Luận văn Thạc sĩ: Phương pháp ẩn các tập mục có độ hữu ích cao trong cơ sở dữ liệu giao tác lớn

Trong bối cảnh dữ liệu giao tác ngày càng tăng về khối lượng và độ phức tạp, việc khai thác thông tin giá trị để tối ưu hóa lợi nhuận và hỗ trợ ra quyết định kinh doanh trở nên vô cùng quan trọng. Tuy nhiên, các phương pháp khai phá tập phổ biến truyền thống thường bỏ qua yếu tố độ hữu ích (như lợi nhuận hay số lượng) của từng mục. Khai phá tập mục độ hữu ích cao (High Utility Itemset Mining - HUIM) ra đời để khắc phục hạn chế này, mang lại những hiểu biết sâu sắc hơn cho doanh nghiệp. Song, việc chia sẻ và phân tích dữ liệu chứa các tập mục độ hữu ích cao này lại tiềm ẩn rủi ro lộ lọt thông tin nhạy cảm. Do đó, nghiên cứu này tập trung vào bài toán khai phá tập mục độ hữu ích cao được bảo vệ tính riêng tư (Privacy Preserving Utility Itemset Mining - PPUIM) nhằm phát triển một phương pháp ẩn hiệu quả, giảm thiểu các hiệu ứng phụ không mong muốn và bảo toàn tính toàn vẹn của dữ liệu.

Nghiên cứu sinh, sinh viên sau đại học, và các nhà nghiên cứu trong lĩnh vực khai phá dữ liệu, hệ thống thông tin, bảo mật dữ liệu, và khoa học máy tính, đặc biệt quan tâm đến các kỹ thuật bảo vệ tính riêng tư và phân tích dữ liệu tiện ích cao.

Luận văn này giải quyết thách thức cân bằng giữa việc khai thác dữ liệu giá trị và bảo vệ tính riêng tư trong các cơ sở dữ liệu giao tác lớn. Mở đầu bằng việc phân tích hạn chế của khai phá tập phổ biến truyền thống, nghiên cứu giới thiệu Khai phá tập mục độ hữu ích cao (HUIM) như một phương pháp ưu việt hơn để xác định các tập mục mang lại giá trị cao (lợi nhuận, số lượng). Vấn đề cốt lõi đặt ra là làm thế nào để chia sẻ và phân tích dữ liệu HUIM mà không làm lộ các thông tin nhạy cảm, dẫn đến trọng tâm là Khai phá tập mục độ hữu ích cao được bảo vệ tính riêng tư (PPUIM). Luận văn thực hiện rà soát và đánh giá các phương pháp ẩn tập mục độ hữu ích cao nhạy cảm (Sensitive High Utility Itemset - SHUI) hiện có, tập trung vào việc nhận diện ưu điểm, nhược điểm và các hiệu ứng phụ không mong muốn như việc ẩn nhầm thông tin không nhạy cảm hoặc làm sai lệch dữ liệu gốc. Dựa trên phân tích này, một phương pháp cải tiến được đề xuất, tối ưu hóa quá trình lựa chọn các tập mục nhạy cảm và chiến lược sửa đổi dữ liệu nhằm giảm thiểu tối đa các tác động tiêu cực lên dữ liệu không nhạy cảm và duy trì tính toàn vẹn của cơ sở dữ liệu. Kết quả thực nghiệm cho thấy phương pháp đề xuất, được phát triển dựa trên thuật toán EHSHUI, đạt hiệu quả cao hơn về thời gian thực hiện và mức độ sử dụng bộ nhớ, mở ra tiềm năng ứng dụng lớn trong thực tiễn.