5 phương pháp khử nhận dạng dữ liệu: từ k-anonymity đến differential privacy

Phương pháp khử nhận dạng dữ liệu là kỹ thuật thay đổi hoặc xóa thông tin để dữ liệu không còn xác định, hoặc giúp xác định, một người cụ thể (khoản 11 Điều 2 Luật Bảo vệ dữ liệu cá nhân số 91/2025/QH15). Dữ liệu đã khử nhận dạng không còn là dữ liệu cá nhân (khoản 1 Điều 2 Luật). Khoản 5 Điều 7 Nghị định 356/2025/NĐ-CP bắt buộc khử nhận dạng trước khi giao dịch dữ liệu cá nhân trên sàn dữ liệu. Câu hỏi thực tế của đội dữ liệu là chọn kỹ thuật nào để đủ an toàn mà tập dữ liệu vẫn dùng được. Bài này so sánh 5 phương pháp thường gặp và gợi ý cách chọn theo mục đích sử dụng.

1. Bài toán cân bằng giữa quyền riêng tư (privacy) và giá trị dữ liệu (utility)#

Mọi phương pháp khử nhận dạng dữ liệu đều đánh đổi giữa hai yếu tố:

• Mức bảo vệ riêng tư (privacy): khả năng ngăn người khác xác định lại cá nhân khi ghép dữ liệu với các nguồn thông tin khác.
• Giá trị phân tích (utility): mức chính xác, chi tiết và các mối tương quan thống kê còn giữ được để phân tích hoặc huấn luyện mô hình.

Xóa quá nhiều trường hoặc thêm quá nhiều nhiễu thì tập dữ liệu mất giá trị. Làm quá nhẹ thì dữ liệu vẫn xác định được người, tức vẫn là dữ liệu cá nhân, và mọi nghĩa vụ của Luật 91 vẫn áp dụng.

2. Chi tiết 5 phương pháp khử nhận dạng dữ liệu hàng đầu#

Phương pháp 1: Che mờ và xóa trường định danh (data masking & suppression)#

• Nguyên lý: xóa các trường định danh trực tiếp (họ tên, số định danh cá nhân, email) hoặc thay một phần ký tự bằng ký tự đại diện (ví dụ 0912***789).
• Ưu điểm: đơn giản, nhanh, chi phí thấp.
• Nhược điểm: dễ bị tấn công liên kết (linkage attack) khi ghép các trường định danh gián tiếp như ngày sinh, giới tính, nghề nghiệp, mã vùng (xem các hình thức tấn công tái nhận dạng dữ liệu). Chỉ masking thường chưa đủ để dữ liệu được coi là đã khử nhận dạng.
• Trường hợp áp dụng: che dữ liệu trên giao diện ứng dụng nội bộ, bàn giao bản ghi cho nhân viên tổng đài.

Phương pháp 2: Mô hình k-anonymity#

• Nguyên lý: tập dữ liệu đạt k-anonymity khi mỗi tổ hợp trường định danh gián tiếp (quasi-identifier như tuổi, giới tính, mã bưu chính) xuất hiện ở ít nhất k bản ghi. Mỗi người vì thế không phân biệt được với ít nhất k−1 người khác.
• Cách thực hiện: tổng quát hóa (generalization, ví dụ tuổi 28 thành nhóm 20–30) và loại bỏ bản ghi quá hiếm (suppression, ví dụ bệnh nhân 105 tuổi ở một xã nhỏ).
• Ưu điểm: dễ hiểu, dễ kiểm tra, giữ được phân phối tổng thể.
• Nhược điểm: dễ bị tấn công đồng nhất (homogeneity attack) khi cả k người trong nhóm có cùng một thuộc tính nhạy cảm, ví dụ cùng một chẩn đoán bệnh.
• Trường hợp áp dụng: báo cáo thống kê y tế, bảo hiểm, nhân sự.

Phương pháp 3: L-diversity và t-closeness (mở rộng k-anonymity)#

• Nguyên lý: l-diversity yêu cầu trong mỗi nhóm k bản ghi, thuộc tính nhạy cảm có ít nhất l giá trị khác nhau. T-closeness yêu cầu phân phối của thuộc tính nhạy cảm trong từng nhóm không lệch quá ngưỡng t so với phân phối chung của cả tập dữ liệu.
• Ưu điểm: giảm mạnh rủi ro suy luận thuộc tính (attribute disclosure) mà k-anonymity bỏ sót.
• Nhược điểm: thuật toán phức tạp hơn, có thể phải loại nhiều bản ghi.
• Trường hợp áp dụng: dữ liệu y tế, dữ liệu tín dụng có thuộc tính nhạy cảm.

Phương pháp 4: Tính riêng tư vi phân (differential privacy)#

• Nguyên lý: kết quả truy vấn hoặc mô hình gần như không đổi dù thêm hay bớt dữ liệu của một người bất kỳ. Mức "gần như" được đo bằng tham số ε (epsilon). Cách làm là thêm nhiễu toán học (Laplace hoặc Gauss) vào kết quả. Apple và Google đã dùng kỹ thuật này để thu thập số liệu sử dụng từ thiết bị.
• Ưu điểm: có bảo đảm toán học đo được, không phụ thuộc vào việc kẻ tấn công nắm những nguồn dữ liệu nào khác.
• Nhược điểm: cần chuyên gia để đặt ngân sách riêng tư (privacy budget ε). Chọn ε quá lớn thì bảo đảm yếu. Kết quả chỉ là ước lượng.
• Trường hợp áp dụng: thống kê tổng hợp, telemetry trên ứng dụng di động, huấn luyện mô hình học máy (DP-SGD).

Phương pháp 5: Dữ liệu tổng hợp (synthetic data)#

• Nguyên lý: dùng mô hình sinh (GAN, VAE, diffusion) học phân phối và tương quan của dữ liệu thật, rồi sinh ra tập dữ liệu nhân tạo mới.
• Ưu điểm: không có bản ghi tương ứng một-một với người thật nếu mô hình sinh được kiểm soát tốt; giữ được định dạng và nhiều mối tương quan phức tạp.
• Nhược điểm: việc huấn luyện mô hình sinh vẫn là xử lý dữ liệu cá nhân thật. Mô hình có thể ghi nhớ và sao chép bản ghi gốc, nhất là bản ghi hiếm, nên cần đo độ gần giữa bản ghi tổng hợp và bản ghi thật trước khi phát hành. Cần năng lực tính toán lớn.
• Trường hợp áp dụng: kiểm thử phần mềm, huấn luyện mô hình AI, nghiên cứu.

3. Bảng so sánh tổng hợp 5 phương pháp khử nhận dạng dữ liệu#

Mức đánh giá dưới đây mang tính tương đối, vì hiệu quả của mỗi phương pháp khử nhận dạng dữ liệu còn phụ thuộc vào tham số và cách triển khai.

• Data masking: Mức độ bảo vệ: Thấp | Độ suy giảm dữ liệu: Rất thấp | Độ phức tạp: Đơn giản | Phù hợp: giao diện nội bộ, kiểm thử cơ bản.
• K-anonymity: Mức độ bảo vệ: Trung bình | Độ suy giảm dữ liệu: Thấp | Độ phức tạp: Trung bình | Phù hợp: báo cáo phân tích kinh doanh, thống kê nhân sự.
• L-diversity: Mức độ bảo vệ: Khá cao | Độ suy giảm dữ liệu: Trung bình | Độ phức tạp: Khá cao | Phù hợp: dữ liệu y tế, chấm điểm tín dụng.
• Differential privacy: Mức độ bảo vệ: Cao, tùy ε | Độ suy giảm dữ liệu: Trung bình | Độ phức tạp: Rất cao | Phù hợp: thống kê tổng hợp, telemetry, huấn luyện AI.
• Synthetic data: Mức độ bảo vệ: Cao nếu kiểm soát được việc ghi nhớ bản ghi gốc | Độ suy giảm dữ liệu: Thấp đến trung bình | Độ phức tạp: Rất cao | Phù hợp: kiểm thử, huấn luyện AI, chia sẻ dữ liệu mẫu.

4. Doanh nghiệp nên chọn phương pháp khử nhận dạng dữ liệu nào?#

Căn cứ vào mục đích sử dụng:

1. Giao dịch trên sàn dữ liệu: kết hợp k-anonymity với l-diversity, hoặc dùng synthetic data đã kiểm tra rủi ro ghi nhớ. Pháp luật hiện chưa đặt ngưỡng k cụ thể; k ≥ 5 chỉ là mức hay dùng trong thực tế. Nghị định 356 giao Bộ Công an chủ trì xây dựng quy chuẩn kỹ thuật khử nhận dạng dữ liệu cá nhân (khoản 4 Điều 34), nên cần theo dõi quy chuẩn này khi được ban hành.
2. Huấn luyện mô hình AI hoặc LLM: lọc thông tin định danh bằng nhận dạng thực thể (NER) cho tiếng Việt, kết hợp DP-SGD khi huấn luyện. Quy trình chi tiết có trong bài khử nhận dạng dữ liệu huấn luyện AI.
3. Chia sẻ cho nhà cung cấp phần mềm: dùng bí danh hóa (pseudonymization) và tự giữ khóa ánh xạ. Dữ liệu bí danh hóa vẫn là dữ liệu cá nhân vì còn khóa để xác định lại người, nên vẫn cần hợp đồng xử lý dữ liệu với nhà cung cấp.

Khử nhận dạng xong chưa phải là hết nghĩa vụ. Bản thân việc khử nhận dạng là một hoạt động xử lý dữ liệu cá nhân (khoản 6 Điều 2 Luật). Tổ chức thực hiện phải kiểm soát, giám sát chặt chẽ quá trình này (điểm a khoản 6 Điều 14 Luật) và không được tái nhận dạng dữ liệu đã khử nhận dạng (điểm b khoản 6 Điều 14 Luật). Nghị định 330/2026/NĐ-CP phạt tổ chức từ 10 đến 30 triệu đồng nếu khử nhận dạng mà không kiểm soát, giám sát chặt chẽ (điểm d khoản 1 Điều 51), và từ 50 đến 60 triệu đồng nếu tái nhận dạng (điểm b khoản 3 Điều 51).

Trước khi phát hành một tập dữ liệu, nên chạy khung đánh giá rủi ro tái nhận dạng và lưu lại kết quả. Nếu cần gắn việc chọn phương pháp với nghĩa vụ pháp lý cụ thể của doanh nghiệp, xem dịch vụ tư vấn tuân thủ bảo vệ dữ liệu cá nhân. Đội kỹ thuật cần thực hành có thể tham khảo chương trình đào tạo bảo vệ dữ liệu cá nhân.