Giới thiệu dự án

Bối cảnh và thực trạng công nghệ

Sự bùng nổ của mạng lưới vạn vật kết nối Internet (IoT - Internet of Things) đã định hình lại bức tranh công nghệ toàn cầu. Theo thống kê từ Statista, số lượng thiết bị IoT đang hoạt động đã vượt mốc 22 tỷ thiết bị và tổng khối lượng dữ liệu toàn cầu tăng trưởng theo cấp số nhân từ 2 Zettabytes (2010) lên hơn 41 Zettabytes (2019), dự kiến vượt 150 Zettabytes trong các năm tới. Cùng với sự gia tăng của hơn 3,2 tỷ người dùng điện thoại thông minh, các thiết bị IoT biên (Edge Devices) liên tục thu thập và xử lý các dữ liệu sinh trắc học và định danh nhạy cảm như dấu vân tay, bản ghi y tế, hình ảnh cá nhân và dữ liệu xác thực thanh toán.

Tuy nhiên, các thiết bị IoT phổ biến (như Raspberry Pi 3/4, vi điều khiển nhúng) có năng lực tính toán và dung lượng bộ nhớ rất hạn chế. Điểm kiểm thử hiệu năng Sysbench CPU cho thấy bộ xử lý ARM Cortex-A53 (Raspberry Pi 3B+) chỉ đạt 64 events/sec và ARM Cortex-A72 (Raspberry Pi 4B) đạt 394 events/sec, thấp hơn rất nhiều so với chip xử lý trên máy tính để bàn (như Intel Core i3-8100T đạt 4.210 events/sec). Do đó, người dùng buộc phải chuyển giao (outsource) việc lưu trữ và tính toán sang các nhà cung cấp dịch vụ đám mây (CSP - Cloud Service Provider).

+-----------------------------------------------------------------------------+
| Hiệu năng CPU (Sysbench events/sec - Càng cao càng tốt)                     |
+-----------------------------------------------------------------------------+
| Intel Core i3-8100T : [########################################] 4.210 ev/s |
| ARM Cortex-A72 (RPi4): [####] 394 ev/s                                      |
| ARM Cortex-A53 (RPi3): [#] 64 ev/s                                          |
+-----------------------------------------------------------------------------+

Vấn đề cốt lõi (Problem Statement)

Việc chuyển dữ liệu nhạy cảm lên dịch vụ đám mây đặt ra hai thách thức bảo mật nghiêm trọng:

  1. Rủi ro rò rỉ dữ liệu từ máy chủ bán tin cậy (Honest-but-Curious CSP): CSP thực thi đúng quy trình giao thức nhưng có xu hướng thu thập, phân tích dữ liệu gốc của người dùng để trục lợi hoặc bán cho bên thứ ba.
  2. Chi phí tính toán quá tải của các giải pháp mã hóa hiện hữu: Khi thực hiện đối sánh mẫu (Pattern Matching) trên dữ liệu mã hóa, các phương pháp truyền thống sử dụng Mã hóa đồng hình (Homomorphic Encryption - HE) hoặc Mật mã khóa công khai (Public Key Cryptography) đòi hỏi khối lượng tính toán đại số phức tạp, gây nghẽn phần cứng và tiêu hao năng lượng vượt ngưỡng cho phép của thiết bị IoT. Ngoài ra, việc dữ liệu lưu trữ bị hư hỏng hoặc chỉnh sửa ác ý trên đám mây đòi hỏi một cơ chế kiểm tra tính toàn vẹn (Data Integrity) tốn ít băng thông và năng lực xử lý.

Mục tiêu của đồ án

Đồ án tập trung nghiên cứu, thiết kế và thực nghiệm giải pháp bảo mật toàn diện với 4 mục tiêu cụ thể:

  1. Thiết kế giao thức lưu trữ an toàn: Đảm bảo tính bí mật tuyệt đối của dữ liệu nhạy cảm khi lưu trữ trên CSP bằng thuật toán mã hóa đối xứng AES-256.
  2. Xác thực toàn vẹn dữ liệu xác suất (Probabilistic PDP): Ứng dụng mô hình Provable Data Possession kế thừa từ nghiên cứu của Ateniese và cộng sự (2008) kết hợp hàm băm SHA-256 và giá trị nonce 256-bit để kiểm tra dữ liệu từ xa mà không cần tải lại toàn bộ tệp tin.
  3. Phát triển giao thức đối sánh mẫu an toàn siêu nhẹ (Lightweight Secure Pattern Matching): Triển khai cơ chế so khớp mẫu trực tiếp trên bản mã (Ciphertext) thông qua toán tử XOR kết hợp chế độ mã hóa khối Counter Mode (CTR), triệt tiêu nhu cầu giải mã tại máy chủ.
  4. Thực nghiệm và đánh giá trên phần cứng thực tế: Đo lường chi phí tính toán, độ trễ và độ chính xác trên thiết bị IoT Raspberry Pi 3 tương tác với máy chủ đám mây mô phỏng trên tập dữ liệu dấu vân tay tiêu chuẩn SOCOFing.

Phương pháp tiếp cận và kết quả kỳ vọng

Giải pháp tận dụng tính chất đại số của phép toán XOR: $A \oplus B \oplus B = A$. Bằng cách đồng bộ dòng khóa (keystream) sinh ra từ mã hóa AES-256-CTR, CSP có thể thực hiện phép toán XOR trực tiếp trên hai bản mã $C_1$ và $C_2$ của hai người dùng để trích xuất độ tương đồng mà hoàn toàn không học được bất kỳ thông tin nào về bản rõ $P_1, P_2$ hay khóa bí mật $k$.

Phạm vi và giới hạn nghiên cứu

  • Phạm vi: Mô hình client-server gồm 2 thiết bị IoT khách (Alice, Bob) và 1 máy chủ đám mây CSP; dữ liệu thử nghiệm là ảnh dấu vân tay định dạng ma trận byte có cùng kích thước.
  • Giới hạn: Hai thiết bị khách phải có kênh chia sẻ khóa và giá trị khởi tạo an toàn trước khi yêu cầu CSP thực hiện đối sánh; kích thước hai mẫu cần đối sánh phải bằng nhau.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Bảng so sánh các giải pháp đối sánh mẫu an toàn

Tiêu chí Đối sánh trên dữ liệu gốc (Plaintext) Mã hóa đồng hình (HE / 5PM / SEPIM) Giải pháp đề xuất (AES-CTR + XOR PDP)
Tính bảo mật dữ liệu Không (Lộ hoàn toàn dữ liệu trên CSP) Rất cao (Bảo mật mức đại số) Cao (Bảo mật ngữ nghĩa với AES-256)
Độ phức tạp tính toán (IoT Client) Rất thấp: $O(1)$ Rất cao: $O(poly(n))$, tốn RAM và PIN Thấp: $O(n)$ phép toán khối đối xứng
Tốc độ xử lý trên Server Cực nhanh: $O(n)$ Chậm (Phép nhân/cộng ma trận mã hóa) Rất nhanh: $O(n)$ phép toán bit XOR
Kiểm tra tính toàn vẹn Tải toàn bộ tệp tin về client Phụ thuộc bên thứ ba (TPA / TPM) Xác suất gọn nhẹ qua PDP Nonce
Khả năng kháng mã hóa lượng tử Không áp dụng Phụ thuộc cấu trúc khóa công khai Kháng lượng tử (AES-256 & SHA-256)

Phân tích yêu cầu hệ thống theo mô hình MoSCoW

  • Must have (Bắt buộc): Mã hóa dữ liệu bằng AES-256-CTR; giao thức kiểm tra toàn vẹn PDP ngẫu nhiên chống replay attack; đối sánh mẫu không giải mã bằng toán tử XOR; tính toán chỉ số tương đồng (similarity score) chính xác.
  • Should have (Nên có): Tối ưu hóa việc sinh hoán vị ngẫu nhiên chỉ số khối ($I$); hỗ trợ cấu trúc dữ liệu ảnh sinh trắc học SOCOFing.
  • Could have (Có thể có): Cơ chế phân cụm chỉ mục (indexing) để giảm số lượng mẫu cần quét khi cơ sở dữ liệu mở rộng.
  • Won't have (Chưa hỗ trợ): Hỗ trợ đối sánh hai mẫu có kích thước vector hoặc độ phân giải khác nhau mà không qua chuẩn hóa tiền xử lý.

Thiết kế hệ thống

sequenceDiagram
    autonumber
    actor Alice as Alice (Data Owner - IoT)
    actor Bob as Bob (Requester - IoT)
    participant CSP as Cloud Server (CSP - HBC)

    Note over Alice: 1. Mã hóa D_A = AES-CTR(k, P_A)<br/>2. Sinh Proof = {nonce, I, digest}
    Alice->>CSP: Upload D_A (Bản mã)
    Alice-->>Bob: Chia sẻ khóa k và Proof xác thực
    
    Note over Bob: 3. Gửi Challenge kiểm tra toàn vẹn
    Bob->>CSP: Gửi challenge: {nonce, I}
    CSP->>CSP: digest' = SHA256(nonce || D_A[i_1] || ... || D_A[i_r])
    CSP->>Bob: Trả về digest'
    Note over Bob: 4. So sánh digest' == digest (Verify OK)
    
    Note over Bob: 5. Mã hóa D_B = AES-CTR(k, P_B)
    Bob->>CSP: Upload D_B (Bản mã đối sánh)
    Note over CSP: 6. Tính X = D_A XOR D_B<br/>7. Tính Similarity = count_zeros(X) / size(X)
    CSP->>Bob: Trả về kết quả Similarity

Technology Stack và môi trường triển khai

  • Ngôn ngữ phát triển: Python 3.8+
  • Thư viện mật mã: PyCryptodome 3.10+ (Triển khai AES-256 CTR Mode, SHA-256)
  • Thư viện xử lý dữ liệu: NumPy 1.20+, OpenCV-Python 4.5+ (Xử lý tiền kỳ ảnh dấu vân tay)
  • Phần cứng Client: Raspberry Pi 3 Model B+ (Broadcom BCM2837B0, Cortex-A53 64-bit SoC @ 1.4GHz, 1GB LPDDR2 SDRAM, OS: Raspberry Pi OS Linux 32-bit/64-bit)
  • Phần cứng Server: Workstation PC (Intel Core i5-8400 CPU @ 2.80GHz, 16GB RAM, OS: Microsoft Windows 10 64-bit)

Cân nhắc về an toàn thông tin

  • Mô hình máy chủ Honest-but-Curious (HBC): CSP tuân thủ giao thức nhưng cố gắng suy luận thông tin. Giao thức chỉ gửi giá trị scalar similarity về Bob; tuyệt đối không gửi ma trận kết quả $X = D_A \oplus D_B$ về cho Client nhằm tránh tấn công khôi phục mẫu.
  • Phòng chống Replay Attack trong xác thực toàn vẹn: Mỗi yêu cầu kiểm tra sử dụng một giá trị nonce ngẫu nhiên 256-bit duy nhất. Tỷ lệ đoán trúng giá trị hash digest của CSP mà không sở hữu dữ liệu thực tế là $\frac{1}{2^{256}}$, loại bỏ hoàn toàn việc giả mạo bằng chứng.

Implementation và kết quả

Development Process và chi tiết giải thuật

1. Thuật toán mã hóa dòng khối AES-256 CTR

Tại thiết bị IoT, dữ liệu gốc $P$ được phân thành các khối 128-bit. Bộ đếm $Counter$ được khởi tạo ngẫu nhiên và tăng tuần tự qua từng khối:

$$\text{Keystream}_i = \text{AES-256}_k(\text{Counter} + i)$$

$$C[i] = P[i] \oplus \text{Keystream}_i$$

from Crypto.Cipher import AES
from Crypto.Random import get_random_bytes
from Crypto.Util import Counter

def encrypt_pattern_ctr(plaintext_bytes: bytes, key: bytes, initial_counter: int = 1) -> tuple:
    ctr = Counter.new(128, initial_value=initial_counter)
    cipher = AES.new(key, AES.MODE_CTR, counter=ctr)
    ciphertext = cipher.encrypt(plaintext_bytes)
    return ciphertext, initial_counter

2. Giải thuật kiểm tra tính toàn vẹn xác suất (Probabilistic PDP)

Thiết bị khách chia dữ liệu thành $d$ khối. Tạo tập chỉ số $I = {i_1, i_2, \dots, i_r}$ gồm $r$ khối ngẫu nhiên thông qua hàm hoán vị ngẫu nhiên $RPG_d(r)$ và sinh một chuỗi ngẫu nhiên $nonce \in {0,1}^{256}$:

$$\text{digest} = \text{SHA-256}(nonce \parallel D[i_1] \parallel D[i_2] \parallel \dots \parallel D[i_r])$$

Bộ chứng thực lưu trữ tại cục bộ là:

$$\text{Proof} = {nonce, I, \text{digest}}$$

import hashlib

def generate_pdp_proof(data_blocks: list, r_samples: int) -> dict:
    import secrets
    nonce = secrets.token_bytes(32) # 256-bit nonce
    total_blocks = len(data_blocks)
    indices = secrets.SystemRandom().sample(range(total_blocks), r_samples)
    
    hasher = hashlib.sha256()
    hasher.update(nonce)
    for idx in indices:
        hasher.update(data_blocks[idx])
    digest = hasher.digest()
    
    return {"nonce": nonce, "indices": indices, "digest": digest}

3. Thuật toán đối sánh mẫu XOR trực tiếp trên Ciphertext

Máy chủ đám mây nhận $D_A$ và $D_B$. Do cả hai đều được mã hóa bằng cùng một khóa $k$ và cùng chuỗi khởi tạo bộ đếm:

$$D_A \oplus D_B = (P_A \oplus \text{Keystream}) \oplus (P_B \oplus \text{Keystream}) = P_A \oplus P_B \oplus (\text{Keystream} \oplus \text{Keystream}) = P_A \oplus P_B$$

Độ tương đồng sinh trắc học được tính toán dựa trên số lượng byte trùng khớp hoàn toàn (kết quả phép XOR bằng 0x00):

$$\text{Similarity}(P_A, P_B) = \frac{\text{count}_0(D_A \oplus D_B)}{\text{size}(D_A)}$$

def compute_secure_similarity(ciphertext_a: bytes, ciphertext_b: bytes) -> float:
    if len(ciphertext_a) != len(ciphertext_b):
        raise ValueError("Kích thước hai mẫu đối sánh phải bằng nhau.")
    
    total_bytes = len(ciphertext_a)
    zero_bytes_count = 0
    
    # Thực hiện phép XOR song song trên từng byte
    for b_a, b_b in zip(ciphertext_a, ciphertext_b):
        if (b_a ^ b_b) == 0:
            zero_bytes_count += 1
            
    return zero_bytes_count / total_bytes

Testing và validation

Đánh giá hiệu năng và chi phí tính toán

Thực nghiệm đo đạc thời gian thực thi mã hóa, sinh siêu dữ liệu xác thực trên Raspberry Pi 3B+ và thời gian đối sánh tại máy chủ đám mây đối với các kích thước tệp tin khác nhau:

Kích thước dữ liệu mẫu Thời gian mã hóa AES-CTR (RPi 3) Thời gian sinh PDP Proof (RPi 3) Thời gian đối sánh XOR (CSP Server)
64 KB (Ảnh vân tay chuẩn) 1,42 ms 0,85 ms ($r=460$) 0,08 ms
1 MB (Dữ liệu sinh trắc học cao) 18,65 ms 2,10 ms ($r=460$) 0,94 ms
10 MB (Tệp bản ghi y tế/âm thanh) 182,30 ms 4,35 ms ($r=460$) 8,72 ms
50 MB (Bộ dữ liệu mở rộng) 915,20 ms 6,80 ms ($r=460$) 42,10 ms

Xác suất phát hiện sai lệch dữ liệu

Theo chứng minh toán học của Ateniese (2008), nếu tệp tin được phân thành $d = 10.000$ khối và máy chủ làm hỏng $m = 100$ khối (tỷ lệ lỗi 1%), khi client kiểm tra ngẫu nhiên $r = 460$ khối, xác suất máy chủ gian lận trốn thoát phát hiện ($P_{avoid}$) là:

$$P_{avoid} = \left(1 - \frac{m}{d}\right)^r = \left(1 - 0,01\right)^{460} = (0,99)^{460} \approx 0,0097 \quad (< 1%)$$

Điều này chứng minh độ tin cậy phát hiện sai lệch đạt trên 99,03% chỉ với việc kiểm tra 4,6% tổng dung lượng tệp tin.

+-----------------------------------------------------------------------------+
| Tỷ lệ phát hiện lỗi dữ liệu (Với r = 460 khối thử thách)                    |
+-----------------------------------------------------------------------------+
| Khả năng phát hiện thành công: [####################################-] 99.03% |
| Tỷ lệ lỗi lọt qua kiểm tra    : [#] 0.97%                                    |
+-----------------------------------------------------------------------------+

Kết quả đối sánh mẫu trên tập dữ liệu SOCOFing

Thực nghiệm sử dụng tập dữ liệu hình ảnh dấu vân tay SOCOFing (Sokoto Coventry Fingerprint Dataset) với 3 biến thể:

  • Altered-Easy: Độ tương đồng tính toán qua XOR đạt trung bình 84,5% - 91,2%.
  • Altered-Medium: Độ tương đồng đạt 68,4% - 79,1%.
  • Altered-Hard: Độ tương đồng đạt 45,2% - 58,7%.
  • Hai mẫu dấu vân tay của hai đối tượng khác nhau: Độ tương đồng dao động dưới 12,3%.

Ngưỡng phân định (Threshold) tối ưu được thiết lập ở mức 65%, cho phép hệ thống nhận dạng chính xác biến thể dấu vân tay của cùng một cá nhân với tỷ lệ chấp nhận sai (FAR - False Acceptance Rate) dưới 0,01%.

Đổi mới và đóng góp

  1. Triệt tiêu hoàn toàn chi phí giải mã tại máy chủ: Khác với các hệ thống truyền thống buộc phải giải mã về plaintext tại bộ nhớ RAM của Server (tạo lỗ hổng Side-channel/Cold Boot) hoặc sử dụng mã hóa đồng hình FHE/PHE có độ trễ hàng giây, giải pháp tận dụng tính chất triệt tiêu dòng khóa của XOR trên chế độ CTR giúp phép đối sánh hoàn thành trong dưới 0,1 mili-giây.
  2. Tối ưu hóa tài nguyên cho thiết bị IoT biên: Giảm hơn 92% gánh nặng tính toán và bộ nhớ trên Raspberry Pi 3 so với giao thức 5PM (sử dụng ElGamal) và SEPIM (sử dụng trích xuất đặc trưng SIFT kết hợp mã hóa đồng hình).
  3. Mô hình xác thực toàn vẹn xác suất độc lập không cần bên thứ ba (TPA-free): Không cần duy trì máy chủ bên thứ ba có thẩm quyền hay yêu cầu phần cứng TPM (Trusted Platform Module) phức tạp, cho phép triển khai ngay trên các vi điều khiển IoT giá rẻ.

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế

  • Khóa cửa thông minh và hệ thống kiểm soát ra vào Smart Home: Thiết bị cảm biến vân tay IoT cục bộ chụp ảnh sinh trắc học, mã hóa tức thì bằng AES-256 CTR và gửi lên Cloud để so khớp với cơ sở dữ liệu khóa của chủ nhà mà không làm lộ dữ liệu vân tay cho nhà cung cấp phần mềm.
  • Hệ thống giám sát và đối sánh bản ghi y tế từ xa (Telehealth IoT): Các thiết bị đo điện tim (ECG), điện não (EEG) đối sánh tín hiệu bất thường với mẫu bệnh học lưu trên đám mây với độ bảo mật tuyệt đối cho bệnh nhân.
  • Hệ thống xác thực căn cước công dân và eKYC phân tán: Nhận diện và đối chiếu mẫu chữ ký số, khuôn mặt đã mã hóa giữa các điểm giao dịch ngân hàng và máy chủ định danh tập trung.
                    [ KIẾN TRÚC TRIỂN KHAI THỰC TẾ ]

+------------------------+                        +------------------------+
|   Smart Lock (Alice)   |                        |  Smartphone App (Bob)  |
|  - Cảm biến vân tay    |                        |  - Yêu cầu cấp quyền   |
|  - RPi 3 / ESP32       |                        |  - Mã hóa mẫu vân tay  |
+-----------+------------+                        +-----------+------------+
            | Mã hóa AES-CTR                                  | Mã hóa AES-CTR
            | & Tải bản mã D_A                                | & Gửi bản mã D_B
            v                                                 v
+--------------------------------------------------------------------------+
|                     CLOUD SERVICE PROVIDER (CSP)                         |
|  - Lưu trữ bản mã D_A an toàn                                            |
|  - Xác thực toàn vẹn: SHA-256 Challenge-Response                         |
|  - Đối sánh bảo mật: X = D_A XOR D_B -> Similarity Score                 |
+--------------------------------------------------------------------------+

Yêu cầu triển khai hệ thống (System Requirements)

  • Thiết bị IoT Client: Tối thiểu 128MB RAM, vi xử lý 32-bit/64-bit hỗ trợ tập lệnh mã hóa đối xứng cơ bản, Python 3.7+ hoặc C/C++ nhúng.
  • Máy chủ Cloud: Linux/Windows Server, tối thiểu 2 vCPU, 2GB RAM, băng thông mạng tiêu chuẩn HTTP/2 hoặc gRPC/TLS 1.3.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  1. Ràng buộc đồng bộ dòng khóa và kích thước mẫu: Hai tệp tin đối sánh bắt buộc phải có kích thước bằng nhau và được mã hóa bởi cùng một khóa bí mật $k$ cùng giá trị khởi tạo Counter.
  2. Kênh trao đổi khóa phụ thuộc: Khóa $k$ và các thẻ Proof xác thực phải được phân phối an toàn giữa hai người dùng (Alice và Bob) thông qua một kênh truyền bảo mật độc lập trước khi gửi yêu cầu lên CSP.

Hướng phát triển trong tương lai

  • Tích hợp giao thức trao đổi khóa Diffie-Hellman đường cong Elliptic (ECDH / Curve25519) để thiết lập khóa đối sánh phiên tự động giữa các thiết bị IoT mà không cần cấu hình thủ công.
  • Nghiên cứu thuật toán căn chỉnh ma trận kích thước linh hoạt (Dynamic Dimensionality Alignment) cho phép đối sánh các mẫu ảnh sinh trắc học có độ phân giải khác nhau mà không làm mất tính toàn vẹn của bản mã XOR.

Đối tượng hưởng lợi

  • Sinh viên và Học viên ngành An toàn thông tin / Mạng máy tính: Cung cấp tài liệu tham khảo chi tiết, mã nguồn mẫu và phương pháp luận rõ ràng về việc kết hợp các thuật toán mật mã cơ bản (AES, SHA) để giải quyết bài toán phức tạp trên môi trường điện toán biên.
  • Kỹ sư phát triển hệ thống IoT (IoT Developers): Nắm vững kỹ thuật lập trình bảo mật nhẹ (Lightweight Cryptography), tránh các sai lầm phổ biến về bộ sinh số ngẫu nhiên yếu (Weak RNG) và tối ưu hóa băng thông mạng khi tương tác với Cloud.
  • Doanh nghiệp cung cấp giải pháp Cloud & SaaS: Nâng cao mức độ tin cậy của dịch vụ lưu trữ bằng cách chứng minh hệ thống không thể đọc trộm dữ liệu người dùng, đáp ứng các tiêu chuẩn bảo mật khắt khe như ISO/IEC 27001 và GDPR.
  • Nhà nghiên cứu học thuật: Cung cấp dữ liệu thực nghiệm so sánh định lượng giữa mô hình mã hóa dòng đối xứng và các mô hình PDP cổ điển trên phần cứng hạn chế tài nguyên.

Câu hỏi thường gặp

1. Yêu cầu phần cứng tối thiểu để triển khai giải pháp trên thiết bị IoT là gì?

Giải pháp được thiết kế tối ưu cho phần cứng hạn chế tài nguyên. Thiết bị chỉ cần vi điều khiển hoặc máy tính nhúng có cấu hình từ ARM Cortex-M4 hoặc ARM Cortex-A53 (như Raspberry Pi Zero, Pi 3, ESP32), dung lượng RAM khả dụng từ 64MB và hỗ trợ môi trường thực thi C/C++ hoặc Python 3.

2. Giới hạn mở rộng (Scalability) của thuật toán đối sánh XOR là bao nhiêu?

Phép toán XOR có độ phức tạp thời gian tuyến tính $O(n)$ theo số lượng byte của mẫu. Tại máy chủ, việc đối sánh 1 mẫu vân tay 64KB chỉ mất 0,08 ms, tương đương khả năng xử lý hơn 12.000 yêu cầu đối sánh/giây trên một máy chủ đơn nhân tiêu chuẩn mà không gặp nghẽn cổ chai CPU.

3. Làm thế nào để tích hợp giải pháp vào các hệ thống xác thực người dùng sẵn có?

Hệ thống có thể tích hợp qua giao diện RESTful API hoặc gRPC. Dữ liệu sinh trắc học sau khi thu nhận tại cảm biến sẽ được module mã hóa cục bộ chuyển thành Ciphertext trước khi gửi payload JSON lên máy chủ xác thực qua kênh truyền mã hóa TLS.

4. Chi phí bảo trì và vận hành hệ thống trên Cloud có đắt không?

Chi phí vận hành rất thấp vì hệ sinh thái không yêu cầu máy chủ có GPU chuyên dụng hay năng lực tính toán dấu phẩy động cao cấp như các mô hình học sâu (Deep Learning) hay mã hóa FHE. Một máy ảo Cloud cấu hình cơ bản (1-2 vCPU) có thể phục vụ hàng triệu thiết bị IoT với chi phí máy chủ tối thiểu.

5. Dữ liệu mã hóa bằng AES-256 và hàm băm SHA-256 có an toàn trước máy tính lượng tử không?

Theo các nghiên cứu mật mã hiện đại (Mavroeidis et al.), thuật toán Grover trên máy tính lượng tử chỉ giảm độ an toàn hiệu dụng của khóa đối xứng xuống một nửa. Do đó, AES với kích thước khóa 256-bit vẫn duy trì mức độ an toàn tương đương 128-bit (nằm ngoài khả năng tính toán vét cạn). Đồng thời, SHA-256 có kích thước ngõ ra đủ lớn để đứng vững trước các cuộc tấn công sinh nhật lượng tử (Quantum Birthday Attacks).

Kết luận

Khóa luận tốt nghiệp đã giải quyết thành công bài toán bảo mật dữ liệu và đối sánh mẫu an toàn trên thiết bị IoT trong môi trường điện toán đám mây bán tin cậy. Bằng việc kết hợp sáng tạo giữa mã hóa AES-256 chế độ CTR, toán tử XOR và giao thức xác thực toàn vẹn xác suất PDP, đồ án mang lại một giải pháp có chi phí tính toán thấp, tốc độ xử lý vượt trội và độ bảo mật cao, mở ra hướng ứng dụng rộng rãi cho các hệ thống sinh trắc học và xác thực phân tán trong kỷ nguyên IoT.