Nghiên cứu Tích hợp mật mã khóa công khai RSA-2048 bit trong nhận dạng tiếng nói bảo mật tích hợp giải pháp mã hóa RSA 2048-bit để bảo vệ dữ liệu dọng nói (dọng nói đã sử dụng mô hình Markov ẩn để nhận dạng chuyển đổi tiếng nói thành dữ liệu văn bản) của người dùng. Về khóa mã cho hệ mật RSA 2048-bit đã được nhóm test vượt qua các tiêu chuẩn đánh giá khóa của NIST. Mời các bạn cùng tham khảo!
Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thơng Cơng nghệ Thơng tin (REV-ECIT2022) Tích hợp mật mã khóa cơng khai RSA-2048 bit nhận dạng tiếng nói bảo mật Đỗ Quang Trung1, Lục Như Quỳnh1, *, Quách Đức Huy1, Vũ Chí Hưng1 Academy of cryptography techniques, 141 Chien Thang road, Tan Trieu, Thanh Tri, Hanoi * Email: lucnhuquynh69@gmail.com, quynhln@actvn.edu.vn năm 60 sử dụng rộng rãi lĩnh vực nhận dạng tiếng nói vào năm 1960-1970 đưa vào khoa học máy tính năm 1989, mơ hình giúp giải toán xác lập mối nhân cục nói chung [3], [4], [9] Mạng nơron nhân tạo lĩnh vực nghiên cứu từ cuối thập kỷ 1800 nhằm mục mô tả hoạt động trí tuệ người có nhiều ứng dụng thực tế đặc biệt lĩnh vực dự báo, nhận dạng, điều khiển, …[10], [11] Hệ mật RSA dùng để bảo mật tuân theo chuẩn bảo mật hành NIST để đảm bảo độ an toàn việc bảo mật [12] Trong nghiên cứu này, tác giả tích hợp giải pháp mã hóa RSA 2048-bit để bảo vệ liệu dọng nói (dọng nói sử dụng mơ hình Markov ẩn để nhận dạng chuyển đổi tiếng nói thành liệu văn bản) người dùng Về khóa mã cho hệ mật RSA 2048-bit nhóm test vượt qua tiêu chuẩn đánh giá khóa NIST Giải pháp mã hóa giải mã RSA 2048 bit tác giả tích hợp đảm bảo an toàn với ứng dụng triển khai thực tế theo chuẩn PKCS#1 (Version 2.1) Chi tiết hiệu tích hợp giải pháp mật mã mô đun mật mã kết đạt nghiên cứu nhóm tác giả thảo luận mục báo Abstract— Hiện nay, nghiên cứu ứng dụng nhận dạng tiếng nói nghiên cứu nhiều có ứng dụng thực tế đời sống hàng ngày người Nhưng nghiên cứu tích hợp giải pháp bảo mật để bảo vệ tiếng nói q trình xử lý nhận dạng tiếng nói chưa có nhiều Ý tưởng nghiên cứu này, tác giả sử dụng phương pháp FFT để chuyển đổi tín hiệu tiếng nói thành tín hiệu dạng số tích hợp giải pháp nhận dạng tiếng nói (gồm hai mơ hình: Hidden Markov model, Artificial Neural Network) để thực nhận dạng tín hiệu tiếng nói theo âm chuẩn lưu trữ tiếng nói dạng số Sau đó, tác giả tích hợp giải pháp mã hóa RSA 2048 bit để thực mã hóa giải mã tiếng nói dạng số Trong đó, khóa cơng khai khóa riêng sử dụng cho hệ mật ứng dụng nhóm đảm bảo khóa an tồn đánh giá chất lượng khóa vượt qua tiêu chuẩn NIST Để đảm bảo ứng dụng nhóm tác giả xây dựng có tính hiệu quả, nhóm tác giả thực xây dựng ứng dụng với giải pháp mã hóa AES-GCM 256 bít Kết đạt cho thấy ứng dụng nhận dạng tiếng nói có bảo mật (gọi Soft VoiceRSA) nhóm tác giả xây dựng cải thiện đảm bảo an toàn giữ bí mật nội dung tiếng nói có tốc độ thời gian thực thi: tạo cặp khóa RSA 2048 bit vượt qua tiêu chuẩn NIST khoảng 0,2 s – s; xử lý tiếng nói từ 700 ms – 1070 ms; Mã hóa RSA 2048 bit từ ms -4 ms; Giải mã RSA 2048 bit từ 6ms – ms Keywords- Hidden Markov model, Artificial Neural Network, RSA, NIST, Fast Fourier Transform I II Có nhiều phương pháp xử lý tiếng nói ứng dụng ứng dụng thực tế ([13], [14]), điển hình phương pháp sử dụng hộp cơng cụ âm hình ảnh [15], phương pháp trì hỗn nhóm [16], biến đổi Fourier nhanh – FFT (Fast Fourier Transform) [17] Trong đó, phương pháp FFT kỹ thuật xử lý tiếng nói nhanh, đảm bảo tính hiệu trung thực [17] Vào năm 1805, kỹ thuật Gauss đề xuất với cách tính toán hệ số theo lượng giác [18] Đến năm 1965, Cooley Tukey đưa phương pháp xử lý dựa đặc trưng bán nguyệt áp dụng xử lý tín hiệu số tiếng nói, thu hút ý nhà khoa học [10.5772/813] Phương pháp FFT phát triển từ phương pháp DFT, khắc phục nhược điểm độ dài mẫu N lớn GIỚI THIỆU Bài toán nhận dạng tiếng nói xu hướng phát triển thời đại, nhiều cơng trình nghiên cứu chủ đề đời áp dụng vào thực tế [1], [2] Tuy nhiên, lại chưa có phương pháp bảo mật ứng dụng, làm cho người sử dụng cơng nghệ nhận dạng tiếng nói phải đối mặt với nhiều nguy an toàn Đứng trước thực tế đó, nhóm tác giả xây dựng ứng dụng dựa mơ hình ẩn Markov [3], [4], mạng nơron nhân tạo [5], [6], [7], hệ mật RSA [8]… chạy máy tính để giải tốn Mơ hình ẩn Markov kết hợp với mạng nơron nhân tạo để giải vấn đề nhận dạng giọng nói thời gian thực thơng qua giải tốn nhận dạng mẫu Mơ hình ẩn Markov mơ hình thống kê phát triển vào cuối ISBN 978-604-80-7468-5 GIẢI PHÁP CHUYỂN ĐỔI VÀ XỬ LÝ TIẾNG NÓI BẰNG BIẾN ĐỔI FFT 293 Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2022) làm nhiều thời gian xử lý tiếng nói độ phức tạp N log N Trong FFT giảm xuống còn chuyển đổi tương tư sang số, FFT có độ tin cậy thông tin đầu thấp DFT lại có tốc độ vượt trội nhiều, đảm bảo thời gian thực Trong nghiên cứu này, tác giả lựa chọn FFT cơng cụ q trình chuyển đổi tiếng nói dạng số ngược lại Đối với phương pháp FFT này, kết thu bảng quang phổ âm vị, để nhận dạng âm vị máy tính cách sử dụng mơ hình học máy dựa Markov ẩn mạng nơron nhân tạo Trong não người nơron đơn vị cấu tạo hệ thống thần kinh phần quan não Cơ chế mạng nơ ron nhân tạo hoạt động với bước chính: (1) Lặp nhiều lần việc biểu diễn mạng với liệu mẫu bao gồm mối liên kết giá trị nhập giá trị đích (ví dụ, giá trị gần giống kết xuất); (2) Các nút tự điều chỉnh trọng số chúng đạt giá trị xuất mong muốn với liệu đầu vào cho trước (ví dụ: biên lỗi giá trị xuất giá trị mong muốn đạt không); (3) Xây dựng chế giải tốn mạng neuron Hình Mơ hình Markov ẩn - HMM Hình a) Cấu trúc neurons mơ hình hóa; b) Mơ hình học mạng nơ non nhân tạo Hình chi tiết mơ hình thống kê Markov ẩn (Hidden Markov model-HMM) với tham số trước Nhiệm vụ phải xác định tham số ẩn mơ hình từ tham số quan sát kế thừa nhận dạng trước Các tham số mơ hình rút sau sử dụng để thực phân tích để nhận dạng mẫu Mơ hình Markov ẩn chia làm hai giai đoạn: huấn luyện (Hình 1a) nhận dạng (Hình 1b) Bản thân mơ hình HMM giúp nhận dạng thành cơng giọng nói người Tuy vậy, mơ hình HMM ngốn liệu, u cầu thiết lập nhiều khơng thể thích ứng với biến đổi âm vị lớn nên cần kết hợp thêm ANN Hình 2a cấu trúc neurons mơ hình hóa mạng nơron nhân tạo (Artificial Neural Networks) tác giả xác định nghiên cứu Mạng nơron nhân tạo bắt nguồn từ mạng nơron thần kinh sinh vật [19] Thông tin từ mơi trường bên ngồi đưa não người thông qua giác quan não xử lý Quá trình chia thành khối [20] như: (1) khối tín hiệu điện tương tự; (2) khối phân tích tiền xử lý; (3) khối nhận diện đặc trưng (4) phân chia thành nhóm thơng tin khác ISBN 978-604-80-7468-5 Tiếp theo trình xử lý nhận dạng tiếng nói tác giả áp dụng mơ hình học mạng nơron để giải vấn đề như: tính xấp xỉ hàm có giá trị dạng số thực, số hóa rời rạc, vector dạng liệu cảm biến phức tạp Hình 2b mơ hình học mạng nơ ron nhân tạo xử lý tiếng nói, giải pháp tốt xử lý chuyển đổi tiếng nói Có thể ứng dụng nhận dạng tiếng nói để xử lý toán nhận dạng mẫu (pattern recognition) Ở đây, cụ thể nhận dạng hướng vào âm vị phân tích qua HMM, ANN phân tích khả xuất âm vị sau âm vị khác, sau dựa từ điển bao gồm từ cụm từ có nghĩa, đánh giá phân tích xem đầu cuối xác hay khơng Lặp lại q trình kết đầu có tốc độ độ xác mong muốn III GIẢI PHÁP BẢO MẬT ỨNG DỤNG CHO NHẬN DẠNG TIẾNG NÓI Sau xử lý chuyển đổi tiếng nói thành dạng số, bước nghiên cứu xác định giải pháp 294 Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2022) mã hóa cho liệu dạng số để đảm bảo tính bảo mật cho liệu thu trước công Trong nghiên cứu này, tác giả thực tích hợp hệ mật mã khóa cơng khai RSA 2048 bit để thực mã hóa/giải mã cho bảo vệ tín hiệu tiếng nói sau chuyển đổi dạng số [21] Ngoài ra, để đánh giá cho mơ đun chương trình nhận dạng tiếng nói, tác giả thực thêm mã hóa/giải mã theo hệ mật AES -256 để bảo vệ tiếng nói dạng số Từ đó, cho thấy hiệu đạt tốc độ thực bảo mật cho tín hiệu tiếng nói tốt Sinh tham số khóa cho hệ mật RSA tác giả thực đánh giá vượt qua tiêu chuẩn kiểm tra chất lượng khóa theo tiêu chuẩn NIST Hệ mật RSA tích hợp mơ đun chương trình đáp ứng theo chuẩn PKCS #1 [50], đảm bảo đủ an toan trước cơng theo thời Trong đó, độ an toàn hệ mật RSA theo năm đánh giá thơng qua độ dài khóa theo cơng thức: L 2nlen ,1 / 3,1.976 L 21024 ,1 / 3,1.976 400 40.24( y 2004)/3 Hình Mơ hình hoạt động, chuyển đổi bảo vệ tiếng nói hệ mật RSA Đầu tiên, thu giọng nói từ micro chuyển đổi thành dạng tín hiệu truyền vào bên máy tính chuyển thành mẫu riêng biệt Trong máy tính, mẫu thông qua MHH mạng neural (ANN) để so sánh đưa dạng văn chuẩn tương ứng với giọng nói Tiếp theo Văn tạo mã hóa thơng qua hệ mật RSA 2048 bit Sau đó, thực gửi phần mã tạo qua cho bên nhận Lúc này, bên nhận giải mã mã thu rõ tương ứng với nội dung giọng nói ban đầu Phần văn chuyển hóa ngược lại thành giọng nói giọng nói chuẩn (1) với L n, r , exp (ln n) r (ln ln n)1 r Theo công thức này, cho thấy đến năm 2022 hệ mật RSA đánh giá an toàn với độ dài nlen=1661 Khi hệ mật RSA với độ dài 2048 bit đảm bảo an toàn Đối với hệ mật AES 256, sinh tham số khóa để sử dụng cho chương trình tác giả đánh giá vượt qua tiêu chuẩn NIST Điều này, cho thấy giải pháp tác giả sử dụng hệ mật RSA 2048-bit (hoặc AES 256-bit) đủ để bảo vệ cho tín hiệu tiếng nói an tồn trước số công IV Thiết kế giao diện cho mô đun Soft Voice-RSA: KẾT QUẢ VÀ THẢO LUẬN A) Thiết kế xây dựng ứng dụng nhận dạng tiếng nói có bảo mật Trong nghiên cứu này, mơ đun nhận dạng tiếng nói có bảo mật (Soft Voice-RSA) tác giả thiết kế gồm có mơ đun: sinh khóa RSA 2048 bit (theo chuẩn PKCS#1 v2.1) test vượt qua tiêu chuẩn NIST; mô đun chuyển đổi tiếng nói thành dạng text ngược lại sử dụng phương pháp FFT có áp dụng mơ hình MHH ANN; mơ đun mã hóa tiếng nói dạng text với hệ mật RSA 2048 khóa công khai sinh phần mềm; mô đun giải mã RSA 2048 bit với khóa riêng RSA sinh phần mềm Hình nguyên lý hoạt động q trình sinh khóa RSA 2048 -bit, chuyển đổi bảo vệ tiếng nói hệ mật RSA 2048 bit Hình a) Giao diện modulo generator key RSA; b) Giao diện modulo mã hóa giải mã Voice hệ mật RSA ISBN 978-604-80-7468-5 295 Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2022) Trong nghiên cứu này, mô đun chương trình thiết kế với giao diện chính: Hình 4a chi tiết thiết kế giao diện cho q trình thực sinh khóa RSA 2048 bit (PKCS#1 v2.1) đảm bảo khóa sinh vượt qua tiêu chuẩn đánh giá chất lượng khóa NIST; Hình 4b giao diện cho trình thực chuyển đổi dọng nói thành văn ngược lại, thực mã hóa/giải mã cho tín hiệu tiếng nói dạng văn hệ mật RSA 2048 bit Phần giao diện tạo khóa: Để sử dụng chương trình người sử dụng cần chuẩn bị khóa bí mật khóa cơng khai hệ mật RSA sử dụng khóa chương trình sinh với độ dài modulo tối thiểu 2048 bits cách nhấn vào nút “sinh khóa”, sau nhấn vào, máy tự động sinh khóa RSA 2048 bit, khóa kiểm tra thông qua tiêu chuẩn NIST, đạt chuẩn in hình tổng số thời gian xử lý để tạo khóa Phần giao diện chuyển đổi giọng nói có bảo mật: Khi có khóa đạt độ an tồn theo u cầu, người sử dụng đầu nói thơng điệp qua micro kết nối đến máy tính cách nhấn vào nút “Nhấn để nói”, sau bấm vào chương trình tự động thu phần giọng nói ta phát dừng lại ta ngừng nói Tín hiệu tương tự thu thơng qua rung động micro chuyển thành tín hiệu điện vào máy tính Thơng qua phép biến đổi FFT tín hiệu điện chuyển thành mẫu quang phổ Các mẫu quang phổ xử lý qua mơ hình ngơn ngữ (sự kết hợp HMM ANN) đối chứng với mẫu có sẵn nội dung nói ban đầu dạng văn Phần văn xử lý mã hóa hệ mật RSA với khóa công khai mà tạo chuẩn bị Sau phần mã gửi đến đối tượng cần truyền đạt Phần mã in hình với khoảng thời gian chuyển đổi mã hóa sau xử lý xong Tiếp ta nhấn “giải mã” để đọc lên phần giải mã in dạng văn hình Nút “đọc” dùng để phát lại đoạn văn dịch Hình Kết thời gian thực thi phần mềm Soft VoiceRSA: a) Tạo khóa kiểm tra vượt qua tiêu chuẩn NIST; b) Thu/chuyển đổi tiếng nói, mã hóa giải mã tiếng nói hệ mật RSA 2048 bit Để đánh giá hiệu thực thi: q trình sinh cặp khóa cơng khai bí mật RSA 2048 bit; nhận dạng tiếng nói mơ hình MHH ANN; thời qian thực thi cho chuyển đổi tiếng nói thực mã hóa/giải mã với hệ mật RSA 2048 bit AES-256 bit Tác giả thực chạy phầm mềm nhiều lần với đầu vào liệu cho phần mềm chạy khác Bảng cho kết chạy phần mềm Soft Voice-RSA với liệu đầu vào khác tương ứng với khóa sinh đảm bảo vượt qua tiêu chuẩn đánh giá chất lượng khóa Viện tiêu chuẩn quốc gia Hoa kỳ (NIST) B) Phân tích, đánh giá kiểm thử mơ đun nhận dạng tiếng nói có bảo mật Soft Voice-RSA Trong nghiên cứu này, để thực đánh giá hoạt động mô đun chương trình Soft Voice-RSA, tác giả thực thi máy tính với cấu hình sử dụng Intel(R) Core i5-4200U, CPU @ 1.60GHz, up to 2.30 GHz; RAM: 8.00 GB Hình 5a cho kết thời gian hoạt động mô đun chương trình Soft Voice-RSA với chức sinh khóa RSA 2048 bit vượt qua tiêu chuẩn đánh giá khóa Hình 5b cho kết thời gian thực thi chuyển đổi tiếng nói, mã hóa/giải mã tiếng nói với hệ mật RSA 2048 bit ISBN 978-604-80-7468-5 Kết cho thấy, thời gian thực thi phần mầm Soft Voice-RSA sử dụng hệ mật RSA 2048 bit: trình tạo cặp khóa RSA 2048 bit vượt qua tiêu chuẩn NIST khoảng 0,2 s – s; thời gian xử lý tiếng nói khoảng từ 700 ms – 1070 ms; Thời gian mã hóa RSA 2048 bit khoảng từ ms -4 ms; Thời gian giải mã RSA 2048 bit khoảng từ 6ms – ms 296 Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2022) Để đánh giá hiệu thực thi: trình sinh cặp khóa cơng khai bí mật RSA 2048 bit; nhận dạng tiếng nói mơ hình MHH ANN; thời qian thực thi cho chuyển đổi tiếng nói thực mã hóa/giải mã với hệ mật RSA 2048 bit AES-256 bit Tác giả thực chạy phầm mềm nhiều lần với đầu vào liệu cho phần mềm chạy khác Bảng cho kết chạy phần mềm Soft Voice-RSA với liệu đầu vào khác tương ứng với khóa sinh đảm bảo vượt qua tiêu chuẩn đánh giá chất lượng khóa Viện tiêu chuẩn quốc gia Hoa kỳ (NIST) hướng nghiên cứu mà nhóm tác giả tập trung công bố nghiên cứu TÀI LIỆU THAM KHẢO [1] [2] [3] Bảng Kết thời gian thực thi phần mềm Soft Voice-RSA Soft Voice-AES-GCM Số kí tự 12 35 37 40 Số kí tự 21 27 35 Thời gian xử lý (ms) Thời gian mã (ms) [4] Thời gian giải (ms) Thời gian sinh khóa (s) Nhận dạng tiếng nói với hệ mật RSA 2048 bit 746.7266 3.991 7.0148 0.187500 1063.2608 1.9937 6.9827 0.328125 683.639 0.9993 5.9748 1.781250 830.3528 2.0288 7.9833 0.625000 Nhận dạng tiếng nói với hệ mật AES-GCM 256 bit Thời gian Thời gian Thời gian Thời gian xử lý (s) mã (s) giải (s) sinh khóa (s) 0.6907975 1.3045635 1.3075628 1.3005715 0.8660744 1.4963576 1.4993501 1.4933993 0.9356286 1.55198 1.5549542 1.5479727 [5] [6] [7] [8] [9] Kết cho thấy, thời gian thực thi phần mầm Soft Voice-RSA sử dụng hệ mật RSA 2048 bit: q trình tạo cặp khóa RSA 2048 bit vượt qua tiêu chuẩn NIST khoảng 0,2 s – s; thời gian xử lý tiếng nói khoảng từ 700 ms – 1070 ms; Thời gian mã hóa RSA 2048 bit khoảng từ ms -4 ms; Thời gian giải mã RSA 2048 bit khoảng từ 6ms – ms Thời gian thực thi phần mầm Soft Voice-RSA sử dụng hệ mật AES-GCM 256 bit: q trình tạo khóa khoảng s – s; thời gian xử lý tiếng nói khoảng từ 0.7s – 1s; Thời gian mã hóa AES-GCM 256 bit khoảng 1.5 s; Thời gian giải mã khoảng 1.6s V [10] [11] [12] [13] [14] KẾT LUẬN Kết đạt nghiên cứu này, xây dựng ứng dụng nhận dạng tiếng nói theo mơ hình Hidden Markov model, Artificial Neural Network Trong đó, ứng dụng tích hợp giải pháp mật mã khóa cơng khai RSA (theo chuẩn PKCS#1 Version 2.1) đảm bảo giữ bí mật nội dung tiếng nói dạng số sau thực nhận dạng Tốc độ thực thi ứng dụng Soft Voice-RSA đạt cải thiện thời gian mã giải mã ln dao động khoảng 1-4 ms (đối với thực thi mã hóa RSA 2048 bit) 6-8s (đối với thời gian giải mã RSA 2048 bit) Tác giả nhận thấy giải pháp nghiên cứu cịn có số khuyết điểm khả nhận dạng tiếng nói cịn hạn chế Đây ISBN 978-604-80-7468-5 [15] [16] [17] [18] 297 N Das, S Chakraborty, J Chaki, N Padhy, and N Dey, “Fundamentals, present and future perspectives of speech enhancement,” Int J Speech Technol., vol 24, no 4, pp 883– 901, Dec 2021, doi: 10.1007/s10772-020-09674-2 X Han et al., “Pre-trained models: Past, present and future,” AI Open, vol 2, pp 225–250, 2021, doi: 10.1016/j.aiopen.2021.08.002 G A Fink, Markov Models for Pattern Recognition Berlin, Heidelberg: Springer Berlin Heidelberg, 2008 doi: 10.1007/978-3-540-71770-6 Z Han, Q He, and M von Davier, “Predictive Feature Generation and Selection Using Process Data From PISA Interactive Problem-Solving Items: An Application of Random Forests,” Front Psychol., vol 10, Nov 2019, doi: 10.3389/fpsyg.2019.02461 I Farkaš, P Masulli, and S Wermter, Eds., Artificial Neural Networks and Machine Learning – ICANN 2020, vol 12397 Cham: Springer International Publishing, 2020 doi: 10.1007/978-3-030-61616-8 G R Yang and X.-J Wang, “Artificial neural networks for neuroscientists: a primer,” Neuron, vol 109, no 4, p 739, Feb 2021, doi: 10.1016/j.neuron.2021.01.022 R Dastres and M Soori, “Artificial Neural Network Systems,” Int J Imaging Robot., vol 2021, no 2, pp 13–25, 2021, [Online] Available: www.ceserp.com/cp-jour N Bansal and S Singh, “RSA Encryption and Decryption System,” Int J Sci Res Comput Sci Eng Inf Technol., pp 109–113, Sep 2020, doi: 10.32628/CSEIT206520 J Hernando, “Hidden Markov Models,” in Encyclopedia of Biometrics, Boston, MA: Springer US, 2015, pp 876–882 doi: 10.1007/978-1-4899-7488-4_195 N Yadav, A Yadav, and M Kumar, “History of Neural Networks,” 2015, pp 13–15 doi: 10.1007/978-94-017-98167_2 E K Zaineb, S Sahar, and M Zouhir, “Pricing American Put Option using RBF-NN: New Simulation of Black-Scholes,” Moroccan J Pure Appl Anal., vol 8, no 1, pp 78–91, Jan 2022, doi: 10.2478/mjpaa-2022-0007 E Barker, “Guideline for using cryptographic standards in the federal government:,” Gaithersburg, MD, Mar 2020 doi: 10.6028/NIST.SP.800-175Br1 F Ernawan, N A Abu, and N Suryana, “Spectrum analysis of speech recognition via discrete Tchebichef transform,” Oct 2011, p 82856L doi: 10.1117/12.913491 S Sadhu and H Hermansky, “Radically old way of computing spectra: Applications in end-to-end ASR,” Proc Annu Conf Int Speech Commun Assoc INTERSPEECH, vol 2, pp 1091–1095, 2021, doi: 10.21437/Interspeech.2021-643 A Abel and A Hussain, “Multi-modal Speech Processing Methods: An Overview and Future Research Directions Using a MATLAB Based Audio-Visual Toolbox,” 2009, pp 121– 129 doi: 10.1007/978-3-642-00525-1_12 T Drugman, T Dubuisson, and T Dutoit, “Phase-based information for voice pathology detection,” ICASSP, IEEE Int Conf Acoust Speech Signal Process - Proc., pp 4612–4615, 2011, doi: 10.1109/ICASSP.2011.5947382 R Pupeikis, “REVISED FAST FOURIER TRANSFORM,” Radio Electron Comput Sci Control, no 1, pp 169–186, Dec 2014, doi: 10.15588/1607-3274-2015-1-9 M T Heideman, D H Johnson, and C S Burrus, “Gauss and the history of the fast Fourier transform,” Arch Hist Exact Sci., vol 34, no 3, pp 265–277, 1985, doi: 10.1007/BF00348431 Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2022) [19] H R Niazkar and M Niazkar, “Application of artificial neural networks to predict the COVID-19 outbreak,” Glob Heal Res Policy, vol 5, no 1, p 50, Dec 2020, doi: 10.1186/s41256020-00175-y [20] P Li, M Liu, X Zhang, and H Chen, “Efficient online feature extraction algorithm for spike sorting in a multichannel FPGAbased neural recording system,” in 2014 IEEE Biomedical Circuits and Systems Conference (BioCAS) Proceedings, Oct 2014, pp 1–4 doi: 10.1109/BioCAS.2014.6981630 [21] L N Childs, “RSA Cryptography and Prime Numbers,” 2019, pp 135–151 doi: 10.1007/978-3-030-15453-0_9 [22] G McGraw, “Software Security: Building Security In,” in 2006 17th International Symposium on Software Reliability Engineering, Nov 2006, pp 6–6 doi: 10.1109/ISSRE.2006.43 [23] A Apvrille and M Pourzandi, “Secure Software Development by Example,” IEEE Secur Priv Mag., vol 3, no 4, pp 10–17, Jul 2005, doi: 10.1109/MSP.2005.103 ISBN 978-604-80-7468-5 [24] N M Jack Koziol, David Litchfield, Dave Aitel, Chris Anley, Sinan “noir” Eren, Riley Hassell, “The Shellcoder’s Handbook: Discovering and Exploiting Security Holes,” Wiley, 2004, [Online] Available: https://books.google.com.vn/books?id=dd1QAAAAMAAJ&q =inauthor:%22Jack+Koziol%22&dq=inauthor:%22Jack+Kozi ol%22&hl=vi&sa=X&redir_esc=y [25] M Howard and D Leblanc, Codigos seguros Related papers Writing Secure Code , 2008 [26] Microsoft, “https://docs.microsoft.com/enus/windows/win32/menurc/strsafe-ovw”, [Online] Available: https://docs.microsoft.com/enus/windows/win32/menurc/strsafe-ovw 298 ... (REV-ECIT2022) mã hóa cho liệu dạng số để đảm bảo tính bảo mật cho liệu thu trước công Trong nghiên cứu này, tác giả thực tích hợp hệ mật mã khóa cơng khai RSA 2048 bit để thực mã hóa/giải mã cho bảo vệ... NIST; b) Thu/chuyển đổi tiếng nói, mã hóa giải mã tiếng nói hệ mật RSA 2048 bit Để đánh giá hiệu thực thi: trình sinh cặp khóa cơng khai bí mật RSA 2048 bit; nhận dạng tiếng nói mơ hình MHH ANN;... xây dựng ứng dụng nhận dạng tiếng nói có bảo mật Trong nghiên cứu này, mô đun nhận dạng tiếng nói có bảo mật (Soft Voice-RSA) tác giả thiết kế gồm có mơ đun: sinh khóa RSA 2048 bit (theo chuẩn