Luận văn thạc sĩ về hệ thống bảo vệ tính riêng tư cho dữ liệu trong khoa học máy tính

Khám phá luận văn thạc sĩ về phát triển hệ thống bảo vệ tính riêng tư cho dữ liệu trong lĩnh vực khoa học máy tính. Tìm hiểu giải pháp hiệu quả.

• Tác giả: Lê Trung Hiếu
• Người hướng dẫn: PGS. Đặng Trần Khánh
• Trường học: Đại học Bách Khoa - ĐHQG TP. Hồ Chí Minh
• Chuyên ngành: Khoa học Máy tính
• Đề tài: Phát Triển Hệ Thống Bảo Vệ Tính Riêng Tư Cho Dữ Liệu Mở
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2020
• Địa điểm: Thành phố Hồ Chí Minh

Mục lục chi tiết

• Danh mục hình ảnh
• Danh mục bảng biểu
• 1. Chương I: Giới thiệu đề tài
• 1.1. Cơ sở hình thành đề tài
• 1.1.1. Dữ liệu mở
• 1.1.2. Ẩn danh hóa dữ liệu để bảo vệ tính riêng tư
• 1.2. Các vấn đề cần giải quyết
• 1.2.1. Quản lý, lưu trữ, truy xuất các nguồn dữ liệu mở
• 1.2.2. Kết hợp các phương pháp ẩn danh hóa dữ liệu một cách phù hợp để đáp ứng cho nhiều nhu cầu sử dụng dữ liệu khác nhau
• 1.3. Ý nghĩa của đề tài
• 1.3.1. Ý nghĩa thực tiễn
• 1.3.2. Ý nghĩa khoa học
• 1.4. Mục tiêu và đối tượng nghiên cứu
• 1.5. Bố cục của luận văn
• 2. Chương II: Các nghiên cứu liên quan
• 2.1. Các hệ thống quản lý dữ liệu mở
• 2.1.1. Phần mềm CKAN
• 2.1.2. Phần mềm DSpace
• 2.2. Ẩn danh hóa dữ liệu tổng quát với mô hình k-anonimity và các mô hình liên quan
• 2.2.1. Mô hình k-anonimity
• 2.2.2. Mô hình ℓ-diversity
• 2.2.3. Mô hình t-closeness
• 2.3. Các công cụ ẩn danh hóa dữ liệu
• 2.3.1. Phần mềm ARX
• 2.3.2. Công nghệ RAPPOR
• 3. Chương III: Đề xuất giải pháp ẩn danh hóa dữ liệu cho hệ thống dữ liệu mở
• 3.1. Đề xuất quy trình ẩn danh hóa dữ liệu trong hệ thống dữ liệu mở
• 3.2. Đề xuất sử dụng kiến trúc dịch vụ không đồng nhất
• 4. Chương IV: Hiện thực, thử nghiệm và đánh giá giải pháp được đề xuất
• 4.1. Triển khai hệ thống thử nghiệm
• 4.1.1. Các thành phần trong hệ thống
• 4.1.2. Luồng thực thi cơ bản để ẩn danh hóa một tập dữ liệu trước khi đưa vào danh mục dữ liệu mở
• 4.1.3. Thiết kế bộ máy ẩn danh hóa linh động
• 4.2. Thử nghiệm và đánh giá giải pháp được đề xuất
• 4.2.1. Dữ liệu thử nghiệm và phương pháp đánh giá
• 4.2.2. Kết quả đo thời gian thực thi quá trình ẩn danh hóa
• 4.2.3. Kết quả đo độ hiệu dụng của tập dữ liệu sau khi ẩn danh hóa
• 5. Chương V: Kết luận
• Danh mục tài liệu tham khảo

Tóm tắt

I. Giới thiệu về hệ thống bảo vệ tính riêng tư

Hệ thống bảo vệ tính riêng tư cho dữ liệu mở là một giải pháp cần thiết trong bối cảnh dữ liệu mở ngày càng trở nên phổ biến. Bảo vệ dữ liệu không chỉ là một yêu cầu pháp lý mà còn là một trách nhiệm đạo đức đối với các cá nhân có thông tin trong tập dữ liệu. Việc bảo vệ tính riêng tư giúp ngăn chặn việc lạm dụng thông tin cá nhân và đảm bảo rằng dữ liệu có thể được sử dụng một cách an toàn. Hệ thống này cần phải kết hợp nhiều phương pháp khác nhau để đảm bảo tính hiệu quả và an toàn cho dữ liệu. Theo nghiên cứu, việc ẩn danh hóa dữ liệu là một trong những phương pháp hiệu quả nhất để bảo vệ thông tin cá nhân trong môi trường dữ liệu mở. Hệ thống này không chỉ giúp bảo vệ quyền riêng tư mà còn tạo điều kiện cho việc chia sẻ và sử dụng dữ liệu một cách rộng rãi.

1.1. Tầm quan trọng của việc bảo vệ tính riêng tư

Việc bảo vệ tính riêng tư trong dữ liệu mở là rất quan trọng. Dữ liệu mở có thể chứa thông tin nhạy cảm về cá nhân, và nếu không được bảo vệ đúng cách, có thể dẫn đến việc lạm dụng thông tin. Quyền riêng tư của cá nhân cần được tôn trọng và bảo vệ, đặc biệt trong bối cảnh mà dữ liệu có thể được truy cập và sử dụng bởi nhiều bên khác nhau. Hệ thống bảo vệ tính riêng tư không chỉ giúp bảo vệ thông tin cá nhân mà còn tạo ra niềm tin cho người dùng khi họ chia sẻ dữ liệu của mình. Điều này có thể thúc đẩy sự phát triển của các ứng dụng và dịch vụ mới dựa trên dữ liệu mở, từ đó mang lại lợi ích cho xã hội.

II. Các phương pháp bảo vệ tính riêng tư

Có nhiều phương pháp để bảo vệ tính riêng tư trong dữ liệu mở, trong đó ẩn danh hóa dữ liệu là một trong những phương pháp phổ biến nhất. Phương pháp này giúp loại bỏ hoặc biến đổi thông tin cá nhân để không thể xác định được cá nhân từ dữ liệu. Các kỹ thuật như nén và thu giảm dữ liệu, thay đổi giá trị thuộc tính, và xáo trộn dữ liệu đều có thể được áp dụng để đảm bảo tính riêng tư. Việc sử dụng các phương pháp này cần phải được thực hiện một cách cẩn thận để không làm giảm chất lượng của dữ liệu. Hệ thống bảo vệ tính riêng tư cần phải linh hoạt trong việc áp dụng các phương pháp khác nhau để đáp ứng nhu cầu sử dụng dữ liệu đa dạng.

2.1. Kỹ thuật ẩn danh hóa dữ liệu

Kỹ thuật ẩn danh hóa dữ liệu bao gồm nhiều phương pháp khác nhau như k-anonimity, ℓ-diversity và t-closeness. Những phương pháp này giúp đảm bảo rằng thông tin cá nhân không thể bị xác định từ tập dữ liệu. K-anonimity yêu cầu rằng mỗi cá nhân trong tập dữ liệu phải có ít nhất k-1 cá nhân khác có cùng thuộc tính. ℓ-diversity mở rộng k-anonimity bằng cách yêu cầu rằng mỗi nhóm k cá nhân phải có ít nhất ℓ giá trị khác nhau cho thuộc tính nhạy cảm. T-closeness yêu cầu rằng phân phối của thuộc tính nhạy cảm trong mỗi nhóm k cá nhân phải gần giống với phân phối tổng thể. Những kỹ thuật này giúp bảo vệ tính riêng tư trong khi vẫn giữ lại giá trị sử dụng của dữ liệu.

III. Thực tiễn và ứng dụng của hệ thống

Hệ thống bảo vệ tính riêng tư cho dữ liệu mở có thể được áp dụng trong nhiều lĩnh vực khác nhau như y tế, giáo dục, và thương mại điện tử. Việc bảo vệ tính riêng tư không chỉ giúp bảo vệ thông tin cá nhân mà còn tạo điều kiện cho việc phát triển các ứng dụng mới. Các tổ chức có thể công khai dữ liệu của mình mà không lo ngại về việc lạm dụng thông tin cá nhân. Hệ thống này cũng giúp tăng cường an ninh thông tin, đảm bảo rằng dữ liệu được sử dụng một cách an toàn và hiệu quả. Việc áp dụng hệ thống bảo vệ tính riêng tư sẽ giúp các tổ chức và doanh nghiệp vượt qua các rào cản về công nghệ và kiến thức bảo mật.

3.1. Lợi ích của việc áp dụng hệ thống

Việc áp dụng hệ thống bảo vệ tính riêng tư mang lại nhiều lợi ích cho các tổ chức và cá nhân. Đầu tiên, nó giúp bảo vệ quyền riêng tư của cá nhân, từ đó tạo ra niềm tin cho người dùng khi chia sẻ dữ liệu. Thứ hai, hệ thống này giúp các tổ chức tuân thủ các quy định pháp lý về bảo vệ dữ liệu, giảm thiểu rủi ro pháp lý. Cuối cùng, việc bảo vệ tính riêng tư còn giúp tăng cường quản lý dữ liệu, cho phép các tổ chức khai thác tối đa giá trị từ dữ liệu mở mà không lo ngại về việc lạm dụng thông tin cá nhân.

Nội dung chính

Tổng quan nghiên cứu

Trong kỷ nguyên chuyển đổi số, dữ liệu mở, đặc biệt là dữ liệu chính phủ mở, đang trở thành nguồn tài nguyên chiến lược với quy mô hàng triệu bản ghi được thu thập liên tục. Tuy nhiên, theo các khảo sát an toàn thông tin, hơn 80% kho dữ liệu công khai tiềm ẩn nguy cơ rò rỉ thông tin định danh cá nhân khi bị liên kết với các nguồn dữ liệu ngoại cảnh. Vấn đề cốt lõi đặt ra là sự xung đột giữa yêu cầu bảo vệ quyền riêng tư theo quy định pháp luật và việc duy trì giá trị sử dụng của dữ liệu phục vụ phát triển kinh tế xã hội.

Luận văn thạc sĩ chuyên ngành Khoa học Máy tính tại Trường Đại học Bách Khoa, Đại học Quốc gia Thành phố Hồ Chí Minh, hoàn thành vào tháng 08 năm 2020, tập trung giải quyết bài toán cấp thiết này. Đề tài hướng tới mục tiêu thiết kế và hiện thực hóa một hệ thống tự động hóa quá trình ẩn danh hóa dữ liệu linh hoạt, tích hợp trực tiếp vào các nền tảng quản trị dữ liệu mở tiêu chuẩn quốc tế như CKAN.

Nghiên cứu được triển khai thực nghiệm trên 6 tập dữ liệu vi mô thực tế với quy mô từ 30.162 đến hơn 1.000.000 bản ghi. Kết quả đạt được cho thấy hệ thống bảo vệ an toàn tính riêng tư của các chủ thể dữ liệu, đồng thời duy trì độ hiệu dụng thông tin đạt trên 80% (tương đương hệ số Granularity trên 0.8). Đóng góp này mang lại giải pháp công nghệ quan trọng, trực tiếp tháo gỡ rào cản kỹ thuật và pháp lý cho các cơ quan, doanh nghiệp trong đề án xây dựng đô thị thông minh và chính phủ điện tử.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng định nghĩa dữ liệu mở của Tổ chức Kiến thức Mở (Open Knowledge Foundation - OKF) với ba trụ cột chính: tính sẵn sàng truy cập, khả năng tái sử dụng phân phối và tính tham gia phổ quát. Để giải quyết bài toán bảo mật trong môi trường mở, luận văn tích hợp ba mô hình bảo vệ tính riêng tư kinh điển:

Mô hình k-anonymity do Latanya Sweeney công bố năm 2002 đóng vai trò trung tâm, quy định mỗi bản ghi trong tập dữ liệu công khai không thể phân biệt được với ít nhất k - 1 cá nhân khác có cùng thuộc tính định danh gần đúng. Để khắc phục các hạn chế trước tấn công đồng nhất và tấn công suy luận xác suất, nghiên cứu mở rộng áp dụng mô hình l-diversity (đảm bảo mỗi nhóm tương đương chứa ít nhất l giá trị nhạy cảm đại diện tốt) và nguyên tắc t-closeness (giới hạn khoảng cách phân phối thuộc tính nhạy cảm trong nhóm tương đương so với toàn bộ bảng dữ liệu không vượt quá ngưỡng sai số t thông qua độ đo khoảng cách EMD).

Các khái niệm then chốt được chuẩn hóa bao gồm: Thuộc tính định danh gần đúng (Quasi-Identifiers - QI), Lớp tương đương (Equivalence Class), Thuộc tính nhạy cảm (Sensitive Attributes), cùng hai kỹ thuật biến đổi dữ liệu chủ đạo là Tổng quát hóa (Generalization) và Xáo trộn dữ liệu (Perturbation).

Phương pháp nghiên cứu

Nghiên cứu sử dụng 6 tập dữ liệu thực nghiệm chuẩn quốc tế: SS13ACS (68.725 bản ghi, 30 thuộc tính), IHIS (hơn 1.000.000 bản ghi, 9 thuộc tính), ATUS (539.253 bản ghi, 9 thuộc tính), FARS (100.937 bản ghi, 8 thuộc tính), CUP (63.441 bản ghi, 8 thuộc tính) và ADULT (30.162 bản ghi, 9 thuộc tính). Phương pháp chọn mẫu áp dụng lấy mẫu ngẫu nhiên từ các cuộc điều tra dân số, khảo sát y tế và giao thông của các cơ quan thống kê uy tín nhằm đảm bảo tính đại diện đa chiều về dung lượng và số thuộc tính định danh.

Phương pháp phân tích hiệu dụng dữ liệu sử dụng thang đo Granularity với giá trị chuẩn hóa từ 0.0 (mất thông tin hoàn toàn) đến 1.0 (bảo toàn nguyên vẹn dữ liệu gốc). Lý do lựa chọn Granularity vì đây là phương pháp đánh giá khách quan nhất mức độ mất mát thông tin dựa trên cấu trúc cây phân cấp tổng quát hóa. Toàn bộ quá trình nghiên cứu, thiết kế kiến trúc dịch vụ không đồng nhất và thử nghiệm hệ thống được thực hiện trong khung thời gian từ tháng 02 năm 2020 đến tháng 08 năm 2020.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thử nghiệm bài toán 5-anonymity trên hệ thống máy trạm cấu hình AMD Ryzen 5 3600 3.6GHz và 32GB RAM đem lại các kết quả nổi bật:

Thứ nhất, độ hiệu dụng của tất cả các tập dữ liệu sau khi ẩn danh hóa đều đạt mức trên 0.80. Điều này chứng minh thuật toán tổng quát hóa bảo toàn hơn 80% giá trị thông tin gốc, đáp ứng xuất sắc các nhu cầu khai phá và phân tích thống kê chuyên sâu.

Thứ hai, độ chênh lệch hiệu dụng giữa hệ thống đề xuất so với phần mềm chuẩn mực ARX là cực kỳ thấp, đa số các trường hợp có độ lệch dưới 0.02 (tương đương 2%). Độ chênh lệch lớn nhất ghi nhận được chỉ là 0.08 (khoảng 8%) trên tập dữ liệu ADULT với 9 thuộc tính định danh gần đúng.

Thứ ba, thời gian thực thi của bộ máy ẩn danh hóa phụ thuộc chặt chẽ vào số lượng thuộc tính định danh gần đúng và quy mô bản ghi. Tập SS13ACS với 30 thuộc tính hoàn thành trong khoảng 7.2 giây, trong khi tập dữ liệu lớn IHIS với hơn 1.000.000 bản ghi và 9 thuộc tính định danh chỉ mất từ 50 đến 60 giây. Tập ADULT quy mô nhỏ chỉ mất hơn 1.0 giây để hoàn tất.

Thứ tư, kiến trúc hàng đợi thông điệp RabbitMQ phân tách hoàn toàn tầng giao tiếp người dùng với cổng CKAN, đảm bảo 100% dữ liệu thô chưa ẩn danh không thể bị rò rỉ ra ngoài môi trường công cộng.

Thảo luận kết quả

Thời gian xử lý gia tăng phi tuyến tính theo số lượng thuộc tính định danh gần đúng được giải thích bởi sự bùng nổ không gian giải pháp khi tổ hợp các cây phân cấp. Tuy nhiên, việc vận hành trên nền tảng RabbitMQ qua cổng 5672 cho phép hệ thống xử lý bất đồng bộ, giúp giao diện người dùng không bị phong tỏa trong suốt quá trình tính toán nặng.

Khi đối chiếu với công cụ độc lập ARX, giải pháp đề xuất không chỉ tương đương về chất lượng dữ liệu đầu ra mà còn vượt trội ở khả năng tích hợp tự động vào danh mục dữ liệu mở CKAN thông qua các giao tiếp lập trình ứng dụng HTTP API.

Dữ liệu thực nghiệm có thể được trực quan hóa hiệu quả thông qua các đồ thị đường biểu diễn tương quan giữa thời gian thực thi (trục tung, giây) và số lượng thuộc tính QI (trục hoành từ 1 đến 30), cũng như các biểu đồ cột đối sánh hệ số Granularity giữa hệ thống đề xuất và ARX. Ý nghĩa thực tiễn của phát hiện này khẳng định khả năng thương mại hóa và ứng dụng rộng rãi của mô hình trong việc xây dựng các cổng dữ liệu mở an toàn mà không cần thao tác chuyển đổi thủ công.

Đề xuất và khuyến nghị

Nhằm tối ưu hóa hiệu năng và mở rộng phạm vi ứng dụng của hệ thống bảo vệ tính riêng tư cho dữ liệu mở, bốn nhóm giải pháp cụ thể được đề xuất:

Thứ nhất, nâng cấp thuật toán tìm kiếm không gian giải pháp bằng việc tích hợp các giải thuật heuristic và phân cụm thông minh. Mục tiêu giúp cắt giảm 30% thời gian xử lý cây phân cấp cho các tập dữ liệu đa chiều, nâng hệ số hiệu dụng trung bình đạt trên 0.85 trước quý 4 năm 2021. Đơn vị thực hiện là nhóm kỹ sư thuật toán và xử lý dữ liệu lớn.

Thứ hai, chuyển đổi hạ tầng triển khai từ môi trường Docker Compose sang cụm điều phối Kubernetes với tối thiểu 3 nút tính toán (worker nodes). Giải pháp này nhằm phân tán tải xử lý cho các tập dữ liệu có quy mô trên 5.000.000 bản ghi, đảm bảo thời gian phản hồi dưới 45 giây. Đội ngũ kỹ sư DevOps và kiến trúc sư hệ thống cần hoàn thiện trong vòng 6 tháng.

Thứ ba, nghiên cứu tích hợp các mô hình học máy tự động nhằm gợi ý tham số k tối ưu (trong khoảng từ k = 3 đến k = 10) và ngưỡng t phù hợp dựa trên phân tích rủi ro tự động của tập dữ liệu nguồn. Kế hoạch triển khai trong giai đoạn 2021 đến 2022 do các chuyên gia bảo mật và trí tuệ nhân tạo chủ trì.

Thứ tư, hoàn thiện chuẩn bảo mật đa lớp cho các điểm cuối API của nền tảng CKAN tại cổng 5000 bằng giao thức mã hóa TLS 1.3 và xác thực OAuth 2.0. Mục tiêu kiểm soát 100% quyền truy cập và giám sát luồng dữ liệu xuất bản, do bộ phận an toàn thông tin của các cơ quan quản trị dữ liệu thực hiện trong thời gian 3 tháng.

Đối tượng nên tham khảo luận văn

Luận văn là tài liệu tham khảo giá trị cho bốn nhóm đối tượng chuyên môn:

Nhóm thứ nhất là các cơ quan quản lý nhà nước và ban điều hành đô thị thông minh. Tài liệu cung cấp giải pháp kỹ thuật hoàn chỉnh để thiết lập cổng dữ liệu mở cấp tỉnh, thành phố, hỗ trợ công khai an toàn hơn 50 danh mục dữ liệu công cộng mà không vi phạm quy định về bảo vệ bí mật đời tư.

Nhóm thứ hai là các kiến trúc sư phần mềm và kỹ sư dữ liệu. Họ có thể ứng dụng trực tiếp mô hình kiến trúc dịch vụ không đồng nhất (kết hợp Kotlin, NodeJS, MongoDB và RabbitMQ) để xây dựng các đường ống (pipeline) xử lý dữ liệu lớn đạt chuẩn an toàn thông tin ISO/IEC 27001.

Nhóm thứ ba là các nhà nghiên cứu, giảng viên và học viên cao học ngành Công nghệ Thông tin, Khoa học Dữ liệu. Luận văn cung cấp phương pháp luận chặt chẽ về việc kết hợp các mô hình k-anonymity, l-diversity, t-closeness cùng bộ dữ liệu chuẩn hóa gồm 6 tập vi mô để tiếp tục phát triển các hướng nghiên cứu chuyên sâu.

Nhóm thứ tư là các doanh nghiệp trong lĩnh vực y tế, tài chính và thương mại điện tử. Doanh nghiệp có thể tận dụng quy trình ẩn danh hóa này để chia sẻ các kho dữ liệu trên 1.000.000 hồ sơ khách hàng cho đối tác nghiên cứu bên ngoài mà vẫn bảo toàn trên 80% độ hữu dụng kinh doanh.

Câu hỏi thường gặp

Hệ thống cân bằng giữa tính riêng tư và độ hữu dụng của dữ liệu bằng cách nào? Hệ thống sử dụng bộ máy ẩn danh hóa linh động kết hợp mô hình k-anonymity và đánh giá hiệu dụng Granularity. Bằng việc kiểm soát chặt chẽ các tầng tổng quát hóa trên cây phân cấp, dữ liệu sau xử lý luôn đạt độ hữu dụng trên 0.80, hạn chế tối đa việc biến dạng thông tin trong khi vẫn loại bỏ hoàn toàn khả năng tái định danh cá nhân.

Điểm khác biệt chính giữa hệ thống này và phần mềm ARX là gì? Phần mềm ARX là một công cụ xử lý đơn lẻ đòi hỏi nhập xuất thủ công qua tệp tin, trong khi hệ thống của luận văn được thiết kế theo kiến trúc dịch vụ doanh nghiệp. Hệ thống tích hợp trực tiếp vào cổng dữ liệu mở CKAN, hỗ trợ xử lý thông điệp bất đồng bộ qua RabbitMQ và tự động hóa toàn bộ quy trình công bố dữ liệu.

Tại sao nghiên cứu lựa chọn CKAN thay vì DSpace để tích hợp? CKAN sở hữu hệ thống tài liệu kỹ thuật phong phú, khả năng mở rộng vượt trội qua giao diện lập trình ứng dụng HTTP API và được tin dùng bởi các chính phủ lớn như Anh, Mỹ, Úc, Hà Lan. Điều này giúp rút ngắn hơn 40% thời gian tích hợp hệ thống so với nền tảng DSpace trong phạm vi nghiên cứu thực nghiệm.

Kiến trúc bất đồng bộ với RabbitMQ mang lại lợi thế gì khi xử lý dữ liệu lớn? RabbitMQ đóng vai trò tổng tuyến dịch vụ điều phối các gói tin chỉ chứa mã định danh, giữ dung lượng thông điệp cực nhỏ. Cơ chế này giúp tách biệt dịch vụ giao tiếp người dùng khỏi bộ máy xử lý nặng, cho phép hệ thống ẩn danh tập dữ liệu hơn 1.000.000 bản ghi trong 60 giây mà không gây tắc nghẽn hệ thống.

Chỉ số Granularity phản ánh chất lượng dữ liệu sau khi ẩn danh hóa như thế nào? Chỉ số Granularity đo lường tỷ lệ thông tin bị mất đi do quá trình khái quát hóa trên thang đo từ 0 đến 1. Điểm số tiệm cận 1.0 biểu thị dữ liệu ít bị thay đổi. Kết quả thực nghiệm của luận văn trên 6 bộ dữ liệu đều đạt mức trên 0.80, chứng minh chất lượng dữ liệu bảo toàn ở mức rất cao.

Kết luận

• Luận văn đã thiết kế và hiện thực thành công hệ thống bảo vệ tính riêng tư cho dữ liệu mở dựa trên kiến trúc dịch vụ không đồng nhất, tích hợp trực tiếp với cổng dữ liệu mở CKAN.
• Đề tài kết hợp linh hoạt các mô hình bảo mật kinh điển k-anonymity, l-diversity và t-closeness, giúp giải quyết triệt để bài toán cân bằng giữa an toàn thông tin và độ hữu dụng của dữ liệu công khai.
• Thử nghiệm trên 6 tập dữ liệu vi mô với quy mô lên tới hơn 1.000.000 bản ghi chứng minh hiệu năng xử lý vượt trội và độ hiệu dụng Granularity luôn duy trì ở mức trên 0.80.
• Kết quả nghiên cứu đã đóng góp trực tiếp vào đề tài khoa học cấp Sở theo hợp đồng số 08/2018/HĐ-QKHCN và được công bố tại hội nghị quốc tế FDSE 2020.
• Lộ trình phát triển tiếp theo trong giai đoạn tới là mở rộng hệ thống lên nền tảng Kubernetes và tích hợp trí tuệ nhân tạo để tự động hóa hoàn toàn việc thiết lập cấu hình ẩn danh. Hãy ứng dụng ngay giải pháp kiến trúc này để xây dựng các nền tảng dữ liệu mở an toàn và hiệu quả cho tổ chức của bạn.