Bối cảnh và vấn đề nghiên cứu

Năm 2020 ghi nhận sự phát triển mạnh mẽ của thương mại điện tử (TMĐT) tại Việt Nam, đánh dấu mốc thời gian nằm ở điểm giữa của giai đoạn mười năm được dự đoán là thời kỳ phát triển trọng điểm của kinh tế số trong nước. Đối với người tiêu dùng, mua sắm trực tuyến trở nên phổ biến nhờ tính thuận tiện và các chương trình khuyến mại. Đối với các đơn vị kinh doanh, việc thiết lập website riêng ngày càng trở thành xu hướng tất yếu nhằm ổn định hoạt động kinh doanh so với việc chỉ phụ thuộc vào các sàn TMĐT hay mạng xã hội. Tuy nhiên, sự gia tăng nhanh chóng về số lượng website TMĐT cũng kéo theo sự xuất hiện của nhiều trang web giả mạo, lừa đảo trực tuyến nhằm chiếm đoạt tài sản và dữ liệu cá nhân.

Theo thống kê trong Sách trắng Thương mại điện tử Việt Nam năm 2020 của Cục Thương mại điện tử và Kinh tế số, người tiêu dùng khi tham gia mua sắm trực tuyến gặp phải nhiều trở ngại lớn: sản phẩm kém chất lượng so với quảng cáo, lo ngại lộ lọt thông tin cá nhân, chi phí không rõ ràng, dịch vụ chăm sóc khách hàng và vận chuyển còn hạn chế. Đồng thời, nghiên cứu của ThS. Mai Hoàng Thịnh cũng chỉ ra ba nhóm rủi ro chính đối với người mua: nguồn gốc chất lượng hàng hóa không đảm bảo, sự cố trong quá trình giao nhận, và thông tin tài khoản cá nhân/ngân hàng không được bảo vệ an toàn.

Xuất phát từ thực trạng trên, đề tài xác định các mục tiêu và nhiệm vụ nghiên cứu cụ thể:

  1. Nghiên cứu tiêu chuẩn của một website TMĐT bán hàng và các yếu tố cấu thành lòng tin của người tiêu dùng trong giao dịch trực tuyến.
  2. Xây dựng hệ thống tự động đánh giá độ tin cậy và kiểm tra tính hợp pháp của website TMĐT dựa trên các thông tin được công khai.
  3. Ứng dụng các thuật toán học máy (Machine Learning) và xử lý ngôn ngữ tự nhiên (NLP) để phân loại website TMĐT và phân tích các yếu tố cấu trúc nhằm phát hiện website lừa đảo (phishing).
  4. Triển khai thử nghiệm hệ thống dưới dạng ứng dụng web, cung cấp các khuyến nghị trực quan giúp người dùng giảm thiểu rủi ro khi mua sắm trực tuyến.

Đối tượng nghiên cứu của khóa luận là tiêu chuẩn hoạt động của website TMĐT bán hàng, các thuộc tính tạo dựng lòng tin người dùng và các đặc trưng nhận diện tấn công phishing. Phạm vi nghiên cứu tập trung vào các website TMĐT bán hàng tại Việt Nam theo khuôn khổ quản lý nhà nước, sử dụng dữ liệu thực tế từ cơ quan quản lý và các bộ dữ liệu học máy chuẩn.

Cơ sở lý thuyết và phương pháp

Khóa luận xây dựng nền tảng nghiên cứu dựa trên các văn bản quy phạm pháp luật, mô hình lòng tin và các kỹ thuật công nghệ thông tin chuyên ngành:

  • Khung pháp lý: Căn cứ theo Nghị định số 52/2013/NĐ-CP ngày 16 tháng 5 năm 2013 của Chính phủ về Thương mại điện tử, văn bản phân loại 4 mô hình website TMĐT tại Việt Nam gồm:
    • Website TMĐT bán hàng: Do thương nhân, tổ chức, cá nhân thiết lập để phục vụ hoạt động xúc tiến thương mại, bán hàng hóa hoặc cung ứng dịch vụ của chính mình.
    • Sàn giao dịch TMĐT: Cho phép các thương nhân, tổ chức, cá nhân khác tiến hành một phần hoặc toàn bộ quy trình mua bán.
    • Website đấu giá trực tuyến: Cung cấp giải pháp cho phép tổ chức đấu giá hàng hóa của khách hàng.
    • Website khuyến mại trực tuyến: Thực hiện khuyến mại cho hàng hóa, dịch vụ của thương nhân khác theo hợp đồng dịch vụ.
  • Mô hình độ tin cậy trong TMĐT:
    • Nghiên cứu của France Belanger và cộng sự (2002) về ảnh hưởng của 4 yếu tố: bảo mật (Security), quyền riêng tư (Privacy), tính năng website (Web features) và danh tiếng người bán (Trustworthiness).
    • Mô hình đánh giá lòng tin dựa trên logic mờ (Fuzzy Logic) của Kasiran (2012) gồm 5 module: Sự tồn tại (Existence), Sự liên kết (Affiliation), Chính sách (Policy), Quá trình thực hiện (Fulfilment) và module ra quyết định.
    • Mô hình kim tự tháp lòng tin (The Trust Pyramid) trong "Trust in the Network Economy" (2000) với các tầng: An toàn công nghệ (State of the art security), Tính hợp pháp của người bán (Merchant legitimacy), Khả năng thực hiện đơn hàng, Thiết kế nội dung (Tone), Quyền kiểm soát khách hàng (Customer control) và Hợp tác (Consumer collaboration).
    • Mô hình phân nhóm thuộc tính tin cậy của khảo sát "The Importance Ranking of Trust Attributes in e-Commerce Website" (2010) gồm: Content-trust, Product-trust và Process-trust.
  • Phương pháp phát hiện Phishing:
    • List-based: Sử dụng danh sách đen/trắng (Blacklist/Whitelist) từ các tổ chức công khai như PhishTank, VirusTotal, Google Safe Browsing.
    • Heuristic-based: Phân tích mã nguồn và thuộc tính trang web (URL, hyperlink, bố cục trực quan).
    • Machine Learning: Ứng dụng các thuật toán phân loại có giám sát dựa trên bộ dữ liệu "Phishing Websites Dataset" từ UCI Machine Learning Repository theo hướng tiếp cận của A. Brown.
  • Phương pháp phân loại website tự động và Xử lý ngôn ngữ tự nhiên:
    • Kỹ thuật trích xuất văn bản thô từ các thẻ HTML: <title>, <h1> đến <h6>, <p>,
      , anchor text của thẻ <a>, và nội dung thẻ <meta>.
    • Mô hình túi từ (Bag-of-Words - BoW) và kỹ thuật tính trọng số Term Frequency - Inverse Document Frequency (TF-IDF).
    • Các thuật toán học máy có giám sát (Supervised Learning): Hồi quy Logistic (Logistic Regression), Máy vector hỗ trợ (Support Vector Machine - SVM với các hàm Kernel Linear, Polynomial, Sigmoid, RBF), Thuật toán K láng giềng gần nhất (K-Nearest Neighbor - KNN), Rừng ngẫu nhiên (Random Forest - Ensemble Learning), và Bộ phân loại Bayes thơ ngây (Naive Bayes gồm Gaussian, Multinomial, Bernoulli).

Nội dung chính theo từng chương

Chương 1: Giới thiệu tổng quan đề tài

Chương 1 trình bày bối cảnh chuyển đổi số và sự bùng nổ của TMĐT Việt Nam năm 2020. Tác giả phân tích tính cấp thiết của việc xây dựng công cụ hỗ trợ người dùng nhận diện website lừa đảo trong bối cảnh các hộ kinh doanh và doanh nghiệp đồng loạt chuyển dịch sang thiết lập website riêng. Chương này xác định rõ mục tiêu đề tài, giới hạn đối tượng nghiên cứu vào website TMĐT bán hàng, đồng thời phác thảo bố cục 5 chương của khóa luận.

Chương 2: Cơ sở lý thuyết

Chương 2 tổng hợp toàn diện các khái niệm và cơ sở khoa học liên quan:

  • Định nghĩa và phân loại website TMĐT theo Nghị định 52/2013/NĐ-CP; phân tích số liệu thống kê về các trở ngại mua sắm từ Sách trắng TMĐT 2020.
  • Tổng quan các nghiên cứu quốc tế về mô hình đo lường lòng tin của France Belanger, Kasiran, và mô hình Trust Pyramid.
  • Khảo sát các kỹ thuật phát hiện phishing: phân tích ưu nhược điểm giữa phương pháp dựa trên danh sách (List-based) và phân tích đặc trưng (Heuristic-based), giới thiệu các nghiên cứu điển hình như tiện ích mở rộng của Rajasekar (độ chính xác 93,8%), thuật toán CANTINA dựa trên TF-IDF (phát hiện 90-97% phishing), phương pháp đo độ tương đồng trực quan (Visual similarity) của Wenyin trên 328 website, và nghiên cứu phân loại của A. Brown trên tập dữ liệu UCI.
  • Trình bày cơ sở toán học của các giải thuật học máy: công thức hàm Sigmoid và hàm mất mát Cross Entropy trong Logistic Regression; bài toán tối ưu khoảng cách lề (maximum margin), điều kiện KKT và biến đổi Kernel trong SVM; nguyên lý bỏ phiếu (major/weighted voting) trong KNN; kỹ thuật ghép cây không cắt tỉa kết hợp Cross-Validation trong Random Forest; quy tắc xác suất Bayes trong Naive Bayes; công thức tính TF, IDF và vector BoW.

Chương 3: Phương pháp đề xuất

Chương 3 mô tả kiến trúc logic của hệ thống gồm 3 khối chức năng chính: Bộ thu thập & trích xuất dữ liệu, Khối mô hình Machine Learning, và Khối đánh giá độ tin cậy:

  • Thu thập dữ liệu: Thu thập danh sách website TMĐT hợp pháp từ cổng thông tin Bộ Công Thương, website phi TMĐT từ các nguồn xếp hạng (Webrank, SimilarWeb), cùng mã nguồn và chứng chỉ SSL từ URL mục tiêu.
  • Xây dựng tập dữ liệu nhận diện TMĐT: Tập dữ liệu gồm 1.458 điểm dữ liệu (1.003 website TMĐT - nhãn 1 và 455 website khác - nhãn 0). Văn bản được trích xuất từ các thẻ HTML quy định.
  • Chọn lọc đặc trưng: Khởi tạo danh sách 100 từ khóa BoW. Tiến hành tính giá trị trung bình TF-IDF (TF-IDF-mean) cho từng từ khóa trên 2 lớp dữ liệu:
Nhóm từ khóa Tiêu chí chênh lệch TF-IDF-mean Số lượng giữ lại
Nhóm thuộc lớp 1 (Website TMĐT) Chênh lệch TF-IDF-mean > 0,044 so với lớp 0 39 từ khóa
Nhóm thuộc lớp 0 (Website khác) Chênh lệch TF-IDF-mean > 0 so với lớp 1 26 từ khóa
Nhóm ngoại lệ đặc trưng Chênh lệch < 0,0147 nhưng không xuất hiện ở lớp 0 04 từ khóa
Tổng số đặc trưng sau chọn lọc Tối ưu hóa không gian vector 69 từ khóa
  • Xử lý mất cân bằng và phân chia dữ liệu: Tỷ lệ phân chia tập dữ liệu là 80% cho huấn luyện (Training set) và 20% cho kiểm thử (Validation set). Do tập huấn luyện bị mất cân bằng (lớp 1 áp đảo lớp 0), tác giả áp dụng độc lập hai kỹ thuật cân bằng dữ liệu trên tập huấn luyện: Tăng cường mẫu thiểu số (Over-sampling) và Giảm mẫu đa số (Under-sampling).
  • Mô hình phát hiện Phishing: Sử dụng tập dữ liệu "Phishing Websites Dataset" từ UCI, chuẩn hóa các đặc trưng thuộc tính cấu trúc URL và mã nguồn.
  • Mô hình đánh giá độ tin cậy: Xây dựng bộ tiêu chí đánh giá và công thức tính toán điểm tin cậy tổng hợp kết hợp các dữ liệu định lượng và định tính.

Chương 4: Xây dựng và triển khai

Chương 4 trình bày chi tiết việc hiện thực hóa hệ thống trên môi trường máy chủ web (Web Server):

  • Huấn luyện và đánh giá thực nghiệm các mô hình học máy (Logistic Regression, SVM, KNN, Random Forest, Naive Bayes) trên cả hai tập dữ liệu huấn luyện Over-sampling và Under-sampling.
  • Ứng dụng kỹ thuật tìm kiếm lưới (Grid Search) để tìm ra bộ siêu tham số tối ưu cho mô hình Random Forest trong bài toán nhận diện website TMĐT.
  • Đánh giá hiệu năng mô hình phát hiện phishing và mô hình nhận diện website TMĐT dựa trên các chỉ số Accuracy, Precision, Recall và F1-score trên tập kiểm thử.
  • Thiết kế giao diện web tương tác gồm: thanh nhập URL, bảng kết quả nhận diện TMĐT/phishing, bảng chi tiết các tiêu chí tin cậy, điểm số tổng hợp và các khuyến nghị an toàn dành cho người dùng.

Chương 5: Kết luận

Tổng kết toàn bộ kết quả nghiên cứu đạt được của khóa luận, chỉ ra các ưu điểm về tính tự động, khả năng hỗ trợ trực quan cho người dùng, đồng thời nêu rõ các hạn chế về mặt dữ liệu và đề xuất định hướng phát triển trong tương lai.

Thiết kế và triển khai hệ thống

Hệ thống đánh giá độ tin cậy website TMĐT được thiết kế và vận hành theo mô hình kiến trúc phân lớp hướng dịch vụ:

  • Thành phần Thu thập và Trích xuất (Collector & Extractor): Tiếp nhận URL đầu vào từ người dùng, tự động gửi HTTP/HTTPS request để thu thập mã nguồn HTML, chứng chỉ bảo mật số (SSL/TLS Certificate), gửi truy vấn đối soát dữ liệu đến máy chủ của Bộ Công Thương và gọi các Web API hỗ trợ. Dữ liệu HTML được bóc tách nội dung theo các thẻ định sẵn (<title>, <h1>-<h6>, <p>,
    , <a>, <meta>) để chuyển thành văn bản thô.
  • Thành phần Xử lý dữ liệu và Học máy (Machine Learning Pipeline):
    • Tiền xử lý & Vector hóa: Biến đổi văn bản thô thành vector đặc trưng 69 chiều tương ứng với 69 từ khóa đã được tối ưu hóa trọng số TF-IDF.
    • Bộ phân loại website TMĐT: Thực thi mô hình học máy đã được tinh chỉnh siêu tham số bằng Grid Search để xác định nhãn website (TMĐT hoặc phi TMĐT).
    • Bộ phân loại Phishing: Phân tích tập đặc trưng cấu trúc trang web dựa trên mô hình huấn luyện từ bộ dữ liệu Phishing của UCI để xác định nguy cơ giả mạo.
  • Thành phần Đánh giá độ tin cậy (Evaluation & Recommendation Engine): Tổng hợp kết quả từ các mô hình học máy và thông tin xác thực hành chính để tính điểm tin cậy theo thang quy đổi:
Thành phần thông tin đánh giá Phương thức xác thực Ý nghĩa đối với độ tin cậy
Đăng ký / Thông báo Bộ Công Thương Đối soát trực tiếp máy chủ Bộ Công Thương Xác nhận tính hợp pháp của đơn vị kinh doanh
Chứng chỉ bảo mật (SSL/TLS Certificate) Kiểm tra tính hợp lệ của Certificate trên website Đảm bảo an toàn truyền thông và mã hóa dữ liệu
Phân loại mô hình hoạt động Mô hình Machine Learning (vector 69 từ khóa) Xác định website có chức năng bán hàng thực tế
Nhận diện nguy cơ Phishing Mô hình Machine Learning (UCI Dataset) Phát hiện dấu hiệu giả mạo, đánh cắp thông tin
Chính sách công khai (Đổi trả, Bảo mật, Giao hàng) Phân tích nội dung và trích xuất từ khóa Đảm bảo tính minh bạch trong giao dịch
  • Giao diện người dùng và Cơ sở dữ liệu: Hệ thống xây dựng giao diện web trực quan, cho phép người dùng nhập URL cần kiểm tra, sau đó trả về bảng tổng hợp điểm tin cậy, thông báo trạng thái đăng ký với cơ quan quản lý, và đưa ra các khuyến nghị cụ thể (ví dụ: cảnh báo trang web chưa đăng ký Bộ Công Thương, cảnh báo dấu hiệu phishing, hoặc khuyến nghị kiểm tra lại chính sách đổi trả trước khi thanh toán).

Kết quả và đóng góp

  • Kết quả thực nghiệm:
    • Xây dựng thành công tập dữ liệu gồm 1.458 website tại Việt Nam (1.003 website TMĐT lấy từ cổng thông tin Bộ Công Thương và 455 website thuộc các lĩnh vực khác).
    • Tối ưu hóa không gian vector đặc trưng từ 100 từ khóa ban đầu xuống còn 69 từ khóa đặc trưng thông qua phân tích tương quan và chênh lệch TF-IDF-mean.
    • Thực hiện đánh giá so sánh hiệu năng của 5 thuật toán học máy (Logistic Regression, Support Vector Machine, K-Nearest Neighbor, Random Forest, Naive Bayes) kết hợp hai kỹ thuật cân bằng dữ liệu Over-sampling và Under-sampling.
    • Ứng dụng thành công thuật toán tối ưu Grid Search cho mô hình Random Forest, nâng cao độ chính xác trong phân loại website TMĐT và phát hiện phishing.
    • Hiện thực hóa mô hình đánh giá thành ứng dụng web hoàn chỉnh, có khả năng phân tích tự động thông tin từ URL và xuất kết quả trực quan.
  • Đóng góp của đề tài:
    • Đề xuất quy trình kết hợp giữa xác thực hành chính (đối soát dữ liệu Bộ Công Thương) và kỹ thuật học máy (phân loại nội dung văn bản và phát hiện phishing) trong đánh giá website TMĐT.
    • Xây dựng công thức định lượng độ tin cậy dựa trên các tiêu chí cụ thể, phù hợp với đặc thù pháp lý và thực tiễn TMĐT tại Việt Nam.
    • Cung cấp công cụ hỗ trợ người tiêu dùng, đặc biệt là những người thiếu kinh nghiệm mua sắm trực tuyến, có thêm cơ sở tham khảo để tự đưa ra quyết định giao dịch an toàn.

Hạn chế và hướng nghiên cứu tiếp

  • Hạn chế:
    • Phạm vi thực nghiệm của hệ thống mới tập trung chủ yếu vào loại hình website TMĐT bán hàng, chưa mở rộng sang các mô hình phức tạp hơn như sàn giao dịch TMĐT, website đấu giá hay mạng xã hội kinh doanh.
    • Bộ từ khóa đặc trưng (69 từ khóa) được xây dựng dựa trên tiếng Việt và cấu trúc HTML chuẩn, do đó hiệu quả phân loại có thể suy giảm đối với các website sử dụng đa ngôn ngữ hoặc xây dựng hoàn toàn bằng các framework kết xuất nội dung động qua JavaScript.
    • Kết quả do hệ thống cung cấp chỉ mang tính chất tham khảo, không thể thay thế hoàn toàn việc kiểm tra pháp lý chuyên sâu hoặc chịu trách nhiệm pháp lý cho quyết định giao dịch của người dùng.
  • Hướng nghiên cứu tiếp:
    • Mở rộng quy mô và tính đa dạng của tập dữ liệu huấn luyện, cập nhật định kỳ danh sách website TMĐT và website lừa đảo theo thời gian thực.
    • Nghiên cứu ứng dụng các mô hình học sâu (Deep Learning) để trích xuất và phân tích đồng thời cả đặc trưng văn bản và hình ảnh giao diện website.
    • Bổ sung các giải thuật xử lý ngôn ngữ tự nhiên nâng cao để đánh giá chi tiết tính hợp lệ của các văn bản chính sách bảo mật, điều khoản thanh toán và quy trình đổi trả hàng.

Giá trị tham khảo

Tài liệu khóa luận có giá trị tham khảo thiết thực cho các nhóm đối tượng:

  • Sinh viên và nhà nghiên cứu ngành An toàn thông tin, Khoa học dữ liệu, Công nghệ thông tin: Là tài liệu tham khảo chi tiết về quy trình thu thập dữ liệu web, trích xuất đặc trưng HTML, kỹ thuật giảm chiều dữ liệu bằng TF-IDF-mean, giải quyết bài toán mất cân bằng dữ liệu (Over-sampling/Under-sampling) và tối ưu hóa siêu tham số bằng Grid Search.
  • Sinh viên ngành Thương mại điện tử và Hệ thống thông tin: Cung cấp cơ sở lý thuyết tổng hợp về các mô hình lòng tin (Trust models), các yếu tố rủi ro trong giao dịch B2C, cùng các quy định pháp lý tại Nghị định 52/2013/NĐ-CP của Chính phủ.
  • Phần đáng tham khảo nhất: Quy trình chọn lọc 69 đặc trưng từ khóa (Chương 3) và phương pháp tích hợp kết quả mô hình học máy vào công thức đánh giá độ tin cậy tổng thể (Chương 3 và Chương 4).

Câu hỏi thường gặp

1. Khóa luận phân loại website thương mại điện tử dựa trên khung pháp lý nào?
Khóa luận căn cứ theo Nghị định số 52/2013/NĐ-CP ngày 16 tháng 5 năm 2013 của Chính phủ về Thương mại điện tử, trong đó phân biệt 4 loại hình: Website TMĐT bán hàng, Sàn giao dịch TMĐT, Website đấu giá trực tuyến và Website khuyến mại trực tuyến. Nghiên cứu tập trung thử nghiệm trên loại hình Website TMĐT bán hàng.

2. Tập dữ liệu nhận diện website TMĐT được thu thập từ đâu và có quy mô như thế nào?
Tập dữ liệu gồm 1.458 website, trong đó 1.003 website TMĐT bán hàng hợp pháp được thu thập từ cổng thông tin của Bộ Công Thương, và 455 website thuộc các lĩnh vực khác được tổng hợp từ các trang xếp hạng uy tín như Webrank và SimilarWeb.

3. Tác giả đã dùng kỹ thuật gì để giảm số lượng từ khóa đặc trưng từ 100 xuống 69?
Tác giả tính giá trị TF-IDF trung bình (TF-IDF-mean) của từng từ khóa trên 2 lớp dữ liệu, sau đó phân tích mức chênh lệch: giữ lại 39 từ khóa thuộc nhóm TMĐT có độ chênh lệch > 0,044; giữ lại 26 từ khóa thuộc nhóm phi TMĐT có độ chênh lệch > 0; và giữ lại 4 từ khóa ngoại lệ có độ chênh lệch < 0,0147 nhưng hoàn toàn không xuất hiện ở lớp phi TMĐT.

4. Những thuật toán học máy nào đã được nghiên cứu và thực nghiệm trong đề tài?
Đề tài nghiên cứu và thực nghiệm 5 thuật toán học máy có giám sát: Hồi quy Logistic (Logistic Regression), Máy vector hỗ trợ (SVM), K láng giềng gần nhất (KNN), Rừng ngẫu nhiên (Random Forest), và Bayes thơ ngây (Naive Bayes).

5. Kết quả đánh giá của hệ thống được hiển thị cho người dùng như thế nào?
Hệ thống hiển thị kết quả trên giao diện web gồm: trạng thái nhận diện website TMĐT, kết quả kiểm tra phishing, thông tin đối soát đăng ký với Bộ Công Thương, bảng điểm quy đổi độ tin cậy từ các yếu tố thành phần, và các khuyến nghị an toàn cụ thể trước khi thực hiện giao dịch.

Kết luận

Khóa luận tốt nghiệp của tác giả Lê Thị Huyền Thu và Lê Thị Huyền My đã giải quyết bài toán đánh giá độ tin cậy của website thương mại điện tử bán hàng tại Việt Nam thông qua việc kết hợp các tiêu chuẩn pháp lý với kỹ thuật học máy và xử lý ngôn ngữ tự nhiên. Nghiên cứu đã xây dựng thành công tập dữ liệu 1.458 website, chọn lọc 69 đặc trưng từ khóa tối ưu và thực nghiệm các mô hình phân loại kết hợp kỹ thuật cân bằng dữ liệu cùng Grid Search. Hệ thống được triển khai thử nghiệm dưới dạng ứng dụng web, cung cấp công cụ trực quan hỗ trợ người tiêu dùng nhận diện rủi ro lừa đảo và đưa ra quyết định mua sắm trực tuyến an toàn.