Học viên cao học ngành An toàn thông tin Nguyễn Hữu Quyền báo cáo công trình nghiên cứu tại SoICT 2024

31/12/2024 - 15:51

Học viên cao học - ngành An toàn thông tin - Nguyễn Hữu Quyền tham dự hội nghị và báo cáo công trình nghiên cứu về Hệ thống liên kết phát hiện xâm nhập tại Hội nghị khoa học quốc tế The 13th International Symposium on Information and Communication Technology (SoICT 2024).

Thông tin về hội nghị:

Hội nghị khoa học quốc tế SoICT 2024 diễn ra tại Thành phố Đà Nẵng do Trường Công nghệ thông tin và Truyền Thông - ĐH Bách Khoa Hà Nội, Trường ĐH Khoa học Tự nhiên - ĐHQG TP. HCM, Trường ĐH Bách khoa - ĐH Đà Nẵng phối hợp tổ chức vào ngày 13-15/12/2024.

Hội nghị SOICT 2024 là một hội nghị khoa học quốc tế bao gồm các lĩnh vực nghiên cứu quan trọng bao gồm Nền tảng AI và Dữ liệu lớn, Công nghệ mạng và truyền thông, Xử lý đa phương tiện, Kỹ thuật phần mềm, Ứng dụng AI, AI tạo sinh, Nghiên cứu và tối ưu hóa hoạt động ứng dụng, An toàn thông tin.

Thông tin về bài báo khoa học:

- Tên bài báo: "SeFed-IDS: A Collaborative Intrusion Detection System Utilizing Semi-Supervised Federated Learning and Data Augmentation”

- Học viên thực hiện: Nguyễn Hữu Quyền - An toàn thông tin (Khóa 2022)

Tóm tắt bài báo: “ In the Internet of Things (IoT) domain, the development and efficiency of Intrusion Detection Systems (IDS) powered by machine learning (ML) have seen substantial growth. Especially, Federated Learning-based (FL-based) IDS have experienced notable growth, focusing on reducing data privacy violations and alleviating the communication and high-cost burdens associated with dataset collection. However, these approaches continue to face several challenges, particularly the presence of non-independent and identically distributed (Non-IID) data and a lack of labeled data on the client side, which remain significant concerns. Additionally, adversarial attacks also pose a significant concern for ML classification models in general, and particularly for ML-based IDS. To overcome these challenges, our paper proposes a semi-supervised federated learning approach for IDS, called SeFed-IDS, designed to mitigate the impact of limited labeled data. Additionally, we incorporate an autoencoder network alongside the Fast Gradient Sign Method (FGSM) and Projected Gradient Descent (PGD) to augment data, effectively addressing the challenges posed by Non-IID data and adversarial attacks. In this study, we carried out experiments to assess the effectiveness of our approach in various scenarios, including those involving Non-IID data and different data distribution patterns. These experiments are conducted on two real-world datasets, NF-UNSW-NB15 and NF-CSE-CIC-IDS2018. Furthermore, the results indicate that our approach outperforms the original FL approach when dealing with adversarial data”.