Hình ảnh nhóm sinh viên ngành An toàn thông tin và Khoa học máy tính thuộc TeamQ - CLB ATTT Wanna.W1n 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 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: “An Approach of Fine-Tuning Language Models and Handling Long Sequences for Efficiently API Call Analysis in Uncovering Windows Malware”
- Sinh viên thực hiện:
+ Lê Trần Gia Bảo – Khoa học máy tính (Chính quy 2022)
+ Trần Thanh Phong – An toàn thông tin (Chính quy 2022)
+ Phạm Thái Bảo – An toàn thông tin (Chất lượng cao 2021)
Tóm tắt bài báo: “Application Programming Interfaces (APIs) continue to be the primary and most accessible data source for malware detection and classification methods. With recent Deep Learning (DL) breakthroughs, techniques for analysing API call sequences have become increasingly effective at extracting valuable insights. However, the length and complexity of these sequences can pose challenges, making them difficult to interpret and analyse comprehensively. Furthermore, traditional DL models may struggle to capture long-range dependencies and sequential patterns in such extended API call sequences, which are essential for accurate malware detection. This paper proposes a novel malware detection approach based on API call sequences that leverages the power of the Bidirectional Encoder Representations from Transformers (BERT) and a DL model combining Convolutional Neural Network (CNN) and Extended Long Short-Term Memory (xLSTM) techniques. Specifically, BERT effectively captures the contextual relationships between API calls, while CNN-xLSTM proves highly effective at classifying sequences by preserving long-term dependencies and handling the complexities of sequential data. Experimental results on the EMBER dataset show that our approach performs better than existing state-of-the-art embedding and detection methods in both accuracy and robustness”.
Mọi thông tin chi tiết xem tại: https://www.facebook.com/share/p/1DqATJZcxw/?mibextid=wwXIfr
Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin
