Từ các mô hình liên kết các mã khối, mô hình kết hợp mã hóa/điều chế và giải mã/ giải điều chế có hoán vị, bài báo đề xuất hệ thống mã kênh mới, gọi là mã khối liên kết mới. Các mã kênh này có cấu trúc: mã ngoài là một mã Hamming mở rộng, mã trong là một mã chẵn lẻ, liên kết nối tiếp thông qua một bộ hoán vị khối. Mã kênh mới với hai mã thành phần có chiều dài ngắn là mã Hamming mở rộng (16,11,4) và mã kiểm tra chẵn lẻ bít đơn (9,8) đã đạt được tỉ lệ lỗi bít (BER) 6.10-9 với tỉ lệ công suất tín hiệu trên tạp âm (SNR) là 6 dB. Tăng ích của hệ thống truyền dẫn sử dụng mã khối liên kết mới đạt từ 2 dB công suất so với các mô hình điều chế mã khối có hoán vị bít và giải mã lặp (BIBCM-ID). Mô hình mã kênh này có thể đạt được tiêu chí mã hóa/giải mã đơn giản, kiểm soát lỗi tốt cho các gói tin ngắn, phù hợp với các hệ thống truyền tin cơ động.

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.