| # RMIT GenAI & Cybersecurity Hackathon 2026 |
|
|
| ## 1. Cấu trúc thư mục |
| ``` |
| rmit_hackathon_2026/ |
| ├── src/ |
| │ ├── dataset.py # Dataset xử lý 3 classes: BENIGN, JAILBREAK, PROMPT_INJECTION |
| │ ├── preprocessing.py # Chuẩn hóa Unicode, de-obfuscation, khử leetspeak đa ngôn ngữ |
| │ ├── utils.py # Tính Macro-F1 3 lớp theo chuẩn chấm điểm của Kaggle |
| │ ├── prompt_security.py # Hardened prompt, XML isolation, Canary injection |
| │ ├── egress_guard.py # PII scrubbing & canary leak detector |
| │ ├── inference.py # LLM inference engine & simulator |
| │ └── pipeline.py # Kiến trúc phòng thủ đa tầng (Defense-in-Depth) |
| ├── train.py # Script huấn luyện Stratified K-Fold + Weighted Cross-Entropy |
| ├── predict.py # Script suy luận tập test và sinh file submission.csv |
| └── submission.csv # File nộp bài Kaggle (đúng 6.000 dòng, id,label) |
| ``` |
|
|
| ## 2. Thông tin cuộc thi & Yêu cầu |
| - **Nhiệm vụ**: Phân loại prompt đa ngôn ngữ thành **3 classes**: |
| 1. `BENIGN` (~62%) |
| 2. `JAILBREAK` (~31%) |
| 3. `PROMPT_INJECTION` (~7%) |
| - **Ngôn ngữ**: Tiếng Bồ Đào Nha (`pt`), Pháp (`fr`), Ý (`it`), Anh (`en`). |
| - **Thang đo (Metric)**: **Macro-averaged F1 score** (cả 3 lớp tính trọng số bằng nhau). |
| - **Quy tắc đặt tên Kernel/Notebook**: |
| `<university>_<campus>_<team>_C1` |
| *(Ví dụ: `RMIT_SGS_teamname_C1`)* |
|
|
| ## 3. Hướng dẫn sử dụng |
|
|
| ### Huấn luyện mô hình (Fine-tuning) |
| Mặc định dùng `FacebookAI/xlm-roberta-base` (hoặc các approved model khác trong danh sách: `rembert`, `distilbert-base-multilingual-cased`): |
| ```powershell |
| python train.py --model xlm-roberta-base --batch 16 --epochs 3 --folds 5 |
| ``` |
|
|
| ### Sinh file nộp bài (Inference test.csv) |
| ```powershell |
| python predict.py --test_file "D:\Code\rmit\data\Data-rmit2026\test.csv" --output submission.csv |
| ``` |
| File `submission.csv` được sinh ra sẽ tự động kiểm tra đủ 6,000 dòng khớp 100% với `sample_submission.csv`. |
|
|
