Đếm phương tiện giao thông sử dụng phân tích dữ liệu lớn thời gian thực và học sâu

Nguyễn Văn Viết - CH2002024

Đề tài nghiên cứu với mục tiêu xây dựng một mô hình đếm phương tiện giao thông sử dụng phân tích dữ liệu lớn thời gian thực và học sâu. Mô hình này được nghiên cứu và xây dựng nhằm áp dụng để giải quyết các hạn chế trong các hệ thống giao thông thông minh ngày nay. Luận văn này đã trình bày các mục tiêu nghiên cứu và đối tượng nghiên cứu về xử lý dữ liệu lớn theo thời gian thực với dữ liệu là hình ảnh; các mô hình học sâu trong xử lý ảnh để giải quyết bài toán phát hiện đối tượng và theo dõi đối tượng. Về phân tích dữ liệu lớn, đề tài đã trình bày về sự kết hợp giữa Spark Streaming và Kafka để tối ưu hiệu suất xử lý ảnh thời gian thực. Về giải quyết các bài toán như phát hiện, phân loại, theo dõi và đếm phương tiện giao thông, đề tài đã trình bày mô hình học sâu với sự kết hợp của 2 mô hình đang đạt state-of-the-art của lĩnh vực là YOLOv7 và StrongSORT. Mô hình trên được hiệu chỉnh với bộ dữ liệu là UA-DETRAC cho kết quả đánh giá Precision đạt 81%, Recall đạt 65%, và Mean Average Precision (@0.5) đạt 65%. Từ các nghiên cứu trong trên, đề tài cũng đã xây dựng được một ứng dụng mô phỏng thực tế để đếm phương tiện giao thông theo thời gian thực sử dụng công nghệ web dạng client-server.

Trân trọng.

Ứng dụng mạng Nơ ron hồi quy vào phát hiện hành động con người bằng tín hiệu wifi

Đỗ Minh Tiến - CH2002046

Đề tài nghiên cứu của em đã xây dựng bộ dữ liệu liên quan đến sự biến đổi thông tin trạng thái kênh truyền (CSI) của Wifi đối với những hành động khác nhau và đề xuất thuật toán tiền xử lý dữ liệu, sau đó đánh giá, so sánh bộ dữ liệu trước và sau khi đưa qua tiền xử lý với các mô hình học sâu. Nhờ đó, có thể xác định rằng bộ dữ liệu sau khi trải qua bước tiền xử lý tín hiệu và đưa vào các model học sâu đã có cải thiện đáng kể về năng suất của các mô hình đào tạo cũng góp phần làm tăng cường hiệu năng cho bài toán nhận diện hành động con người bằng sóng WiFi. Đồng thời, bộ dataset cũng được kiểm chứng bằng các mô hình máy học phổ biến như MLP, LSTM, RNN. Kết quả thu được cho thấy mô hình cho hiệu quả tốt nhất với độ chính xác trung bình lên 97.75% của model LSTM sau đó đến đó MLP 95.83% và RNN 28.52%. Kết quả đạt được tạo cơ sở đến phát triển các hướng nghiên cứu tiếp theo trong việc nhận diện hành động con người bằng sóng WiFi. Công trình nghiên cứu này đã bước đầu xây dựng được bộ xử lý nhân diện hành động con người mang tính chất thời gian thực (Realtime) theo dạng server-client để có thể phát triển thành một hệ thống trong thực tiễn.

Trân trọng.

NGHIÊN CỨU PHƯƠNG PHÁP CHỐNG LẠI KỸ THUẬT NÉ TRÁNH MÁY ẢO CỦA MÃ ĐỘC TRONG PHÂN TÍCH ĐỘNG

Phạm Ri Nép - CH2002010

Phần mềm độc hại làm cơ sở cho nhiều hoạt động tội phạm, đặc biệt là các hoạt động tội phạm có động cơ tống tiền như mã độc cũng như các mối đe dọa nâng cao (APT). Trong thời gian gần đây, số lượng và mức độ tinh vi của các ứng dụng độc hại đang gia tăng đáng kể. Để hiểu được hoạt động của phần mềm độc hại, các nhà phân tích tìm tòi tiến hành kiểm tra thông qua phân tích động. Để phân tích kiểm tra phần mềm độc hại hầu hết dựa vào việc sử dụng các máy ảo để đảm bảo chức năng và sự an toàn. Có sự khác biệt nhỏ trong hoạt động giữa máy ảo và máy vật lý. Phần mềm độc hại hiện nay kiểm tra những khác biệt này và thay đổi hành vi của nó khi nó phát hiện thấy sự hiện diện của máy ảo, hành vi trốn tránh mã độc chủ yếu quan tâm đến phát hiện máy ảo và trốn tránh không thực thi. Các kỹ thuật chống máy ảo này của phần mềm độc hại cản trở việc phân tích. Trong luận văn này, chúng tôi chống lại các kỹ thuật phát hiện máy ảo, bằng cách phân tích mã độc thông qua 6 mô đun, tùy biến các máy ảo để chúng giống như máy thật. Ngoài ra chúng tôi tạo bộ dữ liệu thử nghiệm gồm 205 mẫu thử. Kết quả của luận văn có thể được sử dụng cho việc phân tích động hiệu quả hơn.

Trân trọng.