Thanh bên bài viết

PDF
Số xuất bản: Tập 23, Số 9 (2026)
Chuyên mục: Bài viết
DOI: 10.54607/hcmue.js.23.9.5534(2026)
Ngày xuất bản: 30/09/2026
Lượt xem 109
Lượt tải xuống 23
Trích dẫn bài báo
Hà, T. D., & Nguyễn, H. S. (2026). QUY TRÌNH TIỀN XỬ LÍ DỮ LIỆU CHO XÂY DỰNG BIỂU DIỄN ẢNH TRONG PHÁT HIỆN XÂM NHẬP ĐA LỚP DỰA TRÊN CNN. Tạp chí Khoa học Trường Đại học Sư phạm Thành phố Hồ Chí Minh, 23(9), 2009-2020. https://doi.org/10.54607/hcmue.js.23.9.5534(2026)

QUY TRÌNH TIỀN XỬ LÍ DỮ LIỆU CHO XÂY DỰNG BIỂU DIỄN ẢNH TRONG PHÁT HIỆN XÂM NHẬP ĐA LỚP DỰA TRÊN CNN

Hà Thanh Dũng1, , Nguyễn Hồng Sơn2
1 Khoa Công nghệ Thông tin, Trường Đại học Sài Gòn, Việt Nam
2 Khoa Công nghệ thông tin II , Học Viện Công Nghệ Bưu Chính Viễn Thông, Việt Nam

Nội dung chính của bài viết

Tóm tắt

Trong những năm gần đây, học sâu ngày càng được nghiên cứu và ứng dụng rộng rãi trong phát hiện tấn công mạng, với xu hướng chuyển đổi dữ liệu lưu lượng mạng có cấu trúc thành các biểu diễn dạng ảnh nhằm khai thác các mạng nơ-ron tích chập (CNN). Tuy nhiên, việc phát hiện xâm nhập đa lớp trên các bộ dữ liệu mạng được biểu diễn dưới dạng ảnh vẫn còn nhiều thách thức, đặc biệt khi dữ liệu bị mất cân bằng nghiêm trọng và các đặc trưng có phạm vi giá trị rất khác nhau. Trong bài báo này, chúng tôi đề xuất một quy trình tiền xử lí có cấu trúc nhằm chuẩn bị dữ liệu lưu lượng mạng trước khi xây dựng ảnh đầu vào cho các hệ thống phát hiện xâm nhập dựa trên CNN. Phương pháp kết hợp mã hóa đặc trưng phân loại, xử lí mất cân bằng lớp bằng ADASYN và cơ chế phân rã cơ số 256 đối với các thuộc tính số có giá trị lớn nhằm bảo toàn thông tin trong quá trình chuyển đổi sang dạng ảnh. Phương pháp được đánh giá trên bộ dữ liệu NSL-KDD với tập kiểm thử độc lập KDDTest+. Kết quả cho thấy quy trình tiền xử lí có hệ thống giúp cải thiện hiệu năng phát hiện đa lớp so với các thiết lập tiền xử lí tối thiểu.

Từ khóa

tiền xử lí dữ liệu, NSL-KDD, CNN

Chi tiết bài viết

Tài liệu tham khảo

Aldweesh, A., Derhab, A., & Emam, A. Z. (2019). Deep learning approaches for anomaly-based intrusion detection systems: A survey, taxonomy, and open issues. Knowledge-Based Systems, 189, 105124.
Al-Qatf, M., Lasheng, Y., Al-Habib, M., & Al-Sabahi, K. (2018). Deep learning approach combining sparse autoencoder with SVM for network intrusion detection. IEEE Access, 6, 52843–52856.
Al-Turaiki, I., & Altwaijry, N. (2021). A convolutional neural network for improved anomaly-based network intrusion detection. Cybersecurity, 4(3).
Altwaijry, N., Alqahtani, A., & Al-Turaiki, I. (2020). A deep learning approach for anomaly-based network intrusion detection. In Y. Tian, T. Ma, & M. K. Khan (Eds.), Proceedings of the First International Conference on Big Data and Security. Springer.
Dhanabal, L., & Shantharajah, S. (2015). A study on NSL-KDD dataset for intrusion detection system based on classification algorithms. International Journal of Advanced Research in Computer and Communication Engineering, 4(6), 446–452.
Ha, T. D., & Nguyen, H. S. (2023). A data preprocessing method prior to imaging for CNN-based intrusion detection. In Proceedings of the 26th National Conference on Electronics, Communications and Information Technology (REV-ECIT 2023) (pp. 311–316). https://rev-ecit.vn/vi/content/ky-yeu-hoi-nghi-0
Ferrag, M. A., Maglaras, L., Moschoyiannis, S., & Janicke, H. (2019). Deep learning for cyber security intrusion detection: Approaches, datasets, and comparative study. Journal of Information Security and Applications, 50, 102419.
He, H., Bai, Y., Garcia, E. A., & Li, S. (2008). ADASYN: Adaptive synthetic sampling approach for imbalanced learning. In Proceedings of the IEEE International Joint Conference on Neural Networks (pp. 1322–1328). IEEE.
Huynh, A. T., Nguyen, B.-T., Nguyen, H.-T., Vu, S., & Nguyen, H. D. (2021). A method of deep reinforcement learning for simulation of autonomous vehicle control. In Proceedings of the 16th International Conference on Evaluation of Novel Approaches to Software Engineering (ENASE 2021) (pp. 372–379). SciTePress. https://doi.org/10.5220/0010478903720379

Iftikhar, N., Rehman, M. U., Shah, M. A., Alenazi, M. J. F., & Ali, J. (2025). Intrusion detection in NSL-KDD dataset using hybrid self-organizing map model. Computer Modeling in Engineering & Sciences, 143(1), 639–671.
Jang, J., An, Y., Kim, D., & Choi, D. (2023). Feature importance-based backdoor attack in NSL-KDD. Electronics, 12(24), 4953. https://doi.org/10.3390/electronics12244953
Liu, H., & Lang, B. (2019). Machine learning and deep learning methods for intrusion detection systems: A survey. Applied Sciences, 9(20), 4396.
Masum, M., Shahriar, H., & Haddad, H. M. (2021). A transfer learning with deep neural network approach for network intrusion detection. International Journal of Intelligent Computing Research, 12(1), 1087–1095.
NSL-KDD Dataset. (n.d.). NSL-KDD intrusion detection dataset. https://www.unb.ca/cic/datasets/nsl.html
Patel, R. (2023, August 9). Protecting against sophisticated cyberattacks requires layered defenses. Forbes Technology Council.
Potdar, K. (2017). A comparative study of categorical variable encoding techniques for neural network classifiers. International Journal of Computer Applications, 175(4).
Sherin, V. J. I. J., & Radhika, N. (2022). Stacked ensemble IDS using NSL-KDD dataset. Journal of Pharmaceutical Negative Results, 13(3).
Tama, B. A., Comuzzi, M., & Rhee, K.-H. (2019). TSE-IDS: A two-stage classifier ensemble for intelligent anomaly-based intrusion detection system. IEEE Access, 7, 94497–94507.
Tavallaee, M., Bagheri, E., Lu, W., & Ghorbani, A. A. (2009). A detailed analysis of the KDD Cup 99 data set. In Proceedings of the IEEE Symposium on Computational Intelligence for Security and Defense Applications (pp. 1–6). IEEE.
Thaseen, I. S., & Kumar, C. A. (2017). Intrusion detection model using fusion of chi-square feature selection and multiclass SVM. Journal of King Saud University – Computer and Information Sciences, 29(4), 462–472.
Tran, N. N. D., Nguyen, H. D., Huynh, N. T., Tran, N. P., & Nguyen, L. V. (2022). Segmentation on chest CT imaging in COVID-19 based on the improvement Attention U-Net model. In New trends in intelligent software methodologies, tools and techniques (Vol. 355, pp. 596–606). IOS Press. https://doi.org/10.3233/FAIA220288
Vinayakumar, R., Alazab, M., Soman, K. P., Poornachandran, P., Al-Nemrat, A., & Venkatraman, S. (2019). Deep learning approach for intelligent intrusion detection system. IEEE Access, 7, 41525–41550.
Wisanwanichthan, T., & Thammawichai, M. (2025). A lightweight intrusion detection system for IoT and UAV using deep neural networks with knowledge distillation. Computers, 14(7). https://doi.org/10.3390/computers14070291
Wu, Y., & Hu, X. (2022). An intrusion detection method based on fully connected recurrent neural network. Scientific Programming, 2022, 1–11. https://doi.org/10.1155/2022/7777211
Yin, C., Zhu, Y., Fei, J., & He, X. (2017). A deep learning approach for intrusion detection using recurrent neural networks. IEEE Access, 5, 21954–21961.
Zhou, L., Pan, S., Wang, J., & Vasilakos, A. V. (2017). Machine learning on big data: Opportunities and challenges. Neurocomputing, 237, 350–361.