Bài báo: A Method for Secure Verification and Classification of Educational Credentials Based on Zero-Knowledge Range ProofNhóm tác giả:- Cao Quốc Kiệt – CNTT2022 – Tác giả chínhGiảng viên hướng dẫn:- PGS.TS. Nguyễn Hoàng Tú Anh- ThS. Võ Tấn Khoa- ThS. Nguyễn Thị Anh ThưTóm tắt:Sự phát triển nhanh chóng của giáo dục kỹ thuật số đã làm tăng nhu cầu về xác minh bằng cấp và chứng chỉ một cách an toàn và bảo mật. Các quy trình xác minh truyền thống thường yêu cầu người học tiết lộ thông tin cá nhân, điều này tạo ra nguy cơ rò rỉ dữ liệu. Các kĩ thuật Zero-Knowledge Range Proof (ZKRP) cung cấp một giải pháp an toàn bằng cách cho phép xác minh hoặc phân loại bằng cấp mà không tiết lộ các giá trị thực tế bên dưới. Tuy nhiên, các kĩ thuật ZKRP hiện có vẫn còn một số hạn chế, bao gồm các thủ tục thiết lập độ tin cậy kéo dài và thời gian tạo và xác minh bằng chứng phụ thuộc vào kích thước của phạm vi giá trị.Để giải quyết những thách thức này, chúng tôi đề xuất EduRangeProof, một phương pháp ZKRP thực tiễn được lấy cảm hứng từ thiết kế của Cuproof, giúp cải thiện quy trình thiết lập độ tin cậy bằng cách giảm đáng kể thời gian thiết lập, nâng cao hiệu suất tạo và xác minh bằng chứng, và đảm bảo kích thước bằng chứng không phụ thuộc vào phạm vi. Dựa trên ba tiêu chí đánh giá: thời gian tạo bằng chứng, thời gian xác minh và kích thước bằng chứng, EduRangeProof thể hiện hiệu suất rất ổn định khi phạm vi tăng từ 8 bit lên 1024 bit, đạt được tốc độ chứng minh nhanh (≈ 6,70 ms) và xác minh nhanh (≈ 0,86 ms), cải thiện khoảng 100 lần so với zk-SNARKs.Bài báo được công bố tại hội nghị quốc tế:The 18th International Conference on Computer Supported Education (CSEDU 2026) là hội nghị khoa học quốc tế uy tín trong lĩnh vực Công nghệ Giáo dục (Educational Technology), tập trung vào các hướng nghiên cứu như Artificial Intelligence in Education, Learning Analytics, Educational Data Mining, E-Learning Systems, Virtual and Augmented Reality for Learning, Learning Technologies và các môi trường học tập số.Theo hệ thống xếp hạng hội nghị CORE, CSEDU được xếp hạng CORE B, thuộc nhóm các hội nghị quốc tế có chất lượng tốt và được cộng đồng nghiên cứu quốc tế công nhận trong lĩnh vực Khoa học Máy tính và Công nghệ Giáo dục. CSEDU 2026 được tổ chức tại Benidorm, Tây Ban Nha từ ngày 18–20/05/2026 dưới sự bảo trợ của INSTICC.Thông tin chi tiết tại: https://www.facebook.com/share/p/17CQVuQi4j/ Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin  

Bài báo: Multimodal Fusion for Smart Contract Vulnerability Detection: An Experimental DiveNhóm tác giả:- Lê Huỳnh Giang – KHMT2022 – Tác giả chínhGiảng viên hướng dẫn:- TS. Phan Thế DuyTóm tắt:Bài báo đề xuất mô hình học đa phương thức nhằm phát hiện lỗ hổng trong smart contract bằng cách kết hợp đặc trưng ngữ nghĩa từ mã nguồn (CodeBERT kết hợp Structure-Based Traversal) và đặc trưng hành vi từ chuỗi opcode (gMLP trên TF-IDF).Nghiên cứu đánh giá nhiều chiến lược hợp nhất đặc trưng gồm Concatenation, Self-Attention, Cross-Attention và Hybrid Attention trên cùng kiến trúc và tập dữ liệu.Kết quả thực nghiệm cho thấy phương pháp Hybrid Fusion đạt hiệu quả cao nhất với F1-score 0.87, vượt trội so với các phương pháp đơn phương thức và khẳng định vai trò của thiết kế hợp nhất đa phương thức trong phát hiện lỗ hổng hợp đồng thông minh.Bài báo được công bố tại hội nghị quốc tế:IEEE ISCIT (International Symposium on Communications and Information Technologies) là hội nghị khoa học quốc tế trong lĩnh vực công nghệ thông tin, truyền thông và các hướng nghiên cứu về trí tuệ nhân tạo, hệ thống thông minh và xử lý thông tin.Hội nghị được tổ chức dưới sự bảo trợ kỹ thuật của IEEE. Các bài báo được chấp nhận được xuất bản trên IEEE Xplore và thường được lập chỉ mục trong Scopus. Tại thời điểm bài báo được nộp và đánh giá, hội nghị được xếp hạng CORE B, thuộc nhóm hội nghị quốc tế có uy tín và được cộng đồng học thuật trong lĩnh vực công nghệ thông tin ghi nhận.Thông tin chi tiết tại: https://www.facebook.com/share/p/1BUiJ1LJtv/ Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin  

Bài báo: Smart Contract Vulnerability Detection using Prompt Engineering with Reasoning ModelsNhóm tác giả:- Lê Huỳnh Giang – KHMT2022 – Tác giả chính- Chu Nguyen Hoang Phuong – ATCL2021 – Đồng tác giảGiảng viên hướng dẫn:- TS. Phan Thế DuyTóm tắt:Bài báo đề xuất phương pháp phát hiện lỗ hổng hợp đồng thông minh bằng kỹ thuật Prompt Engineering kết hợp mô hình suy luận (LLM) mà không cần huấn luyện lại mô hình. Phương pháp xây dựng quy trình prompt gồm 6 thành phần (Role, Context, Verifier, Thinking, Critique, Transform) nhằm khai thác khả năng suy luận của LLM để nâng cao hiệu quả phát hiện lỗ hổng bảo mật.Kết quả thực nghiệm cho thấy phương pháp đạt hiệu năng cạnh tranh và cải thiện độ chính xác trên một số nhóm lỗ hổng quan trọng so với cách tiếp cận zero-shot truyền thống.Nhóm tác giả xin chân thành cảm ơn các thành viên trong nhóm nghiên cứu đã đóng góp ý kiến và hỗ trợ trong quá trình thực hiện đề tài. Đặc biệt, xin gửi lời biết ơn sâu sắc đến thầy hướng dẫn vì sự định hướng, góp ý chuyên môn và đồng hành trong suốt quá trình nghiên cứu. Đồng thời, nhóm cũng trân trọng cảm ơn Information Security Laboratory (InSecLab), Trường Đại học Công nghệ Thông tin – ĐHQG TP.HCM đã tạo điều kiện về môi trường nghiên cứu và hỗ trợ học thuật để hoàn thành công trình này.Bài báo được công bố tại hội nghị quốc tế:MAPR (Multimedia Analysis and Pattern Recognition) là hội nghị khoa học quốc tế về AI, Machine Learning, Computer Vision, Multimedia và Pattern Recognition. Hội nghị được đồng sáng lập và tổ chức bởi Trường Đại học Công nghệ Thông tin (UIT), quy tụ các nhà nghiên cứu trong nhiều lĩnh vực của trí tuệ nhân tạo và thị giác máy tính.Các bài báo được chấp nhận và trình bày tại hội nghị được xuất bản trên IEEE Xplore và lập chỉ mục trong cơ sở dữ liệu Scopus, góp phần khẳng định chất lượng và giá trị học thuật của các công trình nghiên cứu.Thông tin chi tiết tại: https://www.facebook.com/share/p/1aieQvaxTE/ Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin  

       Trường Đại học Công nghệ Thông tin, Đại học Quốc gia Thành phố Hồ Chí Minh (UIT) trân trọng chào đón PGS.TS. Chung-Tse Michael Wu – Phó Giáo sư Khoa Kỹ thuật Điện, Đại học Quốc gia Đài Loan (National Taiwan University – NTU) đến tham gia seminar học thuật, trao đổi chuyên môn và làm việc với các nhóm nghiên cứu của Nhà trường. Chuyến thăm tiếp tục khẳng định định hướng quốc tế hóa, mở rộng mạng lưới hợp tác nghiên cứu và nâng cao chất lượng đào tạo của Trường Đại học Công nghệ Thông tin thông qua việc kết nối với các nhà khoa học hàng đầu thế giới.       Là trường đại học số 1 tại Đài Loan và thuộc nhóm những đại học nghiên cứu hàng đầu châu Á, Đại học Quốc gia Đài Loan (NTU) là đối tác học thuật uy tín của nhiều trường đại học trên thế giới. Việc đón tiếp các chuyên gia quốc tế như PGS.TS. Chung-Tse Michael Wu là một trong những hoạt động quan trọng của Trường Đại học Công nghệ Thông tin nhằm thúc đẩy hợp tác nghiên cứu, trao đổi học thuật và tạo điều kiện để giảng viên, nhà nghiên cứu, học viên và sinh viên tiếp cận những xu hướng công nghệ tiên tiến.       PGS.TS. Chung-Tse Michael Wu là chuyên gia có uy tín quốc tế trong lĩnh vực điện từ ứng dụng, ăng-ten, linh kiện vi sóng và sóng milimet, mạch tích hợp vi ba đơn khối (MMIC), hệ thống RF và siêu vật liệu điện từ (Metamaterials). Ông tốt nghiệp Cử nhân ngành Kỹ thuật Điện tại NTU năm 2006, sau đó nhận bằng Thạc sĩ và Tiến sĩ ngành Kỹ thuật Điện tại Đại học California, Los Angeles (UCLA), Hoa Kỳ.       Trong quá trình nghiên cứu và giảng dạy, ông từng công tác tại Đại học Wayne State và Đại học Rutgers (Hoa Kỳ), nơi ông được bổ nhiệm Phó Giáo sư có biên chế (Tenured Associate Professor) vào năm 2022. Từ năm 2024, ông trở về công tác tại Đại học Quốc gia Đài Loan với vai trò Phó Giáo sư.       Không chỉ sở hữu nhiều công trình nghiên cứu có ảnh hưởng trong lĩnh vực điện từ và truyền thông không dây, PGS.TS. Chung-Tse Michael Wu còn là thành viên Ban Kỹ thuật IEEE MTT-28 và IEEE MTT-4, Phó Chủ tịch IEEE Princeton Central Jersey AP/ED/MTT Chapter và Associate Editor của nhiều tạp chí khoa học quốc tế thuộc IEEE. Ông cũng là chủ nhân của nhiều giải thưởng nghiên cứu danh giá như NSF CAREER Award, DARPA Young Faculty Award, DARPA Director's Fellowship Award và Board of Trustees Research Fellowship for Scholarly Excellence.Trong khuôn khổ chương trình làm việc tại Trường Đại học Công nghệ Thông tin, PGS.TS. Chung-Tse Michael Wu sẽ trình bày seminar với chủ đề:"Sensing, Tracking, and Secured Communication with Artificial Electromagnetic Materials"       Seminar sẽ giới thiệu những nghiên cứu mới nhất về siêu vật liệu điện từ và các ứng dụng trong cảm biến thông minh, theo dõi chuyển động, giám sát dấu hiệu sinh tồn, tạo ảnh vi ba, tạo chùm tia thời gian thực (real-time beamforming) cũng như các giải pháp nâng cao tính bảo mật cho truyền thông không dây. Đây đều là những hướng nghiên cứu đang thu hút sự quan tâm mạnh mẽ của cộng đồng khoa học quốc tế và có nhiều tiềm năng ứng dụng trong các hệ thống cảm biến, viễn thông và công nghệ thế hệ mới.       Bên cạnh seminar, PGS.TS. Chung-Tse Michael Wu sẽ có các buổi trao đổi chuyên sâu với nhóm nghiên cứu TTLab của Trường Đại học Công nghệ Thông tin nhằm chia sẻ kinh nghiệm xây dựng nhóm nghiên cứu mạnh, thảo luận các hướng nghiên cứu mới và mở ra cơ hội hợp tác trong tương lai. Ông cũng sẽ tham quan hệ thống phòng thí nghiệm của Nhà trường, trong đó có Phòng thí nghiệm B5.08 để tìm hiểu hệ thống ORB Mini cùng các dự án nghiên cứu đang được triển khai tại UIT.       Thông qua các hoạt động học thuật và kết nối quốc tế, Trường Đại học Công nghệ Thông tin không ngừng mở rộng hệ sinh thái nghiên cứu, tăng cường hợp tác với các trường đại học và tổ chức khoa học uy tín trên thế giới. Đây là nền tảng quan trọng để Nhà trường nâng cao chất lượng đào tạo, thúc đẩy đổi mới sáng tạo và tạo thêm nhiều cơ hội cho giảng viên, nhà nghiên cứu, học viên và sinh viên tiếp cận các công nghệ tiên tiến, tham gia các dự án nghiên cứu quốc tế cũng như phát triển trong môi trường học thuật toàn cầu.🕣 Thời gian: 08:45 – 09:45, 3/8/2026📍 Địa điểm: Phòng C110, Trường Đại học Công nghệ Thông tin – ĐHQG-HCM       Trường Đại học Công nghệ Thông tin trân trọng kính mời quý thầy cô, các nhà nghiên cứu, học viên và sinh viên quan tâm tham dự seminar để cùng trao đổi học thuật, cập nhật những xu hướng công nghệ mới và mở rộng cơ hội kết nối với các chuyên gia quốc tế.

Trong 6 tháng đầu năm 2026, Phòng Thí nghiệm An toàn Thông tin – UIT InSecLab đã ghi nhận 27 công bố khoa học quốc tế uy tín.Đáng chú ý, 12 bài báo khoa học (chiếm 44% tổng số công bố) đã được xuất bản trên các tạp chí quốc tế thuộc nhóm SCIE Q1, góp phần khẳng định năng lực nghiên cứu của InSecLab trong các lĩnh vực An toàn thông tin, Trí tuệ nhân tạo và Mạng máy tính.Một số tạp chí uy tín tiêu biểu có các công bố bao gồm:- Expert Systems with Applications (ESWA)- Journal of Network and Computer Applications (JNCA)- Information and Software Technology (IST)- Journal of Information Security and Applications (JISA)- Computer NetworksNhững kết quả này là thành quả của sự nỗ lực không ngừng từ các giảng viên, nghiên cứu viên, học viên cao học và sinh viên UIT – InSecLab trong hành trình theo đuổi nghiên cứu khoa học chất lượng cao, góp phần nâng cao vị thế nghiên cứu của Trường Đại học Công nghệ Thông tin - ĐHQG-HCM trong cộng đồng khoa học quốc tế.Xin trân trọng cảm ơn quý thầy cô, các cộng sự, sinh viên, học viên cao học và toàn thể thành viên InSecLab đã luôn đồng hành, sáng tạo và bền bỉ trên hành trình nghiên cứu.Xem danh sách các công bố khoa học của InSecLab tại:https://inseclab.uit.edu.vn/cong-bo-khoa-hoc/Thông tin chi tiết tại: https://www.facebook.com/share/p/19M4rVeRfT/ Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin  

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  

Bài báo: Platform Signals, Seller Origin, and Early Sales Performance: Evidence from an E-commerce PlatformNhóm tác giả:- Nguyễn Lâm Đức Thiện – TMĐT2023.2 – Tác giả chính- Cao Phan Hoàng Phương – TMĐT2023.2 – Đồng tác giả- Nguyễn Thị Hồng Nhung – TMĐT2023.2 – Đồng tác giả- Nguyễn Huỳnh Phúc Lâm – KTPM0001 – Đồng tác giả- Nguyễn Huỳnh Phúc Thịnh – KTPM0001 – Đồng tác giảGiảng viên hướng dẫn:- TS. Lê Thị Mỹ DanhTóm tắt: This study examines how informational cues and seller origin influence user engagement and early sales performance in e-commerce platforms. Drawing on the Stimulus–Organism–Response (S–O–R) framework, product listings and promotional messages are conceptualized as observable informational stimuli, while seller origin is treated as a country-of-origin signal.Using a behavioral dataset of 4,468 newly established Etsy shops, the study employs descriptive statistics, correlation analysis, and ordinary least squares (OLS) regression to analyze the relationships among platform signals, user engagement, and performance outcomes.The results indicate that informational cues significantly enhance user engagement and sales performance. Seller origin also exerts a statistically significant but comparatively weaker effect. User engagement strongly predicts both purchasing activity and review generation, confirming its role as a key behavioral intermediary.By leveraging real marketplace data rather than self-reported measures, this study provides a behaviorally grounded perspective on consumer decision-making in digital environments. The findings suggest that low-cost signals, such as product assortment, promotional messaging, and transparent seller information, can substantially improve early-stage performance for new sellers."Nhóm nghiên cứu xin bày tỏ lòng biết ơn sâu sắc đến TS. Lê Thị Mỹ Danh vì sự hướng dẫn tận tâm, những góp ý chuyên môn quý báu và sự hỗ trợ xuyên suốt trong quá trình thực hiện nghiên cứu. Đồng thời, nhóm cũng chân thành cảm ơn Nhà trường đã tạo điều kiện thuận lợi về môi trường học tập, nghiên cứu và các nguồn lực cần thiết để nhóm hoàn thành đề tài này."Thông tin Hội nghị:Bài báo được công bố tại The 12th International Conference on e-Society, e-Learning and e-Technologies (ICSLT 2026) được tổ chức từ ngày 16–18/06/2026 tại Milan, Ý, quy tụ các nhà nghiên cứu, giảng viên, học giả và chuyên gia trong các lĩnh vực giáo dục số, e-learning, công nghệ web và chuyển đổi số.Hội nghị tập trung vào các chủ đề như e-Education and e-Learning, Mobile Technology and Web Services, e-Business and e-Government, cùng các nghiên cứu ứng dụng AI, khoa học dữ liệu và công nghệ số. Các bài báo được chấp nhận sẽ được xuất bản trong bộ Lecture Notes in Networks and Systems (LNNS) của Springer và được lập chỉ mục trong nhiều cơ sở dữ liệu học thuật uy tín như Scopus, Ei Compendex, INSPEC, zbMATH và SCImago.Thông tin chi tiết tại: https://www.facebook.com/share/p/1GYpbqBSpt/ Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin  

Bài báo: English–Vietnamese Speech Translation Pipeline for Online IT EducationLink bài báo: https://www.jihmsp.org/2026/vol17/N1/10.JIHMSP-251106.pdfNhóm tác giả:- Phạm Thị Thùy Trang – CTTT2021 – Tác giả chính- Nguyễn Tuấn Tú – CTTT2021 – Đồng tác giảGiảng viên hướng dẫn: PGS.TS. Nguyễn Đình ThuânTóm tắt:Online education is becoming increasingly widespread, yet language barriers remain a major challenge for Vietnamese learners, particularly in the field of Information Technology, where most lectures and materials are delivered in English. This paper presents a modular English–Vietnamese speech translation pipeline designed to support online IT lectures.The system focuses on Automatic Speech Recognition (ASR) and Machine Translation (MT) as the initial stages of a cascade architecture. In ASR experiments, Whisper-medium achieved relatively strong performance (WER ≈ 3.36%, CER ≈ 1.57%), while Whisper-small, HuBERT, and Wav2Vec2 showed substantially higher error rates.For MT, Gemini 2.0 Flash produced the most promising results (BLEU ≈ 55, chrF ≈ 72, TER ≈ 38), with faster processing and broader coverage compared to mBART, NLLB, EnViT5, and OpusMT.These findings suggest the feasibility of a cascade-based approach and provide a benchmark for future extensions. In particular, integrating Text-to-Speech (TTS), voice cloning, and lip synchronization could move the system toward full speech-to-speech translation and improve accessibility for multilingual online IT education.Thông tin Tạp chí:Bài báo được công bố tại Journal of Information Hiding and Multimedia Signal Processing (JIHMSP) là tạp chí khoa học quốc tế bình duyệt (peer-reviewed) chuyên công bố các nghiên cứu trong lĩnh vực xử lý tín hiệu đa phương tiện (Multimedia Signal Processing), giấu tin và bảo mật thông tin (Information Hiding), thị giác máy tính, xử lý ảnh và các ứng dụng liên quan đến trí tuệ nhân tạo.Tạp chí được xuất bản bởi Taiwan Ubiquitous Information và được lập chỉ mục trong cơ sở dữ liệu Scopus. Theo xếp hạng SCImago Journal Rank (SJR), JIHMSP hiện thuộc nhóm Q4 (Quartile 4) trong lĩnh vực Khoa học Máy tính. Đây là diễn đàn học thuật quốc tế dành cho các nhà nghiên cứu công bố các kết quả nghiên cứu mới và ứng dụng thực tiễn trong lĩnh vực công nghệ thông tin và truyền thông.Thông tin chi tiết tại: https://www.facebook.com/share/p/1HHkS1oMKp/ Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin  

Bài báo: An Empirical Study on the Transferability of Transformer-Based Models for Software Vulnerability DetectionSinh viên thực hiện:- Đinh Hữu Nhiên - Cộng tác viên Phòng thí nghiệm An toàn thông tin- Châu Thế Vĩ - KHTN2022, Khoa Khoa học Máy tính, Trường Đại học Công nghệ Thông tin - ĐHQG-HCMGiảng viên hướng dẫn:- ThS. Tô Trọng Nghĩa- TS. Phan Thế DuyTóm tắt bài báo:Mặc dù các mô hình dựa trên kiến trúc Transformer đang chiếm ưu thế trong việc phát hiện lỗ hổng phần mềm, khả năng khái quát hóa logic bảo mật đã học của chúng trên các ngôn ngữ lập trình khác nhau vẫn là một câu hỏi mở quan trọng. Để giải quyết vấn đề này, bài báo đề xuất một khung đánh giá toàn diện được tổ chức thành ba giai đoạn trải dài qua năm kịch bản thực nghiệm khác nhau, nhằm phân tích nghiêm ngặt các hành vi của mô hình từ độ nhạy đầu vào (input sensitivity) và hiệu suất cơ sở (baseline performance) đến khả năng chuyển giao đa ngôn ngữ (cross-lingual transferability) và tính minh bạch trong ra quyết định (decision transparency). Chúng tôi thử nghiệm đối sánh (benchmark) bốn mô hình tiêu biểu (CodeBERT, GraphCodeBERT, UniXcoder và CodeT5+) bằng cách sử dụng tập dữ liệu Polyglot Injection Dataset được tinh lọc (gồm C/C++ và Java). Các kết quả thực nghiệm chỉ ra rằng việc mở rộng ngữ cảnh đầu vào từ 128 lên 512 token mang lại hiệu quả không đáng kể, cho thấy sự phụ thuộc lớn của mô hình vào các đặc trưng mang tính cục bộ (localized features). Trong khi chúng tôi nhận thấy sự bất đối xứng rõ rệt trong quá trình chuyển giao nghiêng về phía các nguồn C/C++, kiến trúc Encoder-Decoder (CodeT5+) lại chứng minh khả năng khái quát hóa đa ngôn ngữ vượt trội. Quan trọng hơn, độ bền vững cấu trúc (structural robustness) cao trước các biến đổi ngữ nghĩa (semantic transformations), kết hợp với phân tích sự đồng thuận XAI định lượng, đã xác nhận rằng các mô hình này thực sự nắm bắt được logic lỗ hổng cốt lõi. Những phát hiện này gợi mở rằng rào cản chính đối với việc chuyển giao đa ngôn ngữ là do sự bất tương thích về mặt từ vựng (vocabulary mismatch) chứ không phải do sự hạn chế trong khả năng lập luận của mô hình.Thông tin về hội nghị:MAPR 2026 (International Conference on Multimedia Analysis and Pattern Recognition) là hội nghị khoa học quốc tế uy tín về Phân tích đa phương tiện và Nhận dạng mẫu do Trường Đại học Công nghệ Thông tin (UIT) – ĐHQG-HCM tổ chức. Hội nghị là diễn đàn trao đổi học thuật chất lượng cao, kết nối các nhà nghiên cứu, chuyên gia và học giả trong và ngoài nước thuộc lĩnh vực trí tuệ nhân tạo, nhận dạng mẫu và xử lý đa phương tiện. MAPR 2026 sẽ được diễn ra tại thành phố Huế, với sự tham gia của diễn giả chính (Keynote Speaker) là Giáo sư NGO Chong Wah đến từ Trường Máy tính và Hệ thống Thông tin thuộc Đại học Quản lý Singapore (SMU). Tất cả các bài báo được chấp nhận tại hội nghị sẽ được xuất bản trong kỷ yếu hội nghị và lập chỉ mục trong cơ sở dữ liệu uy tín IEEE Xplore.Thông tin chi tiết tại: https://www.facebook.com/share/p/1E9Xcv5WU4/ Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin  

Bài báo: Assessing Evasion and Behavioral Trade-offs of Obfuscation-Conditioned LLMs in PowerShell Attack SynthesisSinh viên thực hiện:- Nguyễn Minh Phúc Khang – ATTN2024 (Khoa Mạng máy tính và Truyền thông)Giảng viên hướng dẫn:- ThS. Ngô Khánh Khoa- TS. Phan Thế Duy- PGS. TS. Phạm Văn HậuTóm tắt bài báo:This work presents a systematic evaluation of an obfuscation-aware training framework for the automated generation of offensive PowerShell code using specialized language models. Our approach incorporates structured transformation control to enable fine-grained manipulation across string, token, structural, and encoding-based strategies. By benchmarking multiple architectures against static and dynamic detection systems, we identify a clear stealth-stability trade-off compared to standard fine-tuned baselines. Specifically, CodeGPT achieves the highest static evasion rate (SER = 0.8667), CodeGen the strongest AMSI bypass rate (ABR = 0.5714), while CodeT5+ demonstrates superior behavioral preservation with the highest behavioral similarity score (BSS = 0.9082) and true dynamic evasion rate (TDER = 0.2149), with balanced AMSI bypass (0.4260) and runtime evasion (0.5045).These results indicate that aggressive transformations improve intermediate evasion but often degrade runtime reliability. The findings underscore the emerging security risks of Artificial Intelligence-assisted offensive code synthesis and illuminate the stealth-stability trade-offs of obfuscation-aware LLMs, offering actionable insights for both red-team practitioners and defensive system designers.Thông tin về hội nghị:Hội nghị Quốc tế lần thứ 9 về Phân tích Đa phương tiện và Nhận dạng Mẫu (The 9th International Conference on Multimedia Analysis and Pattern Recognition – MAPR 2026) do Trường Đại học Công nghệ Thông tin (UIT), ĐHQG-HCM đăng cai tổ chức, phối hợp cùng Hội Nhận dạng Mẫu Việt Nam (VAPR), Trường Đại học Bách khoa Hà Nội (HUST) và Viện Công nghệ Thông tin (VAST), với IEEE là đơn vị bảo trợ kỹ thuật. Hội nghị lần thứ 9 sẽ diễn ra trong hai ngày 13 – 14/08/2026 tại Thành phố Huế, quy tụ các nhà nghiên cứu và chuyên gia trong các lĩnh vực trí tuệ nhân tạo, nhận dạng mẫu, phân tích đa phương tiện và các lĩnh vực ứng dụng mới nổi.Các bài báo được chấp nhận sẽ được xuất bản trong IEEE Xplore và được lập chỉ mục Scopus, sau khi đáp ứng các yêu cầu về phạm vi và chất lượng của IEEE.Lời cảm ơn:Em xin gửi lời cảm ơn chân thành đến ThS. Ngô Khánh Khoa, TS. Phan Thế Duy và PGS. TS. Phạm Văn Hậu đã tận tình hướng dẫn, định hướng và hỗ trợ em trong suốt quá trình thực hiện đề tài. Những chỉ dẫn và góp ý chuyên môn của quý thầy là nền tảng quan trọng giúp em hoàn thiện công trình nghiên cứu này. Em kính chúc quý thầy luôn dồi dào sức khỏe và ngày càng thành công trong sự nghiệp nghiên cứu, giảng dạy.Thông tin chi tiết tại: https://www.facebook.com/share/p/1JNQkmLSW2/ Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin  

Bài báo: Multimodal Fusion of Behavior Graphs and API Sequences for Ransomware DetectionLink bài báo: https://ieeexplore.ieee.org/document/11250523Nhóm tác giả:- Đinh Lê Thành Công – ATTN2022 – Tác giả chính- Hồ Hoàng Diệp – ATTN2022 – Đồng tác giảGiảng viên hướng dẫn:- TS. Phạm Văn Hậu- TS. Phan Thế DuyTóm tắt:Ransomware attacks are increasingly prevalent and pose significant threats, necessitating effective and timely detection methods. In this research, we propose a hybrid neural network architecture specifically designed to leverage the powerful sequential modeling capabilities of xLSTM, effectively capturing complex temporal dependencies in ransomware behaviors.Our proposed model integrates Graph Convolutional Networks (GCN) to effectively capture structural relationships in behavioral graphs and Extended Long Short-Term Memory (xLSTM) networks to model temporal patterns within API call sequences. Features extracted from both modalities are fused using a Multi-layer Perceptron (MLP) classifier, capitalizing on their complementary strengths.Experimental results on a comprehensive dataset demonstrate that our proposed model achieves superior detection performance, with an accuracy of up to 99.4% and an F1-score of 99.4%. Moreover, our approach consistently maintains a high true positive rate (TPR) and the lowest false positive rate (FPR) among comparable architectures, validating the effectiveness of integrating structural and sequential behavioral characteristics for enhanced ransomware detection.This research was supported by The VNUHCM-University of Information Technology’s Scientific Research Support Fund.Thông tin Hội nghị:Bài báo được công bố tại The 2nd International Conference on Cryptography and Information Security (VCRIS 2025) là hội nghị quốc tế thường niên chuyên sâu về Mật mã học và An toàn thông tin. Hội nghị được tổ chức bởi Học viện Kỹ thuật Mật mã, quy tụ các nhà nghiên cứu, chuyên gia và doanh nghiệp trong lĩnh vực an toàn thông tin nhằm công bố các kết quả nghiên cứu mới và thúc đẩy hợp tác học thuật.Kỷ yếu hội nghị được lập chỉ mục trong cơ sở dữ liệu Scopus – một trong những cơ sở dữ liệu trích dẫn khoa học lớn nhất thế giới, góp phần khẳng định chất lượng và giá trị học thuật của các công trình được công bố.Thông tin chi tiết tại: https://www.facebook.com/share/p/1CiQXKh4zt/ Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin  

Bài báo: Crypto-RV: High-Efficiency FPGA-Based RISC-V Cryptographic Co-Processor for IoT SecurityLink bài báo: https://arxiv.org/pdf/2602.04415Nhóm tác giả:- Phạm Anh Kiệt – KTMTCLC2021 – Tác giả chính- Võ Văn Trường – KTMT2022 – Đồng tác giảGiảng viên hướng dẫn:- TS. Lê Vũ Trùng Dương- TS. Vũ Tuấn Hải- TS. Phạm Hoài LuânTóm tắt:Cryptographic operations are critical for securing IoT, edge computing, and autonomous systems. However, current RISC-V platforms lack efficient hardware support for comprehensive cryptographic algorithm families and post-quantum cryptography.This paper presents Crypto-RV, a RISC-V co-processor architecture that unifies support for SHA-256, SHA-512, SM3, SHA3-256, SHAKE-128, SHAKE-256, AES-128, HARAKA-256, and HARAKA-512 within a single 64-bit datapath.Crypto-RV introduces three key architectural innovations: a high-bandwidth internal buffer (128×64-bit), cryptography-specialized execution units with four-stage pipelined datapaths, and a double-buffering mechanism with adaptive scheduling optimized for large-hash.Implemented on Xilinx ZCU102 FPGA at 160 MHz with 0.851 W dynamic power, Crypto-RV achieves 165 to 1,061 times speedup over baseline RISC-V cores and delivers 5.8 to 17.4 times better energy efficiency compared to powerful CPUs. The design occupies only 34,704 LUTs, 37,329 FFs, and 22 BRAMs, demonstrating viability for high-performance, energy-efficient cryptographic processing in resource-constrained IoT environments.Nhóm nghiên cứu xin chân thành cảm ơn Trường Đại học Công nghệ Thông tin – ĐHQG TP.HCM (UIT) và Khoa Kỹ thuật Máy tính đã tạo môi trường học thuật tích cực. Nhóm cũng bày tỏ lòng biết ơn sâu sắc đến thầy TS. Lê Vũ Trùng Dương và mọi người trong AISeQ Lab đã tận tình hướng dẫn và hỗ trợ trong suốt quá trình nghiên cứu.Thông tin về Hội nghị: Bài báo được công bố tại EEE Symposium on Low-Power and High-Speed Chips and Systems (IEEE COOL Chips) là hội nghị khoa học quốc tế được tổ chức từ năm 1998, tập trung vào các nghiên cứu tiên tiến về vi mạch và hệ thống hiệu năng cao, tiêu thụ năng lượng thấp.COOL Chips 29 được tổ chức tại Tokyo, Nhật Bản từ ngày 15–17/4/2026, quy tụ các nhà nghiên cứu và chuyên gia hàng đầu trong lĩnh vực bộ xử lý, kiến trúc máy tính, hệ thống nhúng và các ứng dụng phần cứng tiên tiến. Hội nghị được xếp hạng CORE Rank C.Thông tin chi tiết tại: https://www.facebook.com/share/p/196pCaVMbG/ Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin