Tổng quan về luận án

Lý thuyết hệ động lực phi tuyến và hiện tượng hỗn loạn (chaos) đóng vai trò nền tảng trong khoa học hiện đại, mở ra bước ngoặt tư duy từ tính tiền định tuyến tính sang các hành vi phức tạp, nhạy cảm với điều kiện ban đầu (Lorenz, 1963; Li & Yorke, 1975). Trong bối cảnh công nghệ thông tin và truyền thông số bùng nổ, sự giao thoa giữa mạng nơron tế bào (Cellular Neural Networks - CNN do Chua & Yang phát minh năm 1988), giải tích cấp phân số (fractional-order calculus) và lý thuyết mật mã học (Shannon, 1949) đã hình thành nên một hướng nghiên cứu mũi nhọn. Luận án tiến sĩ toán học của nghiên cứu sinh Đàm Thanh Phương với đề tài "Nghiên cứu một số vấn đề về Chaos của Mạng nơron tế bào và khả năng ứng dụng" (Chuyên ngành: Cơ sở toán học cho tin học, Mã số: 62 46 01 10, người hướng dẫn khoa học: PGS.TSKH Phạm Thượng Cát, Học viện Khoa học và Công nghệ – Viện Hàn lâm Khoa học và Công nghệ Việt Nam, 2016) là công trình tiên phong giải quyết đồng thời bài toán lý thuyết giải tích hệ động lực và bài toán kỹ thuật bảo mật truyền thông ảnh.

Khoảng trống nghiên cứu (research gap) được xác định cụ thể trong văn bản: Trước thời điểm công trình hoàn thành, việc khảo sát hành vi hỗn loạn của CNN cấp phân số mới chỉ dừng lại ở các cấu trúc 2 cell đến 4 cells (Arena et al., 1997; Petras, 2006; Huang et al., 2012), thiếu một quy trình tường minh để thiết lập bộ tham số và bậc đạo hàm không nguyên cho mạng quy mô lớn hơn. Đồng thời, trong bài toán điều khiển đồng bộ hỗn loạn giữa hai hệ CNN, các công trình quốc tế đương thời như Grassi (1999), Rijlaarsdam (2006), Xingyuan (2010), Cheng (2013) hầu như chỉ giải quyết tính bất định của một tham số rời rạc hoặc đòi hỏi phải truyền toàn bộ $n/n$ tín hiệu trạng thái qua kênh truyền (gây tiêu tốn băng thông và tăng nguy cơ giải mã trái phép); trong khi các kết quả tổng quát của Aghababa (2011, 2012) lại không phản ánh được cấu trúc ma trận mẫu trạng thái đặc trưng của CNN.

Luận án thiết lập 4 câu hỏi nghiên cứu (Research Questions - RQ) cùng 4 giả thuyết khoa học (Hypotheses - H) tương ứng:

  • RQ1: Làm thế nào để xây dựng quy trình giải tích và tính toán số xác định bậc đạo hàm phân số cùng ma trận liên kết sinh ra hành vi hỗn loạn và siêu hỗn loạn (hyperchaos) trong CNN bậc cao?
    • H1: Tồn tại bộ tham số ma trận mẫu và khoảng bậc đạo hàm phân số $q \in (0, 1)$ sao cho phổ số mũ Lyapunov của CNN 6 cell xuất hiện ít nhất một số mũ dương và có tổng âm, xác lập sự tồn tại của tập hút hỗn loạn (chaotic attractor).
  • RQ2: Liệu có thể thiết kế luật điều khiển thích nghi đồng bộ hai hệ CNN với ma trận mẫu trạng thái hoàn toàn chưa biết mà chỉ cần sử dụng một phần vector tín hiệu trạng thái?
    • H2: Bằng phương pháp tựa Lyapunov và bổ đề Barbalat, bộ điều khiển thích nghi chỉ cần truyền 2/3 tín hiệu trạng thái ($x_{1d}, x_{2d}$) vẫn đảm bảo sai số đồng bộ $e(t) \to 0$ và các tham số ước lượng hội tụ chính xác về giá trị thực ($\hat{s}{13} \to s{13}, \hat{s}{23} \to s{23}$).
  • RQ3: Có thể đạt được đồng bộ hỗn loạn trong thời gian hữu hạn (finite-time synchronization) cho CNN khi hệ thống đồng thời chịu tác động của bất định tham số và nhiễu ngoài hay không?
    • H3: Bằng việc tích hợp hàm dấu ($\text{sgn}$) và chuẩn hóa phi tuyến, thời gian xác lập $T$ có thể được chặn trên tường minh dưới dạng giải tích giải được qua giá trị sai số ban đầu.
  • RQ4: Mô hình mã hóa bảo mật truyền thông ảnh xây dựng trên nền tảng đồng bộ CNN thích nghi và đồng bộ đầu ra có kháng được các dạng tấn công mật mã phổ biến không?
    • H4: Lược đồ mã hóa dòng đề xuất đạt entropy thông tin tiệm cận ngưỡng lý tưởng ($H \approx 8$), độ nhạy khóa và bản rõ đạt $NPCR > 99.6%$, không gian khóa vượt mức an toàn $2^{381}$.

Khung lý thuyết của nghiên cứu tích hợp lý thuyết hệ động lực phi tuyến (Poincaré, 1890; Lorenz, 1963), lý thuyết giải tích vi tích phân cấp phân số Caputo/Riemann-Liouville (Diethelm, 2004), định lý ổn định Matignon (1998), phương pháp hàm Lyapunov trực tiếp kết hợp bổ đề Barbalat cho hệ phi tự trị (Slotine & Li, 1991), bài toán so khớp mô hình hình học vi phân (Isidori, 1995) và lý thuyết truyền bí mật của Shannon (1949).

Phạm vi và quy mô nghiên cứu tập trung vào việc mô hình hóa toán học giải tích và giải số hệ vi phân trên môi trường MATLAB/Simulink. Dữ liệu thử nghiệm mật mã học sử dụng ảnh chuẩn Peppers 8-bit mức xám, kích thước $512 \times 512$ pixel (tương đương 262,144 điểm ảnh). Ý nghĩa đột phá thể hiện qua việc công bố thành công mô hình CNN 6 cell cấp phân số sinh hỗn loạn, giảm thiểu 33.3% lượng tín hiệu trạng thái cần truyền dẫn trong đồng bộ thích nghi và thiết lập không gian khóa mật mã đạt $10^{110} \times 65000 \approx 2^{381}$.

Literature Review và Positioning

Lịch sử nghiên cứu hệ động lực phi tuyến ghi nhận các dấu mốc nền tảng từ James Clerk Maxwell (thập niên 1860) và Henri Poincaré (1890) với bài toán ba vật thể, chỉ ra tính nhạy cảm đối với điều kiện ban đầu. Năm 1963, Edward Lorenz công bố công trình kinh điển "Deterministic Nonperiodic Flow" [42], mô phỏng khí quyển bằng hệ 12 phương trình vi phân và phát hiện ra "hiệu ứng cánh bướm" cùng vùng hút Lorenz. Khái niệm khoa học chính thức về "Chaos" được Tien-Yien Li và James A. Yorke xác lập năm 1975 qua định lý "Period three implies chaos" [39]. Song song đó, lý thuyết KAM (Kolmogorov-Arnold-Moser) [73] và lý thuyết Ergodic trơn của Ya. Ruelle [44] đã xác lập số mũ Lyapunov (Lyapunov Exponents) như một tiêu chuẩn định lượng nghiêm ngặt cho hành vi hỗn loạn.

Về mảng mạng nơron tế bào, Leon Chua và Lin Yang (1988) [12, 13] đã khai sinh kiến trúc CNN dựa trên nguyên lý mảng xử lý tương tự với các liên kết cục bộ trong lân cận bán kính $r$, mở ra kỷ nguyên tính toán song song phần cứng. Đến năm 1993, Chua và Roska [14] mở rộng thành Cellular Nonlinear Network, chứng minh khả năng tạo tín hiệu hỗn loạn, sóng xoắn ốc và hỗn loạn không gian - thời gian [80]. Nhánh nghiên cứu giải tích phân số trong CNN được mở đường bởi Arena et al. (1996, 1997) [5] và tiếp nối bởi Ivo Petras (2006) [49], Celik & Demir (2012) [11], Huang et al. (2012) [35].

Trong lý thuyết điều khiển đồng bộ và ứng dụng mật mã, dấu mốc lịch sử bắt đầu từ tác phẩm của Claude Shannon (1949) [61] về lý thuyết truyền tin bí mật, kết nối đặc tính giãn nở - thu hẹp của hệ hỗn loạn với hai tính chất sống còn của mật mã học: tính khuếch tán (diffusion) và tính làm rối (confusion). Năm 1990, Pecora và Carroll [50, 51] tạo bước đột phá khi chứng minh hai hệ hỗn loạn có thể khóa pha đồng bộ thông qua tín hiệu ghép nối. Kể từ đó, nhiều hướng tiếp cận được công bố như đồng bộ trạng thái, đồng bộ pha (Kurths, 2001) [60], đồng bộ đầu ra qua so khớp mô hình (Lopez-Mancilla & Cruz-Hernandez, 2005) [46].

Trong y văn tồn tại hai luồng tranh biện học thuật lớn:

  • Tranh biện về cơ chế truyền tín hiệu đồng bộ: Luồng quan điểm truyền thống (Grassi, 1999 [31]; Xingyuan, 2010 [79]) cho rằng để đảm bảo tính ổn định tiệm cận của ma trận lỗi, bắt buộc phải truyền toàn bộ $n$ tín hiệu trạng thái của hệ drive cho hệ response ($n/n$). Ngược lại, luồng quan điểm tối ưu hóa (Lopez-Mancilla & Cruz-Hernandez, 2005 [46]) cho rằng việc truyền đủ $n$ trạng thái làm lộ hoàn toàn quỹ đạo pha trên kênh truyền, đòi hỏi phải phát triển cơ chế đồng bộ giảm chiều (reduced-order) hoặc so khớp mô hình đầu ra.
  • Tranh biện về giả định tham số: Các nghiên cứu ban đầu (Rijlaarsdam & Mladenov, 2006 [56]) giả định ma trận mẫu của hai hệ hoàn toàn xác định và giống hệt nhau. Tuy nhiên, các nhà điều khiển học hiện đại chỉ ra rằng sai số chế tạo vi mạch và biến thiên môi trường luôn tạo ra các tham số bất định (uncertain parameters) và nhiễu ngoài, khiến các bộ điều khiển tĩnh bị mất ổn định.

Vị trí của luận án được xác lập rõ ràng tại điểm giao thoa giải quyết trọn vẹn cấu trúc ma trận mẫu trạng thái bất định của CNN trong điều kiện tối thiểu hóa kênh truyền và xác lập thời gian hội tụ hữu hạn. Luận án tiến hành so sánh đối chuẩn trực tiếp với hai nghiên cứu quốc tế tiêu biểu:

  1. So với nghiên cứu của M. P. Aghababa (2012, Nonlinear Dynamics, IF 2.89) [2]: Aghababa giải quyết bài toán đồng bộ thời gian hữu hạn cho lớp hệ hỗn loạn tổng quát với vector tham số bất định và đầu vào phi tuyến. Tuy nhiên, cách biểu diễn của Aghababa là hàm vector phi tuyến tổng quát, không thể hiện và khai thác được cấu trúc ma trận mẫu trạng thái $A, B$ đặc thù của CNN. Các công trình CT7, CT8 của luận án đã khắc phục triệt để khoảng trống này khi thiết lập luật điều khiển thích nghi cho State-Controlled CNN (SC-CNN) có ma trận mẫu trạng thái hoàn toàn bất định.
  2. So với công trình của C. Cheng (2013, Communications in Nonlinear Science and Numerical Simulation, IF 2.866) [15]: Cheng xây dựng hệ mật mã bất đối xứng dựa trên đồng bộ thích nghi giữa hệ hỗn loạn thống nhất và CNN có tham số bất định, nhưng luật điều khiển của Cheng buộc phải gửi toàn bộ 3/3 tín hiệu trạng thái và không chặn được thời gian đồng bộ hữu hạn. Công trình CT3 của luận án đã cải tiến vượt trội khi chỉ cần truyền 2/3 tín hiệu trạng thái ($x_{1d}, x_{2d}$), vừa tiết kiệm 33.3% băng thông vừa nâng cao độ bảo mật trước nguy cơ nghe lén.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đã mở rộng và thách thức các giới hạn lý thuyết thuộc ba phân ngành toán học ứng dụng:

  • Mở rộng lý thuyết hệ động lực cấp phân số: Mở rộng định lý ổn định Matignon (1998) [17] và thuật toán phổ số mũ Lyapunov của Wolf (1985) [76] sang cấu trúc CNN 6 cell cấp phân số. Chứng minh bằng giải tích rằng hệ vi phân phi tuyến tự trị cấp không nguyên $D^q x = f(x)$ ($0 < q < 1$) có thể duy trì các tập hút hỗn loạn phức tạp nhờ đặc tính nhớ dài hạn (long-memory effect) của toán tử vi tích phân.
  • Phát triển lý thuyết ổn định Lyapunov cho hệ phi tự trị: Xây dựng các hàm năng lượng Lyapunov mở rộng kết hợp với bổ đề Barbalat và bổ đề tựa Lyapunov. Luận án chứng minh rằng với hàm vô hướng $V(x, t)$ bị chặn dưới, đạo hàm $\dot{V}(x, t)$ nửa xác định âm và liên tục đều theo thời gian thì $\dot{V}(x, t) \to 0$ khi $t \to \infty$, từ đó xác lập tính ổn định tiệm cận toàn cục cho hệ sai số đồng bộ ngay cả khi ma trận mẫu trạng thái chứa các thành phần bất định vô hướng $s_{13}, s_{23}$.
  • Xác lập tiêu chuẩn ổn định thời gian hữu hạn (Finite-Time Stability): Dựa trên khung lý thuyết của Bhat & Bernstein (2000) [8], luận án phát triển định lý ổn định thời gian hữu hạn cho CNN: Nếu tồn tại hàm $V \in C^1$, xác định dương thỏa mãn bất đẳng thức vi phân $\dot{V}(x) + c V(x)^\alpha \le 0$ với $c > 0$ và $\alpha \in (0, 1)$, thì gốc tọa độ là điểm cân bằng ổn định thời gian hữu hạn với hàm settling-time bị chặn trên: $$T(z) \le t_0 + \frac{V(z_0)^{1-\alpha}}{c(1-\alpha)}$$

Khung phân tích độc đáo

Khung phân tích của luận án là sự tích hợp chặt chẽ của 4 trụ cột lý thuyết:

  1. Lý thuyết giải tích phân số Caputo/Riemann-Liouville: Sử dụng định nghĩa đạo hàm bên phải RHD (Caputo) để đảm bảo đạo hàm của hằng số triệt tiêu ($\mathcal{D}^\alpha C = 0$), thuận tiện cho việc thiết lập điều kiện ban đầu vật lý trong phép biến đổi Laplace.
  2. Lý thuyết điều khiển phi tuyến hình học (Lie Algebra): Ứng dụng đạo hàm Lie $L_f h(x)$ và $L_g L_f^{r-1} h(x)$ để giải bài toán so khớp mô hình (Model-Matching Problem) cho hệ drive-response, chuyển đổi bài toán đồng bộ đầu ra thành bài toán ổn định hóa hệ sai số bổ trợ $x_E$.
  3. Lý thuyết ổn định thích nghi (Adaptive Control Theory): Thiết kế luật cập nhật tham số trực tuyến ($\dot{\hat{s}}{13} = -e_1 x{3r}, \dot{\hat{s}}{23} = -e_2 x{3r}$) nhằm triệt tiêu các thành phần sai số ma trận mà không cần biết trước giá trị chặn trên của bất định.
  4. Lý thuyết mật mã học Shannon và kiểm định ngẫu nhiên: Khung đánh giá an toàn thông tin toàn diện dựa trên Entropy thông tin ($H$), biểu đồ phân bố mức xám (Histogram), tỷ lệ thay đổi điểm ảnh NPCR (Number of Pixels Change Rate) và cường độ thay đổi trung bình thống nhất UACI (Unified Averaged Changed Intensity).

Các điều kiện biên (boundary conditions) được kiểm soát chặt chẽ bao gồm: điều kiện biên cố định Dirichlet ($x_0 \equiv v_0 = E_1$), điều kiện biên mở Neumann ($x_0 \equiv v_0 = v_1$) và điều kiện biên tuần hoàn ($x_0 \equiv v_0 = v_M$).

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

  • Triết lý nghiên cứu: Nghiên cứu vận hành theo lập trường thực chứng diễn dịch (Positivism / Mathematical Deduction), kết hợp phương pháp giải tích toán học thuần túy để chứng minh định lý với phương pháp mô phỏng số học (Numerical Simulation) nhằm kiểm chứng thực nghiệm.
  • Thiết kế phân tích đa tầng (Multi-level Design):
    • Tầng tế bào vi mô (Micro Cellular Level): Mô hình hóa động học từng cell qua mạch điện tương đương gồm điện trở, tụ điện phi tuyến và nguồn dòng độc lập $I_{ij}$.
    • Tầng cấu trúc liên kết (Structural Network Level): Xác định tương tác không gian qua lân cận $N_r(i, j) = {C(k, l): \max(|k-i|, |l-j|) \le r}$ cùng các toán tử phản hồi ma trận $A$ và điều khiển $B$.
    • Tầng động lực học vĩ mô (Macro Dynamical Level): Khảo sát toàn bộ không gian pha $\mathbb{R}^n$, phân chia thành vùng ổn định $SR = {x \in \mathbb{R}^n: |x_i| \ge 1}$, vùng phi tuyến $NR = {x \in \mathbb{R}^n: |x_i| < 1}$ và vùng ổn định từng phần $PSR$.
    • Tầng ứng dụng mật mã (Application Level): Ánh xạ các biến trạng thái liên tục $x_i(t)$ thành các chuỗi khóa nhị phân rời rạc phục vụ mã hóa dòng điểm ảnh.

Quy trình nghiên cứu rigorous

Quy trình thực nghiệm số học và chứng minh toán học được tiến hành qua các giao thức nghiêm ngặt:

  • Giải phương trình vi phân cấp phân số: Luận án áp dụng phương pháp dự báo - hiệu chỉnh Adams-Bashforth-Moulton (Diethelm et al., 2002) [6]. Phương trình tích phân Volterra loại 2: $$x(t) = \sum_{k=0}^{\lceil\alpha\rceil-1} x_0^{(k)} \frac{t^k}{k!} + \frac{1}{\Gamma(\alpha)} \int_0^t (t-\tau)^{\alpha-1} f(\tau, x(\tau)) d\tau$$ được giải với bước chia lưới $h = \Delta t = 0.005$, đạt độ chính xác xấp xỉ sai số $e = \max_{j=0,1,\dots,N} |x(t_j) - x_h(t_j)| = O(h^p)$ với $p = \min(2, 1+\alpha)$.
  • Tính toán phổ số mũ Lyapunov: Sử dụng thuật toán chuẩn hóa Gram-Schmidt của Wolf et al. (1985) [76], tích hợp đồng thời hệ phương trình trạng thái và hệ phương trình biến phân để theo dõi sự giãn nở của khối cầu $n$ chiều trong không gian pha dọc theo vector cơ sở $e$: $$\lambda(e) = \lim_{t \to \infty} \sup \frac{1}{t} \log \frac{|X(t; x(t, x_0)) e|}{|e|}$$
  • Kiểm định độ tin cậy và vững bền: Thiết lập các kịch bản kiểm tra tính ổn định trước nhiễu ngoài, thay đổi điều kiện ban đầu với sai số cực nhỏ ($10^{-10}$) và kiểm định tính ngẫu nhiên của chuỗi khóa theo tiêu chuẩn mật mã học.

Data và phân tích

  • Đặc trưng mẫu và tham số thực nghiệm: Hệ drive CNN được khảo sát với cấu hình ma trận mẫu hỗn loạn chuẩn: $$A = \begin{bmatrix} 2.6878 & 0 & 0 \ 0 & 2.6878 & 0 \ 0 & 0 & 2.6878 \end{bmatrix}, \quad S = \begin{bmatrix} 0 & 1 & s_{13} \ 1 & 0 & s_{23} \ -1 & -1 & 0 \end{bmatrix}$$ với các giá trị bất định $s_{13} = 1.0, s_{23} = -1.0$. Giá trị khởi tạo của hệ drive: $x_d(0) = (5, 6, 9)^T$; hệ response: $x_r(0) = (-10, 20, 30)^T$; tham số ước lượng ban đầu $\hat{\theta}(0) = (3, -3)^T$.
  • Dữ liệu ảnh thử nghiệm: Sử dụng ảnh chuẩn Peppers ($512 \times 512$ pixel, 8-bit, 256 mức xám).
  • Kỹ thuật tính toán: Toàn bộ thuật toán được hiện thực hóa trên nền tảng phần mềm MATLAB (R2013a/R2015b) sử dụng bộ giải Runge-Kutta bậc 4-5 (ode45) và sơ đồ mô phỏng đồ họa Simulink.

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Thiết lập thành công mô hình CNN 6 cell cấp phân số sinh hỗn loạn: Luận án chứng minh rằng khi giảm bậc đạo hàm phân số $q$ từ $1.0$ xuống $0.8$, hành vi động lực học chuyển hóa rõ nét từ chu kỳ sang hỗn loạn và siêu hỗn loạn, được định lượng bằng sự xuất hiện của phổ số mũ Lyapunov dương (Bảng 3.1 trong văn bản).
  2. Đồng bộ hóa thích nghi tối ưu kênh truyền (Giảm 33.3% tín hiệu): Trong công trình CT3, luật điều khiển thích nghi đề xuất: $$u_1 = -a_{11}(y_{1r} - y_{1d}) - k_1 e_1, \quad u_2 = -k_2 e_2, \quad u_3 = 0$$ $$\dot{\hat{s}}{13} = -e_1 x{3r}, \quad \dot{\hat{s}}{23} = -e_2 x{3r}$$ đảm bảo hai hệ CNN đồng bộ hoàn toàn ($\lim_{t \to \infty} |x_r(t) - x_d(t)| = 0$) trong khi chỉ cần gửi 2/3 tín hiệu trạng thái ($x_{1d}, x_{2d}$), loại bỏ hoàn toàn kênh truyền tín hiệu $x_{3d}$.
  3. Chứng minh giải tích và thực nghiệm đồng bộ thời gian hữu hạn chính xác: Trong công trình CT8, thời gian đồng bộ tối đa được xác định tường minh qua công thức: $$T = t_0 + \frac{\left(e_1^2(t_0) + e_2^2(t_0) + e_3^2(t_0)\right)^{\frac{1-\beta}{2}}}{1-\beta}$$ Với điều kiện ban đầu $z(0) = (5, 6, 9)^T$, $x(0) = (-10, 20, 30)^T$, tham số $\beta = 0.6$, thời gian xác lập lý thuyết được tính toán chính xác là $T = 9.14\text{s}$, hoàn toàn trùng khớp với thời điểm sai số đồng bộ triệt tiêu về 0 trên mô phỏng MATLAB (Hình 3.25).
  4. Entropy thông tin tiệm cận ngưỡng lý tưởng tuyệt đối: Thuật toán mã hóa ảnh đạt chỉ số Entropy $H_2 = 7.9972$ (so với ảnh gốc $H_1 = 7.5702$), sát mức lý tưởng tuyệt đối $H = 8.0$. Biểu đồ Histogram của ảnh mã hóa (Hình 4.9) thể hiện phân bố mức xám hoàn toàn đồng đều, xóa bỏ toàn bộ đặc trưng thống kê của ảnh gốc.
  5. Độ nhạy khóa và không gian khóa đạt chuẩn an toàn cao:
    • Khi khóa giải mã bị sai lệch chỉ $10^{-10}$ tại ba thành phần ban đầu ($L = (x_{01}+10^{-10}, x_{02}+10^{-10}, x_{03}+10^{-10}, s_{13}, s_{23}, t_s)$), ảnh giải mã hoàn toàn bị nhiễu hạt, không phục hồi được bất kỳ thông tin nào (Hình 4.10c).
    • Độ đo độ nhạy đạt $NPCR = 99.61%$ và $UACI = 33.48%$.
    • Không gian khóa tổng thể đạt $10^{110} \times 65000 \approx 2^{381}$, vượt xa yêu cầu kháng tấn công vét cạn ($2^{128}$).

Bảng so sánh hiệu năng với các công trình quốc tế

Bảng tổng hợp đối chuẩn hiệu năng giữa mô hình đề xuất trong luận án và các nghiên cứu quốc tế tiêu biểu:

Tiêu chí so sánh Rhouma (2008) [57] Behnia (2008) [7] J. Peng (2009) [52] C. Cheng (2013) [15] Mô hình Luận án (CT3, CT8)
Entropy thông tin ($H$) 7.9011 7.9961 7.9925 7.9967 7.9972
Chỉ số NPCR (%) Không công bố 99.60% 99.62% 99.59% 99.61%
Chỉ số UACI (%) Không công bố 33.45% 33.49% 33.46% 33.48%
Không gian khóa (Key Space) $2^{192}$ $2^{260}$ $2^{314}$ $2^{398}$ $2^{381}$
Số tín hiệu truyền đồng bộ Không dùng đồng bộ Không dùng đồng bộ Dùng chung 1 CNN 3/3 tín hiệu 2/3 tín hiệu (Tối ưu)
Tự thích nghi khóa giải mã Không Không Không Có Có (Đồng bộ thích nghi)
Xác định thời gian hữu hạn Không Không Không Không Có ($T = 9.14\text{s}$)

Implications đa chiều

  • Về mặt lý thuyết: Cung cấp phương pháp luận chặt chẽ trong việc khảo sát hệ vi phân phân số bậc cao và bổ sung công cụ tựa Lyapunov để giải quyết tính bất định ma trận trong điều khiển thích nghi.
  • Về mặt phương pháp luận: Thiết lập quy trình chuẩn mực 4 bước: Phân tích phổ Lyapunov $\to$ Thiết kế luật điều khiển tựa Lyapunov $\to$ Giải số vi phân phân số $\to$ Đánh giá mật mã học thống kê.
  • Về mặt ứng dụng thực tiễn: Tạo tiền đề kỹ thuật vững chắc để thiết kế các bộ tạo số ngẫu nhiên phần cứng (TRNG) và mạch tích hợp bảo mật cho truyền thông đa phương tiện, bảo vệ ảnh y tế chuẩn DICOM và ảnh viễn thám quân sự.

Limitations và Future Research

Nhằm duy trì tính khách quan khoa học, luận án và các nghiên cứu tiếp nối ghi nhận các giới hạn nội tại:

  1. Phạm vi kiểm chứng thực nghiệm: Toàn bộ kết quả mới dừng lại ở mức độ mô hình hóa toán học và mô phỏng số học trên phần mềm MATLAB/Simulink; chưa thực hiện đóng gói phần cứng (circuit implementation) trên chip chuyên dụng ASIC hoặc vi mạch khả trình FPGA/memristor.
  2. Hạn chế của chỉ số UACI trong thuật toán dòng khóa đơn lẻ: Chỉ số $UACI = 33.48%$ đạt được trong CT3 dù xấp xỉ mức lý tưởng ($33.46%$) nhưng thấp hơn đôi chút so với thuật toán của J. Peng ($33.49%$). Nguyên nhân khách quan là do hàm tạo dòng khóa $k_i = \text{mod}(\text{floor}(A \times |x_{3d}(j)| + B), 2^b)$ mới chỉ sử dụng 1 tín hiệu trạng thái ($x_{3d}$) nhằm tối ưu hóa tốc độ tính toán, chưa khai thác triệt để tính hòa trộn đa chiều của cả 3 biến trạng thái.
  3. Quy mô mạng phân số: Khảo sát CNN cấp phân số mới dừng lại ở cấu hình 6 cells một chiều (1-D), chưa mở rộng lên mảng 2 chiều ($M \times N$) hoặc các cấu trúc mạng phức hợp có trễ biến thiên theo thời gian (time-varying delays).

Chương trình nghiên cứu tương lai (Future Research Agenda) mở ra 4 hướng đi chiến lược:

  • Hướng 1 (Hiện thực hóa phần cứng): Thiết kế vi mạch tương tự (Analog VLSI) và mạch Memristor-CNN cấp phân số để tạo máy tạo tín hiệu hỗn loạn thực thể.
  • Hướng 2 (Nâng cấp thuật toán mật mã): Tích hợp phép biến đổi hỗn loạn không gian (Arnold Cat Map hoặc 2D-Sine-Tent map) kết hợp với cấu trúc khuếch tán đa tín hiệu trạng thái nhằm đẩy chỉ số UACI lên mức tối ưu tuyệt đối.
  • Hướng 3 (Tối ưu hóa thuật toán số mũ Lyapunov): Nghiên cứu thuật toán giải số song song hóa trên nền tảng GPU để tính toán phổ Lyapunov cho hệ phân số bậc cao với độ phức tạp tính toán giảm từ $O(N^2)$ xuống $O(N \log N)$.
  • Hướng 4 (Mở rộng liên ngành): Ứng dụng mô hình đồng bộ CNN hỗn loạn trong phân tích chuỗi thời gian kinh tế lượng, dự báo dao động tài chính và nhận dạng tín hiệu điện não đồ (EEG/ECG).

Tác động và ảnh hưởng

  • Tác động học thuật (Academic Impact): Công trình đã công bố 9 bài báo khoa học chất lượng cao, bao gồm các bài báo trên tạp chí quốc tế chuyên ngành danh tiếng (Mathematical Problems in Engineering, Applied Mathematical Sciences), hội nghị quốc tế uy tín (ICCAS 2015 tại Hàn Quốc) và các tạp chí đầu ngành trong nước (Tạp chí Tin học và Điều khiển học). Các kết quả này đóng góp tài liệu tham khảo nền tảng cho cộng đồng nghiên cứu hệ phi tuyến và điều khiển học.
  • Chuyển đổi công nghiệp và công nghệ (Industry Transformation): Định hình nguyên lý cho các giải pháp bảo mật phần cứng thế hệ mới trong các hệ thống nhúng (Embedded Security), truyền thông dữ liệu máy bay không người lái (UAV), hệ thống giám sát công nghiệp SCADA và thị giác máy tính biên (Neuromorphic Vision Chips).
  • Tác động chính sách và an ninh thông tin: Đóng góp cơ sở khoa học giúp các cơ quan quản lý an toàn thông tin quốc gia xây dựng tiêu chuẩn mã hóa cho hạ tầng truyền dẫn số liệu nhạy cảm, giảm thiểu sự phụ thuộc vào các thuật toán mã hóa khóa công khai truyền thống vốn dễ bị đe dọa bởi tính toán lượng tử (Post-Quantum Cryptography).

Đối tượng hưởng lợi

  • Nghiên cứu sinh và học viên cao học: Tiếp cận quy trình giải tích vi tích phân phân số chuẩn xác, các bổ đề toán học và phương pháp thiết kế bộ điều khiển thích nghi giải quyết bất định tham số.
  • Các nhà toán học và chuyên gia điều khiển phi tuyến: Kế thừa khung chứng minh ổn định thời gian hữu hạn và phương pháp so khớp mô hình cho hệ động lực phi tuyến phức tạp.
  • Kỹ sư R&D trong ngành mật mã và vi điện tử: Sử dụng trực tiếp cấu trúc mã hóa dòng, luân chuyển khóa thích nghi và thông số ma trận mẫu để nhúng vào vi điều khiển DSP/FPGA.
  • Nhà hoạch định an ninh mạng: Tham khảo mô hình bảo mật truyền thông dựa trên hỗn loạn để triển khai các kênh truyền tin mật chuyên dụng cho cơ quan nhà nước và quốc phòng.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?

Đóng góp độc đáo nhất là việc thiết lập thành công luật điều khiển đồng bộ thích nghi và đồng bộ thời gian hữu hạn cho lớp State-Controlled CNN (SC-CNN) với ma trận mẫu trạng thái hoàn toàn bất định ($S_d, S_r$), kết hợp chứng minh giải tích bằng bổ đề Barbalat và định lý settling-time. Kết quả này mở rộng trực tiếp lý thuyết ổn định Lyapunov kinh điển sang hệ phi tự trị có cấu trúc liên kết tế bào cục bộ, vượt qua giới hạn của các nghiên cứu trước vốn chỉ xử lý được bất định tham số vô hướng riêng lẻ.

2. Điểm đổi mới phương pháp luận cốt lõi so với các nghiên cứu quốc tế trước đó là gì?

So với nghiên cứu của Cheng (2013) [15] và Xingyuan (2010) [79] vốn đòi hỏi phải truyền trọn vẹn $n/n$ tín hiệu trạng thái, luận án đổi mới phương pháp luận bằng cách thiết kế bộ điều khiển triệt tiêu sai số qua phép ghép nối rút gọn chỉ cần 2/3 tín hiệu trạng thái ($x_{1d}, x_{2d}$), đồng thời sử dụng bài toán so khớp mô hình (Model Matching) để đồng bộ đầu ra độc lập hoàn toàn với vector trạng thái hỗn loạn, nâng cao vượt bậc tính an toàn truyền thông.

3. Phát hiện bất ngờ và phản trực giác nhất trong nghiên cứu được minh chứng bởi dữ liệu nào?

Phát hiện phản trực giác nhất là việc một hệ CNN bậc phân số ($q < 1$) với số lượng cell lớn (6 cells) vẫn có thể duy trì vùng hút hỗn loạn ổn định và có thể bị "khóa pha" đồng bộ hoàn toàn trong một khoảng thời gian hữu hạn chính xác ($T = 9.14\text{s}$), bất chấp việc các tham số ma trận mẫu ban đầu của hệ nhận hoàn toàn sai lệch ($\hat{\theta}(0) = (3, -3)^T$ so với giá trị thực $(1, -1)^T$). Dữ liệu sai số đồng bộ $e(t)$ triệt tiêu hoàn toàn về 0 tại đúng thời điểm $T$ (Hình 3.25) đã chứng minh tính đúng đắn của dự đoán lý thuyết.

4. Luận án có cung cấp quy trình tái lập (Replication Protocol) hoàn chỉnh không?

Luận án cung cấp đầy đủ và minh bạch quy trình tái lập: từ giá trị cụ thể của các ma trận mẫu ($A, B, S$), điều kiện ban đầu ($x_d(0), x_r(0)$), tham số điều khiển ($k_i, \beta, \lambda_i$), thuật toán giải số (Adams-Bashforth-Moulton, Runge-Kutta bậc 4 ODE45 với bước lưới $h = 0.005$) đến sơ đồ khối chức năng chi tiết trên MATLAB/Simulink (Hình 4.3).

5. Lộ trình nghiên cứu 10 năm (10-year Research Agenda) được định hình như thế nào?

Lộ trình 10 năm tập trung vào 3 giai đoạn: (1) Giai đoạn 1-3 năm: Cứng hóa thuật toán lên chip FPGA và Memristor-CNN; (2) Giai đoạn 4-6 năm: Phát triển hệ mã hóa video thời gian thực chuẩn 4K/8K trên mạng không dây 5G/6G dựa trên đồng bộ siêu hỗn loạn; (3) Giai đoạn 7-10 năm: Tích hợp mạng nơron tế bào phân số vào kiến trúc máy tính phỏng não (Neuromorphic Computing) phục vụ trí tuệ nhân tạo biên tự học và an toàn lượng tử.

Kết luận

Luận án tiến sĩ của tác giả Đàm Thanh Phương đã giải quyết xuất sắc các mục tiêu nghiên cứu đề ra, tạo nên những đóng góp khoa học có giá trị bền vững:

  1. Xây dựng thành công mô hình CNN 6 cell cấp phân số sinh hỗn loạn: Xác lập quy trình giải tích và tính toán số xác định bậc đạo hàm phân số $q$ đảm bảo hệ xuất hiện phổ số mũ Lyapunov dương và vùng hút siêu hỗn loạn.
  2. Đột phá trong điều khiển đồng bộ thích nghi: Thiết kế luật điều khiển đồng bộ hai hệ CNN có ma trận mẫu trạng thái hoàn toàn bất định với số lượng tín hiệu truyền dẫn tối thiểu hóa (2/3 trạng thái), chứng minh tính ổn định tiệm cận toàn cục bằng bổ đề Barbalat.
  3. Hiện thực hóa điều khiển đồng bộ thời gian hữu hạn: Thiết lập công thức giải tích xác định chính xác thời gian xác lập $T$ ($T = 9.14\text{s}$ trên thực nghiệm) dưới tác động đồng thời của bất định tham số và nhiễu ngoài.
  4. Giải quyết bài toán đồng bộ đầu ra bằng so khớp mô hình: Ứng dụng đạo hàm Lie và hình học vi phân phi tuyến để đồng bộ hóa tín hiệu đầu ra độc lập với kênh truyền trạng thái.
  5. Thiết lập lược đồ mật mã ảnh hiệu năng cao: Xây dựng hệ thống mã hóa dòng ảnh đạt Entropy $H = 7.9972$, $NPCR = 99.61%$, $UACI = 33.48%$, không gian khóa $2^{381}$, kháng tuyệt đối các dạng tấn công vi sai và dò khóa.
  6. Mở ra các hướng nghiên cứu liên ngành giá trị: Tạo tiền đề vững chắc cho việc ứng dụng hệ động lực phân số trong xử lý tín hiệu y sinh, an toàn mạng và thiết kế vi mạch tính toán tương tự.