Chia Sẻ Danh Sách Đen Trong Lĩnh Vực Cho Vay Trực Tuyến

Danh sách đen cho vay trực tuyến: Giải pháp bảo mật thông tin, giảm rủi ro tín dụng đen hiệu quả. Cập nhật danh sách thường xuyên.

Trường đại học

Đại học Bách Khoa – ĐHQG-HCM

Chuyên ngành

Khoa Học Máy Tính

Người đăng

Ẩn danh

Thể loại

Luận Văn Thạc Sĩ

2024

68
2
0

Phí lưu trữ

30 Point

Tóm tắt

I. Tổng quan về chia sẻ danh sách đen cho vay online

Trong bối cảnh thị trường cho vay trực tuyến (online lending) phát triển mạnh mẽ, việc chia sẻ danh sách đen trở thành một nhu cầu cấp thiết. Các công ty tài chính công nghệ (Fintech) cần một cơ chế để chia sẻ thông tin về những khách hàng có lịch sử tín dụng xấu, gian lận, hoặc có rủi ro cao. Tuy nhiên, việc chia sẻ này phải đảm bảo tuân thủ các quy định về bảo mật thông tin khách hàng vay online và quyền riêng tư. Các phương pháp chia sẻ truyền thống như giao diện lập trình REST, giao thức FTP, chia sẻ tập tin qua email, hoặc cấp quyền truy cập cơ sở dữ liệu thường không hiệu quả, tốn kém và tiềm ẩn nhiều rủi ro bảo mật thông tin khách hàng vay online. Vì vậy, cần có một giải pháp an toàn, hiệu quả và tuân thủ pháp luật để chia sẻ dữ liệu nợ xấu. Luận văn này nghiên cứu và đề xuất một kiến trúc hệ thống cho phép các tổ chức tài chính chia sẻ thông tin danh sách đen một cách bảo mật và hiệu quả.

1.1. Tại sao cần chia sẻ danh sách đen tín dụng đen

Việc chia sẻ danh sách đen giúp các công ty tài chính giảm thiểu rủi ro tín dụng, ngăn chặn gian lận và cải thiện hiệu quả hoạt động. Khi có thông tin về những khách hàng có thông tin nợ xấu trực tuyến, các công ty có thể đưa ra quyết định cho vay chính xác hơn, tránh cấp tín dụng cho những đối tượng có khả năng không trả nợ. Điều này đặc biệt quan trọng trong bối cảnh nhiều hội nhóm rủ nhau 'bùng nợ' dẫn đến nợ xấu tăng cao. Chia sẻ dữ liệu nợ xấu giúp các công ty tài chính bảo vệ tài sản và duy trì hoạt động bền vững.

1.2. Thách thức trong việc chia sẻ thông tin người vay nợ

Việc chia sẻ thông tin người vay nợ đối mặt với nhiều thách thức về kỹ thuật, pháp lý và đạo đức. Các công ty tài chính cần đảm bảo rằng dữ liệu được chia sẻ là chính xác, đầy đủ và được bảo mật. Việc tuân thủ các quy định về luật bảo vệ người tiêu dùng vay tiền và quyền riêng tư là rất quan trọng. Ngoài ra, cần có một cơ chế để xử lý các tranh chấp và đảm bảo tính minh bạch trong quá trình chia sẻ dữ liệu.

II. Vấn đề bảo mật khi chia sẻ danh sách đen tài chính

Vấn đề bảo mật là yếu tố then chốt khi chia sẻ danh sách đen tài chính. Các phương pháp chia sẻ dữ liệu truyền thống thường không đảm bảo an toàn, dễ bị tấn công và rò rỉ thông tin. Việc công khai danh sách nợ xấu mà không có biện pháp bảo vệ phù hợp có thể vi phạm quyền riêng tư của khách hàng và gây ra những hậu quả pháp lý nghiêm trọng. Cần có một giải pháp bảo mật mạnh mẽ để mã hóa dữ liệu, kiểm soát truy cập và ngăn chặn các hành vi xâm nhập trái phép. Chia sẻ dữ liệu nợ xấu thời gian thực cũng đòi hỏi các biện pháp bảo mật đặc biệt để đảm bảo tính toàn vẹn và sẵn sàng của dữ liệu.

2.1. Rủi ro từ danh sách đen lừa đảo vay tiền không bảo mật

Việc lộ danh sách đen lừa đảo vay tiền có thể dẫn đến nhiều rủi ro nghiêm trọng. Kẻ gian có thể sử dụng thông tin này để giả mạo danh tính, thực hiện các hành vi lừa đảo hoặc tống tiền. Ngoài ra, việc chia sẻ thông tin người vay nợ không đúng cách có thể gây tổn hại đến uy tín của các công ty tài chính và làm mất lòng tin của khách hàng. Cần có các biện pháp fraud detection vay online hiệu quả.

2.2. Giải pháp bảo mật thông tin trong chia sẻ danh sách đen

Để đảm bảo an toàn khi chia sẻ danh sách đen, cần áp dụng các biện pháp bảo mật sau: Mã hóa dữ liệu, sử dụng các giao thức truyền tải an toàn, kiểm soát truy cập chặt chẽ, theo dõi và ghi lại các hoạt động truy cập dữ liệu. Bloom Filter là một giải pháp tiềm năng, bởi tính chất mã hóa của nó. Ngoài ra, cần có các chính sách và quy trình rõ ràng về bảo mật thông tin khách hàng vay online và tuân thủ các quy định pháp luật liên quan.

2.3. Quy định về chia sẻ thông tin nợ vay cần tuân thủ là gì

Việc chia sẻ thông tin nợ vay phải tuân thủ các quy định của pháp luật về bảo vệ dữ liệu cá nhân và quyền riêng tư. Cần có sự đồng ý của khách hàng trước khi chia sẻ thông tin của họ. Ngoài ra, cần đảm bảo rằng dữ liệu được chia sẻ là chính xác, đầy đủ và chỉ được sử dụng cho các mục đích hợp pháp. Việc tuân thủ các quy định này giúp bảo vệ quyền lợi của khách hàng và tránh các tranh chấp pháp lý.

III. Phương pháp Bloom Filter để chia sẻ danh sách đen

Bloom Filter là một cấu trúc dữ liệu xác suất nhỏ gọn, có thể được sử dụng để kiểm tra xem một phần tử có thuộc một tập hợp hay không. Ưu điểm của Bloom Filter là tiết kiệm không gian lưu trữ và cho phép kiểm tra thành viên một cách nhanh chóng. Tuy nhiên, Bloom Filter có thể trả về kết quả dương tính giả (false positive), nghĩa là nó có thể báo rằng một phần tử thuộc tập hợp trong khi thực tế không phải vậy. Trong bối cảnh chia sẻ danh sách đen, Bloom Filter có thể được sử dụng để mã hóa danh sách đen và chia sẻ nó với các đối tác. Các đối tác có thể sử dụng Bloom Filter này để kiểm tra xem một khách hàng có nằm trong danh sách đen hay không, mà không cần phải biết chính xác nội dung của danh sách đen.

3.1. Ưu điểm của Bloom Filter trong chia sẻ dữ liệu

Ưu điểm chính của việc sử dụng Bloom Filter trong chia sẻ dữ liệu là tính bảo mật. Bloom Filter chỉ cho phép kiểm tra thành viên, không cho phép truy xuất thông tin chi tiết về các phần tử trong tập hợp. Điều này giúp bảo vệ quyền riêng tư của khách hàng và ngăn chặn việc rò rỉ thông tin nhạy cảm. Ngoài ra, Bloom Filter còn có ưu điểm là tiết kiệm không gian lưu trữ và cho phép kiểm tra thành viên một cách nhanh chóng.

3.2. Hạn chế của Bloom Filter và cách khắc phục

Hạn chế lớn nhất của Bloom Filter là khả năng trả về kết quả dương tính giả. Để giảm thiểu tỷ lệ dương tính giả, cần tăng kích thước của Bloom Filter hoặc sử dụng nhiều hàm băm. Tuy nhiên, việc tăng kích thước của Bloom Filter sẽ làm tăng chi phí lưu trữ và xử lý. Cần có sự cân bằng giữa tỷ lệ dương tính giả và chi phí. Các biến thể của Bloom Filter như Counting Bloom Filter và Mergeable Counting Bloom Filter có thể khắc phục một số hạn chế của Bloom Filter truyền thống.

IV. Kiến trúc hệ thống chia sẻ dữ liệu nợ xấu sử dụng Bloom Filter

Hệ thống chia sẻ dữ liệu nợ xấu sử dụng Bloom Filter bao gồm các thành phần chính sau: Các công ty tài chính tham gia, một máy chủ trung tâm, các Bloom Filter Client và Server. Các công ty tài chính sẽ định kỳ gửi dữ liệu danh sách đen của họ đến máy chủ trung tâm. Máy chủ trung tâm sẽ sử dụng Bloom Filter để mã hóa dữ liệu và chia sẻ nó với các đối tác. Các đối tác có thể sử dụng Bloom Filter này để kiểm tra xem một khách hàng có nằm trong danh sách đen hay không.

4.1. Chi tiết về thành phần Bloom Filter Client và Server

Bloom Filter Client là thành phần chịu trách nhiệm thu thập dữ liệu danh sách đen từ các công ty tài chính, mã hóa dữ liệu bằng Bloom Filter và gửi nó đến máy chủ trung tâm. Bloom Filter Server là thành phần nhận dữ liệu Bloom Filter từ máy chủ trung tâm và cung cấp dịch vụ kiểm tra thành viên cho các công ty tài chính. Cần có các cơ chế để đảm bảo tính tin cậy và khả năng mở rộng của Bloom Filter Client và Server.

4.2. Cơ chế đồng bộ và bất đồng bộ trong hệ thống

Hệ thống có thể hoạt động ở chế độ đồng bộ hoặc bất đồng bộ. Ở chế độ đồng bộ, các công ty tài chính sẽ chờ đợi kết quả kiểm tra thành viên từ Bloom Filter Server trước khi đưa ra quyết định cho vay. Ở chế độ bất đồng bộ, các công ty tài chính có thể đưa ra quyết định cho vay dựa trên thông tin cục bộ và cập nhật thông tin từ Bloom Filter Server sau đó. Việc lựa chọn chế độ đồng bộ hay bất đồng bộ phụ thuộc vào yêu cầu về hiệu suất và độ chính xác của hệ thống.

V. Đánh giá hiệu quả của hệ thống chia sẻ danh sách đen online

Để đánh giá hiệu quả của hệ thống chia sẻ danh sách đen online, cần thực hiện các thử nghiệm và phân tích trên dữ liệu thực tế. Các chỉ số quan trọng cần được đo lường bao gồm: Tỷ lệ dương tính giả, thời gian kiểm tra thành viên, chi phí lưu trữ và xử lý dữ liệu. Kết quả đánh giá sẽ giúp xác định tính khả thi và hiệu quả của hệ thống trong thực tế.

5.1. Tiêu chí đánh giá hiệu quả và độ tin cậy của hệ thống

Các tiêu chí đánh giá hiệu quả bao gồm: Tỷ lệ dương tính giả (false positive rate), thời gian truy vấn (query time), dung lượng lưu trữ (storage space). Các tiêu chí đánh giá độ tin cậy bao gồm: Khả năng chịu lỗi (fault tolerance), tính sẵn sàng (availability), tính toàn vẹn dữ liệu (data integrity).

5.2. So sánh với các phương pháp chia sẻ dữ liệu khác

Cần so sánh hệ thống chia sẻ danh sách đen sử dụng Bloom Filter với các phương pháp chia sẻ dữ liệu khác như chia sẻ trực tiếp, sử dụng cơ sở dữ liệu tập trung. So sánh về các tiêu chí: Bảo mật, hiệu suất, chi phí, khả năng mở rộng.

VI. Kết luận và hướng phát triển hệ thống chia sẻ danh sách đen P2P

Luận văn đã trình bày một giải pháp cho bài toán chia sẻ danh sách đen trong lĩnh vực cho vay trực tuyến sử dụng Bloom Filter. Giải pháp này có ưu điểm là bảo mật, hiệu quả và tuân thủ pháp luật. Tuy nhiên, vẫn còn nhiều vấn đề cần được nghiên cứu và phát triển thêm, chẳng hạn như việc cải thiện độ chính xác của Bloom Filter, mở rộng hệ thống để hỗ trợ nhiều đối tác hơn và tích hợp hệ thống với các nguồn dữ liệu khác. Hướng phát triển có thể là xây dựng hệ thống chia sẻ danh sách đen P2P

6.1. Tóm tắt những đóng góp chính của luận văn

Luận văn đã đóng góp vào việc giải quyết bài toán chia sẻ danh sách đen trong lĩnh vực cho vay trực tuyến bằng cách đề xuất một kiến trúc hệ thống bảo mật, hiệu quả và tuân thủ pháp luật sử dụng Bloom Filter.

6.2. Hướng phát triển và nghiên cứu tiếp theo cho hệ thống

Các hướng phát triển và nghiên cứu tiếp theo bao gồm: Cải thiện độ chính xác của Bloom Filter, mở rộng hệ thống để hỗ trợ nhiều đối tác hơn, tích hợp hệ thống với các nguồn dữ liệu khác, nghiên cứu các kỹ thuật bảo mật tiên tiến hơn. Đặc biệt là nghiên cứu để tích hợp với các ứng dụng vay tiền uy tín.

21/05/2025

Trích đoạn nội dung tài liệu

Chương 1 GIỚI THIỆU ĐỀ TÀI: giới thiệu về hiện trạng của ngành tài chính, cụ thể là cho vay tiêu dùng, cho vay trực tuyến và nhu cầu thực tế trong việc chia sẻ dữ liệu danh sách đen mô tả bài toán chia sẻ danh sách đen trong lĩnh vực cho vay trực tuyến. − Chương 2 CƠ SỞ KIẾN THỨC: là các cơ sở lý thuyết mà học viên sử dụng trong luận văn này, bao gồm các lý thuyết cơ bản về Bloom Filter, các thuộc tính của Bloom Filter và biến thể cải tiến khác của Bloom Filter là Counting Bloom Filter hay Mergeable Counting Bloom Filter, các hàm băm được sử dụng trong Bloom Filter, lý thuyết về Lamport Clock và Vector Clock. 7 − Chương 3 CÁC CÔNG TRÌNH NGHIÊN CỨU LIÊN QUAN: nói về các công trình nghiên cứu liên quan tới Bloom Filter. Từ đó các cải tiến của cấu trúc dữ liệu mới lần lượt ra đời, và đó cũng là cơ sở quan trọng cho ứng dụng của tác giả trong luận văn.

− Chương 4 PHƯƠNG PHÁP GIẢI QUYẾT VẤN ĐỀ: Chương 4 nói cụ thể về các mô hình đề xuất của học viên cho bài toán chia sẻ danh sách đen. − Chương 5 KẾT LUẬN: Tổng kết các đóng góp của luận văn, các vấn đề còn tồn tại của bài toán chia sẻ danh sách đen đồng thời nói về khả năng phát triển trong tương lai. 8 Chương 2 CƠ SỞ KIẾN THỨC 2. Cấu trúc dữ liệu Bloom Filter Cấu Trúc Dữ Liệu Bloom Filter là một cấu trúc dữ liệu đã nén để trả lời nhanh cho câu hỏi, phần tử này có nằm trong tập hợp không? Kết quả là có thể là “có” hoặc có thể hoặc không.

Tức là BloomFilter có thể dương tính giả (false positive) nhưng không thể có trường hợp âm tính giả (false negative). Bloom Filter bao gồm một mảng bit B có chiều dài m. Khi khởi tạo, giá trị của mỗi bit trong mảng là 0. Khi mã hoá thông tin thành viên e, e sẽ được sẽ được mã hoá bởi k hàm băm độc lập nhau:.

Vùng giá trị trả về của hàm băm sẽ là chính là chỉ mục được dùng trong mảng bit B. , sẽ được bật thành 1. Và những bit đó sẽ được gọi là bit thành viên (membership bit).1: Mã hoá các phần tử a, b,c vào Bloom Filter với số hàm băm bằng 3 2. Dương Tính Giả (False Positive) và Số Hàm Băm Tối Ưu K (Optimal K) Cho m là chiều dài của mảng bit.

n là tổng số phần tử trong tập hợp và k là tổng số hàm băm. Vậy Xác suất của 1 bit vẫn bằng 0 sau khi đã thêm vào n phần tử là: (2.1) Vậy xác suất bit đó là 1 là: (2.2) 10 Vậy một đối tượng bất kỳ, và chưa được mã hóa trong Bloom Filter , thì xác suất mà tất cả bit ở chỉ mục trả của hàm băm H của đối tượng trả về được bật là: (2.3) Trong đó là hằng số tự nhiên Euler. Rõ ràng, tỷ lệ dương tính giả sẽ giảm khi độ dài của mảng m tăng, và giảm khi số lượng phần tử n được thêm vào Bloom Filter tăng. Để tìm ra số hàm băm tối ưu, ta có thể lấy đạo hàm công thức 2.3 theo k, cho vế bên trái bằng 0 và giải phương trình.5) Khi số hàm k* được sử dụng, ta thay vào hàm tính dương tính giả công thức2.3 sẽ là fB*: (2.6) Trong đó: - là số lượng hàm băm.

- là số lượng hàm băm tối ưu. - là chiều dài của mảng bit - là tổng số phần tử đã được mã hóa trong Bloom Filter. - là hằng số tự nhiên Euler. - là tỷ lệ dương tính giả.

11 - là tỷ lệ dương tính giả khi số hàm băm tối ưu được sử dụng. Counting Bloom Filter Việc loại bỏ một phần tử trong Bloom Filter là không thể. Bởi vì mỗi bit bằng 1 sẽ được sử dụng chung bởi các phần tử khác nhau. Ta không thể đơn giản gán bit thành 0 được vì nó dẫn tới việc lược bỏ một phần tử khác.

Counting Bloom Filter dùng một mảng của bộ đếm (counter) C với chiều dài l. Mỗi bộ đếm trong mảng đều được khởi tạo là 0. Cũng giống như Bloom Filter truyền thống, chúng ta mã hoá một phần tử e bằng k hàm băm. Mỗi hàm băm sẽ trả về giá trị từ 0 tới l - 1 là chỉ mục của trong mảng bộ đếm C.

Chúng ta sẽ tăng giá trị của bộ đếm tại vị trí của số đếm lên 1.2: Mã hoá các phần tử a, b,c vào Counting Bloom Filter với số hàm băm bằng 3 Khi muốn xoá một phần tử e khỏi tập hợp, chúng ta cũng băm phần tử đó và có tập giá trị các chỉ mục. ta sẽ giảm giá trị tại các vị trí số đếm xuống 1. Khi kiểm tra một phần tử bất kỳ e’ có nằm trong Counting Bloom Filter không, ta cũng băm đối tượng thành bằng k hàm băm. Sau đó 12 kiểm tra giá trị tại các vị trí do hàm băm trả về trong mảng C có khác 0 hay không? Nếu tất cả đều khác 0, thì có thể kết luận đối tượng đó nằm trong tập hợp.

Dương Tính Giả (False Positive), Số Hàm Băm Tối Ưu (Optimal K), Kích Thước Của Bộ Đếm (Counter Size) và Độ Đếm Tràn (Counter Overflow) của Counting Bloom Filter Cho là chiều dài của mảng bộ đếm, là tổng số phần tử đã được mã hả trong Counting Bloom Filter tập hợp và là số hàm băm. Cùng phương pháp phân tích như phần 2.2, ta có xác xuất 1 phần tử trong mảng số là 0 sau khi đã thêm n phần tử là: (2.7) Vậy xác suất phần tử đó đó khác 0 là: 1- (2.8) Vậy với một đối tượng bất kỳ, và không nằm trong Counting Bloom Filter, thì xác suất mà tất cả các số ở chỉ mục được hàm băm trả về lớn hơn 0 là: (2.9) Trong đó, là hằng số Euler số tự nhiên. Từ hàm số trên, ta sẽ tính số hàm băm tối ưu k* như phương pháp ở chương 2.2 , ta lấy đạo hàm của 3.11) Trong đó là logarit cơ số tự nhiên Euler. Khi số hàm k* được sử dụng, ta thay vào hàm tính dương tính giả sẽ là fC*: (2.12) Trong đó: - là số lượng hàm băm.

- là số lượng hàm băm tối ưu. - là chiều dài của mảng bộ đếm - là tổng số phần tử đã được mã hóa trong Bloom Filter. - là hằng số tự nhiên Euler. - là tỷ lệ dương tính giả.

- là tỷ lệ dương tính giả khi số hàm băm tối ưu được sử dụng. Như vậy, Counting Bloom Filter có cùng tỷ lệ dương tính giả với Bloom Filter truyền thống. Bộ Đếm trong Counting Bloom Filter là được chỉ định trước và có giới hạn. Tất cả đều có cùng độ dài cố định.

Giả sử, mỗi bộ đếm có t bit. Giá trị của bộ đếm là từ khoảng tới. Nếu giá trị bộ đếm đang là và ta mã hoá một phần tử mới, bộ đếm sẽ tăng lên 1, tràn bộ đếm (counter overflow) sẽ xảy ra. Nếu giá trị càng nhỏ, thì việc tràn bộ đếm sẽ xảy ra thường xuyên hơn.

Tuy nhiên nếu giá trị lớn sẽ tốn bộ nhớ. Cho là một biến ngẫu nhiên là giá trị của bộ đếm sau n lần thêm phần tử vào BloomFilter, sẽ tuân theo phân phối xác suất Binomial: .13) 14 Ở đây, được xác định bởi công thức: (2.14) Xác suất để bộ đếm lớn hơn hoặc bằng giá trị y là: (2.15) Trong đó: là giai thừa giảm dần : (2. Ta có thể giới hạn bằng: (2.17) Xác suất bất kỳ bộ đếm c nào mà lớn hơn hoặc bằng y sẽ là: (2.18) Và khi số hàm băm tối ưu k* (công thức 2.11) được áp dụng thì ta có: 15 (2.19) Ý nghĩa các ký hiệu trong phần 2.4 : - là xác suất để điều kiện đó xảy ra. - là chiều dài của mảng bộ đếm.

- là giai thừa của biến x. - là hằng số tự nhiên Euler. - là logarit cơ số tự nhiên e. - là tổng số phần tử có trong Bloom Filter.

- là phép tổng. Trong thực tế, nếu tràn bộ đệm xảy ra, ta vẫn có thể giữ giá trị của bộ đếm. Nhưng qua quá nhiều phân tử, có thể dẫn tới tình huống tỷ lệ dương tính giả cao. Mergeable Counting Bloom Filter Nếu chúng ta sử dụng Bloom Filter, thì việt kết hợp hai hay nhiều vector khá đơn giản, chỉ cần OR bit tương đương trong vector.

Tuy nhiên, Counting Bloom Filter (CBF) không hỗ trợ việc kết hợp hai vectors dữ liệu do CBF không lưu thông tin về hai phần hay nhiều phần tử trùng nhau. Nếu chúng ta có 2 CBF là CBF1và CBF2. Khi hợp CBF1 và CBF2, ta sẽ cộng từng phần tử i của mảng bộ đếm CBF1 và CBF2. Nếu có quá nhiều phần tử trùng trong cả hai CBF trên thì có thể dẫn bộ đếm tràn.

Để giải quyết vấn đề này, Wengjin Liu và nhóm tác giả đã đưa ra giải pháp Mergeable Counting Bloom Filter (mergeCBF), dựa trên sử dụng thuật toán xếp lịch Cuckoo. Ý tưởng của mergeCBF là tách các mảng bộ đếm (counter array) thành một nhóm các mảng bit và sắp xếp các mảng theo một thứ tự cố định để ghi nhận những phần tử đã được thêm vào. 16 Cấu trúc của mergeCBF: - hàm băm, số lượng hàm băm tối ưu theo công thức 2. - Một nhóm gồm mảng bit , trong đó là giá trị lớn nhất của bộ đếm.

- Một mảng là orBarr, là kết quả or của nhóm các mảng bit ở trên. Dùng để tăng hiệu quả của việc truy vấn. MergeCBF không chỉ hỗ trợ delete, thêm phần tử mới, xóa phần tử mà còn hỗ trợ việc hợp giữa hai hay nhiều mergeCBF khác nhau nếu có chung hàm băm và chiều dài mảng bit. Thêm một phần tử Để thêm một phần tử vào mergeCBF, ta không chỉ băm phần tử đó bằng k hàm băm mà còn phải sắp xếp các và chọn mảng bit nào để chứa các giá trị trả về của hàm băm.

Để đảm bảo việc xếp các bit vào mảng bit một cách ít đụng độ và hiệu quả, nhóm tác giả dùng giới thiệu một thuật toán lấy ý tưởng từ thuật toán Cuckoo Hash tên là thuật toán sắp xếp virtual-Cuckoo. Ý tưởng của thuật toán Cuckoo hash là tìm ra vị trí của phần tử trong mảng, nếu vị trí ô trong mảng đã có một phần tử chiếm dụng, chúng ta sẽ đẩy phần tử đã có ra khỏi ô đó, chèn phần tử mới vào ô hiện tại, tìm một vị trí mới cho phần tử cũ. Quá trình này tiếp diễn cho tới khi không còn đụng độ nửa. Cuckoo Hash đảm bảo việc sử dụng bộ nhớ một cách hiệu quả vì nó khuyến khích nhiều ô trong mảng được sử dụng hơn.

Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ