BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP.HỒ CHÍ MINH
KHOA ĐIỆN- ĐIỆN TỬ
BỘ MÔN KỸ THUẬT MÁY TÍNH - VIỄN THÔNG

ĐỒ ÁN TỐT NGHIỆP

ỨNG DỤNG MẠNG HỌC SÂU VÀO VIỆC TỰ
ĐỘNG NHẬN DẠNG HOẠT ĐỘNG BẤT
THƯỜNG TRONG MẠNG MÁY TÍNH
NGÀNH HỆ THỐNG NHÚNG VÀ IOT

SVTH:
GVHD:

VÕ VĂN KHÁNH
MSSV: 20145322
THS. TRƯƠNG NGỌC HÀ

TP. HỒ CHÍ MINH - 06/ 2024

LỜI CẢM ƠN
Trong suốt quá trình tự mình hoàn thành đồ án tốt nghiệp với đề tài này, tôi
đã nhận được rất nhiều sự tư vấn và lời khuyên từ Thầy Cô và bạn bè ngành Hệ
thống nhúng và IoT, khoa Điện - Điện tử, thuộc trường Đại Học Sư Phạm Kỹ Thuật
Thành phố Hồ Chí Minh mới có thể hoàn thành đề tài. Tôi xin gửi một lời cảm ơn
chân thành nhất đến những quý Thầy Cô, bạn bè đã góp ý, giúp đỡ trong quá trình
thực hiện đề tài. Đặc biệt, tôi xin cảm ơn thầy Trương Ngọc Hà, người đã luôn sát
cánh cùng tôi trong quá trình thực hiện đề tài. Những góp ý, lời khuyên, đánh giá
và lộ trình thầy đặt ra từ những ngày đầu làm đồ án thực sự để lại ý nghĩa rất lớn,
ảnh hưởng đến tư duy, hướng phát triển trong quá trình thực hiện đề tài này của
tôi. Tất nhiên, đề tài sẽ còn có những thiếu sót và hạn chế, tôi rất mong nhận được
những góp ý và đánh giá thẳng thắn để có thể học hỏi thêm kiến thức, qua đó có
thể có một sản phẩm chỉn chu hơn trong tương lai. Tôi xin chân thành cảm ơn!
Sinh viên thực hiện đồ án tốt nghiệp
(Ký và ghi rõ họ tên)

Võ Văn Khánh

i

LỜI CAM ĐOAN
Sinh viên thực hiện đồ án tốt nghiệp cam kết đề tài được thực hiện dựa vào
một vài tài liệu trước đó và không sao chép nội dung, kết quả của đồ án khác. Các
nội dung tham khảo đã được trích dẫn đầy đủ.
Sinh viên thực hiện đồ án tốt nghiệp
(Ký và ghi rõ họ tên)

Võ Văn Khánh

ii

MỤC LỤC

LỜI CẢM ƠN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

i

LỜI CAM ĐOAN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

ii

MỤC LỤC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

iii

DANH MỤC BẢNG . . . . . . . . . . . . . . . . . . . . . . . . . . . .

v

DANH MỤC HÌNH ẢNH . . . . . . . . . . . . . . . . . . . . . . . . .

vi

DANH MỤC CÁC TỪ VIẾT TẮT . . . . . . . . . . . . . . . . . . . . . viii
TÓM TẮT

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

ix

CHƯƠNG 1. TỔNG QUAN . . . . . . . . . . . . . . . . . . . . . . . . .
1.1 GIỚI THIỆU . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2 MỤC TIÊU NGHIÊN CỨU . . . . . . . . . . . . . . . . . . . . .
1.3 PHƯƠNG PHÁP NGHIÊN
...

...
/10.1561/2200000056
[13] Z. Chen, W. Soliman, A. Nazir, and S. Mohammad, “Variational autoencoders
and wasserstein generative adversarial networks for improving the anti-money
laundering process,” IEEE Access, vol. PP, pp. 1–1, 06 2021.
[14] aporia. What is kullback–leibler divergence in machine learning.
Accessed:
May.
15,
2024.
[Online].
Available:
https://www.aporia.com/glossary/kullback-leibler-divergence/
[15] A. Makhzani, J. Shlens, N. Jaitly, I. Goodfellow, and B. Frey, “Adversarial
autoencoders,” 2016.
[16] S. Shin and H.-j. Kim, “Extended autoencoder for novelty detection with reconstruction along projection pathway,” Applied Sciences, vol. 10, p. 4497,
06 2020.
[17] networklession. Ipv4 packet header. Accessed: May. 15, 2024. [Online].
Available: https://notes.networklessons.com/ipv4-header-length-field
[18] numxl. Principal component analysis (pca) 101. Accessed: May. 15, 2024.
[Online]. Available: https://numxl.com/blogs/principal-component-analysispca-101/
[19] A. Maćkiewicz and W. Ratajczak, “Principal components analysis (pca),”
Computers &amp Geosciences, vol. 19, no. 3, pp. 303–342, 1993.
[20] X. Liu, F. Zhang, Z. Hou, L. Mian, Z. Wang, J. Zhang, and J. Tang, “Selfsupervised learning: Generative or contrastive,” IEEE transactions on knowledge and data engineering, vol. 35, no. 1, pp. 857–876, 2021.
53

[21] Y. Sim. [iclr 2022] part 2: Time series anomaly detection. Accessed: May.
15, 2024. [Online]. Available: https://www.lgresearch.ai/blog/view/?seq=231
[22] K. Saminathan, S. T. R. Mulka, S. Damodharan, M. Rajagopal, and J. Lorincz, “An artificial neural network autoencoder for insider cyber security
threat detection,” Future Internet, vol. 15, p. 373, 11 2023.
[23] MakinaiRocks. Introduction to anomaly detection with machine learning. Accessed:
May. 15, 2024. [Online]. Available:
https://www.makinarocks.ai/en/introduction-to-deep-anomaly-detection-2/
[24] J. Liu, Y. Shen, M. Simsek, B. Kantarci, H. T. Mouftah, M. Bagheri, and
P. Djukic, “A new realistic for advanced persistent threats in network traffic,” IEEE Networking Letters, vol. 4, no. 3, pp. 162–166, 2022.
[25] D. Cho, H. Nguyen, and M. Dao, “Apt attack detection based on flow network analysis techniques using deep learning,” Journal of Intelligent Fuzzy
Systems, vol. 39, pp. 1–17, 07 2020.
[26] J. Wang, Y. Wang, J. Song, and H. Cheng, “Iov vulnerability classification
algorithm based on knowledge graph,” Electronics, vol. 12, p. 4749, 11 2023.

54