HỌC VIỆN KỸ THUẬT MẬT MÃ, HÀ NỘI, NGÀY 03-04/11/2022
"An toàn và bảo mật thông tin trong cuộc Cách mạng Công nghiệp lần thứ IV"
GIỚI THIỆU HỘI NGHỊ FAIR'2022
Hội nghị khoa học quốc gia về "Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin" (Hội nghị FAIR) được tổ chức thường niên dưới sự bảo trợ của Liên hiệp các Hội Khoa học và Kỹ thuật Việt Nam, cũng như của Viện Hàn lâm Khoa học và Công nghệ Việt Nam; qua đó góp phần thúc đẩy nghiên cứu cơ bản và ứng dụng về Công nghệ thông tin tại Việt Nam.
Năm 2022 Hội nghị FAIR phối hợp cùng Học viện Kỹ thuật Mật mã, Ban Cơ yếu Chính phủ và các cơ quan khoa học, các nhà khoa học từ các viện nghiên cứu, các trường đại học để tổ chức Hội nghị với chủ đề chính "An toàn và bảo mật thông tin trong cuộc Cách mạng Công nghiệp lần thứ IV". Hội nghị năm nay được sự bảo trợ chuyên môn của 3 cơ sở đào tạo uy tín trong lĩnh vực công nghệ thông tin – truyền thông là Học viên Công nghệ Bưu chính Viễn thông, Trường ĐH Công nghệ Thông tin & Truyền thông Thái Nguyên, Viện Công nghệ Thông tin – ĐHQGHN.
CHƯƠNG TRÌNH HỘI NGHỊ
Hội nghị diễn ra trong hai ngày 3 và 4 tháng 11 năm 2022
tại Học viện Kỹ thuật Mật mã 141 Chiến Thắng, Tân Triều, Thanh Trì, Hà Nội
DIỄN GIẢ - BÁO CÁO MỜI
NHỮNG CHUYÊN GIA TRONG CÁC LĨNH VỰC
CÔNG NGHỆ BLOCKCHAIN TRƯỚC THÁCH THỨC CỦA MÁY TÍNH LƯỢNG TỬ
PGS. TS Nguyễn Hiếu Minh
Viện Khoa học – Công nghệ mật mã/ Ban Cơ yếu Chính phủ
Blockchain là một loại Công nghệ sổ cái phân tán (DLT) đã được đưa vào ứng dụng trong nhiều lĩnh vực khác nhau do các lợi ích của nó: tính minh bạch, hiệu quả, giảm chi phí và an toàn được thực hiện thông qua mật mã khóa công khai và các hàm băm. Tuy nhiên, sự tiến bộ nhanh chóng của điện toán lượng tử (quantum computer) đã mở ra khả năng thực hiện các cuộc tấn công dựa trên các thuật toán của Grover và Shor trong tương lai gần, do đó, nó đem lại các rủi ro cho chính công nghệ Blockchain. Tiềm năng của các công nghệ lượng tử liên tục phát triển, vào năm 2019, Google tuyên bố về ưu thế lượng tử (quantum supremacy) - nói rằng một thiết bị lượng tử có thể làm tốt hơn một vấn đề không thể giải quyết được bằng máy tính cổ điển trong một khoảng thời gian hợp lý. Nhiều công ty đã tham gia vào các nghiên cứu tính toán lượng tử (ví dụ: IBM, Google, Amazon (AWS), D-Wave, Rigetti, IonQ, Xanadu, …), khiến lĩnh vực này trở nên rất cạnh tranh và có nhiều triển vọng tiến hóa. Với sự mở rộng của các công nghệ lượng tử, chúng ta phải có một cái nhìn khác về blockchain từ một quan điểm hậu lượng tử: chúng ta phải xem xét mức độ an toàn của các nền tảng blockchain hiện tại chống lại các mối đe dọa lượng tử.
Bài báo cáo này sẽ tập trung vào trình bày các vấn đề liên quan đến công nghệ Blockchain; Nguyên thủy mật mã trong Blockchain; Máy tính lượng tử và khả năng phá vỡ các nguyên thủy mật mã; Các thuật toán mật mã kháng lượng tử; Mật mã kháng lượng tử trong Blockchain. Đây đều là các vấn đề mới và phức tạp khi thực hiện nghiên cứu và triển khai. Hy vọng bài báo cáo này sẽ đem tới các thông tin hữu ích về các vấn đề trình bày cho toàn thể người nghe.
Hệ gen người mang thông tin di truyền về nguồn gốc, quá trình phát triển, hình dáng bên ngoài, sức khỏe-bệnh tật, và tính cách của từng cá thể, cũng như của cả một quần thể người. Giải trình tự và phân tích hệ gen người là một lĩnh vực nghiên cứu và ứng dụng liên ngành quan trọng kết hợp giữa công nghệ sinh học, sinh học phân tử, y-dược học, nhân chủng học, và công nghệ thông tin. Trong bài này, chúng tôi giới thiệu một số vấn đề quan trọng trong phân tích hệ gen liên quan đến quá trình tiến hóa của loài người nói chung và của người Việt Nam nói riêng. Chúng tôi cũng giới thiệu các ứng dụng của phân tích hệ gen vào chẩn đoán một số bệnh di truyền có ảnh hưởng lớn đến xã hội như bệnh tự kỉ hay các bệnh ung thư để qua đó đưa ra các khuyến nghị về phòng tránh và chữa bệnh.
VỀ SỰ ẢNH HƯỞNG CỦA CÁC THAM SỐ MỜ HÓA
TRONG THUẬT TOÁN PHÂN CỤM MỜ
PGS.TS. Trần Đình Khang
Trường Đại học Bách khoa Hà Nội
Phân cụm là phương pháp phân chia dữ liệu thành các cụm sao cho dữ liệu trên cùng một cụm có nhiều nét tương đồng, dữ liệu khác cụm có nhiều nét khác biệt. Phân cụm dữ liệu là bước tiền xử lí quan trọng nhằm đưa ra những tri thức ban đầu, giúp mô tả dữ liệu, tìm hiểu mối tương quan giữa các phần tử dữ liệu với nhau.
Phương pháp phân cụm mờ FCM (Fuzzy c-means) được đưa ra bởi J.C.Dunn năm 1973 và phát triển bởi J.C.Bezdek năm 1981 sử dụng một tham số mờ hóa chung cho tất cả các độ thuộc của các phần tử vào mỗi cụm. Trong các nghiên cứu gần đây, chúng tôi phát triển các phương pháp phân cụm mờ với nhiều tham số mờ hóa, là sự mở rộng từ FCM. Bài báo này trình bày về các thuật toán phân cụm mờ, phân cụm mờ bán giám sát với nhiều tham số mờ hóa. Các thuật toán được chứng minh tính hội tụ. Bài báo cũng đưa ra phương pháp xác định các tham số mờ hóa từ đặc trưng của bộ dữ liệu. Phần thực nghiệm minh chứng cho vai trò và sự ảnh hưởng của các tham số mờ hóa trong bài toán phân cụm.
Đỗ Thanh Nghị
Tóm tắt. Chúng tôi đề xuất một lớp giải thuật huấn luyện các mô hình máy học véc-tơ hỗ trợ (Support Vector Machines - SVM) cục bộ xử lý hiệu quả các vấn đề phân lớp hoặc hồi quy trên tập dữ liệu lớn. Giải thuật huấn luyện các mô hình SVMs cục bộ được thực hiện qua 2 bước chính. Ở bước đầu tiên, tập dữ liệu huấn luyện lớn được phân hoạch thành k phân vùng nhỏ hơn và bước tiếp theo thực hiện huấn luyện song song k mô hình SVMs, mỗi mô hình SVM xử lý các vấn đề phân lớp hoặc hồi quy dữ liệu cục bộ cho từng phân vùng. Phân tích lý thuyết và thực nghiệm cho thấy các giải thuật huấn luyện SVMs cục bộ xử lý hiệu quả các vấn đề phân lớp hoặc hồi quy tập dữ liệu lớn, với độ phức tạp về thời gian tính toán thấp nhưng vẫn đạt được độ chính xác tương tự khi so sánh với giải thuật SVM chuẩn (LibSVM, LIBLINEAR). Giải thuật SVMs cục bộ phân lớp tập dữ liệu thách thức ImageNet có 1.261.405 ảnh và 1.000 lớp đạt độ chính xác 75.14%, trong 65 phút huấn luyện trên máy tính PC (Linux, Intel(R) Core i7-4790 CPU, 3.6 GHz, 4 cores, 32 GB RAM). Ý tưởng huấn luyện SVMs cục bộ có thể được mở rộng để phát triển các giải thuật huấn luyện cho điện toán biên (edge computing), học liên kết (federated learning), các thuật toán máy học cục bộ tương tự.
Từ khóa: Máy học véc-tơ hỗ trợ (SVM), máy học SVM cục bộ, dữ liệu lớn.
CÁC ĐƠN VỊ TÀI TRỢ CHÍNH
CÁC ĐƠN VỊ ĐỒNG HÀNH
