Chúc mừng Nguyễn Lê Phúc Lâm – sinh viên ngành An toàn thông tin – đã có bài báo khoa học được chấp nhận đăng tại Hội nghị Quốc tế IEEE lần thứ 32 về Hệ thống Song song và Phân tán – The 32nd IEEE International Conference on Parallel and Distributed Systems (ICPADS 2026), tổ chức tại Tokyo, Nhật Bản.
Bài báo:
- “DriftGuard-APT: Concept Drift-Aware Unsupervised Graph Learning for APT Detection on Provenance Streams”
Sinh viên thực hiện:
- Nguyễn Lê Phúc Lâm - Lớp ATTT2024.2
Giảng viên hướng dẫn:
- TS. Phan Thế Duy
- PGS. TS. Phạm Văn Hậu
Lời cảm ơn:
“Em xin chân thành gửi lời cảm ơn TS. Phan Thế Duy và PGS. TS. Phạm Văn Hậu đã tận tình hướng dẫn, định hướng, đóng góp ý kiến và hỗ trợ em trong suốt quá trình thực hiện đề tài. Sự chỉ bảo và những góp ý quý báu của quý thầy đã giúp em có thêm định hướng trong nghiên cứu và hoàn thiện công trình của mình. Em kính chúc quý thầy luôn mạnh khỏe, hạnh phúc và đạt được nhiều thành công trong công tác giảng dạy, nghiên cứu.”
Tóm tắt bài báo (Abstract):
Advanced Persistent Threats (APTs) pose a serious risk to critical infrastructure and enterprise systems, often causing operational disruption, financial losses, and exposure of sensitive information. As attacker tactics and execution environments evolve, provenance graph detectors trained on earlier system behavior can mistake benign operational change for malicious activity, making long-term monitoring unreliable. This paper proposes DriftGuard-APT, a drift-aware framework that enables provenance graph detectors to adapt to changing system behavior without requiring target-domain labels during deployment. The framework learns a model of benign behavior, monitors streaming graph data for distribution shifts, and updates the detector after a drift alarm using score-selected post-drift windows together with replayed source-domain examples. Evaluated on DARPA CADETS E3 and E5 under sudden, incremental, and reoccurring drift, the deployment configuration achieves area under the ROC curve (AUC) scores of 0.852, 0.811, and 0.536, respectively. It also reduces the false-positive rate from 4.5% to 2.7% under sudden drift, from 3.4% to 2.2% under incremental drift, and from 9.8% to 4.9% under reoccurring drift. These results show that drift-triggered adaptation can improve the reliability of provenance-based APT monitoring under monotonic shifts, while the weaker AUC under reoccurring drift highlights the need for more flexible post-drift admission policies.
Thông tin về hội nghị:
ICPADS 2026 (The 32nd IEEE International Conference on Parallel and Distributed Systems) là hội nghị khoa học quốc tế lần thứ 32, tập trung vào các nghiên cứu và ứng dụng trong lĩnh vực hệ thống song song và phân tán. Hội nghị tạo diễn đàn trao đổi học thuật, công bố các kết quả nghiên cứu mới và kết nối các nhà khoa học, chuyên gia trong lĩnh vực điện toán song song, điện toán phân tán, trí tuệ nhân tạo và các công nghệ tính toán hiện đại. Với định hướng thúc đẩy những giải pháp tính toán hiệu năng cao, có khả năng mở rộng và đáp ứng nhu cầu xử lý dữ liệu ngày càng lớn, ICPADS là một diễn đàn quan trọng đối với cộng đồng nghiên cứu khoa học máy tính.