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
คณะวิทยาศาสตร์
With the development of space technology, wide-field sky surveys using telescopes have expanded the range of new data available for time-domain astronomical research. Traditional data analysis methods can no longer respond quickly and accurately enough to the growing volume of data. Thus, classifying time-series data, such as light curves, has become a significant challenge in the era of big data. In modern times, analyzing light curves has become essential for using machine learning techniques to handle and filter through massive amounts of data. Machine learning algorithms can be divided into two categories: shallow learning and deep learning. Numerous researchers have proposed and developed a variety of algorithms for light curve classification. In this study, we experimented with Support Vector Machine (SVM) and XGBoost, which are shallow machine learning algorithms, as well as 1D-CNN and Long Short-Term Memory (LSTM), which are deep learning algorithms, which are branches of deep machine learning, to classify variable stars. The training and testing data used in this study were from the Optical Gravitational Lensing Experiment-III (OGLE-III), consisting of variable star data from the Large Magellanic Cloud (LMC), categorized into five main classes: Classical Cepheids, δ Scutis, eclipsing binaries, RR Lyrae stars, and Long-period variables. The results demonstrate the performance analysis of each machine learning algorithm type applied to light curve data, while also highlighting the accuracy and statistical metrics of the algorithms used in the experiments.
คณะอุตสาหกรรมอาหาร
Bio-calcium powders were extracted from Asian sea bass bone by heat-treated alkaline with fat removal and bleaching supplementary method. Cereal bars (CBs) were fortified with produced bio-calcium at 3 levels: (1) increased calcium (IS-Ca; calcium ≥10% Thai RDI), (2) good source of calcium (GS-Ca; calcium ≥15% Thai RDI), and (3) high calcium (H-Ca; calcium ≥30% Thai RDI) which were consistent with the notification of the Ministry of Public Health, Thailand: No. 445; Nutrition claim issued in B.E. 2023. Moisture content, water activity, color, calcium content and FTIR analysis of bio-calcium powders were measured. Dimension, color, water activity, pH and texture of fortified CBs were determined. Produced bio-calcium could be classified as a dried food with light yellow-white color. Calcium contents in bio-calcium powder was 23.4% (w/w). Dimension, weight and color except b* and ΔE* values of fortified CBs were not different (P > 0.05) from those of the control. Fortifying of bio-calcium resulted in harder texture CBs. An increase of fortified bio-calcium amounts decreased carbohydrate and fat but increased of protein, ash and calcium in the fortified CBs. Shelf life of CBs was to be shorten by fortification of bio-calcium powder because of the increment of moisture, water activity and pH. Yield of bio-calcium production was 40.30%. Production cost of bio-calcium was approximately 7,416 Bth/kg while cost of fortified CBs increased almost 2-3 times compared to the control. Calcium contents in IS-Ca (921.12 mg/100g), GS-Ca (1,287.10 mg/100g) and H-Ca (2,639.70 mg/100g) cereal bars could be claimed as increased calcium, good source of calcium and high calcium, respectively. In conclusion, production of cereal bar fortified with Asian sea bass bone bio-calcium powder as a fortified food was possible. However, checking the remained hazardous reagents in bio-calcium powder must be carried out before using in food products and analysis of calcium bioavailability, sensory acceptance and shelf life of the developed products should be determined in further studies.
คณะอุตสาหกรรมอาหาร
Spent coffee grounds (SCG) are a byproduct of the coffee brewing process, and their quantity continues to increase due to the growing global coffee consumption. SCG contain beneficial compounds such as polysaccharides, dietary fibers, and antioxidants, which can be utilized in various applications, including prebiotic extraction. This study focuses on extracting prebiotics from SCG using acid hydrolysis and enzymatic hydrolysis methods to evaluate their potential in promoting the growth of beneficial gut microorganisms. The expected results of this research include adding value to coffee industry waste, reducing organic waste, and providing a sustainable approach to developing prebiotic products for use in the food and health industries. Furthermore, this study aligns with sustainable resource utilization and environmentally friendly practices.