Bài báo “A Deep Transfer Learning Approach for Flow-based Intrusion Detection in SDN-enabled Network” đã được đăng tại Kỷ yếu Hội nghị khoa học quốc tế SoMET 2021(The 20th International Conference on Intelligent Software Methodologies, Tools, and Techniques) (xếp hạng - Rank B theo ERA). Bài báo do sinh viên Hoàng Hiệp, Nguyễn Bá Tuân và nhóm nghiên cứu InSecLab thực hiện dưới sự hướng dẫn của TS. Phạm Văn Hậu và ThS Phan Thế Duy.
Nghiên cứu của nhóm sinh viên trong công bố này tập trung vào việc áp dụng phương pháp học chuyển tiếp (transfer learning) cho các trình phát hiện tấn công mạng sử dụng phương pháp học máy, học sâu. Các trình phát hiện tấn công này thực hiện phân tích thông tin luồng thống kê thu được từ bộ điều khiển mạng khả lập trình (SDN). Như chúng ta đã biết, các mô hình học sâu (deep learning) gặp phải vấn đề là khan hiếm dữ liệu. Các mô hình này yêu cầu đào tạo, huấn luyện với hàng ngàn hoặc thậm chí hàng triệu điểm dữ liệu trước khi đưa ra dự đoán hợp lý. Việc đào tạo các mô hình này rất tốn kém, cả về thời gian và tài nguyên. Tuy nhiên, vấn đề lớn nhất là các mô hình như thế này chỉ được thực hiện trên một nhiệm vụ duy nhất. Các tác vụ trong tương lai đòi hỏi một tập hợp các điểm dữ liệu mới cũng như lượng tài nguyên bằng hoặc nhiều hơn. Tuy nhiên, bộ não con người không hoạt động theo cách đó. Nó không loại bỏ kiến thức thu được trước đây khi giải quyết một nhiệm vụ mới. Thay vào đó, nó đưa ra quyết định dựa trên những điều học được từ quá khứ.
Thông tin chi tiết: https://www.facebook.com/inseclab
Hải Băng - Cộng tác viên Truyền thông trường Đại học Công nghệ Thông tin
