🎉️🎉️🎉Chúc mừng sinh viên 𝐁𝐮̀𝐢 𝐓𝐚̂́𝐧 𝐇𝐚̉𝐢 Đ𝐚̆𝐧𝐠 (ngành An toàn thông tin - chương trình Tài năng - Khoa Mạng máy tính & Truyền thông) và 𝐧𝐡𝐨́𝐦 𝐧𝐠𝐡𝐢𝐞̂𝐧 𝐜𝐮̛́𝐮 đã có công trình nghiên cứu được chấp nhận đăng tại hội nghị khoa học quốc tế 𝐈𝐧𝐭𝐞𝐫𝐧𝐚𝐭𝐢𝐨𝐧𝐚𝐥 𝐂𝐨𝐧𝐟𝐞𝐫𝐞𝐧𝐜𝐞 𝐨𝐧 𝐌𝐮𝐥𝐭𝐢𝐦𝐞𝐝𝐢𝐚 𝐀𝐧𝐚𝐥𝐲𝐬𝐢𝐬 𝐚𝐧𝐝 𝐏𝐚𝐭𝐭𝐞𝐫𝐧 𝐑𝐞𝐜𝐨𝐠𝐧𝐢𝐭𝐢𝐨𝐧 - 𝐌𝐀𝐏𝐑’ 𝟐𝟎𝟐𝟑 - với phiên đặc biệt "𝐒𝐩𝐞𝐜𝐢𝐚𝐥 𝐒𝐞𝐬𝐬𝐢𝐨𝐧: 𝐀𝐩𝐩𝐥𝐲𝐢𝐧𝐠 𝐀𝐈 𝐭𝐨 𝐁𝐮𝐢𝐥𝐝 𝐒𝐞𝐜𝐮𝐫𝐢𝐭𝐲 𝐒𝐨𝐥𝐮𝐭𝐢𝐨𝐧𝐬 𝐟𝐨𝐫 𝐏𝐫𝐨𝐭𝐞𝐜𝐭𝐢𝐧𝐠 𝐈𝐧𝐟𝐨𝐫𝐦𝐚𝐭𝐢𝐨𝐧 𝐒𝐲𝐬𝐭𝐞𝐦𝐬".
👉 Tên bài báo: "On the effectiveness of transferability of adversarial Android malware samples against learning-based detectors"
👉 Nội dung: Nghiên cứu khả năng tấn công chuyển giao của các mẫu đối kháng mã độc Android trên mô hình học máy phát hiện mã độc.
Sinh viên: Bùi Tấn Hải Đăng (Tài năng - An toàn thông tin 2020)
Chủ đề nghiên cứu: Trí tuệ nhân tạo và An toàn thông tin
GVHD: ThS Nghi Hoàng Khoa, ThS. Phan Thế Duy
👉 Bài báo của nhóm được chấp nhận đăng và trình bày trong chương trình hội nghị "𝐈𝐧𝐭𝐞𝐫𝐧𝐚𝐭𝐢𝐨𝐧𝐚𝐥 𝐂𝐨𝐧𝐟𝐞𝐫𝐞𝐧𝐜𝐞 𝐨𝐧 𝐌𝐮𝐥𝐭𝐢𝐦𝐞𝐝𝐢𝐚 𝐀𝐧𝐚𝐥𝐲𝐬𝐢𝐬 𝐚𝐧𝐝 𝐏𝐚𝐭𝐭𝐞𝐫𝐧 𝐑𝐞𝐜𝐨𝐠𝐧𝐢𝐭𝐢𝐨𝐧 – 𝐌𝐀𝐏𝐑 2023", được tổ chức vào tháng 10.2023 tại thành phố Quy Nhơn, tỉnh Bình Định.
👉 Thông tin chung: Hội nghị "𝐈𝐧𝐭𝐞𝐫𝐧𝐚𝐭𝐢𝐨𝐧𝐚𝐥 𝐂𝐨𝐧𝐟𝐞𝐫𝐞𝐧𝐜𝐞 𝐨𝐧 𝐌𝐮𝐥𝐭𝐢𝐦𝐞𝐝𝐢𝐚 𝐀𝐧𝐚𝐥𝐲𝐬𝐢𝐬 𝐚𝐧𝐝 𝐏𝐚𝐭𝐭𝐞𝐫𝐧 𝐑𝐞𝐜𝐨𝐠𝐧𝐢𝐭𝐢𝐨𝐧 - 𝐌𝐀𝐏𝐑" là hội nghị quốc tế thường niên do Trường Đại học Công Nghệ Thông Tin (UIT) đồng sáng lập và tổ chức. Đây là hội nghị khoa học quốc tế thuộc danh mục Scopus-Index. Hội nghị là diễn đàn khoa học để giới học thuật, nghiên cứu trong và ngoài nước đến giao lưu, trao đổi kinh nghiệm. Hội nghị khuyến khích các nghiên cứu sinh, học viên cao học và những nhà khoa học trẻ tham gia báo cáo, trao đổi kết quả nghiên cứu và học tập của bản thân, và đặc biệt những kết quả nghiên cứu có tính ứng dụng thực tiễn.
🌎 Ngoài các phiên chính, MAPR 2023 còn tổ chức phiên đặc biệt ("𝐒𝐩𝐞𝐜𝐢𝐚𝐥 𝐒𝐞𝐬𝐬𝐢𝐨𝐧: 𝐀𝐩𝐩𝐥𝐲𝐢𝐧𝐠 𝐀𝐈 𝐭𝐨 𝐁𝐮𝐢𝐥𝐝 𝐒𝐞𝐜𝐮𝐫𝐢𝐭𝐲 𝐒𝐨𝐥𝐮𝐭𝐢𝐨𝐧𝐬 𝐟𝐨𝐫 𝐏𝐫𝐨𝐭𝐞𝐜𝐭𝐢𝐧𝐠 𝐈𝐧𝐟𝐨𝐫𝐦𝐚𝐭𝐢𝐨𝐧 𝐒𝐲𝐬𝐭𝐞𝐦𝐬") cho các nghiên cứu ứng dụng Trí tuệ nhân tạo (AI) trong lĩnh vực An toàn thông tin (cybersecurity) trong chương trình hội nghị năm nay.
👉 Abstract: In recent times, there has been a growing utilization of Machine Learning (ML) in the realm of malware detection. The Adversarial Example (AE) attack, widely acknowledged for undermining ML in diverse contexts, has demonstrated its effectiveness in evading or deceiving ML-based systems designed for malware detection. By ensuring the transferability of generated AEs, attacks can be enhanced to bypass various types of malware detection models. This research focuses on investigating the transferability of AEs generated by Generative Adversarial Networks (GANs) and assessing the resistance of ML-based Android malware detection against them. In addition, we provide experimental evidence demonstrating that GAN-generated AEs still retain their original functionality and malicious behaviors. To begin with, we establish ML models with high detection performance for malware. These models, which function as black-box, form the foundation for generating AEs by effectively identifying malware. Furthermore, we utilize the previously mentioned model to build the discriminator, enhancing the transferability of the sample generator by ensuring the preservation of the functional and executable features of the file. Finally, AEs generated from each GAN model using different black-box detectors will be tested for their transferability capabilities on various targeted victim models.
