🎉️🎉️🎉Chúc mừng 𝐍𝐠𝐮𝐲𝐞̂̃𝐧 𝐍𝐠𝐨̣𝐜 𝐓𝐚̀𝐢, sinh viên ngành An toàn thông tin và 𝐧𝐡𝐨́𝐦 𝐧𝐠𝐡𝐢𝐞̂𝐧 𝐜𝐮̛́𝐮 𝐈𝐧𝐒𝐞𝐜𝐋𝐚𝐛 đã có công trình nghiên cứu được chấp nhận đăng tại 𝐓𝐚̣𝐩 𝐜𝐡𝐢́ 𝐤𝐡𝐨𝐚 𝐡𝐨̣𝐜 "𝐂𝐓𝐔 𝐉𝐨𝐮𝐫𝐧𝐚𝐥 𝐨𝐟 𝐈𝐧𝐧𝐨𝐯𝐚𝐭𝐢𝐨𝐧 𝐚𝐧𝐝 𝐒𝐮𝐬𝐭𝐚𝐢𝐧𝐚𝐛𝐥𝐞 𝐃𝐞𝐯𝐞𝐥𝐨𝐩𝐦𝐞𝐧𝐭" 𝐜𝐮̉𝐚 Đ𝐇 𝐂𝐚̂̀𝐧 𝐓𝐡𝐨̛.Công trình nghiên cứu này cũng sẽ được trình bày trong khuôn khổ Hội nghị khoa học quốc tế “The International Conference on Intelligent Systems and Data Science (ISDS 2023)” được tổ chức vào ngày 11-12.11.2023 tại ĐH Cần Thơ, Thành phố Cần Thơ.
👉 Thông tin về bài báo khoa học:
📎Tên bài báo: “An interpretable approach for trustworthy intrusion detection systems against evasion samples”
📎Sinh viên: Nguyễn Ngọc Tài - MSSV: 20521858
📎Lớp: An toàn thông tin 2020 - chương trình Chính quy - Khoa Mạng máy tính & Truyền thông.
📎GVHD: ThS. Phan Thế Duy & TS. Phạm Văn Hậu
✅ Thông tin chung về Tạp chí: Tạp chí Khoa học Trường Đại học Cần Thơ (CTU Journal of Innovation and Sustainable Development) là tạp chí khoa học được phản biện kín, xuất bản các bài nghiên cứu chất lượng thuộc nhiều lĩnh vực đa dạng. Tạp chí có mã ISSN 2588-1418 và e-ISSN 2815-6412, được xuất bản định kỳ sáu số mỗi năm vào tháng Hai, tháng Tư, tháng Sáu, tháng Tám, tháng Mười và tháng Mười Hai. Bên cạnh đó, Tạp chí cũng xuất bản kỷ yếu của hội thảo, hội nghị khoa học. Tạp chí ra đời với mục tiêu cung cấp các kết quả nghiên cứu khoa học của Trường Đại học Cần Thơ nói riêng, các công trình nghiên cứu khoa học trong nước nói chung, góp phần thúc đẩy nghiên cứu khoa học và chuyển giao công nghệ. Kể từ số đầu tiên được xuất bản năm 2004 đến nay, Tạp chí đã góp phần quảng bá hình ảnh và khẳng định vai trò của mình trong việc cung cấp các kết quả nghiên cứu cho độc giả và thu hút nhiều bài viết từ các nhà khoa học trong nước.
✅ Abstract: In recent years, the Deep Neural Network (DNN) has demonstrated remarkable success in various domains, including Intrusion Detection Systems (IDS). The ability of DNN to learn complex patterns from large data sets has significantly improved IDS performance, leading to more accurate and efficient threat detection. Despite their effectiveness, DNN models exhibit vulnerabilities to adversarial attacks, where malicious inputs are specifically crafted to deceive the models and evade detection. In this paper, we provide insights into the effectiveness of deep learning-based IDS (DL-IDS) against adversarial example (AE) attacks. Additionally, we tackle the weaknesses of DNN in detecting adversarial attacks by proposing the Convolutional Neural Network (CNN), which serves as an AE detector. We also utilize one of the XAI techniques, specifically SHAP, to enhance the transparency of the AE detector. Our results show that the AE detector has obvious effects for detecting adversarial examples and achieves an impressive 99.46% accuracy in the experimental environment.
