Chúc mừng nhóm sinh viên ngành An toàn thông tin và Khoa học máy tính có bài báo khoa học được chấp nhận đăng tại hội nghị IWCMC 2026 (CORE - Rank B) trong dự án nghiên cứu quốc tế với đối tác Australia.
Bài báo:
- “ADCC-Bench: A Benchmark Framework for Anomaly Detection in Cryptocurrency Transactions”
Sinh viên thực hiện:
- Phạm Tấn Gia Quốc - ATTT 2023
- Huỳnh Quốc Khánh - ATTT 2023
- Nguyễn Anh Khoa – KHMT 2024
Giảng viên hướng dẫn:
- PGS.TS Phạm Văn Hậu
- TS. Phan Thế Duy
- TS. Huỳnh Hữu Việt - ĐH Edith Cowan (Edith Cowan University) - Perth, Australia
- PGS.TS. Mohiuddin Ahmed - ĐH Adelaide (Adelaide University) - Adelaide, Australia
- ThS. Tô Trọng Nghĩa
Thông tin bài báo:
“ADCC-Bench: A Benchmark Framework for Anomaly Detection in Cryptocurrency Transactions” là kết quả của hướng nghiên cứu “Dark Web Analytics for Ransomware Threat Actor Profiling”, tập trung xây dựng khung benchmark cho phát hiện bất thường trong giao dịch tiền mã hóa nhằm hỗ trợ phân tích và định danh các tác nhân ransomware.
Bài báo là kết quả nghiên cứu của dự án đồng hướng dẫn sinh viên nghiên cứu khoa học quốc tế giữa Phòng thí nghiệm An toàn thông tin (InSecLab) - Trường ĐH CNTT (ĐHQG Tp. HCM) với nhóm nghiên cứu về Bảo mật, an ninh mạng, Blockchain và Trí tuệ nhân tạo tại ĐH Adelaide (Úc), và ĐH Edith Cowan (Úc), đồng thời phản ánh định hướng quốc tế hóa mạnh mẽ của UIT InSecLab thông qua các hoạt động trao đổi và hợp tác nghiên cứu nhằm gia tăng chất lượng và ảnh hưởng công bố trong lĩnh vực công nghệ thông tin nói chung, cũng như an toàn thông tin và trí tuệ nhân tạo liên ngành nói riêng.
Thông tin hội nghị:
Hội nghị khoa học quốc tế The 22nd International Wireless Communications & Mobile Computing Conference (IWCMC 2026) được tổ chức tại Thượng Hải, Trung Quốc vào ngày 01–06/06/2026. IWCMC là hội nghị quốc tế thường niên hướng tới các nghiên cứu mới và các chủ đề emerging trong lĩnh vực truyền thông không dây, điện toán di động, học máy, và các ứng dụng của truyền thông và mạng. Đây là một hội nghị khoa học uy tín hiện được xếp hạng B theo chuẩn CORE.
Lời cảm ơn:
Chúng em xin chân thành cảm ơn Trường Đại học Công nghệ Thông tin - ĐHQG TP.HCM (UIT) và Phòng Thí nghiệm An toàn thông tin (InSecLab) đã tạo điều kiện thuận lợi để nhóm học tập, nghiên cứu và hoàn thiện công trình này. Nhóm xin bày tỏ lòng biết ơn sâu sắc đến TS. Huỳnh Hữu Việt, PGS.TS. Mohiuddin Ahmed, PGS.TS. Phạm Văn Hậu, TS. Phan Thế Duy và ThS. Tô Trọng Nghĩa vì đã tận tình hướng dẫn, định hướng và hỗ trợ nhóm trong suốt quá trình thực hiện nghiên cứu. Nhóm chúng em xin trân trọng cảm ơn và kính chúc quý Thầy nhiều sức khỏe, thành công trong sự nghiệp giảng dạy và nghiên cứu.
Tóm tắt:
“Anomaly detection in cryptocurrency transactions is critical for blockchain forensics, yet fragmented evaluation protocols and non-chronological data splits that cause information leakage make cross-study comparison unreliable. This paper presents ADCC-Bench, a unified benchmarking framework that enforces modality-aware splitting, standardized preprocessing, and multi-seed statistical testing across diverse blockchain datasets. The framework evaluates tree-based ensembles (Random Forest, XGBoost, LightGBM), graph neural networks (GCN, GraphSAGE), and their hybrid combinations on three datasets representing distinct anomaly types: transaction-flow (Elliptic++), execution-level (BLTE), and behavioral (Ethereum). SHAP-based attribution validates that high-performing models rely on meaningful forensic features rather than spurious correlations. An ablation study demonstrates that random splitting inflates Macro-F1 by up to 11% and reverses model rankings, empirically confirming temporal leakage severity. Cross-dataset evaluation reveals that tree-based models consistently achieve the highest single-model Macro-F1 across all datasets, while topology-aware ensembles incorporating GCN provide complementary gains on transaction-flow data. Welch’s t-tests over 20 seeds show that tree-only ensemble gains are not statistically significant; their primary benefit is variance reduction in noisy settings. ADCC-Bench establishes a reproducible, structure-aware benchmark for principled model selection in blockchain forensics”.
