Chúc mừng nhóm sinh viên ngành An toàn thông tin (Khoa Mạng máy tính và truyền thông) cùng nhóm nghiên cứu InSecLab đã có bài báo nghiên cứu được chấp nhận đăng tại hội nghị khoa học quốc tế 2024 International Conference On Advanced Technologies For Communications – ATC’2024.
Tên bài báo:
- A Robust and Trustworthy Intrusion Detection System Using Adversarial Machine Learning and XAI.
Nội dung:
- Nghiên cứu về một mô hình bền vững và đáng tin cậy để giải thích kết quả dự đoán của mô hình IDS sử dụng XAI và GANs.
Sinh viên thực hiện:
- Nguyễn Ngọc Tài (An toàn thông tin - Chính quy 2020)
- Nguyễn Đức Tấn (An toàn thông tin - Chính quy 2020)
Chủ đề nghiên cứu:
- Trí tuệ nhân tạo
- Hệ thống phát hiện xâm nhập
Giảng viên hướng dẫn:
- ThS. Phan Thế Duy
- TS. Phạm Văn Hậu
📌 Bài báo của nhóm được chấp nhận đăng và trình bày trong chương trình hội nghị "2024 International Conference On Advanced Technologies For Communications – ATC’2024", được tổ chức lần thứ 17 vào tháng 10/2024 tại Thành phố Hồ Chí Minh.Thông tin chung: Hội thảo quốc tế về các công nghệ truyền thông tiên tiến (International Conference on Advanced Technologies for Communications - ATC) là Hội thảo khoa học thường niên, chuyên sâu về lĩnh vực điện tử, truyền thông, công nghệ thông tin và các lĩnh vực liên quan. Hội thảo mở ra cơ hội giao lưu, trao đổi, giới thiệu các kết quả nghiên cứu, chuyển giao công nghệ và giới thiệu sản phẩm của các doanh nghiệp trong và ngoài nước hoạt động trong các lĩnh vực này. Hội thảo lần đầu tiên được tổ chức vào năm 2008, hàng năm thu hút hơn 200 báo cáo với khoảng 150 nhà khoa học đến từ nhiều nước trên thế giới tham dự. Hội thảo Quốc tế ATC được tổ chức theo hình thức kết hợp giữa các Trường đại học với tổ chức xã hội - nghề nghiệp và các tập đoàn và doanh nghiệp trong lĩnh vực điện tử, truyền thông, công nghệ thông tin.
📌 Năm 2024, hội nghị ATC sẽ được tổ chức tại Thành phố Hồ Chí Minh, Việt Nam trong thời gian từ 17-19/10 do Học viện Công nghệ Bưu chính Viễn thông đăng cai tổ chức.
Abstract:
Network attacks are increasingly sophisticated. Advances in Artificial Intelligence (AI), particularly deep learning, have improved intrusion detection systems (IDS). However, deep learning (DL) in cybersecurity faces challenges, such as imbalanced training data, vulnerability to adversarial attacks and a lack of transparency regarding AI systems. To address these problems, we developed the RobustAdvTrain (Robustness Adversarial Training) framework to train IDS models for high ac curacy and resilience against adversarial attacks. This framework provides explainable AI for transparent IDS predictions. We propose the sAoEGAN (self-Attention on Explanation Generative Adversarial Network) model, which combines explainable AI and self-attention mechanisms to generate high-quality adversarial samples. Our approach improves intrusion detection, resilience to adversarial samples, and transparency in deep learning-based IDS systems.
