CHƯƠNG 1: TỔNG QUAN NGHIÊN CỨU 1. Tổng quan về lĩnh vực phân tích và khai phá dữ liệu đảm bảo tính riêng tư 1. Giới thiệu Cùng với tốc độ phát triển bùng nổ của lĩnh vực công nghệ thông tin, lượng dữ liệu từ các hệ thống thông tin và các ứng dụng ngày càng gia tăng và được lưu trữ thành các tập dữ liệu lớn. Khai phá dữ liệu đóng vai trò rất quan trọng trong việc phát hiện ra những tri thức tiềm ẩn, hữu dụng từ các tập dữ liệu lớn nói trên.
Bên cạnh các hướng nghiên cứu cơ bản như cải tiến những kỹ thuật khai phá dữ liệu và phát triển các kỹ thuật mới thì từ những năm 2000, hướng nghiên cứu khai phá dữ liệu đảm bảo tính riêng tư (Privacy-Preserving Data Mining-PPDM) cũng được khá nhiều các nhà nghiên cứu quan tâm (Lindell, Yehuda & Pinkas, Benny, 2000), (Evfimievski, Alexandre, Johannes Gehrke, & Ramakrishnan Srikant, 2003), (Alexandre Evfimievski, Ramakrishnan Srikant, Rakesh Agrawal, & Johannes Gehrke, 2004). Mô hình phân tích dữ liệu truyền thống Mục tiêu chính của hướng nghiên cứu PPDM là giúp cho bên phân tích dữ liệu đạt được kết quả đầu ra trong khi bên sở hữu dữ liệu vẫn giữ bí mật những thông tin mang tính chất riêng tư, nhạy cảm có trong dữ liệu. Hướng nghiên cứu này được mở ra do sự cấp thiết của việc đảm bảo bí mật thông tin cho các cá nhân, tổ chức trong quá trình thực hiện các kỹ thuật phân tích và khai phá dữ liệu, đặc biệt là dữ liệu của những lĩnh vực thường chứa nhiều thông tin riêng tư, nhạy cảm như: tài chính ngân hàng, y tế, quản trị mối quan hệ khách hàng. Các dạng bài toán khai phá dữ liệu đảm bảo tính riêng tư PPDM tồn tại ba dạng bài toán cơ bản như sau: 4 - Dạng thứ nhất là công bố, chia sẻ dữ liệu có đảm bảo tính riêng tư (Privacy- Preserving Data Publishing).
Những nghiên cứu theo hướng này cho phép các tổ chức công bố dữ liệu phục vụ cho mục đích nghiên cứu trong khi vẫn bảo vệ được các thông tin riêng tư trong dữ liệu đó. - Dạng thứ hai là khai phá dữ liệu phân tán có đảm bảo tính riêng tư (Privacy- Preserving Distributed Data Mining). Cụ thể, các tổ chức sở hữu những tập dữ liệu khác nhau, tuy nhiên nếu thực hiện một bài toán khai phá dữ liệu trên những tập dữ liệu này thì thường không đem lại nhiều tri thức và thông tin hữu ích hoặc kết quả đầu ra không thực sự khách quan. Do đó, các tổ chức này mong muốn kết hợp với nhau về mặt dữ liệu trong khi vẫn giữ được bí mật các thông tin riêng tư nhạy cảm trong tập dữ liệu.
Ví dụ: Ba ngân hàng sở hữu ba cơ sở dữ liệu khách hàng khác nhau mong muốn kết hợp ba cơ sở dữ liệu này để xây dựng mô hình phân lớp khách hàng thành ba loại: tốt, trung bình, xấu. Tuy nhiên cả ba ngân hàng không được phép tiết lộ thông tin riêng tư của khách hàng; bản thân các ngân hàng cũng không muốn công khai dữ liệu khách hàng của mình để tránh bị cạnh tranh không lành mạnh. - Dạng thứ ba là khai phá dữ liệu người dùng có đảm bảo tính riêng tư (Privacy- Preserving User Data Mining). Đây là mô hình bao gồm một bên là người mong muốn thực hiện bài toán khai phá dữ liệu (miner) và một bên là những người dùng nắm giữ thông tin cá nhân của mình.
Với mô hình này, yêu cầu được đặt ra là cần phải tạo ra một giao thức để mỗi người dùng không chia sẻ trực tiếp thông tin riêng tư của mình nhưng miner vẫn thực hiện được nhiệm vụ đặt ra. Ví dụ: một ngân hàng mong muốn khảo sát các sở thích, thói quen sử dụng dịch vụ ngân hàng của khách hàng để khuyến nghị thêm cho khách hàng các dịch vụ mới, dự đoán các hành vi của khách hàng trong tương lai hoặc đưa ra các chính sách chăm sóc riêng biệt cho từng đối tượng khách hàng. Các hướng tiếp cận khai phá dữ liệu đảm bảo tính riêng tư Các giải pháp để giải quyết ba dạng bài toán trên thường được tiếp cận theo hai phương pháp cơ bản là: biến đổi ngẫu nhiên (Randomization) và tính toán bảo mật nhiều thành viên (Secure Multiparty Computation-SMC). 5 Privacy-Preserving Data Mining Randomization Secure Multiparty Computation Random Transformation Technique Semi-honest model Randomization Technique Malicious adversary model Hình 2.
Phương pháp tiếp cận cho các bài toán PPDM - Phương pháp biến đổi dữ liệu ngẫu nhiên: cơ sở dữ liệu ban đầu chứa những thông tin riêng tư được biến đổi thành một cơ sở dữ liệu mới nhằm che giấu các thông tin riêng tư nhưng kết quả của quá trình khai phá dữ liệu trên cơ sở dữ liệu ban đầu và cơ sở dữ liệu sau khi đã được biến đổi là tương đồng hoặc độ chính xác không có sự sai lệch đáng kể. Trong phương pháp biến đổi ngẫu nhiên, hai kỹ thuật chính được sử dụng là biến đổi dữ liệu và ngẫu nhiên hóa dữ liệu. Biến đổi dữ liệu là kỹ thuật thay thế mỗi bản ghi trong tập dữ liệu gốc ban đầu bằng một bản ghi có cùng cấu trúc nhưng ẩn đi các giá trị thực (Alexandre Evfimievski, Ramakrishnan Srikant, Rakesh Agrawal, & Johannes Gehrke, 2002) (Jim Dowd, Shouhuai Xu, & Weining Zhang, 2005) (Rakesh Agrawal, Ramakrishnan Srikant, and Dilys Thomas, 2005) (D. Ngẫu nhiên hóa dữ liệu là kỹ thuật thêm các giá trị nhiễu vào tập dữ liệu gốc nhưng vẫn đảm bảo phân bố dữ liệu không thay đổi (Dakshi Agrawal & Charu C.
Các kết quả nghiên cứu điển hình đề xuất giải pháp PPDM theo phương pháp biến đổi ngẫu nhiên là: Agrawal- Srikant (Rakesh Agrawal & Ramakrishnan Srikant, 2000) đã rời rạc hóa các thuộc tính trong dữ liệu căn cứ trên việc chia khoảng và đề xuất giải pháp PPDM cho kỹ thuật phân lớp Bayes. Aggarwal-Agrawal (Dakshi Agrawal & Charu C. Aggarwal, 2001) cũng đã 6 sử dụng phương pháp này đề xuất giải pháp PPDM cho kỹ thuật Expectation Maximization (EM); Evmievski và cộng sự, D.Karthikeswarant và cộng sự đề xuất giải pháp PPDM cho kỹ thuật khai phá luật kết hợp trong (Alexandre Evfimievski, Ramakrishnan Srikant, Rakesh Agrawal, & Johannes Gehrke, 2002), (D. Sultan, 2012); Polat đề xuất giải pháp PPDM cho kỹ thuật lọc cộng tác (Huseyin Polat & Wenliang Du, 2003); T.
Jahan và cộng sự đề xuất giải pháp PPDM cho kỹ thuật SVD (T. Mặc dù phương pháp biến đổi ngẫu nhiên khá hiệu quả nhưng những giải pháp PPDM theo hướng tiếp cận này phải đánh đổi giữa độ chính xác của kết quả bài toán khai phá dữ liệu và tính riêng tư. Nếu yêu cầu tính riêng tư cao hơn của kết quả bài toán khai phá dữ liệu thì độ chính xác sẽ giảm xuống và ngược lại. Cụ thể, Kargupta và cộng sự trong (Hillol Kargupta, Souptik Datta, Qi Wang, & Krishnamoorthy Sivakumar, 2003) công bố năm 2003 đã phân tích tính riêng tư của phương pháp ngẫu nhiên và chỉ ra rằng nhiều trường hợp sử dụng phương pháp này các thông tin riêng tư có thể bị rò rỉ; Supriya Borhade trong nghiên cứu (Supriya, 2015) công bố năm 2015 cũng chỉ ra rằng phương pháp ngẫu nhiên làm ảnh hưởng đến kết quả khai phá dữ liệu nếu như cố gắng che giấu thông tin riêng tư bằng cách thêm các thông tin gây nhiễu vào tập dữ liệu gốc.
- Phương pháp tính toán bảo mật nhiều thành viên (SMC): phương pháp này định nghĩa các hàm tính toán bảo mật cần thiết và xây dựng những hàm dựa trên các kỹ thuật mật mã. Phương pháp tính toán bảo mật nhiều thành viên thường được áp dụng cho các dạng bài toán thứ hai và thứ ba. Dựa vào cơ sở lý thuyết của SMC được phát triển bởi Goldreich (Goldreich, 2004), các giao thức được xây dựng theo một trong hai mô hình: mô hình bán trung thực (Semi-honest model) và mô hình nguy hại (malicious adversary model). Trong mô hình semi-honest, giả sử rằng mỗi thành viên tuân thủ quy tắc của giao thức trong khi thực thi các yêu cầu nhưng trong khi thực hiện giao thức, các thành viên này vẫn cố gắng khai thác các thông tin riêng tư dựa vào nội dung các thông điệp họ nhận được.
Trong mô hình malicious adversary, ngoài việc thực hiện yêu cầu hợp tác, các bên có thể thực hiện các hoạt động tùy ý kể cả việc khai thác các thông tin riêng tư của các bên khác. Do đó, có rất nhiều giải pháp PPDM dựa trên tính toán bảo mật nhiều thành viên (SMC) đã được đề xuất nhưng chủ yếu theo mô hình semi-honest. Có thể liệt kê các kết quả nghiên cứu điển hình PPDM dựa trên SMC như: (Hempel 7 Susanne Wolfradt Uwe & Miles Jeremy N., 2003) (Jaideep Vaidya & Chris Clifton, 2002) (Zhiqiang Yang, Sheng Zhong, & Rebecca N. Kharat, 2012) đề xuất các giải pháp PPDM cho các kỹ thuật phân lớp (Naive Bayes, Cây quyết định…) và Luật kết hợp; (Luis Kruger; Somesh Jha;Patrick McDaniel, 2005) (Ali Inan, Selim V.
Kaya, Ycel Saygin, Erkay Savas, Aya A. Hintoglu, & Albert Levi. Tuy nhiên, trong hầu hết các giải pháp PPDM dựa trên SMC được đề xuất, các tác giả đang dừng lại ở việc đánh giá tính riêng tư và độ chính xác chứ chưa đánh giá hiệu năng tính toán bao gồm: độ phức tạp tính toán, thời gian truyền thông. Vì vậy, các giải pháp PPDM dựa trên SMC đã đề xuất chưa phù hợp khi thực hiện trên các tập dữ liệu lớn (Supriya, 2015) (Ronica Raj, Veena Kulkarni, 2015).
Hai cách tiếp cận trong khai phá dữ liệu đảm bảo tính riêng tư Bảng 1. Các dạng bài toán PPDM và phương pháp tiếp cận Secure Multi-party Randomization Computation Privacy-Preserving Data Publishing Privacy-Preserving Distributed Data Mining Privacy-Preserving User Data Mining 8 Tựu chung lại, các giải pháp PPDM dựa trên biến đổi ngẫu nhiên có hiệu năng tốt nhưng phải đánh đổi giữa độ chính xác và tính riêng tư. Hơn nữa, việc biến đổi dữ liệu gốc cũng không thể đảm bảo tính riêng tư được bảo vệ. Chính vì vậy, các giải pháp PPDM sử dụng biến đổi ngẫu nhiên không thu hút được nhiều sự quan tâm của giới nghiên cứu.
Ngược lại, các giải pháp PPDM dựa trên phương pháp SMC có độ chính xác được đảm bảo và các thông tin riêng tư, nhạy cảm trong dữ liệu của mỗi thành viên có thể được bảo vệ an toàn nhờ các kỹ thuật mật mã. Tuy nhiên, hiệu năng của những giải pháp này thường không cao. Cơ sở kỹ thuật của khai phá và phân tích dữ liệu đảm bảo tính riêng tư 1. Cơ sở về khai phá dữ liệu và học máy Khai phá dữ liệu và học máy bao gồm các kỹ thuật nhằm khai thác, tìm kiếm các thông tin hữu ích và tri thức tiềm ẩn chứa trong những những tập dữ liệu lớn, trong đó các kỹ thuật phân lớp được sử dụng phổ biến nhất.