HỌC VIỆN CÔNG NGHỆ HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG PHƯƠNG PHÁP LUẬN NGHIÊN CỨU KHOA HỌC BÀI TIỂU LUẬN KẾT THÚC HỌC PHẦN Hà Nội 2022 Giảng viên Nguyễn Thị Kim Chi Sinh viên Phạm Thùy Trang Mã s.
HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG PHƯƠNG PHÁP LUẬN NGHIÊN CỨU KHOA HỌC BÀI TIỂU LUẬN KẾT THÚC HỌC PHẦN Giảng viên: Nguyễn Thị Kim Chi Sinh viên: Phạm Thùy Trang Mã sinh viên: B19DCVT406 Lớp: D19CQVT06-B Số điện thoại: 0965680418 Hà Nội 2022 MỤC LỤC LỜI MỞ ĐẦU…………………………………………………………………2 Câu 1: Trình tự logic NCKH gồm bước nào? Hãy phân tích bước với cơng trình nghiên cứu khoa học ngành học em? Trình tự logic NCKH Phân tích bước với cơng trình nghiên cứu khoa học Câu 2: Trình bày cấu trúc báo khoa học Lấy ví dụ báo khoa học ngành học em phân tích để thấy rõ yêu cầu cấu trúc (lưu ý đính kèm báo câu trả lời)…………………………………………….5 Trình bày cấu trúc báo khoa học Ví dụ báo khoa học ngành………………………………5 Câu 3: Em tìm hiểu đồ án/khóa luận tốt nghiệp ngành học em tóm tắt lại nội dung sau: Tên đồ án; Tác giả, Nơi công bố, Năm công bố; Mục tiêu nghiên cứu; Cơ sở lý thuyết; Phương pháp thu thập xử lý thông tin; Kết đạt được; Hạn chế cơng trình………………………………………8 Câu 4: Em xây dựng đề cương nghiên cứu cho đề tài nghiên cứu khoa học ngành học thân em mà em yêu thích (theo mẫu) 14 Họ tên tác giả 14 Tên đề tài 14 Mục tiêu nghiên cứu 14 Ý nghĩa thực tiễn đề tài 14 Tình hình nghiên cứu nước 15 Dự kiến kế hoạch thực 19 LỜI CẢM ƠN………………………………………………………………… 21 LỜI MỞ ĐẦU Chúng ta sống kỷ nguyên mà thành tựu khoa học công nghệ xuất cách mau lẹ đổi theo chu kỳ nhanh chóng Ngày nay, nghiên cứu khoa học (NCKH) hoạt động then chốt hàng đầu ngành khoa học Bộ máy nghiên cứu khoa học trở thành khổng lồ, nghiên cứu tất góc cạnh giới Kết từ NCKH phát kiến thức, chất vật, phát triển nhận thức khoa học giới, sáng tạo phương pháp phương tiện kỹ thuật có giá trị cao Sự phát triển khoa học đại đem lại cho người hiểu biết sâu sắc giới, mà đem lại cho người hiểu biết phương pháp nhận thức giới Thực tế cho thấy, sinh viên bắt đầu làm luận văn tốt nghiệp người trường làm việc quan nghiên cứu đòi hỏi phải có kiến thức có phương pháp NCKH Vì vậy, môn học phương pháp luận NCKH học tảng để trang bị cho sinh viên tiếp cận NCKH Câu 1: Trình tự logic NCKH gồm bước nào? Hãy phân tích bước với cơng trình nghiên cứu khoa học ngành học em? Trình tự logic NCKH bao gồm bước sau: Phát vấn đề (Problem), để lựa chọn chủ đề (topic) nghiên cứu Xác định mục tiêu (objective) nghiên cứu: Nhận dạng câu hỏi (question) nghiên cứu Đưa luận điểm, tức giả thuyết (hypothesis) nghiên cứu Lựa chọn phương pháp (methods) chứng minh giả thuyết Tìm kiếm luận (evidence) để chứng minh luận điểm Phân tích cơng trình nghiên cứu khoa học: Đề tài nghiên cứu khoa học: Thanh tốn hình thức ví điện tử Việt Nam thực trạng giải pháp Phát vấn đề (Problem), để lựa chọn chủ đề (topic) nghiên cứu - Nhằm thúc đẩy việc sử dụng ví điện tử Việt Nam - Thanh tốn khơng dùng tiền mặt xu hướng toàn giới đông đảo người dân Việt Nam lựa chọn thay cho hình thức chi trả tiền mặt thơng thường Phương tiện toán điện tử giúp người dân linh hoạt giao dịch, an toàn chi trả - Ví điện tử dịch vụ phát triển giới, giải pháp tốn khơng dùng tiền mặt thông minh Việc tốn ví điện tử áp dụng nhiều công ty lớn Apple, Samsung, Google cho thấy hiệu hình thức tốn Tại Việt Nam hình thức tốn ví điện tử cịn mẻ với nhiều người dân doanh nghiệp - Đây hình thức tốn có nhiều tiềm phát triển với nhiều tiện ích phù hợp với phát triển vũ bão thương mại điện tử Xác định mục tiêu (objective) nghiên cứu - nhằm đánh giá thành cơng, hạn chế, qua đề xuất giải pháp thúc đẩy phát triển hình thức thành toán Việt Nam thời gian tới Nhận dạng câu hỏi (question) nghiên cứu - Ví điện tử gì? Các loại ví điện tử? - Ứng dụng ví điện tử? - Thực trạng sử dụng giao dịch ví điện tử? - Giải pháp nhằm phát triển hình thức tốn ví điện tử Việt Nam gì? Đưa luận điểm, tức giả thuyết (hypothesis) nghiên cứu - Có thể tìm hiểu thực trạng ứng dụng hình thức tốn ví điện tử Việt Nam Sau đưa giải pháp nhằm phát triển hình thức tốn ví điện tử Việt Nam Lựa chọn phương pháp (methods) chứng minh giả thuyết - Phương pháp thu thập số liệu: Sử dụng phương pháp kế thừa để thu thập số liệu thứ cấp báo cáo tình hình sử dụng tốn qua ví điện tử Việt Nam - Phương pháp xử lý, phân tích số liệu: + Phương pháp thống kế mơ tả: Sử dụng để mơ tả q trình hình thành phát triển, thực trạng sử dụng giao dịch hình thức ví điện tử Việt Nam + Phương pháp thống kê so sánh: Dùng phương pháp để so sánh biểu phí nạp tiền, rút tiền, kênh chuyển tiền toán ví doanh nghiệp cung cấp ví điện tử Tìm kiếm luận (evidence) để chứng minh luận điểm Thực trạng sử dụng ví điện tử Việt Nam: - Hiện nay, có nhiều ngân hàng hỗ trợ dịch vụ ví điện tử Việt Nam như: VietcomBank, VietinBank, TechcomBank, Đông Á Bank, MB Bank, BIDV, VP Bank, SacomBank có nhiều đơn vị chấp nhận tốn ví điện tử như: siêu thị điện tử Golmar 7; Công ty Cổ phần thương mại Xuất nhập Chọn Mua; cơng ty TNHH Mytour Việt Nam… - Ví điện tử momo: Đây dịch vụ Việt Nam hỗ trợ người tiêu dùng thực giao dịch toán điện tử điện thoại di động cách nhanh chóng thuận tiện Đến nay, ứng dụng có triệu người dùng hệ điều hành (Android, iOS, Windows Phone) - Nganluong.vn: Chỉ sau tháng thử nghiệm, Nganluong.vn bình chọn ví điện tử ưa thích Hiệp hội Thương mại Điện tử Việt Nam (VECOM) Sở Cơng thương thành phố Hồ Chí Minh tổ chức đầu năm 2010 Đến NganLuong.vn có trăm nghìn tài khoản ví khởi tạo 2.000 website sử dụng dịch vụ nhà cung cấp này… Giải pháp pháp triển hình thức tốn ví điện tử Việt Nam: - Cần cộng sinh đơn vị cung cấp ví điện tử với ngân hàng: Các đơn vị cung cấp dịch vụ ví điện tử cần phải hợp tác với ngân hàng để dịng tiền ln chuyển vào tài khoản ví điện tử cách tiện lợi nhanh chóng - Mở rộng tính đáp ứng nhu cầu tối đa khách hàng - Hồn thiện khn khổ pháp lý - Tăng cường công tác tuyên truyền, quảng bá để khuyến khích tiếp cận sử dụng dịch vụ ví điện tử người dân… Câu 2: Trình bày cấu trúc báo khoa học Lấy ví dụ báo khoa học ngành học em phân tích để thấy rõ yêu cầu cấu trúc (lưu ý đính kèm báo câu trả lời) Cấu trúc báo khoa học: - Tiêu đề báo (Title): Chỉ tên báo, số lượng từ tiêu đề báo tùy theo quy định tạp chí, thơng thường từ 10-18 từ phản ánh nội dung đề cập báo Dưới tiêu đề báo thường tên tác giả, tập thể tác giả, email, quan công tác, ngày nhận báo ngày chấp nhận đăng báo - Tóm tắt (Abstract): Số lượng từ phần tùy theo quy định tạp chí, thơng thường 100-250 từ Tóm tắt báo thường phải thể vấn đề/mục tiêu nghiên cứu, phương pháp nghiên cứu, thời gian, số liệu dùng cho nghiên cứu, kết tác giả tìm ra, kết luận Tất trình bày ngắn gọn, đọng Dưới tóm tắt từ khóa (Key words) gồm – từ quan trọng có tần suất lặp lại nhiều - Giới thiệu (Introduction): phần dẫn nhập thường nói sở, lý do, tầm quan trọng vấn đề tác giả muốn nghiên cứu cấu trúc báo - Lược sử nghiên cứu trước (Literature review): Một số báo khoa học gộp mục với mục giới thiệu (introduction) bên trên, tùy vào ý đồ tác giả, có nhiều trường hợp tách riêng Phần tác giả phải nêu nghiên cứu quan trọng trước giới làm liên quan đến vấn đề nghiên cứu - Phương pháp số liệu dùng cho nghiên cứu (Methodologies and Data): Phần đề cập nghiên cứu sử dụng phương pháp - Kết thảo luận (Results and Discussion): Phần tác giả ra, giải thích thảo luận kết tìm thấy mà nghiên cứu trước chưa tìm Kết luận (Conclusion): Phần kết luận tổng lược kết nghiên cứu, nêu bật ý nghĩa khoa học kết nghiên cứu, ứng dụng chúng vào thực tế sống, giúp cho việc hoạch định sách (đóng góp (contribution) nghiên cứu), ưu nhược điểm nghiên cứu nào, định hướng cho nghiên cứu liên quan tương lai - - Tài liệu tham khảo (References): Mục gồm tài liệu có trích dẫn sở quan trọng cho việc phân tích logic nghiên cứu đề cập báo - Lời cám ơn (Acknowledgements) có Ví dụ báo cáo ngành học: Tiêu đề báo: Giải pháp mạng xếp chồng dịch vụ đảm bảo QoS mạng IP Tác giả: Ks Nguyễn Thu Hiên, TS Lê Nhật Thăng, Tạp chí CNTT&TT kỳ (3.2010) Link: http://dlib.ptit.edu.vn/handle/HVCNBCVT/649 Tóm tắt: Bài báo trình bày tổng quan mạng xếp chồng dịch vụ (SON) thu hút quan tâm nhà nghiên cứu mạng vài năm gần đây, có hướng tới mục đích đảm bảo chất lượng dịch vụ (QoS) cho mạng IP Đồng thời, báo phân tích số ưu nhược điểm SON đưa vào ứng dụng, số biện pháp thực QoS SON Giới thiệu Lược sử nghiên cứu trước đây: Các nỗ lực để mở rộng mô hình dịch vụ IP hỗ trợ QoS bắt đầu vào năm 1990, với mơ mơ hình dịch vụ tích hợp (IntServ) mơ hình dịch vụ phân biệt (DiffServ) Song việc triển khai mô hình kiến trúc gặp phải số trở ngại khả mở rộng ngang cấp khơng tương thích nhà cung cấp dịch vụ khác Do vậy, gần có nhiều nghiên cứu đề xuất sử dụng mơ hình mạng xếp chồng để đảm bảo QoS, đặc biệt QoS từ đầu cuối đến đầu cuối Phương pháp số liệu dùng cho nghiên cứu: - Phương pháp tiếp cận sử dụng để thực định tuyến QoS mạng SON là: • Cố gắng cân lưu lượng liên kết xếp chồng nút xếp chồng, đồng thời thỏa mã yêu cầu QoS trình chọn liên kết xếp chồng • Sử dụng giao thức định tuyến nguồn với cấu trúc mạng phân cấp Tại nút xếp chồng có cấu trúc mạng tổng thể Khi có yêu cầu định tuyến, nút xếp chồng sử dụng cấu trúc mạng thuật toán chọn đường dẫn để tìm đường dẫn gần Sau đó, nút xếp chồng trao đổi thơng tin với số nút xếp chồng khác đường dẫn gần đỏ để có thơng tin chi tiết cập nhật hiệu đường dẫn • Sử dụng phương thức định tuyến thích nghi Khi nút xếp chồng nhận biết tình trạng dung lượng liên kết xếp chồng không đáp ứng cho lưu lượng xếp chồng phục vụ Nút xếp chồng thực tìm kiếm số đường dẫn xếp chồng dự phòng đấu nối đến nút xếp chồng kế cận • Kết thảo luận: Rõ ràng với chế hoạt động riêng, giải pháp mạng SON thực hố việc đảm bảo QoS cho dịch vụ mà không cần thay đổi bổ sung thêm tính cho mạng IP Đổng thời, giải pháp mạng SON triển khai nhanh chóng thơng qua việc cài đặt ứng dụng vào trạm đầu cuối Hơn nữa, giải pháp đảm bảo cung cấp QoS trường hợp dịch vụ đa mạng, tránh khó khăn việc đảm bảo QoS miền mạng ngang cấp không đồng Bởi việc điều khiển quản lý chịu điều khiển nhà khai thác mạng SON Ngoài ra, với khung làm việc QoS chung, giải pháp mạng SON có khả cung cấp QoS độc lập với công nghệ QoS triển khai mạng phía để hỗ trợ đa dạng cho ứng dụng xếp chồng (như chia sẻ tệp ngang hàng, multicast, ) Tuy nhiên, cắn thực triển khai nút xếp chống với tính thơng minh định, chức nút xếp chồng phải đo kiểm trước đưa vào sử dụng thực tế Bên cạnh đó, với chế riêng mạng SON ảnh hưởng xấu đến hoạt động tối ưu miền mạng phía dưới, làm cho ma trận lưu lượng mạng phía trở nên động hơn, dễ bị thay đổi hơn, giảm hiệu hoạt động kỹ thuật lưu lượng (TE) ISP phía dưới, làm cho tải liên két IP lớn Kết luận: Hiện nay, với xu hướng cung cấp loại hình dịch vụ nơi, lúc, cho đối tượng, tất mạng vấn đề đảm bảo QoS từ đầu cuối đến đầu cuối trở thành vấn đề cần quan tâm hàng đầu Khi đó, giải pháp mạng xếp chồng dịch vụ xem giải pháp cần hướng đến Tài liệu tham khảo: [1] YAIR AMIR, CLAUDIU DANILOV, CRISTINA NITA-ROTARU, High Performance, Robust, Secure and Transparent Overlay Network Service, Proceedings of International Workshop on Future Directions IntServ Distributed Computing, 2002 [2] D ANDERSEN H BALAKRISHNAN, F KAASHOEK, R MORRIS, Resilient Overlay Networks, 18th Symposium on Operating Systems Principles, (December 2001) [3] Z DUAN, Z.-L ZHANG, and Y T HOU, Service overlay networks: SLAS, QoS, and Bandwidth Provisioning, ICNP'02: Proceedings of the 10th IEEE International Conference on Network Protocols, (Washington, DC, USA), pp.334-343, IEEE Computer Society, 2002 [4] X GU, K NAHRSTEDT, R N CHANG, and C WARD, QoS-Assured Service Composition in Managed Service Overlay Network, in Proceedings of IEEE 23rd International Conference on Distributed Computing Systems, 2003 [5] R.KERALAPURA, N TAFT, C CHUAH, and G IANNACCONE "Can ISPs take the heat from Overlay Networks?" In ACM SIGCOMM Workshop on Hot Topics in Networks, November, 2004 [6] L LAO, S.S.GOKHALE, and J.HONG CUI, "Distributed QoS Routing for Backbone Overlay Network", Lectures Notes IntServ Computer Science, Springer, Vol.3976/2006, pp.1014-1025, 2006 [7] KEVIN Y K LIU, JOHN C S LUI, ZHI-LI ZHANG, Distributed Algorithm for Service Replication in Service Overlay Network, NETWORKING 2004: pp.1156-1167, May 2004 [8] QIU, LILI and YANG, RICHARD YANG and ZHANG, YIN and SHENKER, Scott (2003) "On Selfish Routing in Internet-Like Environments", in Proc ACM SIGCOMM, pages 151162, August 2003 [9] S SAVAGE, "Sting: a TCP-based Network Performance Measurement Tools," In Proc.of the 2nd USENIX Symposium on Internet Technologies and Systems, pp.71-79, Oct.1999 [10] L SUBRAMANIAN, I STOICA, H BALAKRISHNAN, and R H KATZ, Over QoS: An Overlay based Architecture for Enhancing Internet QoS, NSDI'04: Proceedings of the 1st conference on Symposium on Networked Systems Design and Implementation, (Berkeley, CA, USA), p.6, UNENIX Association, 2004 [11] H T HUNG and T.ZIEGLER, On the Service Overlay Concept for End-to-End QoS Assurances, Technical Report, 2005 [12] L ZHI and P MOHAPATRA, "QRON: QoS-aware Routing in Overlay Networks, "IEEE J Select Areas Commun., vol 22, pp 29-40, January 2004 Câu 3: Em tìm hiểu đồ án/khóa luận tốt nghiệp ngành học em tóm tắt lại nội dung sau: Tên đồ án; Tác giả, Nơi công bố, Năm công bố; Mục tiêu nghiên cứu; Cơ sở lý thuyết; Phương pháp thu thập xử lý thông tin; Kết đạt được; Hạn chế cơng trình Tên đồ án: Phát sớm mã độc IoT BOTNET thiết bị IoT Tác giả: Nguyễn Việt Dũng Nơi công bố: Học viện bưu viễn thơng Năm cơng bố: 2021 Mục tiêu nghiên cứu: - Nghiên cứu phương pháp phát sớm mã độc IoT BOTNET dựa công nghệ học máy kết hợp nhiều nguồn liệu hành vi mã độc Cơ sở lý thuyết: - - IoT sở hạn tầng toàn cầu xã hội thơng tin, cho phép dịch vụ thông minh hoạt động cách kết nối vật thể bao gồm vật lý ảo dựa công nghệ thông tin truyền thông phù hợp có phát triển Từ khái niệm thiết bị IoT cho thấy mơi trường IoT, có nhiều loại thiết bị IoT khác như: điện thoại di động thơng minh, máy tính cá nhân, đồng hồ thông minh, smart TV, máy in, máy quét, IP Camera, thiết bị định tuyến, thiết bị gia dụng thông minh có kết nối Internet,… Các thiết bị IoT có mặt nơi, hầu hết nghành nghề, mặt đời sống người y tế, quản lý dây truyền sản xuất, quản lý lượng, hệ thống giao thơng thơng minh … Ngồi tiện ích đem lại có mặt nhiều mặt sống, ngành nghề thiết bị IoT dự báo đóng góp lớn vào kinh tế toàn cầu Những đặc điểm thiết bị IoT cỡ nhỏ: • Mơi trường hoạt động chịu điều khiển trực tiếp người: Các thiết bị IoT có tính di động tự hành cao theo kịch hoạt động cài đặt sẵn, cần điều khiển trực tiếp người • Tính đa tảng phần cứng phần mềm: Khác với thiết bị điện tử truyền thông máy tính đa phần sử dụng vi xử lý kiến trúc i386 thiết bị IoT cỡ nhỏ thường sử dụng nhiều loại kiến trúc vi xử lý tiêu thụ lượng thấp như: MIPS, ARM, PowerPC , • Tài nguyên phần cứng hạn chế: Các thiết bị IoT cỡ nhỏ thường trang bị phần cứng hạn chế tài nguyên dung lượng nhớ ít, lực tính tốn nhỏ, lượng pin dự trữ cho thời gian hoạt động ngắn • Trạng thái động: Trạng thái thiết bị IoT thay đổi linh hoạt, ví dụ lúc hoạt động ngủ chờ, lúc kết nối ngắt kết nối… phụ thuộc vào hoàn cảnh thiết bị gồm vị trí, chức tốc độ di chuyển • Khả kết nối đa kênh: Các thiết bị IoT có khả kết nối với thiết bị hạ tầng truyền dẫn theo nhiều giao thức khác Wifi, Bluetooth, Zigbee, Z-wave, … - - - Mã độc IoT Botnet: mã độc cho phép xây dựng mạng lưới Botnet dựa thiết bị IoT cỡ nhỏ Mã độc IoT Botnet chứa hầu hết hai thành phần bốn thành phần hỗ trợ gồm: • Mã độc botnet thực cơng DdoS nhận lệnh; • Máy chủ C&C để điều khiển mã đọc botnet; Bộ Scanner để dị qt thiết bị IoT bị khai thác; • Máy chủ reporting có chức thu thập liệu dò quét mã độc botnet Scanner; • Bộ Loaders sử dụng để đăng nhập vào thiết bị IoT bị khai thác, thị cho chúng tải tệp tin thực thi mã độc có kiến trúc phù hơp; • Máy chủ phân phối mã độc xác định vị trí lưu trữ mà đọc tải thiết bị IoT bị lây nhiễm Cơ chế hoạt động chung cho hầu hết mã độc IoT botnet sau: • Bước 1: Mã độc dị qt dải địa IP ngẫu nhiên thơng qua TCP cổng 23/2323 để tìm kiếm thiết bị IoT có lỗ hổng bảo mật để xâm nhập, lây nhiễm mở rộng mạng lưới máy tính botnet • Bước 2: Sau dị qt thiết bị có khả xâm nhập thu thập thông tin để xác thực leo thang đặc quyền thiết bị mã độc gửi thơng tin đặc trưng thiết bị máy chủ Report thông qua cổng dịch vụ khác • Bước 3: Mã độc nhận lệnh từ C&C để kiểm tra thông tin đặc tả cảu thiết bị địa IP, kiến trúc phần cứng (MIPS, ARM, …) • Bước 4: Sau máy chủ C&C tiếp nhận thông tin đặc tả thiết bị lệnh cho máy chủ Loader lựa chọn tập tin thực thi mã độc phù hợp • Bước 5: Máy chủ Loader gửi tới thiết bị muốn xâm nhập tập tin mã độc phù hợp Ngay sau tập tin mã đọc tải thực thi thiết bị mã đọc xóa tập tin thực thi chạy nhớ RAM để tránh bị phát hiện, đồng thời mã đọc tắt dịch vụ cho phép truy cập từ xa Telnet, SSH, vơ hiệu hóa chức tường lửa • Bước 7: Thơng qua C&C kẻ cơng lệnh cho mã đọc thực công từ chối dịch vụ phân tán nhiễu kỹ thuật UDF flood, GRE IP flood… tới mục tiêu cụ thể Ngày với xu hướng mã đọc thiết bị IoT đặc biệt mà mã đọc IoT botnet tăng trưởng không ngừng số lượng biến thể, kéo theo liệu chữ ký hành vi mã đọc tăng với số lượng lớn khiến việc xử lý, phân tích thực người trở nên khó khăn Nhằm khắc phục vấn đề trên, nhà nghiên cứu tiếp cận phương pháp phát mã đọc dựa học máy Phương pháp dựa học máy không sử dụng chữ ký hay hành vi mã đọc cụ thể mà sử dụng đặc trưng đặc trưng xem thành phần lõi phát dựa học máy Thơng qua việc khảo sát thấy, tất hướng tiếp cận nhóm thành hai phương pháp phân tích tĩnh phân tích động • Phân tích tĩnh: phương pháp phân tích nội dung mã nguồn mà khơng cần thực thi tệp tin để phát hành vi nghi vấn Phương pháp phân tích tĩnh cho phép chi tiết hóa tồn luồng điều khiển luồng liệu thông qua công cụ dịch ngược mã nguồn để phát mã độc phân tích đặc trưng mã thực thi, lời gọi hàm hệ thống hay chuỗi ký tự có nghĩa mã nguồn Phương pháp cho phép phân tích chi tiết tệp tin đưa khả kích hoạt mã độc Với nghiên cứu khảo sát, phân tích tĩnh đem lại kết khả quan bảo mật IoT nói chung phát mã độc IoT nói riêng Tuy nhiên, phân tích tĩnh tồn nhiều hạn chế cho việc phân tích, phát mã độc IoT Botnet như: Khó áp dụng mã độc sử dụng kỹ thuật gây rối (obfuscation) đóng gói (pack) phức tạp hạn chế cơng cụ Unpack Debug; Khó thu thập mẫu mã độc mã độc chi lưu trữ RAM thiết bị, biến khởi động lại thiết bị; Kết dịch ngược khơng xác tùy chọn biên dịch khác công cụ dịch ngược tảng CPU đa dạng thiết bị IoT Vì vậy, với tốn phát mã độc IoT Botnet thiết bị IoT nay, hướng tiếp cận dựa phân tích tĩnh trở nên khó thực • Phân tích động phương pháp giám sát hành vi tập tin chạy, từ phát có hay khơng hành vi độc hại, bất thường Môi trường thực thi tập tin thường môi trường mô (như sandbox) thiết bị IoT thực tế (như cài đặt tác tử) Những thông tin thu thập hành vi mức hệ thống (syscall, giá trị ghi, liệu nhớ), hành vi mức mạng (dữ liệu luồng mạng peap) Phân tích động loại bỏ kỹ thuật gây rối mã nguồn, không dịch ngược mã nguồn tệp tin thường gặp phân tích động Tuy nhiên, khó khăn thực phân tích động việc xây dựng môi trường cho phép mã độc bộc lộ hồn tồn hành vi có khả giám sát đầy đủ hành vi Việc sử dụng phân tích động để phát IoT Botnet phân loại theo hai phương pháp phát xâm nhập dựa liệu mạng (Network-based Intrusion Detection System – NIDS) phát xâm nhập dựa liệu máy chủ (Host-based Intrusion Detection System – HIDS) Qua việc khảo sát nghiên cứu việc phát mã độc Botnet sử dụng phương pháp phân tích động cho thấy, phần lớn nhà nghiên cứu tâm vào việc phát mã độc dựa luồng mạng NIDS Tuy nhiên hướng tiếp cận phát IoT botnet thiết bị bị lây nhiễm bắt đầu truyền thông đến máy chủ lệnh điều khiển, bot khác chúng thực cơng Hình thức mã độc dựa liệu máy chủ HIDS khắc phục nhược điểm Tuy nhiên thiết bị IoT khác với thiết bị điện toán truyền thống chúng hạn chế tài nguyên xử lý lượng Hơn với phát triển thần tốc số lượng đa dạng chức khiến cho thiết bị IoT trở nên bất đồng kiến trúc phần cứng, giao tiếp truyền thông trạng thái hoạt động Do đó, hướng tiếp cận phát mã độc HIDS khó khăn chưa đầy đủ 10 Phương pháp thu thập xử lý thông tin: - Xây dựng mơ hình học máy phát sớm mã độc IoT Botnet • Để đáp ứng yêu cầu phân loại xác việc sử dụng phân loại học máy, mơ hình học máy cộng tác luận văn đưa vào sử dụng để tăng hiệu suất dự đốn mơ hình Mơ hình học máy cộng tác đưa dự đoán từ việc sử dụng phân loại tổng hợp dự đoán từ phân loại để đưa định Từ điểm nêu trên, phần luận văn xây dựng mơ hình học máy phát sớm mã độc IoT Botnet sử dụng liệu có đặc trưng thời gian thiết bị, thực phương pháp chọn lọc chuẩn hóa liệu, áp dụng mơ hình học máy cộng tác phân loại thích hợp cho toán phát sớm mã độc IoT Botnet - Học máy cộng tác trình sử dụng phân loại kết hợp kết dự đoán phân loại để tạo nên mơ hình đưa định phức tạp cải thiện hiệu dự đoán so với phân loại Phương pháp kết hợp linh hoạt dựa đặc trưng, kết phân loại - Dựa vào phương thức kết hợp liệu chia mơ hình học cộng tác thành nhóm chính: - - • Hợp sớm: phương pháp hợp liệu đầu vào cách tạo tập liệu đại diện cho tập liệu đơn lẻ Tập liệu đại diện sinh cách nối đặc trưng tập liệu vào với để tạo thành tập liệu đại diện có chứa tất đặc trưng tập liệu Sau có tập đại diện mơ hình phân loại sử dụng thuật tốn học máy để thực trình phân loại liệu đại diện • Hợp muộn: phương pháp cho phép tập hợp kết phân loại học máy phân loại (Classifier) đơn lẻ thông qua hàm hợp (Fusion) Mỗi liệu đặc trưng đầu vào huấn luyện phân loại dựa thuật toán học máy riêng biệt Kết phân loại tổng hợp để đưa định cuối • Hợp trung gian: cách hợp đặc trưng qua việc sử dụng lớp ẩn Các đặc trưng đầu vào đưa vào thuật toán học máy có lớp ẩn để tìm đặc trưng có liên quan tới mục tiêu phân loại Kết phân loại liệu riêng lẻ đưa qua lớp hợp định cuối sử dụng lớp ẩn để tổng hợp kết Các mơ hình học máy cộng tác kể có ưu điểm nhược điểm, việc nghiên cứu lý thuyết qua trình thực nghiệm, luận văn lựa chọn sử dụng phương pháp hợp muộn cho toán phát sớm mã đọc IoT Botnet đạt hiệu khả quan Tổng quát mơ hình học máy có phần để trích xuất xử lý liệu giúp đưa định: 11 • Bộ phận thu thập liệu: Luận văn tìm số mơi trường xây dựng cho việc thu thập liệu hành vi toán phát mã độc thiết bị IoT cỡ nhỏ IoTBOX, Cuckoo, REMNUX, Limon V-SandBox Sandbox có đầy đủ tính so với môi trường khác Với đầu vào tệp định dạng ELF, môi trường V-Sandbox tự động tạo môi trường phù hợp cho phép tệp thực thi giám sát hành vi tương tác với hệ điều hành • Bộ phận tiền xử lý chuẩn hóa liệu: Trong toán phát mã độc IoT Botnet, hành vi thường nhà nghiên cứu sử dụng để nhận biết dấu hiệu chúng thường là: lời gọi hệ thống, gói tin trao đổi mạng thay đổi tài nguyên hệ thống Do đó, luận văn sử dụng ba loại hành vi phổ biến kể để thu thập liệu phục vụ cho đánh giá khả phát mã độc IoT Botnet mơ hình ứng dụng • Bộ phận trích chọn đặc trưng: Trích chọn đặc trưng giúp loại bỏ đặc trưng thừa, khơng đóng góp nhiều vào q trình phân loại mơ hình, đặc trưng gây nhiễu, gây ảnh hưởng đến hiệu phân loại Do đó, trích chọn đặc trưng vừa giúp nâng cao độ xác cho mơ hình, vừa giảm thiểu tình trạng q khớp Trích chọn đặc trưng làm giảm chiều vecto đặc trưng đầu vào, qua đẩy nhanh tốc độ tính tốn, giúp mơ hình hội tụ nhanh • Bộ tổng hợp dự đốn: Q trình kết hợp kết phát phân loại học máy khác cần đến tham gia hàm tổng hợp Trong học máy, hàm tổng hợp kết phổ biến sử dụng Voting, Stacking, Bagging Boosting Luận văn lựa chọn phương pháp bầy chọn (Voting) để áp dụng cho tốn phát sớm dựa kết thực nghiệm Kết cuối dự đoán thực đa số “phiếu bầu” theo hai chiến lược khác biểu cứng biểu mềm Kết đạt được: - Sau thực nghiệm đánh giá mơ hình ứng dụng có khả phát xác với ACC = 99.23% Kết thực nghiệm cho thấy hiệu việc sử dụng mơ hình học máy cộng tác cho loại liệu hành vi phổ biến phát IoT Botnet Sử dụng Information Gain để trích chọn đặc trưng, cách kết hợp phận lớp sử dụng thuật toán học máy với mơ hình cộng tác góp phần làm tăng hiệu phát mơ hình Mơ hình kết hợp cho kết phát vượt trội mơ hình học máy đơn lẻ Khả phát sớm mơ hình thể đặc điểm lấy phần nhỏ lượng liệu đặc trưng cho hành vi tệp đầu vào xử lý để thực phân tích phát mã độc thay phải đợi mã độc thực đầy đủ hành vi để thu thập xử lý với toàn liệu Qua đó, luận văn đạt số kết sau: • Nghiên cứu, lựa chọn, ứng dụng xây dựng thử nghiệm thành cơng mơ hình học máy cộng tác phân tích phát mã độc IoT Botnet 12 • Thử nghiệm phát mã đọc với mơ hình học máy đơn lẻ so sánh đánh giá với mơ hình học máy xây dựng Kết cho thấy hiệu suất phát cải thiện vượt trội so với việc sử dụng học máy đơn lẻ • Đem lại khả ứng dụng trọng thực thể mơ hình cho kết phát thời gian ngắn yêu cầu lượng liệu đầu vào nhỏ mã đọc bắt đầu thực hành vi Do giảm thiểu hậu mã độc gây với thiết bị hệ thống thông tin - Kết luận văn góp phần bổ sung vào nghiên cứu phát mã đọc IoT Botnet dựa phương pháp phân tích động tiềm ứng dụng cao Một số nội dung nghiên cứu luận văn chấp nhận công bố Kỷ yếu hội nghị quốc tế lần thứ Điện tử, truyền thơng khoa học máy tính (ICECCE) với báo “Adversaral Attack and Defense on Graph-based IoT Botnet Detection Approach” Hạn chế cơng trình: - Luận văn số hạn chế, vướng mắc phần xử lý sandbox khơng gian tài ngun u cầu lớn, thời gian khởi động chậm Ngoài chạy VSandbox để thu thập hành vi liệu số mẫu xảy việc thực vịng lặp để thu thập thêm liệu cho lần chạy khiến cho thời gian xử lý mẫu lến đến phút 13 Câu 4: Em xây dựng đề cương nghiên cứu cho đề tài nghiên cứu khoa học ngành học thân em mà em u thích (theo mẫu) BỘ THƠNG TIN VÀ TRUYỀN THƠNG CỘNG HỒ XÃ HỘI CHỦ NGHĨA VIỆT NAM HỌC VIỆN CÔNG NGHỆ BCVT Độc lập - Tự - Hạnh phúc Hà nội, ngày tháng năm ĐỀ TÀI NGHIÊN CỨU KHOA HỌC Họ tên tác giả: Phạm Thùy Trang Tên đề tài: Nghiên cứu mơ hình học máy với liệu y tế ứng dụng sàng lọc bệnh tiểu đường Mục tiêu nghiên cứu Qua nghiên cứu mơ hình máy học ứng dụng chẩn đoán bệnh với liệu y tế, lập trình chương trình thực nghiệm với liệu thực, số kết cần đạt sau: - Nắm chất học máy mơ hình học máy - Hiểu tính thực tế học máy tới y tế thông qua ứng dụng học máy - Áp dụng mơ hình học máy để xây dựng phần mềm chẩn đoán bệnh nhân có bị tiểu đường hay khơng liệu thực - Rút độ thực tiễn ý nghĩa khoa học việc áp dụng học máy vào ứng dụng chẩn đoán bệnh với liệu y tế Ý nghĩa thực tiễn đề tài Học máy (machine learning) đóng vai trị quan trọng cách mạng cơng nghiệp 4.0, thúc đẩy phát triển nhiều ngành, có ngành y tế thúc đẩy mạnh mẽ Phân tích liệu lớn học máy mang lại lợi đáng kể cho việc đồng hóa đánh giá lượng lớn liệu chăm sóc sức khỏe phức tạp Ưu điểm học máy bao gồm tính linh hoạt khả mở rộng so với phương pháp thống kê sinh học truyền thống, việc giúp học máy triển khai cho nhiều nhiệm vụ khác nhau, ví dụ phân tầng rủi ro, chẩn đoán, phân loại dự đoán tỷ lệ sống Một ưu điểm khác mơ hình học máy khả phân tích loại liệu khác hồ sơ y tế, liệu nhân học, liệu xét nghiệm y tế, liệu hình ảnh áp dụng chúng vào tiên lượng, chẩn đoán nguy mắc bệnh, phương pháp điều trị thích hợp Mặc dù có ưu điểm này, việc áp dụng học máy y tế gặp nhiều khó khăn cơng việc thu thập liệu bệnh nhân khơng dễ dàng, khơng có cho phép bệnh nhân việc sử dụng liệu bệnh nhân cho mục đích vi phạm pháp luật Tại Việt Nam, việc áp dụng học máy việc chẩn đoán bệnh áp dụng thành cơng y tế, điển hình phương pháp chẩn đốn bệnh qua hình ảnh với tỉ lệ xác cao bệnh viện lớn bệnh viện Việt Nam Cuba, bệnh Quân y 103, … Tuy nhiên, việc thu thập liệu cịn khó khăn bao gồm cần 14 cho phép bệnh nhân đồng ý chia sẻ bệnh viện nên việc áp dụng học máy chưa rộng rãi bệnh viện khác Việc áp dụng học máy, trí tuệ nhân tạo đóng góp to lớn vào việc hỗ trợ bác sỹ, chuyên gia chẩn đoán, điều trị bệnh Luận văn thực đề tài nghiên cứu mơ hình học máy ứng dụng y học với dạng liệu y tế khác thử nghiệm với toán cụ thể sàng lọc bệnh tiểu đường Tình hình nghiên cứu ngồi nước 5.1 Ngồi nước: - - Trong năm trở lại đây, bùng nổ liệu lớn lực tính tốn giúp cho mơ hình AI đạt bước tiến vượt bậc Các đột phá nghiên cứu nghiên cứu ứng dụng AI y tế liên tiếp công bố đưa vào triển khai thực tế Nói cách vắn tắt, mơ hình AI tham gia hỗ trợ bác sĩ tồn quy trình khám chữa bệnh lâm sàng dựa hình ảnh y tế AI cho phép tạo hình ảnh y khoa nhanh hơn, chất lượng với giá thành rẻ Việc phân tích, chẩn đốn bệnh tự động xuất báo cáo… đảm nhiệm thuật tốn AI Trong tác vụ trên, AI được ứng dụng rộng rãi nhằm phục vụ chẩn đoán bệnh dựa hình ảnh , đặc biệt phát sớm bệnh lý liên quan đến ung thư Năng lực hệ thống AI chẩn đốn hình ảnh (CĐHA) y tế chia làm mức độ: • (1) Detection: phát bất thường tiềm tàng từ hình ảnh, phân loại hình ảnh bệnh nhân mắc bệnh bệnh nhân khơng mắc bệnh Chức AI giúp giải toán sàng lọc diện rộng tối ưu việc phân luồng bệnh nhân theo tính ưu tiên • (2) Characterization: đặc tả tính chất tổn thương, tiến hành khoanh vùng, phân loại mức độ nguy hiểm theo tiêu chuẩn y khoa Ví dụ phân loại mức độ ung thư hố tổn thương • (3) Monitoring: giám sát đánh giá tiến triển tổn thương hình ảnh Theo dõi đánh giá theo thời gian thực tình khẩn cấp nguy hiểm tới tính mạng người bệnh - Sự thiếu hụt nguồn lực y tế so với nhu cầu thực tế toàn giới Theo thống kê, Nhật Bản có 36 bác sĩ CĐHA/triệu dân Cả Liberia có bác sĩ CĐHA 14 quốc gia châu Phi bác sĩ CĐHA Ngay quốc gia phát triển nhất, thiếu hụt nguồn nhân lực vấn đề nhức nhối Tại Anh, ước tính có 300.000 hình ảnh X-quang phải chờ đến 30 ngày trước phân tích [8] thời điểm năm AI coi xu hướng tất yếu công cụ mạnh giúp bù đắp thiếu hụt Một loạt công cụ AI phát triển ứng dụng phân tích chẩn đốn nhiều phương thức hình ảnh khác X-quang phổi, X-quang vú, CT/MRI sọ não Tại Mỹ, số phần mềm AI Cục quản lý Thực phẩm Dược phẩm Hoa Kỳ (FDA) cấp giấy phép hoạt động Chẳng hạn, phần mềm chẩn đoán đột quỵ não thiếu máu cục cấp tính dựa phân tích hình ảnh CT não Viz.AI Thử nghiệm lâm sàng cho thấy hệ thống AI Viz.AI giúp giảm thiểu tới 45% thời gian chẩn đốn 15 chăm sóc bệnh nhân, điều đồng nghĩa với việc nhiều bệnh nhân cứu sống • Với phát triển nhanh chóng cơng nghệ, lượng thơng tin từ cơng trình nghiên cứu ngày nhiều nhanh Hiện nay, lượng thông tin y khoa tăng gấp đơi sau năm Người ta ước tính bác sĩ muốn cập nhật toàn thơng tin y khoa phải đọc 29 ngày Ngoài ra, nguồn liệu lớn (big data), bao gồm liệu từ hồ sơ sức khoẻ điện tử (EHR), liệu “omic” - liệu di truyền học (genomics), liệu chuyển hóa (metabolomics) liệu protein (proteomics), liệu xã hội học lối sống nguồn liệu khơng có ích khơng phân tích tồn diện Giải pháp để tiếp cận sử dụng khối lượng thông tin khổng lồ lĩnh vực y tế sử dụng cơng nghệ trí tuệ nhân tạo (Artificial Intelligence – AI) IBM Watson hệ thống hàng đầu hỗ trợ chăm sóc sức khỏe AI, giúp bác sĩ đưa định hiệu Với khả máy học (machine learning) khả xử lý ngôn ngữ tự nhiên, hệ thống giúp bác sĩ xem xét hồ sơ sức khoẻ điện tử bệnh nhân cập nhật thông tin hướng dẫn điều trị từ cơng trình nghiên cứu y khoa Một nghiên cứu mù đôi so sánh định hội đồng chuyên gia ung thư với định trí tuệ nhân tạo từ hệ thống ung thư Watson Kết cho thấy 90% khuyến nghị mà hệ thống đưa phù hợp với khuyến nghị hội đồng chuyên gia, hệ thống 40 giây để hồn tất quy trình • Năm 2009, Bộ Y tế Hoa Kỳ bắt đầu khuyến khích áp dụng EHRs Tuy nhiên, q trình thực gặp nhiều thách thức, rào cản bao gồm hài lòng thấp nhân viên y tế với hệ thống EHR, vấn đề khả tương tác độ trễ thực hành hồ sơ sức khoẻ điện tử, sở chăm sóc ban đầu Hiện nay, EHR trở thành công việc tiêu tốn nhiều thời gian nhân viên y tế sở chăm sóc sức khỏe Cơng nghệ AI hứa hẹn giúp nhà cung cấp dịch vụ chăm sóc sức khỏe thu thập, lưu trữ, định dạng lại theo dõi liệu lâm sàng, kế hoạch đánh giá cá nhân hóa • Tại Mỹ, ước tính tỷ lệ lỗi chẩn đốn ngoại trú 5,08% tương đương 12 triệu người năm Khoảng nửa số lỗi có khả gây hại Công nghệ AI sử dụng để cải thiện chất lượng chẩn đoán, đặc biệt X quang AI dựa nguồn liệu 129.450 hình ảnh lâm sàng để chẩn đốn bệnh ngồi da, kết chứng minh hệ thống phân loại ung thư da mức tương đương với bác sĩ da liễu Một thuật toán dựa hình ảnh cộng hưởng từ chuyển động tim cho phép dự đốn xác kết bệnh nhân bị tăng áp phổi; phương pháp phân loại nhịp tự động phân tích điện tâm đồ liên tục (ECGs) bệnh nhân mắc bệnh nghiêm trọng Một nghiên cứu khác xem xét kết đầy hứa hẹn sử dụng AI hình ảnh đột quỵ cho cơng nghệ AI đóng vai trò quan trọng việc quản lý bệnh nhân đột quỵ • Watson IBM ứng dụng học máy vào hỗ trợ phân loại khối u theo loại di truyền, cho phép bác sĩ đưa phương pháp điều trị hiệu 16 với bệnh bệnh nhân Ứng dụng trí tuệ nhân tạo giúp giảm 78% thời gian sàng lọc thử nghiệm lâm sàng từ 1h50p xuống 24 phút, với kết chẩn đoán đạt tỷ lệ phù hợp tới 96% cho ung thư phổi, 81% với ung thư đại tràng 93% với trường hợp ung thư trực tràng theo nghiên cứu Trung tâm Ung thư toàn diện Manipal Bangalore, Ấn Độ • Ultromics – phát triển Bệnh viện John Radcliffe Anh – tảng chẩn đoán hỗ trợ AI giúp chẩn đoán bệnh tim cách xác so với bác sĩ Hay công ty Optellum phát triển hệ thống AI cho chẩn đoán ung thư phổi cách phân tích cụm tế bào phát qua ảnh chụp Hay ông lớn Google phát triển hệ thống AI xác định xác dấu hiệu ung thư tuyến tiền liệt sinh thiết Các thuật tốn máy tính có khả hỗ trợ đưa kết luận gần mà không cần người nhập liệu trực tiếp AI thực điều thơng qua thuật tốn học máy học sâu Theo CB Insights, 86% tổ chức cung cấp dịch vụ chăm sóc sức khỏe, công ty khoa học đời sống nhà cung cấp cơng nghệ chăm sóc sức khỏe sử dụng cơng nghệ trí tuệ nhân tạo CB Insights ước tính cơng ty chi trung bình 54 triệu cho dự án AI vào năm 2020, Frost & Sullivan dự kiến AI tạo khoản tiết kiệm 150 tỷ la cho ngành chăm sóc sức khỏe vào năm 2025 Trong nước: - Nghiên cứu ứng dụng AI y tế Việt Nam giai đoạn đầu Một số ứng dụng AI hỗ trợ chẩn đốn cơng ty cơng nghệ quốc tế phát triển triển khai số bệnh viện Tuy nhiên, liệu người Việt có tính đặc thù Điều làm giảm hiệu thuật toán AI vốn huấn luyện dựa liệu Một số tập toàn nước Vingroup, Viettel hay FPT bước phát triển giải pháp thông minh hỗ trợ y tế Đây coi điểm sáng hướng đắn Việt Nam tự chủ công nghệ lõi, đặc biệt bảo đảm vấn đề bảo mật liệu sức khoẻ người dân • Y tế Việt Nam tiến hành theo hướng bệnh viện số Với sóng cách mạng cơng nghiệp 4.0, ứng dụng nâng cấp phần mềm máy móc hỗ trợ chẩn đốn hình ảnh y tế cập nhật thường xun, chí cịn nhanh phần mềm điện thoại di động Hiện nay, ứng dụng công nghệ thông minh hướng tương lai cho y học nước ta • Theo thơng tin từ Bộ Y tế, sau năm triển khai, hầu hết bệnh viện kết nối, liên thông liệu khám chữa bệnh BHYT với quan giám định toán BHYT, phục vụ giám định khám chữa bệnh BHYT điện tử Tại đa số bệnh viện sử dụng CNTT công tác quản lý bệnh viện Khi bệnh nhân nhập viện, tồn thơng tin lưu vào máy chủ kết nối toàn khoa bệnh viện Hai phần mềm lưu trữ kết hình ảnh PACS (lưu trữ phim chụp, kết xét nghiệm, siêu âm ), sau chụp có kết gửi thẳng đến phòng mổ tới bác sĩ điều trị mà không cần in phim Tiếp theo phần mềm quản lý dược Sau bệnh nhân bác sĩ kê đơn thuốc, khoa dược nhận thông tin chuẩn bị sẵn loại thuốc, bệnh nhân lấy thuốc mà 17 không cần phải chờ đợi Bộ Y tế triển khai hệ thống lưu trữ truyền tải hình ảnh số bệnh viện Đây đề án có ý nghĩa, khơng nâng cao chất lượng khám chữa bệnh, ứng dụng CNTT, ứng dụng cơng nghệ đại mà cịn có ý nghĩa bảo vệ mơi trường Vì phim thải tồn gây độc hại cho môi trường hàng trăm năm • Trong phần thảo luận buổi tọa đàm “Nghiên cứu, phát triển ứng dụng trí tuệ nhân tạo y tế”, TS Trần Thị Mai Oanh, Viện trưởng Viện Chiến lược, Bộ Y tế cho biết: Trong năm gần đây, ngành y tế quan tâm đến việc ứng dụng CNTT, số hóa nhiều hoạt động AI có vùng áp dụng rộng, hỗ trợ, chăm sóc tồn diện sức khỏe người dân Bao gồm: Theo dõi sức khỏe cá nhân nhằm giảm thiểu nguy bệnh, phát sớm bệnh thời đại ung thư, tim mạch, tiểu đường giúp giảm chi phí kéo dài sống, giúp bệnh nhân tuân thủ việc uống thuốc, theo dõi diễn biến bệnh Việt Nam sử dụng AI y tế từ vài năm trước Ứng dụng AI hỗ trợ chẩn đoán đưa phác đồ điều trị 13 loại ung thư vận hành số bệnh viện đánh giá cao Hiện tại, dù AI chưa ứng dụng nhiều bệnh viện, số ứng dụng chứng minh hỗ trợ nhiều công tác khám điều trị bệnh • GS.TS Đào Văn Long - nguyên Giám đốc Bệnh viện Đại học Y Hà Nội, cho biết: Trong lĩnh vực nội soi tiêu hóa, đội ngũ thầy thuốc Việt Nam đáp ứng khoảng 5-10% nhu cầu Đó bác sĩ nội soi, cịn để chẩn đốn tổn thương lại khó nhiều thiếu chuyên gia Để giải vấn đề này, khuynh hướng mà áp dụng học máy nội soi tiêu hóa Với tổn thương tiêu hóa, thay phải có chun gia giàu kinh nghiệm, chí phải làm xét nghiệm tế bào để chẩn đốn máy học báo cho thầy thuốc biết ln tổn thương ung thư ổ loét, điều tạo điều kiện để bác sĩ định sớm hướng điều trị • Mới đây, hệ thống trí tuệ nhân tạo VinDr Trung tâm Xử lý ảnh y tế, trực thuộc VinBigdata phát triển cho phép CĐHA bệnh lý phổi ảnh Xquang lồng ngực, chẩn đoán ung thư vú ảnh X-quang tuyến vú, xác định bất thường hình ảnh CT/MRI sọ não phát bất thường phim chụp X-quang cột sống thử nghiệm lâm sàng số bệnh viện lớn Bệnh viện Trung ương Quân đội 108, Bệnh viện Đại học Y Hà Nội, Bệnh viện Đa khoa Quốc tế Vinmec Theo đánh giá từ đội ngũ chuyên gia y tế bệnh viện cho thấy, VinDr đảm bảo độ xác cao, cho phép hỗ trợ đắc lực bác sĩ CĐHA chẩn đoán bệnh Hệ thống VinDr xây dựng nguồn liệu bệnh nhân Việt Nam, với đặc điểm sinh lý, giải phẫu bệnh lý xác người Việt Các liệu quy mô lớn thu thập gán nhãn đội ngũ bác sĩ CĐHA giàu kinh nghiệm yếu tố tiên để đảm bảo độ xác thuật tốn AI Ngoài ra, trước thách thức đại dịch Covid19, VinDr ứng dụng chẩn đoán lao bệnh phổi; hỗ trợ 18 đánh giá tiên lượng điều trị bệnh nhân Covid-19, giúp phát nhanh dấu hiệu bất thường dựa ảnh X-quang ngực thẳng, kết hợp xét nghiệm PCR từ nâng cao độ xác, giảm thiểu tình trạng âm tính giả Thành cơng ban đầu VinDr khẳng định trình độ nhà khoa học Việt Nam Số lượng hệ thống AI phát triển bản, áp dụng rộng rãi tạo ảnh hưởng tích cực lên hiệu chẩn đốn bệnh cịn hạn chế Việc ứng dụng mơ hình học máy với liệu y tế cơng tác chăm sóc, nâng cao sức khỏe Việt Nam có bước phát triển quan trọng, đặt móng xây dựng y tế thơng minh với trụ cột là: Phịng bệnh, chăm sóc sức khỏe thơng minh; khám chữa bệnh thơng minh quản trị y tế thông minh Sau thời gian vào hoạt động, người dân bước đầu hưởng lợi từ thành tựu từ trí tuệ nhân tạo, mơ hình học máy hoạt động y tế Dự kiến kế hoạch thực Dự kiến kế hoạch thực hiện: - Bố cục nghiên cứu: Bìa luận văn Lời mở đầu Mục lục Nội dung: • Chương 1: Giới thiệu đề tài 1.1 Tổng quan đề tài 1.1.1 Lý chọn đề tài 1.1.2 Mục tiêu nhiệm vụ nghiên cứu 1.1.3 Đối tượng phạm vi nghiên cứu 1.1.4 Phương pháp nghiên cứu 1.1.5 Ý nghĩa khoa học thực tiễn 1.1.6 Bố cục luận văn 1.2 Tổng quan học máy 1.3 Ứng dụng học máy y học 1.3.1 Ứng dụng học máy tiên lượng, chẩn đoán bệnh 1.3.2 Ứng dụng học máy nghiên cứu phát triển thuốc 1.3.3 Ứng dụng học máy điều trị bệnh 1.3.4 Ứng dụng học máy dự đoán dịch bệnh 1.3.4 Một số khó khăn việc áp dụng học máy y học • Chương 2: Nghiên cứu mơ hình học máy với liệu y tế 2.1 Phân loại mơ hình học máy 2.2 Ứng dụng học máy y tế 2.2.1 Ứng dụng với liệu bệnh án điện tử 2.2.2 Học máy với liệu ảnh y tế 2.3 Một số mơ hình học máy điển hình 19 ... trình nghiên cứu khoa học ngành học em? Trình tự logic NCKH Phân tích bước với cơng trình nghiên cứu khoa học Câu 2: Trình bày cấu trúc báo khoa học Lấy ví dụ báo khoa học ngành học. .. nghiên cứu Lựa chọn phương pháp (methods) chứng minh giả thuyết Tìm kiếm luận (evidence) để chứng minh luận điểm Phân tích cơng trình nghiên cứu khoa học: Đề tài nghiên cứu khoa học: Thanh tốn hình... tháng năm ĐỀ TÀI NGHIÊN CỨU KHOA HỌC Họ tên tác giả: Phạm Thùy Trang Tên đề tài: Nghiên cứu mơ hình học máy với liệu y tế ứng dụng sàng lọc bệnh tiểu đường Mục tiêu nghiên cứu Qua nghiên cứu mô