Lại một mùa thi nữa sắp tới với các bạn sinh viên toàn trường nói chung và các bạn sinh viên Khoa Mạng máy tính và Truyền thông nói riêng. Thấu hiểu những áp lực trong giai đoạn nước rút này, Ban Học tập Đoàn khoa Mạng máy tính và Truyền thông hân hạnh được đồng hành cùng các bạn trong hành trình chinh phục điểm số với chuỗi training học thuật đặc biệt, hứa hẹn sẽ mang đến những kiến thức bổ ích, giúp các bạn củng cố nền tảng thật tốt cho kỳ thi sắp tới. Thông tin chi tiết và lịch training của 4 môn như sau: 1. Nhập môn mạch số: Thời gian: 9h30 – Thứ 2 ngày 29-12-2025 Địa điểm: B4.12 2. Đại số tuyến tính: Thời gian: 19h00 – Thứ 2 ngày 29-12-2025 Địa điểm: MS Team 3. Giải tích: Thời gian: 9h30 – Thứ 3 ngày 30-12-2025 Địa điểm: B4.12 4. Nhập môn lập trình: Thời gian: 13h30 – Thứ 4 ngày 31-12-2025 Địa điểm: B4.12 Lưu ý: Đừng quên trang bị đầy đủ dụng cụ học tập để có một buổi trao đổi kiến thức thật hiệu quả nhé! Nếu có bất kỳ thắc mắc nào, đừng ngần ngại liên hệ ngay với Fanpage Mạng Máy tính và Truyền thông để được bọn mình hỗ trợ nhé! Chúc bạn đạt được kết quả học tập thật tốt trong thời gian sắp tới! Thông tin chi tiết tại: https://www.facebook.com/share/p/17ekAWfSjj/?mibextid=wwXIfr  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 ComNetSat 2025 được tổ chức vào 11-13/12/2025 tại Indonesia. Tên bài báo: Performance and Security Evaluation of Federated Learning under IID and Non-IID Settings and Differential Privacy – Sinh viên thực hiện: Phạm Lê Quốc Việt – ATTT2023.2 – Tác giả chính Đinh Công Thảo – MMTT2023.3 – Đồng tác giả Phạm Hoàng Anh Tú – ATTT2023.2 – Đồng tác giả – Giảng viên hướng dẫn: PGS. TS. Lê Trung Quân và ThS. Nguyễn Khánh Thuật Tóm tắt: Federated Learning (FL) has emerged as a promising approach for privacy-preserving machine learning by enabling multiple clients to train a global model collaboratively without sharing their raw data. Despite its decentralized nature, FL remains vulnerable to inference attacks due to the exposure of model updates. In this article, we comprehensively evaluate federated learning in IID and non-IID settings and consider the exchange between model performance and data distribution. Besides, we proposed a privacy-enhanced FL framework that integrates Gaussian-mechanism-based Differential Privacy (DP) at the client side, by injecting calibrated noise into local model parameters before aggregation. Our method ensures a tunable trade-off between utility and privacy while preserving the original FL architecture. Experiments on the CIFAR-10 dataset using the Vision Transformer (ViT-Tiny) show that while Centralized Learning (CL) achieves the highest accuracy, FL with DP can effectively preserve privacy with moderate performance overhead. These findings offer practical guidance for deploying federated learning systems that balance performance and privacy in real-world scenarios. Homepage Hội nghị: https://comnetsat.org/ Thông tin Hội nghị: The forthcoming IEEE International Conference on Communications, Networks, and Satellite (COMNETSAT) 2025 will be held in  Padang, Indonesia, on December 11–13, with a hybrid system (online and offline). IEEE COMNETSAT is a prestigious venue for academics and professionals from all over the world to exchange ideas and present the outcomes of ongoing research in the most cutting-edge areas of communications, network and information technology, satellite, broadband and photonics, data science, and artificial intelligence. We hope that the 14th IEEE COMNETSAT may build on the success of the previous IEEE COMNETSAT conferences and develop into a notable and prevalent conference year after year with the help of the IEEE Communications Society. Thông tin chi tiết tại: https://www.facebook.com/share/p/16qBSmVD8b/?mibextid=wwXIfr  Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin  

Sinh viên Trần Thị Thúy Vy, Lê Thị Bích Tuyền (ngành An toàn thông tin, K2022 – Khoa Mạng máy tính và truyền thông) trình bày nghiên cứu về Phát hiện và Tạo sinh hành vi né tránh quy tắc SIEM tại Hội nghị Khoa học Quốc tế “2025 RIVF International Conference on Computing and Communication Technologies (RIVF 2025)” tổ chức vào ngày 18-20/12/2025. Tên bài báo:  “EvoSIEM: Detecting and Generating SIEM Rule Evasion Behaviors in Network Systems"   Tóm tắt nội dung nghiên cứu: "In recent years, Security Information and Event Management (SIEM) systems have been widely deployed to detect malicious activities in enterprise networks. Platforms such as Splunk, enhanced with Sigma rules, enable the identification of suspicious behaviors through log pattern analysis. Nonetheless, as detection capabilities advance, adversaries increasingly adopt sophisticated evasion techniques, including command encoding, syntax manipulation, and noise injection, which often succeed in bypassing detection without raising alerts. These evasions highlight that current defenses are not only vulnerable but also difficult to evaluate systematically, as few automated systems exist to both test rule robustness and generate datasets for improving future detection models. In this paper, we propose EvoSIEM, an automated framework that generates, evaluates, and logs evasive command samples against SIEM rules, enabling the creation of high-quality datasets for downstream Large Language Model (LLM) fine-tuning in detection-related tasks. EvoSIEM operates in two phases: the first transforms Sigma rules into executable queries, derives attack commands, and generates evasive variants that are tested in a SIEM environment; the second leverages the resulting detection outcomes to fine-tune LLMs that produce enhanced detection rules and novel adversarial commands. Our experiments demonstrate that EvoSIEM generates 85% syntactically valid Sigma rules and 82% functional evasive commands, effectively exposing rule weaknesses and producing diverse, execution-ready datasets for research and defense applications. Our approach lays the groundwork for more resilient, self-improving SIEM systems capable of adapting to evolving adversarial tactics." Đây là thành quả từ quá trình tham gia nghiên cứu tại Phòng thí nghiệm An toàn thông tin (InSecLab) nhằm phát hiện hành vi né tránh hệ thống giám sát như SIEM trên không gian mạng – dưới sự hỗ trợ của các chỉ dẫn phân tích từ mô hình ngôn ngữ lớn (LLM). Về thông tin hội nghị: Bắt đầu từ năm 2003, hội nghị Nghiên cứu, Đổi mới và Tầm nhìn cho Tương lai (RIVF) đã trở thành một sự kiện khoa học lớn dành cho các nhà nghiên cứu, chuyên gia và sinh viên trong lĩnh vực Công nghệ Máy tính và Truyền thông, không chỉ ở Việt Nam mà còn trên toàn thế giới. Trong hai thập kỷ qua, RIVF đã được tổ chức 18 lần trên khắp các thành phố lớn ở Việt Nam, đánh dấu sự hiện diện mạnh mẽ trong nước và quốc tế. Cụ thể, hội nghị đã được tổ chức tại Hà Nội  (2003, 2004, 2007, 2010, 2013, 2016, 2021, 2023), Đà Nẵng (2009, 2019, 2024), TP.HCM: (2006, 2008, 2012, 2020, 2022) và Cần Thơ: (2005, 2015). Chuỗi hội thảo RIVF đã khẳng định mình là diễn đàn khoa học hàng đầu dành cho các học giả, chuyên gia và sinh viên về Công nghệ Máy tính và Truyền thông – cả ở Việt Nam và quốc tế. Năm nay, RIVF lần thứ 19 hay còn gọi là RIVF 2025 được tổ chức sôi động bởi Đại học Văn Lang tại thành phố Hồ Chí Minh. Link hội nghị: https://rivf2025.org/ Thông tin chi tiết tại: https://www.facebook.com/share/p/1DqPWLURRL/?mibextid=wwXIfr Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin  

Trong làn sóng bùng nổ công nghệ, Trí tuệ nhân tạo (AI) đang được đưa vào trung tâm của các hệ thống hiện đại, từ những sản phẩm thông minh hằng ngày cho đến hạ tầng mạng và truyền thông quy mô lớn. AI từng bước thay đổi cách con người thiết kế, tối ưu và vận hành các hệ thống phức tạp. Học tăng cường (Reinforcement Learning - RL) chính là bước chuyển từ học để biết sang học cách hành động thông minh, mở ra kỷ nguyên Intelligent Networking. Với định hướng đó, NT549 - Học tăng cường cho các hệ thống mạng là môn học được xây dựng nhằm trang bị cho sinh viên kiến thức và kỹ năng ứng dụng học tăng cường trong lĩnh vực mạng máy tính. Môn học không chỉ giới thiệu các thuật toán RL, mà còn hướng đến mô hình hóa bài toán mạng, thiết kế tác nhân học tăng cường, triển khai và đánh giá các giải pháp RL cho các hệ thống mạng thực tế và mô phỏng. NHỮNG NỘI DUNG BẠN SẼ CHINH PHỤC: - Nền tảng học tăng cường từ gốc rễ: hiểu cách hệ thống học thông qua tương tác với môi trường. - Các thuật toán RL hiện đại: làm chủ Q-learning, Deep Q-Network, Policy Gradient và Actor - Critic - nền tảng của AI ra quyết định và các thuật toán RL hiện đại khác. - Ứng dụng RL trong hệ thống mạng: giải quyết các bài toán thực tế như định tuyến động, phân phối tài nguyên, offloading, bảo mật mạng,… - Multi-Agent Reinforcement Learning: xây dựng và phân phối các hệ thống nhiều tác nhân cùng học và phối hợp trong môi trường mạng phức tạp. - Công cụ và framework: Python, PyTorch, Gymnasium, Stable-Baselines3 để triển khai và huấn luyện mô hình RL. - Đánh giá và tối ưu giải pháp: phân tích hiệu năng, so sánh các phương pháp và chứng minh tính hiệu quả của mô hình, không chỉ dừng ở việc “chạy được code”. MỤC TIÊU MÔN HỌC Kết thúc môn học, sinh viên không chỉ triển khai được các thuật toán học tăng cường, mà còn hình thành tư duy thiết kế một giải pháp học tăng cường hoàn chỉnh cho hệ thống mạng. Sinh viên có khả năng mô hình hóa bài toán mạng thành bài toán ra quyết định trong môi trường động, xây dựng tác nhân học tăng cường, lựa chọn thuật toán phù hợp và huấn luyện mô hình trong môi trường mô phỏng thực tế. Quan trọng hơn, sinh viên sẽ biết cách đánh giá hiệu năng, phân tích hành vi của agent và chứng minh tính hiệu quả của giải pháp đối với hệ thống. Thông qua đồ án nhóm, kiến thức AI được gắn trực tiếp với các bài toán thực tế, giúp sinh viên tự tin tiếp cận các hướng nghiên cứu và ứng dụng chuyên sâu trong lĩnh vực Intelligent Networking. VỀ SINH VIÊN NT549 là môn học dành cho sinh viên tất cả các ngành của UIT, đặc biệt phù hợp với sinh viên Khoa Mạng máy tính và Truyền thông, những người mong muốn đi xa hơn trong việc tối ưu hệ thống mạng, để hiểu cách AI thực sự ra quyết định trong các hệ thống động và phức tạp. Nếu bạn quan tâm đến các bài toán mà môi trường luôn thay đổi, kết quả của mỗi quyết định chỉ được phản hồi theo thời gian, và hệ thống phải liên tục học hỏi để tối ưu hiệu năng, thì đây chính là môn học dành cho bạn. Môn học đặc biệt thích hợp với sinh viên có định hướng nghiên cứu hoặc ứng dụng trong các lĩnh vực như AI, hệ thống mạng, edge/cloud computing và các hệ thống thông minh. Về yêu cầu nền tảng, sinh viên cần học trước các môn Nhập môn Mạng máy tính và Lập trình hướng đối tượng, đồng thời có khả năng lập trình Python để thực hiện các bài thực hành và đồ án. Kiến thức về học sâu và các framework như PyTorch không bắt buộc nhưng sẽ là lợi thế lớn khi tiếp cận các nội dung học tăng cường sâu. Trong trường hợp sinh viên chưa có nền tảng về các công cụ, kiến thức yêu cầu, môn học vẫn có phần giới thiệu và hướng dẫn bổ trợ trong quá trình học lý thuyết và thực hành, với điều kiện người học có tinh thần chủ động và sẵn sàng thử thách với các bài toán mới. VỀ GIẢNG VIÊN DẪN DẮT MÔN HỌC NÀY: - TS. Huỳnh Văn Đặng - GVLT. - ThS. Phan Trung Phát - GVTH. THÔNG TIN MÔN HỌC Mã môn học: NT549. Tên môn học: Học tăng cường cho các hệ thống mạng. Môn học trước: Nhập môn Mạng máy tính, Lập trình hướng đối tượng. Loại hình môn học: Môn học chuyên ngành. Thời khóa biểu dự kiến: Lý thuyết Thứ 2 tiết 123 và Thực hành Thứ 2 tiết 67890. Thời gian học: 15 buổi lý thuyết và 6 buổi thực hành. Hình thức thực hành: Hình thức 1. Thông tin chi tiết tại: https://www.facebook.com/share/p/1CXPfQxoam/  Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin  

Tại Lễ trao giải Olympic Tin học Sinh viên Việt Nam lần thứ 34 (OLP’25), Olympic Trí tuệ Nhân tạo Sinh viên Việt Nam lần thứ nhất (OlpAI’25), Procon Việt Nam và Kỳ thi Lập trình Sinh viên Quốc tế ICPC Asia Ho Chi Minh City 2025, sinh viên Trường Đại học Công nghệ Thông tin – ĐHQG-HCM đã xuất sắc khẳng định năng lực và bản lĩnh học thuật trên các đấu trường uy tín trong nước và quốc tế. Bằng tinh thần nỗ lực bền bỉ, tư duy sáng tạo và niềm đam mê với công nghệ, các UIT-ers đã mang về những thành tích đáng tự hào: Khối Chuyên Tin  Giải Nhì: Đỗ Quang Lực, Nguyễn Thanh Hùng Anh  Giải Ba: Trịnh Gia Huy Khối Siêu Cúp  Cúp Đồng: Trần Vinh Khánh, Phạm Thanh Sang  Giải Ba: Lê Thiên Quân, Trịnh Khánh Dũng, Nguyễn Gia Hưng Những thành tích này tiếp tục khẳng định chất lượng đào tạo và vị thế của Trường Đại học Công nghệ Thông tin trong lĩnh vực Công nghệ thông tin và Trí tuệ nhân tạo. Xin chúc mừng các sinh viên UIT đã nỗ lực bền bỉ, tự tin chinh phục thử thách và lan tỏa tinh thần học thuật của thế hệ trẻ UIT

Sinh viên Đoàn Mạnh Đức - Đỗ Thiện Khang (ngành An toàn thông tin, K2022 – Khoa Mạng máy tính và truyền thông) trình bày nghiên cứu về Phát hiện website lừa đảo bằng trí tuệ nhân tạo tại Hội nghị Khoa học Quốc tế “2025 RIVF International Conference on Computing and Communication Technologies (RIVF 2025)”. Tên bài báo:  “Phishing Website Detection via Multimodal Learning and Retrieval-Augmented Reasoning"   Tóm tắt nội dung nghiên cứu: "While modern phishing detection models achieve high accuracy, they often remain vulnerable to sophisticated adversarial attacks. This paper argues that enhancing adversarial robustness is a critical challenge that requires augmenting models with external contextual knowledge. We introduce a novel framework centered on Retrieval-Augmented Generation (RAG) as a core defensive mechanism. To effectively integrate this external knowledge with multimodal inputs (URLs, HTML, structured features), we propose a Selective Cross-Attention Fusion mechanism. This fusion technique is specifically designed to maximize the benefits of RAG by selectively applying context only to semantically rich modalities, thereby improving signal alignment and minimizing statistical noise. Through systematic experiments against 4,000 multi-layered adversarial samples, we demonstrate that our RAG-integrated framework significantly reduces the Attack Success Rate (ASR) compared to a strong baseline. The results confirm that our dual-pronged approach—leveraging RAG for robustness and a specialized fusion mechanism for effective integration—establishes a more resilient and interpretable defense against modern phishing threats." Đây là thành quả từ quá trình tham gia nghiên cứu tại Phòng thí nghiệm An toàn thông tin (InSecLab) nhằm phát hiện tấn công lừa đảo trên không gian mạng – dưới sự hỗ trợ của các chỉ dẫn phân tích từ mô hình ngôn ngữ lớn (LLM). Về thông tin hội nghị: Bắt đầu từ năm 2003, hội nghị Nghiên cứu, Đổi mới và Tầm nhìn cho Tương lai (RIVF) đã trở thành một sự kiện khoa học lớn dành cho các nhà nghiên cứu, chuyên gia và sinh viên trong lĩnh vực Công nghệ Máy tính và Truyền thông, không chỉ ở Việt Nam mà còn trên toàn thế giới. Trong hai thập kỷ qua, RIVF đã được tổ chức 18 lần trên khắp các thành phố lớn ở Việt Nam, đánh dấu sự hiện diện mạnh mẽ trong nước và quốc tế. Cụ thể, hội nghị đã được tổ chức tại Hà Nội  (2003, 2004, 2007, 2010, 2013, 2016, 2021, 2023), Đà Nẵng (2009, 2019, 2024), TP.HCM: (2006, 2008, 2012, 2020, 2022) và Cần Thơ: (2005, 2015). Chuỗi hội thảo RIVF đã khẳng định mình là diễn đàn khoa học hàng đầu dành cho các học giả, chuyên gia và sinh viên về Công nghệ Máy tính và Truyền thông – cả ở Việt Nam và quốc tế. Năm nay, RIVF lần thứ 19 hay còn gọi là RIVF 2025 được tổ chức sôi động bởi Đại học Văn Lang tại thành phố Hồ Chí Minh. Trang chủ hội nghị: https://rivf2025.org/  Thông tin chi tiết tại: https://www.facebook.com/share/p/1D7qAZeCc4/?mibextid=wwXIfr  Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin  

Bài báo: Data Generation Based on Multimodal Language Models for Vietnamese Visual Question Answering Nhóm tác giả: • Lê Trọng Đại Trường – KHTN 2022 – Tác giả chính • Hoàng Ngọc Quân – KHTN 2022 – Tác giả chính Giảng viên hướng dẫn: • TS. Nguyễn Văn Kiệt • CN Nguyễn Hiếu Nghĩa Tóm tắt: Visual Question Answering (VQA) has shown promising potential in education, particularly in supporting children through interactive learning. However, the lack of high-quality, large-scale Vietnamese VQA datasets, especially in primary education contexts, remains a major bottleneck for training accurate models. To address this critical gap, we propose an automated data labeling pipeline that leverages Multimodal Large Language Models (MLLMs) to generate high-quality question–answer pairs from Vietnam textbook images. Our method combines strong prompting techniques, such as Few-shot or Chain-of-Thought, with the reasoning power of models like Gemini 1.5 Pro, Gemini 2.0 Flash, and Vintern-1B to ensure both the accuracy and naturalness of the generated data. Based on this pipeline, we introduce ViEduVQA, a new dataset comprising over 18,000 Vietnamese question-answer (QA) pairs derived from elementary school textbooks in Vietnam. Moreover, we also built a human-refined benchmark (ViEduVQA-benchmark) to evaluate data quality and model performance. Experimental results show that models trained on ViEduVQA achieve strong performance, validating the effectiveness of our pipeline and dataset. This work lays the foundation for generating scalable and cost-effective VQA datasets across various application domains. "Để hoàn thành bài báo nghiên cứu khoa học này, chúng em đã nhận được rất nhiều sự hỗ trợ và đồng hành quý báu từ các cá nhân và tổ chức. Chúng em xin gửi lời tri ân sâu sắc nhất đến tất cả những ai đã luôn động viên, giúp đỡ và tạo điều kiện cho chúng em trong suốt quá trình thực hiện nghiên cứu. Trước hết, chúng em xin trân trọng cảm ơn quý thầy, cô Trường Đại học Công nghệ Thông tin – Đại học Quốc gia TP.HCM, đặc biệt là các thầy, cô thuộc Khoa Khoa học Máy tính. Những kiến thức nền tảng vững chắc cùng sự tận tâm giảng dạy và hỗ trợ của quý thầy, cô là hành trang quan trọng giúp chúng em có thể hoàn thành nghiên cứu này. Chúng em xin gửi lời cảm ơn đặc biệt đến TS. Nguyễn Văn Kiệt, người đã trực tiếp hướng dẫn, định hướng và đồng hành cùng chúng em trong suốt quá trình thực hiện bài báo. Những góp ý chuyên môn sâu sắc và sự tận tình của thầy đã giúp chúng em hoàn thiện nghiên cứu một cách tốt nhất. Đây là những kinh nghiệm quý báu mà chúng em sẽ luôn ghi nhớ và vận dụng trong những chặng đường tiếp theo. Bên cạnh đó, chúng em cũng xin chân thành cảm ơn anh Nguyễn Hiếu Nghĩa vì những hỗ trợ thiết thực, những trao đổi chuyên môn bổ ích và sự động viên kịp thời trong quá trình chúng em triển khai và hoàn thiện bài báo. Cuối cùng, chúng em xin bày tỏ lòng biết ơn đến gia đình, người thân và bạn bè – những người luôn là điểm tựa tinh thần vững chắc, động viên và ủng hộ chúng em trong mọi chặng đường học tập và nghiên cứu" https://kse2025.kse-conferences.org/kse-2025-proceedings The 17th International Conference on Knowledge and Systems Engineering (KSE 2025) is a premier international forum dedicated to presenting, discussing, and exchanging state-of-the-art research, development, and applications in knowledge and systems engineering. The conference brings together researchers, practitioners, and students to share innovative research findings and practical applications while fostering collaboration and networking within this dynamic field. Thông tin chi tiết: https://www.facebook.com/share/p/1CPrBqp9SW/

Bài báo: Anastasia at MEDIQA-MAGIC 2025: A Multi-Approach Segmentation Framework with Extensive Augmentation Link bài báo: https://ceur-ws.org/Vol-4038/paper_195.pdf Nhóm tác giả: • Lê Thanh Tùng – TTNT 2023 – Tác giả chính • Ngô Minh Trí – TTNT 2023 – Đồng tác giả • Nguyễn Đình Khôi – TTNT 2023 – Đồng tác giả • Đặng Hiếu Trung – KHMT 2023 – Đồng tác giả • Phạm Hoàng Trọng – KHMT 2023 – Đồng tác giả Giảng viên hướng dẫn: • TS. Nguyễn Tất Bảo Thiện Tóm tắt: Bài báo trình bày một khung phân đoạn đa phương pháp cho hình ảnh da liễu, kết hợp mô hình hybrid CNN-Transformer và loạt 20 kỹ thuật tăng cường dữ liệu bao gồm biến đổi hình học, quang học và nhiễu/hiện tượng ảnh. Sau khi thử nghiệm nhiều kiến trúc, nhóm em chọn mô hình TransUNet với backbone ResNet-50 + ViT-B/16 làm cơ sở cuối cùng và áp dụng cả chiến lược tăng cường dữ liệu toàn diện thay vì chỉ từng kỹ thuật riêng lẻ. Kết quả chứng tỏ rằng việc sử dụng đầy đủ tăng cường giúp cải thiện rõ rệt hiệu suất phân đoạn, đặc biệt ở những vùng khó, trong khi bước hậu xử lý với MedSAM trên mô hình không tăng cường không đem lại lợi ích. Hệ thống của nhóm em đạt vị trí hàng đầu (Top 1) trong bảng kết quả chính thức của nhiệm vụ phân đoạn trong thử thách MEDIQA-MAGIC 2025, cho thấy rằng việc kết hợp mô hình chất lượng cao và tăng cường dữ liệu toàn diện là hướng đi mạnh mẽ cho phân đoạn hình ảnh da liễu trong bối cảnh lâm sàng. Conference and Labs of the Evaluation Forum (CLEF) là một hội nghị quốc tế uy tín chuyên về đánh giá các hệ thống truy hồi thông tin, xử lý ngôn ngữ tự nhiên (NLP) và khai phá dữ liệu đa phương thức. Hội nghị được lập chỉ mục trong Scopus và là diễn đàn học thuật quan trọng của cộng đồng nghiên cứu quốc tế. Thông tin chi tiết: https://www.facebook.com/share/p/16tMAJp4gY/

Bài báo: FedVuln: Scalable and Privacy-Preserving Federated Graph Learning for Smart Contract Vulnerability Detection on Parallel Systems Link bài báo: https://doi.org/10.1016/j.future.2025.108264 Tác giả: . Bùi Phương Đại – ATTT 2022 – Đồng tác giả Giảng viên hướng dẫn / Đồng tác giả: . ThS. Trần Tuấn Dũng . PGS. TS. Phạm Văn Hậu . PGS. TS. Nguyễn Tấn Cầm Tóm tắt: Smart contracts secure over $287 billion in total value locked, yet vulnerabilities caused $3.8 billion in losses during 2023. Traditional detection approaches require complete code disclosure, raising intellectual property concerns for enterprises. We present FedVuln, a privacy-preserving federated graph learning framework enabling collaborative vulnerability detection across mutually distrustful organizations without exposing proprietary code. The framework comprises three specialized components, each targeting distinct challenges in federated smart contract analysis. First, a structured tensor network architecture with unitary constraints achieves 92.3% centralized accuracy while reducing parameters by 23% compared to standard tensor GNNs. Second, neural ordinary differential equations, a continuous-time approach justified by hybrid systems theory, capture temporal vulnerability patterns, particularly for reentrancy and MEV attacks, improving detection by 8.3 percentage points for flow-dependent vulnerabilities. Third, divergence-aware aggregation (DAA) operates through geometric interpolation in parameter space, achieving 82.1% F1-score under extreme non-IID conditions (Dirichlet ) while reducing memory overhead by 34% compared to SCAFFOLD. Evaluation on 6,900 smart contracts across 500 simulated clients demonstrates that FedVuln outperforms established federated baselines by 2.7–4.6 percentage points while reducing communication by 67%. Privacy analysis confirms 86.7% accuracy under differential privacy. By enabling privacy-preserving collaboration among blockchain security consortiums, FedVuln provides a practical pathway for organizations to collectively improve smart contract security while protecting intellectual property and maintaining competitive advantages. Lời cảm ơn: Em xin gửi lời tri ân sâu sắc đến quý thầy đã tạo điều kiện để em được tham gia vào công trình nghiên cứu và có cơ hội đồng hành trong bài báo được vinh danh hôm nay. Đặc biệt, em xin bày tỏ lòng biết ơn chân thành nhất đến thầy Trần Tuấn Dũng, người luôn tận tâm định hướng, động viên và trao cho em những cơ hội quý giá để học hỏi và trưởng thành trong nghiên cứu. Bên cạnh đó, em cũng xin trân trọng cảm ơn thầy Phạm Văn Hậu và thầy Nguyễn Tấn Cầm vì những góp ý và sự hỗ trợ thiết thực trong suốt quá trình thực hiện đề tài. Sự dìu dắt và tin tưởng của các thầy không chỉ giúp em tích lũy kiến thức chuyên môn mà còn là nguồn động lực để em tiếp tục theo đuổi con đường học tập và nghiên cứu trong tương lai. Em xin kính gửi đến quý thầy lời biết ơn sâu đậm và lòng trân trọng chân thành nhất. Future Generation Computer Systems (FGCS) là tạp chí khoa học quốc tế uy tín do The International Journal of eScience (Elsevier) xuất bản, tập trung vào các nghiên cứu tiên tiến về hệ thống phân tán, điện toán đám mây, Big Data, IoT và điện toán hiệu năng cao. Tạp chí được xếp hạng Q1 theo JCR (SCIE) và Scopus (SJR), với Impact Factor 6.1 và CiteScore 17.1, là một trong những tạp chí hàng đầu trong lĩnh vực hệ thống tính toán thế hệ mới. Thông tin chi tiết: https://www.facebook.com/share/p/17htbZSSzt/

Chúc mừng nhóm sinh viên Trần Thị Thúy Vy, Lê Thị Bích Tuyền ngành An toàn thông tin - Khoa Mạng máy tính và Truyền thông cùng nhóm nghiên cứu UIT InSecLab đã có bài báo nghiên cứu về Phát hiện và Tạo sinh hành vi né tránh quy tắc SIEM được chấp nhận đăng tại Hội nghị Khoa học Quốc tế “2025 RIVF International Conference on Computing and Communication Technologies (RIVF 2025)”. Thông tin về bài báo khoa học: - Tên bài báo: “EvoSIEM: Detecting and Generating SIEM Rule Evasion Behaviors in Network Systems” - Sinh viên thực hiện: + Trần Thị Thúy Vy – An toàn thông tin (Chính quy 2022) + Lê Thị Bích Tuyền – An toàn thông tin (Chính quy 2022) - Chủ đề nghiên cứu: Tự động hóa giám sát an toàn thông tin (SIEM) ứng dụng Mô hình ngôn ngữ lớn (LLMs) - Giảng viên hướng dẫn: TS. Phan Thế Duy Bài báo khoa học là kết quả đề tài nghiên cứu được các bạn sinh viên thực hiện với nhóm nghiên cứu InSecLab trong thời gian tham gia thực hiện nghiên cứu khoa học về Kỹ thuật né tránh phát hiện (Evasion techniques) trên hệ thống SIEM kết hợp Mô hình ngôn ngữ lớn (LLMs) tại Phòng thí nghiệm An toàn thông tin (InSecLab). Abstract: In recent years, Security Information and Event Management (SIEM) systems have been widely deployed to detect malicious activities in enterprise networks. Platforms such as Splunk, enhanced with Sigma rules, enable the identification of suspicious behaviors through log pattern analysis. Nonetheless, as detection capabilities advance, adversaries increasingly adopt sophisticated evasion techniques, including command encoding, syntax manipulation, and noise injection, which often succeed in bypassing detection without raising alerts. These evasions highlight that current defenses are not only vulnerable but also difficult to evaluate systematically, as few automated systems exist to both test rule robustness and generate datasets for improving future detection models. In this paper, we propose EvoSIEM, an automated framework that generates, evaluates, and logs evasive command samples against SIEM rules, enabling the creation of high-quality datasets for downstream Large Language Model (LLM) fine-tuning in detection-related tasks. EvoSIEM operates in two phases: the first transforms Sigma rules into executable queries, derives attack commands, and generates evasive variants that are tested in a SIEM environment; the second leverages the resulting detection outcomes to fine-tune LLMs that produce enhanced detection rules and novel adversarial commands. Our experiments demonstrate that EvoSIEM generates 85% syntactically valid Sigma rules and 82% functional evasive commands, effectively exposing rule weaknesses and producing diverse, execution-ready datasets for research and defense applications. Our approach lays the groundwork for more resilient, self-improving SIEM systems capable of adapting to evolving adversarial tactics. Thông tin hội nghị: Bắt đầu từ năm 2003, hội nghị Nghiên cứu, Đổi mới và Tầm nhìn cho Tương lai (RIVF) đã trở thành một sự kiện khoa học lớn dành cho các nhà nghiên cứu, chuyên gia và sinh viên trong lĩnh vực Công nghệ Máy tính và Truyền thông, không chỉ ở Việt Nam mà còn trên toàn thế giới. Trong hai thập kỷ qua, RIVF đã được tổ chức 18 lần trên khắp các thành phố lớn ở Việt Nam, đánh dấu sự hiện diện mạnh mẽ trong nước và quốc tế. Cụ thể, hội nghị đã được tổ chức tại Hà Nội  (2003, 2004, 2007, 2010, 2013, 2016, 2021, 2023), Đà Nẵng (2009, 2019, 2024), TP.HCM: (2006, 2008, 2012, 2020, 2022) và Cần Thơ: (2005, 2015). Chuỗi hội thảo RIVF đã khẳng định mình là diễn đàn khoa học hàng đầu dành cho các học giả, chuyên gia và sinh viên về Công nghệ Máy tính và Truyền thông – cả ở Việt Nam và quốc tế. Năm nay, RIVF lần thứ 19 hay còn gọi là RIVF 2025 được tổ chức sôi động bởi Đại học Văn Lang tại thành phố Hồ Chí Minh. Trang chủ hội nghị: https://rivf2025.org/ Thông tin chi tiết tại: https://www.facebook.com/share/p/1ZjmT6JPxJ/  Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin  

Học viên cao học Nguyễn Hùng Thịnh trình bày nghiên cứu về Phát hiện sự tương đồng trong mã nhị phân của phần mềm (ngành Công nghệ thông tin, K2025 – Trường Đại học Công nghệ Thông tin, ĐHQG-HCM) tại Hội nghị Khoa học Quốc tế “2025 RIVF International Conference on Computing and Communication Technologies (RIVF 2025)”. Tên bài báo:  “Investigating Deep Learning-based Binary Code Similarity Detection Using Graph Representation For Cross-dataset Analysis Context" Tóm tắt nội dung nghiên cứu: "Binary Code Similarity Detection (BCSD) is a fundamental task in software security, supporting applications such as malware analysis, vulnerability search, and software plagiarism detection. In this paper, we investigate the use of graph-based representations for function-level BCSD in a crossdataset evaluation context. We propose BiSimChecker, a model that embeds semantic information from binary functions using an instruction-level embedding module (Ins2Vec) and captures graph-level structure through Structure2Vec over Attributed Control Flow Graphs (ACFGs). Unlike prior deep learning approaches that rely heavily on sequence modeling, our method emphasizes structural and contextual representation to enhance generalization. Experimental results across multiple real-world datasets show that BiSimChecker achieves stable performance under varying compiler settings, architectures, and optimizations—demonstrating better robustness than some existing models. While it does not always surpass all baselines in every scenario, it maintains consistency and resilience across unseen environments. This study highlights the value of graph-based deep learning for building BCSD models with improved crossdataset adaptability and semantic awareness." Đây là thành quả từ quá trình tham gia nghiên cứu tại Phòng thí nghiệm An toàn thông tin (InSecLab) nhằm đánh giá độ tương đồng trong mã nhị phân của phần mềm – một hướng tiếp cận mới giúp cải tiến công tác phòng chống phần mềm độc hại và săn tìm, khai thác lỗ hổng bảo mật phần mềm. Về thông tin hội nghị: Bắt đầu từ năm 2003, hội nghị Nghiên cứu, Đổi mới và Tầm nhìn cho Tương lai (RIVF) đã trở thành một sự kiện khoa học lớn dành cho các nhà nghiên cứu, chuyên gia và sinh viên trong lĩnh vực Công nghệ Máy tính và Truyền thông, không chỉ ở Việt Nam mà còn trên toàn thế giới. Trong hai thập kỷ qua, RIVF đã được tổ chức 18 lần trên khắp các thành phố lớn ở Việt Nam, đánh dấu sự hiện diện mạnh mẽ trong nước và quốc tế. Cụ thể, hội nghị đã được tổ chức tại Hà Nội  (2003, 2004, 2007, 2010, 2013, 2016, 2021, 2023), Đà Nẵng (2009, 2019, 2024), TP.HCM: (2006, 2008, 2012, 2020, 2022) và Cần Thơ: (2005, 2015). Chuỗi hội thảo RIVF đã khẳng định mình là diễn đàn khoa học hàng đầu dành cho các học giả, chuyên gia và sinh viên về Công nghệ Máy tính và Truyền thông – cả ở Việt Nam và quốc tế. Năm nay, RIVF lần thứ 19 hay còn gọi là RIVF 2025 được tổ chức sôi động bởi Đại học Văn Lang tại thành phố Hồ Chí Minh. Trang chủ hội nghị: https://rivf2025.org/ Thông tin chi tiết tại: https://www.facebook.com/share/p/17vyhFsKgG/  Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin  

Sinh viên Nguyễn Thanh Kiệt (ngành An toàn thông tin, K2022 – Khoa Mạng máy tính và truyền thông) trình bày nghiên cứu về Phát hiện lỗ hổng bảo mật của smart contract bằng kỹ thuật Fuzzing tại Hội nghị Khoa học Quốc tế “2025 RIVF International Conference on Computing and Communication Technologies (RIVF 2025)”. Tên bài báo:  “TaK-Fuzz: Transaction-aware Knowledge Smart Contract Fuzzing with Retrieval-Augmented Generation and Language Model"  (Nhóm sinh viên Nguyễn Thanh Kiệt - Nguyễn Hồ Nhật Khoa) Tóm tắt nội dung nghiên cứu: "Ensuring smart contract security remains a major challenge in the blockchain ecosystem, and automated fuzzing is vital for detecting vulnerabilities. Traditional fuzzing methods often lack sufficient code coverage and resource efficiency, especially in complex contracts. In this work, we introduce TaK-Fuzz, a transaction-aware fuzzing framework that leverages Retrieval-Augmented Generation and expert knowledge extracted from audit reports to guide intelligent creation of testcases. TaK-Fuzz has a vector database of vulnerability patterns from audited contracts and, for each fuzzing target, retrieves relevant entries based on semantic similarity. These insights are then used as context for a large language model, which applies Chain-of-Thought (CoT) reasoning to generate focused and effective test cases for smart contract fuzzing. Experimental evaluation shows that TaK-Fuzz consistently outperforms the baseline MuFuzz across code coverage, vulnerability detection, and efficiency. For instance, on the Soli-Audit dataset, TaK-Fuzz achieves nearly complete branch coverage (99.43%) while requiring only a fraction of the testcases compared to MuFuzz. Overall, it not only improves recall in detecting critical vulnerabilities but also reduces resource consumption by orders of magnitude. These results confirm that by combining knowledge retrieval with reasoning-driven test generation, TaK-Fuzz maximizes vulnerability discovery while maintaining high efficiency, establishing itself as a robust solution for smart contract fuzzing." Đây là thành quả từ quá trình tham gia nghiên cứu tại Phòng thí nghiệm An toàn thông tin (InSecLab) nhằm phát hiện lỗ hổng bảo mật trong các ứng dụng hợp đồng thông minh – dưới sự hỗ trợ của các chỉ dẫn phân tích từ mô hình ngôn ngữ lớn (LLM). Về thông tin hội nghị: Bắt đầu từ năm 2003, hội nghị Nghiên cứu, Đổi mới và Tầm nhìn cho Tương lai (RIVF) đã trở thành một sự kiện khoa học lớn dành cho các nhà nghiên cứu, chuyên gia và sinh viên trong lĩnh vực Công nghệ Máy tính và Truyền thông, không chỉ ở Việt Nam mà còn trên toàn thế giới. Trong hai thập kỷ qua, RIVF đã được tổ chức 18 lần trên khắp các thành phố lớn ở Việt Nam, đánh dấu sự hiện diện mạnh mẽ trong nước và quốc tế. Cụ thể, hội nghị đã được tổ chức tại Hà Nội  (2003, 2004, 2007, 2010, 2013, 2016, 2021, 2023), Đà Nẵng (2009, 2019, 2024), TP.HCM: (2006, 2008, 2012, 2020, 2022) và Cần Thơ: (2005, 2015). Chuỗi hội thảo RIVF đã khẳng định mình là diễn đàn khoa học hàng đầu dành cho các học giả, chuyên gia và sinh viên về Công nghệ Máy tính và Truyền thông – cả ở Việt Nam và quốc tế. Năm nay, RIVF lần thứ 19 hay còn gọi là RIVF 2025 được tổ chức sôi động bởi Đại học Văn Lang tại thành phố Hồ Chí Minh. Trang chủ hội nghị: https://rivf2025.org/ Thông tin chi tiết tại: https://www.facebook.com/share/p/1Kkd86FWmG/  Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin