SK Shieldus ngày 22/5/2026 cho biết một bài nghiên cứu của Im Jeong-hun, nhà nghiên cứu cấp cao tại Cybersecurity AI Labs, đã được ICML 2026 (International Conference on Machine Learning) chấp nhận.

Theo công ty, nghiên cứu này được chú ý nhờ cách tiếp cận mới đối với bài toán “chuỗi thời gian bất quy tắc” - đặc điểm thường gặp trong các cuộc tấn công mạng ngoài thực tế.

SK Shieldus cho biết nhiều kỹ thuật phát hiện tấn công mạng trước đây thường phân tích dữ liệu dựa trên giả định rằng các sự kiện xảy ra theo khoảng thời gian tương đối đều. Tuy nhiên, trong thực tế, thời điểm xuất hiện và khoảng cách giữa các sự kiện tấn công thường không cố định, có thể diễn ra dồn dập trong thời gian ngắn hoặc kéo dài theo nhiều dạng khác nhau. Điều này khiến các phương pháp truyền thống khó phản ánh đầy đủ biến động thực tế, từ đó dễ bỏ sót dấu hiệu tấn công hoặc làm giảm độ chính xác phát hiện.

Để khắc phục hạn chế này, SK Shieldus đã đề xuất QuITE (Query-based Irregular Time-series Embedding), một công nghệ AI mới cho phép phân tích trực tiếp dữ liệu tấn công có nhịp độ không đều.

Theo doanh nghiệp, QuITE là kỹ thuật phân tích giúp biểu diễn hiệu quả dữ liệu có khoảng cách thời gian khác nhau, qua đó phản ánh tự nhiên hơn diễn biến của các cuộc tấn công mạng. Công nghệ này cũng có thể kết hợp linh hoạt với các mô hình AI hiện có, giúp mở rộng khả năng ứng dụng trên nhiều hệ thống phát hiện bảo mật.

Theo SK Shieldus, kết quả thử nghiệm cho thấy QuITE cải thiện hiệu năng tối đa 45,9% so với các phương pháp phân tích chuỗi thời gian hiện hành trên bộ dữ liệu benchmark công khai toàn cầu.

Im Jeong-hun cho biết trong giới học thuật AI, việc xử lý hiệu quả dữ liệu thực tế không hoàn hảo là một bài toán quan trọng. Theo ông, nghiên cứu lần này cho thấy các mô hình AI hiện có cũng có thể học chính xác hơn những mẫu tấn công mang tính bất quy tắc.