27-07-2026
Chúc mừng nhóm sinh viên Trương Đức Hào, Hồng Huy Hoàng và Lê Hồng Hiển, hiện đang theo học ngành An toàn thông tin tại Khoa Mạng máy tính và Truyền thông, Trường Đại học Công nghệ Thông tin (VNU-HCM) với thành tích nghiên cứu học thuật ấn tượng.Công trình nghiên cứu của các bạn về giải pháp phòng thủ di động mục tiêu thích ứng với sự thay đổi phân phối dữ liệu dựa trên học tăng cường đa tác tử trong hệ thống phát hiện xâm nhập (IDS) đã chính thức được chấp nhận đăng tải trên tạp chí Computer Networks – một tạp chí uy tín hàng đầu khi nằm trong Top 10 toàn cầu của lĩnh vực Mạng máy tính và Truyền thông không dây (Computer Networks & Wireless Communication), thuộc danh mục Q1 của nhà xuất bản danh tiếng Elsevier.Tên bài báo: “MORPH-IDS: A context-driven Multi-Agent Reinforcement Learning framework for drift-aware moving target defense in adversarial-robust intrusion detection”Sinh viên thực hiện:- Trương Đức Hào - Lớp ATTT2022.1- Hồng Huy Hoàng - Lớp ATTT2023.1- Lê Hồng Hiển - Lớp ATTT2022.1Đề tài là kết quả từ quá trình nỗ lực nghiên cứu của nhóm tại Phòng thí nghiệm An toàn thông tin (InSecLab) hướng tới mục tiêu tối ưu hóa khả năng bảo mật cho các hệ thống phát hiện xâm nhập chủ động thông qua việc kết hợp các mô hình học máy và lý thuyết trò chơi.Giảng viên hướng dẫn:- TS. Phan Thế Duy- TS. Huỳnh Văn Đặng- PGS. TS. Lê Trung Quân- PGS. TS. Phạm Văn HậuLời chia sẻ từ nhóm nghiên cứu:“Đầu tiên, chúng em xin gửi lời tri ân sâu sắc nhất đến Thầy Phan Thế Duy, Thầy Huỳnh Văn Đặng, Thầy Lê Trung Quân và Thầy Phạm Văn Hậu. Chúng em vô cùng biết ơn sự tận tình định hướng và kiên nhẫn chỉ dạy của các thầy từ những viên gạch ý tưởng đầu tiên cho đến khi hoàn thiện bản thảo. Sự khắt khe trong học thuật cùng những phản biện quý báu từ các thầy chính là động lực và kim chỉ nam để công trình nghiên cứu này đạt được chất lượng hoàn thiện nhất. Cuối cùng, chúng em xin chân thành cảm ơn Information Security Lab (InSecLab) và Khoa Mạng máy tính & Truyền thông (UIT) đã luôn tạo một môi trường nghiên cứu tuyệt vời để sinh viên có cơ hội học hỏi và phát triển. Đây chắc chắn sẽ là bệ phóng lớn để chúng em tiếp tục cố gắng hơn nữa trên hành trình sắp tới.”Tóm tắt bài báo (Abstract):In the rapidly evolving cybersecurity landscape, Machine Learning (ML)-based Network Intrusion Detection Systems (NIDS) have become essential for detecting sophisticated threats, yet they are increasingly vulnerable to adversarial evasion attacks and concept drift caused by adaptive attackers. Existing ensemble-based defenses optimize for instantaneous accuracy without incorporating drift signals, while drift adaptation methods remain reactive rather than proactive against strategic adversaries. Therefore, we propose MORPH-IDS (Moving Objective Reinforcement Learning framework for Proactive and Hardened Intrusion Detection Systems), which integrates Moving Target Defense (MTD) with Reinforcement Learning (RL) to mitigate these risks by creating a dynamic, unpredictable attack surface that invalidates adversaries’ reconnaissance and increases attack costs. The core of MORPH-IDS is a multi-agent RL (MARL) setup modeled as a Markov Game, featuring two competing agents in a co-evolutionary environment. The defender agent, implemented as a Dueling Double Deep Q-Network (D3QN), learns to intelligently select and combine strategies from a diverse model pool. Conditioned on a carefully designed low-dimensional drift embedding, which quantifies distributional shifts, temporal dynamics, and poisoning indicators, the agent dynamically orchestrates robust ensembles during periods of high concept drift and accuracy-optimal methods under stable conditions, thereby creating a non-stationary, unpredictable moving target defense. To enable proactive adaptation, an Adversarial Drift Injection (ADI) scheduler – driven by the adversarial agent – proactively synthesizes diverse drift and evasion scenarios during training. This co-evolutionary process teaches the defender to interpret contextual signals effectively, generalize to unseen adversarial threats, and mitigate catastrophic forgetting through integrated continual learning mechanisms. Empirical evaluation on three benchmarks, including CIC-IDS2017, CIC-IDS2019, CIC-APT-IIoT-2024 dataset, demonstrates that MORPH-IDS improves robustness of NIDS against both concept drift and adversarial attacks. Specifically, it outperforms recent baselines such as Apollon by over 15% in F1-score on CIC-IDS2017 and improves adversarial robustness by up to 22.65% against black-box attacks. Furthermore, on the CIC-APT-IIoT-2024 dataset, the system detects 91.53% of Advanced Persistent Threat (APT) patterns while maintaining stable performance under temporal drift. The results underscore the effectiveness of drift-aware MTD for risk mitigation in real-time defensive adaptation.Về Tạp chí khoa học:"Computer Networks" (ComNet) là ấn phẩm khoa học quốc tế uy tín trực thuộc nhà xuất bản Elsevier. Theo bảng xếp hạng Google Scholar Metrics, tạp chí hiện giữ vị thế vững chắc trong Top 10 toàn cầu ở danh mục Computer Networks & Wireless Communication với chỉ số h5-index đạt 99 và h5-median đạt 171. Đồng thời, tạp chí luôn duy trì thứ hạng Q1 (Quartile 1) trong phân mục Computer Networks and Communications theo hệ thống SCImago Journal Rank (SJR) với chỉ số Impact Factor (JCR) đạt 4.6, khẳng định uy tín vượt trội và sự đánh giá cao từ cộng đồng chuyên gia quốc tế đối với các công trình nghiên cứu được công bố tại đây.Việc đề tài được công bố tại một tạp chí chuyên ngành hàng đầu không chỉ khẳng định tính thực tiễn cao, tư duy phương pháp luận chặt chẽ của nhóm nghiên cứu mà còn là đóng góp ý nghĩa vào sự phát triển chung của lĩnh vực an ninh mạng toàn cầu.Link bài báo: https://doi.org/10.1016/j.comnet.2026.112541Thông tin chi tiết tại: https://www.facebook.com/share/p/1LzpLjqriu/ Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin
