Một nghiên cứu về việc phân loại mã độc PE bằng học liên kết

220201025 - Nguyễn Vương Thịnh

Trong thời đại công nghệ số ngày nay, các mối đe dọa mã độc và tấn công mạng đang ngày càng trở nên phức tạp và khó kiểm soát. Việc phân loại mã độc một cách chính xác và nhanh chóng là yêu cầu cấp thiết nhằm bảo vệ hệ thống mạng và dữ liệu của các tổ chức. Mặc dù các phương pháp học máy hiện tại đã chứng minh giá trị của chúng trong việc phát hiện và phân loại mã độc. Nhưng chúng thường yêu cầu tập hợp tất cả dữ liệu từ nhiều nguồn khác nhau về một chỗ mới có thể bắt đầu quá trình huấn luyện. Điều này dẫn đến việc xử lý và lưu trữ dữ liệu tập trung, có thể gây rủi ro cao về rò rỉ thông tin cá nhân người dùng. Việc tập trung dữ liệu ở một chỗ không chỉ làm tăng nguy cơ lộ lọt thông tin mà còn đặt ra thách thức về bảo mật dữ liệu và tuân thủ các quy định về quyền riêng tư của người dùng. Các giải pháp huấn luyện mô hình tập trung dữ liệu khó có thể đảm bảo quyền riêng tư cho người dùng trong quá trình xử lý dữ liệu, đặc biệt là khi dữ liệu có thể bao gồm thông tin nhạy cảm.

Nghiên cứu này đã đề xuất một khung phân loại mã độc PE toàn diện, kết hợp mô hình học sâu tiên tiến ResNet101 và kỹ thuật học liên kết (federated learning). Qua quá trình thực nghiệm, ResNet101 được xác định là mô hình hiệu quả nhất, đạt điểm F1 ấn tượng 92% trên tập dữ liệu hình ảnh của mã độc PE. Khi tích hợp mô hình ResNet101 vào thiết lập học liên kết, kết quả thực nghiệm cho thấy tiềm năng triển khai đáng kể, đặc biệt trong trường hợp dữ liệu IID, với chỉ số F1-score đạt 91.80%. Điều này phản ánh khả năng tổng quát hóa tốt của mô hình khi dữ liệu được phân phối đồng đều giữa các thiết bị khách. Tuy nhiên, trong môi trường dữ liệu non-IID, mô hình gặp phải những thách thức đáng kể, khi F1-score chỉ đạt 54.87%. Sự chênh lệch đáng kể này chủ yếu xuất phát từ sự phân bố không đồng đều của các mẫu mã độc giữa các thiết bị khách, dẫn đến hiện tượng thiên lệch trong quá trình cập nhật trọng số cục bộ. Đặc biệt, các lớp mã độc có sự mất cân bằng về tần suất xuất hiện khiến mô hình khó khăn trong việc học và tổng quát hóa trên toàn bộ tập dữ liệu.

Trân trọng.

NHẬN DIỆN NGƯỜI DÙNG RỜI BỎ DỊCH VỤ SỚM TRONG TRÒ CHƠI DI ĐỘNG MIỄN PHÍ SỬ DỤNG HỆ THỐNG MÔ HÌNH HAI GIAI ĐOẠN

220201015 - Hà Đăng Hoàng

Sự bùng nổ vượt bậc của lĩnh vực công nghiệp trò chơi di động, đặc biệt là các trò chơi áp dụng mô hình trò chơi miễn phí, đã tạo ra nhu cầu ngày càng cao trong việc tối ưu hóa tỷ lệ giữ chân người dùng. Tuy nhiên, tỷ lệ rời bỏ dịch vụ sớm, đặc biệt trong các thể loại trò chơi như “Siêu giải trí” và “Rảnh tay”, đang trở thành một thách thức lớn đối với các nhà phát triển khi lên tới hơn 60% ngay trong phiên đầu tiên. Để giải quyết vấn đề này, luận văn này đề xuất một hệ thống nhận diện rời bỏ sớm hai giai đoạn nhằm dự đoán liệu người dùng có tiếp tục sử dụng ứng dụng sau phiên đầu tiên hay không. Hệ thống sử dụng các tính năng tổng quát hóa được thu thập trong quá trình hướng dẫn sử dụng và phiên đầu tiên, cùng với việc kết hợp các mô hình học máy như eXtreme Gradient Boosting, Gradient Boosted Trees Classifier, và các mô hình mạng nơ-ron như Artificial Neural Networks và Feature Tokenizer -Transformer. Qua việc nghiên cứu và xây dựng các mô hình này, hệ thống đạt được kết quả Area Under ROC Curve cao nhất là 99% trên ba bộ dữ liệu thực tế với hơn 700,000 người dùng, cho thấy khả năng tốt trong việc nhận diện sớm người dùng có khả năng rời bỏ. Kết quả này nhấn mạnh vai trò quan trọng của việc lựa chọn mô hình và tập đặc trưng phù hợp, đồng thời đề xuất các phương pháp xử lý dữ liệu tối ưu như sử dụng mô hình Gradient Boosted Regression Trees để cải thiện độ chính xác và tránh thiên vị trong bối cảnh thiếu dữ liệu. Hệ thống đề xuất không chỉ đáp ứng tốt yêu cầu khái quát hóa trên nhiều thể loại trò chơi khác nhau mà còn cung cấp cơ sở vững chắc cho các chiến lược giữ chân người dùng hiệu quả trong giai đoạn đầu sử dụng với kết quả thực nghiệm bằng phương pháp kiểm thử phân tập trên ứng dụng thực tế.

Trân trọng.

Storytelling dành cho Data Analyst - Phần 2

Cấu trúc thuyết trình theo nguyên tắc số 3

Tiếp tục với series tóm tắt các ý chính trong cuốn sách “Storytelling - Nghệ thuật thuyết trình bằng câu chuyện” - tác giả Bùi Thị Ngọc Thu. Phần này, tôi sẽ trình bày các cấu trúc thuyết trình theo nguyên tắc số 3. 

Tại sao lại là số 3 nhỉ? Nhiều nghiên cứu chỉ ra rằng, số 3 là con số lý tưởng để giúp não bộ ghi nhớ. Có lẽ bạn đã từng thấy nó trong đời sống thường ngày: cô giáo dạy Văn nhắc nhở viết bài theo cấu trúc mở bài - thân bài - kết bài; thầy giáo Thể dục hô chú ý - chuẩn bị - chạy trước khi thổi còi; đèn xanh - đèn đỏ - đèn vàng mỗi khi tham gia giao thông... Hay đặt vào bối cảnh một bài thuyết trình, có thể bạn đã từng nghe qua: “Hôm nay, tôi có 3 điểm cần chia sẻ…”, “Bài thuyết trình này tập trung phân tích vào 3 ý quan trọng nhất trong xã hội hiện nay…”. Do đó, để trình bày bài nói dễ nhớ và thuyết phục hơn, bạn có thể tham khảo các cấu trúc được thành lập bởi nguyên tắc số 3 sau:

1. Cấu trúc 1,2,3

Rất đơn giản, dễ nhớ và có lẽ chính bạn đã sử dụng rồi. Có 2 cách cơ bản để diễn tả: 

• Một là… Hai là… Ba là…

• Thứ nhất là… Thứ hai là… Thứ ba là…

Cấu trúc này có thể được sử dụng để liệt kê ba phần của bài thuyết trình, hoặc có thể lồng ghép vào bất kỳ phần nào trong bài thuyết trình như mở bài, thân bài hay kết bài.

2. Cấu trúc 3W: What - So What - Now What

Cấu trúc này sẽ hiệu quả khi muốn trình bày thông tin theo trật tự trước sau. Từ đó kết nối các luận điểm để dẫn dắt đến phần cuối và đưa ra lời kêu gọi hành động. Là cấu trúc được ứng dụng khi muốn thuyết phục ai đó. Cụ thể bạn cần trả lời các câu hỏi:

• What - Vấn đề là gì: nêu vấn đề chính mà bạn muốn trình bày.

• So what: Vấn đề này quan trọng như thế nào: Giải thích cho người nghe hiểu tại sao vấn đề này lại quan trọng đối với họ, cần sử dụng các dữ liệu nghiên cứu và bằng chứng cụ thể để minh họa.

• Now what: Giải pháp bây giờ là gì:  người trình bày cung cấp cho người nghe giải pháp, phân tích và đề xuất giải pháp tốt nhất

Kết cấu 3W có thể sử dụng trong nhiều tình huống khác nhau như: trình bày một ý tưởng với cấp trên, giải thích một vấn đề hay sự việc nào đó.

3. Cấu trúc PSB: Problem - Solution - Benefit

Đây là cấu trúc trình bày rất phổ biến khi thuyết phục người khác. Người trình bày sẽ bắt đầu bằng cách đưa ra một vấn đề và từ đó trình bày giải pháp thích hợp để giải quyết vấn đề hiện tại của người nghe.

• Problem - Vấn đề: Đây là vấn đề mà người nghe đang gặp phải hoặc có liên quan trực tiếp đến người nghe.

• Solution – Giải pháp: Đưa ra giải pháp cụ thể, có phân tích ưu khuyết điểm, có dữ kiện và bằng chứng hỗ trợ.

• Benefit – Lợi ích: Nhắc đến lợi ích của giải pháp đối với khán giả. Khi đó họ sẽ mong muốn giải quyết vấn đề này từ giải pháp mà bạn vừa cung cấp.

Kết cấu này rất phù hợp để sử dụng trong cả môi trường doanh nghiệp và cuộc sống. Bằng cách đi thẳng vào vấn đề người nghe đang gặp và cung cấp cho họ giải pháp cùng lợi ích rõ ràng. Bạn sẽ thuyết phục được khán giả của mình.

Bạn đã áp dụng những cấu trúc nào trong ba cấu trúc kể trên? Hãy dùng chúng trong những bài thuyết trình sắp tới của mình nha. Phần 2 sẽ kết thúc tại đây, tiếp tới, tôi sẽ giới thiệu thêm các cấu trúc còn lại. Một lần nữa, cùng đón chờ phần 3 nhé!