NGHIÊN CỨU XÂY DỰNG GIẢI PHÁP ĐẢM BẢO AN TOÀN THÔNG TIN CHO QUÁ TRÌNH HỌC LIÊN KẾT DỰA TRÊN MẬT MÃ
Khoa học Máy tính
Luận án này tập trung vào việc nghiên cứu và xây dựng giải pháp đảm bảo an toàn thông tin cho quá trình học liên kết dựa trên mật mã, nhằm giải quyết các thách thức về quyền riêng tư trong học sâu. Mặc dù học sâu là công cụ mạnh mẽ, việc phụ thuộc vào dữ liệu lớn đặt ra lo ngại về quyền riêng tư. Học cộng tác phân tán (federated learning) là một giải pháp cho phép huấn luyện mô hình mà vẫn giữ dữ liệu an toàn trên thiết bị cá nhân, nhưng vẫn đối mặt với rò rỉ dữ liệu gián tiếp và hạn chế trong việc xử lý số thực. Các kỹ thuật mã hóa hiện tại gặp phải vấn đề thông đồng do chia sẻ khóa và khó khăn về độ chính xác khi xử lý số thực, cũng như sự phức tạp về mặt tính toán.
Mục tiêu chính của luận án là phát triển các giao thức học cộng tác phân tán hiệu quả và an toàn dựa trên các giao thức tính toán bảo mật nhiều thành viên (SMC). Cụ thể, luận án đã phát triển các giao thức SMC hiệu quả cho tính tổng các vector số thực trong môi trường bán tin cậy, có khả năng chống lại sự thông đồng giữa các bên tham gia. Đồng thời, luận án đề xuất các giao thức huấn luyện mạng học sâu phân tán mới, đảm bảo tính chính xác, hiệu quả và an toàn thông qua việc kết hợp cơ chế học cộng tác phân tán với các giao thức SMC được đề xuất.
Các đóng góp chính bao gồm việc đề xuất ba giao thức SMC để tính tổng các vector số thực trong trường hợp bán tin cậy, đảm bảo an toàn ngay cả khi tối đa n-2 trong số n bên tham gia thông đồng. Các giao thức này sử dụng kỹ thuật lượng tử hóa, ma trận mặt nạ và ma trận mặt nạ có xác thực. Luận án cũng đã phát triển các giao thức học cộng tác phân tán đảm bảo an toàn và hiệu quả, áp dụng các giao thức SMC đã đề xuất trong cả hai trường hợp mạng tập trung có máy chủ bán tin cậy và mạng phi tập trung. Các kết quả phân tích và thực nghiệm trên các bộ dữ liệu như MNIST, SMS Spam, và CSIC2010 với các kiến trúc mạng học sâu khác nhau (CNN, LSTM, CLCNN) đã chứng minh tính khả thi, độ chính xác cao và hiệu quả của các giải pháp được đề xuất, góp phần đưa lĩnh vực đảm bảo tính riêng tư cho học sâu gần hơn với ứng dụng thực tế.