022 In xong nộp lưu chiểu năm 2022 Mã ISBN: 978-604-67-2385-1