Tổng quan nghiên cứu

Năm 2015, theo số liệu từ Trung tâm Ứng cứu khẩn cấp không gian mạng Việt Nam (VNCERT), cả nước đã ghi nhận 4.484 sự cố tấn công lừa đảo, 6.122 sự cố thay đổi giao diện và 14.115 sự cố mã độc đặc biệt nhắm vào các cổng thông tin điện tử cơ quan nhà nước. Đỉnh điểm là vụ tấn công mạng nghiêm trọng vào hệ thống của Vietnam Airlines ngày 29 tháng 7 năm 2016, gây tổn thất to lớn và rung lên hồi chuông cảnh báo về an toàn thông tin quốc gia. Thực trạng này đặt ra vấn đề cấp bách: làm thế nào để bảo vệ các luồng dữ liệu văn bản quan trọng trước nguy cơ bị nghe lén, giả mạo và can thiệp trái phép trên môi trường mạng truyền dẫn.

Mục tiêu cụ thể của đề tài là nghiên cứu các đặc trưng ngôn ngữ tự nhiên của tiếng Việt, xây dựng giải pháp phân tích hình thái từ vựng kết hợp tạo lập hệ mật kép an toàn thông qua cơ chế mã hóa hai lớp. Phạm vi nghiên cứu tập trung vào các tập văn bản tiếng Việt dạng văn bản thuần túy (plain text), được triển khai thực nghiệm tại Trường Đại học Công nghệ – Đại học Quốc gia Hà Nội trong giai đoạn 2015–2016.

Nghiên cứu mang ý nghĩa thực tiễn sâu sắc khi kết hợp thành công kỹ thuật xử lý ngôn ngữ tự nhiên với đại số trừu tượng hiện đại. Giải pháp tạo ra một cơ chế phòng vệ có khả năng loại bỏ 100% nguy cơ thám mã thống kê chữ cái đơn lẻ, bảo đảm xác suất hậu nghiệm của bản rõ bằng đúng xác suất tiên nghiệm, đáp ứng chuẩn an toàn thông tin hoàn hảo theo nguyên lý Shannon.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên sự giao thoa của hai nền tảng lý thuyết lớn: lý thuyết mật mã học hiện đại và lý thuyết xử lý ngôn ngữ tự nhiên (NLP).

Thứ nhất, mô hình an toàn thông tin của Shannon và lý thuyết nhóm cyclic hữu hạn được dùng làm nền tảng toán học cho tầng mã hóa thứ hai. Cấu trúc nhóm nhân cyclic modulo một số nguyên tố p lớn cung cấp không gian bài toán logarit rời rạc với độ phức tạp tính toán vượt bậc, ngăn chặn triệt để các kỹ thuật tấn công vét cạn.

Thứ hai, mô hình xác suất và phương pháp cực đại Entropy được ứng dụng trong xử lý ngôn ngữ tự nhiên tiếng Việt. Khung lý thuyết này giải quyết bài toán nhập nhằng ngữ nghĩa và cấu trúc từ ghép phức tạp của ngôn ngữ đơn lập.

Nghiên cứu vận dụng 5 khái niệm cốt lõi:

  • Hệ mật khóa bí mật: Bộ năm yếu tố gồm không gian bản rõ, không gian bản mã, không gian khóa cùng hàm mã hóa và giải mã tương ứng.
  • Phân đoạn từ vựng tiếng Việt (Word segmentation): Kỹ thuật tách chuỗi âm tiết thành các đơn vị từ có nghĩa dựa trên khoảng trắng và từ điển.
  • Luật từ điển: Cơ chế ánh xạ các từ và cụm từ tiếng Việt sang các phần tử số tương ứng trong nhóm cyclic để tạo "mặt nạ" ban đầu.
  • Cấp số nhân cyclic: Chuỗi biến đổi tuyến tính trên vành đa thức nhằm khuếch tán dữ liệu và tạo độ xáo trộn cao.
  • Bộ sinh số giả ngẫu nhiên BBS (Blum-Blum-Shub): Thuật toán mật mã tạo chuỗi bit ngẫu nhiên dựa trên bài toán thặng dư bình phương.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm được thu thập ngẫu nhiên từ kho ngữ liệu báo chí và văn bản hành chính tiếng Việt. Mẫu kiểm định mật mã sử dụng chuỗi nhị phân có độ dài lên tới 194.304 bit và tập dữ liệu thử nghiệm 1.000 khóa bảo mật với các kích thước 56 bit, 128 bit và 256 bit.

Phương pháp chọn mẫu dựa trên nguyên tắc ngẫu nhiên phân tầng, bảo đảm phản ánh chính xác tần suất xuất hiện của các âm tiết tiếng Việt trong thực tế.

Phương pháp phân tích bao gồm:

  • Phân tích thống kê hình thái: Áp dụng phương pháp cực đại Entropy kết hợp bảng tần suất để lọc từ dừng và gán định danh từ vựng. Lý do lựa chọn là phương pháp này cho phép xử lý linh hoạt hiện tượng đồng âm khác nghĩa và từ ghép đặc thù của tiếng Việt.
  • Kiểm định độ ngẫu nhiên chuẩn NIST: Sử dụng phương pháp kiểm định Khi bình phương với mức ý nghĩa 0,01 để đánh giá độ ngẫu nhiên của chuỗi bit sinh ra qua 15 tiêu chuẩn quốc tế.
  • Phân tích khoảng cách Hamming: Đo lường mức độ biến đổi của bản mã khi bản rõ hoặc khóa thay đổi 1 đến 2 bit để đánh giá hiệu ứng lan truyền.

Toàn bộ quá trình nghiên cứu, thiết kế thuật toán và thử nghiệm trên môi trường lập trình Eclipse được thực hiện liên tục trong khoảng thời gian từ cuối năm 2015 đến tháng 10 năm 2016.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đã ghi nhận 4 kết quả then chốt:

Thứ nhất, mô hình xử lý ngôn ngữ tự nhiên đạt độ chính xác phân tách từ vựng lên tới 97% tính theo đơn vị từ. Khi đánh giá theo cấp độ toàn câu, độ chính xác đạt khoảng 50% do cấu trúc câu tiếng Việt phức tạp, phản ánh sự cần thiết của việc xây dựng từ điển chuẩn hóa với hàng nghìn mục từ để hỗ trợ gán nhãn mã ID tự động.

Thứ hai, chuỗi giả ngẫu nhiên độ dài 194.304 bit được sinh bởi bộ sinh BBS vượt qua xuất sắc các bài kiểm tra phân phối Khi bình phương ở mức ý nghĩa 0,01:

  • Kiểm tra tần số lệch đơn: Giá trị Khi bình phương thực tế đạt 5,027, thấp hơn rất nhiều so với ngưỡng giới hạn lý thuyết là 11,345 với xác suất xuất hiện bit 0 là 0,24828.
  • Kiểm tra bộ ba bit: Giá trị thực tế đạt 8,221 so với ngưỡng cho phép là 18,475.
  • Kiểm tra bộ bốn bit: Giá trị thực tế đạt 13,943 so với ngưỡng cho phép là 30,578.
  • Kiểm tra bộ năm bit: Giá trị thực tế đạt 22,156 so với ngưỡng cho phép là 50,892.

Thứ ba, hiệu năng sinh khóa của hệ thống đạt tốc độ vượt trội trên môi trường máy tính sử dụng chip Intel Core i5 xung nhịp 2,0 GHz. Cụ thể, hệ thống đã sinh thành công 1.000 khóa loại 56 bit chỉ trong 2,5 giây và 1.000 khóa loại 128 bit trong khoảng 4,8 giây, chứng minh tính khả thi cao trong triển khai thực tế.

Thứ tư, cấu trúc mã hóa kép thể hiện hiệu ứng lan truyền mạnh mẽ. Khi thay đổi chỉ 1 bit đơn lẻ trên bản rõ 128 bit, khoảng cách Hamming trung bình giữa các cặp bản mã sau mã hóa kép luôn dao động ở mức 62 đến 65 bit, tương đương tỷ lệ biến đổi gần 50%, ngăn chặn hoàn toàn các dạng tấn công vi sai.

Thảo luận kết quả

Nguyên nhân cốt lõi giúp hệ mật kép đạt độ an toàn cao là sự phân tách thành hai tầng độc lập. Tầng thứ nhất sử dụng luật từ điển để biến đổi xâu ký tự ngôn ngữ tự nhiên thành chuỗi số nguyên thuộc nhóm cyclic, qua đó xóa bỏ triệt để tính quy luật về tần suất nguyên âm, phụ âm và dấu thanh tiếng Việt. Tầng thứ hai thực hiện phép nhân modulo p với khóa giả ngẫu nhiên sinh từ thuật toán BBS, biến bản mã thành chuỗi số hỗn loạn hoàn hảo.

So sánh với các hệ mật khối truyền thống như DES hay chuẩn AES (theo Thông tư số 01/2011/TT-BTTTT của Bộ Thông tin và Truyền thông), hệ mật kép có ưu điểm không làm bộc lộ cấu trúc văn bản ngay cả khi bị tấn công kênh bên. Khác với mã thay thế đơn bảng vốn chỉ có ngưỡng an toàn là 25 ký tự, hệ mật kép đòi hỏi thám mã phải giải đồng thời bài toán logarit rời rạc và ma trận từ điển ẩn.

Các kết quả phân bố thống kê Khi bình phương và khoảng cách Hamming có thể được trực quan hóa tối ưu thông qua các biểu đồ cột so sánh giá trị kiểm định thực tế với ngưỡng giới hạn chuẩn NIST, kết hợp với các bảng phân bố tần suất bit nhị phân để minh chứng độ hỗn loạn đồng đều của dữ liệu mã hóa.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu, 4 giải pháp cụ thể được đề xuất nhằm ứng dụng và hoàn thiện mô hình:

  1. Tích hợp module mã hóa kép vào hệ thống quản lý văn bản điều hành nội bộ của các cơ quan ban ngành, hướng tới mục tiêu ngăn chặn 100% rủi ro lộ lọt tài liệu nhạy cảm trong lộ trình 12 tháng tới (Chủ thể thực hiện: Cục Công nghệ thông tin và Trung tâm an toàn thông tin các Bộ, ngành).

  2. Nâng cấp độ dài khóa của bộ sinh số ngẫu nhiên BBS từ chuẩn 128 bit lên 256 bit và 512 bit nhằm tăng cường độ bền vững trước các hệ thống siêu máy tính giải mã, hoàn thành trong vòng 6 tháng (Chủ thể thực hiện: Đội ngũ kỹ sư an toàn thông tin tại các doanh nghiệp công nghệ).

  3. Mở rộng cơ sở dữ liệu từ điển tiếng Việt chuyên ngành lên quy mô hơn 100.000 từ vựng và thuật ngữ chuyên sâu, nâng độ chính xác phân đoạn câu đạt trên 98,5% trước quý 4 năm tới (Chủ thể thực hiện: Các nhóm nghiên cứu xử lý ngôn ngữ tự nhiên tại các trường đại học và viện nghiên cứu).

  4. Tối ưu hóa thuật toán nhân modulo cyclic bằng cách viết lại các hàm xử lý cốt lõi trên nền tảng vi mạch nhúng hoặc phần cứng chuyên dụng, rút ngắn thời gian mã hóa tài liệu xuống dưới 1,5 mili-giây cho mỗi tệp tin trong giai đoạn 18 tháng (Chủ thể thực hiện: Các phòng thí nghiệm trọng điểm về an toàn mật mã và phần cứng).

Đối tượng nên tham khảo luận văn

Nội dung luận văn mang lại giá trị học thuật và thực tiễn phong phú cho 4 nhóm đối tượng chính:

  • Kỹ sư phát triển phần mềm và an toàn thông tin: Nắm bắt phương pháp kết hợp bộ sinh số giả ngẫu nhiên BBS với nhóm cyclic để xây dựng các kênh truyền tin mật nội bộ cho doanh nghiệp và tổ chức tài chính.

  • Nhà nghiên cứu và sinh viên chuyên ngành Xử lý ngôn ngữ tự nhiên: Sử dụng phương pháp luận về cực đại Entropy, kỹ thuật phân đoạn từ và ma trận tần suất từ để phát triển các công cụ phân tích văn bản tiếng Việt tự động.

  • Cán bộ quản trị hệ thống và cơ yếu tại các cơ quan nhà nước: Tham khảo mô hình kiến trúc bảo mật kép nhằm đối chiếu, nâng cấp hệ thống bảo vệ văn bản hành chính theo định hướng Thông tư 01/2011/TT-BTTTT.

  • Học viên cao học ngành Hệ thống thông tin và Khoa học máy tính: Sử dụng luận văn làm tài liệu nghiên cứu mẫu mực về cách kết hợp lý thuyết đại số trừu tượng với các bài toán ứng dụng thực tế trong công nghệ thông tin.

Câu hỏi thường gặp

Tại sao hệ mật kép lại có độ an toàn vượt trội so với mã hóa đơn tầng?
Hệ mật kép kết hợp lớp mã hóa ngôn ngữ qua luật từ điển với lớp mã hóa toán học trên nhóm cyclic. Lớp thứ nhất xóa bỏ hoàn toàn quy luật tần suất chữ cái của tiếng Việt, trong khi lớp thứ hai áp dụng phép nhân modulo p với khóa ngẫu nhiên BBS. Sự kết hợp này vô hiệu hóa các phương pháp thám mã thống kê và tấn công vét cạn.

Thuật toán BBS có vai trò then chốt như thế nào trong kiến trúc hệ thống?
BBS đóng vai trò là bộ sinh số giả ngẫu nhiên an toàn mật mã, tạo ra dòng khóa z cho từng phần tử văn bản. Dãy bit sinh ra từ BBS đã vượt qua 15 bài kiểm tra nghiêm ngặt của NIST, bảo đảm tính ngẫu nhiên tuyệt đối và ngăn chặn việc đoán trước khóa tiếp theo ngay cả khi biết một phần chuỗi bit trước đó.

Độ chính xác 97% trong phân đoạn từ tiếng Việt ảnh hưởng thế nào đến giải mã?
Độ chính xác 97% giúp đại đa số các từ trong văn bản được ánh xạ chính xác vào luật từ điển. Trong trường hợp gặp từ mới hoặc cấu trúc câu đặc biệt, hệ thống xử lý bằng cách phân rã thành các từ đơn cơ sở, bảo đảm quá trình khôi phục bản rõ sau giải mã luôn đạt tính toàn vẹn 100%.

Hệ thống thực nghiệm đòi hỏi cấu hình phần cứng như thế nào để vận hành?
Mô hình thực nghiệm vận hành tối ưu trên cấu hình phần cứng phổ thông gồm vi xử lý Intel Core i5 tốc độ 2,0 GHz, bộ nhớ trong 4 GB và hệ điều hành Microsoft Windows. Điều này chứng minh giải pháp có chi phí triển khai rất thấp, dễ dàng tích hợp vào máy chủ của các tổ chức hiện nay.

Quy trình giải mã bản tin kép diễn ra qua các bước cụ thể nào?
Quá trình giải mã được thực hiện qua hai bước tuần tự: đầu tiên, người nhận sử dụng khóa giải mã ngược trong nhóm cyclic để triệt tiêu lớp khóa ngẫu nhiên BBS và thu về chuỗi số từ điển; sau đó, hệ thống tra cứu bảng luật từ điển ngược để khôi phục chính xác từng từ của văn bản tiếng Việt ban đầu.

Kết luận

  • Luận văn đã giải quyết triệt để bài toán bảo mật văn bản tiếng Việt bằng cách tích hợp sáng tạo công nghệ xử lý ngôn ngữ tự nhiên với lý thuyết mật mã hiện đại.
  • Xây dựng thành công hệ mật kép an toàn dựa trên luật từ điển tiếng Việt và phép nhân trên nhóm cyclic modulo p với độ phức tạp cao.
  • Triển khai thuật toán sinh số giả ngẫu nhiên BBS đạt chuẩn quốc tế, vượt qua các bài kiểm định Khi bình phương với mức ý nghĩa 0,01 trên chuỗi dữ liệu 194.304 bit.
  • Đạt tốc độ xử lý thực nghiệm ấn tượng với 1.000 khóa được sinh trong vòng 2,5 giây trên phần cứng văn phòng tiêu chuẩn.
  • Đóng góp giải pháp công nghệ có khả năng ngăn ngừa nguy cơ rò rỉ dữ liệu trong các văn bản điều hành nhà nước và giao dịch điện tử.

Công trình là nguồn tài liệu quý báu cho các kỹ sư và nhà nghiên cứu công nghệ thông tin. Các cơ quan và doanh nghiệp quan tâm đến giải pháp bảo mật văn bản nội bộ có thể áp dụng ngay mô hình này để nâng cao năng lực phòng thủ không gian mạng trong thời đại số.