Ánh sáng Hồ Chí Minh soi đường chúng ta đi
Trân trọng giới thiệu bài viết của Tổng Bí thư, Chủ tịch nước Tô Lâm với tiêu đề: "Ánh sáng Hồ Chí Minh soi đường chúng ta đi".
Nghiên cứu xây dựng mô hình học sâu phát hiện tin nhắn rác dựa trên bộ dữ liệu phức hợp được cập nhật
Từ khi ra đời, dịch vụ tin nhắn di động (SMS) đã trở thành phương tiện quen thuộc với tất cả những người sử dụng điện thoại di động. Tuy nhiên, một số tổ chức/doanh nghiệp và cá nhân lại lạm dụng công cụ này trong hoạt động truyền thông tiếp thị khiến cho nạn tin nhắn rác diễn ra ngày càng phức tạp.
Tóm tắt: Từ khi ra đời, dịch vụ tin nhắn di động (SMS) đã trở thành phương tiện quen thuộc với tất cả những người sử dụng điện thoại di động. Tuy nhiên, một số tổ chức/doanh nghiệp và cá nhân lại lạm dụng công cụ này trong hoạt động truyền thông tiếp thị khiến cho nạn tin nhắn rác diễn ra ngày càng phức tạp. Tính đến nay, nhiều giải pháp phát hiện và ngăn chặn tin nhắn rác có hiệu quả cao đã được công bố, nhưng thực tế cho thấy, số vụ và mức độ thiệt hại tài chính bởi vấn nạn này ngày càng gia tăng. Dựa trên bộ dữ liệu phức hợp mới được cập nhật, bài viết này đề xuất mô hình học máy nhằm phát hiện tin nhắn rác giúp giảm thiểu tối đa những rủi ro mà người dùng thiết bị di động đang phải đối mặt, đặc biệt là rủi ro liên quan đến vấn đề tài chính.
Từ khóa: Tin nhắn rác, phân loại văn bản, học máy.
A STUDY ON CONSTRUCTING DEEP LEARNING MODEL FOR SMS SPAM DETECTION
USING THE UPDATED DATASET OF MOBILE MESSAGES
Abstract: Nowadays, Short Message Service-SMS is a popular communication method for mobile users. However, several organizations and inpiduals have abused this tool in their marketing activities and have caused the problem of spam SMS. Up to now, many highly effective solutions for detecting and preventing spam SMSs have been propounded, but reality shows that the number of cases and the level of financial damage caused by this problem are increasing. Based on the updated SMS dataset, this study proposes a modern machine learning model used for detecting spam SMS to reduce the risks that mobile users are facing, especially risks related to financial problems.
Keywords: Spam SMS, machine learning, text classification.
1. Đặt vấn đề
Ngày nay, thiết bị thông minh, đặc biệt là điện thoại di động đã trở thành “vật bất li thân” đối với con người. Những thiết bị loại này giúp duy trì kết nối liên tục, cập nhật thông tin thời sự, hỗ trợ con người làm việc, học tập, giải trí.
Tuy nhiên, nhiều người phản ánh rằng điện thoại di động cũng đem lại phiền hà, ví dụ như một số người bị rò rỉ dữ liệu riêng tư nhạy cảm hay thiết bị di động của họ bị tin tặc biến thành công cụ tấn công máy chủ web. Những vụ việc điển hình xảy ra liên quan đến thiết bị và dữ liệu di động đó là: 46 triệu người dùng di động của Malaysia đã bị rò rỉ dữ liệu nhạy cảm và quan trọng như địa chỉ, số thẻ định danh, thông tin thẻ, sim điện thoại và thông tin cá nhân khác vào năm 2017; dữ liệu liên quan tới 7,6 triệu chủ tài khoản hiện tại và 65,4 triệu chủ tài khoản trước đây của Công ty viễn thông AT&T - nhà cung cấp dịch vụ không dây bán lẻ lớn thứ 3 của Mỹ đã bị rò rỉ từ trước năm 2019 và mới bị phát hiện vào đầu năm 2024. Ở Việt Nam, nhiều vụ việc lộ lọt dữ liệu di động của một số cá nhân nổi tiếng cũng đã xảy ra khiến cho danh tiếng, uy tín và đời sống riêng tư của các cá nhân này bị ảnh hưởng nghiêm trọng.
Bài viết này tập trung vào vấn đề phổ biến đối với tất cả người dùng thiết bị di động, đó là nạn tin nhắn rác. Tin nhắn rác là những tin nhắn thường chứa thông tin quảng cáo, các thông điệp không liên quan, đặc biệt nguy hiểm khi nhiều tin nhắn rác chứa thông tin lừa đảo liên quan đến lĩnh vực tài chính - ngân hàng. Theo các tổ chức bảo mật nổi tiếng F-secure và Kaspersky, kẻ lừa đảo thường sử dụng phương thức nhắn tin giả mạo ngân hàng hoặc cơ quan có thẩm quyền khiến nạn nhân tiết lộ thông tin và chi tiết cá nhân như số tài khoản ngân hàng, mật khẩu và mã OTP thực hiện giao dịch ngân hàng rồi từ đó cố gắng truy cập vào ngân hàng trực tuyến và thực hiện giao dịch trái phép.
Theo thống kê của Techreport, năm 2020, có tới 3 triệu tin nhắn lừa đảo liên quan đến lĩnh vực tài chính - ngân hàng. Thống kê mới nhất của Robokiller - ứng dụng chặn cuộc gọi và tin nhắn rác hàng đầu cho thấy, người Mỹ đã nhận được 225 tỉ tin nhắn rác vào năm 2023 (tăng 157% so với năm 2022) và 19,2 tỉ tin nhắn rác vào tháng 3/2024. Truecaller và Ủy ban Thương mại Liên bang cho biết, 68,4 triệu người Mỹ trở thành nạn nhân của các vụ lừa đảo qua điện thoại với tổng thiệt hại hơn 326 triệu USD. Ở Ailen, chỉ một vụ lừa đảo qua tin nhắn rác mà thiệt hại lên đến 800 nghìn USD.
Tại Việt Nam, vào năm 2021, khách hàng của nhiều ngân hàng thương mại như Ngân hàng Thương mại cổ phần (NHTMCP) Ngoại thương Việt Nam (Vietcombank), NHTMCP Á Châu (ACB), NHTMCP Sài Gòn Thương Tín (Sacombank), NHTMCP Tiên Phong (TPBank) đã nhận được tin nhắn chứa đường dẫn mạo danh ngân hàng (Đại Việt, 2021; N.M, 2021). Những khách hàng này do không biết hoặc chủ quan nên đã nhấp vào và bị chiếm quyền truy cập tài khoản ngân hàng dẫn đến mất số tiền lớn. Năm 2022, Công an tỉnh Tuyên Quang cũng đã phải phát đi cảnh báo thủ đoạn lừa đảo qua SMS. Theo đó, các đối tượng giả lập trạm phát sóng di động của các nhà mạng trong nước rồi phát tán tin nhắn với nội dung thông báo khách hàng đã đăng kí các dịch vụ phát sinh chi phí (từ 3 - 6 triệu đồng) qua tài khoản ngân hàng (Hoàn, 2022).
Trong suốt nhiều năm qua, vấn nạn tin nhắn rác không chỉ gây phiền toái cho người dùng mà còn gây ra thiệt hại lớn về mặt tài chính. Do đó, việc đề xuất các giải pháp công nghệ hiện đại nhằm phát hiện tin nhắn rác với độ chính xác cao là hết sức cấp thiết và có ý nghĩa trong việc đảm bảo an toàn, hạn chế rủi ro về tài chính cho người dùng thiết bị di động.
Mục tiêu chính của bài viết này là phân tích, nghiên cứu phát triển mô hình học máy thông minh dựa trên bộ dữ liệu phức hợp được cập nhật mới nhất có khả năng phát hiện tin nhắn rác hiệu quả, giúp giảm tối đa những rủi ro cho người dùng thiết bị di động, đặc biệt là những rủi ro tài chính.
2. Các nghiên cứu liên quan
Tính đến nay, có hai cách tiếp cận phổ biến trong việc xây dựng giải pháp cho bài toán phát hiện tin nhắn rác là phương pháp phát hiện dựa trên luật (Rule-based method) và phương pháp lọc dựa trên nội dung (Xia và Chen, 2021).
Phương pháp phát hiện dựa trên luật được những tập đoàn công nghệ lớn như Google, Symantec, McAfee ứng dụng để loại bỏ những tin nhắn, thư điện tử rác (M. Hameed và Hussein Ali, 2021). Phương pháp này tương đối hiệu quả nhưng để cải thiện liên tục chất lượng nhận dạng tin nhắn rác thì tập luật sẽ ngày một lớn dần lên, làm tăng thời gian rà quét một tin nhắn đến hộp tin của người dùng.
Phương pháp lọc tin nhắn rác dựa trên nội dung sử dụng nền tảng học máy được quan tâm nghiên cứu nhiều hơn trong những năm trở lại đây (Hsu, 2020; Xia và Chen, 2021). Những hệ thống lọc tin nhắn rác loại này có tốc độ nhanh và độ chính xác cao. Tuy nhiên, để có được những giải pháp hiệu quả như vậy thì dữ liệu tin nhắn cũng cần được đảm bảo số lượng đủ lớn, được gắn nhãn đúng và cập nhật.
Khảo sát những giải pháp điển hình trong việc phát hiện tin nhắn rác dựa trên nền tảng học máy, trong nghiên cứu của Rafique và Farooq (2010), các tác giả đã xây dựng công cụ phát hiện tin nhắn rác dựa trên mô hình Markov ẩn sử dụng bộ dữ liệu được khảo sát từ tình nguyện viên và diễn đàn Grumbletext. Công cụ này của Rafique và Farooq đã đạt được độ chính xác 97% trong việc nhận diện ra tin nhắn rác.
Với việc ứng dụng thuật toán phân lớp láng giềng gần nhất KNN, Uysal và cộng sự (2013) đã sử dụng bộ dữ liệu tin nhắn di động (không công bố) để đề xuất mô hình phát hiện tin nhắn rác với độ chính xác là 96%.
Dựa trên ưu điểm về sự phù hợp của kĩ thuật phân lớp Naive Bayes đối với bài toán phân loại văn bản nói chung, Nagwani và Sharaff (2016) đưa ra mô hình phát hiện tin nhắn rác dựa trên kho SMS của Almeida và cộng sự (2011) với độ chính xác khiêm tốn tầm 84,2%.
Cũng dựa trên thuật toán Naive Bayes nhưng Arifin và cộng sự (2016) đã đề xuất mô hình phân biệt tin nhắn rác sử dụng kho SMS của Almeida và cộng sự (2011) đạt được độ chính xác lên đến 98,5%.
Sử dụng bộ dữ liệu kho SMS của Almeida và cộng sự kết hợp cùng kho tin nhắn tiếng Anh - Ấn, Agarwal và cộng sự (2016) đã phát triển hai giải pháp phát hiện tin nhắn rác dựa vào kĩ thuật phân lớp SVM và cây quyết định. Những giải pháp này lần lượt đạt độ chính xác là 98,23% và 96,04%.
Thử nghiệm với hai phương pháp phân lớp SVM và Naive Bayes trên kho SMS của Almeida và cộng sự (2011), Sonowal, Kuppusamy và cộng sự (2018) đã có được hai mô hình phân loại tin nhắn rác có độ chính xác ở mức 94,2%. Cùng sử dụng bộ dữ liệu tương tự, Jain và Gupta (2019) đã đề xuất ứng dụng cây quyết định và SVM vào bài toán phát hiện tin nhắn rác và đạt được độ chính xác là 94,2%.
Với việc sử dụng kĩ thuật phân lớp Naive Bayes trên cùng bộ dữ liệu kho SMS của Almeida và cộng sự (2011) nhưng Sjarif và cộng sự (2019), Mishra và Soni (2020) lại đạt được mô hình phát hiện tin nhắn rác với độ chính xác khác nhau, lần lượt là 97,5% và 96,29%.
Xia và Chen đã liên tiếp cải tiến mô hình Markov ẩn tiến hành trên kho SMS của Almeida và cộng sự (2011) để ứng dụng vào việc xây dựng công cụ phân loại tin nhắn rác với độ chính xác 95,9% trong công trình (Xia và Chen, 2020) và 96,9% trong công trình (Xia và Chen, 2021).
Trong nghiên cứu của mình, Roy và cộng sự (2020) đã thử nghiệm xây dựng một loạt mô hình phát hiện tin nhắn rác dựa trên các kĩ thuật học sâu là bộ nhớ dài - ngắn hạn (LSTM), mạng nơ-ron tích chập (CNN), LSTM kết hợp CNN trên bộ dữ liệu kho SMS của Almeida và cộng sự (2011). Kết quả là, mô hình kết hợp LSTM và CNN đạt độ chính xác cao nhất, lên đến 99,44%.
Có cùng phương pháp kết hợp giữa LSTM với CNN, tuy nhiên Ghourabi và cộng sự (2020) đề xuất được công cụ lọc tin nhắn rác dựa trên kho SMS của Almeida và cộng sự (2011) với độ chính xác thấp hơn một chút là 98,37%. Kết quả này cũng gần tương đương với các mô hình phân loại tin nhắn rác dựa trên thuật toán KNN của Sousa và cộng sự (2021), mô hình tuần tự trong học sâu của Liu và cộng sự (2021), CNN của Giri và cộng sự (2023), mô hình kết hợp giữa CNN và Bi-LSTM của Mambina và cộng sự (2024).
Đặc biệt, một loạt các công trình nghiên cứu sử dụng bộ dữ liệu kho SMS của Almeida và cộng sự (2011) đã xây dựng được mô hình phát hiện tin nhắn rác có độ chính xác gần như tuyệt đối, đó là công trình của Ghourabi và Alohaly (2023) kết hợp các kĩ thuật SVM, KNN, LightGBM, CNN; công trình của Maqsood và cộng sự (2023) sử dụng kĩ thuật SVM, hay công trình của Hussein và cộng sự (2023) kết hợp LSTM và CNN.
Ngoài các nghiên cứu đề xuất mô hình lọc tin nhắn rác tiếng Anh phổ biến thì hiện nay, cũng đã có một số nghiên cứu phát hiện tin nhắn rác tiếng Indonesia như Hikmaturokhman và cộng sự (2022) sử dụng các kĩ thuật mạng nơ-ron dày đặc, LSTM và Bi-LSTM đạt độ chính xác tương ứng là 95,63%, 94,76%, và 94,75%; Tuấn và cộng sự (2022) đề xuất mô hình phát hiện tin nhắn rác tiếng Việt dựa trên việc kết hợp DNN và PhoBERT có độ chính xác 99,53%; Mambina và cộng sự (2024) đã xây dựng công cụ phát hiện tin nhắn rác tiếng Tanzania dựa trên mô hình kết hợp CNN, LSTM, LSTM sử dụng dữ liệu từ các công ty viễn thông với độ chính xác 99,98% hay Ayaz và cộng sự (2024) đã sử dụng kho tin nhắn ngôn ngữ Latinh (Romanized messages) riêng tư huấn luyện mô hình cây quyết định SVM và Naive Bayes để đạt được các kết quả chính xác lần lượt là 97,33%, 99,42%, 97,33%.
Qua kết quả nghiên cứu khảo sát có thể thấy, hầu hết những giải pháp hiện có được đề xuất cho bài toán phát hiện tin nhắn rác đạt kết quả chính xác rất cao, thậm chí tiệm cận tới 100%. Tuy nhiên, những số liệu thống kê lại phản ánh thực tế vấn nạn tin nhắn rác và mức độ thiệt hại của người dùng thiết bị di động không có dấu hiệu thuyên giảm trong những năm gần đây. Có thể nhận định rằng, một trong những vấn đề chính khiến cho các mô hình lí tưởng này chưa đáp ứng được yêu cầu thực tế là do bộ dữ liệu sử dụng trong huấn luyện và kiểm thử mô hình. Những nghiên cứu điển hình được phân tích ở trên sử dụng hầu hết các bộ dữ liệu tin nhắn bị hạn chế về mặt số lượng tin nhắn và dữ liệu tin nhắn không được cập nhật thường xuyên (Salman và cộng sự, 2024), trong khi đó tin tặc lại sử dụng nhiều thủ đoạn khác nhau nhằm thay đổi liên tục mẫu tin nhắn rác để tránh bị phát hiện. Chính vì vậy, việc xây dựng mô hình học máy hiện đại dựa trên bộ dữ liệu tin nhắn phức hợp được cập nhật nhằm phát hiện tin nhắn rác là vấn đề nghiên cứu quan trọng cần được quan tâm.
3. Mô hình học sâu phát hiện tin nhắn rác dựa trên bộ dữ liệu phức hợp được cập nhật
Bài viết tập trung phân tích mô hình học máy phát hiện tin nhắn rác dựa trên bộ dữ liệu phức hợp được cập nhật, cụ thể như sau:
Về bộ dữ liệu: Nghiên cứu này lựa chọn tích hợp ba nguồn dữ liệu đặc trưng cho bài toán phát hiện tin nhắn rác. Bộ dữ liệu phức hợp được cập nhật mới nhất, sau khi được làm sạch bao gồm 41.663 tin nhắn thường và 26.757 tin nhắn rác.
Về kĩ thuật học máy: Qua những kết quả nghiên cứu khảo sát trong bài viết và những công trình liên quan (Maqsood và cộng sự, 2023; Salman và cộng sự, 2024), có thể thấy rằng, nhóm kĩ thuật học sâu thường có độ chính xác cao nhất. Do đó nghiên cứu cũng lựa chọn hướng tiếp cận này.
Dưới đây, bài viết phân tích chi tiết các bước xây dựng mô hình học sâu dựa trên bộ dữ liệu cập nhật nói trên nhằm tạo ra công cụ phát hiện tin nhắn rác.
Tiền xử lí dữ liệu
Nghiên cứu này lựa chọn phương pháp tiền xử lí dữ liệu phổ biến BoW (Bag of Words) để trích xuất đặc trưng, mỗi tin nhắn sẽ được biểu diễn thành các vector 5000 chiều dựa vào bộ từ điển được xây dựng từ chính bộ dữ liệu.
Phân chia dữ liệu huấn luyện và kiểm thử
Tỉ lệ số tin nhắn trong tập dữ liệu huấn luyện và kiểm thử là 80% và 20%, tuy nhiên, để đảm bảo số lượng tin nhắn thường và tin nhắn rác được phân bổ đều cho hai tập trên thì nghiên cứu này sẽ chia lần lượt bộ tin nhắn thường và tin nhắn rác theo tỉ lệ trên rồi mới ghép lại thành tập dữ liệu huấn luyện và kiểm thử. (Bảng 1)
Bảng 1: Mã nguồn chương trình chuẩn bị dữ liệu
Huấn luyện mô hình và thảo luận kết quả kiểm thử
Mô hình học sâu được lựa chọn trong nghiên cứu này là Sequential trong thư viện Tensorflow như được trình bày ở đoạn mã nguồn Python. (Bảng 2)
Bảng 2. Mã nguồn huấn luyện mô hình học sâu
và kiểm thử đánh giá
Sau khi được huấn luyện thành công từ bộ dữ liệu phức hợp và cập nhật, mô hình học sâu phát hiện tin nhắn rác được triển khai thử nghiệm trên tập kiểm thử và đạt độ chính xác lên đến 97,2%. Điều này thể hiện mô hình đã phát triển có chất lượng tốt và khả năng ứng dụng cao vào thực tế.
4. Kết luận
Bài viết đề xuất mô hình học sâu dựa trên bộ dữ liệu phức hợp và được cập nhật nhằm phát hiện ra tin nhắn rác. Mô hình đề xuất có độ chính xác cao và do đó có khả năng phát triển thành ứng dụng thực tế. Trong thời gian tới, hi vọng sẽ có nhiều nghiên cứu tập trung đề xuất mô hình phát hiện ra tin nhắn rác cho tin nhắn tiếng Việt và đặc biệt là phân loại các mức cảnh báo nguy hiểm khác nhau giúp người dùng thiết bị di động ý thức hành vi của mình với từng tin nhắn rác nhận được.
Tài liệu tham khảo:
1. Agarwal, S., Kaur, S., & Garhwal, S. (2016). SMS spam detection for Indian messages. International Conference on Next Generation Computing Technologies (NGCT). https://doi.org/10.1109/NGCT.2015.7375198
2. Almeida, T. A., J.M.G, H., & A, Y. (2011). Contributions to the study of SMS spam fltering: New collection and results. Proceedings of the 11th ACM Symposium on Document Engineering, pages 259-262. https://doi.org/10.1145/2034691.2034742
3. Ghourabi, A., A. Mahmood, M., & M. Alzubi, Q. (2020). A Hybrid CNN-LSTM Model for SMS Spam Detection in Arabic and English Messages. Future Internet, 12(156). https://doi.org/10.3390/fi12090156
4. Ghourabi, A., & Alohaly, M. (2023). Enhancing Spam Message Classification and Detection Using Transformer-Based Embedding and Ensemble Learning. Sensors, 23. https://doi.org/10.3390/ s23083861
5. Hikmaturokhman, A., Nafi’ah, H., Larasati, S., Wahyudin, A., Ariprawira, G., & Pramono, S. (2022). Deep Learning Algorithm Models for Spam Identification on Cellular Short Message Service. Journal of Communications, 17(9), pages 769-776. https://doi.org/10.12720/jcm.17.9.769-776
6. Hsu, B.-M. (2020). Comparison of Supervised Classification Models on Textual Data. Mathematics, 8(5). https://doi.org/10.3390/math8050851
7. Hussein, A. A.-K., Mohammad-Rrza, F.-D., & Saeid, P. (2023). Multi-Type Feature Extraction and Early Fusion Framework for SMS Spam Detection. IEEE Access, 11, pages 123756-123765. https://doi.org/10.1109/ACCESS.2023.3327897
8. Jain, A. K., & Gupta, B. B. (2019). Feature Based Approach for Detection of Smishing Messages in the Mobile Environment. Journal of Information Technology Research, 12(2), pages 17-35. https://doi.org/10.4018/JITR.2019040102
9. M. Hameed, S., & Hussein Ali, Z. (2021). SMS Spam Detection Based on Fuzzy Rules and Binary Particle Swarm Optimization. International Journal of Intelligent Engineering and Systems, 14(2), pages 314-322. https://doi.org/10.22266/ijies2021.0430.28
10. Maqsood, U., Ur Rehman, S., Ali, T., Mahmood, K., Alsaedi, T., & Kundi, M. (2023). An Intelligent Framework Based on Deep Learning for SMS and e-mail Spam Detection. Applied Computational Intelligence and Soft Computing, 2023, pages 1-16. https://doi.org/10.1155/2023/6648970
11. Mishra, S., & Soni, D. (2020). Smishing Detector: A security model to detect smishing through SMS content analysis and URL behavior analysis. Future Generation Computer Systems, 108, pages 803-815. https://doi.org/10.1016/j.future.2020.03.021
12. Nagwani, N. K., & Sharaff, A. (2016). SMS spam filtering and thread identification using bi-level text classification and clustering techniques. Journal of Information Science, 43(1). https://doi.org/10.1177/0165551515616310
13. Roy, P. K., Singh, J. P., & Banerjee, S. (2020). Deep learning to filter SMS Spam. Future Generation Computer Systems, 102, pages 524-533. https://doi.org/10.1016/j.future.2019.09.001
14. Salman, M., Ikram, M., & Ali Kaafar, M. (2024). Investigating Evasive Techniques in SMS Spam Filtering: A Comparative Analysis of Machine Learning Models. IEEE Access, 12, pages 24306-24324. https://doi.org/10.1109/ACCESS.2024.3364671
15. Sjarif, N. N. A., Azmi, N. F. M., Chuprat, S., Sarkan, H. M., Yahya, Y., & Sam, S. M. (2019). SMS Spam Message Detection using Term Frequency-Inverse Document Frequency and Random Forest Algorithm. Procedia Computer Science, 161, pages 509-515. https://doi.org/10.1016/j.procs.2019.11.150
16. Sonowal, G., & Kuppusamy, K. S. (2018). SmiDCA: An Anti-Smishing Model with Machine Learning Approach. The Computer Journal, 1143-1157. https://doi.org/10.1093/comjnl/bxy039
17. Tuan, V. M., Thang, N. X., & Anh, T. Q. (2022). Vietnamese SMS spam detection with deep learning and pretrained language model. Journal of Science and Technology on Information and Communications, 1(2). https://jstic.ptit.edu.vn/jstic-ptit/index.php/jstic/article/view/484
18. Wando, B. (2024). Philippine Spam/Scam SMS [dataset]. https://www.kaggle.com/datasets/bwandowando/philippine-spam-sms-messages
19. Xia, T., & Chen, X. (2020). A Discrete Hidden Markov Model for SMS Spam Detection. Applied Sciences, 10(5011). https://doi.org/10.3390/app10145011
ThS. Vũ Duy Hiến
Khoa Công nghệ thông tin và Kinh tế số - Học viện Ngân hàng
https://tapchinganhang.gov.vn
Tin bài khác
Kiên định mục tiêu xây dựng nền giáo dục quốc dân hiện đại, ngang tầm khu vực và thế giới
Trong bối cảnh chuyển đổi số và cạnh tranh tri thức toàn cầu ngày càng gay gắt, kiên định mục tiêu xây dựng nền giáo dục quốc dân hiện đại, ngang tầm khu vực và thế giới không chỉ là yêu cầu chiến lược nhằm nâng cao chất lượng nguồn nhân lực mà còn là nhiệm vụ then chốt để củng cố nền tảng tư tưởng, bảo vệ định hướng phát triển quốc gia và khẳng định vị thế Việt Nam trong kỷ nguyên mới.
Thiết kế tài chính mở: Phân tích so sánh các mô hình triển khai và hàm ý chính sách
Bài viết phân tích sự nổi lên của tài chính mở (Open finance) như một trụ cột của chuyển đổi số tài chính, làm rõ các mô hình triển khai và tác động hệ thống trên cơ sở kinh nghiệm quốc tế, từ đó đề xuất hàm ý chính sách cho Việt Nam theo hướng cân bằng giữa thúc đẩy đổi mới, bảo đảm ổn định và bảo vệ dữ liệu.
Bảo vệ nền tảng tư tưởng của Đảng trong ngành Ngân hàng: Vai trò của thanh tra, giám sát và công tác chính trị, tư tưởng
Bài viết phân tích vai trò và mối quan hệ gắn bó giữa công tác thanh tra, giám sát ngân hàng với công tác chính trị, tư tưởng trong bối cảnh chuyển đổi số, qua đó làm rõ yêu cầu kết hợp hai trụ cột này nhằm bảo đảm an toàn hệ thống tài chính, củng cố niềm tin xã hội và góp phần bảo vệ vững chắc nền tảng tư tưởng của Đảng trong kỷ nguyên mới.
Hoàn thiện khung pháp lý về điều kiện, tiêu chuẩn nhân sự của ngân hàng tại Việt Nam
Trong bài viết này, các quy định về tiêu chuẩn, điều kiện đối với nhân sự của ngân hàng được phân tích theo Thông tư số 20/2025/TT-NHNN ngày 31/7/2025 của Thống đốc Ngân hàng Nhà nước Việt Nam (NHNN) hướng dẫn về hồ sơ, thủ tục chấp thuận danh sách dự kiến nhân sự của ngân hàng thương mại (NHTM), chi nhánh ngân hàng nước ngoài và tổ chức tín dụng (TCTD) phi ngân hàng, qua đó nhóm tác giả gợi mở định hướng hoàn thiện khung pháp lý theo chuẩn mực quốc tế và nâng cao chất lượng quản trị tại Việt Nam.
Nghiên cứu ảnh hưởng của an ninh năng lượng, biến động giá xăng dầu tới lạm phát ở Việt Nam
Bài viết phân tích tác động của an ninh năng lượng và biến động giá xăng dầu tới lạm phát tại Việt Nam, làm rõ cơ chế truyền dẫn chi phí năng lượng vào mặt bằng giá trong nước và nhấn mạnh vai trò của chuyển dịch cơ cấu năng lượng trong ổn định kinh tế vĩ mô dài hạn.
Văn bản công chứng điện tử trong hoạt động cấp tín dụng có tài sản bảo đảm: Thực tiễn và kiến nghị hoàn thiện pháp luật
Bài viết phân tích khung pháp lý và thực tiễn áp dụng văn bản công chứng điện tử trong hoạt động cấp tín dụng có tài sản bảo đảm tại các tổ chức tín dụng, qua đó chỉ ra những vướng mắc trong quá trình triển khai và đề xuất một số kiến nghị hoàn thiện pháp luật nhằm thúc đẩy chuyển đổi số và nâng cao hiệu quả quản trị rủi ro tín dụng.
Việt Nam nỗ lực hướng tới quốc gia thương mại tự do
Việc định hình Việt Nam trở thành quốc gia thương mại tự do là định hướng chiến lược có thể tạo động lực mới cho hoàn thiện thể chế và tăng trưởng bền vững trong bối cảnh hội nhập sâu rộng. Tuy nhiên, lộ trình thực hiện cần thận trọng, đặc biệt trong tự do hóa tài chính - tiền tệ, nhằm bảo đảm tự chủ, an ninh và ổn định kinh tế vĩ mô trước các rủi ro từ biến động toàn cầu.
Chia sẻ thông tin và giám sát an toàn tài chính tại Việt Nam: Tiếp cận từ Thông tư số 01/2026/TT-NHNN
Bài viết định hình cơ chế chia sẻ thông tin liên thông và linh hoạt, góp phần nâng cao hiệu quả giám sát, tăng cường khả năng cảnh báo sớm rủi ro và thúc đẩy quá trình chuyển đổi số trong hệ thống tài chính - ngân hàng Việt Nam.
Định hướng khung chính sách đầu tư cho phát triển du lịch nông nghiệp tại Việt Nam giai đoạn 2026 - 2030
Bài viết phân tích sự cần thiết và định hướng hoàn thiện khung chính sách đầu tư cho phát triển du lịch nông nghiệp ở Việt Nam giai đoạn 2026 - 2030, trước yêu cầu chuyển đổi xanh, tái cơ cấu nông nghiệp và nâng cao hiệu quả huy động nguồn lực cho phát triển bền vững khu vực nông thôn ngày càng trở nên cấp thiết.
Chính sách tiền tệ Việt Nam qua 75 năm: Từ ổn định kinh tế vĩ mô đến kiến tạo tăng trưởng bền vững
Bài viết phân tích chặng đường 75 năm hình thành và phát triển của chính sách tiền tệ Việt Nam, làm rõ quá trình chuyển đổi từ mô hình ngân hàng một cấp sang hai cấp, vai trò điều hành của Ngân hàng Nhà nước Việt Nam trong ổn định kinh tế vĩ mô, xử lý khủng hoảng và tái cơ cấu hệ thống, đồng thời nhấn mạnh định hướng phát triển trong kỷ nguyên số - xanh nhằm thúc đẩy tăng trưởng nhanh và bền vững.
Khơi thông nguồn vốn đáp ứng nhu cầu phát triển kinh tế xanh tại Việt Nam
Trước yêu cầu cấp thiết về chuyển dịch sang mô hình tăng trưởng bền vững, bài viết phân tích thực trạng huy động vốn cho kinh tế xanh tại Việt Nam, chỉ ra những rào cản chủ yếu và đề xuất các giải pháp nhằm nâng cao hiệu quả sử dụng vốn, góp phần thúc đẩy tăng trưởng kinh tế gắn với bảo vệ môi trường.
Hoàn thiện cơ chế lập, chấp hành và quyết toán ngân sách nhà nước theo hướng minh bạch, trách nhiệm giải trình tại Việt Nam
Bài viết phân tích toàn diện cơ chế lập, chấp hành và quyết toán ngân sách nhà nước (NSNN) tại Việt Nam giai đoạn 2020 - 2025, qua đó chỉ ra những tiến bộ về minh bạch và trách nhiệm giải trình, đồng thời nhận diện các thách thức trong thực thi và đề xuất giải pháp cải cách theo hướng hiện đại, hiệu quả và tiệm cận chuẩn mực quốc tế.
Thúc đẩy tài chính toàn diện thông qua giáo dục tài chính cá nhân trong kỷ nguyên số: Kinh nghiệm quốc tế và hàm ý cho Việt Nam
Trong kỷ nguyên số, giáo dục tài chính là đòn bẩy chiến lược để thu hẹp khoảng cách năng lực hành vi, thúc đẩy tài chính toàn diện. Bài viết tìm hiểu kinh nghiệm quốc tế về thúc đẩy tài chính toàn diện thông qua giáo dục tài chính cá nhân và đề xuất một số hàm ý cho Việt Nam trong xây dựng lộ trình chính sách đồng bộ, bền vững.
Điều hành khuôn khổ chính sách tích hợp trong bối cảnh toàn cầu hóa: Kinh nghiệm Hàn Quốc và khuyến nghị cho Việt Nam
Bài viết phân tích xu hướng chuyển dịch sang khuôn khổ chính sách tích hợp (Integrated Policy Framework - IPF) trong bối cảnh toàn cầu biến động, qua đó làm rõ kinh nghiệm của Hàn Quốc và đề xuất hàm ý chính sách cho Việt Nam.
Cú sốc giá dầu và phản ứng của ngân hàng trung ương: Tổng quan lý thuyết, bằng chứng lịch sử và hàm ý chính sách
Bài viết phân tích một cách hệ thống mối quan hệ giữa cú sốc giá dầu và phản ứng chính sách của ngân hàng trung ương (NHTW), qua đó nhấn mạnh vai trò của việc nhận diện đúng nguồn gốc cú sốc và tăng cường phối hợp chính sách nhằm nâng cao hiệu quả điều hành chính sách tiền tệ trong bối cảnh biến động năng lượng toàn cầu.
Từ hệ thống thanh toán truyền thống đến tài sản kỹ thuật số: Cách tiếp cận từ Đạo luật về Hiện đại hóa hệ thống thanh toán năm 2025 của Úc
Bài viết phân tích sự chuyển dịch tư duy lập pháp của Úc trong điều chỉnh hệ thống thanh toán số và tài sản kỹ thuật số thông qua Luật sửa đổi Luật Ngân khố về Payments System Modernisation Act 2025 (Đạo luật về Hiện đại hóa hệ thống thanh toán năm 2025) của Úc, làm rõ cách tiếp cận quản lý dựa trên chức năng và rủi ro, cơ chế phối hợp giám sát liên cơ quan và những hàm ý chính sách cho quá trình hoàn thiện pháp luật tại Việt Nam.
Vai trò của các yếu tố phi ngôn ngữ trong hoạt động truyền thông của Cục Dự trữ Liên bang Mỹ và hàm ý đối với thị trường tài chính toàn cầu
Bài viết phân tích bằng chứng thực nghiệm mới về vai trò của các yếu tố phi ngôn ngữ trong truyền thông chính sách tiền tệ của Cục Dự trữ Liên bang Mỹ (Fed), qua đó thảo luận các hàm ý sâu sắc đối với công tác hoạch định và truyền tải chính sách tiền tệ trong bối cảnh toàn cầu hóa và sự bùng nổ của công nghệ thông tin.