Ngày nay, các hệ thống mạng truyền thông hiện đại cùng với sự đa dạng về các loại dịch vụ mạng đã tạo ra sự tăng trưởng lớn về dữ liệu được truyền qua nhiều thiết bị và giao thức truyền thông khác nhau. Điều này đã gây ra những lo ngại nghiêm trọng về bảo mật, do đó đã làm tăng tầm quan trọng của việc phát triển các hệ thống phát hiện xâm nhập mạng (IDS) tiên tiến. Mặc dù các kỹ thuật khác nhau được áp dụng cho IDS nhưng chúng phải đối mặt với một số thách thức như độ chính xác và xử lý hiệu quả dữ liệu lớn có nhiều biến đổi. Để tăng hiệu quả phát hiện tấn công trong lưu lượng mạng, chúng ta cần các đặc trưng tốt, nhưng chúng ta cũng cần giảm chi phí kỹ thuật xây dựng đặc trưng. Gần đây, Deep learning đã được sử dụng như một cách hiệu quả để phân tích và khám phá kiến thức trong các hệ thống dữ liệu lớn nhằm tạo ra các mô hình có khả năng phân loại tốt. Có nhiều nghiên cứu đã sử dụng các mô hình Deep learning để học đặc trưng một cách tự động đem lại hiệu quả. Trong nghiên cứu này, chúng tôi đã sử dụng Convolution neural network (CNN) khai thác tính chất hình ảnh của đầu vào để thu được các đặc trưng từ lưu lượng truy cập mạng, nhờ đó việc phát hiện xâm nhập đạt hiệu quả tốt. Nghiên cứu được thực nghiệm trên tập dữ liệu CICIDS2017, đạt độ chính xác cao nhất là 91.53%.Today, modern communication networks and the diversity of network services have created a large growth in data transmitted through many different devices and communication protocols. This has raised serious security concerns, which in turn has increased the importance of developing advanced network intrusion detection systems (IDS). Although various techniques are applied to IDS, they face several challenges such as accuracy and efficient handling of highly variable big data. To increase the effectiveness of detecting attacks in network traffic, we need good features, but we also need to reduce the cost of feature construction techniques. Recently, Deep learning has been used as an effective way to analyze and discover knowledge in large data systems to create models with good classification capabilities. Many studies used Deep learning models to learn features automatically and effectively. In this paper, we used Convolution neural network (CNN) that exploits the visual properties of the input data to obtain features from network traffic, thereby achieving good intrusion detection performance. Our research was experimented on the CICIDS2017 dataset, achieving the highest accuracy of 91.53%.