SecurionSphere is the penetration testing learning platform that focuses on web application exploitation. This platform is intended to address concerns seen in existing penetration testing platforms, such as resource sharing that may affect other users and the constant environment configuration the permits the same response leading to copy the answer from others. Supervisors can use templates to address various forms of web application vulnerability threats. Users can generate the instance of supervisor's templates machine. The platform also randomly generates the environment configuration for each machine has the difference environment and the answer. This allows the users get more realistic learning experiences without affecting the resources of others.
แพลตฟอร์มสำหรับการทดสอบเจาะระบบ (Cybersecurity Playground) คือ ระบบหรือสภาพแวดล้อมที่ถูกสร้างขึ้นมาโดยมีวัตถุประสงค์เพื่อให้ผู้ที่ต้องการศึกษาทางด้านความมั่นคงปลอดภัยทางไซเบอร์ (cybersecurity) ได้ทดลองเจาะระบบด้วยการลงมือปฏิบัติจริง ค้นหาช่องโหว่เอง และเจาะระบบด้วยตัวเอง เพื่อให้ได้ประสบการณ์ที่ใกล้เคียงกับชีวิตจริง ตัวอย่าง แพลตฟอร์มสำหรับการทดสอบเจาะระบบ เช่น hackthebox.com, tryhackme.com, portswigger.com ฯลฯ ที่เราสามารถเข้าไปทดลองทำได้ด้วยตัวเอง แต่ปัญหาที่สังเกตได้แพลตฟอร์มเหล่านี้คือ โจทย์หรือแบบทดสอบบางข้อมีการสร้างสภาพแวดล้อม (Environment) ขึ้นมาเอง ซึ่งอาจส่งผลให้ต้องมีการแบ่งปันทรัพยากรและกระทบกับบุคคลอื่นที่กำลังทำโจทย์นั้นๆอยู่ นอกจากนี้การที่ใช้สภาพแวดล้อมแบบเดียวกัน ทำให้ผู้ใช้งานที่เข้ามาทำโจทย์ได้โจทย์แบบเดียวกัน รูปแบบเดียวกันเสมอ ทำให้สามารถคัดลอกคำตอบจากผู้ที่ทำเสร็จแล้วมาตอบได้ แต่ถ้าหากเราต้องการสร้างโจทย์ขึ้นมาเองการสร้างโจทย์และการเตรียมสภาพแวดล้อมก็เป็นสิ่งที่มีความยุ่งยากและซับซ้อน ทำให้บ่อยครั้งที่การสร้างโจทย์ขึ้นมาเองเพื่อใช้ในการศึกษาการทดสอบเจาะระบบ มีช่องโหว่อื่นๆที่อยู่นอกเหนือจากช่องโหว่ที่เราตั้งใจให้มี ซึ่งไม่ตรงกับวัตถุประสงค์ของโจทย์ที่สร้างขึ้นมา จากปัญหาดังกล่าว ทางผู้จัดทำจึงมีความประสงค์ที่จะสร้างโครงงานที่เป็นเว็บแอปพลิเคชันขึ้นมาชื่อว่า Penetration Testing Learning Platform (SecurionSphere) เพื่อเป็นแพลตฟอร์มสำหรับศึกษาและทดลองเจาะระบบที่มีการเตรียมเทมเพลตสำหรับโจทย์รูปแบบต่างๆเอาไว้แล้ว และผู้ที่ต้องการจะสร้างโจทย์สามารถเลือกใช้เทมเพลตที่แพลตฟอร์มเตรียมไว้ให้ในการสร้างโจทย์ได้อย่างสะดวกสบาย ปลอดภัย ไม่ไปกระทบกับทรัพยากรของบุคคลอื่น และมีการสุ่มสภาพแวดล้อม (Environment) ทำให้โจทย์มีสภาพแวดล้อมที่แตกต่างกัน และคำตอบของโจทย์ไม่เหมือนกัน โดยแพลตฟอร์มนี้จะเน้นไปที่การศึกษาการโจมตีช่องโหว่ต่าง ๆ บนเว็บแอปพลิเคชัน (Web Exploitation) เท่านั้น
คณะวิศวกรรมศาสตร์
The production process of the food rancidity indicator label consists of three main steps: 1) preparation of the indicator solution, 2) preparation of the cellulose solution, and 3) formation of the sheet. The indicator solution includes bromothymol blue and methyl red, which act as indicators. The cellulose solution consists of hydroxypropyl methylcellulose, carboxymethyl cellulose, sodium hydroxide, polyethylene glycol 400, and the indicator solution. For the sheet formation, the cellulose solution was mixed with natural latex to increase flexibility and impart hydrophobic properties. After drying, the invention appears as a thin, dark blue label. When exposed to volatile compounds from rancid food, the label changes color from dark blue to green, and then to yellow, corresponding to the increasing amount of volatile compounds from the rancid food.
คณะเทคโนโลยีการเกษตร
การทดลองนี้จึงมีวัตถุประสงค์เพื่อศึกษาผลของน้ำที่ผ่านการฉายพลาสมาในเวลาที่แตกต่างกันต่อคุณภาพการงอกของเมล็ดพันธุ์ข้าวไรซ์เบอรี่ เพื่อเป็นการยกระดับคุณภาพความงอกของเมล็ดพันธุ์ข้าวไรซ์เบอรี่
คณะวิศวกรรมศาสตร์
This research suggested natural hemp fiber-reinforced ropes (FRR) polymer usage to reinforce recycled aggregate square concrete columns that contain fired-clay solid brick aggregates in order to reduce the high costs associated with synthetic fiber-reinforced polymers (FRPs). A total of 24 square columns of concrete were fabricated to conduct this study. The samples were tested under a monotonic axial compression load. The variables of interest were the strength of unconfined concrete and the number of FRRlayers. According to the results, the strengthened specimens demonstrated an increased compressive strength and ductility. Notably, the specimens with the smallest unconfined strength demonstrated the largest improvement in compressive strength and ductility. Particularly, the compressive strength and strain were enhanced by up to 181% and 564%, respectively. In order to predict the ultimate confined compressive stress and strain, this study investigated a number of analytical stress–strain models. A comparison of experimental and theoretical findings deduced that only a limited number of strength models resulted in close predictions, whereas an even larger scatter was observed for strain prediction. Machine learning was employed by using neural networks to predict the compressive strength. A dataset comprising 142 specimens strengthened with hemp FRP was extracted from the literature. The neural network was trained on the extracted dataset, and its performance was evaluated for the experimental results of this study, which demonstrated a close agreement.