Tổng quan luận án

Luận án tiến sĩ khoa học máy tính với đề tài "Đề xuất một số giải pháp khai phá dữ liệu phân tán đảm bảo tính riêng tư" do nghiên cứu sinh Nguyễn Văn Chung thực hiện tại Trường Đại học Công nghệ Thông tin và Truyền thông – Đại học Thái Nguyên (năm 2023), dưới sự hướng dẫn khoa học của PGS. TS. Trần Đức Sự và TS. Nguyễn Văn Tảo. Luận án thuộc chuyên ngành Khoa học máy tính, mã số 9480101.

Tính cấp thiết và khoảng trống nghiên cứu

Sự gia tăng nhanh chóng của các hệ thống thông tin và ứng dụng trực tuyến tạo ra khối lượng dữ liệu khổng lồ từ các giao dịch điện tử và tương tác trên mạng xã hội. Việc khai phá dữ liệu phân tán giúp phát hiện tri thức hữu ích phục vụ quản trị kinh doanh, nắm bắt thị hiếu khách hàng và tối ưu hóa chi phí vận hành. Tuy nhiên, các tập dữ liệu trong thực tế luôn chứa đựng những thông tin riêng tư, nhạy cảm như hồ sơ bệnh án, mức thu nhập hoặc xu hướng chính trị.

Hoạt động khai phá dữ liệu từ nhiều nguồn gặp phải hai rào cản căn bản:

  • Các chủ sở hữu dữ liệu từ chối cung cấp dữ liệu thực do lo ngại rò rỉ quyền riêng tư hoặc do các chế tài pháp lý bảo vệ dữ liệu cá nhân.
  • Tiến trình khai phá dữ liệu phân tán có nguy cơ làm lộ thông tin nhạy cảm của các tổ chức, cá nhân tham gia.

Các giải pháp khai phá dữ liệu bảo vệ tính riêng tư (Privacy-Preserving Data Mining - PPDM) hiện tại bộc lộ nhiều điểm hạn chế:

  • Hướng tiếp cận biến đổi ngẫu nhiên buộc phải đánh đổi giữa tính riêng tư và độ chính xác của kết quả khai phá.
  • Hướng tiếp cận ẩn danh dữ liệu (như k-ẩn danh) dễ bị tổn thương trước các cuộc tấn công tái định danh trên mạng công khai.
  • Hướng tiếp cận tính toán bảo mật nhiều thành viên (Secure Multi-party Computation - SMC) dù bảo vệ an toàn dữ liệu nhưng thường có độ phức tạp tính toán và chi phí truyền thông lớn, hoặc khả năng chống thông đồng giữa các thành viên chưa cao. Bên cạnh đó, số lượng các ứng dụng PPDM có khả năng triển khai thực tế còn hạn chế.

Mục tiêu nghiên cứu

Mục tiêu tổng quát của luận án là nâng cao tính an toàn và hiệu quả cho các giải pháp khai phá dữ liệu đảm bảo tính riêng tư dựa trên tính toán bảo mật nhiều thành viên trong mô hình dữ liệu phân tán. Luận án xác định ba vấn đề nghiên cứu cụ thể:

  1. Nghiên cứu, đánh giá các giải pháp khai phá dữ liệu đảm bảo tính riêng tư hiện có, đặc biệt là các giải pháp dựa trên tính toán bảo mật nhiều thành viên.
  2. Phát triển một số kỹ thuật tính toán bảo mật nhiều thành viên mới và chứng minh các đề xuất có hiệu năng cao hơn, khả năng ứng dụng thực tế tốt hơn các phương pháp đã có.
  3. Dựa trên các kỹ thuật tính toán bảo mật nhiều thành viên mới phát triển, đề xuất một số giao thức khai phá dữ liệu đảm bảo tính riêng tư cho cả hai mô hình dữ liệu phân mảnh theo chiều ngang và phân mảnh theo chiều dọc; đánh giá hiệu quả tính toán, chi phí truyền thông và mức độ an toàn riêng tư của các giải pháp mới.

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu: Các phương pháp khai phá dữ liệu từ nhiều nguồn có đảm bảo tính riêng tư dựa trên tính toán bảo mật nhiều thành viên.
  • Phạm vi nghiên cứu: Bài toán khai phá dữ liệu từ nhiều nguồn trong mô hình phân mảnh dữ liệu ngang và phân mảnh dữ liệu dọc; cụ thể tập trung vào bài toán phân lớp Naive Bayes trên dữ liệu phân mảnh ngang và bài toán khai phá luật kết hợp trên dữ liệu phân mảnh dọc trong kịch bản ba thành viên tham gia tính toán; giả định các bên tham gia hoạt động theo mô hình bán trung thực (semi-honest model).

Tổng quan tài liệu và vị trí của luận án

Trong phần tổng quan, tác giả phân loại và hệ thống hóa các hướng nghiên cứu PPDM thành ba nhánh kỹ thuật chính:

1. Khai phá dữ liệu bảo vệ tính riêng tư dựa trên biến đổi ngẫu nhiên

Phương pháp này chuyển đổi cơ sở dữ liệu gốc thành cơ sở dữ liệu mới nhằm che giấu thông tin nhạy cảm thông qua hai kỹ thuật chính:

  • Kỹ thuật biến đổi dữ liệu: thay thế các bản ghi gốc bằng bản ghi cùng cấu trúc nhưng ẩn giá trị thực.
  • Kỹ thuật ngẫu nhiên hóa: bổ sung nhiễu vào dữ liệu gốc mà vẫn giữ phân bố thống kê.

Các công trình tiêu biểu được tác giả điểm lại bao gồm:

  • R. Agrawal và R. Srikant (2000): rời rạc hóa thuộc tính bằng cách chia khoảng và xây dựng giải pháp PPDM cho bộ phân lớp Bayes.
  • D. Agrawal và cộng sự (2001): tiếp cận dựa trên thuật toán tối đa hóa kỳ vọng (EM) và hoàn thiện định nghĩa toán học về quyền riêng tư.
  • H. Polat và cộng sự (2003): đề xuất giải pháp lọc cộng tác đảm bảo tính riêng tư bằng kỹ thuật ngẫu nhiên.
  • D. Chaytor và K. Wang (2010): thuật toán ngẫu nhiên hóa miền nhỏ (small domain randomization).

Nhược điểm của hướng tiếp cận này được luận án chỉ ra dựa trên các đánh giá của Kargupta và cộng sự, Evmievski và cộng sự, Huang và cộng sự, Sheela và Vijayalakshmi: phương pháp ngẫu nhiên hóa luôn tồn tại sự đánh đổi giữa độ chính xác và tính riêng tư; việc thêm nhiễu làm sai lệch kết quả phân tích thống kê và trong nhiều trường hợp dữ liệu vẫn có thể bị khôi phục.

2. Khai phá dữ liệu bảo vệ tính riêng tư dựa trên phương pháp ẩn danh

Phương pháp ẩn danh loại bỏ hoặc làm mờ các thuộc tính định danh cá nhân nhằm ngăn chặn tấn công liên kết dữ liệu:

  • P. Samarati và L. Sweeney (1998), L. Sweeney (2002): đề xuất mô hình $k$-ẩn danh ($k$-anonymity), đảm bảo mỗi bản ghi trong bảng công bố không thể phân biệt được với ít nhất $k-1$ cá nhân khác đối với các thuộc tính định danh tựa (quasi-identifiers).
  • W. Jiang và C. Clifton (2006): sử dụng mã hóa giao hoán để xây dựng bảng ẩn danh cho dữ liệu phân mảnh dọc.
  • S. Zhong và cộng sự (2005): hiện thực $k$-ẩn danh cho dữ liệu phân mảnh ngang thông qua bên thứ ba và hệ thống khóa.
  • Z. He và cộng sự (2009): thuật toán phân cụm phục vụ ẩn danh hóa dữ liệu thực tế.
  • Kỹ thuật phân lát (slicing) (2012): phân tách các thuộc tính nhạy cảm để giải quyết vấn đề dữ liệu đa thuộc tính nhạy cảm.
  • C. Widodo và cộng sự (2012), M. Hasan và cộng sự (2016), C. Liu và cộng sự (2018), C. Tsai và cộng sự (2019): các kỹ thuật phân phối giá trị nhạy cảm và lấy mẫu chéo cho dữ liệu giao dịch.

Luận án nhận định: mô hình $k$-ẩn danh khó đáp ứng các mức độ riêng tư khác nhau giữa các nhà cung cấp dữ liệu, không xử lý tốt mối tương quan giữa các thuộc tính nhạy cảm và vẫn dễ bị khai thác bởi các cuộc tấn công trên môi trường mạng mở.

3. Khai phá dữ liệu bảo vệ tính riêng tư dựa trên tính toán bảo mật nhiều thành viên (SMC)

Phương pháp SMC cho phép các bên cùng tính toán một hàm số chung trên dữ liệu đầu vào riêng tư mà không để lộ dữ liệu cho nhau.

Đối với mô hình dữ liệu phân tán ngang:

  • C. Clifton và cộng sự (2002), M. Kantarcoglu và C. Clifton (2004): đề xuất khai phá luật kết hợp và phân lớp Naive Bayes dựa trên giao thức tính tổng bảo mật vòng tròn cơ bản. Điểm yếu là giao thức mất an toàn khi có hai thành viên liền kề thông đồng.
  • A. Schuster và cộng sự (2010): thuật toán khai phá luật kết hợp mở rộng cho số lượng nguồn dữ liệu lớn nhưng chi phí mã hóa khóa công khai cao.
  • Yang và cộng sự (2018): phân lớp Naive Bayes trên dữ liệu phân tán đầy đủ dựa trên biến thể ElGamal, chống được tối đa $n-2$ thành viên thông đồng nhưng tần suất thực thi giao thức con quá lớn.
  • Jagannathan và cộng sự (2006): thuật toán phân cụm K-means bảo mật cho dữ liệu phân tán ngang.
  • Juan và cộng sự (2008): khai phá luật kết hợp dựa trên chuyển giao không nhận biết (oblivious transfer), không chống được thông đồng.
  • Chahar và cộng sự (2020): hai giao thức khai phá luật kết hợp; giao thức dựa trên mật mã đường cong elliptic (ECC) không chống được hai bên thông đồng, trong khi giao thức dựa trên chia sẻ bí mật Shamir có chi phí truyền thông lớn.

Đối với mô hình dữ liệu phân tán dọc:

  • J. Vaidya và C. Clifton (2002): khai phá luật kết hợp dựa trên giao thức tích vô hướng hai bên, độ phức tạp tính toán là $O(n^2)$ và không an toàn trước thông đồng.
  • J. Vaidya và C. Clifton (2004): giao thức tìm tập giao an toàn, chi phí mã hóa khóa công khai lớn làm giảm hiệu năng.
  • J. Vaidya và cộng sự (2008): phân lớp Naive Bayes trên giao thức tích vô hướng của Goethals và cộng sự (2004), chi phí tính toán đắt đỏ.
  • Zhong và cộng sự (2007): khai phá luật kết hợp dựa trên mã hóa xác suất và mã hóa đồng cấu.
  • Doganay và cộng sự (2008): phân cụm K-means cho dữ liệu phân mảnh dọc, tốn thời gian và chi phí truyền thông cao.

Các nghiên cứu trong nước:

  • Luận án tiến sĩ của Lương Thế Dũng (2011): đề xuất các giao thức PPDM nhưng chưa xây dựng được giải pháp tổng quát cho nhiều thuật toán khai phá dữ liệu khác nhau.
  • Luận án tiến sĩ của Cao Tùng Anh (2014): nghiên cứu PPDM trên cơ sở dữ liệu phân tán ngang và dọc, nhưng chưa đánh giá đầy đủ hiệu năng so sánh với các nghiên cứu khác và độ chính xác của luật khai phá bị sai lệch trong một số trường hợp.

Khoảng trống nghiên cứu luận án lựa chọn giải quyết

Luận án tập trung giải quyết tình trạng thiếu hụt các giao thức SMC vừa đảm bảo tính bảo mật cao (chống lại sự thông đồng của các bên tham gia), vừa có chi phí tính toán và truyền thông tối ưu, đồng thời duy trì độ chính xác của các mô hình khai phá dữ liệu (phân lớp Naive Bayes trên dữ liệu phân tán ngang và khai phá luật kết hợp trên dữ liệu phân mảnh dọc ba thành viên).

Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở lý thuyết và các khái niệm toán học

  1. Nhóm cyclic và phần tử sinh:
    • Sử dụng nhóm cyclic hữu hạn $\mathbb{G}$ cấp $q$ với phần tử sinh $g$.
    • Lựa chọn nhóm cyclic con cấp số nguyên tố lớn $q$ thuộc $\mathbb{Z}^*_p$ thỏa mãn $q \mid (p - 1)$, với $p, q$ là hai số nguyên tố lớn; phần tử sinh xác định theo công thức $g = h^{\frac{p-1}{q}} \pmod p$ với $h \neq \pm 1 \pmod p$.
  2. Bài toán logarit rời rạc (DLog) và các giả thuyết Diffie-Hellman:
    • Độ khó của bài toán logarit rời rạc: cho $(\mathbb{G}, q, g)$ và $h = g^x$, xác suất tìm lại $x \in \mathbb{Z}_q$ của thuật toán xác suất trong thời gian đa thức $\mathcal{A}$ nhỏ hơn hàm không đáng kể $\mu(n)$.
    • Giả thuyết Diffie-Hellman tính toán (CDH): cho trước $g^{x_1}, g^{x_2}$, tính $g^{x_1 x_2}$.
    • Giả thuyết Diffie-Hellman quyết định (DDH): phân biệt giữa bộ ba $(g^x, g^y, g^z)$ và $(g^x, g^y, g^{xy})$. Giả thuyết DDH là nền tảng chứng minh tính an toàn cho các giao thức trong luận án.
  3. Lý thuyết tính toán bảo mật nhiều thành viên (SMC):
    • Xây dựng theo bài toán gốc của A. Yao (1982) và khung lý thuyết của O. Goldreich (2004).
    • Mô hình an ninh: Luận án áp dụng mô hình kẻ tấn công bán trung thực (semi-honest model), trong đó các bên tham gia tuân thủ quy trình giao thức nhưng có thể lưu vết và phân tích các thông điệp trung gian nhằm khai thác dữ liệu riêng tư.
    • Định lý kết hợp (Composition theorem): Nếu hàm số $g$ được hợp thành từ các hàm con $f$ và tồn tại giao thức tính toán an toàn cho $f$, thì tồn tại giao thức tính toán an toàn cho $g$.
  4. Biến thể của hệ mật ElGamal:
    • Thuật toán sinh khóa $\mathcal{K}$: Tham số bảo mật $l$, sinh số nguyên tố $p$ độ dài $l$-bit, số nguyên tố $q \mid (p-1)$, phần tử nguyên thủy $g \in \mathbb{Z}^*_p$, khóa bí mật $k_s \in \mathbb{Z}_q$, khóa công khai $k_p = (p, g, h, f)$ với $h = g^{k_s}$ và $f \in \langle g \rangle$ được chọn ngẫu nhiên.
    • Thuật toán mã hóa $\mathcal{E}$: Bản rõ $m \in \mathbb{Z}_q$, chọn ngẫu nhiên $r \in {1, \dots, q-1}$: $$\mathcal{E}(m, r) = (f^m h^r, g^r) = (C_1, C_2)$$
    • Thuật toán giải mã $\mathcal{D}$: Bản mã $(C_1, C_2)$ được giải mã theo công thức: $$C_1 C_2^{-k_s} \pmod p = f^m h^r (g^r)^{-k_s} \pmod p = f^m$$
    • Tính chất đồng cấu: Cho phép thực hiện phép nhân bản mã tương ứng với phép cộng bản rõ $\mathcal{E}(r_1, a)\mathcal{E}(r_2, b) = \mathcal{E}(r_1+r_2, a+b)$ và lũy thừa bản mã tương ứng với phép nhân vô hướng $\mathcal{E}(r, a)^c = \mathcal{E}(cr, ca)$.

Phương pháp nghiên cứu

  • Nghiên cứu lý thuyết: Sử dụng các phương pháp chứng minh toán học, đại số trừu tượng và lý thuyết độ phức tạp tính toán để chứng minh tính đúng đắn, tính an toàn thông tin và độ phức tạp giải thuật của các giao thức.
  • Nghiên cứu thực nghiệm: Cài đặt và thực thi các giao thức bằng ngôn ngữ lập trình Python. Kiểm thử thực tế trên các tập dữ liệu chuẩn để đo lường thời gian thực thi, chi phí truyền thông và khả năng chống thông đồng; đối chiếu kết quả thực nghiệm với các suy diễn lý thuyết.

Nội dung chính theo từng chương

Mở đầu

Trình bày tổng quan về bối cảnh bùng nổ dữ liệu số, sự mâu thuẫn giữa khai phá dữ liệu và yêu cầu bảo vệ quyền riêng tư cá nhân. Xác định rõ mục tiêu nghiên cứu, đối tượng, phạm vi nghiên cứu, cách tiếp cận, phương pháp luận nghiên cứu cùng bố cục chung của luận án.

Chương 1: Tổng quan về khai phá dữ liệu từ nhiều nguồn có đảm bảo tính riêng tư

Chương 1 hệ thống hóa các khái niệm nền tảng trong PPDM. Luận án phân định ba nhóm bài toán chính:

  • Công bố dữ liệu đảm bảo tính riêng tư.
  • Khai phá dữ liệu phân tán có đảm bảo tính riêng tư (tập trung vào hai cấu trúc phân mảnh dữ liệu: phân mảnh ngang và phân mảnh dọc).
  • Khai phá dữ liệu người dùng có đảm bảo tính riêng tư.

Chương này phân tích chi tiết ưu nhược điểm của ba phương pháp tiếp cận: biến đổi ngẫu nhiên, ẩn danh dữ liệu và tính toán bảo mật nhiều thành viên. Từ việc phân tích các công trình nghiên cứu trong nước và quốc tế, tác giả xác định rõ hai nhiệm vụ kỹ thuật cần giải quyết:

  1. Phát triển các giao thức SMC an toàn, hiệu quả (tính tổng bảo mật, tích ba véc tơ bảo mật, tính độ hỗ trợ bảo mật).
  2. Phát triển các giải pháp khai phá dữ liệu phân tán ứng dụng các giao thức SMC trên cho dữ liệu phân mảnh ngang và phân mảnh dọc.

Chương 2: Phát triển phương pháp tính toán bảo mật nhiều thành viên

Chương 2 trình bày cơ sở toán học mật mã (nhóm cyclic, giả thuyết DDH, biến thể ElGamal, mô hình bán trung thực). Chương này phân tích các giao thức nền tảng:

  • Giao thức tổng bảo mật cơ bản [48, 49]: chi phí truyền thông là $n$ thông điệp, nhưng không an toàn nếu hai thành viên liền kề $P_{i-1}$ và $P_{i+1}$ thông đồng.
  • Giao thức tổng bảo mật của Urabe và cộng sự [68]: có khả năng chống $M-2$ thành viên thông đồng, nhưng chi phí truyền thông giai đoạn 1 lớn với $\frac{M(M-1)}{2}$ thông điệp.
  • Giao thức tích vô hướng của Goethals và cộng sự [62]: dựa trên mã hóa đồng cấu, truyền $n+1$ thông điệp nhưng chi phí tính toán lũy thừa lớn.
  • Giao thức tích vô hướng của Vaidya và cộng sự [58]: không dùng mã hóa khóa công khai, truyền $\frac{n^2 + 3n + 4}{2}$ thông điệp, không an toàn nếu một thành viên tính toán với nhiều bên và các bên thông đồng.
  • Giao thức đánh giá đa thức bảo mật (OPE) của Freedman và cộng sự [71]: đánh giá đa thức bậc $k$ với chi phí lũy thừa $O(k)$.

Dựa trên các phân tích đó, tác giả đề xuất năm giao thức SMC mới:

1. Giao thức tổng bảo mật cải tiến [CT1]

Cải tiến giai đoạn 1 của giao thức Urabe: thay vì mỗi thành viên $P_i$ gửi dữ liệu chia sẻ cho toàn bộ $M-i$ thành viên phía sau, $P_i$ chỉ gửi cho một tập con các thành viên được chọn ngẫu nhiên cả về số lượng (từ 1 đến $M$) lẫn danh tính đối tượng nhận.

  • Tính an toàn: Để biết được giá trị bí mật $V_i$, kẻ tấn công buộc phải thông đồng với toàn bộ $M-2$ thành viên còn lại vì không biết trước các mảnh bí mật được gửi cho ai. Khả năng chống thông đồng đạt mức $M-2$.
  • Chi phí truyền thông: Trong trường hợp tốt nhất giảm xuống còn $2M - 3$ thông điệp; trường hợp xấu nhất đạt $\frac{M(M-1)}{2}$ thông điệp.

2. Giao thức tính tổng bảo mật tổng quát (GSSP) [CT2]

Thiết kế cho mạng gồm $n$ thành viên ($n$ lớn). Mỗi thành viên $P_i$ chia giá trị bí mật $S_i$ thành $t+1$ phần ($S_i = S_{i0} + S_{i1} + \dots + S_{it}$, giữ lại $S_{i0}$) và chỉ gửi $t$ phần cho $t$ thành viên được lựa chọn ngẫu nhiên ($1 \le t < n$).

  • Pha 1: Mỗi bên chia sẻ $t$ mảnh dữ liệu ngẫu nhiên cho $t$ đối tác ngẫu nhiên.
  • Pha 2: Mỗi bên $P_i$ tính tổng cục bộ $D_i = S_{i0} + \sum S_{jk}$ nhận được từ các thành viên khác rồi gửi cho thành viên chủ trì $P_1$. $P_1$ tính tổng toàn cục $D = \sum_{i=1}^n D_i = \sum_{i=1}^n S_i = S$.
  • Đánh giá: Độ chính xác được bảo toàn tuyệt đối. Mức độ an toàn chống lại $n-k$ thành viên thông đồng được mô hình hóa qua hàm xác suất $P(n, n-k)$, cho phép người triển khai điều chỉnh tham số $t$ linh hoạt giữa hiệu năng và độ an toàn.

3. Giao thức tích ba véc tơ bảo mật [CT3]

Mở rộng bài toán tích vô hướng hai véc tơ cho kịch bản ba thành viên sở hữu ba véc tơ dữ liệu riêng biệt. Giao thức cải tiến quy trình đánh giá đa thức bảo mật (OPE) kết hợp hệ mật ElGamal, tối ưu hóa các phép tính lũy thừa trên nhóm cyclic.

4. Hai giao thức tính độ hỗ trợ bảo mật [CT4, CT5]

Thiết kế chuyên biệt cho việc tính toán tần suất xuất hiện đồng thời của các tập mục dữ liệu giữa ba bên tham gia trong mô hình phân mảnh dọc. Sử dụng tính chất đồng cấu của biến thể ElGamal, cho phép tính toán chính xác độ hỗ trợ mà không để lộ vector giao dịch nhạy cảm, chống lại sự thông đồng của hai thành viên bất kỳ.

Tiêu chí Giao thức tổng bảo mật cơ bản [48, 49] Giao thức của Urabe và cộng sự [68] Giao thức GSSP đề xuất [CT2]
Cơ chế chia sẻ Truyền tuần tự theo vòng tròn $P_1 \to P_2 \dots \to P_n \to P_1$ Chia sẻ cho toàn bộ $M-i$ thành viên kế tiếp Chia sẻ cho $t$ thành viên ngẫu nhiên ($1 \le t < n$)
Khả năng chống thông đồng Yếu (bị lộ nếu 2 thành viên liền kề thông đồng) Chống thông đồng tối đa $M-2$ thành viên Tùy biến theo tham số $t$; xác suất an toàn $P(n, n-k)$
Chi phí truyền thông $n$ thông điệp $\frac{M(M-1)}{2} + (M-1)$ thông điệp Tối ưu hóa theo tham số $t$ ($n \cdot t + n - 1$ thông điệp)
Tính linh hoạt Cố định, không thể tùy biến Cố định cấu trúc theo số thành viên $M$ Cho phép cân bằng linh hoạt giữa an toàn và hiệu năng

Chương 3: Đề xuất một số giải pháp khai phá dữ liệu có đảm bảo tính riêng tư dựa trên phương pháp tính toán bảo mật nhiều thành viên

Chương này ứng dụng các giao thức SMC đã phát triển ở Chương 2 vào hai bài toán khai phá dữ liệu phân tán:

1. Giải pháp phân lớp Naive Bayes bảo đảm tính riêng tư cho dữ liệu phân tán ngang

  • Bài toán: Dữ liệu phân mảnh ngang trên nhiều thành viên (cùng tập thuộc tính, khác tập bản ghi). Cần huấn luyện mô hình Naive Bayes toàn cục mà không chia sẻ dữ liệu gốc.
  • Giao thức: Tích hợp giao thức tính tổng bảo mật tổng quát GSSP [CT2] để tính toán an toàn các tần suất xuất hiện của thuộc tính và phân phối lớp nhãn trên toàn bộ các nút phân tán.
  • Đánh giá thực nghiệm: Cài đặt chương trình bằng Python, thử nghiệm trên bộ dữ liệu tin nhắn (SMS Spam Collection/tin nhắn văn bản). Kết quả thực nghiệm khẳng định giải pháp bảo toàn chính xác các tham số xác suất của mô hình Naive Bayes so với phương pháp tập trung truyền thống, đồng thời duy trì thời gian thực thi ở mức thấp.

2. Giải pháp khai phá luật kết hợp bảo đảm tính riêng tư cho dữ liệu phân mảnh dọc trên ba thành viên

  • Bài toán: Cơ sở dữ liệu phân mảnh dọc trên ba thành viên (cùng chia sẻ tập định danh giao dịch, nhưng mỗi bên giữ một tập con các thuộc tính riêng biệt). Cần tìm các tập mục phổ biến và sinh luật kết hợp thỏa mãn ngưỡng độ hỗ trợ (minimum support) và độ tin cậy (minimum confidence).
  • Giao thức: Áp dụng giao thức tích ba véc tơ bảo mật [CT3] và các giao thức tính độ hỗ trợ bảo mật [CT4, CT5] dựa trên biến thể ElGamal.
  • Đánh giá an ninh và hiệu năng: Giao thức đạt mức độ an toàn chống thông đồng hai thành viên, tức là hai bên bất kỳ thông đồng cũng không thể suy ra dữ liệu của bên thứ ba trung thực. Thử nghiệm thực tế bằng Python trên bộ dữ liệu giỏ hàng (market basket dataset) xác nhận các luật kết hợp được khai phá chính xác, không làm sai lệch kết quả và chi phí tính toán phù hợp cho ứng dụng thực tiễn.

Kết quả và những đóng góp mới

Đóng góp về mặt lý luận khoa học

  1. Hệ thống hóa toàn diện cơ sở lý thuyết và các nghiên cứu điển hình về PPDM, phân tích rõ ràng những ưu điểm và hạn chế kỹ thuật của ba trường phái (biến đổi ngẫu nhiên, ẩn danh dữ liệu và SMC).
  2. Phát triển năm giao thức SMC mới với độ an toàn được chứng minh chặt chẽ dựa trên tính toán nhóm cyclic và giả thuyết Diffie-Hellman quyết định (DDH):
    • Giao thức tổng bảo mật cải tiến [CT1].
    • Giao thức tổng bảo mật tổng quát GSSP [CT2].
    • Giao thức tích ba véc tơ bảo mật [CT3].
    • Hai giao thức tính độ hỗ trợ bảo mật cho mô hình ba thành viên [CT4, CT5].
  3. Đề xuất mô hình xác suất toán học $P(n, n-k)$ cho giao thức GSSP, xác lập cơ chế định lượng mối quan hệ giữa tham số chia sẻ $t$, hiệu năng truyền thông và mức độ an toàn thông đồng.

Đóng góp về mặt thực tiễn

  1. Xây dựng giải pháp phân lớp Naive Bayes trên dữ liệu phân tán ngang dựa trên GSSP, giúp giảm thiểu chi phí truyền thông và duy trì độ chính xác của bộ phân lớp.
  2. Xây dựng giải pháp khai phá luật kết hợp trên dữ liệu phân mảnh dọc ba thành viên, giải quyết được rủi ro lộ lọt thông tin khi có hai thành viên bất kỳ thông đồng mà vẫn bảo toàn kết quả khai phá luật.
  3. Đã cài đặt thực nghiệm hoàn chỉnh các thuật toán bằng ngôn ngữ Python, kiểm thử thành công trên bộ dữ liệu tin nhắn và bộ dữ liệu giỏ hàng, cung cấp các đoạn mã nguồn mẫu làm cơ sở ứng dụng thực tiễn.

Kiến nghị và giải pháp đề xuất

Các giao thức của luận án có thể áp dụng trực tiếp để liên kết, phân tích dữ liệu giữa các tổ chức tài chính - ngân hàng (phát hiện giao dịch gian lận) hoặc các cơ sở y tế - bệnh viện (phân tích bệnh lý liên kết) mà không vi phạm các quy định pháp luật về bảo mật dữ liệu cá nhân.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế được ghi nhận từ văn bản

  • Mô hình giả định an ninh: Các giao thức đề xuất trong luận án đều được thiết kế và chứng minh trong mô hình các thành viên bán trung thực (semi-honest model), chưa tính đến trường hợp các thực thể độc hại can thiệp cố tình làm sai lệch tiến trình tính toán (malicious adversary model).
  • Quy mô thành viên phân mảnh dọc: Giải pháp khai phá luật kết hợp và tính độ hỗ trợ bảo mật mới chỉ dừng lại ở kịch bản cụ thể gồm ba thành viên tham gia, chưa mở rộng cho kịch bản tổng quát $N$ thành viên phân mảnh dọc.
  • Chi phí mật mã học: Mặc dù đã cải tiến OPE và tích ba véc tơ, các phép toán trên nhóm cyclic lớn của hệ mật ElGamal vẫn đòi hỏi tài nguyên tính toán nhất định đối với các tập dữ liệu có quy mô giao dịch rất lớn.

Hạn chế từ phạm vi nghiên cứu

  • Phạm vi thuật toán khai phá dữ liệu mới tập trung vào hai bài toán cơ bản là phân lớp Naive Bayes và khai phá luật kết hợp Apriori; chưa mở rộng sang các mô hình học sâu (deep learning) hay phân cụm nâng cao.
  • Bộ dữ liệu thực nghiệm giới hạn ở tập dữ liệu tin nhắn và tập dữ liệu giỏ hàng mẫu.

Hướng nghiên cứu tiếp theo

  • Nâng cấp các giao thức SMC từ mô hình bán trung thực lên mô hình thành viên độc hại (malicious model) sử dụng thêm các kỹ thuật chứng minh không tiết lộ tri thức (Zero-Knowledge Proofs).
  • Phát triển giải pháp khai phá luật kết hợp trên dữ liệu phân mảnh dọc cho $N$ thành viên tổng quát với chi phí tính toán tối ưu.
  • Mở rộng ứng dụng các giao thức tổng bảo mật và tích vô hướng vào các thuật toán học máy phân tán khác như hồi quy Logistic, Support Vector Machine (SVM) và học liên kết (Federated Learning).

Giá trị tham khảo

Luận án là tài liệu tham khảo có giá trị học thuật và ứng dụng đối với:

  • Nghiên cứu sinh, học viên cao học và giảng viên chuyên ngành Khoa học máy tính, Hệ thống thông tin và An toàn thông tin: Phần cơ sở lý thuyết nhóm cyclic, giả thuyết DDH và kỹ thuật phân tích độ phức tạp tính toán/truyền thông tại Chương 2 là tài liệu mẫu mực về ứng dụng mật mã học vào phân tích dữ liệu.
  • Các nhà nghiên cứu và phát triển phần mềm trong lĩnh vực tài chính, bảo hiểm, y tế: Chương 3 cung cấp khung kiến trúc và thuật toán chi tiết để triển khai hệ thống khai phá dữ liệu liên ngân hàng, liên bệnh viện mà không cần tập trung dữ liệu nhạy cảm về một mối.
  • Các phần đáng tham khảo nhất trong văn bản:
    • Mục 2.4: Các thuật toán chi tiết của năm giao thức SMC cải tiến ([CT1] đến [CT5]).
    • Mục 3.2 và 3.3: Thuật toán tích hợp SMC vào Naive Bayes và khai phá luật kết hợp.
    • Phụ lục: Các đoạn mã lệnh Python mẫu phục vụ thực nghiệm kiểm chứng.

Câu hỏi thường gặp

1. Giao thức tính tổng bảo mật tổng quát (GSSP) hoạt động như thế nào và mang lại ưu điểm gì?

GSSP là giao thức tính tổng bảo mật cho $n$ thành viên. Mỗi thành viên $P_i$ chia giá trị bí mật $S_i$ của mình thành $t+1$ phần ($S_{i0}, \dots, S_{it}$), giữ lại $S_{i0}$ và gửi ngẫu nhiên $t$ phần cho $t$ thành viên khác ($1 \le t < n$). Sau đó, mỗi thành viên tính tổng các phần nhận được cùng phần giữ lại rồi gửi kết quả cục bộ $D_i$ cho thành viên chủ trì $P_1$ để cộng tổng toàn cục $S$. Ưu điểm của GSSP là cho phép người lập trình tùy biến tham số $t$ để cân bằng linh hoạt giữa chi phí truyền thông và mức độ an toàn chống thông đồng $P(n, n-k)$, thay vì phụ thuộc cố định vào cấu trúc mạng như các giao thức trước đây.

2. Mức độ chống thông đồng trong giao thức khai phá luật kết hợp trên dữ liệu phân mảnh dọc của luận án là bao nhiêu?

Giao thức khai phá luật kết hợp trên dữ liệu phân tán dọc ba thành viên của luận án đạt mức độ chống thông đồng là hai thành viên không trung thực. Điều này có nghĩa là ngay cả khi có hai trong số ba thành viên bắt tay thông đồng với nhau, họ vẫn không thể khôi phục được dữ liệu riêng tư hoặc các giao dịch của thành viên trung thực còn lại.

3. Tại sao luận án lựa chọn biến thể hệ mật ElGamal trong nhóm cyclic cấp nguyên tố thay vì hệ mật RSA hay Paillier?

Luận án lựa chọn nhóm cyclic cấp nguyên tố $q$ (với $q \mid p-1$) và hệ mật ElGamal vì bài toán logarit rời rạc trong nhóm này có độ an toàn cao dựa trên giả thuyết DDH, và việc chọn phần tử sinh $g$ rất thuận tiện. Quan trọng hơn, trong mô hình SMC nhiều thành viên, hệ mật dựa trên logarit rời rạc cho phép các tham số chung $(\mathbb{G}, q, g)$ chỉ cần thiết lập một lần cho toàn mạng và mỗi bên tự chọn khóa bí mật riêng. Ngược lại, các hệ mã hóa dựa trên bài toán phân tích thừa số nguyên tố lớn như RSA hay Paillier bắt buộc phải có bên thứ ba tin cậy để tạo khóa, chỉ phù hợp cho mô hình hai thành viên.

4. Giao thức tổng bảo mật cải tiến [CT1] khác biệt như thế nào so với giao thức gốc của Urabe và cộng sự?

Trong giao thức gốc của Urabe và cộng sự, mỗi thành viên $P_i$ phải chia sẻ các mảnh bí mật cho toàn bộ $M-i$ thành viên phía sau, dẫn đến số lượng thông điệp trong giai đoạn 1 rất lớn là $\frac{M(M-1)}{2}$. Trong giao thức cải tiến [CT1], $P_i$ thực hiện ngẫu nhiên hóa kép: ngẫu nhiên về số lượng thành viên nhận (từ 1 đến $M$) và ngẫu nhiên về đối tượng nhận. Nhờ đó, chi phí truyền thông trong trường hợp tốt nhất giảm xuống chỉ còn $2M - 3$ thông điệp, trong khi mức độ an toàn chống thông đồng vẫn được duy trì ở ngưỡng $M-2$.

5. Nghiên cứu thực nghiệm trong luận án được triển khai bằng công cụ nào và kiểm thử trên các tập dữ liệu nào?

Toàn bộ các giải pháp thuật toán được tác giả lập trình cài đặt bằng ngôn ngữ Python. Các thuật toán được kiểm nghiệm thực tế trên hai tập dữ liệu: bộ dữ liệu tin nhắn văn bản (dùng để kiểm thử chương trình huấn luyện mô hình phân lớp Naive Bayes trên dữ liệu phân tán ngang) và bộ dữ liệu giỏ hàng (dùng để kiểm thử chương trình khai phá luật kết hợp trên dữ liệu phân mảnh dọc ba thành viên).

Kết luận

Luận án tiến sĩ của tác giả Nguyễn Văn Chung đã giải quyết thành công bài toán nâng cao tính an toàn và hiệu năng cho khai phá dữ liệu phân tán bảo đảm tính riêng tư thông qua việc phát triển năm giao thức tính toán bảo mật nhiều thành viên mới. Các giải pháp phân lớp Naive Bayes trên dữ liệu phân tán ngang và khai phá luật kết hợp trên dữ liệu phân mảnh dọc ba thành viên được xây dựng bài bản, bảo toàn độ chính xác của tri thức trích xuất và chống lại sự thông đồng giữa các bên tham gia theo mô hình bán trung thực. Toàn bộ các đề xuất lý thuyết đều được chứng minh toán học chặt chẽ và kiểm chứng qua thực nghiệm cài đặt Python trên các tập dữ liệu thực tế. Công trình là tài liệu tham khảo học thuật giá trị cho lĩnh vực khoa học máy tính và mật mã ứng dụng tại Việt Nam.