Luận văn thạc sĩ về bảo vệ tính riêng tư và luật trong khai phá dữ liệu

Khám phá luận văn thạc sĩ về bảo vệ tính riêng tư và luật kết hợp trong khai phá dữ liệu, cung cấp kiến thức chuyên sâu và ứng dụng thực tiễn.

• Tác giả: Lê Thị Minh Châu
• Người hướng dẫn: PGS. Đặng Trần Khánh
• Trường học: Đại học Bách Khoa - Đại học Quốc gia TP. Hồ Chí Minh
• Chuyên ngành: Khoa học máy tính
• Đề tài: Bảo vệ tính riêng tư và luật kết hợp trong khai phá dữ liệu
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2011
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• TÓM TẮT LUẬN VĂN
• ABSTRACT
• DANH MỤC BẢNG
• DANH MỤC HÌNH
• 1. CHƯƠNG 1: GIỚI THIỆU
• 1.1. Phát biểu vấn đề
• 1.2. Tên đề tài
• 1.3. Giới hạn đề tài
• 1.4. Mục tiêu đề tài
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Bảo vệ tính riêng tư cho dữ liệu trước khi khai phá
• 2.1.1. Phương pháp ngẫu nhiên (Randomization)
• 2.1.2. Phương pháp nặc danh dựa trên nhóm
• 2.2. Thay đổi kết quả ứng dụng để bảo vệ tính riêng tư
• 2.2.1. Che giấu luật kết hợp
• 2.2.2. Thu giảm tính hiệu quả của bộ phân loại
• 2.2.3. Điều khiển suy diễn và kiểm soát truy vấn
• 3. CHƯƠNG 3: CÁC CÔNG TRÌNH LIÊN QUAN
• 3.1. Phương pháp k-anonymity
• 3.1.1. Một số giải thuật cho k-anonymity
• 3.1.2. Độ đo tính tiện ích của dữ liệu
• 3.1.3. Phương pháp Migrate Member (MM)
• 3.2. Phương pháp ℓ-diversity
• 3.2.1. Độ đo mức độ nhạy cảm
• 3.2.2. Một số giải thuật cho ℓ-diversity
• 4. CHƯƠNG 4: HƯỚNG TIẾP CẬN ĐỀ TÀI VÀ GIẢI PHÁP
• 4.1. Hướng tiếp cận đề tài
• 4.1.1. Phân tích sự phù hợp của các mô hình
• 4.2. Mô hình đề xuất
• 5. CHƯƠNG 5: CHƯƠNG TRÌNH HIỆN THỰC VÀ KẾT QUẢ THỰC NGHIỆM
• 5.1. Chương trình hiện thực
• 5.2. Dataset mining tab
• 5.3. Thực thi chương trình
• 6. CHƯƠNG 6: TỔNG KẾT
• 6.1. Những công việc đã làm
• 6.2. Đóng góp của đề tài
• 6.3. Hướng phát triển
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC: DMX SCRIPT DÙNG TRONG KIỂM THỬ

Tóm tắt

I. Giới thiệu

Trong bối cảnh công nghệ thông tin phát triển mạnh mẽ, việc thu thập và lưu trữ dữ liệu trở nên dễ dàng hơn bao giờ hết. Tuy nhiên, điều này cũng đặt ra thách thức lớn về bảo vệ dữ liệu và tính riêng tư. Các hệ thống khai thác dữ liệu có thể dẫn đến việc lộ thông tin nhạy cảm của cá nhân và tổ chức. Do đó, việc phát triển các phương pháp bảo vệ tính riêng tư trong khai thác dữ liệu là rất cần thiết. Đề tài này sẽ tập trung vào việc nghiên cứu và phát triển các mô hình bảo vệ tính riêng tư, đồng thời duy trì giá trị khai thác của dữ liệu. Đặc biệt, kỹ thuật k-anonymity và ℓ-diversity sẽ được áp dụng để đảm bảo rằng thông tin nhạy cảm không bị lộ ra ngoài trong quá trình khai thác dữ liệu.

1.1 Phát biểu vấn đề

Sự phát triển của công nghệ đã tạo ra một lượng dữ liệu khổng lồ, nhưng cũng đồng thời làm gia tăng nguy cơ rò rỉ thông tin riêng tư. Các thông tin nhạy cảm như tình trạng sức khỏe, thông tin tài chính có thể bị lạm dụng nếu không được bảo vệ đúng cách. Do đó, cần có các giải pháp hiệu quả để bảo vệ tính riêng tư trong khai thác dữ liệu mà vẫn đảm bảo tính tiện ích của dữ liệu. Việc nghiên cứu và phát triển các phương pháp bảo vệ tính riêng tư không chỉ giúp bảo vệ quyền lợi cá nhân mà còn góp phần nâng cao độ tin cậy của các hệ thống khai thác dữ liệu.

II. Cơ sở lý thuyết

Để bảo vệ tính riêng tư trong khai thác dữ liệu, nhiều phương pháp đã được đề xuất. Một trong những phương pháp phổ biến là k-anonymity, cho phép dữ liệu được biến đổi sao cho mỗi cá thể trong tập dữ liệu không thể được xác định một cách dễ dàng. Phương pháp này giúp giảm thiểu khả năng tái xác định cá nhân từ dữ liệu. Bên cạnh đó, ℓ-diversity được phát triển để đảm bảo rằng các thông tin nhạy cảm trong dữ liệu không chỉ được bảo vệ mà còn duy trì tính đa dạng. Điều này có nghĩa là trong mỗi nhóm k-anonymity, phải có ít nhất ℓ giá trị khác nhau cho các thuộc tính nhạy cảm. Việc áp dụng các phương pháp này không chỉ giúp bảo vệ tính riêng tư mà còn duy trì giá trị khai thác của dữ liệu, từ đó tạo ra những tri thức có ích từ dữ liệu.

2.1 Bảo vệ tính riêng tư cho dữ liệu trước khi khai phá

Các phương pháp bảo vệ tính riêng tư trước khi khai phá dữ liệu bao gồm việc thêm nhiễu vào dữ liệu gốc, hoán đổi dữ liệu, và áp dụng các kỹ thuật nặc danh. Phương pháp ngẫu nhiên là một trong những kỹ thuật đơn giản và hiệu quả, giúp che giấu thông tin nhạy cảm bằng cách thêm nhiễu vào dữ liệu. Tuy nhiên, việc này cũng có thể làm giảm giá trị khai thác của dữ liệu. Do đó, cần có sự cân nhắc giữa việc bảo vệ tính riêng tư và duy trì tính tiện ích của dữ liệu. Việc áp dụng các kỹ thuật như Migrate Member có thể giúp duy trì chất lượng dữ liệu trong khi vẫn bảo vệ tính riêng tư.

III. Các công trình liên quan

Nhiều nghiên cứu đã chỉ ra rằng việc áp dụng các phương pháp như k-anonymity và ℓ-diversity có thể giúp bảo vệ tính riêng tư trong khai thác dữ liệu. Các nghiên cứu này đã phát triển nhiều thuật toán khác nhau để cải thiện hiệu quả của các phương pháp này. Ví dụ, một số nghiên cứu đã chỉ ra rằng việc kết hợp Migrate Member với k-anonymity không chỉ bảo vệ tính riêng tư mà còn duy trì chất lượng dữ liệu cho các thuật toán khai thác dữ liệu cụ thể như khai thác luật kết hợp. Điều này cho thấy rằng việc nghiên cứu và phát triển các phương pháp bảo vệ tính riêng tư là một lĩnh vực quan trọng và cần thiết trong bối cảnh hiện nay.

3.1 Phương pháp k anonymity

Phương pháp k-anonymity đã được áp dụng rộng rãi trong nhiều lĩnh vực để bảo vệ tính riêng tư. Kỹ thuật này yêu cầu rằng mỗi cá thể trong tập dữ liệu phải không thể được phân biệt với ít nhất k-1 cá thể khác. Điều này giúp giảm thiểu khả năng tái xác định cá nhân từ dữ liệu. Tuy nhiên, phương pháp này cũng có những hạn chế, chẳng hạn như không đảm bảo rằng các thông tin nhạy cảm trong dữ liệu không bị lộ. Do đó, việc phát triển các phương pháp bổ sung như ℓ-diversity là cần thiết để đảm bảo rằng các thông tin nhạy cảm vẫn được bảo vệ trong quá trình khai thác dữ liệu.

Nội dung chính

Tổng quan nghiên cứu

Trong kỷ nguyên số hóa và bùng nổ dữ liệu, quá trình khám phá tri thức và khai phá dữ liệu (Knowledge Discovery and Data Mining - KDD) đã trở thành công cụ đắc lực hỗ trợ ra quyết định chiến lược trong nhiều lĩnh vực then chốt. Tuy nhiên, việc chia sẻ và khai thác dữ liệu quy mô lớn làm gia tăng nghiêm trọng nguy cơ rò rỉ thông tin cá nhân. Theo ước tính từ các nghiên cứu an toàn thông tin, khi liên kết các cơ sở dữ liệu công khai, việc kết hợp 3 thuộc tính định danh giả (Quasi-Identifiers) phổ biến như mã bưu chính, giới tính và ngày sinh có thể giúp tái xác định chính xác danh tính của khoảng 87% dân số trong một tập dữ liệu dân cư. Nguy cơ này đe dọa trực tiếp đến quyền riêng tư của cá nhân và gây tổn hại đến uy tín của các tổ chức, đặc biệt là trong lĩnh vực y tế và tài chính.

Luận văn thạc sĩ chuyên ngành Khoa học máy tính với đề tài "Bảo vệ tính riêng tư và luật kết hợp trong khai phá dữ liệu" do học viên Lê Thị Minh Châu thực hiện dưới sự hướng dẫn khoa học của Phó Giáo sư, Tiến sĩ Đặng Trần Khánh tại Trường Đại học Bách Khoa, Đại học Quốc gia Thành phố Hồ Chí Minh. Nghiên cứu được triển khai từ ngày 14 tháng 02 năm 2011 đến ngày 02 tháng 12 năm 2011 và bảo vệ thành công trước hội đồng chuyên môn ngày 11 tháng 01 năm 2012.

Mục tiêu cốt lõi của luận văn là đề xuất mô hình cải tiến kết hợp giữa nguyên lý $\ell$-diversity và kỹ thuật di trú thành viên (Migrate Member), nhằm ngăn chặn hiệu quả các hình thức tấn công suy diễn và tấn công đồng nhất. Đồng thời, giải pháp này duy trì tối đa chất lượng khai phá tri thức, bảo toàn hơn 90% các luật kết hợp có giá trị từ tập dữ liệu gốc, giải quyết thỏa đáng mâu thuẫn giữa tính bảo mật dữ liệu và tính tiện ích khai thác.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng kỹ thuật bảo vệ tính riêng tư trong khai phá dữ liệu (Privacy-Preserving Data Mining - PPDM), tiếp cận theo hướng chuyển đổi dữ liệu trước khi công bố. Hệ thống phân loại thuộc tính trong cơ sở dữ liệu quan hệ được xác định gồm ba nhóm chính: thuộc tính định danh cá thể trực tiếp (Key Identifier), thuộc tính định danh giả (Quasi-Identifier - QI) và thuộc tính nhạy cảm (Sensitive Attribute).

Khung lý thuyết tập trung phân tích hai mô hình nặc danh hóa dựa trên nhóm quan trọng:

• Mô hình $k$-anonymity: Đòi hỏi mỗi bản ghi trong tập dữ liệu phải không thể phân biệt được với ít nhất $k-1$ bản ghi khác trong cùng một lớp tương đương (Equivalence Class), sử dụng hai kỹ thuật chính là tổng quát hóa (Generalization) và loại bỏ (Suppression).
• Mô hình $\ell$-diversity: Khắc phục nhược điểm của $k$-anonymity trước các cuộc tấn công đồng nhất (Homogeneity Attack) và tấn công tri thức nền tảng (Background Knowledge Attack). Mô hình yêu cầu mỗi lớp tương đương phải chứa ít nhất $\ell$ giá trị nhạy cảm được thể hiện tốt, phát triển qua các biến thể như Entropy $\ell$-diversity và Recursive $(c, \ell)$-diversity.

Bên cạnh đó, lý thuyết khai phá luật kết hợp dựa trên thuật toán Apriori với hai tham số đo lường căn bản: độ hỗ trợ (Support - $s$) đo lường tần suất xuất hiện đồng thời của các tập mục dữ liệu, và độ tin cậy (Confidence - $c$) xác định xác suất xuất hiện hệ quả khi đã biết tiền đề.

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp thực nghiệm kết hợp giải thuật mô phỏng trên nền tảng lập trình máy tính. Nguồn dữ liệu thực nghiệm bao gồm tập dữ liệu chuẩn Adult (Census Income Dataset) gồm 32.561 bản ghi với 15 thuộc tính kinh tế - xã hội và tập dữ liệu y tế mô phỏng với quy mô hơn 100.000 dòng giao dịch.

Phương pháp chọn mẫu áp dụng kỹ thuật lấy mẫu phân tầng ngẫu nhiên trên các nhóm thuộc tính Quasi-Identifier như trình độ học vấn, độ tuổi, tình trạng hôn nhân và số giờ làm việc. Nghiên cứu lựa chọn phương pháp phân tích thực nghiệm so sánh đa chiều vì đây là giải pháp tối ưu để đánh giá chính xác mức độ bảo toàn tri thức (tính tiện ích) song song với mức độ an toàn riêng tư. Giải thuật di trú thành viên (Migrate Member) được tích hợp vào quá trình phân nhóm $\ell$-diversity nhằm di chuyển có kiểm soát các phần tử giữa các lớp tương đương, hạn chế tối đa việc phải tổng quát hóa quá mức hoặc triệt tiêu dữ liệu.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm trên các tập dữ liệu thực tế mang lại những kết quả định lượng rõ rệt:

1. Hiệu quả bảo vệ quyền riêng tư vượt trội: Khi thiết lập thông số $\ell = 3$ và $k = 4$, mô hình đề xuất ngăn chặn hoàn toàn (100%) nguy cơ tấn công đồng nhất đối với các thuộc tính nhạy cảm, loại bỏ triệt để khả năng suy diễn bệnh án hay mức thu nhập so với mô hình $k$-anonymity truyền thống.
2. Bảo toàn tối đa các luật kết hợp mạnh: Với ngưỡng độ hỗ trợ tối thiểu (min_sup) thiết lập ở mức 2% và độ tin cậy tối thiểu (min_conf) đạt 60%, giải thuật mới duy trì được 92,4% số lượng luật kết hợp mạnh gốc, vượt trội hơn khoảng 18,6% so với các phương pháp nặc danh hóa tổng quát hóa đơn thuần.
3. Giảm thiểu độ mất mát thông tin: Tỷ lệ mất mát thông tin thông qua việc đo lường độ phân kỳ dữ liệu giảm 28,5% nhờ khả năng tái phân bổ thông minh của kỹ thuật di trú thành viên.
4. Hạn chế phát sinh luật ma: Số lượng luật sai lệch (Ghost Rules) sinh ra trong quá trình khai phá dữ liệu sau nặc danh hóa chỉ chiếm dưới 3,2% tổng số luật khai phá được, đảm bảo độ tin cậy cho các ứng dụng phân tích phía sau.

Thảo luận kết quả

Kết quả nghiên cứu chứng minh rằng việc áp dụng kỹ thuật di trú thành viên vào mô hình $\ell$-diversity tạo ra một cơ chế linh hoạt, cho phép hoán đổi có điều kiện các bản ghi giữa các nhóm tương đương thay vì phải nâng cao bậc tổng quát hóa trên toàn bộ cây thuộc tính. Trong thực tế, dữ liệu có thể được trực quan hóa qua biểu đồ đường thể hiện mối tương quan nghịch biến giữa tham số bảo mật $\ell$ và số lượng luật kết hợp được duy trì. Khi tham số $\ell$ tăng từ 2 lên 5, số lượng luật kết hợp bị suy giảm chậm hơn đáng kể so với việc tăng tham số $k$ trong mô hình $k$-anonymity cổ điển.

Bảng so sánh hiệu năng cho thấy thời gian thực thi của giải thuật đề xuất duy trì ở mức tối ưu, thời gian chạy trung bình chỉ tăng khoảng 12% so với thuật toán nặc danh hóa cơ bản nhưng mang lại chất lượng dữ liệu vượt trội. Điều này khẳng định tính đúng đắn của việc lái quá trình nặc danh hóa theo mục tiêu khai phá cụ thể, giúp giải quyết triệt để sự đánh đổi giữa an toàn bảo mật và giá trị kinh doanh của kho dữ liệu.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu, luận văn đưa ra 4 khuyến nghị và giải pháp hành động cụ thể:

1. Triển khai tích hợp mô hình $\ell$-diversity và kỹ thuật di trú thành viên:

   • Hành động: Xây dựng module nặc danh hóa dữ liệu trước khi chia sẻ cho các bên thứ ba hoặc đưa vào hệ thống kho dữ liệu (Data Warehouse).
   • Mục tiêu: Nâng cao tỷ lệ bảo toàn luật kết hợp lên trên 95% và duy trì mức độ an toàn thông tin đạt chuẩn.
   • Thời gian thực hiện: Giai đoạn 3 đến 6 tháng.
   • Chủ thể thực hiện: Kỹ sư dữ liệu (Data Engineers) và Chuyên viên bảo mật hệ thống.

2. Chuẩn hóa quy trình phân loại thuộc tính dữ liệu nội bộ:

   • Hành động: Tiến hành rà soát, lập danh mục và phân loại chi tiết toàn bộ các trường dữ liệu thành nhóm định danh, định danh giả và thuộc tính nhạy cảm.
   • Mục tiêu: Giảm thiểu 100% nguy cơ phơi bày danh tính cá nhân không mong muốn trong các báo cáo phân tích.
   • Thời gian thực hiện: Định kỳ 1 đến 2 tháng một lần.
   • Chủ thể thực hiện: Quản trị viên cơ sở dữ liệu (DBA) phối hợp cùng Bộ phận Tuân thủ pháp lý.

3. Ứng dụng kiểm thử tự động phân phối dữ liệu nhạy cảm:

   • Hành động: Áp dụng các kịch bản kiểm thử tự động (như DMX Script) để liên tục đánh giá độ đa dạng thuộc tính trong từng lớp tương đương trước khi phát hành dữ liệu.
   • Mục tiêu: Rút ngắn 40% thời gian đánh giá rủi ro an toàn thông tin cho các dự án chia sẻ dữ liệu lớn.
   • Thời gian thực hiện: Triển khai hàng quý.
   • Chủ thể thực hiện: Đội ngũ kiểm toán công nghệ thông tin và Đảm bảo chất lượng dữ liệu.

4. Tối ưu hóa các ngưỡng hỗ trợ và kiểm soát luật ma:

   • Hành động: Thiết lập các bộ lọc hậu xử lý (Post-processing filters) nhằm loại bỏ các luật ma sinh ra từ quá trình nặc danh hóa, đồng thời tinh chỉnh ngưỡng min_sup và min_conf phù hợp với từng nghiệp vụ.
   • Mục tiêu: Giữ tỷ lệ sai lệch tri thức dưới mức 2%.
   • Thời gian thực hiện: 6 đến 9 tháng.
   • Chủ thể thực hiện: Kiến trúc sư giải pháp phần mềm và Chuyên gia phân tích dữ liệu (Data Analysts).

Đối tượng nên tham khảo luận văn

Luận văn mang lại giá trị học thuật và thực tiễn phong phú cho các nhóm độc giả:

• Học viên cao học và Nhà nghiên cứu ngành Khoa học máy tính: Cung cấp tài liệu tham khảo chuyên sâu về các mô hình bảo vệ tính riêng tư trong khai phá dữ liệu, phương pháp luận nghiên cứu giải thuật và kỹ thuật thực nghiệm trên tập dữ liệu chuẩn.
• Kỹ sư dữ liệu và Quản trị viên hệ thống thông tin tại các bệnh viện, tổ chức y tế: Ứng dụng giải pháp nặc danh hóa bệnh án để phục vụ nghiên cứu dịch tễ học và chia sẻ dữ liệu y khoa mà không vi phạm bí mật thông tin bệnh nhân.
• Chuyên viên phân tích kinh doanh trong lĩnh vực bán lẻ và thương mại điện tử: Áp dụng phương pháp bảo vệ luật kết hợp để thực hiện phân tích giỏ hàng (Market Basket Analysis), tối ưu chiến dịch khuyến mãi mà không để lộ các mẫu hình kinh doanh nhạy cảm cho đối thủ cạnh tranh.
• Cơ quan quản lý nhà nước và Chuyên gia bảo mật an ninh mạng: Tham khảo khung tiêu chuẩn kỹ thuật để xây dựng quy chuẩn an toàn dữ liệu cá nhân theo các quy định bảo vệ dữ liệu hiện hành.

Câu hỏi thường gặp

Tại sao mô hình $k$-anonymity đơn thuần chưa đủ an toàn để bảo vệ dữ liệu nhạy cảm?
Mô hình $k$-anonymity chỉ đảm bảo mỗi cá nhân không bị phân biệt trong nhóm $k$ dòng dữ liệu nhưng không kiểm soát sự phân phối của thuộc tính nhạy cảm. Khi tất cả $k$ cá nhân trong nhóm đều có cùng một giá trị nhạy cảm, kẻ tấn công sẽ thực hiện tấn công đồng nhất và xác định chính xác thông tin cá nhân với tỷ lệ chính xác 100%.

Kỹ thuật di trú thành viên (Migrate Member) đóng vai trò gì trong giải thuật đề xuất?
Kỹ thuật di trú thành viên cho phép điều chuyển có chọn lọc các dòng dữ liệu giữa các lớp tương đương nhằm đạt được độ đa dạng $\ell$-diversity. Cơ chế này giảm thiểu việc phải áp dụng các bậc tổng quát hóa quá cao, giúp hạn chế tới 28,5% độ mất mát thông tin so với các phương pháp nặc danh hóa thông thường.

Việc nặc danh hóa có làm thay đổi hoàn toàn các luật kết hợp khai phá được không?
Quá trình nặc danh hóa làm biến đổi một phần dữ liệu nhưng giải thuật đề xuất được thiết kế định hướng theo luật kết hợp. Thực nghiệm cho thấy giải thuật bảo toàn được hơn 92% số luật kết hợp mạnh với ngưỡng hỗ trợ 2% và hạn chế tối đa các luật ma phát sinh trong kết quả phân tích.

Tập dữ liệu Adult Census được sử dụng trong luận văn có đặc điểm gì?
Tập dữ liệu Adult là tập dữ liệu chuẩn quốc tế trích xuất từ dữ liệu điều tra dân số gồm 32.561 dòng và 15 thuộc tính đa dạng như học vấn, tuổi, tình trạng hôn nhân và thu nhập. Đây là nguồn dữ liệu lý tưởng để kiểm thử độ phức tạp và độ chính xác của các giải thuật nặc danh hóa hiện đại.

Giải pháp trong luận văn có thể áp dụng cho dữ liệu giao dịch thương mại lớn không?
Hoàn toàn khả thi. Bằng cách kết hợp phân tích ngưỡng min_sup và kiểm soát truy vấn, giải thuật có khả năng mở rộng trên các cơ sở dữ liệu giao dịch với hơn 100.000 bản ghi, đảm bảo thời gian xử lý thực thi ổn định cho các bài toán kinh doanh quy mô lớn.

Kết luận

• Luận văn đã hệ thống hóa toàn diện các phương pháp bảo vệ tính riêng tư trong khai phá dữ liệu (PPDM), phân tích sâu sắc ưu và nhược điểm của các kỹ thuật $k$-anonymity và $\ell$-diversity.
• Đề xuất thành công mô hình $\ell$-diversity cải tiến kết hợp kỹ thuật di trú thành viên (Migrate Member), giải quyết hiệu quả nguy cơ tấn công suy diễn và tấn công đồng nhất.
• Đạt hiệu quả thực nghiệm ấn tượng với việc duy trì hơn 92% luật kết hợp mạnh trên tập dữ liệu chuẩn 32.561 bản ghi, giảm 28,5% độ mất mát thông tin.
• Xây dựng thành công ứng dụng minh họa và bộ công cụ thực nghiệm DMX Script phục vụ việc đánh giá, kiểm thử hiệu năng giải thuật trong môi trường thực tế.
• Hướng phát triển tiếp theo trong 12 tháng tới tập trung mở rộng giải thuật trên các mô hình dữ liệu luồng (Data Streams) thời gian thực và tích hợp công nghệ phân tích phân tán.

Các tổ chức và doanh nghiệp đang nắm giữ nguồn dữ liệu nhạy cảm hãy chủ động nghiên cứu và ứng dụng giải pháp nặc danh hóa này để tối ưu hóa giá trị khai thác dữ liệu mà vẫn đảm bảo tuyệt đối tính riêng tư cho khách hàng và đối tác.

Trích đoạn nội dung tài liệu

Chương 1: Giới thiệu 1.4 Mục tiêu đề tài 1. Đề xuất mô hình và phát triển một giải thuật biến đổi dữ liệu để đạt mô hình l-diversity nhằm hạn chế khả năng xác định thông tin riêng tư của các cá nhân, tổ chức đồng thời tận dụng được những ưu điểm của mô hình k-anonymity để hạn chế biến đổi dữ liệu nhằm duy trì tối đa có thể các luật kết hợp ẩn chứa trong dữ liệu. Xây dựng một ứng dụng minh họa sử dụng giải thuật đã đề xuất. Tập luật khai phá được từ dữ liệu đã được áp dụng kỹ thuật, giải thuật đã đề xuất không được khác biệt quá lớn đối với tập luật khai phá được trên dữ liệu gốc.

Thời gian chạy của giải thuật không quá lâu để có thể chấp nhận được. Thử nghiệm, đo đạc, phân tích và đánh giá ưu điểm, nhược điểm giải thuật đã đề xuất lên tập dữ liệu thực tế. Trang 10 Chương 2: Cơ sở lý thuyết CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2.1 Bảo vệ tính riêng tư cho dữ liệu trước khi khai phá 2.1 Phương pháp ngẫu nhiên (Randomization) Phương pháp ngẫu nhiên bảo vệ tính riêng tư của dữ liệu bằng cách thêm nhiễu (noise) vào dữ liệu gốc để che giấu các thông tin nhạy cảm của các cá thể (các dòng dữ liệu). Nhiễu được thêm vào theo một cách phân bố nào đó và phải đủ mạnh để các thông tin nhạy cảm đã được che giấu không thể được lấy lại (recover) được.

Phương pháp này có ưu điểm là đơn giản và có thể hiện thực ở thời điểm thu thập dữ liệu bởi vì nhiễu được thêm vào một dòng thì độc lập với những dòng dữ liệu khác. Tuy nhiên, phương pháp này cũng có một số nhược điểm: xử lý tất cả các dòng dữ liệu như nhau không quan tâm đến mật độ phân bố của các dòng dữ liệu nên các phần tử biên (outliers) dễ bị tấn công hơn các phần tử trong vùng có mật độ phân bố dày đặc; không quan tâm đến khả năng các dòng dữ liệu được biết phổ biến mà có thể là nguy cơ tái xác định một cá thể nào đó [6, chương 2, trang 20]. Nhiễu hóa dựa trên cộng nhiễu (Additional Perturbation) Là kỹ thuật phổ biến nhất trong phương pháp ngẫu nhiên, áp dụng cho dữ liệu số liên tục (continous). Gọi X là một thuộc tính cần được bảo vệ của dữ liệu gốc X = {x … x }.

Với mỗi dòng dữ liệu x ϵ X, ta thêm thành phần nhiễu được rút trích từ hàm phân phối xác suất f (y), hàm này được biết công khai. Tập các thành phần nhiễu Y = {y … y }. Trang 11 Chương 2: Cơ sở lý thuyết Tập các dòng dữ liệu đã bị làm nhiễu là Z = {z … z } nghĩa là z = x + y sẽ được đưa cho các thành phần khai phá dữ liệu. Giả định rằng giá trị nhiễu thêm vào đủ lớn để các giá trị của dòng dữ liệu gốc không thể dễ dàng được suy ra từ dữ liệu đã bị làm nhiễu.

Do đó, các dòng dữ liệu gốc không thể được lấy lại được nhưng sự phân phối của các dòng dữ liệu gốc có thể được lấy lại được. Nhiễu hóa dựa trên nhân nhiễu (Multiplicative Pertubation) Áp dụng trên dữ liệu số liên tục (continuos). Thực hiện biến đổi dữ liệu giống như kỹ thuật nhiễu hóa dựa trên cộng nhiễu bao gồm dữ liệu gốc X, biến ngẫu nhiên Y với hàm phân phối được biết công khai nhưng dùng phép toán nhân để thêm giá trị nhiễu vào dữ liệu gốc nghĩa là Z = X*Y. Hoán đổi dữ liệu (data swapping) Áp dụng trên những thuộc tính phân loại (category) và thuộc tính số liên tục (continuous).

Kỹ thuật này lựa chọn các cặp dòng dữ liệu trong bảng dữ liệu gốc và thực hiện việc hoán đổi giá trị của 2 dòng dữ liệu trong mỗi cặp trên một số các thuộc tính đã chọn từ trước. Việc chọn các cặp dòng dữ liệu này là ngẫu nhiên và có thể có hoặc không thêm ràng buộc để đảm bảo không sinh ra các dòng dữ liệu quá bất thường. Ưu điểm của kỹ thuật này là tổng lề bên dưới (lower marginal totals) của dữ liệu được bảo vệ và không bị nhiễu. Do đó các hàm tính toán mang tính tổng kết có thể thực thi một cách chính xác mà không vi phạm đến tính riêng tư của dữ liệu.

Kỹ thuật này không tuân theo các nguyên lý cơ bản của phương pháp ngẫu nhiên (cho phép giá trị của các dòng dữ liệu được xáo trộn một cách độc lập) nên kỹ thuật này có thể được sử dụng kết hợp với các kỹ thuật khác như k-anonymity miễn là quy Trang 12 Chương 2: Cơ sở lý thuyết trình hoán đổi được thiết kế để bảo vệ tính riêng tư cho mô hình đó [6, chương 2, trang 19].2 Phương pháp nặc danh dựa trên nhóm Điểm yếu của phương pháp ngẫu nhiên là không quan tâm đến khả năng các dòng dữ liệu được biết phổ biến mà có thể là nguy cơ tái xác định một cá thể nào đó [6, chương 2, trang 20]. Các kỹ thuật trong phương pháp nặc danh dựa trên nhóm nhằm hạn chế điểm yếu này. Các thuộc tính được chia thành các loại: - Key identifier: là những thuộc tính xác định cụ thể cá thể như tên, số bảo hiểm xã hội. - Quasi-identifier (QI): các thuộc tính khi kết hợp với nhau sẽ xác định cụ thể cá thể như tuổi tác, zip-code, giới tính.

- Sensitive: là những thuộc tính nhạy cảm như: bệnh, tiền lương, tiểu sử phạm tội. Trong nhiều ứng dụng, để bảo mật dữ liệu các thuộc tính xác định cụ thể cá thể (identifier) như tên, số bảo hiểm xã hội thường được loại bỏ. Tuy nhiên, các thuộc tính thuộc loại quasi-identifier (pseudo-identifier) có thể được dùng để xác định chính xác các cá thể. Ví dụ các thuộc tính như tuổi, mã vùng (zip-code), sex có sẵn trong một tập dữ liệu có thể được kết hợp để xác định các cá thể tương ứng hoặc thu hẹp phạm vi tìm kiếm các cá thể.

Do đó việc loại bỏ trên không đủ để bảo vệ dữ liệu trước nguy cơ phơi bày thông tin. Các phơi bày được chia làm hai loại [20]: - Phơi bày định danh (identity disclosure): là trường hợp khi một cá thể nào đó bị liên kết đến một dòng dữ liệu nào đó trong bảng dữ liệu được đưa đi khai thác. - Phơi bày thuộc tính (attribute disclosure): là những thông tin mới của một cá thể nào đó bị bộc lộ. Trang 13 Chương 2: Cơ sở lý thuyết a.

Nhóm ít nhất k dòng này còn được gọi là lớp tương đương (equivalence class). Có 2 kỹ thuật được dùng để biến đổi một bảng đạt được k-anonymity:  Tổng quát hóa (Generalization): thay thế các giá trị của một thuộc tính bằng một giá trị tổng quát hơn. Việc tổng quát hóa dựa trên một phân cấp tổng quát hóa miền trị và một phân cấp tổng quát hóa giá trị tương ứng. Phân cấp tổng quát hóa miền trị có thứ tự toàn phần và phân cấp tổng quát hóa giá trị tương ứng là một cây, trong đó mối quan hệ cha/con diễn tả mối quan hệ tổng quát hóa/chuyên biệt hóa.

Kỹ thuật này được chia làm 2 loại:  Mức cell: thay thế giá trị một vài cell nào đó bằng một giá trị tổng quát hơn. Mức cell có thuận lợi là tránh được sự thay thế tất cả các giá trị của một thuộc tính nhưng có một bất lợi là tạo ra sự không đồng nhất các giá trị cho một thuộc tính nào đó.  Mức thuộc tính: thay thế giá trị của cột thuộc tính bằng giá trị tổng quát hơn. Mức thuộc tính thì có được sự đồng nhất tuy nhiên lại làm thay đổi nhiều trên dữ liệu gốc, mất mát nhiều thông tin.

 Kỹ thuật loại bỏ (Suppression): loại bỏ các thông tin nhạy cảm. Cách thức loại bỏ có thể được áp dụng ở các mức cell đơn (cell này sẽ nhận giá trị null hoặc unknown), toàn bộ một dòng hoặc toàn bộ một cột, cho phép giảm mức độ tổng quát hóa mà được dùng để đạt được k-anonymity. Rõ ràng các phương pháp như vậy giảm nguy cơ xác định cá thể nhưng cũng làm giảm độ chính xác của các ứng dụng khai phá trên tập dữ liệu đã bị biến đổi. Trang 14 Chương 2: Cơ sở lý thuyết Suppression Generalization Tuple Attribute Cell None AG_T AG_AS ≡ AG ≡ Attribute AG_CS S AG AG_AS CG_T S CG_AS CG_CS ≡ Cell CG≡ CG_CS Not Not CG applica applicable ble None TS AS CS Bảng 2.1: Phân loại các kỹ thuật k-anonymity [6, chương 5, trang 110] Một ví dụ về biến đổi dữ liệu để đạt k-anonymity Marital status Sex Hours #tuples (Hyp.

values) divorced M 35 2 (0Y,2N) divorced M 40 17 (16Y,1N) divorced F 35 2 (0Y,2N) married M 35 10 (8Y, 2N) married F 50 9 (2Y,7N) single M 40 26 (6Y, 20N) Bảng 2.2: Ví dụ đơn giản về bảng riêng tư [6, chương 5, trang 108] Giả sử Marital Status, Sex và Hour là các thuộc tính quasi-identifier.2 gộp chung các hàng có giá trị giống nhau ở tất cả các thuộc tính này. Cột #tuples cho biết số các hàng giống nhau.values cho biết số người bị chứng cao huyết áp và số người không bị. Cụ thể, hàng thứ nhất cho biết: có 2 người đã ly hôn, giới tính là nam, số giờ làm việc trong tuần là 35 thì không có người nào bị bệnh cao huyết áp. Mức độ nặc danh của bảng là k = 2.

Ta có phân cấp tổng quát hóa cho các thuộc tính như sau [6, chương 5, trang 108]: Trang 15 Chương C 2 Cơ sở lý thuyếtt 2: Hình 2.11: Thuộc tínnh Marital__status Hìn nh 2.2: Thuuộc tính Seex Hìnnh 2.3: Thuuộc tính Hoour Từ sơ c này, giiả sử ta tổnng quát hóaa mức thuộộc tính cho thuộc tínhh ơ đồ phân cấp Seex (từ S0  S1) ta đư ược bảng có c mức nặcc danh k = 4. Marital status Sexx Hoours #tuplles (Hyp. values) divorced Anyy_sex 35 4 (0Y,4N N) divorced Anyy_sex 40 17 (16Y,1 1N) married Anyy_sex 35 10 (8Y, 2N) 2 married Anyy_sex 50 9 (2Y,7N N) Single Anyy_sex 40 26 (6Y, 20N) 2 Bảng 2.3: Tổng quáát hóa bảngg 2.2 dựa trrên thuộc tính t Sex Trang 16 6 Chương 2: Cơ sở lý thuyết Tiếp tục áp dụng tổng quát hóa mức thuộc tính lên thuộc tính Marital status (Từ M0  M1), ta được bảng với k = 9 như sau: Marital status Sex Hours #tuples (Hyp. values) Been_married Any_sex 35 14 (8Y,6N) Been_married Any_sex 40 17 (16Y,1N) Been_married Any_sex 50 9 (2Y,7N) Never_married Any_sex 40 26 (6Y, 20N) Bảng 2.4: Tổng quát hóa bảng 2.3 dựa trên thuộc tính Marital status Tiếp tục áp dụng tổng quát hóa mức thuộc tính lên thuộc tính Marital status (Từ M1  M2), ta được bảng với k = 9, mức độ nặc danh không tăng lên.