Tổng quan về luận án

Trong kỷ nguyên chuyển đổi số và bùng nổ dữ liệu lớn, việc chia sẻ cơ sở dữ liệu (CSDL) giao tác giữa các đối tác thương mại, chuỗi cung ứng toàn cầu và nền tảng điện toán đám mây đã trở thành nhu cầu tất yếu nhằm khai thác giá trị tri thức. Tuy nhiên, dữ liệu chia sẻ thường tiềm ẩn các bí mật kinh doanh cốt lõi, chiến lược giá, biên lợi nhuận và danh mục sản phẩm mang lại giá trị kinh tế chiến lược. Khai phá tập mục hữu ích cao (High Utility Itemset Mining - HUIM) là bước tiến quan trọng vượt qua giới hạn của khai phá tập phổ biến truyền thống (Frequent Itemset Mining - FIM) vốn chỉ dựa trên tần suất xuất hiện thống kê mà bỏ qua các thuộc tính giá trị kinh tế (như số lượng mua và đơn giá/lợi nhuận biên). Đi cùng với sự phát triển của HUIM là thách thức bảo vệ tính riêng tư trong khai phá hữu ích cao (Privacy Preserving Utility Mining - PPUM), đòi hỏi CSDL gốc phải được làm sạch hoặc biến đổi để loại bỏ các mẫu nhạy cảm trước khi công bố ra bên ngoài.

Khoảng trống nghiên cứu (Research Gap) then chốt mà luận án giải quyết xuất phát từ tính chất phi đơn điệu (non-monotonicity) của hàm hữu ích. Khác với khai phá tập phổ biến tuân theo tính chất bao đóng giảm dần (Apriori / Downward Closure Property) được thiết lập bởi Agrawal và Srikant (1994), trong HUIM: "Một tập mục X là tập mục hữu ích cao thì tập con của X có thể không là tập mục hữu ích cao, ngược lại nếu tập mục X không là tập mục hữu ích cao thì tập cha của X có thể là tập mục hữu ích cao" (Trích đoạn Chương 1). Do đó, các kỹ thuật che giấu mẫu nhạy cảm heuristic trước đây—như các thuật toán tiên phong HHUIF và MSICF của Jieh-Shan Yeh et al. (2010), thuật toán dựa trên giải thuật di truyền GA-based của Lin et al. (2014), hay các thuật toán Max-Min MSU-MAU, MSU-MIU của Lin et al. (2016) và SMAU, SMSE của Xuan Liu et al. (2020)—đều bộc lộ hạn chế nghiêm trọng: chiến lược chọn mục mục tiêu (victim item) và giao tác mục tiêu (victim transaction) thường áp dụng đồng nhất cho cả thao tác sửa (modify) và xóa (delete), dẫn đến hiệu ứng phụ (side effects) rất lớn, làm mất nhiều tập mục hữu ích cao không nhạy cảm (tỷ lệ Miss Cost - MC cao), làm suy giảm cấu trúc dữ liệu (Database Structure Similarity - DSS) và sai lệch giá trị hữu ích tổng thể (Database Utility Similarity - DUS, Itemsets Utility Similarity - IUS). Hơn nữa, các mở rộng quan trọng như ẩn tập mục hữu ích trung bình cao nhạy cảm (SHAUIs) và ẩn luật kết hợp hữu ích cao nhạy cảm (SHUARs) hoàn toàn chưa có mô hình hình thức và thuật toán xử lý chuyên biệt trong tài liệu khoa học quốc tế.

Luận án tiến sĩ kỹ thuật chuyên ngành Khoa học máy tính (mã số: 9480101) của nghiên cứu sinh Huỳnh Triệu Vỹ, dưới sự hướng dẫn khoa học của TS. Trương Ngọc Châu và TS. Lê Quốc Hải tại Trường Đại học Bách khoa – Đại học Đà Nẵng (bảo vệ tháng 02/2023), tập trung giải quyết 4 câu hỏi nghiên cứu (Research Questions) và 4 giả thuyết khoa học (Hypotheses) cốt lõi:

  • RQ1: Làm thế nào để xác định chính xác lượng giá trị hữu ích nội (internal utility) tối thiểu cần giảm để ẩn triệt để tập mục hữu ích cao nhạy cảm mà không gây xóa dư thừa dữ liệu?
    • H1: Tồn tại một ngưỡng hữu ích sai khác tối thiểu $du = u(S) - \varepsilon + 1$ cho phép tính toán lượng suy giảm số lượng rời rạc $dec = \lceil du / p(x_{vic}) \rceil$ đảm bảo tỷ lệ ẩn không thành công $HF = 0%$ với tác động biến đổi dữ liệu nhỏ nhất.
  • RQ2: Làm thế nào để tối ưu hóa việc lựa chọn mục mục tiêu và giao tác mục tiêu khi đồng thời xử lý hai tiêu chí hữu ích và tần suất trong bài toán ẩn tập mục hữu ích cao và phổ biến nhạy cảm (SHUFIs)?
    • H2: Chiến lược phân ly cơ chế chọn mục mục tiêu dựa trên biên cực đại và phân loại riêng biệt giữa giảm độ hỗ trợ và giảm giá trị hữu ích sẽ triệt tiêu xung đột, giảm thiểu tỷ lệ MC so với các thuật toán 2 phiên cổ điển.
  • RQ3: Mô hình toán học nào cho phép ẩn hiệu quả các tập mục hữu ích trung bình cao nhạy cảm (SHAUIs) và luật kết hợp hữu ích cao nhạy cảm (SHUARs)?
    • H3: Xây dựng hàm chặn trên hữu ích trung bình và độ tin cậy hữu ích cục bộ ($luv$) cho phép thiết lập các thuật toán heuristic chuyên biệt đạt hiệu năng vượt trội so với việc chuyển đổi cưỡng bức về HUIM.
  • RQ4: Cấu trúc đại số trừu tượng nào có thể tối ưu hóa toàn cục việc lựa chọn mục mục tiêu nhằm giảm thiểu tác động lan truyền của hiệu ứng phụ?
    • H4: Ánh xạ tập mục hữu ích cao và phổ biến lên Giàn giao có ràng buộc (Constrained Intersection Lattice - $L_{\cap H}$) cho phép xác định các phần tử giao tối ưu, giảm thiểu cực đại sai lệch cấu trúc dữ liệu và tổn thất tri thức.

Khung lý thuyết nền tảng (Theoretical Framework) của luận án tích hợp Lý thuyết Khai phá Hữu ích Cao (Yao et al., 2004), Lý thuyết Bảo vệ Tính riêng tư trong Khai phá Dữ liệu (PPDM/PPUM - Yeh et al., 2010) và Lý thuyết Giàn / Phân tích Khái niệm Hình thức (Lattice Theory & Formal Concept Analysis - Wille, 1982; Godin, 1995). Phạm vi thực nghiệm của luận án được kiểm chứng nghiêm ngặt trên 6 tập CSDL giao tác chuẩn quốc tế từ thư viện mã nguồn mở SPMF (Fournier-Viger et al., 2016), bao gồm CSDL tổng hợp $T1000_200_40$ ($|D| = 1.000$ giao tác, $|I| = 200$ mục) và 5 CSDL thực tế quy mô lớn: Foodmart ($|D| = 21.556, |I| = 1.559$), Retail ($|D| = 88.162, |I| = 16.470$), Mushroom ($|D| = 8.124, |I| = 119$), Chess ($|D| = 3.196, |I| = 75$) và Chainstore ($|D| = 1.112.949, |I| = 46.086$, độ dài cực đại 170 mục). Luận án mang lại đóng góp đột phá khi đạt tỷ lệ che giấu hoàn hảo ($HF = 0%$), bảo toàn trên $90%$ cấu trúc và độ tương đồng hữu ích CSDL ($DSS, DUS, IUS$), đồng thời kéo giảm đáng kể tỷ lệ mất thông tin ($MC$) so với các thuật toán tiên tiến đương thời.

Literature Review và Positioning

Lĩnh vực bảo vệ tính riêng tư trong khai phá dữ liệu đã trải qua sự chuyển dịch mô thức sâu sắc qua 4 dòng nghiên cứu chính:

[Khai phá Tập phổ biến (FIM)] (Agrawal & Srikant, 1994)
[Khai phá Tập Hữu ích cao (HUIM)] (Yao et al., 2004; Liu et al., 2012)
[Bảo vệ Tính riêng tư (PPUM Heuristic)] (Yeh et al., 2010; Lin et al., 2014, 2016; Liu et al., 2020)
[PPUM Nâng cao & Lý thuyết Giàn (Lattice-based PPUM)] (Luận án Huỳnh Triệu Vỹ, 2023)

  1. Từ Khai phá Tập phổ biến (FIM) đến Khai phá Hữu ích cao (HUIM): Khởi đầu từ mô hình Apriori (Agrawal & Srikant, 1994), nghiên cứu tập trung vào tần suất xuất hiện. Cai et al. (1998) mở rộng sang khai phá tập mục có trọng số với thuật toán MINWAL. Nhận thấy trọng số cố định không phản ánh số lượng mua thực tế trong từng hóa đơn, Hong Yao et al. (2004) thiết lập mô hình toán học cho HUIM dựa trên hai chiều dữ liệu: hữu ích nội $q(x, T_c)$ (số lượng) và hữu ích ngoại $p(x)$ (lợi nhuận đơn vị). Yao et al. (2006) đề xuất thuật toán Uming/UmingH; Liu et al. (2005) đề xuất thuật toán TwoPhase dựa trên cận trên TWU (Transaction-Weighted-Utilization); Liu et al. (2012) đột phá với thuật toán HUI-Miner sử dụng cấu trúc utility-list; Tseng et al. (2010, 2013) phát triển UP-Growth và UP-Growth+ dựa trên cây UP-Tree; Fournier-Viger et al. (2014) tối ưu hóa với thuật toán FHM sử dụng chiến lược tỉa EUCP (Estimated Utility Co-occurrence Pruning).

  2. Các phương pháp tiếp cận trong Che giấu Mẫu nhạy cảm (PPUM): Tài liệu khoa học ghi nhận 3 trường phái chính:

    • Kỹ thuật tiếp cận chính xác (Exact-based approach): Đại diện bởi Menon et al. (2005), sử dụng quy hoạch nguyên tuyến tính (Integer Linear Programming). Dù không tạo hiệu ứng phụ, kỹ thuật này gặp bế tắc về độ phức tạp tính toán (NP-hard) trên các kho dữ liệu lớn.
    • Kỹ thuật tiếp cận bảo vệ biên (Border-based approach): Sun & Yeh (2006), Wu et al. (2007) tập trung sửa đổi biên phân cách giữa tập mục nhạy cảm và không nhạy cảm, nhưng khó thích ứng với tính chất phi đơn điệu của HUIM.
    • Kỹ thuật Heuristic (Heuristic-based approach): Chiếm ưu thế áp đảo nhờ tốc độ thực thi nhanh, chia thành phương pháp xáo trộn dữ liệu (data distortion) và khóa dữ liệu (data blocking).

  3. Tranh luận học thuật và xung đột phương pháp luận:

    • Tranh luận 1: Chèn giao tác giả (Transaction Insertion) đối đầu Sửa đổi giá trị nội/Xóa mục (Modification/Deletion): Lin et al. (2014) đề xuất thuật toán GA-based dùng giải thuật di truyền chèn giao tác giả nhằm giảm giá trị hữu ích tương đối. Tuy nhiên, kỹ thuật này làm bùng nổ các tập mục hữu ích cao giả mạo (tỷ lệ Artificial Cost - $AC > 0$). Ngược lại, Lin et al. (2015) với PPUMGAT xóa toàn bộ giao tác, gây mất mát dữ liệu nghiêm trọng trên CSDL phân bố đều.
    • Tranh luận 2: Tiêu chí chọn mục mục tiêu (Max Utility vs. Min Utility vs. Min Conflict): Yeh et al. (2010) với HHUIF chọn mục có hữu ích cao nhất, trong khi MSICF chọn mục xuất hiện nhiều nhất trong tập nhạy cảm. Lin et al. (2016) đề xuất MSU-MAU và MSU-MIU nhằm tìm điểm cân bằng. Gần đây, Xuan Liu et al. (2020) giới thiệu SMAU, SMIU và SMSE ưu tiên giao tác hỗ trợ ít tập không nhạy cảm nhất. Điểm yếu chung của tất cả các nghiên cứu quốc tế này là việc áp dụng cùng một công thức giảm hữu ích cho cả hai trường hợp: giảm số lượng $q(x, T)$ hoặc xóa hẳn mục $x$, dẫn đến việc giảm vượt mức cần thiết ($over-perturbation$).

  4. Khai phá mở rộng và Ứng dụng Lý thuyết Giàn trong PPDM: Rajalaxmi et al. (2012) đề xuất MSMU và MCRSU để ẩn tập mục hữu ích cao và phổ biến (SHUFIs) nhưng phải qua 2 phiên sửa dữ liệu riêng biệt làm tổn hại CSDL. Hong et al. (2009, 2011) khởi xướng khai phá tập hữu ích trung bình cao (HAUIM) và Sahoo et al. (2015) nghiên cứu luật kết hợp hữu ích cao, nhưng chưa có công trình nào giải quyết bài toán che giấu thông tin nhạy cảm cho hai mô hình này. Về mặt cấu trúc đại số, Wille (1982), Godin (1995), Vo et al. (2012, 2017) và Le et al. (2017) đã chứng minh tính ưu việt của Giàn khái niệm trong khai phá luật kết hợp và ẩn luật phổ biến.

Vị thế nghiên cứu của luận án (Positioning) được xác lập rõ ràng: Luận án là công trình tiên phong toàn diện tích hợp giải pháp heuristic tối ưu đơn phiên (single-pass exact discrete reduction) với công cụ toán học Giàn giao có ràng buộc ($L_{\cap H}$), đồng thời mở rộng biên giới của PPUM sang các miền bài toán chưa từng được khám phá (SHAUIs và SHUARs).

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đã mở rộng và thách thức các lý thuyết nền tảng của Yao et al. (2004), Yeh et al. (2010) và Lin et al. (2016) thông qua việc phát triển hệ thống định lý và mệnh đề toán học chặt chẽ:

  1. Hình thức hóa giá trị suy giảm hữu ích tối thiểu ($du$): Khắc phục hiện tượng sửa đổi dư thừa trong các thuật toán cổ điển, luận án chứng minh rằng với một tập mục nhạy cảm $S \in SHUIs$ có $u(S) \ge \varepsilon$, lượng hữu ích tối thiểu cần làm suy giảm chính xác là: $$du = u(S) - \varepsilon + 1$$

  2. Hệ thống Định lý về Biến đổi Hữu ích Rời rạc:

    • Định lý 2.2 (Sửa đổi giá trị hữu ích nội rời rạc): "Nếu $x_{vic} \in S$ được sửa giá trị hữu ích nội tại giao tác $T_{vic}$, tập mục $S$ sẽ bị ẩn ($u(S) < \varepsilon$) khi và chỉ khi giá trị hữu ích nội của $x_{vic}$ giảm một lượng $dec = \lceil du / p(x_{vic}) \rceil$" (Trích đoạn Chương 2). Chứng minh: Luận án chứng minh từ phương trình ràng buộc $u(S){moi} = u(S) - dec \times p(x{vic}) \le \varepsilon - 1$, suy ra $dec \times p(x_{vic}) \ge u(S) - \varepsilon + 1 = du$. Vì số lượng $q(x_{vic}, T_{vic}) \in \mathbb{N}^+$, giá trị nguyên nhỏ nhất của $dec$ thỏa mãn bất đẳng thức là $\lceil du / p(x_{vic}) \rceil$.
    • Định lý 2.3 (Xóa mục mục tiêu): Luận án chứng minh khi $u(x_{vic}, T_{vic}) \le du$, việc giảm số lượng không đủ để đưa $u(S) < \varepsilon$ trong một bước. Do đó, mục $x_{vic}$ phải bị xóa hoàn toàn khỏi giao tác $T_{vic}$, làm giảm tổng hữu ích của $S$ một lượng đúng bằng $u(S, T_{vic})$, và giá trị $du$ được cập nhật lại theo công thức: $$du_{moi} = du_{cu} - u(S, T_{vic})$$

  3. Mô hình hóa bài toán ẩn SHAUIs và SHUARs: Luận án là công trình đầu tiên thiết lập mô hình tính toán độ lệch hữu ích trung bình $dau = au(S) - \mu + 0.001$ và độ tin cậy hữu ích cục bộ ($luv$), tạo cơ sở lý thuyết chuẩn mực cho việc kiểm soát sự suy giảm độ tin cậy của luật kết hợp $R: X \rightarrow Y$ xuống dưới ngưỡng $\mu$.

Khung phân tích độc đáo

Khung phân tích của luận án kết hợp 3 trụ cột lý thuyết: (1) Đại số giàn (Lattice Theory), (2) Khai phá mẫu hữu ích cao phi đơn điệu, và (3) Tối ưu hóa đa mục tiêu giảm thiểu hiệu ứng phụ.

  • Giàn giao có ràng buộc của các tập mục hữu ích cao và phổ biến ($L_{\cap H}$): Xét tập $I$ và tập $HUFIs \subseteq \mathcal{P}(I)$. Giàn giao $L_{\cap H} = \langle \mathcal{C}, \subseteq \rangle$ được định nghĩa là tập đóng đối với phép giao của các phần tử trong $HUFIs$: $$\mathcal{C} = \left{ \bigcap_{X \in \mathcal{A}} X ;\middle|; \mathcal{A} \subseteq HUFIs \right} \cup {I}$$ Cấu trúc giàn $L_{\cap H}$ phản ánh chính xác không gian quan hệ bao hàm giữa các tập mục nhạy cảm và không nhạy cảm. Thông qua lược đồ Hasse, thuật toán HSUFIBL xác định được các nút cha/con trực tiếp, cho phép phát hiện mục mục tiêu $x_{vic}$ có số lượng tập mục không nhạy cảm phụ thuộc là ít nhất, biến quyết định heuristic cục bộ thành quyết định tối ưu có định hướng cấu trúc.

  • Hệ thống đánh giá hiệu ứng phụ 6 chiều chuẩn mực:

    • Tỷ lệ ẩn không thành công: $HF = \frac{|SHUPs'|}{|SHUPs|} = 0%$ (Yêu cầu bắt buộc).
    • Tỷ lệ mẫu hữu ích cao bị mất: $MC = \frac{|non\text{-}SHUPs \setminus non\text{-}SHUPs'|}{|non\text{-}SHUPs|}$.
    • Tỷ lệ mẫu giả mạo: $AC = \frac{|non\text{-}SHUPs' \setminus non\text{-}SHUPs|}{|non\text{-}SHUPs|}$.
    • Độ tương đồng cấu trúc CSDL: $$DSS = 1 - \frac{\sum_{k=1}^m |freq(tp_k^D) - freq(tp_k^{D'})|}{\sum_{k=1}^m freq(tp_k^D) + \sum_{k=1}^m freq(tp_k^{D'})}$$
    • Độ tương đồng hữu ích CSDL: $$DUS = \frac{DU(D')}{DU(D)} = \frac{\sum_{T_c \in D'} tu(T_c)}{\sum_{T_c \in D} tu(T_c)}$$
    • Độ tương đồng hữu ích tập mục: $$IUS = \frac{\sum_{X \in HUIs'} u(X)}{\sum_{X \in HUIs} u(X)}$$

  • Điều kiện biên (Boundary Conditions): Áp dụng trên CSDL giao tác tĩnh, các mục có giá trị hữu ích ngoại dương ($p(x) > 0$), số lượng mua nguyên dương ($q(x, T) \in \mathbb{N}^+$), bảng giá cố định trong suốt quá trình chia sẻ dữ liệu.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ thế giới quan thực chứng (Positivism) và phương pháp luận thực nghiệm tính toán (Computational & Quantitative Experimental Paradigm). Quy trình nghiên cứu được thiết kế theo mô hình đa tầng:

                                            [Chuyên gia xác định SHUPs]
[Khai phá lại & Đánh giá Đa chiều: HF, MC, AC, DSS, DUS, IUS, Runtime]

Quy trình nghiên cứu rigorous

  1. Giao thức thu thập và chuẩn hóa dữ liệu: Sử dụng 6 CSDL chuẩn quốc tế từ SPMF library, phân tách thành hai nhóm đặc tính rõ rệt: CSDL thưa (Sparse - như Retail, Foodmart, Chainstore với độ dài trung bình giao tác ngắn từ 4.4 đến 10.3) và CSDL dày/đặc (Dense - như Mushroom, Chess với độ dài trung bình từ 23 đến 37).
  2. Quy trình Triangulation (Tam giác đạc):
    • Triangulation phương pháp: So sánh đối chiếu giữa Heuristic đơn lẻ, Heuristic kết hợp biên cực đại, Giải thuật Di truyền (GA-based) và Mô hình Giàn đại số.
    • Triangulation dữ liệu: Kiểm thử chéo trên cả dữ liệu mô phỏng ngẫu nhiên (synthetic) và dữ liệu giao dịch thương mại thực tế (real-world retail/supermarket).
    • Triangulation tham số: Biến thiên liên tục ngưỡng hữu ích tối thiểu $\varepsilon$, ngưỡng hỗ trợ tối thiểu $\delta$, ngưỡng tin cậy $\mu$, và tỷ lệ tập nhạy cảm $|SHUIs|$ từ $1%$ đến $25%$.
  3. Độ tin cậy và Tính hợp lệ: Mọi thuật toán đều được lập trình chuẩn hóa trên cùng một nền tảng ngôn ngữ Java (JDK 1.8), chạy trên môi trường phần cứng đồng nhất (Intel Core i5, RAM 8GB), lặp lại nhiều lần để lấy giá trị trung bình thời gian thực thi (Runtime).

Data và phân tích

Đặc tính định lượng của 6 tập dữ liệu thực nghiệm được chi tiết trong bảng sau:

| Tên CSDL (Database) | Tổng số giao tác ($|D|$) | Số lượng mục ($|I|$) | Độ dài trung bình (AVG-length) | Độ dài cực đại (Max-length) | Đặc tính cấu trúc dữ liệu | | :--- | :--- | :--- | :--- | :--- | :--- | | T1000_200_40 | 1.000 | 200 | 40,00 | 170 | CSDL tổng hợp, phân bố ngẫu nhiên | | Foodmart | 21.556 | 1.559 | 4,40 | 14 | CSDL giao dịch bán lẻ thực tế (thưa) | | Retail | 88.162 | 16.470 | 10,30 | 76 | CSDL siêu thị quy mô trung bình | | Mushroom | 8.124 | 119 | 23,00 | 23 | CSDL sinh học, đặc tính rất dày (dense) | | Chess | 3.196 | 75 | 37,00 | 37 | CSDL cờ vua, mật độ mục rất cao | | Chainstore | 1.112.949 | 46.086 | 7,23 | 170 | CSDL chuỗi bán lẻ siêu lớn (Big Data) |

Quy trình phân tích thuật toán EHSHUI và HSUFIBL được mô hình hóa bằng các giải thuật tối ưu:

  • Sắp xếp độ ưu tiên tập nhạy cảm theo tần suất xuất hiện trong tập nhạy cảm: $f_{SHUIs}(S) = |{X \mid S \subset X, X \in SHUIs}|$.
  • Hàm chọn giao tác mục tiêu: $T_{vic} = \arg\max_{T \in D_S} u(S, T)$.
  • Hàm chọn mục mục tiêu: $x_{vic} = \arg\min_{x \in S} |{Y \in non\text{-}SHUIs \mid x \in Y}|$.

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Hiệu năng che giấu tuyệt đối ($HF = 0%$) và không phát sinh mẫu giả mạo ($AC = 0%$): Tất cả 5 thuật toán đề xuất (EHSHUI, ATMTU, EHSHA-UI, Thuật toán ẩn luật kết hợp, HSUFIBL) đều đạt tỷ lệ $HF = 0%$ trên $100%$ các kịch bản thực nghiệm. Do áp dụng cơ chế giảm hữu ích nội hoặc xóa mục (data distortion có kiểm soát) thay vì chèn giao tác giả như GA-based (Lin et al., 2014), tỷ lệ $AC$ luôn triệt tiêu ở mức $0%$.
  2. Kéo giảm vượt bậc tỷ lệ mất thông tin ($MC$):
    • Trên CSDL Chainstore và Retail, thuật toán EHSHUI làm giảm tỷ lệ $MC$ từ $15%$ đến $35%$ so với các thuật toán HHUIF, MSICF (Yeh et al., 2010) và MSU-MAU, MSU-MIU (Lin et al., 2016).
    • Khi kích thước tập nhạy cảm tăng từ $5%$ lên $20%$, thuật toán HSUFIBL (dựa trên Giàn giao) duy trì mức tăng $MC$ tuyến tính rất chậm, thấp hơn thuật toán HUFI (Lin et al., 2020) từ $20%$ đến $40%$ trên CSDL Chess và Mushroom.
  3. Bảo tồn tối đa cấu trúc và giá trị hữu ích của CSDL ($DSS, DUS, IUS > 90%$): Nhờ áp dụng công thức tính $dec = \lceil du / p(x_{vic}) \rceil$, lượng dữ liệu bị biến đổi là vừa đủ. Tỷ lệ tương đồng cấu trúc CSDL ($DSS$) luôn đạt trên $92%$, độ tương đồng hữu ích CSDL ($DUS$) đạt từ $94%$ đến $98%$, và độ tương đồng hữu ích tập mục ($IUS$) vượt trội hơn hẳn nhóm thuật toán đối sánh từ $8%$ đến $18%$.
  4. Phát hiện phản trực giác (Counter-intuitive Finding) về việc xóa mục so với giảm số lượng: Trong một số trường hợp giao tác có nhiều mục nhạy cảm đan xen, việc xóa hẳn một mục mục tiêu $x_{vic}$ ($u(x_{vic}, T) \le du$) lại tạo ra ít hiệu ứng phụ $MC$ hơn so với việc cố gắng giảm nhỏ giọt số lượng của nhiều mục khác nhau, do việc xóa dứt điểm sẽ vô hiệu hóa đồng thời nhiều tập mục nhạy cảm có chứa $x_{vic}$ mà không làm xáo trộn cấu trúc hữu ích nội của các mục không nhạy cảm còn lại.
  5. Hiệu năng thời gian thực thi (Execution Time) vượt trội: Trên tập dữ liệu Big Data Chainstore ($>1,11$ triệu giao tác), EHSHUI hoàn thành trong thời gian ngắn hơn từ 2 đến 4 lần so với MSICF và các giải thuật di truyền (GA-based) nhờ cơ chế định vị nhanh tập $D_S$ và loại bỏ các bước duyệt CSDL lặp dư thừa.

Implications đa chiều

  • Ý nghĩa Lý thuyết (Theoretical Advances): Hoàn thiện lý thuyết PPUM trên miền bài toán phi đơn điệu; xây dựng cầu nối toán học vững chắc giữa Đại số trừu tượng (Lattice Theory) và Khai phá tri thức.
  • Ý nghĩa Phương pháp luận (Methodological Innovations): Cung cấp khung thuật toán mẫu mực cho phép mở rộng sang các dạng dữ liệu phức tạp khác như CSDL chuỗi thời gian, đồ thị hoặc dữ liệu dòng (data stream).
  • Ý nghĩa Thực tiễn và Kinh doanh (Practical Applications): Cho phép các tập đoàn bán lẻ, chuỗi cung ứng thương mại điện tử, hệ thống ngân hàng - tài chính tự tin chia sẻ dữ liệu giao dịch cho bên thứ ba để phân tích AI/BI mà không lo rò rỉ chiến lược giá, danh mục sản phẩm chủ lực hay biên độ lợi nhuận tối mật.
  • Ý nghĩa Chính sách và Pháp lý (Policy Recommendations): Cung cấp công cụ kỹ thuật hiện thực hóa các quy định pháp lý về bảo vệ dữ liệu (như Luật An toàn thông tin mạng Việt Nam, Nghị định 13/2023/NĐ-CP về Bảo vệ dữ liệu cá nhân, và chuẩn mực quốc tế GDPR của Liên minh Châu Âu).

Limitations và Future Research

  1. Những hạn chế nội tại của luận án:

    • Hạn chế về tính động của dữ liệu (Static Database Constraint): Các thuật toán đề xuất được thiết kế tối ưu cho CSDL tĩnh. Khi CSDL phát sinh các giao tác thêm/xóa/sửa liên tục (incremental/dynamic databases), thuật toán phải chạy lại từ đầu, gây tốn kém chi phí tính toán.
    • Hạn chế về giá trị hữu ích âm (Negative Utility): Mô hình hiện tại giả định mọi mục đều có giá trị hữu ích ngoại dương ($p(x) > 0$), chưa hỗ trợ các trường hợp kinh doanh thực tế có sản phẩm chịu lỗ (bán kèm khuyến mãi lỗ vốn).
    • Chi phí bộ nhớ khi dựng Giàn trên CSDL cực dày: Cấu trúc Giàn giao $L_{\cap H}$ tiêu tốn không gian bộ nhớ đáng kể khi số lượng tập $HUFIs$ bùng nổ trên các tập dữ liệu siêu dày như Chess ở ngưỡng hỗ trợ rất thấp.

  2. Chương trình nghiên cứu tương lai (Future Research Agenda):

    • Hướng 1: Phát triển các thuật toán PPUM động (Incremental PPUM) có khả năng cập nhật CSDL sửa đổi cục bộ khi có giao tác mới mà không cần quét lại toàn bộ kho dữ liệu.
    • Hướng 2: Mở rộng mô hình lý thuyết cho phép che giấu thông tin nhạy cảm trên CSDL có mục mang giá trị hữu ích âm (Negative Utility Mining) dựa trên biến thể thuật toán FHN.
    • Hướng 3: Ứng dụng kỹ thuật tính toán song song, phân tán trên nền tảng Apache Spark / GPU để tối ưu hóa thời gian xây dựng Giàn giao trên dữ liệu quy mô hàng chục triệu giao tác.
    • Hướng 4: Kết hợp kỹ thuật PPUM với các mô hình Bảo mật vi sai (Differential Privacy) nhằm tạo ra cơ chế phòng thủ kép chống lại các cuộc tấn công tái nhận dạng (re-identification attacks).

Tác động và ảnh hưởng

  • Tác động Học thuật (Academic Impact): Các kết quả nghiên cứu của luận án đã được công bố trên 9 công trình khoa học uy tín, bao gồm:
    • 01 bài báo trên Tạp chí Quốc tế ISI Q3 (Intelligent Data Analysis, 2020).
    • 01 bài báo trên Tạp chí Quốc tế Scopus Q2 (Cybernetics And Information Technologies, 2022).
    • 02 bài báo trong Kỷ yếu Hội thảo Quốc tế Springer (INISCOM 2018) và IEEE (MAPR 2018).
    • 05 bài báo tại các Hội nghị Quốc gia uy tín về CNTT (FAIR 10, FAIR 13, FAIR 14, FAIR 15 và Hội thảo Quốc gia lần thứ XXI).
  • Chuyển giao và Ứng dụng Công nghiệp (Industry Transformation): Bộ mã nguồn và giải thuật của luận án có khả năng tích hợp trực tiếp vào các mô-đun Data Cleansing và Privacy Preserving của các nền tảng Data Warehouse, CRM và ERP hiện đại.
  • Tác động Xã hội (Societal Benefits): Thúc đẩy sự minh bạch và an toàn trong nền kinh tế số, củng cố niềm tin của doanh nghiệp và người tiêu dùng khi tham gia vào các hệ sinh thái chia sẻ dữ liệu mở.

Đối tượng hưởng lợi

  • Nghiên cứu sinh & Nhà nghiên cứu sau tiến sĩ (Doctoral & Postdoc Researchers): Tiếp cận phương pháp luận toán học chặt chẽ, tận dụng các định lý $du, dec$ và cấu trúc Giàn giao để phát triển các thuật toán mới trên CSDL đồ thị, mạng xã hội và IoT.
  • Giảng viên & Nhà khoa học cấp cao (Senior Academics): Nguồn tài liệu tham khảo chuẩn mực trong giảng dạy chuyên đề sau đại học về Khai phá Dữ liệu nâng cao, Bảo mật Dữ liệu và An toàn Thông tin.
  • Kỹ sư AI & Chuyên gia R&D Doanh nghiệp (Industry AI/Data Engineers): Ứng dụng trực tiếp thuật toán EHSHUI và HSUFIBL để xây dựng hệ thống lọc dữ liệu nhạy cảm tự động trong quy trình chia sẻ dữ liệu kinh doanh liên doanh nghiệp (B2B Data Sharing).
  • Cơ quan Quản lý Nhà nước & Nhà hoạch định Chính sách (Policy Makers): Căn cứ khoa học thực chứng để xây dựng các bộ tiêu chuẩn kỹ thuật quốc gia về bảo vệ bí mật kinh doanh và an toàn dữ liệu số.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?

Đóng góp lý thuyết độc đáo nhất là việc thiết lập Định lý 2.2 và Định lý 2.3 về việc lượng hóa chính xác mức suy giảm hữu ích nội rời rạc ($dec = \lceil du / p(x_{vic}) \rceil$), kết hợp với việc đề xuất Cấu trúc Giàn giao có ràng buộc ($L_{\cap H}$). Công trình này mở rộng trực tiếp Lý thuyết Khai phá Hữu ích Cao của Hong Yao et al. (2004) và vượt qua hạn chế của lý thuyết PPUM heuristic khởi xướng bởi Jieh-Shan Yeh et al. (2010), biến đổi các phép thử heuristic mò mẫm thành một quy trình đại số có chứng minh toán học chuẩn xác.

2. Đột phá phương pháp luận của luận án khi so sánh với các nghiên cứu quốc tế?

So sánh với các nghiên cứu quốc tế tiêu biểu:

  • So với HHUIF / MSICF (Yeh et al., 2010 - Đài Loan): Luận án khắc phục triệt để lỗi không ẩn được khi $u(S) = \varepsilon$ và triệt tiêu tình trạng sửa đổi dư thừa sau khi tập nhạy cảm đã bị ẩn.
  • So với MSU-MAU / MSU-MIU (Lin et al., 2016 - Đài Loan/Trung Quốc) và SMAU / SMSE (Xuan Liu et al., 2020 - Trung Quốc): Luận án phân tách độc lập hai chiến lược chọn mục mục tiêu cho trường hợp sửa giá trị nội và xóa mục, giúp giảm tỷ lệ $MC$ từ $15%$ đến $35%$.
  • So với MSMU / MCRSU (Rajalaxmi et al., 2012 - Ấn Độ): Thuật toán ATMTU và HSUFIBL thực hiện ẩn SHUFIs trong một phiên duy nhất dựa trên biên cực đại và phân tích Giàn, loại bỏ hoàn toàn sự tàn phá dữ liệu do quy trình 2 phiên độc lập gây ra.

3. Phát hiện thực nghiệm đáng ngạc nhiên nhất (Most Surprising Finding)?

Phát hiện rằng tỷ lệ tương đồng cấu trúc CSDL ($DSS$) và tương đồng hữu ích ($DUS$) không suy giảm tỷ lệ thuận với kích thước tập nhạy cảm $|SHUIs|$ khi sử dụng Giàn giao. Trong các thuật toán heuristic thuần túy, khi $|SHUIs|$ tăng từ $5%$ lên $20%$, $DSS$ sụt giảm mạnh từ $95%$ xuống dưới $70%$. Tuy nhiên, với HSUFIBL, nhờ tính chất đóng của Giàn giao, việc xử lý một nút giao ở tầng cao đã vô hiệu hóa đồng thời một chuỗi các tập mục nhạy cảm con, giúp giữ vững $DSS > 91%$ ngay cả khi tập nhạy cảm chiếm tỷ trọng lớn.

4. Luận án có cung cấp giao thức tái lập nghiên cứu (Replication Protocol) không?

Có. Luận án mô tả chi tiết:

  • Toàn bộ giả mã thuật toán (EHSHUI, findVictimTransaction, findVictimItem, ATMTU, EHSHA-UI, HSUFIBL) với các bước lặp toán học minh bạch.
  • Sử dụng 100% CSDL chuẩn công khai từ thư viện SPMF với thông số tham số ($\varepsilon, \delta, \mu$) được công bố chi tiết trong từng bảng biểu thực nghiệm.
  • Minh họa từng bước chạy của thuật toán trên CSDL mẫu 10 giao tác (Bảng 1.1 và Bảng 1.2) với đầy đủ các phép tính số học cụ thể.

5. Kế hoạch nghiên cứu 10 năm (10-Year Research Agenda) được vạch ra như thế nào?

  1. Giai đoạn 2023 - 2025: Mở rộng PPUM sang CSDL dòng giao dịch phân tán (Distributed Stream PPUM) trên môi trường Big Data.
  2. Giai đoạn 2026 - 2028: Tích hợp PPUM với Học máy Bảo vệ Quyền riêng tư (Privacy-Preserving Machine Learning - PPML) và Federated Learning.
  3. Giai đoạn 2029 - 2033: Chuẩn hóa khung pháp lý - kỹ thuật tự động hóa bảo mật tri thức cho các hệ thống Web3, chuỗi khối (Blockchain) và hợp đồng thông minh dữ liệu mở.

Kết luận

Luận án tiến sĩ của NCS. Huỳnh Triệu Vỹ là một công trình nghiên cứu khoa học công phu, nghiêm túc và có chất lượng học thuật xuất sắc với 6 đóng góp cốt lõi:

  1. Thiết lập cơ sở toán học chuẩn xác cho việc biến đổi dữ liệu tối thiểu thông qua việc chứng minh các định lý về độ lệch hữu ích $du$ và lượng suy giảm rời rạc $dec = \lceil du / p(x_{vic}) \rceil$.
  2. Đề xuất thuật toán EHSHUI tối ưu hóa việc che giấu tập mục hữu ích cao nhạy cảm, giảm thiểu vượt bậc tỷ lệ mất thông tin ($MC$) so với các chuẩn quốc tế.
  3. Giải quyết triệt để bài toán ẩn tập mục hữu ích cao và phổ biến nhạy cảm (SHUFIs) bằng cả hai phương pháp tiếp cận: Heuristic biên cực đại (ATMTU) và Giàn giao có ràng buộc ($L_{\cap H}$ trong thuật toán HSUFIBL).
  4. Khai phá và đề xuất mô hình đầu tiên trên thế giới về ẩn tập mục hữu ích trung bình cao nhạy cảm (EHSHA-UI) và ẩn luật kết hợp hữu ích cao nhạy cảm.
  5. Ứng dụng thành công Lý thuyết Giàn đại số trừu tượng vào bài toán PPUM phi đơn điệu, mở ra hướng tiếp cận toán học cấu trúc thay thế cho các phương pháp heuristic cục bộ.
  6. Kiểm chứng thực nghiệm quy mô lớn trên hơn 1,11 triệu giao tác, chứng minh tính vượt trội về độ chính xác ($HF=0%, AC=0%$), độ bảo toàn tri thức ($MC$ thấp, $DSS, DUS, IUS > 90%$) và thời gian thực thi.

Công trình tạo tiền đề vững chắc thúc đẩy 3 dòng nghiên cứu mới: Khai phá hữu ích bảo vệ quyền riêng tư trên dữ liệu lớn phân tán, PPUM trên dữ liệu hữu ích âm, và tích hợp đại số giàn trong học máy bảo vệ tính riêng tư toàn cầu.