Đề tài cơ sở 2025

1. Đề tài: Nghiên cứu và phát triển thuật toán tối ưu hoá với kỹ thuật học chuyển giao trong bài toán chất lượng truyền thông mạng thế hệ mới

• Chủ trì: Hồ Viết Đức Lương
• Thời gian thực hiện: 12/2025 – 11/2027
• Nguồn tài trợ: Đề tài cấp cơ sở
• Đơn vị: Trường Công nghệ Thông tin & Truyền thông – Đại học Bách khoa Hà Nội

Sự phát triển của mạng 5G-Advanced/6G cùng các công nghệ như RIS, Massive MIMO, IoT và AI-native networking đặt ra yêu cầu cấp thiết về đảm bảo chất lượng truyền thông trong các môi trường phức tạp, phi tuyến và biến động cao. Đề tài tập trung nghiên cứu các thuật toán tối ưu tiên tiến kết hợp học chuyển giao và tiến hóa đa nhiệm nhằm nâng cao chất lượng truyền thông, tối ưu các chỉ số như BER, độ trễ, thông lượng và hiệu quả năng lượng. Bằng việc xây dựng mô hình mạng thế hệ mới và phát triển các thuật toán tối ưu không đạo hàm có khả năng chuyển giao tri thức giữa nhiều điều kiện kênh và cấu hình hệ thống, nghiên cứu hướng tới nâng cao độ tin cậy, khả năng thích nghi và hiệu năng của các hệ thống truyền thông thông minh trong bối cảnh 6G tương lai. Đề tài dự kiến xây dựng được bộ thuật toán tối ưu hóa có khả năng ứng dụng trong các bài toán truyền thông thông minh thế hệ mới, công bố tối thiểu các bài báo quốc tế thuộc nhóm Q1 hoặc hội thảo xếp hạng A/A*, đồng thời tạo nền tảng nghiên cứu cho các ứng dụng trong mạng cảm biến, IoT và hệ thống truyền thông 6G.

2. Đề tài: Nghiên cứu về cơ sở truyền thông giấu kín trong mạng thế hệ mới

• Chủ trì: Nguyễn Minh Quân
• Thời gian thực hiện: 2025 – 2027
• Nguồn tài trợ: Đề tài cấp cơ sở
• Đơn vị: Trường Công nghệ Thông tin & Truyền thông – Đại học Bách khoa Hà Nội

Trong bối cảnh mạng không dây thế hệ mới như 6G, IoT, UAV, RIS và mạng vệ tinh phát triển mạnh mẽ, nhu cầu bảo mật thông tin không chỉ dừng lại ở việc mã hóa nội dung truyền dẫn mà còn hướng tới việc che giấu hoàn toàn sự tồn tại của quá trình truyền tin. Truyền thông giấu kín là một hướng nghiên cứu mới của bảo mật lớp vật lý, trong đó mục tiêu chính là ngăn người quan sát trái phép phát hiện liệu một tín hiệu truyền thông có đang diễn ra hay không. Đây là yêu cầu quan trọng đối với các hệ thống truyền thông nhạy cảm như mạng IoT an toàn, cảm biến giám sát, truyền thông khẩn cấp, mạng UAV và các hệ thống không gian–không trung–mặt đất trong tương lai. Đề tài tập trung nghiên cứu nền tảng lý thuyết, mô hình toán học và thuật toán tối ưu cho truyền thông giấu kín trong mạng thế hệ mới. Cụ thể, đề tài khảo sát và hệ thống hóa các mô hình truyền thông giấu kín cơ bản, xây dựng các biểu thức đánh giá như xác suất phát hiện, xác suất lỗi phát hiện, tốc độ truyền giấu kín và xác suất mất mát trong các môi trường kênh khác nhau. Bên cạnh đó, đề tài mô phỏng và phân tích các kịch bản truyền thông cơ bản có xét đến đa kênh, khe thời gian, thiết bị IoT năng lượng thấp và khả năng hỗ trợ của UAV. Điểm mới của đề tài nằm ở việc kết hợp giữa mô hình hóa lý thuyết, mô phỏng Monte Carlo và các phương pháp tối ưu hóa như tối ưu lồi, GA, PSO hoặc các thuật toán thông minh nhằm nâng cao tốc độ truyền giấu kín, giảm xác suất bị phát hiện và tối ưu hóa năng lượng truyền dẫn. Kết quả nghiên cứu kỳ vọng sẽ tạo nền tảng khoa học cho việc thiết kế các hệ thống truyền thông thế hệ sau an toàn, khó bị phát hiện và có khả năng thích nghi trong môi trường động học.

3. Đề tài: Tối ưu phân bổ tài nguyên trong mạng ảo hóa

• Chủ trì: ThS. Bùi Trọng Đức
• Thời gian thực hiện: 12/2025 – 11/2027
• Đơn vị: Trường Công nghệ Thông tin & Truyền thông, Đại học Bách khoa Hà Nội

Ngành viễn thông đang trải qua sự chuyển đổi kiến trúc cơ bản, được thúc đẩy bởi NFV và mạng định nghĩa phần mềm (Software-defined Network – SDN). Bên cạnh đó, sự phát triển của mạng 5G và xu hướng tiến tới 6G đặt ra những yêu cầu ngày càng cao về tốc độ xử lý, khả năng phủ sóng, độ tin cậy và độ trễ cực thấp. Các thế hệ mạng mới, với ý tưởng về metaverse, xe tự lái và các dịch vụ yêu cầu độ siêu tin cậy đòi hỏi đòi hỏi những mô hình quản lý tài nguyên linh hoạt và thông minh hơn. Trong bối cảnh đó, bài toán phân bổ tài nguyên trong môi trường NFV trở thành một thách thức trung tâm, ảnh hưởng trực tiếp đến hiệu suất, chi phí và khả năng mở rộng của toàn hệ thống mạng
Đề tài đề xuất hướng tiếp cận RL và tính toán tiến hóa (Evolutionary Computation – EC), tập trung chính vào thuật toán GP. Trong hướng tiếp cận này, các thuật toán tiến hóa đảm nhận vai trò tìm kiếm toàn cục, khởi tạo chính sách hiệu quả và tối ưu hóa siêu tham số cho RL, giúp giảm chi phí khởi tạo và cải thiện tốc độ hội tụ. Ngược lại, RL đảm nhận nhiệm vụ thích ứng và tinh chỉnh chính sách theo thời gian thực, dựa trên phản hồi từ môi trường mạng động. Sự kết hợp này giúp hệ thống vừa khai thác tốt không gian tìm kiếm toàn cục, vừa thích ứng nhanh với thay đổi cục bộ. Phương pháp đề xuất được kì vòng mang lại hiệu suất vượt trội so với các phương pháp truyền thống, thể hiện ở tốc độ hội tụ nhanh hơn và chất lượng lời giải tốt hơn. Ngoài ra, khi sử dụng GP, mô hình còn có tính diễn giải cao, giúp người quản trị mạng dễ dàng hiểu, điều chỉnh hoặc mở rộng chính sách QoS và các quy tắc vận hành mạng. Đề tài cũng góp phần làm giàu hướng nghiên cứu về tối ưu đa mục tiêu thích ứng, mở ra tiềm năng ứng dụng rộng rãi trong lĩnh vực tự động hóa quản lý mạng.

4. Đề tài: Nâng cao hiệu quả của mô hình học sâu lai ghép cho phát hiện mã độc trên hệ điều hành Windows

• Chủ trì: ThS. Trần Đình Kiến Giang
• Thời gian thực hiện: 12/2025 – 11/2027
• Đơn vị: Trường Công nghệ Thông tin & Truyền thông, Đại học Bách khoa Hà Nội

Tính cấp thiết: Mã độc là phần mềm độc hại gây ảnh hưởng nghiêm trọng đến tính bí mật, toàn vẹn và sẵn sàng của hệ thống máy tính. Trong bối cảnh xã hội phụ thuộc sâu sắc vào Internet với mức độ kết nối dày đặc, sự lan truyền của mã độc trở nên dễ dàng hơn bao giờ hết, đặc biệt trên hệ điều hành Windows – nơi tập trung hơn 80% các cuộc tấn công mạng. Các kỹ thuật mã độc đa hình (polymorphic) và che giấu hành vi (obfuscated) khiến hệ thống phát hiện truyền thống dựa trên chữ ký hoặc heuristic dần mất hiệu quả. Trong khi đó, các mô hình học sâu đơn lẻ vẫn còn hạn chế về độ chính xác, khả năng khái quát hóa với mã độc mới, cũng như khả năng xử lý chương trình có kích thước lớn. Do đó, nghiên cứu mô hình học sâu lai ghép để cải thiện hiệu quả phát hiện mã độc là yêu cầu cấp thiết, mang ý nghĩa khoa học và thực tiễn cao.
Mục tiêu: Đề tài tập trung phát triển mô hình học sâu lai ghép dựa trên hướng tiếp cận mô hình ngôn ngữ chương trình (program language models), nhằm nâng cao hiệu quả phát hiện mã độc trên hệ điều hành Windows thông qua phân tích tĩnh.
Tính mới: Khác với hướng tiếp cận truyền thống chỉ trích xuất đặc trưng rời rạc, đề tài kết hợp mô hình ngôn ngữ chương trình với kiến trúc lai ghép đa tầng, tích hợp tri thức cấu trúc PE và khả năng diễn giải mô hình – hướng tới hiểu biết tổng quát về mã độc thay vì chỉ tối ưu trên một bộ dữ liệu cố định.
Khả năng ứng dụng: Mô hình có thể tích hợp vào hệ thống phòng chống mã độc, SIEM, SOC và phần mềm diệt virus trong nước, đồng thời làm nền tảng cho nghiên cứu tiếp theo về AI ứng dụng trong an toàn thông tin.

5. Đề tài: Nghiên cứu phát triển mô hình đánh giá hiệu quả tập luật phát hiện bất thường trên hệ điều hành Windows

• Chủ trì: ThS. Lê Văn Đồng
• Thời gian thực hiện: 12/2025 – 11/2027
• Đơn vị: Trường Công nghệ Thông tin & Truyền thông, Đại học Bách khoa Hà Nội

Ngày nay, hệ điều hành Windows vẫn tiếp tục là một trong các nền tảng được sử dụng phổ biến trong cơ sở hạ tầng CNTT của các tổ chức, doanh nghiệp, từ các máy trạm người dùng cho đến máy chủ dịch vụ. Theo báo cáo của các đơn vị chuyên trách về an ninh mạng, Windows vẫn tiếp tục trở thành mục tiêu tấn công của các mối đe dọa mạng, từ phần mềm độc hại, mã độc tống tiền cho đến các chiến dịch tấn công có chủ đích APT. Do vậy, có thể thấy rằng việc nghiên cứu và phát hiện sớm các hành vi bất thường trên hệ điều hành Windows là yêu cầu cấp thiết nhằm bảo vệ an toàn, an ninh thông tin, giảm thiểu rủi ro mất mát dữ liệu và gián đoạn dịch vụ, từ đó hạn chế các thiệt hại kinh tế và tổn thất uy tín của tổ chức.
Các giải pháp an ninh mạng hiện nay như hệ thống SIEM hay IDS thường phát hiện các hành vi bất thường, các hành vi tấn công xâm nhập mạng trái phép dựa trên tập luật có sẵn, hoặc tập luật được bổ sung trong quá trình vận hành hệ thống. Tuy nhiên, chúng thường gặp những hạn chế đáng kể trong việc sinh ra tỷ lệ cảnh báo giả cao, cũng như dễ bỏ sót các hành vi tấn công phức tạp, đồng thời thiếu cơ chế đánh giá một cách định lượng về khả năng hoạt động hiệu quả của tập luật trong thực tế. Trên cơ sở những hạn chế nêu trên, đề tài sẽ tập trung nghiên cứu và phát triển mô hình đánh giá hiệu quả tập luật phát hiện bất thường trên hệ điều hành Windows. Dựa trên nhiều nguồn nhật ký khác nhau như Windows Event Logs, Sysmon, mô hình sẽ cho phép đánh giá toàn diện khả năng phát hiện đa dạng các hành vi bất thường từ các hành vi khởi tạo xâm nhập, leo thang đặc quyền, di chuyển ngang hệ thống cho đến trích xuất dữ liệu trái phép theo các giai đoạn trong khung tham chiếu MITRE ATT&CK.
Về tính mới, đề tài nghiên cứu đề xuất mô hình đánh giá tập trung và chuyên biệt cho tập luật Sigma Rules trên hệ điều hành Windows với cơ chế pipline tự động từ việc chuyển đổi cấu trúc Sigma Rules sang định dạng luật trên SIEM, thực thi và đánh giá khả năng phát hiện các lệnh, tải trọng tấn công của tập luật. Đây là sự khác biệt quan trọng so với các nghiên cứu trước đây, vốn chỉ tập trung vào việc xây dựng tập luật mà không đánh giá chi tiết hiệu quả của tập luật. Bên cạnh đó, mô hình còn phát triển các cơ chế sinh lệnh và tải trọng thử nghiệm, bao gồm các trường hợp tải trọng hợp pháp nhưng bất thường hoặc các tải trọng cố tình né tránh cơ chế phát hiện, từ đó cung cấp thông tin phản hồi để đánh giá khả năng phát hiện của tập luật. Trên cơ sở phương pháp nghiên cứu đề xuất, đề tài sẽ xây dựng được tập dữ liệu chuẩn bao gồm các lệnh và tải trọng tấn công, bao phủ các kỹ thuật tấn công theo khung tham chiếu MITRE ATT&CK, phục vụ đánh giá hiệu quả khả năng phát hiện và độ bao phủ của các tập luật phát hiện bất thường. Đây là đóng góp quan trọng, góp phần đánh giá chính xác khả năng phản ứng của hệ thống trước các hành vi tấn công tinh vi mà các nghiên cứu trước đây chưa thực hiện.
Về khả năng ứng dụng thực tiễn, các kết quả nghiên cứu của đề tài không chỉ phù hợp với các hệ thống SOC hiện đại mà còn hỗ trợ triển khai kiểm thử định kỳ, huấn luyện nhân sự và tối ưu hóa tập luật phát hiện bất thường. Các kết quả nghiên cứu vừa giải quyết vấn đề thực tiễn cấp bách về giám sát và phát hiện hành vi bất thường trên Windows, vừa đóng góp giá trị khoa học mới, bao gồm mô hình đánh giá hệ thống, cơ chế sinh tải trọng thử nghiệm, xây dựng bộ dữ chuẩn, và phương pháp đánh giá định lượng theo khung tham chiếu MITRE ATT&CK. Kết quả này hướng tới nâng cao độ tin cậy và khả năng tối ưu hóa tập luật, phù hợp với xu thế nghiên cứu quốc tế về phát triển các giải pháp giám sát an toàn thông tin.
Mục tiêu của đề tài:
Đề tài tập trung nghiên cứu và phát triển mô hình đánh giá hiệu quả của tập luật phát hiện bất thường trên hệ điều hành Windows. Trong đó, một số mục tiêu cụ thể cần đạt được là:
– Nghiên cứu và xây dựng chính sách cấu hình ghi nhật ký cho phép tạo nguồn nhật ký phát hiện các hành vi bất thường trên hệ điều hành Windows.
– Triển khai tập luật phát hiện bất thường và thử nghiệm một số kịch bản tấn công trên hệ điều hành Windows theo khung MITRE ATT&CK để đánh giá khả năng phát hiện của tập luật.
– Đề xuất kiến trúc mô hình hệ thống đánh giá hiệu quả của tập luật phát hiện bất thường.
– Nghiên cứu và phát triển mô hình sinh các lệnh vượt qua cơ chế phát hiện bất thường của tập luật.
– Triển khai thử nghiệm và xây dựng tập dữ liệu các lệnh, tải trọng độc hại để đánh giá hiệu quả của tập luật phát hiện bất thường

6. Đề tài: Nâng cao chất lượng học chủ đề ẩn trong văn bản dựa trên học sâu

• Chủ trì: Nguyễn Sơn Tùng
• Thời gian thực hiện: 12/2024 – 11/2026
• Đơn vị: Trường Công nghệ Thông tin & Truyền thông, Đại học Bách khoa Hà Nội

Mục tiêu của đề tài là phát triển các phương pháp học chủ đề văn bản hiệu quả, ứng dụng các thành tựu của công nghệ học sâu tiên tiến, đặc biệt là các mô hình ngôn ngữ lớn. Các mô hình này có thể trích xuất những chủ đề mạch lạc, mang tính ngữ nghĩa cao và đảm bảo sự đa dạng, phong phú. Đồng thời, các mô hình có khả năng tạo ra phân phối chủ đề chính xác cho từng văn bản, đóng vai trò như một biểu diễn chất lượng cho văn bản đó. Đặc biệt, đề tài nhắm đến việc đề xuất các mô hình có khả năng làm việc hiệu quả trong những trường hợp đặc biệt như với văn bản ngắn và nhiễu. Để đạt được điều đó, đề tài cần phải giải quyết được các bài toán cụ thể sau:

• Bài toán (a): Phát triển một lớp các mô hình chủ đề hiệu quả, có khả năng vận dụng tốt biểu diễn văn bản từ các mô hình ngôn ngữ lớn.
  Bài toán (b): Phát triển kỹ thuật kết hợp văn bản dựa trên phân cụm hiệu quả, giúp mô hình chủ đề xử lý tốt văn bản ngắn và nhiễu.

7. Đề tài: Học liên tục cho bài toán Trích xuất quan hệ trong kịch bản dữ liệu thưa

• Chủ trì: Lê Hải Nam
• Thời gian thực hiện: 12/2024 – 11/2026
• Đơn vị: Trường Công nghệ Thông tin & Truyền thông, Đại học Bách khoa Hà Nội

Học liên tục trong Trích xuất quan hệ là một vấn đề cấp thiết trong cả nghiên cứu lẫn ứng dụng. Các hệ thống trích xuất quan hệ có khả năng học liên tục, cải thiện theo thời gian sẽ có thể trích xuất ra được những quan hệ mới, đáp ứng được những nhu cầu phát triển liên tục của người dùng. Do đó, việc cải thiện hiệu năng của các hệ thống này, đối mặt với các vấn đề như quên tri thức, khả năng biểu diễn kém, dữ liệu thưa là vô cùng cấp thiết và mới mẻ. – Phát triển một lớp các mô hình học biểu diễn hiệu quả dựa trên mô hình ngôn ngữ lớn: Đây không chỉ là một bài toán cần thiết cho ngữ cảnh học liên tục, mà còn đem lại giá trị cho một lớp các bài toán yêu cầu khả năng biểu diễn dữ liệu tốt nói chung như truy xuất thông tin, phân loại văn bản, hay mô hình chủ đề. Do đó giải quyết bài toán này có ý nghĩa to lớn trong nhiều trường hợp và kịch bản khác nhau. Hơn nữa, việc phân tích và thực nghiệm các mô hình ngôn ngữ lớn cho học liên tục trong trích xuất quan hệ còn chưa được khám phá và khai thác triệt để, điều này khai phá những góc nhìn mới trong lĩnh vực này. Từ các kết quả mô hình thu được có thể hữu ích để ứng dụng vào các hệ thống trong thực tế. – Phát triển các cơ chế giúp nhận diện các lớp tương đồng để tăng cường khả năng phân tách lớp trên miền biểu diễn: Tương đồng lớp là một thách thức đã được phân tích là nguyên nhân lớn dẫn đến hiện tượng quên thảm hoạ cho quá trình học liên tục. Đặc biệt, vấn đề này còn nghiêm trọng hơn trong các kịch bản dữ liệu thưa, tuy nhiên vẫn chưa có nhiều nghiên cứu tập trung giải quyết. Do đó, việc đưa ra được giải pháp hiệu quả cho vấn đề này, sẽ mở ra một hướng tiếp cận mới cho việc hạn chế quên thảm hoạ trong học liên tục. Ngoài ra, việc phân lớp tốt cho các dữ liệu có nhãn tương tự cũng có mối liên hệ với bài toán phân loại mịn (fine-grained classification), ở đó các lớp con trong một lớp chung lớn thường dễ bị nhầm lẫn bởi các mô hình do có tính tương đồng cao. Điều này, càng làm rõ hơn ý nghĩa của công việc này không chỉ thúc đẩy các nghiên cứu nâng cao hơn trong học liên tục mà còn hữu ích cho bài toán phân loại mịn.

8. Đề tài: Phát triển các phương pháp tìm kiếm Monte-Carlo Tree Search: Tối ưu hóa hiệu quả, khả năng khai phá và tính bền vững

• Chủ trì: TS. Đàm Quang Tuấn
• Thời gian thực hiện: 12/2024 – 11/2026
• Đơn vị: Trường Công nghệ Thông tin & Truyền thông, Đại học Bách khoa Hà Nội

Trong đề tài này, nhóm nghiên cứu tập trung phát triển và cải tiến các phương pháp Monte-Carlo Tree Search – MCTS cho bài toán ra quyết định trực tuyến trong môi trường phức tạp, đặc biệt là các bài toán liên quan đến robot, xe tự hành và các hệ thống tự động. MCTS là phương pháp có hiệu quả cao trong các bài toán tìm kiếm và lập kế hoạch, nhưng vẫn gặp nhiều hạn chế khi áp dụng vào môi trường thực tế có tính ngẫu nhiên, không gian trạng thái/hành động liên tục và yêu cầu ra quyết định nhanh với chi phí tính toán hợp lý.
Đề tài hướng đến hai nội dung chính. Thứ nhất là phát triển thuật toán MCTS có tính bền vững, giúp hệ thống duy trì hiệu quả ra quyết định trong môi trường có nhiễu, biến động và nhiều yếu tố không dự đoán trước. Nhóm đề xuất sử dụng kỹ thuật power mean để ước lượng hàm giá trị, kết hợp với các kết quả mới trong học tăng cường bền vững nhằm cải thiện độ ổn định và độ tin cậy của cây tìm kiếm. Thứ hai là phát triển các thuật toán MCTS cho không gian liên tục, nơi các hành động của robot hoặc hệ thống điều khiển không chỉ là các lựa chọn rời rạc mà có thể thay đổi liên tục. Đề tài dự kiến kết hợp các kỹ thuật như Hierarchical Optimistic Optimization, Power Mean Backup và Thompson Sampling để nâng cao hiệu quả lấy mẫu và mở rộng MCTS sang môi trường vừa liên tục vừa ngẫu nhiên.
Kết quả kỳ vọng của đề tài là xây dựng được các phương pháp MCTS mới có cơ sở lý thuyết vững chắc, hỗ trợ ra quyết định hiệu quả hơn trong các ứng dụng thực tế như điều hướng robot, điều khiển xe tự hành, robot công nghiệp và các tác vụ tự động phức tạp, nơi yêu cầu cao về tính thích ứng, độ tin cậy và hiệu quả tính toán.

1. Đề tài: Thuật toán gần đúng giải bài toán tối ưu định tuyến trong môi trường động

• Chủ trì: TS. Đỗ Tuấn Anh
• Thời gian thực hiện: 12/2024 – 11/2026
• Đơn vị: Trường Công nghệ Thông tin & Truyền thông, Đại học Bách khoa Hà Nội

Tóm tắt đề tài: Đề tài nghiên cứu giải quyết bài toán định tuyến động trong môi trường mạng có thông tin thay đổi theo thời gian thực — một lớp bài toán tối ưu tổ hợp NP-khó với tính cấp thiết cao, ảnh hưởng trực tiếp đến hiệu quả vận hành trong các lĩnh vực logistics, viễn thông và giao thông thông minh.Đóng góp cốt lõi của nghiên cứu là tích hợp giữa thuật toán tiến hóa và các mô hình học sâu hiện đại, bao gồm mạng nơ-ron đồ thị (GNN), kiến trúc Transformer và mô hình ngôn ngữ lớn (LLM). Thay vì xem học sâu và thuật toán tiến hóa là hai hướng độc lập, đề tài khai thác tính bổ trợ lẫn nhau giữa hai phương pháp: khả năng học đặc trưng cấu trúc phức tạp của GNN và Transformer được tận dụng để xây dựng lời giải cục bộ chất lượng cao, trong khi năng lực suy luận ngữ nghĩa của LLM được sử dụng để tự động hóa việc lựa chọn siêu tham số — từ đó cải thiện đáng kể tốc độ hội tụ và khả năng tự thích nghi của hệ thống so với các thuật toán tiến hóa truyền thống. Về mục tiêu cụ thể, đề tài hướng đến đề xuất các kỹ thuật mới giúp giảm chi phí tính toán, rút ngắn thời gian xử lý và nâng cao tính thích nghi của hệ thống định tuyến trong điều kiện mạng biến động. Ngoài hiệu quả kinh tế từ tối ưu hóa tài nguyên, kết quả nghiên cứu còn đóng góp vào hướng “định tuyến xanh” — tiết kiệm năng lượng và hỗ trợ phát triển bền vững, đặc biệt có ý nghĩa trong bối cảnh hạ tầng 5G/6G và Internet of Things (IoT) đang mở rộng nhanh chóng.

2. Đề tài: Phát hiện đối tượng khi dữ liệu mới có thêm nhãn mới

• Chủ trì: TS. Nguyễn Đức Anh
• Thời gian thực hiện: 12/2024 – 11/2026
• Đơn vị: Trường Công nghệ Thông tin & Truyền thông, Đại học Bách khoa Hà Nội

Tóm tắt đề tài: Trong đề tài này, chúng tôi tập trung vào vấn đề phát hiện đối tượng (object detection) trong bối cảnh dữ liệu tới liên tục và có thể mang theo những nhãn mới chưa từng xuất hiện trước đó. Phát hiện đối tượng là một nhiệm vụ cơ bản trong thị giác máy tính, bao gồm việc xác định vùng và phân loại đối tượng, được ứng dụng rộng rãi trong xe tự lái, giám sát an ninh, y tế và robot. Các phương pháp hiện hành tuy đạt hiệu quả tốt nhưng thường được phát triển trên giả thiết dữ liệu cố định cho trước, khó đáp ứng được thực tế khi dữ liệu liên tục thay đổi và xuất hiện thêm nhãn mới. Để giải quyết bài toán này, một hướng tiếp cận quan trọng là học liên tục (continual learning) với ba nhóm phương pháp phổ biến gồm phát lại (replay), chính quy hoá (regularization) và cô lập tham số (parameter isolation), nhằm cân bằng giữa việc ghi nhớ tri thức cũ và mở rộng tri thức với nhãn mới. Tuy nhiên, độ chính xác của các mô hình học liên tục hiện nay vẫn còn kém xa so với cài đặt học offline, cho thấy còn nhiều thách thức cần vượt qua. Đây cũng chính là hướng nghiên cứu của đề tài, đề xuất xây dựng hoặc cải tiến các phương pháp học liên tục cho bài toán phát hiện đối tượng nhằm vừa duy trì hiệu quả nhận diện cao trên nhãn cũ, vừa thích ứng tốt với nhãn mới một cách hiệu quả.

2. Đề tài: Nâng cao khả năng chịu lỗi trong các hệ thống mạng cảm biến không dây thông qua các kỹ thuật đa bao phủ và đa kết nối

• Chủ trì: ThS. Bành Thị Quỳnh Mai
• Thời gian thực hiện: 11/2024–11/2025
• Đơn vị: Trường Công nghệ Thông tin & Truyền thông, Đại học Bách khoa Hà Nội

Tóm tắt đề tài: Trong đề tài này, chúng tôi tập trung nghiên cứu các kỹ thuật đa bao phủ và đa kết nối nhằm nâng cao khả năng chịu lỗi trong các hệ thống mạng cảm biến không dây ứng dụng cho IoT. Trong thực tế, các hệ thống IoT thường phải hoạt động trong môi trường phức tạp, với nhiều loại cảm biến khác nhau như cảm biến tĩnh, cảm biến di động và cảm biến định hướng. Khi cảm biến gặp lỗi, hết năng lượng hoặc mất kết nối, hệ thống có thể bị gián đoạn trong quá trình thu thập và truyền dữ liệu. Vì vậy, việc đảm bảo mỗi đối tượng được nhiều cảm biến giám sát và có nhiều đường kết nối độc lập tới trạm cơ sở là một hướng tiếp cận quan trọng để duy trì độ tin cậy của mạng. Đề tài nghiên cứu các bài toán tối ưu K-bao phủ, Q-bao phủ, K-kết nối và Q-kết nối trong mạng cảm biến không dây đồng nhất và không đồng nhất, đồng thời đề xuất các thuật toán heuristic và metaheuristic để tối thiểu hóa số lượng nút triển khai, giảm chi phí, kéo dài thời gian sống của mạng và nâng cao khả năng chịu lỗi. Kết quả nghiên cứu kỳ vọng góp phần xây dựng các mô hình và thuật toán hiệu quả cho triển khai hạ tầng IoT trong các ứng dụng như giám sát môi trường, nhà thông minh, công nghiệp, y tế và quân sự.

1. Đề tài: Tối ưu tài nguyên mạng truyền thông không dây 6G chỉ sử dụng một phần thông tin kênh truyền

• Chủ trì: TS. Trịnh Văn Chiến
• Thời gian thực hiện: 11/2022–10/2024
• Đơn vị: Trường Công nghệ Thông tin & Truyền thông, Đại học Bách khoa Hà Nội

Tóm tắt đề tài: Trong đề tài này, chúng tôi tập trung nghiên cứu bài toán tối ưu tài nguyên cho mạng truyền thông không dây 6G trong điều kiện chỉ có một phần thông tin kênh truyền. Mạng 6G được kỳ vọng tích hợp nhiều công nghệ tiên tiến như cảm biến thông minh, UAV, RIS và thông tin vệ tinh nhằm cung cấp tốc độ cao, độ trễ thấp và chất lượng dịch vụ tốt hơn cho người dùng. Tuy nhiên, trong thực tế, việc thu thập đầy đủ thông tin kênh truyền là rất khó do sự di động của người dùng, môi trường truyền dẫn thay đổi nhanh và chi phí phản hồi thông tin lớn. Vì vậy, đề tài hướng đến xây dựng các mô hình tối ưu dựa trên thông tin kênh không hoàn hảo hoặc không đầy đủ, từ đó đề xuất các thuật toán phân bổ tài nguyên, điều khiển công suất và tối ưu hiệu suất mạng một cách hiệu quả. Bên cạnh đó, đề tài cũng xem xét các mô hình mạng 6G tích hợp như mạng có hỗ trợ RIS, UAV và vệ tinh, đồng thời áp dụng các phương pháp tối ưu và trí tuệ nhân tạo để cải thiện thông lượng, độ tin cậy và hiệu quả sử dụng tài nguyên. Kết quả nghiên cứu góp phần xây dựng nền tảng lý thuyết và thuật toán cho việc quy hoạch, vận hành các mạng 6G trong điều kiện thực tế.