Nghiên cứu ứng dụng các giải pháp khai phá dữ liệu đảm bảo tính riêng tư trong một số bài toán phân tích dữ liệu ngân hàng thương mại việt nam

Tài liệu nghiên cứu Nghiên cứu ứng dụng các giải pháp khai phá dữ liệu đảm bảo tính riêng tư trong một số bài toán phân, tổng hợp lý thuyết và thực hành, cung cấp kiến thức chuyên

• Tác giả: ThS. Vũ Duy Hiến
• Trường học: Ngân Hàng Nhà Nước Việt Nam Học Viện Ngân Hàng
• Chuyên ngành: Khoa Học Dữ Liệu
• Đề tài: Nghiên Cứu Ứng Dụng Các Giải Pháp Khai Phá Dữ Liệu Đảm Bảo Tính Riêng Tư Trong Một Số Bài Toán Phân Tích Dữ Liệu Ngân Hàng Thương Mại Việt Nam
• Loại tài liệu: Đề Tài Nghiên Cứu Khoa Học Cấp Cơ Sở
• Năm xuất bản: 2019
• Địa điểm: Hà Nội

Mục lục chi tiết

• MỞ ĐẦU
• Tính cấp thiết
• Mục tiêu nghiên cứu
• Đối tượng và phạm vi nghiên cứu
• Nội dung nghiên cứu
• Phương pháp nghiên cứu
• Ý nghĩa khoa học và thực tiễn
• Kết cấu đề tài
• 1. CHƯƠNG 1: TỔNG QUAN NGHIÊN CỨU
• 1.1. Tổng quan về lĩnh vực phân tích và khai phá dữ liệu đảm bảo tính riêng tư
• 1.1.1. Giới thiệu
• 1.2. Các dạng bài toán khai phá dữ liệu đảm bảo tính riêng tư
• 1.3. Các hướng tiếp cận khai phá dữ liệu đảm bảo tính riêng tư
• 1.4. Cơ sở kỹ thuật của khai phá và phân tích dữ liệu đảm bảo tính riêng tư
• 2. CHƯƠNG 2: THỰC TRẠNG BẢO VỆ THÔNG TIN RIÊNG TƯ TRONG HOẠT ĐỘNG PHÂN TÍCH DỮ LIỆU NGÂN HÀNG
• 3. CHƯƠNG 3: ỨNG DỤNG GIẢI PHÁP KHAI PHÁ DỮ LIỆU ĐẢM BẢO TÍNH RIÊNG TƯ CHO MỘT SỐ BÀI TOÁN PHÂN TÍCH DỮ LIỆU NGÂN HÀNG
• 3.1. Giải pháp đảm bảo tính riêng tư cho bài toán xếp hạng tín dụng khách hàng của ngân hàng
• 3.2. Giải pháp đảm bảo tính riêng tư của dữ liệu khách hàng trong bài toán xếp hạng tín dụng dựa trên mô hình thẻ điểm
• 3.3. Giải pháp đảm bảo tính riêng tư của dữ liệu khách hàng trong bài toán xếp hạng tín dụng dựa trên mô hình học máy cây quyết định ID3
• 3.4. Giải pháp đảm bảo tính riêng tư của dữ liệu khách hàng trong bài toán dự báo sự quan tâm của khách hàng về dịch vụ ngân hàng sử dụng kỹ thuật Naive Bayes
• 3.5. Phát biểu bài toán
• 3.6. Mô tả các thuộc tính
• 3.7. Giải pháp đề xuất
• 3.8. Chứng minh tính đúng đắn
• 3.9. Phân tích tính riêng tư
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Nghiên Cứu Khai Phá Dữ Liệu Riêng Tư PPDM

Trong kỷ nguyên số, khai phá dữ liệu (Data Mining) đóng vai trò then chốt trong việc khám phá tri thức từ các tập dữ liệu lớn. Tuy nhiên, việc khai thác dữ liệu ngân hàng, vốn chứa đựng nhiều thông tin nhạy cảm, đặt ra thách thức lớn về bảo vệ tính riêng tư. Khai phá dữ liệu đảm bảo tính riêng tư (PPDM) nổi lên như một giải pháp, cho phép phân tích dữ liệu mà không xâm phạm quyền riêng tư của cá nhân. Mục tiêu của PPDM là đảm bảo bên phân tích có được kết quả mong muốn, trong khi dữ liệu nhạy cảm vẫn được bảo vệ. Sự cần thiết của PPDM đến từ việc bảo vệ thông tin cá nhân trong các lĩnh vực như tài chính ngân hàng, y tế và quản trị quan hệ khách hàng. Bài toán đặt ra là làm sao cân bằng giữa lợi ích khai thác dữ liệu và bảo vệ quyền riêng tư cá nhân.

1.1. Các Dạng Bài Toán PPDM Phổ Biến Hiện Nay

PPDM bao gồm nhiều dạng bài toán, trong đó ba dạng chính là: Công bố dữ liệu đảm bảo tính riêng tư, khai phá dữ liệu phân tán đảm bảo tính riêng tư và khai phá dữ liệu người dùng đảm bảo tính riêng tư. Dạng thứ nhất cho phép công bố dữ liệu cho mục đích nghiên cứu mà vẫn bảo vệ thông tin cá nhân. Dạng thứ hai giải quyết vấn đề hợp tác khai thác dữ liệu giữa các tổ chức mà không tiết lộ thông tin nhạy cảm. Dạng thứ ba, khai thác dữ liệu người dùng, cho phép phân tích dữ liệu cá nhân mà không cần người dùng chia sẻ trực tiếp thông tin. Việc lựa chọn dạng bài toán phù hợp phụ thuộc vào yêu cầu cụ thể của từng trường hợp và mục tiêu bảo vệ dữ liệu cá nhân.

1.2. Hướng Tiếp Cận Giải Quyết Bài Toán PPDM

Có hai phương pháp tiếp cận chính để giải quyết bài toán PPDM: biến đổi ngẫu nhiên (Randomization) và tính toán bảo mật nhiều thành viên (SMC). Phương pháp biến đổi ngẫu nhiên thay đổi dữ liệu gốc để che giấu thông tin nhạy cảm, nhưng vẫn đảm bảo kết quả khai thác dữ liệu tương đối chính xác. Phương pháp SMC sử dụng các kỹ thuật mật mã để tính toán trên dữ liệu mà không cần tiết lộ dữ liệu đó. Mỗi phương pháp có ưu điểm và nhược điểm riêng. Biến đổi ngẫu nhiên có hiệu năng tốt hơn nhưng có thể làm giảm độ chính xác. SMC đảm bảo độ chính xác cao hơn nhưng có thể tốn kém hơn về mặt tính toán. Theo Lindell, Yehuda & Pinkas, Benny, 2000, lựa chọn phương pháp phù hợp phụ thuộc vào yêu cầu cụ thể về bảo mật, độ chính xác và hiệu năng.

II. Thách Thức Bảo Vệ Riêng Tư Dữ Liệu Ngân Hàng Việt Nam

Hoạt động phân tích dữ liệu đóng vai trò quan trọng trong việc hỗ trợ kinh doanh và nâng cao năng lực cạnh tranh của các ngân hàng thương mại (NHTM) tại Việt Nam. Các bài toán như phân khúc khách hàng, chấm điểm tín dụng, và phát hiện gian lận đều dựa trên việc phân tích dữ liệu khách hàng. Tuy nhiên, quá trình này thường xuyên phải sử dụng thông tin riêng tư nhạy cảm, như thu nhập cá nhân, tài sản sở hữu. Điều này tạo ra những thách thức lớn về bảo vệ thông tin riêng tư. Khách hàng có thể e ngại cung cấp thông tin, dữ liệu có thể bị đánh cắp hoặc rò rỉ, và các ngân hàng không sẵn sàng chia sẻ dữ liệu cho mục đích nghiên cứu. Các luật lệ về an ninh mạng, công nghệ thông tin, và giao dịch điện tử càng làm tăng thêm yêu cầu về bảo vệ dữ liệu khách hàng.

2.1. Thực Trạng Phân Tích Dữ Liệu và Bảo Vệ Thông Tin

Việc phân tích dữ liệu ngân hàng ở Việt Nam thường xuyên sử dụng thông tin riêng tư nhạy cảm, gây ra nhiều rủi ro tiềm ẩn. Khách hàng lo ngại về việc cung cấp thông tin cá nhân, dữ liệu ngân hàng trở thành mục tiêu của tội phạm mạng. Theo một khảo sát gần đây, chỉ có một số ít ngân hàng sẵn sàng chia sẻ dữ liệu cho mục đích nghiên cứu do lo ngại về bảo mật và cạnh tranh. Việc tuân thủ các quy định pháp luật về bảo vệ thông tin cá nhân cũng là một thách thức lớn đối với các ngân hàng. Điều này đòi hỏi các ngân hàng cần có các giải pháp hiệu quả để bảo vệ thông tin cá nhân của khách hàng.

2.2. Hạn Chế Trong Chia Sẻ Dữ Liệu Phục Vụ Nghiên Cứu

Do tính nhạy cảm của dữ liệu ngân hàng, hầu hết các NHTM không sẵn sàng công bố rộng rãi dữ liệu cho mục đích nghiên cứu và nâng cao chất lượng phân tích dữ liệu. Việc quản lý, khai thác, chia sẻ dữ liệu phải tuân thủ các điều luật An ninh mạng, Công nghệ thông tin, Tổ chức tín dụng, Giao dịch điện tử và các thông tư quy định về đảm bảo an toàn, bảo mật hệ thống công nghệ thông tin trong hoạt động ngân hàng của Ngân hàng Nhà nước. Yếu tố cạnh tranh giữa các NHTM cũng là một nguyên nhân dẫn đến vấn đề này. Chính vì vậy, việc nghiên cứu ứng dụng các giải pháp kỹ thuật tiên tiến để khai thác, phân tích dữ liệu ngân hàng trong khi không sử dụng trực tiếp và không lưu trữ dữ liệu chứa thông tin riêng tư nhạy cảm của khách hàng là rất có ý nghĩa.

III. Giải Pháp PPDM Cho Xếp Hạng Tín Dụng Khách Hàng Credit Scoring

Bài toán xếp hạng tín dụng khách hàng là một trong những ứng dụng quan trọng của phân tích dữ liệu trong ngân hàng. Tuy nhiên, việc xây dựng mô hình xếp hạng tín dụng thường yêu cầu sử dụng thông tin cá nhân nhạy cảm của khách hàng. Do đó, việc áp dụng các giải pháp PPDM là cần thiết để bảo vệ quyền riêng tư. Một giải pháp khả thi là sử dụng mô hình thẻ điểm (scorecard) kết hợp với các kỹ thuật SMC. Mô hình thẻ điểm giúp đơn giản hóa quá trình xếp hạng tín dụng, trong khi SMC đảm bảo rằng thông tin cá nhân không bị tiết lộ trong quá trình tính toán. Việc lựa chọn các chỉ số chấm điểm cũng cần được xem xét kỹ lưỡng để đảm bảo tính chính xác và khách quan của mô hình.

3.1. PPDM Sử Dụng Mô Hình Thẻ Điểm Đảm Bảo Riêng Tư

Giải pháp đảm bảo tính riêng tư của dữ liệu khách hàng trong bài toán xếp hạng tín dụng khách hàng dựa trên mô hình thẻ điểm. Thông tin khách hàng được mã hóa và xử lý thông qua giao thức SMC để tính điểm tín dụng mà không tiết lộ thông tin cá nhân. Giải pháp này giúp ngân hàng tuân thủ các quy định về bảo vệ dữ liệu cá nhân và đồng thời vẫn có thể đánh giá được khả năng trả nợ của khách hàng. Theo nghiên cứu, Vietcombank, Techcombank và BIDV sử dụng các chỉ tiêu chấm điểm khác nhau cho xếp hạng tín dụng cá nhân không kinh doanh. Việc sử dụng các chỉ tiêu này cần được bảo vệ cẩn thận để tránh lộ lọt thông tin.

3.2. Áp Dụng Giải Thuật Cây Quyết Định ID3 Trong PPDM

Giải pháp đảm bảo tính riêng tư của dữ liệu khách hàng trong bài toán xếp hạng tín dụng dựa trên mô hình học máy cây quyết định ID3. Thuật toán ID3 được sử dụng để xây dựng mô hình dự đoán khả năng trả nợ của khách hàng dựa trên các thuộc tính như tuổi, thu nhập, và lịch sử tín dụng. Giải pháp SMC được áp dụng để xây dựng cây quyết định một cách bảo mật, đảm bảo thông tin cá nhân của khách hàng không bị tiết lộ trong quá trình huấn luyện mô hình. Tính đúng đắn và tính riêng tư của giải pháp cần được chứng minh để đảm bảo hiệu quả.

IV. Giải Pháp PPDM Cho Dự Báo Quan Tâm Dịch Vụ Naive Bayes

Dự báo mức độ quan tâm của khách hàng đối với các dịch vụ ngân hàng là một bài toán quan trọng giúp ngân hàng đưa ra các chiến lược marketing hiệu quả. Sử dụng kỹ thuật Naive Bayes là một phương pháp phổ biến để giải quyết bài toán này. Tuy nhiên, việc sử dụng thông tin cá nhân để dự báo có thể vi phạm quyền riêng tư. Giải pháp PPDM dựa trên SMC có thể được áp dụng để dự báo mức độ quan tâm của khách hàng mà không cần tiết lộ thông tin cá nhân. Giao thức SMC đảm bảo rằng các phép tính được thực hiện trên dữ liệu mã hóa, bảo vệ thông tin nhạy cảm của khách hàng. Việc đánh giá tính đúng đắn và tính riêng tư của giải pháp là rất quan trọng.

4.1. Ứng Dụng Kỹ Thuật Naive Bayes Trong PPDM

Giải pháp đảm bảo tính riêng tư của dữ liệu khách hàng trong bài toán dự báo sự quan tâm của khách hàng về dịch vụ ngân hàng sử dụng kỹ thuật Naive Bayes. Bài toán được phát biểu rõ ràng, các thuộc tính được mô tả chi tiết. Giải pháp đề xuất sử dụng kỹ thuật mã hóa và giao thức SMC để tính toán xác suất mà không tiết lộ thông tin cá nhân. Chứng minh tính đúng đắn của giải pháp và phân tích tính riêng tư là cần thiết để đảm bảo hiệu quả.

4.2. Phát Biểu Bài Toán Dự Đoán Nhu Cầu Dịch Vụ Khách Hàng

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. Bài toán 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.

V. Ứng Dụng Thực Tiễn và Kết Quả Nghiên Cứu PPDM Tại NHTM

Nghiên cứu ứng dụng các giải pháp PPDM trong các bài toán phân tích dữ liệu ngân hàng mang lại nhiều lợi ích thiết thực. Các ngân hàng có thể khai thác dữ liệu hiệu quả hơn mà vẫn đảm bảo tuân thủ các quy định về bảo vệ thông tin cá nhân. Việc áp dụng PPDM giúp tăng cường sự tin tưởng của khách hàng đối với ngân hàng. Kết quả nghiên cứu có thể được sử dụng để xây dựng các hệ thống phân tích dữ liệu an toàn và bảo mật, hỗ trợ các quyết định kinh doanh quan trọng. Nghiên cứu này cung cấp một cách tiếp cận mới cho hoạt động phân tích dữ liệu ngân hàng tại các NHTM ở Việt Nam, cụ thể đó là phương pháp khai phá dữ liệu ngân hàng với ràng buộc bảo vệ bí mật các thông tin riêng tư và nhạy cảm có trong dữ liệu.

5.1. Đánh Giá Hiệu Quả Của Giải Pháp PPDM Trong Thực Tế

Các giải pháp được đề xuất trong đề tài nghiên cứu này đáp ứng được khả năng bảo vệ bí mật các dữ liệu chứa thông tin riêng tư nhạy cảm trong khi kết quả phân tích dữ liệu không bị ảnh hưởng. Cần đánh giá hiệu quả của các giải pháp PPDM trong môi trường thực tế, bao gồm độ chính xác, hiệu năng tính toán, và khả năng mở rộng. Việc so sánh kết quả với các phương pháp truyền thống giúp đánh giá được lợi ích của PPDM.

5.2. Triển Vọng Phát Triển Của PPDM Trong Tương Lai

PPDM có tiềm năng phát triển lớn trong tương lai, đặc biệt khi các quy định về bảo vệ dữ liệu cá nhân ngày càng được thắt chặt. Các nghiên cứu tiếp theo cần tập trung vào việc cải thiện hiệu năng của các giải pháp SMC, phát triển các giao thức PPDM mới cho các bài toán phức tạp hơn, và xây dựng các công cụ hỗ trợ triển khai PPDM dễ dàng hơn. Việc hợp tác giữa các nhà nghiên cứu, các ngân hàng, và các cơ quan quản lý là cần thiết để thúc đẩy sự phát triển của PPDM ở Việt Nam.

VI. Kết Luận và Hướng Nghiên Cứu Tiếp Theo Về PPDM

Nghiên cứu này đã trình bày tổng quan về lĩnh vực PPDM, phân tích các thách thức về bảo vệ riêng tư dữ liệu ngân hàng tại Việt Nam, và đề xuất các giải pháp PPDM cho bài toán xếp hạng tín dụng và dự báo quan tâm dịch vụ. Các giải pháp PPDM dựa trên SMC có tiềm năng lớn trong việc bảo vệ quyền riêng tư của khách hàng trong khi vẫn cho phép ngân hàng khai thác dữ liệu hiệu quả. Hướng nghiên cứu tiếp theo cần tập trung vào việc cải thiện hiệu năng của các giải pháp SMC, phát triển các giao thức PPDM mới cho các bài toán phức tạp hơn, và đánh giá hiệu quả của PPDM trong các ứng dụng thực tế.

6.1. Tóm Tắt Các Kết Quả Nghiên Cứu Quan Trọng Về PPDM

Nghiên cứu đã chỉ ra rằng PPDM là một lĩnh vực quan trọng và cần thiết để bảo vệ thông tin cá nhân trong hoạt động phân tích dữ liệu ngân hàng. Các giải pháp PPDM dựa trên SMC có thể được áp dụng để giải quyết các bài toán thực tế, nhưng cần cải thiện hiệu năng và độ phức tạp tính toán.

6.2. Đề Xuất Hướng Nghiên Cứu PPDM Trong Tương Lai

Các hướng nghiên cứu tiếp theo cần tập trung vào việc cải thiện hiệu năng của các giải pháp SMC, phát triển các giao thức PPDM mới cho các bài toán phức tạp hơn, xây dựng các công cụ hỗ trợ triển khai PPDM dễ dàng hơn, và đánh giá hiệu quả của PPDM trong các ứng dụng thực tế. Việc hợp tác giữa các nhà nghiên cứu, các ngân hàng, và các cơ quan quản lý là cần thiết để thúc đẩy sự phát triển của PPDM ở Việt Nam.

Nội dung chính

Nghiên Cứu Ứng Dụng Giải Pháp Khai Phá Dữ Liệu Đảm Bảo Tính Riêng Tư Trong Phân Tích Dữ Liệu Ngân Hàng Thương Mại Việt Nam

---

Tóm tắt nghiên cứu (Research Summary)

• Câu hỏi nghiên cứu chính: Làm thế nào để các Ngân hàng Thương mại (NHTM) tại Việt Nam có thể khai thác, phân tích hiệu quả nguồn dữ liệu nhạy cảm của khách hàng (chấm điểm tín dụng, dự báo tiếp thị sản phẩm) nhằm nâng cao năng lực cạnh tranh và quản trị rủi ro mà vẫn đảm bảo tuyệt đối tính riêng tư, bảo mật thông tin theo đúng các quy định pháp luật hiện hành?
• Phương pháp nghiên cứu (Methodology Snapshot): Đề tài tiếp cận theo hướng Khai phá dữ liệu đảm bảo tính riêng tư (Privacy-Preserving Data Mining - PPDM) dựa trên nền tảng Tính toán bảo mật nhiều thành viên (Secure Multi-Party Computation - SMC). Nghiên cứu tích hợp các kỹ thuật mật mã hiện đại gồm: hệ mã hóa khóa công khai ElGamal, mật mã đường cong Elliptic (ECC), thuật toán Shank’s baby-step giant-step, giao thức tính tích vô hướng bí mật và giao thức tính tổng tần suất bảo mật (PPFM) vào các mô hình học máy: Thẻ điểm tín dụng (Scorecard), Cây quyết định ID3 và Phân lớp Naïve Bayes.
• Phát hiện chính (Key Findings): Nghiên cứu đã đề xuất thành công ba giải pháp kỹ thuật cụ thể tương ứng với các bài toán ngân hàng trọng điểm. Kết quả chứng minh toán học và thực nghiệm khẳng định: các giải pháp này bảo toàn $100%$ độ chính xác phân tích (không có sai số do thêm nhiễu), bảo vệ dữ liệu trước nguy cơ thông đồng lên tới $(n-2)$ đối tác, và tối ưu hóa vượt trội chi phí tính toán so với các hệ mật truyền thống như Paillier.
• Ý nghĩa ứng dụng (Implications): Cung cấp giải pháp công nghệ then chốt giúp ngành ngân hàng phá vỡ "rào cản chia sẻ dữ liệu", thúc đẩy hợp tác liên ngành (Ngân hàng – Viễn thông – Thuế – Bảo hiểm – Fintech) một cách an toàn và tuân thủ chặt chẽ Luật An toàn thông tin mạng, Luật An ninh mạng Việt Nam.

---

Bối cảnh và tầm quan trọng (Context & Significance)

Thực trạng khai thác dữ liệu trong kỷ nguyên số hóa ngân hàng

Trong nền kinh tế thị trường, hệ thống ngân hàng thương mại giữ vai trò là "mạch máu" lưu thông dòng vốn. Bước vào kỷ nguyên số và Trí tuệ nhân tạo (AI/Machine Learning), dữ liệu được xem như "mỏ tài nguyên" chiến lược. Các NHTM Việt Nam (như Vietcombank, BIDV, Techcombank, Vietinbank...) đã và đang đầu tư mạnh mẽ vào các hệ thống Kho dữ liệu doanh nghiệp (EDW), ứng dụng phân tích dữ liệu lớn để giải quyết các bài toán nghiệp vụ cốt lõi: phân khúc khách hàng, chấm điểm tín dụng, quảng bá sản phẩm dịch vụ và phát hiện gian lận tài chính.

                        Yêu cầu dữ liệu nhạy cảm cá nhân
                   (Thu nhập, Dư nợ, Bảo hiểm, Thói quen chi tiêu)

Khoảng trống nghiên cứu và mâu thuẫn thực tiễn

Để thực hiện phân tích, ngân hàng bắt buộc phải thu thập các thông tin mang tính riêng tư cao: thu nhập cá nhân, dư nợ hiện tại, gói bảo hiểm nhân thọ, tài sản sở hữu, cước viễn thông, lịch sử trả nợ. Thực trạng này đặt ra ba thách thức nghiêm trọng:

1. Tâm lý e ngại từ phía khách hàng: Khách hàng ngần ngại hoặc cung cấp thông tin không trung thực, làm sai lệch kết quả mô hình.
2. Rủi ro rò rỉ dữ liệu: Dữ liệu tập trung là mục tiêu hàng đầu của tin tặc. Các sự cố rò rỉ hàng triệu thông tin tài khoản cá nhân trong nước và quốc tế thời gian qua là hồi chuông cảnh báo.
3. Rào cản chia sẻ dữ liệu liên tổ chức: Nhằm tuân thủ quy định pháp luật (Luật Công nghệ thông tin 2006, Luật An toàn thông tin mạng 2015, Luật An ninh mạng 2018, Thông tư 18/NHNN) và bảo vệ bí mật kinh doanh, các ngân hàng tuyệt đối không thể chia sẻ dữ liệu thô cho nhau hoặc cho các đơn vị nghiên cứu.

Tính cấp thiết và giải pháp tiếp cận

Trước đây, các giải pháp PPDM trên thế giới thường dựa trên phương pháp Biến đổi ngẫu nhiên (Randomization/Differential Privacy), vốn luôn phải đánh đổi giữa độ chính xác và tính riêng tư (tính riêng tư càng cao thì kết quả dự báo càng sai lệch). Trong khi đó, các giải pháp tiếp cận theo Tính toán bảo mật nhiều thành viên (SMC) trước đây lại gặp nút thắt về hiệu năng tính toán nặng nề. Do đó, việc nghiên cứu xây dựng các giải pháp PPDM dựa trên SMC cải tiến, vừa bảo vệ hoàn hảo bí mật dữ liệu, vừa bảo toàn $100%$ tính chính xác của thuật toán học máy cho ngành ngân hàng Việt Nam là nhiệm vụ khoa học có tính thời sự và giá trị ứng dụng đột phá.

---

Phương pháp luận và cách tiếp cận nghiên cứu (Methodology & Approach)

Đề tài áp dụng phương pháp luận kết hợp chặt chẽ giữa nghiên cứu lý thuyết mật mã học ứng dụng, mô hình hóa toán học và thực nghiệm giải thuật trên bộ dữ liệu ngân hàng thực tế.

                KIẾN TRÚC GIẢI PHÁP PPDM DỰA TRÊN MẬT MÃ HỌC HIỆN ĐẠI
                

1. Cơ sở kỹ thuật mật mã học

• Mã hóa đồng cấu (Homomorphic Encryption): Sử dụng hệ mật ElGamal trên nhóm cyclic và biến thể trên đường cong Elliptic ($\mathbb{E}(\mathbb{Z}_p)$), cho phép thực hiện các phép toán nhân/cộng trực tiếp trên bản mã mà không cần giải mã dữ liệu thô.
• Thuật toán Shank’s baby-step giant-step: Ứng dụng giải quyết bài toán logarit rời rạc trong không gian nghiệm bị chặn ($x \le n \ll q$), giảm độ phức tạp thời gian từ $O(q)$ xuống $O(\sqrt{n})$, giúp quá trình giải mã các đại lượng thống kê diễn ra gần như tức thì.
• Giao thức tính tích vô hướng bí mật (Secret Dot-Product): Dựa trên lược đồ Goethals và cộng sự, cho phép hai thực thể $X$ và $Y$ tính toán tích vô hướng $S = \sum_{i=1}^k x_i y_i$ mà không để lộ vector đầu vào của mỗi bên.
• Giao thức tính tổng tần suất bảo mật (PPFM - Privacy-Preserving Frequency Mining): Kế thừa và phát triển từ các nghiên cứu của Hao et al. (2014) và Vu et al. (2018), sử dụng cặp khóa công khai trên đường cong Elliptic để gom tổng tần suất từ $n$ người dùng với độ phức tạp truyền thông chỉ $O(n)$, tối ưu vượt bậc so với kỹ thuật chia sẻ bí mật Shamir hay mã hóa Paillier.

2. Thiết kế mô hình học máy bảo toàn tính riêng tư

• Mô hình Thẻ điểm tín dụng (Scorecard): Ngân hàng $B$ giữ bí mật vector trọng số điểm $\vec{s}_i$, các đối tác $P_i$ (Cơ quan thuế, Công ty bảo hiểm, CIC...) giữ thuộc tính của khách hàng dưới dạng vector nhị phân $\vec{vec}_i$. Hai bên tương tác qua giao thức tích vô hướng và tính tổng bí mật để xác định tổng điểm tín dụng cuối cùng.
• Mô hình Cây quyết định ID3: Tính toán giá trị Entropy $H(S)$ và Độ lợi thông tin $IG(S, A)$ tại từng nút phân nhánh thông qua giao thức PPFM. Mọi phép đếm phân bố nhãn lớp và giá trị thuộc tính đều được thực hiện trên bản mã.
• Mô hình Phân lớp Naïve Bayes: Ước lượng phân phối xác suất có điều kiện $P(a_j | L_y)$ từ dữ liệu phân tán hoàn toàn của hàng ngàn khách hàng độc lập mà không một bản ghi cá nhân nào bị tiết lộ.

---

Các phát hiện chính và Đột phá kỹ thuật (Key Findings)

===================================================================================
SO SÁNH CÁC HƯỚNG TIẾP CẬN TRONG KHAI PHÁ DỮ LIỆU ĐẢM BẢO TÍNH RIÊNG TƯ (PPDM)
===================================================================================
Tiêu chí đánh giá       Biến đổi ngẫu nhiên / Nhiễu     SMC truyền thống (Paillier)    Giải pháp đề xuất của Đề tài
-----------------------------------------------------------------------------------
Độ chính xác mô hình    Bị sai lệch (Trade-off)         Chính xác tuyệt đối (100%)     Chính xác tuyệt đối (100%)
Mức độ bảo vệ riêng tư  Thấp (Dễ bị lộ phân phối)       Cao                            Rất cao (Chống thông đồng n-2)
Hiệu năng tính toán     Nhanh                           Rất chậm, chi phí khóa lớn     Tối ưu vượt trội (Nhờ ECC & BSGS)
Bảo vệ công thức tính   Không hỗ trợ                    Một phần                       Bảo vệ 2 chiều hoàn hảo
===================================================================================

1. Giải pháp bảo vệ dữ liệu hai chiều trong Mô hình Thẻ điểm tín dụng

• Đặc điểm: Trong bài toán xếp hạng tín dụng cá nhân (tham chiếu theo tiêu chuẩn Vietcombank, Techcombank, BIDV), ngân hàng phân tách thuộc tính thành các nhóm đặc trưng công khai nhưng giữ bí mật điểm số thành phần và trọng số. Đối tác (hoặc khách hàng) nắm giữ đặc trưng thực tế.
• Đột phá: Công thức tính điểm tổng hợp: $$S = \frac{\sum u_i - \sum v_i}{100} = \sum \frac{\vec{s}_i \cdot \vec{vec}_i}{100}$$ được thực hiện an toàn tuyệt đối. Ngân hàng chỉ nhận duy nhất kết quả điểm số $S$ mà không biết khách hàng đang thuộc nhóm đặc trưng cụ thể nào; ngược lại, phía khách hàng và đối tác hoàn toàn không thể dò đoán được bảng trọng số nội bộ của ngân hàng.

2. Huấn luyện Cây quyết định ID3 phân tán với độ chính xác $100%$

• Khắc phục nhược điểm kinh điển: Các nghiên cứu trước đây (như Agrawal & Srikant 2000, Zhang et al. 2017) đều làm suy giảm độ chính xác của cây quyết định do thêm nhiễu. Giải pháp của đề tài sử dụng giao thức PPFM giúp tính toán chính xác tuyệt đối các đại lượng tần suất: $$H(A_i, \text{current}) = - \sum_{j=1}^{k_i} \left( \frac{#{j|\text{current}}}{#{\text{current}}} \left( \sum_{t=1}^k \frac{#{j|\text{current}}^{L_t}}{#{j|\text{current}}} \log \frac{#{j|\text{current}}^{L_t}}{#{j|\text{current}}} \right) \right)$$
• Độ an toàn: Dựa trên Định lý kết hợp của Goldreich (Composition Theorem), giải pháp đảm bảo an toàn trong mô hình bán trung thực (Semi-honest), có khả năng chống lại sự thông đồng của tối đa $(n-2)$ thành viên cấu kết với bên phân tích.

3. Tối ưu hóa phân lớp Naïve Bayes trong mô hình phân tán hoàn toàn

• Loại bỏ bên thứ ba: Khác với các mô hình của Yi & Zhang (2009) đòi hỏi các mixer bán tin cậy, giải pháp mới cho phép ngân hàng trực tiếp tương tác với tập người dùng phân tán hoàn toàn mà không cần bất kỳ bên trung gian nào, triệt tiêu nguy cơ rò rỉ dữ liệu do bên thứ ba bị tấn công.
• Hiệu năng vượt bậc: Ứng dụng mật mã đường cong Elliptic giúp giảm dung lượng bản mã và chi phí truyền thông xuống nhiều lần so với các hệ mật RSA hay Paillier, sẵn sàng đáp ứng bài toán dự báo sự quan tâm của khách hàng đối với dịch vụ tiền gửi ngân hàng.

---

Đóng góp khoa học và giá trị ứng dụng (Scientific & Practical Contributions)

1. Đóng góp về mặt lý thuyết và học thuật

• Hệ thống hóa toàn diện cơ sở PPDM: Đề tài đã xây dựng một bức tranh toàn cảnh, so sánh chi tiết ưu nhược điểm của các trường phái PPDM (Biến đổi ngẫu nhiên vs Tính toán bảo mật nhiều thành viên SMC) trên thế giới.
• Cải tiến giao thức mật mã trong học máy: Đóng góp phương pháp luận kết hợp linh hoạt giữa hệ mã hóa đồng cấu nhân ElGamal/ECC và thuật toán giải logarit rời rạc BSGS, mở ra hướng đi mới cho việc tối ưu hóa các giải thuật học máy phân tán bảo mật khác (như hồi quy Logistic, Rừng ngẫu nhiên, Mạng nơ-ron).

2. Ý nghĩa thực tiễn đối với hệ thống Ngân hàng Thương mại Việt Nam

• Xây dựng hệ sinh thái chấm điểm tín dụng mở rộng: Cho phép các NHTM liên kết khai thác dữ liệu chéo từ nhiều nguồn (Cơ quan Thuế, BHXH, Công ty Viễn thông, Sàn thương mại điện tử) để làm giàu hồ sơ tín dụng khách hàng mà không vi phạm quy định bảo mật thông tin cá nhân.
• Tuân thủ pháp lý vững chắc: Giúp các tổ chức tín dụng đáp ứng toàn diện các tiêu chuẩn khắt khe của Nghị định 13/2023/NĐ-CP về Bảo vệ dữ liệu cá nhân, Luật An ninh mạng, cũng như các tiêu chuẩn quản trị rủi ro quốc tế (Basel II, Basel III).
• Nâng cao trải nghiệm và niềm tin của khách hàng: Khách hàng hoàn toàn yên tâm khi tham gia các dịch vụ ngân hàng số, chấm điểm hạn mức vay tự động mà không lo ngại thông tin tài chính nhạy cảm bị khai thác trái phép hay rò rỉ ra ngoài.

---

Đối tượng thụ hưởng và Giá trị mang lại (Target Audience & Benefits)

• Các nhà nghiên cứu và Giảng viên (Data Science & Cyber Security): Tài liệu cung cấp tài liệu tham khảo chuyên sâu, cầu nối giữa mật mã học hiện đại và khoa học dữ liệu ứng dụng.
• Lãnh đạo Khối Công nghệ & Khối Quản trị rủi ro tại các NHTM/TCTD: Sở hữu bộ giải pháp kỹ thuật sẵn sàng triển khai, giúp tối ưu hóa danh mục cho vay, giảm thiểu tỷ lệ nợ xấu thông qua việc tích hợp dữ liệu đa nguồn an toàn.
• Các doanh nghiệp Fintech và Big Tech: Ứng dụng mô hình để kết nối API chấm điểm tín dụng thay thế (Alternative Credit Scoring) với hệ thống ngân hàng mà không làm lộ dữ liệu người dùng ứng dụng.
• Cơ quan quản lý (Ngân hàng Nhà nước, Bộ TT&TT): Có thêm căn cứ khoa học vững chắc để xây dựng các khung pháp lý thử nghiệm (Sandbox) và quy chế chia sẻ dữ liệu mở (Open Banking API) tại Việt Nam.

---

Câu hỏi thường gặp (FAQ)

1. Phát hiện mang tính đột phá nhất của nghiên cứu này là gì?

Trả lời: Đột phá lớn nhất là việc giải quyết triệt để sự đánh đổi giữa độ chính xác và tính riêng tư. Nghiên cứu chứng minh rằng bằng cách sử dụng các giao thức SMC dựa trên mật mã đường cong Elliptic, ngân hàng có thể đạt được kết quả phân tích dữ liệu (điểm tín dụng, cây quyết định) chính xác $100%$ như khi có dữ liệu thô, trong khi dữ liệu cá nhân của khách hàng vẫn được bảo vệ tuyệt đối.

2. Phương pháp trong nghiên cứu này có gì vượt trội so với mã hóa Paillier truyền thống?

Trả lời: Hệ mã hóa Paillier có kích thước bản mã lớn và chi phí tính toán lũy thừa rất nặng nề, không khả thi khi số lượng khách hàng lên đến hàng chục ngàn người. Nghiên cứu đã thay thế bằng hệ mã hóa trên đường cong Elliptic (ECC) kết hợp thuật toán Shank’s Baby-step Giant-step, giúp giảm kích thước khóa, giảm băng thông mạng và tăng tốc độ xử lý lên gấp nhiều lần.

3. Kết quả nghiên cứu có thể tổng quát hóa cho các bài toán khác ngoài ngân hàng không?

Trả lời: Hoàn toàn có thể. Khung kiến trúc PPDM và các giao thức tính toán bí mật (tích vô hướng, PPFM) được đề xuất trong đề tài có thể áp dụng trực tiếp cho các lĩnh vực chứa nhiều dữ liệu nhạy cảm khác như: Chẩn đoán bệnh y tế liên bệnh viện, Khảo sát dịch tễ học, Phát hiện gian lận bảo hiểm, và Đánh giá xếp hạng tín nhiệm doanh nghiệp.

4. Giải pháp này có chống lại được sự câu kết gian lận (thông đồng) giữa các bên không?

Trả lời: Có. Phân tích an toàn theo mô hình bán trung thực (Semi-honest model) dựa trên Định lý kết hợp của Goldreich chứng minh rằng mô hình Cây quyết định ID3 và Naïve Bayes đề xuất có khả năng bảo vệ tính riêng tư cho thành viên trung thực ngay cả khi có tới $(n-2)$ đối tác thông đồng cấu kết với bên phân tích.

5. Khả năng ứng dụng thực tế vào hạ tầng ngân hàng hiện nay ra sao?

Trả lời: Các thuật toán được thiết kế độc lập với lớp lưu trữ cơ sở dữ liệu. Ngân hàng có thể triển khai giải pháp này dưới dạng một module bảo mật phần mềm tích hợp vào hệ thống Kho dữ liệu doanh nghiệp (EDW), các ứng dụng Mobile Banking hoặc hệ thống khởi tạo khoản vay (LOS) sẵn có mà không cần thay đổi toàn bộ kiến trúc CNTT.

---

Kết luận (Conclusion)

Đề tài nghiên cứu khoa học mã số DTHV.02/2019 do ThS. Vũ Duy Hiến chủ nhiệm cùng nhóm nghiên cứu Khoa Hệ thống Thông tin Quản lý – Học viện Ngân hàng đã giải quyết xuất sắc bài toán then chốt của ngành ngân hàng trong kỷ nguyên số: Khai thác tối đa giá trị tri thức từ dữ liệu nhưng bảo toàn tuyệt đối tính riêng tư cho khách hàng.

Bằng việc kết hợp sáng tạo giữa lý thuyết mật mã học hiện đại (SMC, ECC, Homomorphic Encryption) với các thuật toán học máy phân lớp phổ biến (Scorecard, ID3, Naïve Bayes), nghiên cứu đã mang lại một khung giải pháp toàn diện, đạt độ chính xác $100%$, an toàn cao và tối ưu về hiệu năng. Đây chính là tiền đề công nghệ vững chắc thúc đẩy xu thế ngân hàng mở (Open Banking), liên kết dữ liệu liên ngành và phát triển kinh tế số bền vững tại Việt Nam.

Trích đoạn nội dung tài liệu

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.