Nhóm sinh viên ngành An toàn thông tin tham dự hội nghị và báo cáo công trình nghiên cứu tại Hội nghị khoa học quốc tế SOICT 2024

17/12/2024 - 11:04

Nhóm sinh viên ngành An toàn thông tin tham dự hội nghị và báo cáo công trình nghiên cứu về Phát hiện mã độc tại Hội nghị khoa học quốc tế The 13th International Symposium on Information and Communication Technology (SOICT 2024).

Thông tin về bài báo khoa học:

Tên bài báo: A Study on Explainable Graph Presentation Learning with Semantic Features Embedding for Windows Malware Detection

Sinh viên thực hiện:

- Đỗ Quang Trung - An toàn thông tin (Chính quy 2023)

- Phạm Thái Bảo - An toàn thông tin (Chất lượng cao 2021)

Bài báo này được trình bày trong Phiên chương trình "Recent Advances in Cyber Security" tại Hội nghị SoICT 2024.

Tóm tắt: “The popularity of the Windows operating system (OS) compared to other OS platforms has led to a significant increase in malware targeting Windows users. Therefore, the application of machine learning (ML) and deep learning (DL) in this domain is crucial for the automatic detection of malware. In this paper, we use different types of Graph Neural Network (GNN) such as Graph Convolutional Network (GCN), Graph Isomorphism Network (GIN), GraphSAGE, Graph Attention Network (GAT) with two architectures, GAT version 2 (GATv2). Key information in malware analysis includes API Functions; therefore, utilizing API Functions as input data becomes essential, so we conducted experiments on a dataset of approximately 26,000 PE files collected from datasets APIMDS and MalBehavD-V1 with their APIs extracted. After that, using documentation each API embedded by two versions of model Bidirectional Encoder Representations from Transformers (BERT) and the method Word2Vec to generate nodes for the graph. The reason we can create a graph is that the API functions of the executable file are called sequentially, making them suitable for being represented as a graph. Our approach yields outstanding results, achieving an accuracy of 99.46% in distinguishing between malware and benign files. This approach addresses the limitations of static analysis by using graphs and GATv2 model to capture complex relationships between information in the graph. In addition, we utilize Explainable Artificial Intelligence (XAI) models, specifically Parameterized Explainer for GNN (PGExplainer), to provide insights into why the model classifies a file as either malicious or benign.”

Thông tin chung:

Hội nghị 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.