Thời gian thực hiện: từ ngày 14/01/2026 đến hết ngày 31/01/2026 Nhằm chuẩn hóa thông tin địa chỉ thường trú, tạm trú, nơi sinh mới (sau sáp nhập địa phương theo quy định), Trường Đại học Công nghệ Thông tin – ĐHQG-HCM đề nghị sinh viên hệ đào tạo chính quy khóa 2024 trở về trước (không áp dụng cho sinh viên hệ đào tạo từ xa qua mạng) thực hiện cập nhật thông tin trên hệ thống. Cách thức thực hiện: * Sinh viên truy cập: https://nhaphoc.uit.edu.vn * Khai báo thông tin địa chỉ thường trú, tạm trú, nơi sinh mới (trường hợp VNeID không hiển thị nơi sinh, sinh viên khai theo nơi đăng ký khai sinh) * Cập nhật số CCCD, ngày cấp, nơi cấp (nếu có thay đổi) * Sử dụng email sinh viên do Trường cấp (định dạng: MSSV@gm.uit.edu.vn) để đăng nhập Trong quá trình cập nhật, nếu có thắc mắc, sinh viên liên hệ qua email: ctsv@uit.edu.vn để được hỗ trợ. Trường hợp gặp khó khăn khi đăng nhập email sinh viên (quên mật khẩu…), vui lòng liên hệ Phòng Công tác sinh viên – Phòng A.101. Nhà trường đề nghị sinh viên nghiêm túc thực hiện đúng thời hạn theo thông báo. Thông tin chi tiết: https://www.facebook.com/share/p/1KZS6GGFuQ/

Chúc mừng sinh viên nhóm nghiên cứu UiTiOt đã có bài báo được chấp nhận tại Tạp chí quốc tế IEEE Access (Q1, ISI-indexed, IF: 4.098) năm 2026 Bài báo: An Approach to Attack Classification for Programmable Network Infrastructure Using Machine Learning and Deep Learning Solutions Sinh viên thực hiện: - Phạm Thái Bảo – ATCL2021 – Tác giả chính - Nguyễn Lê Hạ My – MMTT2023.2 – Đồng tác giả Giảng viên hướng dẫn: - PGS. TS. Lê Trung Quân - ThS. Nguyễn Khánh Thuật Tóm tắt: The rapid development of Internet-connected devices has driven the rise of smart cities, where large-scale Internet of Things (IoT) systems require efficient infrastructure management with centralized monitoring and control. In this context, Software-Defined Networking (SDN) architecture offers an effective solution to fulfill centralized management needs and optimize network quality. By decoupling the data plane from the control plane, SDN consolidates control over network traffic, allowing flexible configuration and real-time traffic optimization. However, the separation also exposes SDN to severe attacks, particularly Distributed Denial of Service (DDoS) attacks, along with other exploitation techniques targeting its architecture. In this study, we propose a network traffic classification model for SDN environments that leverages multiple Machine Learning (ML) and Deep Learning (DL) models integrated with Explainable Artificial Intelligence (XAI) technology. This approach enables precise and transparent model decisions while reducing computational costs and improving classification accuracy. The proposed model achieves up to 99% accuracy across various network attack detection and classification scenarios within SDN, both with and without XAI assistance. Notably, the incorporation of XAI allows the model to retain high performance using only approximately 15% of the original feature set, significantly outperforming models without XAI. This feature reduction contributes to substantial decreases in training time, inference time, and model size, demonstrating the method’s feasibility and effectiveness for real-time deployment in SDN-based networks. Link bài báo: https://ieeexplore.ieee.org/document/11328054 Thông tin chi tiết tại: https://www.facebook.com/share/p/189B2dRvPN/  Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin  

Chúc mừng Sinh viên nhóm nghiên cứu UiTiOt đã có bài báo được chấp nhận tại Hội nghị quốc tế International Conference On Computational Intelligence In Engineering Science (ICCIES 2026) được tổ chức vào 02-04/4/2025 tại Thành phố Nha Trang, Tỉnh Khánh Hòa. Bài báo: Enhancing Security and Efficiency in Diabetes Prediction using Federated Learning and Generative Adversarial Networks Sinh viên thực hiện: - Phạm Thái Bảo – ATCL2021 – Tác giả chính - Hồng Bích Như – ATTT2023.2 – Đồng tác giả Giảng viên hướng dẫn: - PGS. TS. Lê Trung Quân - ThS. Nguyễn Khánh Thuật - ThS. Trần Thị Dung Tóm tắt: Health plays a crucial role in our lives, and artificial intelligence technologies are increasingly applied to medical diagnosis. However, patient data is highly sensitive and cannot be shared publicly, which poses challenges for conventional AI approaches. Federated Learning offers a solution by enabling collaborative model training across distributed data sources while preserving privacy and complying with data protection regulations. In the context of diabetes diagnosis, datasets are often imbalanced, which can significantly affect model accuracy and reliability. In this paper, to address this issue, various imbalance handling techniques were applied and systematically evaluated, identifying the most effective approaches, resulting in a notable improvement of up to 7% in predictive performance. Furthermore, incorporating Generative Adversarial Network-generated synthetic data enhanced the model’s capability, achieving an F1-score of 93%, demonstrating the potential of synthetic data to mitigate both scarcity and class imbalance. Overall, the proposed Federated Learning-based framework effectively combines AI, data augmentation, and privacy-preserving techniques, providing a robust, accurate, and practical solution for real-world diabetes diagnosis, with significant potential for clinical adoption. Thông tin Hội nghị: ICCIES 2026 is organized by Ton Duc Thang University and Co-hosts including Wroclaw University of Science and Technology (Poland) and University College Dublin (Ireland) and will be held during 02-04 April 2026 at Ton Duc Thang University, Nha Trang Campus, Khanh Hoa, Vietnam. ICCIES 2026 is is an annual international academic exchange forum aimed at sharing experiences and discussing innovations, advancements, and future trends in intelligent computing research in various fields of engineering sciences, including Electrical-Electronics, Mechatronics, Information Technology, and the IoT ecosystem. The conference helps to create a collaborative bridge, sharing research results, and bringing together many researchers from universities, academies, and businesses to meet and share advanced development techniques in the field of engineering sciences. The conference includes the participation of Ph.D. students, Postdoctoral researchers, and other young researchers from all over the world. All accepted papers will be published in the Communications in Computer and Information Science (CCIS) series by Springer, which is indexed by ISI Proceedings, EI-Compendex, SCOPUS, and DBLP. Homepage Hội nghị: https://iccies.tdtu.edu.vn/2026/ Thông tin chi tiết tại: https://www.facebook.com/share/p/1GQmaCRtZm/  Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin  

Bài báo: Vehicle Re-Identification for Comprehensive Multi-Camera Tracking in Vietnamese Urban Infrastructure Link bài báo: https://ieeexplore.ieee.org/document/11309622 Nhóm tác giả: • Mã Kim Phát – KHDL 2022 – Tác giả chính • Đặng Chí Nguyên – KHDL 2022 – Đồng tác giả • Đường Thị Mộng Thúy – KHDL 2022 – Đồng tác giả Giảng viên / Người hướng dẫn: • TS. Đỗ Trọng Hợp • CN. Nguyễn Thị Hoàng Anh Tóm tắt: Vehicle re-identification (Re-ID) is a key component of intelligent transportation systems, enabling continuous tracking of vehicles across non-overlapping camera views. Most existing models are trained on curated benchmarks and often fail in real-world traffic with high density, heterogeneous vehicle types, occlusion, and challenging imaging conditions. This work introduces a real-time multi-camera tracking framework tailored for Vietnamese urban traffic. The pipeline integrates a YOLO-based detector with Deep SORT for intra-camera tracking and employs a state-of-the-art backbone (OSNet) with a novel cross-camera association algorithm to maintain vehicle identity across disjoint views. The system is deployed on Apache Spark and Apache Kafka, supporting scalable, low-latency processing of multiple concurrent video streams. Evaluation on a 20-second Vietnamese traffic video achieves a recall of 83.34%, a precision of 55.56%, and an average throughput of approximately 11 FPS. Furthermore, the study introduces the first annotated dataset for vehicle Re-ID in Vietnamese traffic, carefully labeled to reflect real-world complexity and diversity. The main contributions include: (1) a practical vehicle Re-ID solution customized for Vietnamese traffic conditions; (2) a novel cross-camera association method that improves identity preservation in dense and dynamic environments; (3) a scalable real-time processing pipeline suitable for large-scale transportation networks. "Chúng em xin gửi lời cảm ơn chân thành đến thầy Đỗ Trọng Hợp và chị Nguyễn Thị Hoàng Anh đã tận tình hỗ trợ, góp ý và đồng hành cùng nhóm trong suốt quá trình thực hiện nghiên cứu. Những chia sẻ quý báu của thầy và chị là nguồn động lực lớn giúp nhóm hoàn thiện bài báo một cách tốt nhất" Thông tin hội nghị: The International Conference on Knowledge and Systems Engineering (KSE) là hội nghị khoa học quốc tế uy tín, tập trung vào các nghiên cứu và ứng dụng tiên tiến trong lĩnh vực kỹ thuật tri thức và hệ thống. KSE 2025 được tổ chức tại Đà Lạt, Việt Nam, do Trường Đại học Đà Lạt và VNU University of Engineering and Technology (VNU-UET) đồng tổ chức, với sự bảo trợ học thuật của JAIST (Nhật Bản) và FISU. Hội nghị quy tụ các nhà nghiên cứu, chuyên gia và sinh viên từ nhiều quốc gia, thúc đẩy hợp tác và trao đổi học thuật quốc tế. Thông tin chi tiết tại: https://www.facebook.com/share/p/1AMd1mngED/  Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin  

Bài báo: Towards Explainable Educational QA: A Chain-of-Thought and Retrieval-Augmented Approach Sinh viên thực hiện: • Trần Văn Tịnh – K17.2 – KHMT • Nguyễn Đặng Đức Mạnh – KHMT 2022 • Trần Minh Quân – KHTN 2022 • Nguyễn Nguyên Khang – KHTN 2022 • Huỳnh Tống Đăng Khoa – KHMT 2022 • Đinh Văn Hoàn – K17.2 – KHMT Giảng viên hướng dẫn: TS. Dương Việt Hằng Tóm tắt: Bài báo trình bày một hệ thống trả lời câu hỏi trong lĩnh vực giáo dục dựa trên các mô hình ngôn ngữ mở nguồn, kết hợp phương pháp chuỗi suy luận (Chain-of-Thought – CoT) và truy xuất dữ liệu (Retrieval-Augmented Generation – RAG). Mục tiêu của nghiên cứu là nâng cao tính minh bạch và khả năng giải thích của mô hình AI trong giáo dục, giúp người học không chỉ nhận được câu trả lời chính xác mà còn hiểu rõ lý do và cơ sở dữ liệu dẫn đến kết quả đó. Hệ thống có khả năng xử lý nhiều dạng câu hỏi như đúng/sai, “bao nhiêu”, và câu hỏi trắc nghiệm, đồng thời cung cấp lời giải thích mạch lạc dựa trên dữ liệu hỗ trợ. Giải pháp đáp ứng yêu cầu của cuộc thi TRNS-AI@IJCNN 2025 về Explainable AI in Education, thông qua sự kết hợp giữa phân loại câu hỏi, suy luận theo chuỗi và truy xuất dữ liệu, hướng đến các ứng dụng giáo dục minh bạch, đáng tin cậy. Sản phẩm được phát triển trong khuôn khổ cuộc thi quốc tế TRNS-AI@IJCNN 2025 với chủ đề “Explainable AI in Education”. Hệ thống của nhóm đã đạt Giải Nhì, được đánh giá cao về tính sáng tạo trong việc kết hợp CoT và RAG, cũng như khả năng giải thích rõ ràng, dễ hiểu và minh bạch. "Nhóm nghiên cứu xin bày tỏ lòng biết ơn sâu sắc đến TS. Dương Việt Hằng. Cô luôn đồng hành, hỗ trợ và tận tình giải đáp các thắc mắc của nhóm trong suốt quá trình nghiên cứu và công bố bài báo khoa học này." Hội nghị RIVF là hội nghị khoa học quốc tế uy tín trong lĩnh vực Công nghệ Truyền thông và Điện toán, được đề xuất trong danh mục hội nghị của SCOPUS và ISI Web of Science. RIVF 2025 là lần tổ chức thứ 18, với các chủ đề trọng tâm gồm: xử lý hình ảnh – ngôn ngữ – giọng nói; truyền thông và mạng máy tính; an ninh mạng; hệ thống phân tán, IoT, điện toán đám mây; trí tuệ nhân tạo, khoa học dữ liệu, phân tích dữ liệu lớn; kỹ thuật phần mềm và hệ thống thông tin. Thông tin chi tiết tại: https://www.facebook.com/share/p/14Pn8D4yTwJ/  Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin  

Bài báo: Using Quantization Aware Training Technique to Enhance Performance of Deep Learning Model for ADAS System Nhóm tác giả: • Bùi Anh Tiệp – MTIO 2021 – Tác giả chính • Trần Thị Thanh Dung – MTCL 2021 – Đồng tác giả Giảng viên hướng dẫn: • ThS. Phan Đình Duy • PGS. TS. Vũ Đức Lung Tóm tắt: This paper presents a real-time traffic monitoring system leveraging Quantization Aware Training (QAT) with INT8 precision for efficient deployment in Advanced Driver Assistance Systems (ADAS). The proposed system integrates YOLOv8 for traffic sign recognition on a single embedded platform. The model identifies traffic signs in accordance with Vietnam’s QCVN 41:2019/BGTVT standard and detects four categories of vehicles. Designed for on-vehicle installation, the system processes 2D images and video streams, achieving optimized performance and accuracy while significantly reducing computational overhead. The results demonstrate that QAT-based optimization enables scalable and practical deployment of deep learning models for intelligent transportation and ADAS applications. Hội nghị RIVF (Research, Innovation and Vision for the Future) là hội nghị khoa học quốc tế uy tín, được tổ chức thường niên từ năm 2003, quy tụ các nhà nghiên cứu, học giả và sinh viên trong lĩnh vực Công nghệ Máy tính và Truyền thông. Hội nghị được IEEE bảo trợ kỹ thuật, và các bài báo được xuất bản trên IEEE Xplore – một trong những cơ sở dữ liệu học thuật hàng đầu thế giới. Thông tin chi tiết tại: https://www.facebook.com/share/p/1bEFYiHf57/  Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin  

Bài báo: WEAKSEGFORMER: A TRANSFORMER-BASED WEAKLY SUPERVISED FRAMEWORK FOR BRAIN TUMOR MRI SEGMENTATION Học viên thực hiện: - Trương Thanh Luân – CNTT 2022 – Khoa Công nghệ Thông tin Giảng viên hướng dẫn: TS. Dương Việt Hằng Tóm tắt: Magnetic resonance imaging (MRI) is essential for brain tumor diagnosis, where precise segmentation supports clinical assessment and treatment planning. This study introduces WeakSegFormer, a refined Transformer-based weakly supervised framework for brain tumor segmentation. The model integrates Adaptive Attention Fusion (AAF) and Multi-Scale Attention (MSA) modules to enhance feature representation, while an advanced segmentation head with pyramid pooling and hybrid attention captures both local boundaries and global context. A multi-objective loss function, dynamically weighted across training stages, directly optimizes the mean Intersection over Union (mIoU) while mitigating class imbalance. Evaluated on the BraTS 2023 dataset, WeakSegFormer achieves 74.21% mIoU, significantly surpassing the original WeakTR (~34%), UNet++ (20.14%), and MultiResUNet (53.85%). These results demonstrate the effectiveness of weakly supervised Transformer-based models in reducing annotation costs while maintaining state-of-the-art segmentation performance, with potential applications in large-scale clinical deployment. "Em xin trân trọng gửi lời tri ân sâu sắc đến Cô – TS. Dương Việt Hằng – người đã luôn tận tâm hướng dẫn, đồng hành và hỗ trợ em trong suốt quá trình thực hiện nghiên cứu và công bố bài báo khoa học này." Thông tin Hội nghị RIVF: Hội nghị RIVF (Research, Innovation and Vision for the Future) là hội nghị khoa học quốc tế uy tín trong lĩnh vực Công nghệ Truyền thông và Điện toán, được tổ chức thường niên từ năm 2003. RIVF quy tụ đông đảo các nhà khoa học, nhà nghiên cứu và học viên trong nước và quốc tế. RIVF 2025 là lần tổ chức thứ 19, với các chủ đề trọng điểm như: xử lý hình ảnh – ngôn ngữ – giọng nói; truyền thông và mạng máy tính; an ninh mạng; hệ thống phân tán, IoT, điện toán đám mây; trí tuệ nhân tạo, khoa học dữ liệu, phân tích dữ liệu lớn; kỹ thuật phần mềm và hệ thống thông tin. Hội nghị được đề xuất trong danh mục hội nghị uy tín của SCOPUS và ISI Web of Science. Thông tin chi tiết tại: https://www.facebook.com/share/p/1C7LxFUzyW/  Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin  

Chúc mừng nhóm sinh viên ngành An toàn thông tin (Khoa Mạng máy tính và truyền thông) đã có bài báo khoa học về Nghiên cứu Chiến lược né tránh bộ phát hiện mã độc hộp đen dựa trên học tăng cường trong được chấp nhận đăng tại “Information and Software Technology (Elsevier)”, một tạp chí uy tín hàng đầu thuộc lĩnh vực công nghệ phần mềm xếp hạng Q1.  Tên bài báo: “xPriMES: Explainable Reinforcement Learning-guided Mutation Strategy with Dual-Environment Interaction for Evading Black-box Malware Detectors” Sinh viên thực hiện: - Nguyễn Mạnh Cường - lớp An toàn thông tin 2020 (Chương trình Chất lượng cao - Khoa mạng máy tính và truyền thông) - Hà Triệu Yến Vy - lớp An toàn thông tin 2020 (Chương trình Chất lượng cao - Khoa mạng máy tính và truyền thông) - Lê Tuấn Lương - lớp An toàn thông tin 2020 (Chương trình Chất lượng cao - Khoa mạng máy tính và truyền thông) - Nguyễn Trần Đức Anh  - lớp An toàn thông tin 2020 (Chương trình Chất lượng cao - Khoa mạng máy tính và truyền thông) Bài báo là kết quả NCKH của SV tại Phòng thí nghiệm An toàn thông tin về chủ đề Bảo mật ứng dụng dựa trên Trí tuệ nhân tạo. Giảng viên hướng dẫn: TS. Phan Thế Duy, ThS. Nghi Hoàng Khoa, PGS. TS. Phạm Văn Hậu Tóm tắt bài báo:  Malware continues to evolve, exposing weaknesses in conventional detectors and motivating realistic adversarial evaluations. Prior RL-based evasion methods often rely on partial model access or feature-level perturbations, limiting realism under strict black-box constraints. We propose xPriMES, a dual-environment reinforcement learning framework that generates functionality-preserving binary mutations for malware evasion in black-box settings. A LightGBM surrogate provides continuous confidence feedback for dense reward shaping, while the real target detector supplies binary feedback — used both for episode termination and for issuing the final reward — ensuring learning remains grounded in real evasion outcomes. The agent employs Thompson sampling and SHAP-guided prioritized replay to focus exploration on feature-relevant mutations and accelerate convergence. Experiments on multiple static detectors (LightGBM, RF+CNN, MalConv, CNN, KNN) demonstrate up to 97.4% evasion success, surpassing PSP-Mal under equivalent conditions. Further tests on VirusTotal confirm the transferability and real-world impact of the adversarial samples. These findings show that integrating explainable guidance with surrogate-assisted RL yields interpretable and effective black-box evasion while preserving functionality. We conclude with implications for defensive hardening and discuss limitations related to surrogate fidelity and the focus on static detection. Thông tin về Tạp chí khoa học: Được xuất bản bởi Elsevier, Information and Software Technology (INFSOF) là một tạp chí khoa học quốc tế uy tín, tập trung vào các nghiên cứu và kinh nghiệm thực tiễn nhằm nâng cao chất lượng và hiệu quả của hoạt động phát triển phần mềm. Tạp chí hướng đến việc cải tiến các phương pháp, kỹ thuật và quy trình trong kỹ nghệ phần mềm cũng như quản lý phát triển phần mềm, với yêu cầu rõ ràng rằng mỗi công trình phải thể hiện đóng góp trực tiếp cho lĩnh vực kỹ nghệ phần mềm hoặc đề xuất các cách tiếp cận giúp cải thiện hoạt động kỹ thuật và quản trị phần mềm. Nội dung của INFSOF bao quát rộng các chủ đề cốt lõi, bao gồm quản lý phần mềm, chất lượng và các thước đo đánh giá; quy trình phát triển phần mềm; kiến trúc, mô hình hóa, đặc tả, thiết kế và lập trình; yêu cầu chức năng và phi chức năng; kiểm thử, thẩm định và xác minh phần mềm; cùng các nghiên cứu thực nghiệm về mọi khía cạnh của kỹ thuật và quản lý phát triển phần mềm. Tạp chí đặc biệt coi trọng sự kết hợp hài hòa giữa cơ sở lý thuyết vững chắc và bằng chứng thực nghiệm, qua đó cung cấp các kết quả nghiên cứu có giá trị ứng dụng cao cho cả giới học thuật và công nghiệp. Ngoài các bài báo nghiên cứu đầy đủ, Information and Software Technology còn dành không gian cho các bài báo ngắn nhằm giới thiệu những ý tưởng mới, thảo luận các quan điểm học thuật mang tính phản biện, cũng như công bố các kết quả nghiên cứu chưa đạt được giả thuyết kỳ vọng nhưng vẫn có giá trị học thuật và thực tiễn. Với định hướng này, INFSOF đóng vai trò quan trọng trong việc thúc đẩy đổi mới, lan tỏa tri thức và hỗ trợ cộng đồng nghiên cứu cũng như các chuyên gia thực hành giải quyết những thách thức ngày càng phức tạp trong lĩnh vực kỹ nghệ phần mềm hiện đại. Thông tin chi tiết tại: https://www.facebook.com/share/p/1CsRgu2sGQ/  Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin  

Chúc mừng sinh viên ngành An toàn thông tin (Khoa Mạng máy tính và truyền thông) có bài báo khoa học về cơ chế tạo biến thể mã độc Windows tin cậy với mô hình học tăng cường và phương pháp kiểm chứng chức năng được chấp nhận đăng tại Tạp chí quốc tế Information and Software Technology (tạp chí xếp hạng Q1) Tên Bài báo: “A study on Functionality validation for Windows malware mutating using Reinforcement learning” Sinh viên thực hiện: - Lê Viết Tài Mẫn – lớp An toàn thông tin CLC 2020 (Khoa Mạng máy tính và truyền thông) - Lê Trọng Nhân – lớp An toàn thông tin CLC 2020 (Khoa Mạng máy tính và truyền thông) - Phan Ngọc Yến Nhi – lớp An toàn thông tin CLC 2020 (Khoa Mạng máy tính và truyền thông) - Hoàng Thanh Lâm – lớp An toàn thông tin CLC 2020 (Khoa Mạng máy tính và truyền thông) Giảng viên hướng dẫn: ThS. Đỗ Thị Thu Hiền, PGS. TS. Nguyễn Tấn Cầm, PGS. TS. Phạm Văn Hậu Tóm tắt bài báo: To keep pace with the rapid advancements in both the quality and complexity of malware, recent research has extensively employed machine learning (ML) and deep learning (DL) models to detect malicious software, particularly in the widely used Windows system. Despite demonstrating promising accuracy in identifying malware, these models remain vulnerable to adversarial attacks, where carefully modified malware samples can bypass detection. Consequently, there is a growing need to generate mutated malware by altering existing samples to comprehensively assess the robustness of ML/DL-based detectors. Unlike in the field of computer vision, functionality validation plays a crucial role in evaluating the effectiveness of these modified malware samples. Even if they achieve high evasion rates, any corruption in file format or execution can make them ineffective. To address this, we consider the essentials of functionality validation in creating malware samples by designing validators that can be used in reinforcement learning-based Windows malware mutation. Our focus is on workable and useful adversarial samples rather than the quantity. Two different functionality validation methods are proposed, leveraging the static and dynamic analysis processes of PE files to capture the representation of their behaviors to verify the preservation of designed functionalities. They are then integrated into the RL framework to support the agent in recognizing actions that can cause broken samples. Whether employing static or dynamic analysis for validation, the experimental results confirm that the proposed methods successfully maintain the original behavior of malware while enhancing its ability to evade ML-based detectors. Compared to other approaches, although the number of created adversarial malware drops due to stricter validation, a higher ratio of them are confirmed functionality-preserved. Thông tin về Tạp chí khoa học: Information and Software Technology là một tạp chí quốc tế uy tín của nhà xuất bản Elsevier, hướng đến các nghiên cứu chất lượng cao trong lĩnh vực Khoa học máy tính và phát triển phần mềm, đặc biệt là các chủ đề liên quan đến bảo mật phần mềm, học máy và trí tuệ nhân tạo. Tạp chí được đánh giá là nền tảng khoa học chất lượng, kết nối cộng đồng nghiên cứu tại Việt Nam và quốc tế, đóng vai trò thúc đẩy các giải pháp sáng tạo và ứng dụng thực tiễn trong lĩnh vực công nghệ thông tin. Thông tin chi tiết: https://www.facebook.com/share/p/1BwPBSRahq/

Ngành Truyền thông Đa phương tiện trân trọng chúc mừng nhóm sinh viên năm nhất với bài báo khoa học: “How AI-Generated Videos Attract Vietnamese Social Media Users: Insights from Engagement and Labelling-based Content Analysis” đã được chấp nhận trình bày tại Hội nghị Quốc tế ECTI DAMT và NCON 2026 - tại Thái Lan. Nhóm tác giả:  - Thái Phương Vinh - 25522073 - Huỳnh Phương Vy - 25522103 - Hoàng Thiên Thanh - 25521698 - Hồ Gia Tuệ - 25522029 - Đỗ Ngọc Lan Phương - 25521466 Giảng viên hướng dẫn:  TS. Đỗ Trọng Hợp, TS. Lê Thị Mỹ Danh Nghiên cứu phân tích mức độ thu hút của các video do trí tuệ nhân tạo (AI) tạo ra đối với người dùng mạng xã hội Việt Nam, thông qua phương pháp Labelling-based Content Analysis. Theo đó, các video AI trên nền tảng TikTok và YouTube được gắn nhãn nội dung một cách có hệ thống dựa trên nhiều tiêu chí khoa học như: nhịp độ – độ ngắn gọn, khả năng bắt xu hướng, yếu tố cảm xúc, âm thanh – hình ảnh và tính dễ chia sẻ; sau đó đối chiếu với dữ liệu tương tác của người xem (lượt xem, lượt thích). Thông tin chi tiết xem tại link: https://link.uit.edu.vn/xT7DA Xem thêm thông tin tại: https://www.facebook.com/share/p/1GgnYcMJZ4/

Khoa Công nghệ phần mềm trân trọng chúc mừng bài báo khoa học “Examining Nostalgia Marketing Strategy in Maximising Brand Values - A Case in VietNam” được chấp nhận trình bày tại Hội nghị Quốc tế ECTI DAMT và NCON 2026 - tại Thái Lan. Xuất phát từ sự quan tâm về việc tại sao các chiến dịch của những thương hiệu nổi tiếng như Knorr, Kido hay Phê La luôn khơi gợi được sự tin tưởng mạnh mẽ từ khách hàng, nhóm sinh viên năm nhất Truyền thông đã áp dụng khái niệm “Nostalgia Marketing”- một chiến lược marketing đánh vào sự hoài niệm biến ký ức thành giá trị nâng tầm thương hiệu để thực hiện dự án nghiên cứu.  Nhóm tác giả:  Nguyễn Vũ Thanh Ngọc - 25521212 Huỳnh Anh Gia Bảo - 25520126 Lê Nguyễn Hồng Anh - 25520059 Phan Nguyễn Khánh Ngọc - 25521214 Trang Triệu Hồng Phúc - 25521447 Giảng viên hướng dẫn:  TS. Đỗ Trọng Hợp, TS. Lê Thị Mỹ Danh Thông tin chi tiết xem tại link: https://link.uit.edu.vn/9xFzV Xem thêm thông tin tại: https://www.facebook.com/share/p/1AsFfqVjDQ/

Chúc mừng Dương Thế Đạt - sinh viên ngành An toàn thông tin (Khoa Mạng máy tính và truyền thông) đã có bài báo khoa học về Nghiên cứu đánh giá mô hình ngôn ngữ tiền huấn luyện (PLM) cho bài toán phát hiện mã độc trên ứng dụng Android trong được chấp nhận đăng tại  “Information and Software Technology (Elsevier)”, một tạp chí uy tín hàng đầu thuộc lĩnh vực công nghệ phần mềm xếp hạng Q1.  - Tên bài báo: “Android malware detection by using graph optimization of static features based on pre-trained language models” - Sinh viên thực hiện: Dương Thế Đạt - lớp An toàn thông tin 2022.1 (Chương trình chính quy - Khoa mạng máy tính và truyền thông) Bài báo là kết quả NCKH của SV tại Phòng thí nghiệm An toàn thông tin về chủ đề Bảo mật ứng dụng dựa trên Trí tuệ nhân tạo. - Giảng viên hướng dẫn: ThS.Nghi Hoàng Khoa, ThS. Đoàn Minh Trung, TS. Phan Thế Duy, PGS.TS. Phạm Văn Hậu, PGS.TS. Nguyễn Tấn Cầm - Tóm tắt bài báo:  The Android platform is the dominant mobile operating system, making it a prime target for malware attacks. The increasing complexity of Android malware necessitates advanced detection methods that integrate modern machine learning techniques with security analysis. This study aims to enhance Android malware detection and classification by leveraging pre-trained language models (PLMs) alongside graph learning techniques. The primary objective is to address challenges in transforming graph-based data into a format compatible with PLMs while preserving essential relational information. We propose APSDroid, a novel approach that combines permissions-intents (PIs) and API call graphs (ACGs) for Android malware analysis. APSDroid explores two distinct fusion strategies: raw-data-level fusion and feature-level fusion (including concatenation, self-attention, and cross-attention mechanisms) to evaluate their effectiveness in enriching semantic representations and improving detection robustness. The approach also incorporates forensic analysis to extract meaningful behavioral patterns and graph optimization techniques based on community detection and centrality measures to reduce complexity while retaining contextual flow. Experiments conducted on the CICMalDroid2020 dataset demonstrate the effectiveness of APSDroid. The model achieved an accuracy of 97.40% in malware detection and 94.23% in malware category classification. Furthermore, APSDroid with attention-based fusion mechanisms (e.g., self-attention and cross-attention) remained highly robust against obfuscation techniques, achieving 98.69% F1-score in binary classification and 83.98% in multi-class classification, outperforming several SOTA methods. APSDroid provides a robust and scalable solution for Android malware detection by integrating PLMs with optimized graph-based representations. This approach enhances malware analysis while addressing key challenges related to computational efficiency and relational data preservation. Future research will focus on improving scalability and extending APSDroid to detect emerging malware variants. - Thông tin về Tạp chí khoa học:  Được xuất bản bởi Elsevier, Information and Software Technology (INFSOF) là một tạp chí khoa học quốc tế uy tín, tập trung vào các nghiên cứu và kinh nghiệm thực tiễn nhằm nâng cao chất lượng và hiệu quả của hoạt động phát triển phần mềm. Tạp chí hướng đến việc cải tiến các phương pháp, kỹ thuật và quy trình trong kỹ nghệ phần mềm cũng như quản lý phát triển phần mềm, với yêu cầu rõ ràng rằng mỗi công trình phải thể hiện đóng góp trực tiếp cho lĩnh vực kỹ nghệ phần mềm hoặc đề xuất các cách tiếp cận giúp cải thiện hoạt động kỹ thuật và quản trị phần mềm. Nội dung của INFSOF bao quát rộng các chủ đề cốt lõi, bao gồm quản lý phần mềm, chất lượng và các thước đo đánh giá; quy trình phát triển phần mềm; kiến trúc, mô hình hóa, đặc tả, thiết kế và lập trình; yêu cầu chức năng và phi chức năng; kiểm thử, thẩm định và xác minh phần mềm; cùng các nghiên cứu thực nghiệm về mọi khía cạnh của kỹ thuật và quản lý phát triển phần mềm. Tạp chí đặc biệt coi trọng sự kết hợp hài hòa giữa cơ sở lý thuyết vững chắc và bằng chứng thực nghiệm, qua đó cung cấp các kết quả nghiên cứu có giá trị ứng dụng cao cho cả giới học thuật và công nghiệp. Ngoài các bài báo nghiên cứu đầy đủ, Information and Software Technology còn dành không gian cho các bài báo ngắn nhằm giới thiệu những ý tưởng mới, thảo luận các quan điểm học thuật mang tính phản biện, cũng như công bố các kết quả nghiên cứu chưa đạt được giả thuyết kỳ vọng nhưng vẫn có giá trị học thuật và thực tiễn. Với định hướng này, INFSOF đóng vai trò quan trọng trong việc thúc đẩy đổi mới, lan tỏa tri thức và hỗ trợ cộng đồng nghiên cứu cũng như các chuyên gia thực hành giải quyết những thách thức ngày càng phức tạp trong lĩnh vực kỹ nghệ phần mềm hiện đại. Thông tin chi tiết tại: https://www.facebook.com/share/p/1BhMhcc7N5/  Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin