Bài báo này áp dụng một chiến lược dự báo chuỗi thời gian nhiều bước được gọi là RU-SVR. Phương pháp này liên tục cập nhật mô hình SVR để cải thiện độ chính xác và tính ổn định của dự báo trong các biến động dữ liệu. Nghiên cứu đã thực hiện các thực nghiệm trên tập dữ liệu chỉ số VN-Index từ sàn giao dịch chứng khoán Thành phố Hồ Chí Minh, so sánh hiệu quả của RU-SVR với các mô hình dự báo hiện đại như LSTM, MLP và ConvLSTM. Kết quả thực nghiệm cho thấy RU-SVR không chỉ đạt độ chính xác cao hơn mà còn ổn định hơn trong dự báo chuỗi thời gian nhiều bước.

Đảm bảo chất lượng phần mềm là ưu tiên cao nhất trong toàn bộ quá trình phát triển phần mềm. Bài báo đề xuất một phương pháp kết hợp dựa trên 3 kỹ thuật xử lý chính: Word2vec kết hợp LSTM; Word2vec kết hợp Bidirectional LSTM; Phát hiện lỗ hổng phần mềm sử dụng BERT. Trong đó Word2vec kết hợp LSTM, BiLSTM thực hiện việc chuyển mã đã được xử lý thành các vectơ nhúng. Các vectơ nhúng được đưa vào mạng LSTM và BiLSTM với số lượng các nút ẩn khác nhau để tiến hành học và phân loại lỗ hổng. Mô hình BERT biễu diễn từ theo cơ chế hai chiều sử dụng kỹ thuật Transformer, các attention mechanism dùng để hiểu ngữ cảnh từ cả hai phía của các từ trong câu. Kết quả phân loại đưa qua hàm softmax để trả về một vectơ chứa dự đoán xác suất từng loại lỗ hổng. Để minh họa sự vượt trội của phương pháp, tiến hành thực nghiệm trên bộ dữ liệu SARD. Kết quả thực nghiệm cho độ chính xác lên đến 82,63% tương ứng tỷ lệ bỏ sót chỉ còn 17,37% cho thấy hiệu quả tốt.

Việc sử dụng drones cho công đoạn giao hàng chặng cuối và việc phối kết hợp chúng cùng với tuyến xe tải với mục đích cải thiện chất lượng dịch vụ và tăng lợi nhuận vận chuyển, đã đặt ra thêm nhiều lớp Bài toán định tuyến phương tiện mới. Chúng tôi xem xét đến bài toán tối ưu hóa Định tuyến lập lịch drone song song xem xét đến lợi nhuận. Trong bài toán này, việc phân giao khách hàng cho xe tải hay drones được tính toán kỹ lưỡng. Chúng tôi đã nghiên cứu mục tiêu lợi nhuận của quy trình giao hàng và đề xuất cải tiến phương pháp SISRs (Slack Induction by String Removals) giải bài toán định tuyến phương tiện lập lịch drone song song nhằm đưa ra lời giải với lợi nhuận tối đa.

Các phương pháp giấu tin thuận nghịch dựa trên sắp xếp giá trị điểm ảnh (PVO) có nhược điểm là khả năng nhúng không lớn. Do đó, Niu và cộng sự đã đề xuất phương pháp sử dụng PVO để nhúng dữ liệu trong hai ảnh. Phương pháp này chỉ nhúng dữ liệu vào các điểm ảnh lớn nhất và nhỏ nhất, nên dung lượng nhúng cũng bị hạn chế. Hơn nữa, do mỗi điểm ảnh bị sửa đổi tối đa hai đơn vị, chất lượng ảnh giấu tin cũng không cao. Trong bài báo này, chúng tôi đề xuất một phương pháp mới về giấu tin thuận nghịch dựa trên PVO với hai ảnh, với việc dữ liệu được nhúng đồng thời trong vào các điểm ảnh lớn thứ hai và lớn nhất cũng như điểm ảnh nhỏ thứ hai và nhỏ nhất. Từ đó, phương pháp của chúng tôi sẽ tăng đáng kể dung lượng dữ liệu được nhúng. Ngoài ra, trong đề xuất của chúng tôi, mỗi điểm ảnh chỉ được sửa đổi tối đa một đơn vị nên chất lượng ảnh giấu tin cũng tốt hơn.