Journal of Science and Technique: Section on Information and Communication Technology

aDisRAE: BỘ TỰ MÃ HÓA BIỂU DIỄN PHÂN BIỆT THÍCH ỨNG CHO PHÁT HIỆN TẤN CÔNG MẠNG TRONG ĐIỀU KIỆN ÍT MẪU

2026-01-12T09:18:14+07:00

Do sự khan hiếm dữ liệu bất thường có nhãn, học ít mẫu đã nổi lên như một hệ phương
pháp quan trọng để phát hiện các cuộc tấn công mạng mới và hiếm gặp. Mô hình DisRAE
học một không gian biểu diễn ẩn nơi dữ liệu bất thường được đẩy ra xa tâm cụm chứa dữ
liệu bình thường, nhưng lại gặp khó khăn với các cuộc tấn công có hành vi tương tự hành vi
bình thường. Vì vậy, những bất thường tinh vi này thường được ánh xạ quá gần với cụm dữ
liệu bình thường, dẫn đến việc khó bị phát hiện. Để giải quyết hạn chế này, bài báo đề xuất
mô hình DisRAE thích ứng, gọi là aDisRAE. Phương pháp này cải tiến hàm mục tiêu huấn
luyện bằng cách tích hợp độ bất thường tiên nhiệm (prior outlier score) nhằm định lượng
mức độ tinh vi của mỗi bất thường. Điểm số này sẽ định hướng một cơ chế lực đẩy thích
ứng, tác động một lực mạnh hơn lên các bất thường giống với dữ liệu bình thường, đảm bảo
sự phân tách hiệu quả hơn trong không gian ẩn. Nhóm tác giả đánh giá aDisRAE trên ba bộ
dữ liệu tiêu chuẩn: NSL-KDD, CIC-IDS2017 và UNSW-NB15. Kết quả cho thấy một sự cải
thiện hiệu suất đáng kể, làm tăng chỉ số AUC lên đến 10% và thể hiện độ bền vững được
nâng cao, đặc biệt đối với các loại tấn công có tính lẩn tránh cao.

TĂNG CƯỜNG BẢO VỆ BẢN QUYỀN VÀ TRUY VẾT NGUỒN GỐC TRONG CÁC NFT BẰNG THỦY VÂN MIỀN TẦN SỐ TÍCH HỢP BLOCKCHAIN

2026-01-12T09:18:20+07:00

Sự phát triển nhanh chóng của thị trường NFT đã làm nổi bật những thách thức lớn trong
việc bảo vệ bản quyền và xác thực quyền sở hữu. Mặc dù công nghệ blockchain đảm bảo
tính bất biến và minh bạch của các giao dịch token, nhưng việc lưu trữ dữ liệu và nội dung
gốc ngoài chuỗi vẫn là một lỗ hổng quan trọng, làm cho NFT dễ bị mất dữ liệu, thao túng và
tranh chấp bản quyền. Để giải quyết những vấn đề này, nghiên cứu này đề xuất một khuôn
khổ thủy vân tích hợp blockchain, nhúng thông tin bản quyền bền vững vào tài sản kỹ thuật
số thông qua phương pháp miền tần số tổng quát. Thủy vân được lưu trữ ngoài chuỗi trên
hệ thống tệp liên hành tinh (IPFS), trong khi mã nhận dạng nội dung (CID) của nó được
neo trong hợp đồng thông minh, đảm bảo khả năng truy vết nguồn gốc và xác minh tính xác
thực. Các thí nghiệm so sánh với phương pháp bit ít quan trọng nhất (LSB) cho thấy tính
bền vững vượt trội của kỹ thuật miền tần số được đề xuất trước các cuộc tấn công như nén,
nhiễu và thao tác hình ảnh. Giải pháp được đề xuất củng cố việc bảo vệ bản quyền, nâng
cao tính minh bạch trong việc truy vết nguồn gốc NFT và cung cấp nền tảng có thể mở rộng
cho việc quản lý tài sản kỹ thuật số an toàn trong các hệ sinh thái dựa trên blockchain.

TĂNG CƯỜNG KHẢ NĂNG CHỐNG CHỊU CỦA MÔ HÌNH HỌC MÁY CHO PHÁT HIỆN MÃ ĐỘC THÔNG QUA THIẾT KẾ HÀM KÍCH HOẠT

2026-01-12T09:18:25+07:00

Trong những năm gần đây, học máy đã nâng cao đáng kể hiệu năng của các hệ thống
phát hiện mã độc. Tuy đã đạt được hiệu suất cao, các mô hình này hiện đang đối mặt với
mối đe dọa ngày càng tăng từ các cuộc tấn công đối kháng. Các mẫu mã độc đối kháng có
thể được tạo ra một cách tinh vi nhằm đánh lừa các mô hình phát hiện, dẫn đến việc phân
loại sai các chương trình độc hại, cho phép chúng vượt qua các hệ thống bảo mật. Nhiều kỹ
thuật khác nhau đã được phát triển để tạo ra mã độc đối kháng, nhằm né tránh các loại hệ
thống phát hiện dựa trên học máy khác nhau. Mối đe dọa này nhấn mạnh nhu cầu cấp thiết
về các giải pháp giúp tăng cường khả năng chống chịu của các mô hình phát hiện mã độc
trước các cuộc tấn công đối kháng. Bài báo đánh giá và đề xuất một chiến lược phòng thủ
chống tấn công đối kháng dựa trên thiết kế hàm kích hoạt, không yêu cầu các phương pháp
tính toán chuyên sâu như huấn luyện đối kháng, đồng thời tăng cường khả năng chống chịu
tự nhiên của các mô hình học máy cho phát hiện mã độc trước các cuộc tấn công hộp đen.
Kết quả cho thấy rằng các tổ hợp hàm kích hoạt cụ thể, đặc biệt là ReLU và Tanh, có thể cải
thiện đáng kể khả năng chống chịu của mô hình mà không cần bổ sung thêm tác vụ huấn
luyện hoặc cấu hình suy luận. Nghiên cứu này cung cấp một góc nhìn thiết kế thực nghiệm
để xây dựng các hệ thống phát hiện mã độc sử dụng học máy với khả năng chống chịu nội
tại cao.

AMCF-NET: MẠNG HỢP NHẤT ĐA PHƯƠNG THỨC ĐA TỈ LỆ THÍCH ỨNG CHO BÀI TOÁN ĐỊNH VỊ CHÉO GIỮA ẢNH UAV VÀ ẢNH VỆ TINH

2026-01-12T09:18:29+07:00

ảnh vệ tinh đóng vai trò quan trọng đối với việc điều hướng tự động trong các môi trường
không có GPS. Tuy nhiên, có những thách thức lớn nảy sinh từ khoảng cách miền bao gồm
sự khác biệt về góc nhìn, sự thay đổi về tỉ lệ và sự khác biệt về đặc điểm hình ảnh giữa
ảnh UAV và ảnh vệ tinh. Trong bài báo này, chúng tôi đề xuất mạng hợp nhất đa tỉ lệ và đa
phương thức thích ứng (Adaptive Multi-scale Cross-modal Fusion Network – AMCF-Net), một
phương pháp mới giải quyết hiệu quả các hạn chế này thông qua kiến trúc backbone dùng
chung và cơ chế hợp nhất thích ứng.
Không giống như các phương pháp sử dụng hai backbone trước đây xử lý ảnh UAV và
ảnh vệ tinh tách biệt, phương pháp của chúng tôi sử dụng một backbone FocalNet-Tiny thống
nhất để trích xuất đặc trưng đa phương thức, tiếp theo là mô đun hợp nhất đặc trưng đa
phương thức thích ứng không gian (AMCF) để kết hợp động các đặc trưng đa tỉ lệ dựa trên
trọng số thích ứng được học. Cách tiếp cận học biểu diễn chung này giúp cải thiện đáng kể
khả năng căn chỉnh đa phương thức và giảm đáng kể chi phí tính toán.
Các thí nghiệm toàn diện trên bộ dữ liệu UL14 cho thấy AMCF-Net đạt hiệu suất hàng
đầu, với Điểm khoảng cách tương đối (RDS) đạt 78,12% và độ chính xác ở mức mét là
27,25% tại 3 m, 50,16% tại 5 m, 84,37% tại 10 m và 88,51% tại 20 m. Các thử nghiệm xác
nhận hiệu quả của mạng backbone dùng chung và cơ chế hợp nhất thích ứng cho thấy những
cải thiện đáng kể so với các phương pháp xử lý tách biệt truyền thống.

VINEURO: MÔ HÌNH HỢP NHẤT ĐA PHƯƠNG THỨC EEG-MÁU CHO DỰ ĐOÁN NGUY CƠ ALZHEIMER

2026-01-12T09:18:33+07:00

Dự đoán sớm nguy cơ mắc bệnh Alzheimer có ý nghĩa then chốt để can thiệp kịp thời,
nhưng vẫn còn nhiều thách thức trong thực hành lâm sàng thường quy. Điện não đồ (EEG)
là phương tiện rẻ tiền và không xâm lấn, tuy nhiên chỉ riêng EEG thường không đủ độ nhạy
và độ ổn định để ước lượng nguy cơ ở giai đoạn sớm một cách đáng tin cậy. Song song đó,
các xét nghiệm máu thường quy phản ánh những thay đổi về miễn dịch ngoại vi, tình trạng
viêm và chuyển hoá liên quan tới suy giảm nhận thức, gợi ý rằng việc kết hợp EEG với
các chỉ dấu sinh học từ máu có thể giúp phân tầng nguy cơ giàu thông tin hơn. Trong công
trình này, tác giả đề xuất ViNeuro, một mô hình đa mô thức EEG-máu được thiết kế chuyên
biệt cho bài toán dự đoán nguy cơ Alzheimer. Trước hết là bước tiền huấn luyện một bộ mã
hoá nền tảng EEG duy nhất, gọi là ViNeuro-EEG, sử dụng mục tiêu tự giám sát kép (dual
self-supervised objective) của mô hình EEGPT kết hợp với backbone criss-cross và mã hoá
vị trí học được (learned positional encoding) của mô hình CBraMOD. Quá trình tiền huấn
luyện được thực hiện trên một corpora EEG lâm sàng đa kênh đã được chuẩn hoá, bao gồm
cả các bản ghi EEG từ Bệnh viện Trung ương Quân đội 108 ở Việt Nam và các bộ dữ liệu
quốc tế. Trên nền bộ mã hoá này xây dựng ViNeuro-MM, mô hình đa phương thức chiếu các
chỉ dấu sinh học từ xét nghiệm máu vào không gian embedding của EEG và sử dụng chúng
như các truy vấn trong một lớp cross-attention trên các token EEG. Nghiên cứu đánh giá
ViNeuro trên cohort PEARL-Neuro cho bài toán dự đoán nguy cơ Alzheimer. So với phiên
bản chỉ dùng EEG, ViNeuro-MM đạt mức cải thiện hiệu năng đáng kể, với mức tăng tương
đối lên tới 24,72% về độ chính xác cân bằng (balanced accuracy), cho thấy rằng việc kết
hợp các chỉ dấu sinh học từ xét nghiệm máu thường quy với các biểu diễn nền tảng từ EEG
có thể nâng cao rõ rệt khả năng dự đoán sớm nguy cơ Alzheimer.

XÂY DỰNG THUẬT TOÁN PHÁT HIỆN ĐỐI TƯỢNG ỨNG DỤNG CHO HỆ QUANG ĐIỆN TỬ TRÊN TÀU MẶT NƯỚC SỬ DỤNG MÔ HÌNH HỌC SÂU

2026-01-12T09:18:37+07:00

Phát hiện tự động đối tượng tàu thuyền trên mặt nước là nhiệm vụ quan trọng trong giám
sát hàng hải và an ninh. Bài báo này đề xuất cải tiến cho mô hình YOLOv8 của Ultralytics
để đạt độ chính xác cao hơn và tốc độ xử lý nhanh hơn khi nhận diện tàu biển dưới các điều
kiện ánh sáng và thời tiết khắc nghiệt. Tác giả tích hợp ba kỹ thuật chính: khối C3Plus mới,
cơ chế chú ý cục bộ PSA (Position-wise Spatial Attention) và module CBAM (Convolutional
Block Attention Module) để nâng cao khả năng học đặc trưng của mạng. Thí nghiệm trên
tập dữ liệu ảnh tàu biển đa dạng cho thấy mô hình cải tiến mang lại mAP tăng thêm khoảng
3–6% so với YOLOv8 gốc trong khi duy trì tốc độ xử lý tương đương. Đặc biệt, trong điều
kiện tối hoặc nhiều nhiễu nền, cải tiến CBAM và PSA giúp giảm bỏ sót đối tượng và cải
thiện độ bền của mô hình.