Chúc mừng nhóm sinh viên 𝑩𝒖̀𝒊 𝑿𝒖𝒂̂𝒏 𝑻𝒉𝒂́𝒊 & 𝑵𝒈𝒖𝒚𝒆̂̃𝒏 𝑵𝒈𝒐̣𝒄 𝑴𝒊𝒏𝒉 𝑻𝒓𝒊́ (ngành An toàn thông tin - Khoa Mạng máy tính & Truyền thông) và 𝗻𝗵𝗼́𝗺 𝗻𝗴𝗵𝗶𝗲̂𝗻 𝗰𝘂̛́𝘂 𝐈𝐧𝐒𝐞𝐜𝐋𝐚𝐛 đã có công trình nghiên cứu được chấp nhận đăng tại Kỷ yếu Hội nghị khoa học quốc tế "𝗥𝗜𝗩𝗙 𝟮𝟬𝟮𝟮 – 𝟭𝟲𝗧𝗛 𝗜𝗡𝗧𝗘𝗥𝗡𝗔𝗧𝗜𝗢𝗡𝗔𝗟 𝗖𝗢𝗡𝗙𝗘𝗥𝗘𝗡𝗖𝗘 𝗢𝗡 𝗖𝗢𝗠𝗣𝗨𝗧𝗜𝗡𝗚 𝗔𝗡𝗗 𝗖𝗢𝗠𝗠𝗨𝗡𝗜𝗖𝗔𝗧𝗜𝗢𝗡 𝗧𝗘𝗖𝗛𝗡𝗢𝗟𝗢𝗚𝗜𝗘𝗦".
Bài báo: "𝐃𝐀-𝐆𝐀𝐍: 𝐃𝐨𝐦𝐚𝐢𝐧 𝐀𝐝𝐚𝐩𝐭𝐚𝐭𝐢𝐨𝐧 𝐟𝐨𝐫 𝐆𝐞𝐧𝐞𝐫𝐚𝐭𝐢𝐯𝐞 𝐀𝐝𝐯𝐞𝐫𝐬𝐚𝐫𝐢𝐚𝐥 𝐍𝐞𝐭𝐰𝐨𝐫𝐤𝐬-𝐚𝐬𝐬𝐢𝐬𝐭𝐞𝐝 𝐂𝐲𝐛𝐞𝐫 𝐓𝐡𝐫𝐞𝐚𝐭 𝐃𝐞𝐭𝐞𝐜𝐭𝐢𝐨𝐧 "
𝗦𝗶𝗻𝗵 𝘃𝗶𝗲̂𝗻: 𝑩𝒖̀𝒊 𝑿𝒖𝒂̂𝒏 𝑻𝒉𝒂́𝒊 & 𝑵𝒈𝒖𝒚𝒆̂̃𝒏 𝑵𝒈𝒐̣𝒄 𝑴𝒊𝒏𝒉 𝑻𝒓𝒊́ - 𝗟𝗼̛́𝗽 𝗔𝗡𝗧𝗡𝟮𝟬𝟭𝟴
𝗚𝗩𝗛𝗗: 𝑻𝒉𝑺. 𝑷𝒉𝒂𝒏 𝑻𝒉𝒆̂́ 𝑫𝒖𝒚, 𝑻𝑺. 𝑷𝒉𝒂̣𝒎 𝑽𝒂̆𝒏 𝑯𝒂̣̂𝒖
𝐂𝐡𝐮̉ đ𝐞̂̀: Ứng dụng học máy trong nhận diện tấn công mạng
Hội nghị RIVF là một hội nghị quốc tế Công nghệ Truyền thông và Điện toán, là sự kiện khoa học quốc tế lớn quy tụ các nhà khoa học, nghiên cứu trong lĩnh vực điện toán và truyền thông ở Việt Nam và thế giới đồng hành “Nghiên cứu – Đổi mới và Tầm nhìn cho tương lai” (Reseach, Innovation and Vision for the future, viết tắt là RIVF). Hội nghị RIVF được liệt kê vào danh sách các hội nghị uy tín theo đề xuất của SCOPUS and ISI Web of Science. RIVF đã trải qua 15 lần tổ chức và năm 2022 là lần tổ chức thứ 16. Đây là một trong những hội nghị khoa học quốc tế uy tín về lĩnh vực Công nghệ Truyền thông và Điện toán, được tổ chức tại Trường Đại học Ngoại ngữ - Tin học Thành phố Hồ Chí Minh (HUFLIT) vào tháng 12.2022.
🚀 Abstract: "The rising development of machine learning (ML) techniques has become the motivation for research in applying their outstanding features to facilitate intelligent intrusion detection systems (IDSs). However, ML-based solutions also have drawbacks of high false positive rates and vulnerability to sophisticated attacks such as adversarial ones. Therefore, continuous evaluation and improving those systems are necessary tasks, which can achieve by simulating mutated real-world attack scenarios. Taking advantage of the Generative Adversarial Network (GAN) and Domain Adaptation technique, our approach proposes DA-GAN, a framework that can generate mutated network attack flows. Those crafted flows then work as supplemental training data for ML-based IDS to improve its robustness in dealing with new and complicated attacks. Our framework is implemented and evaluated via experiments on the public CIC-IDS2017 and CIC-IDS2018 datasets. The results prove the effectiveness of the proposed framework in continuously strengthening ML-based IDS in the fight against network attack actors."
