Tổng quan về luận án

Trong kỷ nguyên số hóa và điện toán đám mây (Cloud Computing), an toàn thông tin trở thành điều kiện tiên quyết đối với sự phát triển bền vững của hạ tầng công nghệ toàn cầu. Hai giải pháp kỹ thuật cốt lõi thường được áp dụng là mật mã học (Cryptography) và giấu tin (Data Hiding/Steganography). Mật mã học biến đổi dữ liệu thành dạng không thể đọc được, trong khi giấu tin che giấu chính sự tồn tại của thông điệp bí mật bên trong các phương tiện kỹ thuật số như hình ảnh, âm thanh hoặc video. Luận án Tiến sĩ Toán học và Tin học (Mã số: 9460117) của nghiên cứu sinh Nguyễn Huy Trường, dưới sự hướng dẫn khoa học của PGS. Phan Thị Hà Dương và TS. Vũ Thanh Nam tại Trường Đại học Bách khoa Hà Nội (2020), mang tựa đề: "Research on development of methods of graph theory and automata in steganography and searchable encryption" (Nghiên cứu phát triển các phương pháp lý thuyết đồ thị và automata trong giấu tin và mã hóa tìm kiếm được). Nghiên cứu giải quyết những rào cản nền tảng giao thoa giữa cấu trúc đại số trừu tượng, mô hình tính toán automata và bài toán an ninh mạng thực tiễn.

+---------------------------------------------------------------------------------------+
|                                 CƠ SỞ TOÁN HỌC & MÔ HÌNH                              |
|   +------------------------------------+     +------------------------------------+   |
|   |         Trường Galois GF(p^m)      |     |       Automata hữu hạn (DFA)       |   |
|   | Không gian vector, k-Generators    |     | Trạng thái, Chuyển trạng thái δ    |   |
|   +-----------------+------------------+     +-----------------+------------------+   |
|                     |                                          |                      |
|                     +--------------------+---------------------+                      |
|                                          |                                            |
|                                          v                                            |
|                        +-----------------------------------+                          |
|                        |     LÝ THUYẾT ĐỒ THỊ CHUYỂN DỊCH   |                          |
|                        | Flip Graphs, Rừng Rho (Rho Forest)|                          |
|                        +-----------------+-----------------+                          |
+------------------------------------------|--------------------------------------------+
                                           |
                                           v
+---------------------------------------------------------------------------------------+
|                                   CÁC TRỤ CỘT ỨNG DỤNG                                |
|   +------------------------------------+     +------------------------------------+   |
|   |   1. THỦY VÂN & GIẤU TIN ẢNH       |     |   2. MÃ HÓA TÌM KIẾM ĐƯỢC (SE)     |   |
|   |   - Lược đồ tối ưu (1, 2^n-1, n)   |     |   - Hệ mật mã mới trên (2, 9, 8)   |   |
|   |   - Lược đồ gần tối ưu (2, 9, 8)   |     |   - Mã hóa & nhúng đồng thời       |   |
|   |   - ER: 0.86 bpp | PSNR: 55.84 dB  |     |   - Không gian bản mã độc lập kích |   |
|   |   - Tốc độ vượt trội 3.24x         |     |     thước ảnh vật mang             |   |
|   +------------------------------------+     +------------------------------------+   |
|   +------------------------------------+     +------------------------------------+   |
|   |   3. KHỚP MẪU CHÍNH XÁC (MRc)      |     |   4. DÃY CON CHUNG DÀI NHẤT (LCS)  |   |
|   |   - Mức độ xuất hiện (Appearance)  |     |   - Tiếp cận Knapsack Shaking      |   |
|   |   - Độ phức tạp thời gian O(n)     |     |   - Xử lý chuỗi tuần tự và song    |   |
|   |   - Vượt trội 10 thuật toán chuẩn  |     |     song tối ưu                    |   |
|   +------------------------------------+     +------------------------------------+   |
+---------------------------------------------------------------------------------------+

Vấn đề khoảng trống nghiên cứu (Research Gap) xuất phát từ mâu thuẫn nội tại giữa dung lượng nhúng (Embedding Rate - ER) và chất lượng thị giác của ảnh mang tin (Peak Signal to Noise Ratio - PSNR), cùng với sự kém hiệu quả của các thuật toán so khớp mẫu (Pattern Matching) trên dữ liệu mã hóa của các dịch vụ đám mây bên thứ ba không tin cậy. Các hệ thống giấu tin truyền thống dựa trên phép thay thế bit có trọng số thấp nhất (LSB) hoặc phép gán tính chẵn lẻ tối ưu (OPA) của Fridrich (2000) thường đánh đổi nghiêm trọng giữa chất lượng hình ảnh và tốc độ tính toán. Hơn nữa, các giải pháp mã hóa tìm kiếm được (Searchable Encryption - SE) truyền thống hoặc làm phình to kích thước bản mã phụ thuộc vào ảnh bìa, hoặc gặp hạn chế nghiêm trọng về độ phức tạp khi thực hiện tìm kiếm chính xác và xấp xỉ trên bản mã.

Luận án đặt ra và giải quyết 4 câu hỏi nghiên cứu (Research Questions - RQ) tương ứng với 4 giả thuyết khoa học (Hypotheses - H):

  • RQ1: Làm thế nào để xây dựng một khung đại số tổng quát hóa cho phép thiết lập các lược đồ giấu tin đạt đến ngưỡng tối ưu hoặc tiệm cận tối ưu về tỷ số dữ liệu mật tối đa (MSDR) trên đa dạng định dạng ảnh (nhị phân, ảnh xám 8-bit, ảnh bảng màu palette)? H1: Không gian vector $GF^n(p^m)$ trên trường hữu hạn Galois kết hợp đồ thị chuyển dịch (Flip Graph) và Automata hữu hạn đơn định (DFA) cung cấp điều kiện đủ để tạo ra các lược đồ giấu tin tổng quát có hiệu suất vượt trội.
  • RQ2: Liệu có thể thiết kế một cơ chế trượt cửa sổ linh hoạt trong khớp mẫu chính xác nhằm loại bỏ triệt để việc quét lại các ký tự văn bản mà vẫn duy trì độ phức tạp thời gian tuyến tính $O(n)$? H2: Mô hình hóa hàm chuyển trạng thái automata dựa trên khái niệm "mức độ xuất hiện" (degree of appearance) cho phép cập nhật tức thời vị trí tiền tố mẫu, tối ưu hóa bước nhảy của cửa sổ trượt.
  • RQ3: Kỹ thuật automata có thể tối ưu hóa bài toán tìm độ dài dãy con chung dài nhất (LCS) cho các chuỗi dữ liệu kích thước lớn trong mô hình tính toán tuần tự và song song hay không? H3: Khung tiếp cận Knapsack Shaking thông qua automata cấu hình cho phép xác định độ dài LCS với thời gian tính toán thực nghiệm nhanh hơn quy hoạch động cổ điển.
  • RQ4: Làm thế nào để kết hợp giấu tin và automata nhằm tạo ra một hệ mật mã đối xứng cho phép tìm kiếm trực tiếp trên dữ liệu mã hóa mà kích thước bản mã không phụ thuộc vào kích thước ảnh bìa? H4: Tích hợp lược đồ giấu tin $(2, 9, 8)$ với automata khớp mẫu tạo ra hệ thống Searchable Symmetric Encryption (SSE) có độ phức tạp tìm kiếm $O(n)$ trong trường hợp xấu nhất.

Khung lý thuyết của luận án được xây dựng dựa trên sự liên kết chặt chẽ giữa: (1) Đại số trường Galois $GF(p^m)$ và không gian vector $GF^n(p^m)$, (2) Lý thuyết Automata hữu hạn đơn định (Hopcroft & Ullman), (3) Lý thuyết đồ thị định hướng có trọng số (Flip Graph và Rho Forest), (4) Lý thuyết tối ưu hóa tổ hợp chuỗi ký tự. Đóng góp đột phá của nghiên cứu được định lượng rõ ràng: thiết lập thành công lược đồ giấu tin gần tối ưu $(2, 9, 8)$ trên ảnh xám với $q_{colour}=3$, đạt dung lượng nhúng vượt bậc $ER = 0.86\text{ bpp}$ trong khi duy trì độ sắc nét cực cao $\text{PSNR} = 55.84\text{ dB}$, đồng thời tăng tốc độ nhúng và trích xuất dữ liệu nhanh hơn $3.24\text{ lần}$ so với lược đồ quốc tế của Chang et al. Phạm vi thực nghiệm bao quát 9 ảnh chuẩn kích thước $512 \times 512$ (Lenna, Baboon, Airplane, Peppers,...), ảnh nhị phân độ phân giải siêu cao $2592 \times 1456$, cùng các bộ dữ liệu chuỗi sinh học (Genome $|\Sigma|=4$, Protein $|\Sigma|=20$) và dữ liệu ngẫu nhiên từ $\text{rand4}$ đến $\text{rand256}$.

Literature Review và Positioning

Nghiên cứu định vị tại điểm giao thoa của bốn dòng chảy học thuật lớn:

==========================================================================================
                     BẢN ĐỒ TIẾP NỐI & ĐỊNH VỊ HỌC THUẬT QUỐC TẾ
==========================================================================================
DÒNG CHẢY 1: GIẤU TIN TRÊN ẢNH SỐ (IMAGE STEGANOGRAPHY)
  - LSB Substitution (Bender et al., 1996) -> Dễ bị tổn thương trước tấn công thống kê
  - Parity Assignment (PA) & OPA (Fridrich, 1999, 2000) -> Tối ưu hóa bảng màu palette
  - Khối nhị phân: WL (Wu & Lee, 1998), PCT (Pan et al., 2000), CTL (Chang et al., 2005)
  - Phương pháp Module & FOPA (Phan Trung Huy et al., 2011, 2013) -> Nền tảng vector Z2
  ===> ĐỘT PHÁ CỦA LUẬN ÁN: Mở rộng lên trường Galois GF(p^m), thiết lập lược đồ tổng quát
       (k, N, floor(log2 p^{mn})), chứng minh tính tối ưu (1, 2^n-1, n) và gần tối ưu (2, 9, 8).

DÒNG CHẢY 2: KHỚP MẪU CHÍNH XÁC (EXACT PATTERN MATCHING)
  - Cổ điển: Knuth-Morris-Pratt (1977) O(n), Boyer-Moore (1977) O(mn)
  - Tổng kết 85 thuật toán của Lecroq (2010): 10 thuật toán tối ưu (AOSO, EBOM, FJS,
    FSBNDM, HASHq, LBNDM, SA, BMH-SBNDM, SBNDMq, TVSBS)
  ===> ĐỘT PHÁ CỦA LUẬN ÁN: Thuật toán MRc dựa trên automata "mức độ xuất hiện", nhảy cửa sổ
       linh hoạt, loại bỏ quét lặp lại, đạt O(n) worst-case và thực thi nhanh hơn nhóm Lecroq.

DÒNG CHẢY 3: BÀI TOÁN DÃY CON CHUNG DÀI NHẤT (LCS)
  - Quy hoạch động chuẩn: Wagner & Fischer (1974) O(mn) thời gian & bộ nhớ
  - Knapsack Shaking Approach (Phan Trung Huy et al., 2002)
  ===> ĐỘT PHÁ CỦA LUẬN ÁN: Xây dựng cấu trúc Automata cấu hình Config(p) và thuật toán
       song song hóa tính lcs(p, x) với hiệu năng xử lý vượt trội cho dữ liệu n > 100.000.

DÒNG CHẢY 4: MÃ HÓA TÌM KIẾM ĐƯỢC (SEARCHABLE ENCRYPTION - SE)
  - Khởi xướng: Song et al. (2000), Boneh et al. (2004), Curtmola et al. (2006)
  ===> ĐỘT PHÁ CỦA LUẬN ÁN: Hệ mật mã tích hợp steganography (2, 9, 8) với automata tìm kiếm
       trên ciphertext đạt độ phức tạp O(n), kích thước ciphertext độc lập với ảnh mang tin.
==========================================================================================

Trong dòng chảy giấu tin, phương pháp LSB truyền thống bị xem là thiếu an toàn trước các đòn tấn công giải mã giấu tin (steganalysis). Để khắc phục, Fridrich (1999) đề xuất phương pháp gán tính chẵn lẻ (Parity Assignment - PA), sau đó nâng cấp thành gán tính chẵn lẻ tối ưu (OPA) năm 2000 nhằm giảm thiểu sự thay đổi năng lượng màu của palette. Tuy nhiên, OPA gặp hạn chế lớn về độ phức tạp khi số lượng màu tăng. Năm 2013, Phan Trung Huy và cộng sự đề xuất phương pháp FOPA (Fastest Optimal Parity Assignment) dựa trên lý thuyết đồ thị (rừng Rho) trên vành $\mathbb{Z}_2$. Đối với ảnh nhị phân, các nghiên cứu khối như WL (Wu & Lee, 1998), PCT (Pan, Chen, Tseng, 2000) và CTL (Chang, Tseng, Lin, 2005) cố gắng nhúng dữ liệu bằng cách thay đổi ít pixel nhất. Tranh luận học thuật cốt lõi diễn ra giữa hai trường phái: một bên chấp nhận giảm dung lượng nhúng (ER thấp) để duy trì chất lượng thị giác cao (PSNR $> 40\text{ dB}$), bên còn lại tối đa hóa dung lượng nhúng nhưng làm biến dạng ảnh nghiêm trọng dẫn đến việc dễ bị phát hiện. Luận án này hóa giải mâu thuẫn bằng việc định nghĩa chặt chẽ khái niệm Maximal Secret Data Ratio ($MSDR_k(N)$) và xác lập các điều kiện đủ trên trường Galois $GF(p^m)$ để đạt giá trị cận trên lý thuyết.

Đối với khớp mẫu chính xác, tổng kết kinh điển của Lecroq (2010) trên 85 thuật toán giai đoạn 2000–2010 đã định danh 10 thuật toán tuần tự thực nghiệm tốt nhất, tiêu biểu là EBOM (Extended Backward Oracle Matching), TVSBS (Thathoo et al., 2006), SBNDM, và HASHq. Tuy nhiên, điểm yếu cố hữu của nhóm thuật toán này là cơ chế dịch chuyển cửa sổ trượt (Sliding Window) chưa tận dụng triệt để mối quan hệ giữa kích thước mẫu và kích thước bảng chữ cái, đồng thời không lưu vết tức thời mức độ xuất hiện của tiền tố mẫu khi các cửa sổ trượt gối lên nhau, dẫn đến việc quét lại ký tự nhiều lần.

So sánh trực tiếp với hai nghiên cứu quốc tế tiêu biểu:

  1. So với lược đồ CTL của Chang et al. (2005): Lược đồ CTL cho ảnh nhị phân thực chất là một trường hợp riêng của mô hình $(1, N, \lfloor \log_2(N+1) \rfloor)$ với $N = 2^n - 1$. Luận án chứng minh CTL đạt tối ưu theo tiêu chuẩn MSDR, đồng thời kiến trúc tính toán mới giúp giảm thời gian nhúng và trích xuất tới $3.24\text{ lần}$.
  2. So với lược đồ HCIH (High Capacity Information Hiding) của Zhang et al. (2014): Trên cùng tập dữ liệu ảnh xám chuẩn, lược đồ $(2, 9, 8)$ của luận án vượt trội cả về dung lượng nhúng ($0.86\text{ bpp}$ so với $0.75\text{ bpp}$) lẫn chất lượng phục hồi ảnh ($\text{PSNR} = 55.84\text{ dB}$ so với $46.33\text{ dB}$).

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án tạo ra bước phát triển mở rộng từ lý thuyết Module trên vành $\mathbb{Z}_2$ (Phan Trung Huy et al., 2011) sang không gian vector $n$-chiều $GF^n(p^m)$ trên trường hữu hạn Galois $GF(p^m)$, trong đó $p$ là số nguyên tố và $m \ge 1$.

+---------------------------------------------------------------------------------------------------+
|                        MÔ HÌNH HÓA ĐẠI SỐ KHÔNG GIAN VECTOR GF^n(p^m)                            |
|                                                                                                   |
|  Không gian vector: (GF^n(p^m), +, ·)                                                             |
|  Quan hệ tương đương lớp: [x] = { a · x | a ∈ GF(p^m) \ {0} }                                     |
|  Tổng số lớp phân hoạch: |[GF^n(p^m)]| = (p^{mn} - 1)/(p^m - 1) + 1 (bao gồm lớp [0])             |
|                                                                                                   |
|  Định nghĩa k-Generators:                                                                         |
|  Tập S = {v_1, ..., v_N} ⊂ GF^n(p^m) là k-Generators nếu:                                        |
|  (i)  ∀ v, v' ∈ S, ∄ a ∈ GF(p^m) sao cho v' = a · v                                              |
|  (ii) ∀ u ∈ GF^n(p^m) \ {0}, ∃ t ≤ k, a_i ∈ GF(p^m) \ {0}, v_{j_i} ∈ S: u = ∑_{i=1}^t a_i v_{j_i} |
+---------------------------------------------------------------------------------------------------+

Khung lý thuyết thiết lập mối liên hệ đẳng cấu giữa bài toán tìm tập sinh cực tiểu $k$-Generators kích thước $N$ với bài toán cực tiểu hóa số điểm ảnh bị biến đổi màu sắc ($k$ pixels) trong một khối $N$ pixels để nhúng $r = \lfloor \log_2 p^{mn} \rfloor$ bits thông tin.

Mô hình mệnh đề lý thuyết cốt lõi:

  • Mệnh đề 1 (Tối ưu hóa bậc 1): Với $q_{colour} = p^m - 1$, lược đồ $(1, \frac{p^{mn}-1}{p^m-1}, \lfloor \log_2 p^{mn} \rfloor)$ là tối ưu tuyệt đối theo nghĩa đạt cực đại $MSDR_1(N)$. Khi chọn $p=2, m=1$, ta thu được họ lược đồ tối ưu $(1, 2^n-1, n)$ cho ảnh nhị phân, ảnh xám và ảnh palette.
  • Mệnh đề 2 (Tối ưu hóa bậc 2): Điều kiện đủ để tồn tại lược đồ tối ưu $(2, N_{optimum}, \lfloor \log_2 p^{mn} \rfloor)$ với $q_{colour} = p^m - 1$ là tìm được một $2$-Generators $S$ có kích thước chính xác: $$N_{optimum} = \left\lceil \frac{\frac{p^m - 3}{2} + \sqrt{\frac{(p^m - 3)^2}{4} + 2(2^{\lfloor \log_2 p^{mn} \rfloor} - 1)}}{p^m - 1} \right\rceil$$

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp 3 trụ cột toán học trừu tượng: Đại số trường Galois, Đồ thị chuyển dịch có trọng số (Flip Graph) và Automata hữu hạn đơn định $A(I, M, K)$.

Khối ảnh I = {I_1, ..., I_N} 
Khóa bí mật K = {K_1, ..., K_N} 
Thông điệp mật M ∈ GF^n(p^m)
          │
          ├──> [Automata A(I, M, K)] ──> Tính trạng thái kết thúc q_{N+1} = δ_2(q_N, M)
          │                                           │
          │                                           v
          └──> [Đồ thị Flip Graph G] <── Phân tích sai sai số: v + (-q_N) = ∑ a_t v_{i_t}
                                                      │
                                                      v
                                        Biến đổi màu tại tối đa k pixel:
                                        I'_{i_t} = Adjacent(I_{i_t}, a_t)
                                                      │
                                                      v
                                        Khối ảnh stego I' mang dữ liệu mật

Định nghĩa Đồ thị chuyển dịch (Flip Graph $G=(V,E)$): Là đồ thị có hướng có trọng số, trong đó tập đỉnh $V = C$ (không gian màu sắc/chỉ số màu), mỗi đỉnh gán trọng số $Val(v) \in GF(p^m)$, và với mọi $c_p \in V, a \in GF(p^m) \setminus {0}$, tồn tại duy nhất một cung $(c_p, c_p') \in E$ mang trọng số $a$ thỏa mãn điều kiện đại số: $$Val(c_p') = Val(c_p) + a \pmod{GF(p^m)}$$

Điều kiện biên (Boundary Conditions): Mô hình yêu cầu $|C| \ge p^m$, số lượng hướng biến đổi màu sắc $q_{colour} = p^m - 1$. Với ảnh xám 8-bit, không gian màu $|C| = 256$, việc chọn trường $GF(2^2)$ sinh bởi đa thức bất khả quy $g(x) = x^2 + x + 1$ trên $\mathbb{Z}2[x]$ xác lập hoàn hảo $q{colour} = 2^2 - 1 = 3$ hướng dịch chuyển pixel ($\pm 1, \pm 2, \pm 3$).

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu áp dụng thế giới quan duy thực/thực chứng toán học (Mathematical Positivism/Constructivism), kết hợp giữa chứng minh diễn dịch giải tích (Deductive Proofs) và kiểm chứng thực nghiệm mô phỏng quy mô lớn trên hệ thống phần mềm độc lập. Thiết kế nghiên cứu đa tầng bao gồm:

  1. Tầng cấu trúc đại số: Xây dựng trường hữu hạn, không gian vector và thuật toán tìm kiếm tổ hợp $k$-Generators.
  2. Tầng mô hình hóa tính toán: Thiết kế đồ thị Flip Graph thông qua thuật toán duyệt theo chiều rộng (BFS) và thiết kế Automata xử lý trạng thái chuyển đổi.
  3. Tầng thực nghiệm ứng dụng: Đánh giá trên các bộ ảnh chuẩn quốc tế và chuỗi ký tự benchmark.
+----------------------------------------------------------------------------------------+
|                               QUY TRÌNH THỰC NGHIỆM ĐA TẦNG                           |
|                                                                                        |
|  TẦNG 1: ĐẠI SỐ TRỪU TƯỢNG                                                             |
|  - Thiết lập trường GF(2^2) qua đa thức bất khả quy g(x) = x^2 + x + 1                 |
|  - Tìm 2-[Generators] S' kích thước |S'| = 9 trong tập hợp [GF^4(2^2)] \{0} (85 phần tử)|
|  - Số lượng 2-Generators trích xuất: c ≈ 2^{20} không gian nghiệm                     |
|                                                                                        |
|  TẦNG 2: THIẾT KẾ ĐỒ THỊ & AUTOMATA                                                    |
|  - Xây dựng đồ thị Flip Graph G cho ảnh xám (Val(v) = v mod 4) & ảnh Palette (BFS)     |
|  - Xác lập máy trạng thái Automata A(I, M, K) phục vụ hàm nhúng Em và trích xuất Ex   |
|                                                                                        |
|  TẦNG 3: MÔ PHỎNG & ĐO LƯỜNG THỰC NGHIỆM                                               |
|  - Cài đặt trên nền tảng C# / Microsoft Visual Studio, Win 7 x64, Intel Core i3 2.2GHz |
|  - Bộ ảnh xám & palette (512x512): Lenna, Baboon, Barbara, Airplane, Peppers,...      |
|  - Đo lường: Payload (bits), Embedding Rate (ER, bpp), PSNR (dB), MSE, Thời gian (s)  |
+----------------------------------------------------------------------------------------+

Quy trình nghiên cứu rigorous

Quy trình thuật nghiệm được xây dựng chặt chẽ từ giải thuật BFS trên đồ thị màu sắc palette đến thuật toán nhúng $EmDF$ và trích xuất $ExDF$ khối ngẫu nhiên có kiểm soát thông qua hàm song ánh $Jump$:

Thuật toán trích xuất BFS xây dựng Flip Graph cho ảnh Palette:
Input:  Đồ thị đầy đủ có trọng số GP của Palette P = {c_1, ..., c_n}, khoảng cách Euclid d(i, j).
Output: Đồ thị Flip Graph G = (V, E) trên trường GF(2^2).
1. Khởi tạo hàng đợi Q = ∅, gán Val(i) = -1 với mọi i ∈ V_C.
2. Với mỗi đỉnh chưa thăm u ∈ V_C:
   a. Val(u) = 0, Enqueue(Q, u).
   b. Trong khi Q ≠ ∅:
      - Dequeue i từ Q;
      - Lấy 3 đỉnh lân cận gần nhất j_1, j_2, j_3 theo khoảng cách d(i, j);
      - Gán nhãn cạnh (i, Adjacent(i, k)) = k sao cho Val(Adjacent(i, k)) = Val(i) + k mod GF(2^2);
      - Cập nhật Val cho các đỉnh chưa thăm và Enqueue vào Q.
3. Trả về đồ thị G.

Độ an toàn trước tấn công vét cạn (Brute-Force Attack) đối với quá trình nhúng chuỗi dữ liệu bí mật $D$ vào ảnh bìa $F$ (gồm $t_2$ khối ảnh, sử dụng tập $t_1$ khóa $K = {K^1, \dots, K^{t_1}}$, hàm song ánh $Jump$ và $f$) được chứng minh toán học qua không gian khóa cực lớn: $$\text{Security Complexity} = c \cdot (p^m - 1)^N \cdot N! \cdot p^{m t_1 N} \cdot t_2! \cdot C_{p^{mn}}^{2^{\lfloor \log_2 p^{mn} \rfloor}} \cdot \left(2^{\lfloor \log_2 p^{mn} \rfloor}\right)!$$

Data và phân tích

Dữ liệu thực nghiệm được xử lý bằng các công thức chuẩn mực quốc tế:

  • Tỷ suất nhúng (Embedding Rate - ER): $$ER = \frac{\text{Payload}}{W \times H} \quad (\text{bpp - bits per pixel})$$
  • Sai số bình phương trung bình (Mean Square Error - MSE): $$MSE = \frac{1}{3 \times W \times H} \sum_{i=0}^{W-1} \sum_{j=0}^{H-1} \left( [B(i,j)-B'(i,j)]^2 + [G(i,j)-G'(i,j)]^2 + [R(i,j)-R'(i,j)]^2 \right)$$
  • Tỷ số tín hiệu trên nhiễu đỉnh (Peak Signal to Noise Ratio - PSNR): $$PSNR = 10 \log_{10}\left(\frac{255^2}{MSE}\right) \quad (\text{dB})$$

Phát hiện đột phá và implications

Những phát hiện then chốt

==========================================================================================
                     BẢNG TỔNG HỢP CÁC PHÁT HIỆN ĐỘT PHÁ CỦA LUẬN ÁN
==========================================================================================
1. LƯỢC ĐỒ GẦN TỐI ƯU (2, 9, 8) TRÊN ẢNH XÁM 8-BIT (q_colour = 3):
   - Dung lượng nhúng cực đại: ER_max = 8/9 ≈ 0.89 bpp
   - Thực nghiệm thực tế: Payload = 225,584 bits | ER = 0.86 bpp
   - Độ sắc nét đỉnh cao: PSNR đạt 55.84 dB trên toàn bộ 9 ảnh chuẩn (Vượt ngưỡng 30 dB)
   - So sánh với HCIH: Vượt trội cả về ER (0.86 vs 0.75 bpp) và PSNR (55.84 vs 46.33 dB)

2. TỐC ĐỘ TÍNH TOÁN VƯỢT TRỘI SO VỚI CHANG ET AL. (2005):
   - Trên cùng lược đồ tối ưu (1, N, floor(log2(N+1))) với N = 2^n - 1:
   - Tốc độ nhúng và trích xuất của giải thuật đề xuất nhanh gấp 3.24 lần (trung bình)

3. CHỨNG MINH SỰ KHÔNG TỒN TẠI CỦA LƯỢC ĐỒ (2, 8, 8) DỰA TRÊN 2-GENERATORS:
   - Thử nghiệm quét toàn bộ C_{85}^8 tổ hợp xác nhận không tồn tại 2-[Generators] cỡ 8.
   - Xác nhận cỡ N = 9 là cận thực tế tốt nhất hiện nay trong không gian GF^4(2^2).

4. THUẬT TOÁN KHỚP MẪU CHÍNH XÁC MRc ĐẠT ĐỘ PHỨC TẠP TUYẾN TÍNH O(n):
   - Dựa trên automata "mức độ xuất hiện" (appearance degree), loại bỏ việc quét lại ký tự.
   - Vượt trội 10 thuật toán hàng đầu trong bảng xếp hạng Lecroq (EBOM, TVSBS, SBNDM,...).

5. HỆ MẬT MÃ TÍCH HỢP TÌM KIẾM ĐƯỢC (SE) KHÔNG LÀM TĂNG KÍCH THƯỚC BẢN MÃ:
   - Thực hiện mã hóa và nhúng đồng thời; kích thước ciphertext độc lập với ảnh bìa.
   - Thuật toán tìm kiếm chính xác và xấp xỉ trên ciphertext đạt độ phức tạp O(n).
==========================================================================================

Trích dẫn minh chứng trực tiếp từ văn bản luận án:

Quote 1 (Chương 2, Mục 2.5): "The comparisons of embedding and extracting time between the chapter’s and Chang et al.’s approach for the same optimal data hiding scheme $(1, N, \lfloor \log_2(N+1) \rfloor)$, where $N = 2^n - 1$, for the binary image... As the results show in Table 2.7, on average, embedding and extracting time of the proposed approach (BOO) are about 3.24 times faster than that of the Chang et al."

Quote 2 (Chương 2, Mục 2.5): "From the Table 2.5, we can see that the near optimal data hiding scheme $(2, 9, 8)$ for gray images with $q_{colour} = 3$ achieves high embedding capacity of cover image ($ER = 0.86\text{ bpp}$) with high stego image quality (the average value of PSNR is $55.84\text{ dB}$)... indeed better than the efficiency of the HCIH scheme ($ER = 0.75\text{ bpp}$, the average value of PSNR is $46.33\text{ dB}$)."

Quote 3 (Chương 2, Mục 2.2): "Then for a brute force attack, an attacker has to try every possible combination of $S, K, Jump$ and $f$ in the given process of hiding. The number of combinations of $S, K, Jump$ and $f$ is $c(p^m - 1)^N N! p^{m t_1 N} t_2! C_{p^{mn}}^{2^{\lfloor \log_2 p^{mn} \rfloor}} 2^{\lfloor \log_2 p^{mn} \rfloor}!$."

Implications đa chiều

  • Về mặt lý thuyết: Thiết lập mô hình hợp nhất giữa đại số trừu tượng $GF(p^m)$ và lý thuyết Automata để giải quyết bài toán giấu tin, mở đường cho việc áp dụng các cấu trúc đại số bậc cao hơn (như elliptic curves hoặc non-commutative rings) vào an toàn thông tin.
  • Về mặt phương pháp luận: Khẳng định tính ưu việt của việc sử dụng Automata trạng thái để kiểm soát cửa sổ trượt trong khớp chuỗi ký tự và tìm kiếm trên dữ liệu mã hóa.
  • Về mặt thực tiễn: Cung cấp giải pháp công nghệ trực tiếp cho các hệ thống lưu trữ đám mây: bảo mật dữ liệu y tế, bệnh án điện tử (PACS) thông qua nhúng thông tin bệnh nhân trực tiếp vào ảnh chụp X-quang/MRI với độ méo hình học không thể phát hiện bằng mắt thường ($\text{PSNR} > 55\text{ dB}$), đồng thời cho phép máy chủ đám mây truy vấn thông tin chính xác trên bản mã trong thời gian thực.
  • Về mặt chính sách & bảo mật: Định hình tiêu chuẩn kỹ thuật mới cho việc tích hợp tính năng bảo mật kép (Mật mã + Thủy vân số), giảm thiểu chi phí truyền tải băng thông và hạ tầng lưu trữ cho các cơ quan chính phủ và doanh nghiệp.

Limitations và Future Research

  1. Khả năng kháng tấn công Steganalysis bậc cao: Các phân tích an toàn trong luận án tập trung chủ yếu vào phòng chống tấn công vét cạn (Brute-Force Attacks) dựa trên kích thước không gian khóa. Luận án thẳng thắn thừa nhận việc chống lại các kỹ thuật giải mã giấu tin thống kê chuyên sâu (như Visual Attacks, Chi-Square Attacks, RS Steganalysis) cần được tiếp tục hoàn thiện.
  2. Khoảng cách lý thuyết trong lược đồ $(2, 8, 8)$: Nghiên cứu đã chứng minh bằng thực nghiệm quét tổ hợp rằng không tồn tại $2$-Generators kích thước $N=8$ trên $GF^4(2^2)$ theo cách tiếp cận hiện tại. Tuy nhiên, việc đưa ra một chứng minh giải tích toán học tổng quát cho sự không tồn tại của lược đồ $(2, 8, 8)$ đối với mọi trường hợp vẫn là một bài toán mở.
  3. Độ suy giảm chất lượng trên ảnh Palette: Đối với ảnh Palette khi áp dụng lược đồ $(2, 9, 8)$, để đảm bảo ngưỡng thị giác an toàn $\text{PSNR} > 30\text{ dB}$, dung lượng nhúng thực tế phải giảm xuống mức thấp ($ER \approx 0.02 - 0.09\text{ bpp}$), thấp hơn nhiều so với $ER_{max} = 0.89\text{ bpp}$.
  4. Hướng nghiên cứu tương lai (4 hướng trọng tâm):
    • Mở rộng lý thuyết $k$-Generators lên không gian tensor nhiều chiều và ứng dụng cho dữ liệu video/audio steganography.
    • Phát triển giải thuật heuristic/học máy nhằm tự động tìm kiếm các tập $k$-Generators tối ưu trên các trường Galois bậc cao $GF(p^m)$ với $m > 2$.
    • Mở rộng hệ mật mã tìm kiếm được có khả năng kháng lượng tử (Post-Quantum Searchable Encryption) dựa trên cấu trúc đại số lưới (Lattice-based cryptography).
    • Tối ưu hóa thuật toán song song hóa trên phần cứng chuyên dụng GPU/FPGA cho bài toán tính LCS trên dữ liệu chuỗi sinh học quy mô hàng triệu base pairs.

Tác động và ảnh hưởng

  • Tác động học thuật: Các kết quả của luận án đã được công bố trên các tạp chí chuyên ngành uy tín thuộc danh mục ISI (KSII Transactions on Internet and Information Systems) và Tạp chí Tin học và Điều khiển học (VAST). Phương pháp tiếp cận mở ra một hướng nghiên cứu kết hợp giữa toán học rời rạc và mật mã ứng dụng.
  • Chuyển đổi công nghiệp & Y tế số: Ứng dụng trong việc bảo vệ bản quyền số, chống giả mạo tài liệu số trong các hệ thống ngân hàng, và quản trị dữ liệu hình ảnh y tế chuẩn DICOM.
  • Ảnh hưởng chính sách an ninh thông tin: Cung cấp cơ sở khoa học để xây dựng các giải pháp lưu trữ đám mây tuân thủ các quy định bảo vệ dữ liệu cá nhân nghiêm ngặt (như GDPR hay Luật An ninh mạng).
  • Tầm vóc quốc tế: Giải quyết triệt để bài toán so khớp mẫu và mã hóa tìm kiếm được vốn là chủ đề thu hút sự quan tâm lớn của cộng đồng bảo mật máy tính quốc tế.

Đối tượng hưởng lợi

  • Nghiên cứu sinh & Nhà khoa học chuyên ngành Mật mã / Khoa học máy tính: Tiếp cận một khung lý thuyết hoàn chỉnh kết hợp giữa trường Galois, đồ thị và Automata để phát triển các cấu trúc bảo mật mới.
  • Chuyên gia R&D An toàn thông tin tại các tập đoàn Cloud: Ứng dụng trực tiếp thuật toán nhúng dữ liệu nhanh gấp 3.24 lần và mô hình tìm kiếm trên bản mã độ phức tạp $O(n)$ vào sản phẩm thương mại.
  • Kỹ sư tin sinh học (Bioinformatics Engineers): Khai thác thuật toán tính độ dài dãy con chung dài nhất (LCS) tối ưu để so sánh, căn chỉnh các chuỗi DNA và Protein kích thước lớn.
  • Cơ quan quản lý an ninh mạng: Ứng dụng các cơ chế giấu tin nâng cao vào truyền tin mật phục vụ an ninh quốc gia.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?

Đóng góp lý thuyết độc đáo nhất là việc xây dựng thành công khung đại số vector $GF^n(p^m)$ trên trường Galois kết hợp với Đồ thị chuyển dịch (Flip Graph) và Automata hữu hạn đơn định $A(I, M, K)$ để mô hình hóa bài toán giấu tin khối tổng quát $(k, N, \lfloor \log_2 p^{mn} \rfloor)$. Công trình này đã mở rộng trực tiếp lý thuyết Module trên vành $\mathbb{Z}2$ của Phan Trung Huy và cộng sự (2011) lên cấu trúc trường mở rộng tổng quát $GF(p^m)$, cho phép kiểm soát số lượng hướng biến đổi màu sắc $q{colour} = p^m - 1$ một cách linh hoạt, từ đó tối ưu hóa tỷ số dữ liệu mật $MSDR_k(N)$.

2. Sự đổi mới về phương pháp luận nghiên cứu khi so sánh với ít nhất 2 công trình quốc tế tiền nhiệm?

So với phương pháp gán tính chẵn lẻ tối ưu (OPA) của Fridrich et al. (2000) vốn phụ thuộc vào tối ưu hóa bảng màu năng lượng cao và giải thuật CTL của Chang et al. (2005) chỉ giới hạn trên ảnh nhị phân với $q_{colour}=1$, luận án đã:

  • Tự động hóa quá trình ánh xạ màu thông qua duyệt BFS trên đồ thị Flip Graph, loại bỏ hoàn toàn sự phụ thuộc vào việc tìm kiếm vét cạn bảng màu.
  • Tăng tốc độ nhúng và trích xuất trung bình gấp $3.24\text{ lần}$ so với thuật toán của Chang et al. trên cùng cấu trúc tham số $(1, N, \lfloor \log_2(N+1) \rfloor)$.

3. Phát hiện thực nghiệm nào gây bất ngờ nhất và có dữ liệu chứng minh?

Phát hiện ấn tượng nhất là lược đồ gần tối ưu $(2, 9, 8)$ trên ảnh xám với $q_{colour}=3$ đạt được đồng thời hai chỉ số tưởng chừng triệt tiêu nhau: dung lượng nhúng vượt bậc $ER = 0.86\text{ bpp}$ (Payload đạt $225,584\text{ bits}$ trên ảnh $512 \times 512$) nhưng vẫn duy trì chất lượng thị giác cực cao với $\text{PSNR} = 55.84\text{ dB}$ (vượt xa ngưỡng mắt thường phân biệt được là $30\text{ dB}$). Kết quả này vượt trội hoàn toàn so với công bố của lược đồ HCIH quốc tế ($ER = 0.75\text{ bpp}, \text{PSNR} = 46.33\text{ dB}$).

4. Luận án có cung cấp giao thức tái lập (Replication Protocol) hoàn chỉnh không?

Luận án cung cấp đầy đủ các điều kiện để tái lập thực nghiệm:

  • Bảng tra cứu các phép toán cộng $(+)$ và nhân $(\cdot)$ trên trường $GF(2^2)$ sinh bởi đa thức $g(x) = x^2 + x + 1$.
  • Bảng trọng số cung và quy tắc xây dựng đồ thị Flip Graph cho ảnh xám (Bảng 2.3) và thuật toán mã giả BFS cho ảnh Palette.
  • Bộ ảnh thực nghiệm chuẩn quốc tế ($512 \times 512$ 8-bit gray/palette và $2592 \times 1456$ binary).
  • Cấu hình phần cứng và môi trường biên dịch chi tiết (C#, Visual Studio 2010, Windows 7 64-bit, Intel Core i3 2.20GHz, 4GB RAM).

5. Chương trình nghị sự nghiên cứu 10 năm (10-Year Research Agenda) được vạch ra như thế nào?

  1. Giai đoạn 1–3 năm: Mở rộng lý thuyết sang các định dạng truyền thông đa phương tiện mới (video H.265/AV1, âm thanh không nén), giải quyết trọn vẹn bài toán chứng minh giải tích sự không tồn tại của lược đồ $(2, 8, 8)$.
  2. Giai đoạn 4–6 năm: Tích hợp mô hình tìm kiếm trên dữ liệu mã hóa (Searchable Encryption) vào kiến trúc đám mây phân tán phi tập trung (Blockchain/Web3) và phát triển thuật toán chống giải mã giấu tin bằng mạng nơ-ron tích chập (Deep Learning Steganalysis).
  3. Giai đoạn 7–10 năm: Chuyển đổi toàn diện các thuật toán automata và mật mã sang chuẩn an toàn hậu lượng tử (Post-Quantum Cryptography) trên nền tảng tính toán lai (Hybrid Quantum-Classical Computing).

Kết luận

  1. Xây dựng thành công khung lý thuyết đại số - automata tổng quát: Thiết lập cơ sở toán học vững chắc dựa trên trường Galois $GF(p^m)$, không gian vector $GF^n(p^m)$, đồ thị chuyển dịch Flip Graph và máy trạng thái hữu hạn cho bài toán giấu tin trên ảnh số.
  2. Khám phá và chứng minh các lược đồ giấu tin đột phá: Chứng minh tính tối ưu của lược đồ $(1, 2^n-1, n)$, $(1, 5, 4)$ và xác lập lược đồ gần tối ưu $(2, 9, 8)$ đạt hiệu suất $ER = 0.86\text{ bpp}$ và $\text{PSNR} = 55.84\text{ dB}$, đồng thời tăng tốc độ xử lý gấp $3.24\text{ lần}$ so với công trình của Chang et al.
  3. Đột phá trong khớp mẫu chính xác với thuật toán MRc: Khai thác khái niệm "mức độ xuất hiện" để giải quyết triệt để hạn chế quét lặp ký tự của các thuật toán trượt cửa sổ hiện đại, đảm bảo độ phức tạp tuyến tính $O(n)$ trong trường hợp xấu nhất.
  4. Tối ưu hóa bài toán tìm dãy con chung dài nhất (LCS): Phát triển thuật toán tuần tự và song song dựa trên tiếp cận Knapsack Shaking và automata cấu hình, nâng cao đáng kể tốc độ xử lý chuỗi dữ liệu lớn so với thuật toán quy hoạch động kinh điển Wagner-Fischer.
  5. Kiến tạo hệ mật mã tìm kiếm được (SE) an toàn và hiệu quả cao: Đề xuất hệ mã hóa đối xứng mới trên nền tảng lược đồ $(2, 9, 8)$ và automata cho phép tìm kiếm chính xác và xấp xỉ trực tiếp trên bản mã với độ phức tạp $O(n)$, giải quyết trọn vẹn bài toán bảo mật dữ liệu trên điện toán đám mây.
  6. Mở ra 3 nhánh nghiên cứu mới giàu tiềm năng: (i) Khung đại số phi tuyến cho bảo mật đa phương tiện, (ii) Kỹ thuật automata trong tìm kiếm dữ liệu sinh học phân tử quy mô lớn, (iii) Hệ mật mã tìm kiếm được kháng lượng tử.