Luận văn thạc sĩ về ẩn danh hóa dữ liệu trong khoa học máy tính và sự quan tâm đến luật

• Tác giả: Võ Minh Trí
• Người hướng dẫn: TS. Trương Tuấn Anh
• Trường học: Đại học Bách Khoa - ĐHQG TP. HCM
• Chuyên ngành: Khoa Học Máy Tính
• Đề tài: Ẩn Danh Hóa Dữ Liệu Có Quan Tâm Luật Kết Hợp
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2020
• Địa điểm: TP. Hồ Chí Minh

• LỜI CÁM ƠN
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: TỔNG QUAN CHÍNH SÁCH CHIA SẺ DỮ LIỆU VÀ QUYỀN RIÊNG TƯ
• 1.1. Tại sao ta cần phải chia sẻ dữ liệu ?
• 1.2. Mối quan tâm trong chia sẽ dữ liệu
• 1.3. Dữ liệu độc quyền và nhạy cảm
• 1.4. Tính riêng tư là gì ?
• 1.5. Mục tiêu của đề tài
• 1.6. Giới hạn đề tài
• 1.7. Định hướng phương pháp nghiên cứu
• 2. CHƯƠNG 2: CÁC KỸ THUẬT BẢO VỆ THÔNG TIN TRONG KHAI PHÁ DỮ LIỆU
• 2.1. Giới thiệu
• 2.2. Các kỹ thuật bảo vệ thông tin trong khai phá dữ liệu (privacy presrving data mining techniques(PPDM))
• 2.3. Kỹ thuật ẩn danh (Anonymization)
• 2.4. Kỹ thuật ngẫu nhiên (Randomization)
• 2.5. Kỹ thuật nhiễu (Perturbation)
• 2.6. Kỹ thuật ngưng tụ (Condensation)
• 2.7. Ưu điểm và Nhược điểm của các phương pháp PPDM
• 3. CHƯƠNG 3: KHAI PHÁ DỮ LIỆU VÀ LUẬT KẾT HỢP
• 3.1. Tổng quan về khai phá dữ liệu( data mining)
• 3.2. Tại sao cần khai phá dữ liệu?
• 3.3. Lợi ích của việc khai thác dữ liệu là gì?
• 3.4. Các giai đoạn của khai phá dữ liệu
• 3.5. Các phương pháp chính trong khai phá dữ liệu
• 3.6. Khai phá dữ liệu đảm bảo tính riêng tư?
• 3.7. Khai phá luật kết hợp trong cơ sở dữ liệu
• 3.8. Luật kết hợp
• 3.9. Khai phá luật kết hợp
• 3.10. Các phương pháp khai phá luật kết hợp có đảm bảo tính riêng tư
• 3.11. Khai phá luật kết hợp có đảm bảo tính riêng tư với dữ liệu tập trung
• 3.12. Khai phá luật kết hợp có đảm bảo tính riêng tư với dữ liệu phân tán
• 4. CHƯƠNG 4: ĐỀ XUẤT KỸ THUẬT BẢO VỆ TINH RIÊNG TƯ TRONG CHIA SẺ DỮ LIỆU
• 4.1. Các nghiên cứu có liên quan
• 4.2. Mục tiêu nghiên cứu
• 4.3. Quy trình nghiên cứu
• 4.4. Mã giả các hàm thực hiện
• 5. CHƯƠNG 5: THỬ NGHIỆM, ĐÁNH GIÁ
• 5.1. Định dạng dữ liệu ban đầu (file excel)
• 5.2. Upload và Import dữ liệu
• 5.3. Cung cấp các thông số đầu vào
• 5.4. Kết quả sau khi biến khi biến đổi
• 5.5. Về số lượng mẩu tin và số luật kết hợp
• 5.6. Về hệ số K và số lượng field quasi
• 5.7. Về sử dụng bộ nhớ
• 5.8. Công cụ ARX-Data Anonymization Tool
• 5.9. Về sử dụng bộ nhớ
• 5.10. Về hệ số K và số lượng field quasi
• TÀI LIỆU THAM KHẢO

I. Tổng quan về ẩn danh hóa dữ liệu

Ẩn danh hóa dữ liệu là một trong những kỹ thuật quan trọng trong khoa học máy tính và luật, nhằm bảo vệ thông tin cá nhân trong quá trình chia sẻ và khai thác dữ liệu. Việc ẩn danh hóa dữ liệu giúp giảm thiểu rủi ro liên quan đến việc lộ thông tin nhạy cảm, đồng thời vẫn cho phép các tổ chức, cá nhân khai thác dữ liệu phục vụ cho nghiên cứu và phát triển. Trong bối cảnh hiện nay, khi khoa học máy tính ngày càng phát triển, việc bảo mật thông tin trở thành một yêu cầu cấp thiết. Các phương pháp ẩn danh hóa như k-anonymity, l-diversity và t-closeness đã được đề xuất nhằm đảm bảo tính riêng tư cho dữ liệu. Theo một nghiên cứu, việc áp dụng các phương pháp này không chỉ bảo vệ quyền riêng tư mà còn giúp tổ chức quản lý dữ liệu hiệu quả hơn, từ đó nâng cao giá trị của dữ liệu trong nghiên cứu và kinh doanh.

1.1. Khái niệm và tầm quan trọng của ẩn danh hóa dữ liệu

Khái niệm ẩn danh hóa dữ liệu được định nghĩa là quá trình biến đổi dữ liệu sao cho thông tin cá nhân không thể được xác định từ dữ liệu đã được xử lý. Tầm quan trọng của việc này không chỉ nằm ở việc bảo vệ quyền riêng tư của cá nhân mà còn liên quan đến các vấn đề pháp lý trong luật dữ liệu. Các tổ chức cần tuân thủ quy định về bảo vệ thông tin cá nhân, tránh được các rủi ro pháp lý có thể xảy ra khi xử lý dữ liệu nhạy cảm. Việc áp dụng các phương pháp ẩn danh hóa giúp tạo ra một môi trường an toàn cho việc chia sẻ dữ liệu, đồng thời nâng cao sự tin tưởng của người dùng vào các dịch vụ trực tuyến.

II. Các kỹ thuật ẩn danh hóa dữ liệu

Trong nghiên cứu này, nhiều kỹ thuật ẩn danh hóa dữ liệu đã được phân tích và đánh giá. Các kỹ thuật này bao gồm k-anonymity, l-diversity và t-closeness, mỗi phương pháp đều có ưu điểm và hạn chế riêng. K-anonymity là một trong những phương pháp phổ biến nhất, yêu cầu rằng mỗi bản ghi trong tập dữ liệu phải không thể phân biệt với ít nhất k-1 bản ghi khác. L-diversity mở rộng k-anonymity bằng cách đảm bảo rằng các thuộc tính nhạy cảm trong mỗi nhóm k-anonymity có sự đa dạng nhất định, từ đó giảm thiểu khả năng bị suy diễn thông tin. T-closeness là một phương pháp nâng cao hơn, yêu cầu rằng phân phối của các thuộc tính nhạy cảm trong mỗi nhóm k-anonymity phải gần giống với phân phối tổng thể. Việc áp dụng các kỹ thuật này không chỉ giúp bảo vệ thông tin cá nhân mà còn hỗ trợ trong việc quản lý dữ liệu hiệu quả hơn.

2.1. K anonymity và ứng dụng trong bảo vệ quyền riêng tư

K-anonymity là phương pháp ẩn danh hóa dữ liệu cơ bản nhất, cho phép người dùng chia sẻ dữ liệu mà không lo ngại về việc lộ thông tin cá nhân. Phương pháp này yêu cầu rằng mỗi bản ghi trong tập dữ liệu phải không thể phân biệt với ít nhất k-1 bản ghi khác, từ đó tạo ra sự bảo vệ cho thông tin nhạy cảm. Trong thực tế, k-anonymity đã được áp dụng rộng rãi trong nhiều lĩnh vực như y tế, tài chính và nghiên cứu xã hội. Tuy nhiên, một số nghiên cứu đã chỉ ra rằng k-anonymity vẫn có những hạn chế nhất định, chẳng hạn như khả năng bị tấn công suy diễn thông tin. Do đó, việc kết hợp k-anonymity với các phương pháp bảo vệ khác như l-diversity và t-closeness là cần thiết để tăng cường tính bảo mật cho dữ liệu.

III. Luật và quy định về bảo vệ dữ liệu

Luật bảo vệ dữ liệu ngày càng trở nên quan trọng trong bối cảnh công nghệ thông tin phát triển nhanh chóng. Các quy định như GDPR (Quy định chung về bảo vệ dữ liệu) của Liên minh Châu Âu đã đặt ra những yêu cầu nghiêm ngặt về việc xử lý và bảo vệ thông tin cá nhân. Các tổ chức cần phải tuân thủ các quy định này để tránh các hình phạt pháp lý nghiêm trọng. Việc bảo mật thông tin không chỉ là trách nhiệm pháp lý mà còn là nghĩa vụ đạo đức của các tổ chức trong việc bảo vệ quyền lợi của cá nhân. Các quy định này khuyến khích việc áp dụng các phương pháp ẩn danh hóa dữ liệu nhằm bảo vệ quyền riêng tư, đồng thời thúc đẩy sự phát triển bền vững của ngành công nghệ thông tin.

3.1. Tác động của luật bảo vệ dữ liệu đến nghiên cứu và phát triển

Luật bảo vệ dữ liệu có tác động sâu rộng đến các hoạt động nghiên cứu và phát triển trong nhiều lĩnh vực. Các nhà nghiên cứu cần phải xem xét kỹ lưỡng các quy định về bảo vệ thông tin cá nhân khi thực hiện các nghiên cứu liên quan đến dữ liệu nhạy cảm. Việc không tuân thủ các quy định này có thể dẫn đến những hậu quả nghiêm trọng, bao gồm cả việc bị phạt nặng và mất uy tín. Do đó, việc áp dụng các phương pháp ẩn danh hóa dữ liệu là một giải pháp hiệu quả để đảm bảo tính hợp pháp cho các nghiên cứu, đồng thời bảo vệ quyền lợi của các cá nhân liên quan.

Tổng quan nghiên cứu

Trong bối cảnh phát triển mạnh mẽ của công nghệ số và khai phá dữ liệu, việc chia sẻ dữ liệu đã trở thành một nhu cầu thiết yếu nhằm thúc đẩy nghiên cứu và ứng dụng trong nhiều lĩnh vực. Theo ước tính, lượng dữ liệu toàn cầu tăng gấp đôi sau mỗi hai năm, tạo ra thách thức lớn trong việc quản lý và khai thác hiệu quả. Tuy nhiên, dữ liệu cá nhân và nhạy cảm, đặc biệt trong lĩnh vực y tế, luôn tiềm ẩn nguy cơ bị lạm dụng hoặc tiết lộ thông tin riêng tư. Vấn đề đặt ra là làm thế nào để chia sẻ dữ liệu phục vụ khai phá tri thức mà vẫn bảo vệ được quyền riêng tư của cá nhân và tổ chức.

Luận văn tập trung nghiên cứu kỹ thuật ẩn danh hóa dữ liệu y tế khám chữa bệnh tuyến huyện, áp dụng phương pháp k-anonymity kết hợp khai phá luật kết hợp nhằm bảo vệ thông tin nhạy cảm. Mục tiêu cụ thể là xây dựng thuật toán biến đổi dữ liệu thành các nhóm có ít nhất k dòng giống nhau, đồng thời cho phép giữ lại các luật kết hợp quan trọng với ngưỡng hỗ trợ nhất định. Nghiên cứu được thực hiện trên dữ liệu thực tế thu thập từ các cơ sở y tế, với phạm vi thời gian từ đầu năm 2020 đến giữa năm 2020 tại TP. Hồ Chí Minh và các địa phương lân cận.

Ý nghĩa của nghiên cứu thể hiện qua việc cân bằng giữa bảo vệ quyền riêng tư và duy trì tính hữu dụng của dữ liệu trong khai phá, góp phần nâng cao hiệu quả chia sẻ dữ liệu y tế, hỗ trợ các nhà nghiên cứu và chuyên gia y tế trong việc phân tích, dự báo và ra quyết định chính xác hơn. Các chỉ số đánh giá bao gồm thời gian xử lý, mức độ chiếm dụng bộ nhớ, và tỷ lệ giữ lại luật kết hợp sau biến đổi dữ liệu.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết chính: phương pháp ẩn danh k-anonymity và khai phá luật kết hợp (association rule mining).

• K-anonymity là kỹ thuật bảo vệ quyền riêng tư bằng cách biến đổi dữ liệu sao cho mỗi bản ghi không thể phân biệt được với ít nhất k-1 bản ghi khác, thường thông qua tổng quát hóa và triệt tiêu thuộc tính định danh gần đúng (quasi-identifier).
• Khai phá luật kết hợp nhằm tìm ra các mối quan hệ phổ biến giữa các thuộc tính trong cơ sở dữ liệu, được đo bằng độ hỗ trợ (support) và độ tin cậy (confidence). Luật kết hợp giúp phát hiện các mẫu dữ liệu có ý nghĩa trong phân tích và dự báo.

Ba khái niệm chuyên ngành quan trọng được sử dụng gồm: thuộc tính định danh (identification), thuộc tính định danh gần đúng (quasi-identifier), và thuộc tính nhạy cảm (sensitive attribute). Luận văn cũng tham khảo các kỹ thuật bảo vệ thông tin khác như ngẫu nhiên hóa (randomization), nhiễu (perturbation), ngưng tụ (condensation) và mã hóa (cryptography) để so sánh ưu nhược điểm.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là bộ dữ liệu khám chữa bệnh y tế tuyến huyện, được thu thập và chuẩn hóa từ các file Excel với khoảng 657 mẫu tin, bao gồm các trường thông tin cá nhân và chuẩn đoán bệnh. Dữ liệu được làm sạch, loại bỏ dấu tiếng Việt và định dạng lại để phù hợp với hệ quản trị cơ sở dữ liệu MySQL.

Phương pháp phân tích sử dụng thuật toán biến đổi dữ liệu theo k-anonymity kết hợp luật kết hợp, cho phép người dùng nhập các luật cần giữ lại với ngưỡng hỗ trợ tối thiểu. Thuật toán được triển khai trên ứng dụng web sử dụng PHP và MySQL, thuận tiện cho việc nhập liệu và kiểm thử.

Timeline nghiên cứu kéo dài từ tháng 2 đến tháng 6 năm 2020, bao gồm các bước: thu thập và làm sạch dữ liệu, xây dựng thuật toán, triển khai ứng dụng web, kiểm thử và đánh giá hiệu năng dựa trên các chỉ số như thời gian xử lý, chiếm dụng bộ nhớ, và tỷ lệ giữ lại luật kết hợp.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả biến đổi dữ liệu theo k-anonymity có giữ lại luật kết hợp: Với bộ dữ liệu 657 mẫu tin, thuật toán cho phép biến đổi dữ liệu thành các nhóm có ít nhất k=2 dòng giống nhau, đồng thời giữ lại các luật kết hợp với ngưỡng hỗ trợ 20%. Kết quả cho thấy tỷ lệ giữ lại luật kết hợp đạt trên 40%, đảm bảo tính hữu dụng của dữ liệu sau biến đổi.

2. Thời gian xử lý tăng theo số lượng mẫu và số luật kết hợp: Thời gian import dữ liệu từ file Excel vào cơ sở dữ liệu khoảng 25-30 giây cho 657 mẫu tin. Thời gian biến đổi dữ liệu tăng gần gấp đôi khi số mẫu tin tăng gấp đôi, và cũng tăng gấp đôi khi số luật kết hợp tăng thêm một đơn vị. Ví dụ, với 650 mẫu tin và 3 luật kết hợp, thời gian xử lý khoảng 510 giây.

3. Ảnh hưởng của hệ số k và số lượng trường quasi-identifier đến thời gian xử lý: Khi tăng hệ số k từ 2 lên 10, thời gian xử lý giảm đáng kể, ví dụ từ khoảng 111 giây xuống còn 32 giây với 6 trường quasi. Ngược lại, tăng số trường quasi làm tăng nhẹ thời gian xử lý, nhưng không đáng kể.

4. Khả năng chiếm dụng bộ nhớ: Với 10.000 mẫu tin, bộ nhớ chiếm dụng khoảng vài trăm MB, phù hợp với các hệ thống xử lý dữ liệu hiện đại. So sánh với công cụ ARX-Data Anonymization Tool, thuật toán đề xuất có thời gian xử lý lâu hơn nhưng có ưu điểm cho phép giữ lại luật kết hợp theo ngưỡng, điều mà ARX chưa hỗ trợ.

Thảo luận kết quả

Nguyên nhân thời gian xử lý tăng theo số lượng mẫu và luật kết hợp là do thuật toán phải lặp qua từng nhóm k dòng và kiểm tra từng luật để đảm bảo ngưỡng hỗ trợ. Việc giảm thời gian khi tăng hệ số k có thể do số nhóm cần xử lý giảm, dẫn đến giảm số lần lặp.

So sánh với các nghiên cứu trước, điểm mới của luận văn là cho phép người dùng nhập các luật kết hợp cần giữ lại với ngưỡng hỗ trợ, giúp dữ liệu sau biến đổi vẫn giữ được các mẫu quan trọng phục vụ khai phá. Điều này khắc phục hạn chế của các phương pháp k-anonymity truyền thống và công cụ ARX, vốn không hỗ trợ ưu tiên giữ lại luật kết hợp.

Dữ liệu có thể được trình bày qua biểu đồ thời gian xử lý theo số lượng mẫu và luật kết hợp, cũng như bảng so sánh chiếm dụng bộ nhớ giữa thuật toán đề xuất và công cụ ARX, giúp minh họa rõ ràng hiệu quả và ưu điểm của phương pháp.

Đề xuất và khuyến nghị

1. Triển khai rộng rãi ứng dụng web biến đổi dữ liệu: Khuyến nghị các cơ sở y tế, tổ chức nghiên cứu sử dụng ứng dụng web để biến đổi dữ liệu theo k-anonymity có giữ luật kết hợp, nhằm bảo vệ quyền riêng tư khi chia sẻ dữ liệu. Thời gian thực hiện dự kiến trong vòng 3-6 tháng để đào tạo và áp dụng.

2. Tăng cường thu thập và chuẩn hóa dữ liệu: Đề xuất các đơn vị y tế nâng cao chất lượng dữ liệu đầu vào, chuẩn hóa định dạng và loại bỏ dữ liệu dư thừa để tối ưu hiệu quả biến đổi và khai phá dữ liệu. Chủ thể thực hiện là các phòng công nghệ thông tin và quản lý dữ liệu.

3. Phát triển thêm các thuật toán bảo vệ riêng tư nâng cao: Khuyến khích nghiên cứu tiếp tục mở rộng kỹ thuật bảo vệ thông tin cá nhân, kết hợp các mô hình như l-diversity, t-closeness để tăng cường bảo mật mà vẫn giữ được tính hữu dụng của dữ liệu. Thời gian nghiên cứu 1-2 năm, do các viện nghiên cứu và trường đại học thực hiện.

4. Xây dựng chính sách và hướng dẫn chia sẻ dữ liệu an toàn: Các cơ quan quản lý cần ban hành quy định rõ ràng về chia sẻ dữ liệu y tế, yêu cầu áp dụng các kỹ thuật ẩn danh hóa phù hợp, đồng thời bảo vệ quyền lợi người dân và tổ chức. Chủ thể là Bộ Y tế và các cơ quan liên quan, với lộ trình 1 năm để hoàn thiện.

Đối tượng nên tham khảo luận văn

1. Các nhà nghiên cứu và chuyên gia khoa học máy tính: Được cung cấp phương pháp mới trong bảo vệ quyền riêng tư khi khai phá dữ liệu, đặc biệt trong lĩnh vực y tế, giúp phát triển các thuật toán và ứng dụng mới.

2. Cơ sở y tế và tổ chức quản lý dữ liệu y tế: Hướng dẫn thực hiện biến đổi dữ liệu an toàn trước khi chia sẻ, bảo vệ thông tin cá nhân bệnh nhân, đồng thời duy trì tính hữu dụng của dữ liệu phục vụ nghiên cứu và quản lý.

3. Các nhà phát triển phần mềm và ứng dụng web: Tham khảo cách triển khai thuật toán ẩn danh hóa trên nền tảng web, tối ưu hóa hiệu năng và giao diện người dùng, phục vụ nhu cầu thực tế của các tổ chức.

4. Cơ quan quản lý nhà nước và chính sách: Cung cấp cơ sở khoa học để xây dựng các quy định về bảo vệ dữ liệu cá nhân, chia sẻ dữ liệu an toàn, góp phần hoàn thiện khung pháp lý trong kỷ nguyên số.

Câu hỏi thường gặp

1. K-anonymity là gì và tại sao quan trọng trong bảo vệ dữ liệu?
   K-anonymity là kỹ thuật biến đổi dữ liệu sao cho mỗi bản ghi không thể phân biệt với ít nhất k-1 bản ghi khác, giúp ngăn chặn việc định danh cá nhân từ dữ liệu chia sẻ. Ví dụ, với k=3, mỗi nhóm dữ liệu có ít nhất 3 dòng giống nhau, giảm nguy cơ rò rỉ thông tin cá nhân.

2. Luật kết hợp trong khai phá dữ liệu có vai trò gì?
   Luật kết hợp giúp phát hiện các mối quan hệ phổ biến giữa các thuộc tính trong dữ liệu, như khách hàng mua sản phẩm A thường mua sản phẩm B với xác suất cao. Đây là cơ sở để dự báo và ra quyết định kinh doanh hoặc y tế.

3. Thuật toán đề xuất có ưu điểm gì so với các công cụ hiện có?
   Thuật toán cho phép người dùng giữ lại các luật kết hợp quan trọng với ngưỡng hỗ trợ nhất định trong quá trình biến đổi dữ liệu, giúp dữ liệu sau biến đổi vẫn giữ được giá trị phân tích, điều mà các công cụ như ARX chưa hỗ trợ.

4. Thời gian xử lý dữ liệu lớn có đáp ứng được yêu cầu thực tế?
   Với khoảng 650 mẫu tin, thời gian xử lý khoảng 6-8 phút, phù hợp cho các ứng dụng chia sẻ dữ liệu y tế tuyến huyện. Đối với dữ liệu lớn hơn, có thể tối ưu thuật toán hoặc sử dụng phần cứng mạnh hơn để cải thiện hiệu năng.

5. Làm thế nào để đảm bảo dữ liệu sau biến đổi vẫn có ý nghĩa khai phá?
   Bằng cách giữ lại các luật kết hợp với ngưỡng hỗ trợ do người dùng định nghĩa, thuật toán cân bằng giữa bảo vệ quyền riêng tư và duy trì các mẫu dữ liệu quan trọng, giúp kết quả khai phá vẫn có giá trị thực tiễn.

Kết luận

• Đã xây dựng và triển khai thành công thuật toán ẩn danh hóa dữ liệu y tế theo k-anonymity kết hợp giữ lại luật kết hợp với ngưỡng hỗ trợ nhất định.
• Thuật toán được hiện thực trên nền tảng web, thuận tiện cho người dùng và các tổ chức không cần cài đặt phần mềm phức tạp.
• Kết quả thử nghiệm với dữ liệu thực tế cho thấy thuật toán bảo vệ quyền riêng tư hiệu quả, giữ được tính hữu dụng của dữ liệu và có thể xử lý trong thời gian hợp lý.
• So sánh với công cụ ARX cho thấy điểm mới của đề tài là khả năng ưu tiên giữ lại luật kết hợp, nâng cao giá trị khai phá dữ liệu.
• Đề xuất các giải pháp triển khai ứng dụng rộng rãi, phát triển thêm kỹ thuật bảo vệ riêng tư và xây dựng chính sách chia sẻ dữ liệu an toàn trong tương lai.

Hành động tiếp theo: Các tổ chức y tế và nhà nghiên cứu nên áp dụng thuật toán này để bảo vệ dữ liệu cá nhân khi chia sẻ, đồng thời tiếp tục nghiên cứu mở rộng kỹ thuật nhằm nâng cao hiệu quả và bảo mật.