ISTLab.PTIT Information Security Technology Laboratory

📌 𝗧𝗢́𝗠 𝗧Ắ𝗧 𝗡𝗚𝗛𝗜𝗘̂𝗡 𝗖Ứ𝗨: P𝗛𝗔̂𝗡 Đ𝗢Ạ𝗡 𝗠Ố𝗡𝗚 𝗠Ắ𝗧 Đ𝗔́𝗡𝗚 𝗧𝗜𝗡 𝗖Ậ𝗬 𝗩Ớ𝗜 𝗠Ô 𝗛Ì𝗡𝗛 𝗟𝗜𝗚𝗛𝗧𝗪𝗘𝗜𝗚𝗛𝗧

Trong các hệ thống sinh trắc học và thị giác máy tính, phân đoạn mống mắt là một bước quan trọng nhằm xác định chính xác vùng mống mắt trong ảnh đầu vào. Chất lượng của bước phân đoạn ảnh hưởng trực tiếp đến các giai đoạn xử lý tiếp theo như chuẩn hóa ảnh, trích xuất đặc trưng và nhận dạng.

Tuy nhiên, ảnh mống mắt trong thực tế thường chịu ảnh hưởng bởi nhiều yếu tố như mí mắt che khuất, lông mi, phản xạ ánh sáng, ảnh mờ hoặc vùng biên không rõ ràng. Điều này đặt ra yêu cầu về các mô hình phân đoạn không chỉ chính xác, mà còn cần ổn định, đáng tin cậy và có khả năng triển khai hiệu quả trong môi trường thực tế.

Một hướng tiếp cận phù hợp là phát triển các mô hình phân đoạn mống mắt dạng lightweight. Các mô hình này hướng đến việc giảm độ phức tạp tính toán, tối ưu số lượng tham số và rút ngắn thời gian xử lý, nhưng vẫn đảm bảo khả năng nhận diện tốt vùng mống mắt.

Bên cạnh đó, việc kết hợp thêm thông tin về đường biên và mức độ bất định giúp mô hình hiểu tốt hơn cấu trúc hình học của mắt. Thông tin boundary hỗ trợ mô hình bám sát ranh giới giữa đồng tử, mống mắt và vùng lòng trắng mắt, trong khi uncertainty giúp nhận diện các vùng mà mô hình kém tự tin hoặc có nguy cơ phân đoạn sai.

Cách tiếp cận này giúp bài toán phân đoạn mống mắt không chỉ tập trung vào việc xác định “vùng nào là mống mắt”, mà còn quan tâm đến việc “kết quả phân đoạn có đáng tin cậy hay không”. Đây là yếu tố quan trọng khi xây dựng các hệ thống AI có khả năng hoạt động ổn định, nhanh và phù hợp với các thiết bị có tài nguyên tính toán hạn chế.

P𝗛𝗔̂𝗡 Đ𝗢Ạ𝗡 𝗠Ố𝗡𝗚 𝗠Ắ𝗧 Đ𝗔́𝗡𝗚 𝗧𝗜𝗡 𝗖Ậ𝗬 𝗩Ớ𝗜 𝗠Ô 𝗛Ì𝗡𝗛 𝗟𝗜𝗚𝗛𝗧𝗪𝗘𝗜𝗚𝗛𝗧 hướng đến việc cân bằng giữa độ chính xác, tốc độ xử lý và khả năng đánh giá độ tin cậy, từ đó hỗ trợ phát triển các ứng dụng sinh trắc học và thị giác máy tính trong điều kiện thực tế.

📢 𝐑𝐄𝐂𝐀𝐏 𝐁𝐔Ổ𝐈 𝐂𝐇𝐈𝐀 𝐒Ẻ 𝐕Ề 𝐇ƯỚ𝐍𝐆 𝐍𝐆𝐇𝐈Ê𝐍 𝐂Ứ𝐔 𝐇Ộ𝐈 𝐍𝐆𝐇Ị 𝐐𝐔Ố𝐂 𝐓Ế 𝐄𝐈𝐃𝐓 𝟐𝟎𝟐𝟔 (𝐓𝐇𝐄 𝐒𝐄𝐂𝐎𝐍𝐃 𝐈𝐍𝐓𝐄𝐑𝐍𝐀𝐓𝐈𝐎𝐍𝐀𝐋 𝐂𝐎𝐍𝐅𝐄𝐑𝐄𝐍𝐂𝐄 𝐎𝐍 𝐄𝐗𝐏𝐋𝐀𝐈𝐍𝐀𝐁𝐋𝐄 𝐈𝐍𝐓𝐄𝐋𝐋𝐈𝐆𝐄𝐍𝐂𝐄 𝐈𝐍 𝐃𝐈𝐆𝐈𝐓𝐀𝐋 𝐓𝐖𝐈𝐍𝐒)

🗓️ Chủ nhật ngày 14/06/2026, IST Lab đã tổ chức buổi seminar thảo luận về các hướng nghiên cứu, tính khả thi và kế hoạch hành động để nộp bài cho 𝐇ộ𝐢 𝐧𝐠𝐡ị 𝐐𝐮ố𝐜 𝐭ế 𝐥ầ𝐧 𝐭𝐡ứ 𝟐 𝐯ề 𝐓𝐫í 𝐭𝐮ệ 𝐆𝐢ả𝐢 𝐭𝐡í𝐜𝐡 𝐭𝐫𝐨𝐧𝐠 𝐁ả𝐧 𝐬𝐚𝐨 𝐬ố (𝐄𝐈𝐃𝐓 𝟐𝟎𝟐𝟔).

Hội nghị dự kiến diễn ra từ 09 - 11/11/2026, tổ chức kết hợp trực tiếp tại Hà Nội và trực tuyến, với hạn nộp bài được gia hạn đến ngày 30/06/2026. Bài báo được chấp nhận sẽ được xuất bản trên *𝐒𝐩𝐫𝐢𝐧𝐠𝐞𝐫 𝐋𝐞𝐜𝐭𝐮𝐫𝐞 𝐍𝐨𝐭𝐞𝐬 𝐢𝐧 𝐄𝐥𝐞𝐜𝐭𝐫𝐢𝐜𝐚𝐥 𝐄𝐧𝐠𝐢𝐧𝐞𝐞𝐫𝐢𝐧𝐠* (𝐜𝐡𝐮ẩ𝐧 𝐒𝐜𝐨𝐩𝐮𝐬 𝐐𝟒, 𝐄𝐈 𝐂𝐨𝐦𝐩𝐞𝐧𝐝𝐞𝐱).

Dưới đây là nội dung chi tiết và phân tích chiến lược từ buổi seminar:

---

📌 𝟏. 𝐂á𝐜 𝐓𝐫𝐚𝐜𝐤 𝐧𝐠𝐡𝐢ê𝐧 𝐜ứ𝐮 𝐜ủ𝐚 𝐄𝐈𝐃𝐓 𝟐𝟎𝟐𝟔

Hội nghị EIDT 2026 tập trung tiếp nhận các bài báo theo 5 hướng (track) nghiên cứu chính:

* 𝐓𝐫𝐚𝐜𝐤 𝟏 - 𝐏𝐡ầ𝐧 𝐜ứ𝐧𝐠 & 𝐇ạ 𝐭ầ𝐧𝐠: Bao gồm kiến trúc chip AI, IoT và nền tảng nhúng.

* 𝐓𝐫𝐚𝐜𝐤 𝟐 - 𝐏𝐡ươ𝐧𝐠 𝐩𝐡á𝐩 & 𝐊ỹ 𝐭𝐡𝐮ậ𝐭 𝐗𝐀𝐈: Tập trung vào các mô hình XAI, trực quan hóa quá trình ra quyết định và các thang đo định lượng.

* 𝐓𝐫𝐚𝐜𝐤 𝟑 - 𝐆𝐢𝐚𝐨 𝐭𝐢ế𝐩 𝐭𝐡ô𝐧𝐠 𝐦𝐢𝐧𝐡: Mở rộng AI cho mạng lưới, tính toán trong mạng.

* 𝐓𝐫𝐚𝐜𝐤 𝟒 - 𝐇ệ 𝐭𝐡ố𝐧𝐠 𝐭ự 𝐭𝐫ị & Ứ𝐧𝐠 𝐝ụ𝐧𝐠 𝐭𝐫ọ𝐧𝐠 𝐲ế𝐮: Ứng dụng XAI trong y tế, tài chính và phát hiện xâm nhập.

* 𝐓𝐫𝐚𝐜𝐤 𝟓 - 𝐓ươ𝐧𝐠 𝐭á𝐜 𝐍𝐠ườ𝐢 - 𝐀𝐈: Thiết kế giao diện cho XAI và hệ thống có con người tham gia.

---

🚀 𝟐. 𝐓ổ𝐧𝐠 𝐪𝐮𝐚𝐧 𝐯ề 𝐦ô 𝐡ì𝐧𝐡 𝐜ơ 𝐬ở (𝐂𝐮𝐫𝐫𝐞𝐧𝐭 𝐁𝐚𝐬𝐞𝐥𝐢𝐧𝐞)

* 🎯 Nghiên cứu dựa trên nền tảng kiến trúc HMIL-MHSA, hướng tới việc phân loại các mối đe dọa với độ chính xác cao và khả năng giải thích được tích hợp sẵn (Inherent XAI).

* ⚠️ 𝐓𝐡á𝐜𝐡 𝐭𝐡ứ𝐜: Bài toán hiện tại đặt ra yêu cầu cần phải có các minh chứng khoa học định lượng (ablation studies) vững chắc hơn và mở rộng khả năng xử lý dữ liệu lớn để đáp ứng tiêu chuẩn của hội nghị.

🧭 𝟑. Đề 𝐱𝐮ấ𝐭 𝐜á𝐜 𝐡ướ𝐧𝐠 𝐧𝐠𝐡𝐢ê𝐧 𝐜ứ𝐮 𝐤𝐡ả 𝐭𝐡𝐢

Nhằm bảo mật thông tin trước khi bài báo được công bố chính thức, buổi chia sẻ đã thống nhất các định hướng nghiên cứu sẽ mang tính tổng quát, trong đó ưu tiên hàng đầu là bám sát tiêu chí của hội nghị:

* 📊 Đẩ𝐲 𝐦ạ𝐧𝐡 𝐩𝐡ươ𝐧𝐠 𝐩𝐡á𝐩 𝐥𝐮ậ𝐧 𝐗𝐀𝐈 (𝐓𝐫𝐚𝐜𝐤 𝟐): Đây là định hướng mũi nhọn của nhóm. Thay vì đi sâu vào các cấu trúc thuật toán cụ thể, nghiên cứu sẽ tập trung phát triển các phương pháp và thang đo định lượng cho Trí tuệ Giải thích được (XAI). Mục tiêu là chuyển đổi các diễn giải định tính sang các minh chứng định lượng có thể tái lập, phù hợp với yêu cầu của Track 2 (XAI Techniques & Methodologies).

* 🌟 𝐌ở 𝐫ộ𝐧𝐠 𝐯à 𝐭í𝐜𝐡 𝐡ợ𝐩 𝐁ả𝐧 𝐬𝐚𝐨 𝐬ố (𝐃𝐢𝐠𝐢𝐭𝐚𝐥 𝐓𝐰𝐢𝐧𝐬): Nghiên cứu giải pháp cải tiến kiến trúc để tăng cường khả năng mở rộng, cho phép xử lý dữ liệu theo thời gian thực nhằm tương thích với môi trường mô phỏng của hệ thống Bản sao số.

* 🔗 𝐇ọ𝐜 𝐦á𝐲 𝐩𝐡â𝐧 𝐭á𝐧: Khám phá hướng đi tối ưu hóa huấn luyện mô hình giữa các hệ thống mạng khác nhau nhằm đảm bảo tính riêng tư của dữ liệu.

---

🏆 𝐓ổ𝐧𝐠 𝐤ế𝐭
Buổi seminar đã khép lại nhưng đồng thời mở ra những thách thức mới đầy thú vị. Với tinh thần liên tục đào sâu vào các phiên nghiên cứu, IST Lab sẽ tập trung hoàn thiện khung đánh giá XAI và tối ưu hóa mô hình. Dù chặng đường công bố có ra sao, mục tiêu tối thượng của nhóm vẫn luôn là xây dựng những hệ thống AI minh bạch, đáng tin cậy và có giá trị thực tiễn cao cho lĩnh vực an toàn thông tin.

📞 𝐋𝐢ê𝐧 𝐡ệ
𝐈𝐒𝐓 𝐋𝐚𝐛 - 𝐏𝐓𝐈𝐓 𝐈𝐧𝐟𝐨𝐫𝐦𝐚𝐭𝐢𝐨𝐧 𝐒𝐞𝐜𝐮𝐫𝐢𝐭𝐲 𝐓𝐞𝐜𝐡𝐧𝐨𝐥𝐨𝐠𝐲 𝐋𝐚𝐛𝐨𝐫𝐚𝐭𝐨𝐫𝐲
SĐT: +84 90 989 9791
Email: [email protected]

𝐑𝐄𝐂𝐀𝐏 𝐁𝐔Ổ𝐈 𝐂𝐇𝐈𝐀 𝐒Ẻ 𝐕Ề 𝐍𝐆𝐇𝐈Ê𝐍 𝐂Ứ𝐔 𝐍𝐇Ậ𝐍 𝐃Ạ𝐍𝐆 𝐌Ố𝐍𝐆 𝐌Ắ𝐓 𝐌Ã 𝐍𝐆𝐔Ồ𝐍 𝐌Ở (𝐎𝐏𝐄𝐍-𝐒𝐎𝐔𝐑𝐂𝐄 𝐈𝐑𝐈𝐒 𝐑𝐄𝐂𝐎𝐆𝐍𝐈𝐓𝐈𝐎𝐍)

Chủ nhật ngày 14/06/2026, IST Lab đã tổ chức buổi seminar sinh hoạt với chủ đề thảo luận về dự án nghiên cứu "𝐍𝐨𝐭𝐫𝐞 𝐃𝐚𝐦𝐞 𝐎𝐩𝐞𝐧-𝐒𝐨𝐮𝐫𝐜𝐞 𝐈𝐫𝐢𝐬 𝐑𝐞𝐜𝐨𝐠𝐧𝐢𝐭𝐢𝐨𝐧" của 𝐏𝐡ò𝐧𝐠 𝐭𝐡í 𝐧𝐠𝐡𝐢ệ𝐦 𝐓𝐡ị 𝐠𝐢á𝐜 𝐌á𝐲 𝐭í𝐧𝐡 (𝐂𝐕𝐑𝐋) - Đạ𝐢 𝐡ọ𝐜 𝐍𝐨𝐭𝐫𝐞 𝐃𝐚𝐦𝐞.

Dưới đây là nội dung chi tiết và phân tích từ buổi seminar:

𝟏. 𝐓ó𝐦 𝐭ắ𝐭 𝐧ộ𝐢 𝐝𝐮𝐧𝐠 𝐯à 𝐩𝐡ươ𝐧𝐠 𝐩𝐡á𝐩 𝐧𝐠𝐡𝐢ê𝐧 𝐜ứ𝐮

* 𝐌ụ𝐜 𝐭𝐢ê𝐮: Cung cấp các giải pháp nhận dạng mống mắt tiên tiến mang tính học thuật dưới dạng mã nguồn mở (C++, Python, Matlab), đáp ứng các tiêu chuẩn khắt khe của chương trình đánh giá IREX 10 do NIST (Mỹ) quản lý.

* 𝐂ô𝐧𝐠 𝐧𝐠𝐡ệ 𝐜ố𝐭 𝐥õ𝐢: Hệ thống tích hợp 4 phương pháp mã hóa chính: ArcIris (dùng ResNet100), TripletIris (dùng ConvNeXt-tiny), HDBIF (đặc trưng nhị phân theo hướng tiếp cận của con người) và CRYPTS (khai thác đặc trưng hình thái học). Đi kèm là các mô hình nền tảng hỗ trợ phân vùng ảnh (Iris Segmentation).

𝟐. Ư𝐮 đ𝐢ể𝐦 𝐜ủ𝐚 𝐡ướ𝐧𝐠 𝐭𝐢ế𝐩 𝐜ậ𝐧

* 𝐌𝐢𝐧𝐡 𝐛ạ𝐜𝐡 𝐯à 𝐓á𝐢 𝐥ậ𝐩 (𝐓𝐫𝐚𝐧𝐬𝐩𝐚𝐫𝐞𝐧𝐜𝐲 & 𝐑𝐞𝐩𝐫𝐨𝐝𝐮𝐜𝐢𝐛𝐢𝐥𝐢𝐭𝐲): Cung cấp toàn bộ mã nguồn từ khâu tiền xử lý, phân vùng điểm ảnh cho đến rút trích đặc trưng, giải quyết bài toán "hộp đen" thường gặp ở các sản phẩm sinh trắc học thương mại.

* 𝐊𝐡ả 𝐧ă𝐧𝐠 𝐠𝐢ả𝐢 𝐭𝐡í𝐜𝐡 (𝐄𝐱𝐩𝐥𝐚𝐢𝐧𝐚𝐛𝐢𝐥𝐢𝐭𝐲): Thay vì chỉ phụ thuộc vào Deep Learning thuần túy, các phương pháp như CRYPTS và HDBIF tập trung vào việc trích xuất các đặc trưng mà con người có thể diễn giải bằng mắt thường (như các hốc mống mắt - Fuch's crypts).

* Độ 𝐜𝐡í𝐧𝐡 𝐱á𝐜 𝐜𝐚𝐨: Tận dụng các kiến trúc mạng nơ-ron học sâu tiên tiến kết hợp với các hàm mất mát (ArcFace loss, triplet mining) giúp phân tách rõ rệt đặc trưng sinh trắc học của những người khác nhau.

𝟑. 𝐓𝐡á𝐜𝐡 𝐭𝐡ứ𝐜 𝐯à 𝐍𝐡ượ𝐜 đ𝐢ể𝐦

* 𝐑à𝐨 𝐜ả𝐧 𝐭à𝐢 𝐧𝐠𝐮𝐲ê𝐧 𝐯à 𝐭𝐡ờ𝐢 𝐠𝐢𝐚𝐧 𝐭𝐡ự𝐜: Để vượt qua các giới hạn cực kỳ khắt khe về thời gian xử lý của NIST, các mô hình đòi hỏi phải được tối ưu hóa mạnh mẽ ở mức cấu trúc phần cứng/thanh ghi hoặc phải sử dụng các phiên bản mạng thu gọn (tiny networks).

* Độ 𝐩𝐡ứ𝐜 𝐭ạ𝐩 𝐭𝐫𝐨𝐧𝐠 𝐭𝐢ề𝐧 𝐱ử 𝐥ý: Quá trình phân vùng (segmentation) để loại bỏ nhiễu từ mí mắt, lông mi và chuẩn hóa tọa độ cực vẫn tốn khá nhiều tài nguyên tính toán và dễ bị giảm hiệu năng nếu ảnh đầu vào kém chất lượng.

* 𝐓𝐫𝐢ể𝐧 𝐤𝐡𝐚𝐢 𝐜𝐡é𝐨 (𝐂𝐫𝐨𝐬𝐬-𝐝𝐞𝐩𝐥𝐨𝐲𝐦𝐞𝐧𝐭): Việc duy trì sự đồng nhất và chính xác khi chuyển đổi mô hình từ môi trường nghiên cứu (Python/Matlab) sang môi trường thực thi chuẩn công nghiệp (C++) đòi hỏi sự tinh chỉnh phức tạp.

𝐓ổ𝐧𝐠 𝐤ế𝐭
Buổi chia sẻ đã mang lại cái nhìn toàn diện về những nỗ lực đưa sinh trắc học mống mắt trở nên cởi mở và minh bạch hơn. Kho lưu trữ của CVRL không chỉ thu hẹp khoảng cách giữa nghiên cứu AI hàn lâm và kiểm định công nghiệp, mà còn gợi mở hướng đi quan trọng: phát triển các hệ thống AI vừa đảm bảo hiệu năng cao vừa có khả năng giải thích được trong lĩnh vực an toàn thông tin.

𝐋𝐢ê𝐧 𝐡ệ
IST Lab - PTIT Information Security Technology Laboratory
SĐT: +84 90 989 9791
Email: [email protected]

🌟 𝐑𝐄𝐂𝐀𝐏 𝐁𝐔Ổ𝐈 𝐂𝐇𝐈𝐀 𝐒Ẻ 𝐕Ề 𝐏𝐇Á𝐓 𝐇𝐈Ệ𝐍 𝐗Â𝐌 𝐍𝐇Ậ𝐏 𝐌Ạ𝐍𝐆 𝐁Ằ𝐍𝐆 𝐌Ạ𝐍𝐆 𝐍Ơ-𝐑𝐎𝐍 ĐỒ 𝐓𝐇Ị 𝐊𝐇Ô𝐍𝐆 𝐆𝐈𝐀𝐍 - 𝐓𝐇Ờ𝐈 𝐆𝐈𝐀𝐍 (𝐒𝐓-𝐆𝐍𝐍) 🌟

Chủ nhật ngày 07/06/2026, IST Lab đã tổ chức buổi seminar sinh hoạt hàng tuần với chủ đề thảo luận về nghiên cứu tổng quan (survey) ứng dụng 𝐌ạ𝐧𝐠 𝐧ơ-𝐫𝐨𝐧 đồ 𝐭𝐡ị 𝐤𝐡ô𝐧𝐠 𝐠𝐢𝐚𝐧 - 𝐭𝐡ờ𝐢 𝐠𝐢𝐚𝐧 (𝐒𝐩𝐚𝐭𝐢𝐨-𝐓𝐞𝐦𝐩𝐨𝐫𝐚𝐥 𝐆𝐫𝐚𝐩𝐡 𝐍𝐞𝐮𝐫𝐚𝐥 𝐍𝐞𝐭𝐰𝐨𝐫𝐤𝐬 - 𝐒𝐓-𝐆𝐍𝐍) trong các 𝐇ệ 𝐭𝐡ố𝐧𝐠 𝐩𝐡á𝐭 𝐡𝐢ệ𝐧 𝐱â𝐦 𝐧𝐡ậ𝐩 (𝐈𝐧𝐭𝐫𝐮𝐬𝐢𝐨𝐧 𝐃𝐞𝐭𝐞𝐜𝐭𝐢𝐨𝐧 𝐒𝐲𝐬𝐭𝐞𝐦𝐬 - 𝐈𝐃𝐒).

Dưới đây là nội dung chi tiết và phân tích từ buổi seminar:

🎯 𝟏. 𝐓ó𝐦 𝐭ắ𝐭 𝐧ộ𝐢 𝐝𝐮𝐧𝐠 𝐯à 𝐩𝐡ươ𝐧𝐠 𝐩𝐡á𝐩 𝐧𝐠𝐡𝐢ê𝐧 𝐜ứ𝐮

* 𝐌ụ𝐜 𝐭𝐢ê𝐮: Đánh giá các nghiên cứu hiện tại, phân loại kiến trúc và vạch ra định hướng tương lai cho hệ thống phát hiện xâm nhập dựa trên đồ thị (graph-based intrusion detection).

* 𝐓𝐫ọ𝐧𝐠 𝐭â𝐦: Hệ thống hóa các phương pháp hiện có và phân tích các bài toán cốt lõi.

* 𝐂ô𝐧𝐠 𝐧𝐠𝐡ệ 𝐜ố𝐭 𝐥õ𝐢: ST-GNN - phương pháp kết hợp phân tích cấu trúc kết nối mạng (không gian) và chuỗi biến động lưu lượng (thời gian).

✅ 𝟐. Ư𝐮 đ𝐢ể𝐦 𝐜ủ𝐚 𝐡ướ𝐧𝐠 𝐭𝐢ế𝐩 𝐜ậ𝐧

* 𝐍ắ𝐦 𝐛ắ𝐭 𝐧𝐠ữ 𝐜ả𝐧𝐡: Việc chuyển đổi chuỗi gói tin/luồng dữ liệu thô (raw packet/flow strings) thành đồ thị không gian-thời gian giúp mô hình xác định mối quan hệ giữa các máy chủ (hosts) và các đặc trưng cấu trúc (structural features) tốt hơn so với nhật ký dạng vector phẳng (flat vector logs) truyền thống.

* 𝐏𝐡á𝐭 𝐡𝐢ệ𝐧 𝐭ấ𝐧 𝐜ô𝐧𝐠 𝐥é𝐧 𝐥ú𝐭 (𝐒𝐭𝐞𝐚𝐥𝐭𝐡𝐲 𝐚𝐭𝐭𝐚𝐜𝐤𝐬): Bằng cách xử lý đồng thời không gian và thời gian, các lớp ST-GNN duy trì được thông tin lịch sử, mang lại hiệu năng nhận diện cao hơn so với các mô hình GNN tĩnh (static GNNs).

⚠️ 𝟑. 𝐓𝐡á𝐜𝐡 𝐭𝐡ứ𝐜 𝐯à 𝐍𝐡ượ𝐜 đ𝐢ể𝐦

* 𝐍ú𝐭 𝐭𝐡ắ𝐭 𝐭í𝐧𝐡 𝐭𝐨á𝐧 (𝐂𝐨𝐦𝐩𝐮𝐭𝐚𝐭𝐢𝐨𝐧𝐚𝐥 𝐛𝐨𝐭𝐭𝐥𝐞𝐧𝐞𝐜𝐤𝐬): Quá trình truyền thông điệp (message passing) không gian-thời gian tạo ra khối lượng tính toán lớn. Việc theo dõi các nút/cạnh (nodes/edges) thay đổi liên tục tiêu tốn nhiều bộ nhớ và gây độ trễ. Đây là một bài toán cần giải quyết, đặc biệt đối với việc tối ưu hóa hiệu năng xử lý ở mức thanh ghi (registers) hay kiến trúc phần cứng.

* 𝐐𝐮𝐲 𝐦ô 𝐝ữ 𝐥𝐢ệ𝐮: Khi triển khai thực tế (live deployments), hệ thống đối mặt với sự gia tăng kích thước đồ thị trong các mạng dày đặc (dense networks), mức độ lệch dữ liệu (data skewness) cao và cửa sổ xử lý (processing windows) hẹp đối với luồng lưu lượng trực tiếp (live traffic streams).

* 𝐓𝐡𝐢ế𝐮 𝐡ụ𝐭 𝐜𝐡𝐮ẩ𝐧 𝐡ó𝐚 (𝐋𝐚𝐜𝐤 𝐨𝐟 𝐬𝐭𝐚𝐧𝐝𝐚𝐫𝐝𝐢𝐳𝐚𝐭𝐢𝐨𝐧): Hiện tại vẫn thiếu các bộ dữ liệu đồ thị an ninh mạng nguyên bản (native cyber-graph datasets). Quá trình biến đổi từ PCAP thô sang đồ thị chưa có quy tắc chuẩn, thường phụ thuộc vào các thiết lập cửa sổ trượt (sliding windows) tùy chỉnh.

* 𝐊𝐡ả 𝐧ă𝐧𝐠 𝐠𝐢ả𝐢 𝐭𝐡í𝐜𝐡 (𝐄𝐱𝐩𝐥𝐚𝐢𝐧𝐚𝐛𝐢𝐥𝐢𝐭𝐲): Việc đánh giá đối chuẩn (benchmarking) hiện khá phân mảnh, khó tái tạo mã nguồn (code reproducibility) do sử dụng các tập lệnh (scripts) độc quyền. Các nhúng đồ thị (graph embeddings) vẫn mang tính "hộp đen" (black boxes) đối với chuyên gia phân tích.

📌 𝐓ổ𝐧𝐠 𝐤ế𝐭
Buổi chia sẻ đã cung cấp góc nhìn thực tế về tiềm năng và giới hạn của ST-GNN trong lĩnh vực IDS. Hướng đi này mở ra các không gian nghiên cứu mới, đòi hỏi cộng đồng giải quyết bài toán tối ưu hóa tài nguyên tính toán, xây dựng kiến trúc mạng tinh gọn (lightweight architectures) và phát triển các khung đánh giá (testing frameworks) chuẩn mực để đưa mô hình vào ứng dụng thực tế.

📞 𝐋𝐢ê𝐧 𝐡ệ
🏢 IST Lab - PTIT Information Security Technology Laboratory
☎️ SĐT: +84 90 989 9791
📧 Email: [email protected]

𝐁Á𝐎 𝐂Á𝐎 𝐓Ổ𝐍𝐆 𝐊Ế𝐓 𝐒𝐄𝐌𝐈𝐍𝐀𝐑 𝐊𝐇𝐎𝐀 𝐇Ọ𝐂: 𝐇Ợ𝐏 𝐓Á𝐂 𝐆𝐈Ữ𝐀 𝐇Ọ𝐂 𝐕𝐈Ệ𝐍 𝐂Ô𝐍𝐆 𝐍𝐆𝐇Ệ 𝐁Ư𝐔 𝐂𝐇Í𝐍𝐇 𝐕𝐈Ễ𝐍 𝐓𝐇Ô𝐍𝐆 𝐕À 𝐇Ọ𝐂 𝐕𝐈Ệ𝐍 𝐊Ỹ 𝐓𝐇𝐔Ậ𝐓 𝐌Ậ𝐓 𝐌Ã

Buổi seminar khoa học là sự kiện hợp tác chuyên môn giữa Học viện Công nghệ Bưu chính Viễn thông và Học viện Kỹ thuật Mật mã, nhằm tạo diễn đàn giao lưu và trao đổi học thuật chất lượng cao. Chương trình hân hạnh có sự tham gia trình bày của các khách mời là chuyên gia trong lĩnh vực an toàn thông tin và thuật toán: Thạc sĩ Lê Ngọc Hiếu và Kỹ sư Bùi Phi Hùng.

---
📑 𝐍Ộ𝐈 𝐃𝐔𝐍𝐆 𝐂𝐇Í𝐍𝐇 𝐂Ủ𝐀 𝐁𝐔Ổ𝐈 𝐒𝐄𝐌𝐈𝐍𝐀𝐑

Xuyên suốt chương trình, các chuyên gia và khách mời đã trình bày về 3 nội dung trọng tâm:

1. Tổng quan tình hình an ninh mạng hiện nay trong bối cảnh trí tuệ nhân tạo.
2. Chia sẻ kết quả nghiên cứu và định hướng ứng dụng AI trong an toàn thông tin.
3. Trao đổi học thuật, thảo luận và phần hỏi đáp (Q&A).

Trong khuôn khổ phần 2 về chia sẻ kết quả nghiên cứu, hai báo cáo đã được các khách mời trình bày chi tiết:

🛡️ 𝐂𝐡ủ đề 1: 𝐂𝐨𝐧𝐭𝐞𝐱𝐭-𝐀𝐰𝐚𝐫𝐞 𝐌𝐇𝐒𝐀 𝐟𝐨𝐫 𝐈𝐧𝐭𝐞𝐫𝐩𝐫𝐞𝐭𝐚𝐛𝐥𝐞 𝐄𝐧𝐝𝐩𝐨𝐢𝐧𝐭 𝐓𝐡𝐫𝐞𝐚𝐭 𝐂𝐥𝐚𝐬𝐬𝐢𝐟𝐢𝐜𝐚𝐭𝐢𝐨𝐧 𝐢𝐧 𝐄𝐧𝐭𝐞𝐫𝐩𝐫𝐢𝐬𝐞 𝐒𝐲𝐬𝐭𝐞𝐦𝐬 𝐒𝐮𝐩𝐩𝐨𝐫𝐭𝐢𝐧𝐠 5𝐆/6𝐆

Báo cáo tập trung vào bài toán bảo mật trên hạ tầng mạng 5G/6G với các vấn đề cốt lõi sau:

• Phân tích bề mặt tấn công tại các hệ thống IT của doanh nghiệp sử dụng hệ điều hành Windows.

• Chỉ ra thách thức lớn trong việc phân tích mã độc là phải xử lý các báo cáo sandbox CAPEv2 có cấu trúc JSON lồng ghép sâu.

• Nêu rõ nhược điểm của các mô hình chuỗi phẳng truyền thống là thường cắt xén dữ liệu, làm mất cấu trúc phân nhánh và các manh mối đồng xuất hiện của API.

• Đề xuất giải pháp HMIL-MHSA (Hierarchical Multiple Instance Learning kết hợp Multi-Head Self-Attention) để thay thế cơ chế SegmentedMeanMax.

• Khối MHSA cho phép các phiên bản API tương tác với nhau trước khi tổng hợp.

• Quá trình này giúp bảo toàn bối cảnh khi mã độc thực thi các chuỗi lệnh cấp thấp (ví dụ: quá trình cấp phát và can thiệp bộ nhớ hệ thống từ hàm OpenProcess chuyển sang VirtualAllocEx).

📊 𝐂𝐡ủ đề 2: 𝐋𝐢ệ𝐭 𝐤ê 𝐭ậ𝐩 𝐭ố𝐢 𝐭𝐡𝐢ể𝐮 𝐭𝐫𝐨𝐧𝐠 𝐛à𝐢 𝐭𝐨á𝐧 𝐌𝐞𝐭𝐫𝐢𝐜 𝐆𝐫𝐚𝐩𝐡 (𝐂𝐨𝐫𝐞 𝐑𝐞𝐬𝐞𝐚𝐫𝐜𝐡 𝐏𝐫𝐨𝐛𝐥𝐞𝐦)

Báo cáo thứ hai đi sâu vào thuật toán đồ thị metric với các hướng tiếp cận sau:

• Giải quyết vấn đề liệt kê các giải pháp tối thiểu bao hàm (inclusion-minimal solutions).

• Hướng tới mục tiêu tránh các kết quả dư thừa, thay vì chỉ tìm kiếm một giải pháp nhỏ nhất duy nhất.

• Phân tích ba đối tượng chính cấu thành nên cấu trúc đồ thị bao gồm: tập giải quyết (resolving sets), tập trắc địa (geodetic sets) và tập giải quyết mạnh (strong resolving sets).

• Phân tích vấn đề trọng tâm nhằm đánh giá mức độ tương quan của các bài toán này so với Trans-Enum (bài toán đối ngẫu siêu đồ thị).

• Đưa ra kết luận chỉ ra rằng cốt lõi của một số ràng buộc đồ thị dựa trên khoảng cách về bản chất chính là các ràng buộc chạm (hitting constraints).

---
🤝 𝐊Ế𝐓 𝐋𝐔Ậ𝐍 & 𝐓𝐑𝐀𝐎 ĐỔ𝐈 𝐇Ọ𝐂 𝐓𝐇𝐔Ậ𝐓

Buổi seminar đã cung cấp một bức tranh toàn cảnh về tình hình an ninh mạng hiện nay thông qua các ý chính:

• Nhấn mạnh vào những cơ hội và thách thức trong bối cảnh trí tuệ nhân tạo (AI) phát triển mạnh mẽ.

• Vạch ra những định hướng rõ ràng cho việc ứng dụng AI vào an toàn thông tin qua việc chia sẻ các kết quả nghiên cứu cụ thể.

• Khai thác các khía cạnh đa dạng từ phân loại mã độc trên hạ tầng viễn thông đến việc giải quyết các bài toán tối ưu đồ thị.

Phần trao đổi học thuật và hỏi đáp (Q&A) cuối chương trình đã mang lại nhiều giá trị thiết thực:

• Diễn ra sôi nổi và giúp làm rõ thêm tính ứng dụng của các giải pháp được đề xuất.

• Tạo tiền đề quan trọng để tiếp tục mở rộng các hướng nghiên cứu mới.

📌 liên hệ
🏢 IST Lab - PTIT Information Security Technology Laboratory
📞 SĐT: +84 90 989 9791
📧 Email: [email protected]

🚀 TÍCH HỢP TRANSFORMER MHSA VÀ XAI: GIẢI MÃ "HỘP ĐEN" TRONG PHÂN LOẠI MÃ ĐỘC

Chào các bạn! Tiếp nối chuỗi chủ đề về phát hiện mã độc, tuần này IST Lab sẽ đi sâu vào phân tích hướng đề xuất số 1: Tích hợp mô hình Transformer MHSA (Multi-Head Self-Attention) kết hợp với XAI (Explainable AI). Hãy cùng khám phá xem sự kết hợp này, đặc biệt là những đóng góp của XAI, giúp định hình lại cách chúng ta phân tích mã độc như thế nào nhé! 👇

🌟 Phần 1: Nền tảng từ cơ chế Transformer MHSA

Để XAI có thể hoạt động hiệu quả, Transformer MHSA đóng vai trò là lớp nền tảng vững chắc. Thay vì xử lý dữ liệu một cách tuyến tính, cơ chế Multi-Head Self-Attention liên tục đánh giá mức độ liên kết và tầm quan trọng của từng hành vi (như các lời gọi API, thay đổi registry) trong toàn bộ chuỗi thực thi. Quá trình tính toán ma trận trọng số (Attention weights) này chính là "chìa khóa" cung cấp nguồn dữ liệu phong phú để giải thích sau này.

🌟 Phần 2: Đóng góp cốt lõi của XAI - Phá vỡ rào cản "Hộp đen"

Điểm nhấn lớn nhất của hướng nghiên cứu này nằm ở việc ứng dụng XAI (Trí tuệ nhân tạo có khả năng giải thích) để "bạch hóa" các mô hình học sâu. Cụ thể, XAI mang lại những giá trị đột phá sau:

Trực quan hóa sự "chú ý" của mô hình: Các công cụ XAI trực tiếp khai thác ma trận trọng số từ lớp MHSA để "chỉ điểm" chính xác mô hình đang tập trung vào đâu. Thay vì chỉ trả về một nhãn "Malware" khô khan, XAI sẽ vạch trần chuỗi API hoặc thao tác hệ thống cụ thể nào (ví dụ: hành vi lén tạo dịch vụ, tiêm mã vào process khác) đã kích hoạt cảnh báo.

Củng cố niềm tin (Trust in AI): Một hệ thống bảo mật không thể hoạt động hiệu quả nếu con người không tin tưởng nó. Bằng cách giải thích rõ ràng lý do phân loại, XAI giúp các nhà phân tích bảo mật xác minh xem AI đang học đúng bản chất của mã độc hay chỉ đang "học vẹt" các đặc trưng nhiễu, từ đó loại bỏ các cảnh báo nhầm (false positives).

Định hướng xây dựng luật phòng thủ (Rule Generation): Những lời giải thích từ XAI không chỉ để "xem cho biết". Các chuyên gia tại trung tâm điều hành an toàn thông tin (SOC) có thể chuyển hóa trực tiếp những chuỗi hành vi bất thường do XAI chỉ ra thành các bộ luật phòng thủ thực tiễn (như YARA hay Suricata rules) để ngăn chặn mã độc lây lan nhanh chóng.

💡 Tóm lại

Hướng đề xuất số 1 không chỉ tạo ra một cỗ máy phân loại chính xác, mà quan trọng hơn là mang AI và con người lại gần nhau. XAI biến mô hình Transformer từ một "hộp đen" bí ẩn thành một trợ lý minh bạch, cung cấp những bằng chứng (evidence) sắc bén để chuyên gia bảo mật tự tin đưa ra quyết định ứng phó.

Việc ứng dụng AI sâu vào an toàn thông tin vẫn luôn là một hành trình thú vị. Đừng quên theo dõi fanpage để cập nhật những chia sẻ và nghiên cứu mới nhất từ IST Lab nhé! 😉

📌 liên hệ
🏢 IST Lab - PTIT Information Security Technology Laboratory
📞 SĐT: +84 90 989 9791
📧 Email: [email protected]

🚨 𝐊𝐇Á𝐌 𝐏𝐇Á 𝐁Ộ 𝐃Ữ 𝐋𝐈Ệ𝐔 𝐀𝐕𝐀𝐒𝐓-𝐂𝐓𝐔 𝐕À 𝐁Ứ𝐂 𝐓𝐑𝐀𝐍𝐇 𝐓𝐎À𝐍 𝐂Ả𝐍𝐇 𝐕Ề 𝐏𝐇Á𝐓 𝐇𝐈Ệ𝐍 𝐌Ã ĐỘ𝐂 𝐁Ằ𝐍𝐆 𝐀𝐈 🚨

Chào các bạn! Tuần này IST Lab đã tổ chức buổi Seminar về tập dữ liệu phân loại mã độc Avast-CTU Public CAPE. Cùng xem bộ dữ liệu này có gì đặc biệt và các phương pháp AI hiện tại đang "giải" bài toán này như thế nào nhé! 🔍

📦 𝐏𝐡ầ𝐧 𝟏: 𝐂ó 𝐠ì 𝐛ê𝐧 𝐭𝐫𝐨𝐧𝐠 𝐛ộ 𝐝ữ 𝐥𝐢ệ𝐮 𝐀𝐯𝐚𝐬𝐭-𝐂𝐓𝐔?

Được thu thập từ một hệ thống sandbox thực tế, bộ dữ liệu này cung cấp một cái nhìn cực kỳ chi tiết về hành vi của mã độc:

* 𝐐𝐮𝐲 𝐦ô ấ𝐧 𝐭ượ𝐧𝐠: Bộ dữ liệu chứa 48.976 mẫu mã độc, được phân loại thành 10 họ (families) và 6 loại (types) khác nhau.

* 𝐂ấ𝐮 𝐭𝐫ú𝐜 𝐝ữ 𝐥𝐢ệ𝐮: Khác với các bộ dữ liệu dùng vector đặc trưng độ dài cố định, mỗi mẫu ở đây là một báo cáo định dạng JSON có cấu trúc cây phức tạp. Báo cáo này bao gồm cả siêu dữ liệu tĩnh (static PE metadata) và đặc biệt là tóm tắt hành vi động (behavior summary) có thể chứa tới hơn 3.000 mục ghi lại các thao tác hệ thống như tạo dịch vụ, ghi file, hay gọi API.

* 𝐓𝐡á𝐜𝐡 𝐭𝐡ứ𝐜- Mất cân bằng dữ liệu: Sự phân bổ các họ mã độc chênh lệch cực kỳ nghiêm trọng. Họ Emotet chiếm ưu thế với khoảng 29.5% (14.429 mẫu), trong khi họ thiểu số như HarHar chỉ chiếm khoảng 1.3% (655 mẫu) – một khoảng cách lên đến 22 lần. Đây là bài toán hóc búa làm giảm sút chỉ số Macro F1-score của hầu hết các mô hình phân loại.

🤖 𝐏𝐡ầ𝐧 𝟐: 𝐂á𝐜 𝐡ướ𝐧𝐠 𝐭𝐢ế𝐩 𝐜ậ𝐧 𝐡𝐢ệ𝐧 𝐭ạ𝐢 - 𝐓ừ 𝐭𝐫𝐮𝐲ề𝐧 𝐭𝐡ố𝐧𝐠 đế𝐧 𝐃𝐞𝐞𝐩 𝐋𝐞𝐚𝐫𝐧𝐢𝐧𝐠

Sự phát triển của các phương pháp phát hiện mã độc đã trải qua nhiều giai đoạn:

* 𝐏𝐡ươ𝐧𝐠 𝐩𝐡á𝐩 𝐓𝐫𝐮𝐲ề𝐧 𝐭𝐡ố𝐧𝐠: Các kỹ thuật dựa trên chữ ký (Signature-based) tuy nhanh và chính xác với mã độc đã biết nhưng lại "mù" hoàn toàn trước các biến thể mới. Phương pháp Heuristic có thể bắt được mã độc mới nhưng lại đi kèm tỷ lệ báo động nhầm (false positives) cao.
* 𝐌𝐚𝐜𝐡𝐢𝐧𝐞 𝐋𝐞𝐚𝐫𝐧𝐢𝐧𝐠 & 𝐃𝐞𝐞𝐩 𝐋𝐞𝐚𝐫𝐧𝐢𝐧𝐠: Học máy truyền thống đòi hỏi trích xuất đặc trưng thủ công, trong khi các mạng học sâu (CNN, RNN, Transformers) giúp tự động hóa quá trình này và đạt độ chính xác xuất sắc (>99%).
* Ứ𝐧𝐠 𝐝ụ𝐧𝐠 𝐋𝐋𝐌 & 𝐍𝐋𝐏: Một số nghiên cứu mới nhất (năm 2025) trên chính bộ dữ liệu Avast-CTU đã biến log hành vi thành văn bản ngôn ngữ tự nhiên để huấn luyện mô hình BERT, hoặc sử dụng LLM để trích xuất các vector ngữ nghĩa (embeddings) từ file JSON.

⚠️ 𝐍𝐡ữ𝐧𝐠 "𝐥ỗ 𝐡ổ𝐧𝐠" 𝐧𝐠𝐡𝐢ê𝐧 𝐜ứ𝐮 𝐜ò𝐧 𝐭ồ𝐧 đọ𝐧𝐠

Dù đạt kết quả cao, các mô hình Deep Learning hay LLM hiện tại vẫn bộc lộ nhiều điểm yếu chí mạng:

* Yêu cầu chi phí tính toán và phần cứng lớn.

* Bỏ qua vấn đề mất cân bằng dữ liệu, khiến các họ mã độc nhỏ dễ bị nhận diện sai.

* Tính chất "hộp đen" (Black-box): Các mô hình chưa được tích hợp AI có khả năng giải thích (XAI), khiến các chuyên gia phân tích không thể biết chính xác chuỗi API nào đã kích hoạt cảnh báo mã độc.

Việc khai thác bộ dữ liệu Avast-CTU vẫn còn là một vùng đất đầy tiềm năng cho các nhà nghiên cứu. Đừng quên theo dõi fanpage để cập nhật những chia sẻ mới nhất từ IST Lab nhé! 😉

📌 liên hệ
🏢 IST Lab - PTIT Information Security Technology Laboratory
📞 SĐT: +84 90 989 9791
📧 Email: [email protected]

📢 RECAP buổi chia sẻ về PHÁT HIỆN HÀNH VI ĐỘC HẠI TRONG MẠNG IOT BẰNG BIỂU DIỄN ĐỒ THỊ ĐỘNG 📢

Chủ nhật ngày 10/5/2026, IST Lab đã tổ chức buổi seminar sinh hoạt hàng tuần với chủ đề nghiên cứu chuyên sâu về An toàn thông tin: Ứng dụng biểu diễn đồ thị động (Dynamic Graph Representation) và mạng nơ-ron đồ thị (GNN) trong việc phát hiện hành vi độc hại trên mạng IoT.

Dưới đây là nội dung chi tiết và những phân tích chuyên sâu từ buổi seminar:

📍 1. Tóm tắt nội dung và phương pháp nghiên cứu
🔹 Mục tiêu: Phát hiện sớm các hành vi độc hại trong môi trường IoT.

🔹 Trọng tâm: Đi sâu vào nhóm "Bất thường hành vi" (Anomaly/Behavioral) thông qua phân tích luồng mạng (network flow) với 4 loại chính:

* Traffic Anomaly: Lưu lượng bất thường (DDoS, Port scanning).
* Data Exfiltration: Đánh cắp dữ liệu.
* C&C Communication: Điều khiển từ xa (Botnet, HTTP/HTTPS ngụy trang).
* Cryptojacking: Đào tiền điện tử trái phép.

🔹 Công nghệ cốt lõi: Kết hợp Biểu diễn đồ thị động (Dynamic Graph) để theo dõi kết nối mạng theo thời gian thực và Mạng nơ-ron đồ thị (GNN) để phân tích các đặc trưng (sload, duration, spkts/dpkts).

🔹 Điểm nhấn: Phân tích hoàn toàn dựa trên thống kê luồng mạng mà không cần giải mã payload, được kiểm thử trên các bộ dữ liệu chuẩn như UNSW-NB15, CICIDS2017, CICIoT2023.

📈 2. Ưu điểm

✔️ Hoạt động tốt với lưu lượng mã hóa: Hướng tiếp cận flow-based không cần kiểm tra sâu gói tin (DPI), cực kỳ phù hợp khi giao thức HTTPS/TLS ngày càng phổ biến trong IoT.

✔️ Nắm bắt ngữ cảnh phức tạp: GNN biểu diễn thiết bị là "node", kết nối là "edge", giúp phát hiện các cuộc tấn công có tổ chức, phối hợp nhiều thiết bị (như Botnet, DDoS phân tán).

✔️ Phù hợp đặc thù IoT: Thiết bị IoT có chu kỳ giao tiếp cố định. Đồ thị động phát hiện rất tốt sự phá vỡ các chu kỳ này.

✔️ Phát hiện tấn công Zero-day: Học hành vi "bình thường" để bắt "dị thường", không cần phụ thuộc vào tập luật (signature) có sẵn như các IDS/IPS truyền thống.

⚠️ 3. Nhược điểm

▪️ Chi phí tính toán & độ trễ: Xây dựng đồ thị liên tục và chạy GNN tốn nhiều tài nguyên. Rất khó triển khai trực tiếp trên các thiết bị Edge/Gateway cấu hình yếu, dễ gây trễ trong phát hiện real-time.

▪️ Rủi ro false positives (dương tính giả): Khi mạng có cập nhật firmware đồng loạt hoặc hiện tượng "flash crowd", cấu trúc đồ thị thay đổi mạnh, dễ khiến hệ thống báo động nhầm.

▪️ Tiền xử lý phức tạp: Pipeline biến đổi từ gói tin thô (PCAP) -> Flows -> Ma trận đồ thị tốn thời gian, dễ tạo nút thắt cổ chai cho toàn hệ thống.

▪️ Phụ thuộc dataset: Dữ liệu huấn luyện thường từ môi trường mô phỏng, có thể lệch pha với các kỹ thuật tấn công IoT thực tế hiện nay (concept drift).

💡 Tổng kết
Buổi chia sẻ đã mang lại nhiều góc nhìn học thuật giá trị. Phương pháp dựa trên đồ thị mở ra tiềm năng to lớn trong bảo mật IoT, nhưng đồng thời cũng đặt ra bài toán tối ưu hóa kiến trúc và tài nguyên tính toán để có thể áp dụng rộng rãi vào thực tế.

📌 liên hệ
🏢 IST Lab - PTIT Information Security Technology Laboratory
📞 SĐT: +84 90 989 9791
📧 Email: [email protected]

🚩 [TIN CHÚC MỪNG] 03 ĐỘI TUYỂN SINH VIÊN PTITHCM XUẤT SẮC LỌT VÀO CHUNG KẾT CUỘC THI AN TOÀN THÔNG TIN QUỐC TẾ HACKTHEON SEJONG 2026

📅 Ngày 25/04/2026 vừa qua, vòng Sơ khảo cuộc thi An toàn thông tin (ATTT) quốc tế HackTheon Sejong 2026 đã diễn ra với sự tranh tài quyết liệt của hàng trăm đội tuyển sinh viên trên toàn thế giới. IST Lab xin chúc mừng CLB An toàn thông tin P*S và Học viện Công nghệ Bưu chính Viễn thông (Cơ sở TP.HCM) khi có đến 03 đội tuyển xuất sắc giành tấm vé bước vào vòng Chung kết tại Hàn Quốc.

🛡️ Trải qua 07 giờ thi đấu liên tục theo hình thức CTF Jeopardy, các đội tuyển đã phải giải quyết những bài toán hóc búa thuộc nhiều mảng chuyên sâu như Pwnable, Reverse Engineering, Cryptography, Web Exploitation và Forensics. Đây không chỉ là cuộc đua về điểm số mà còn là bài kiểm tra về bản lĩnh, tư duy phân tích lỗ hổng và khả năng triển khai mã khai thác dưới áp lực thời gian thực.

🏆 Vượt qua sự cạnh tranh gay gắt từ các đối thủ quốc tế, 03 đại diện của PTITHCM đã ghi tên mình vào danh sách 40 đội tuyển mạnh nhất toàn cầu để góp mặt tại vòng chung kết:

Bảng Advanced: Đội f4n_n3r0

Bảng Beginner B: Đội 666Kyochon

Bảng Beginner B: Đội N33d_GP7

✨ Sự hiện diện đồng thời ở cả hai bảng đấu không chỉ khẳng định năng lực chuyên môn vững vàng mà còn cho thấy sự phát triển bền vững của lực lượng kế thừa tại Học viện. Vòng Chung kết sẽ được tổ chức trực tiếp vào ngày 09/07/2026 tại Trung tâm Hội nghị Sejong (SCC), Hàn Quốc. Đây là cơ hội lớn để các bạn giao lưu và khẳng định vị thế của sinh viên ATTT Việt Nam trong kỷ nguyên chuyển đổi AI tại một sân chơi quy mô quốc tế do Thành phố Sejong và Cơ quan Tình báo Quốc gia Hàn Quốc (NIS) phối hợp tổ chức.

🗓️ Lịch trình sự kiện tại Hàn Quốc:

Vòng Chung kết: 09/07/2026 (10:00 – 16:00 KST)

Lễ trao giải: 10/07/2026 (10:00 – 11:00 KST)

🤝 IST Lab xin gửi lời chúc mừng nồng nhiệt nhất đến các thành viên của 03 đội tuyển. Chúc các bạn tiếp tục giữ vững phong độ, trau dồi kỹ năng và đạt được kết quả cao nhất tại chặng đường sắp tới ở xứ sở Kim Chi!

*S

📢 [Hỗ trợ truyền thông]

🚀 [TMA Solutions – Tuyển Thực Tập Sinh Khóa 52 | 04/2026]

Cơ hội thực tập dành cho sinh viên CNTT tại TMA Solutions – môi trường doanh nghiệp thực tế giúp tích lũy kinh nghiệm, rèn luyện kỹ năng và chuẩn bị cho sự nghiệp sau tốt nghiệp.

📌 Hồ sơ: CV tiếng Anh + bảng điểm & giấy giới thiệu + chứng chỉ tiếng Anh (nếu có)
📩 Nộp về: [email protected]

⏰ Deadline: 19/06/2026

👉 Đừng bỏ lỡ cơ hội trải nghiệm và phát triển bản thân tại doanh nghiệp công nghệ hàng đầu!



📮 Liên hệ
🏢 IST Lab - PTIT Information Security Technology Laboratory
📞 SĐT: +84 90 989 9791
📧 Email: [email protected]

[TMA SOLUTIONS – TUYỂN THỰC TẬP SINH KHÓA 52 | THÁNG 04/2026]
CƠ HỘI THỰC TẬP DÀNH CHO SINH VIÊN CNTT

Khoa Công nghệ Thông tin 2 – PTITHCM trân trọng thông tin đến các bạn sinh viên về chương trình tuyển thực tập sinh Khóa 52 của Công ty TMA Solutions, bắt đầu từ tháng 04/2026.

Đây là cơ hội để các bạn sinh viên tiếp cận môi trường làm việc thực tế tại doanh nghiệp công nghệ, tích lũy kinh nghiệm chuyên môn, rèn luyện kỹ năng nghề nghiệp và chuẩn bị hành trang cho chặng đường phát triển sau khi tốt nghiệp.

📌 Hồ sơ ứng tuyển bao gồm:
• CV bằng tiếng Anh
• Giấy giới thiệu và bảng điểm mới nhất có xác nhận của Nhà trường
• Chứng chỉ TOEIC/IELTS (nếu có)

📩 Hình thức nộp hồ sơ:
Sinh viên quan tâm vui lòng gửi hồ sơ bản mềm về địa chỉ email: [email protected]
⏰ Thời hạn nộp hồ sơ: Trước ngày 19/06/2026

🏢 Thông tin đơn vị tuyển dụng: TMA Solutions
📧 Email: [email protected]
🌐 Website: www.tmasolutions.com
☎️ Tel: +84 (28) 3997 8000 | Ext: 5676 - 5524 - 5236
📘 Facebook: https://www.facebook.com/internshiptma #

Khoa Công nghệ Thông tin 2 khuyến khích các bạn sinh viên quan tâm chủ động chuẩn bị hồ sơ và đăng ký đúng thời hạn để nắm bắt cơ hội thực tập tại doanh nghiệp.

Chúc các bạn sẽ có thêm một cơ hội tốt để học hỏi, trải nghiệm và phát triển bản thân trong môi trường chuyên nghiệp.


______________________
THÔNG TIN LIÊN HỆ: KHOA CNTT 2 - PTIT HCM
📞Hotline: +84 28 3730 5316
🌐Website: fit.ptithcm.edu.vn
📍Địa chỉ:
🔸Cơ sở 1: 97 Man Thiện, P. Tăng Nhơn Phú, TP. HCM
🔸Cơ sở 2: 11 Nguyễn Đình Chiểu, P. Sài Gòn, TP.HCM