Chúc mừng nhóm sinh viên Cao Thế Thuận - Đoàn Ngọc Như Quỳnh, đã xuất sắc có bài báo nghiên cứu khoa học được chấp nhận đăng tại Mobile Networks and Applications! Đây là tạp chí khoa học quốc tế uy tín thuộc nhà xuất bản Springer Nature, hiện được xếp hạng Q2 theo SCImago Journal Rank (SJR) trong các lĩnh vực Mạng máy tính, Hệ thống thông tin và Phần mềm.
Tên bài báo:
- “Evaluating the robustness and transferable adversarial example resistance of multimodal learning-based intrusion detection systems against evasion attacks”.
Sinh viên thực hiện:
- Cao Thế Thuận - Lớp KHCL2020.1
- Đoàn Ngọc Như Quỳnh - Lớp KHCL2020.1
Giảng viên hướng dẫn:
- ThS. Đoàn Minh Trung
- ThS. Nghi Hoàng Khoa
- TS. Phan Thế Duy
Lời cảm ơn của nhóm sinh viên:
“Đầu tiên, em xin gửi lời tri ân sâu sắc nhất đến Thầy Đoàn Minh Trung, Thầy Nghi Hoàng Khoa và Thầy Phan Thế Duy. Cảm ơn quý thầy đã luôn định hướng, gánh vác và kiên nhẫn chỉ bảo cho chúng em từ những ý tưởng sơ khai nhất cho đến lúc hoàn thiện bài báo. Những lời khuyên và sự khắt khe của quý thầy chính là động lực lớn nhất để bài nghiên cứu này được trọn vẹn. Cuối cùng, xin cảm ơn Information Security Lab (InSecLab) và Khoa Mạng máy tính & Truyền thông (UIT) đã luôn tạo một môi trường nghiên cứu quá tuyệt vời và xịn sò cho sinh viên. Đây sẽ là động lực cực lớn để tiếp tục cố gắng hơn nữa trên con đường sắp tới.”
Tóm tắt bài báo (Abstract):
Intrusion Detection Systems (IDS) play a crucial role in safeguarding computer networks against malicious activities. However, current IDS models based on machine learning (ML) and deep learning (DL) encounter challenges in accurately classifying malicious network traffic, especially when confronted with adversarial perturbations and the transferability of adversarial attacks. To address these challenges, numerous studies have proposed and demonstrated the effectiveness of a novel multimodal approach, which leverages multiple sources of information to achieve better accuracy and the ability to identify more unknown attacks. In this study, we evaluate the robustness of multimodal learning-based IDS against transferable adversarial examples (AEs) generated by Generative Adversarial Networks (GANs). Additionally, we integrate adversarial training techniques to enhance the IDS's capability to identify attack patterns with small perturbations. Our proposed strategy, MAT, achieves near-perfect detection rates across all attack types and the highest overall F1 score (0.7595), substantially outperforming all baselines under second-round adversarial attack conditions. While the attained results may not be as remarkable as desired, implementing the Multimodal approach makes a notable contribution to the field, paving the way for further research and advancements in addressing the challenges encountered by existing IDS models.
Thông tin về Tạp chí khoa học:
Mobile Networks and Applications (MONET) là tạp chí khoa học quốc tế do Springer Nature xuất bản, tập trung vào các nghiên cứu về mạng di động, truyền thông không dây và sự hội tụ giữa tính di động, điện toán và quản lý thông tin. Tạp chí công bố các nghiên cứu lý thuyết và thực tiễn trong nhiều lĩnh vực như mạng không dây và di động, công nghệ điện toán, quản lý dữ liệu, phần mềm, phần cứng và các dịch vụ di động. Theo hệ thống SCImago Journal Rank (SJR), tạp chí MONET thuộc nhóm Q2 trong các lĩnh vực liên quan đến Computer Networks and Communications, Hardware and Architecture, Information Systems và Software, đồng thời đạt h-index 102 theo dữ liệu SCImago.