Đề xuất giải pháp bảo mật dữ liệu riêng tư trong xếp hạng tín dụng của các ngân hàng thương mại ở Việt Nam

1
© Học viện Ngân hàng
ISSN 1859 - 011X 
Tạp chí Khoa học & Đào tạo Ngân hàng
Số 218- Tháng 7. 2020
Đề xuất giải pháp bảo mật dữ liệu riêng tư trong xếp 
hạng tín dụng của các ngân hàng thương mại ở Việt Nam
Đinh Trọng Hiếu Nguyễn Thị Thu Trang
Ngày nhận: 28/04/2020 Ngày nhận bản sửa: 14/05/2020 Ngày duyệt đăng: 15/00/2019
Xếp hạng tín dụng khách hàng (hay còn được gọi là chấm điểm tín dụng) 
được đánh giá là một trong những khâu quan trọng nhất giúp các ngân 
hàng thương mại (NHTM)/ tổ chức tín dụng (TCTD) phòng ngừa và hạn 
chế rủi ro trong hoạt động tín dụng. Tuy nhiên, việc tiếp cận tới các thông 
tin của khách hàng phục vụ cho việc chấm điểm tín dụng, đặc biệt là những 
thông tin mang tính chất riêng tư, nhạy cảm là điều không hề đơn giản. 
Thậm chí, kể cả khi khách hàng đồng ý cho các NHTM/TCTD sử dụng dữ 
liệu của mình thì việc lưu trữ, quản lý dữ liệu đó theo đúng quy định cũng 
hết sức phức tạp. Bài báo này, chúng tôi đề xuất một giải pháp cho phép 
các NHTM/TCTD xếp hạng tín dụng khách hàng trong khi hạn chế tối đa 
việc chia sẻ dữ liệu của khách hàng giữa các bên liên quan. Giải pháp này 
A solution to secure private data in credit scoring for commercial banks in Vietnam
Abstract: Credit rating (also known as credit scoring) is considered as one of the most important steps to 
help commercial banks and credit institutions prevent and limit risks in credit activities. However, access 
to customer information for credit scoring is not simple, especially confidential and sensitive information. 
Even if the customer agrees to let the commercial banks or credit institutions use their data, the storage 
and management of such data in accordance with the regulations is also very complicated. In this paper, we 
propose a solution that allows commercial banks/credit institutions to calculate customer credit score while 
minimizing the sharing of customer data among stakeholders. Our solution helps protect the privacy and 
confidentiality of all parties.
Keywords: credit scoring, security, private data, banking
Hieu Trong Dinh
Email: hieudt@hvnh.edu.vn
Trang Thi Thu Nguyen
Email: trangntt83@gmail.com
Organization of all: Faculty of Management Information Systems, Banking Academy of Vietnam
1 Bài báo được thực hiện trong khuôn khổ Đề tài khoa học cấp Học viện Ngân hàng: “Nghiên cứu ứng dụng giải pháp 
khai phá dữ liệu đảm bảo tính riêng tư trong phân tích dữ liệu NHTM Việt Nam”, do Thạc sỹ Vũ Duy Hiến làm chủ 
nhiệm cùng nhóm thành viên thực hiện, Mã số: DTHV.02/2019.
Khoa Hệ thống thông tin quản lý, Học viện Ngân hàng
Đề xuất giải pháp bảo mật dữ liệu riêng tư trong xếp hạng tín dụng 
của các ngân hàngthương mại ở Việt Nam
2 Tạp chí Khoa học & Đào tạo Ngân hàng- Số 218- Tháng 7. 2020
được kỳ vọng sẽ giúp các thông tin riêng tư và bí mật của các bên được bảo 
vệ an toàn hơn.
Từ khóa: bảo mật, dữ liệu riêng tư, xếp hạng tín dụng
1. Giới thiệu
Trong lĩnh vực tài chính- ngân hàng (TC-
NH), hoạt động xếp hạng tín dụng khách 
hàng là đánh giá về rủi ro tín dụng, chất 
lượng tín dụng, khả năng và thiện chí của 
chủ thể đi vay trong việc đáp ứng các nghĩa 
vụ tài chính một cách đầy đủ và đúng hạn 
(Reserve, 2007). Hoạt động này được đánh 
giá là một trong những khâu quan trọng 
nhất giúp các NHTM và TCTD phòng 
ngừa và hạn chế rủi ro trong hoạt động tín 
dụng. Hiện nay, đối với các NHTM cổ phần 
(NHTMCP) ở Việt Nam như Vietcombank, 
BIDV, Vietinbank, công cụ xếp hạng tín 
dụng phổ biến nhất được sử dụng là chấm 
điểm tín dụng theo mô hình được tư vấn 
bởi chuyên gia (Dinh & Kleimeiera, 2007; 
Lê & Đặng, 2016; Nguyễn, 2019).
Để phục vụ cho hoạt động xếp hạng tín 
dụng, mỗi khách hàng cần phải cung cấp 
nhiều thông tin, bao gồm cả thông tin mang 
tính riêng tư như: thu nhập cá nhân, tổng số 
dư nợ hiện tại, các gói bảo hiểm nhân thọ 
tham gia, cước di động hàng tháng... cho các 
NHTM/TCTD. Những dữ liệu, thông tin 
này thường được chia sẻ từ phía các bên sở 
hữu (ví dụ: CIC, công ty bảo hiểm nhân thọ, 
công ty viễn thông, cơ quan thuế) dưới sự 
đồng ý của khách hàng.
Mặc dù việc sử dụng, lưu trữ và bảo vệ 
dữ liệu thông tin riêng tư của cá nhân đã 
được quy định trong Điều 21 (Hiến pháp, 
2013), Nghị định 117 (Chính phủ, 2018), 
Thông tư số 18 (NHNN, 2018), Khoản 2 
Điều 46 của Luật Giao dịch điện tử năm 
2005 (Luật GDĐT, 2005), Điều 72 của 
Luật Công nghệ thông tin năm 2006 (Luật 
CNTT, 2006), Mục 2 bảo vệ thông tin cá 
nhân của Luật An toàn thông tin mạng năm 
2015 (Luật ATTTM, 2015), tuy nhiên các 
vụ việc nghiêm trọng làm lộ thông tin cá 
nhân của khách hàng vẫn xảy ra, đồng thời 
cũng không thể ngăn ngừa các tổ chức, cá 
nhân sử dụng dữ liệu khách hàng vào mục 
đích trái phép. Bên cạnh đó, việc sử dụng 
“chéo” dữ liệu khách hàng giữa các bên liên 
quan càng làm tăng nguy cơ rò rỉ các thông 
tin nhạy cảm và bí mật. Vì vậy, nhiệm vụ 
bảo vệ tính riêng tư cho dữ liệu khách hàng 
trong quá trình xếp hạng tín dụng là rất cấp 
thiết và phù hợp với tình hình thực tiễn hiện 
nay.
Tính đến nay, cùng với sự phát triển của 
hướng nghiên cứu phân tích dữ liệu ngân 
hàng đảm bảo tính riêng tư (Meints & 
Möller, 2004; Abbe, Khandani, & Lo, 
2012), một vài kết quả nghiên cứu bảo 
vệ tính riêng tư cho thông tin khách hàng 
trong quá trình xếp hạng tín dụng đã được 
giới thiệu.
Elli Androulaki đã đề xuất trong 
(Androulaki, 2011) công cụ chấm điểm tín 
dụng khách hàng bảo vệ tính riêng tư với sự 
hợp tác giữa một ngân hàng và các tổ chức 
liên quan tới điểm tín dụng của khách hàng. 
Với kỹ thuật ẩn danh, giải pháp này đã giúp 
cho ngân hàng cập nhật điểm tín dụng của 
khách hàng dựa trên dữ liệu của khách hàng 
được gửi trực tiếp từ các tổ chức đối tác.
Trong nghiên cứu (Ralf Stecking and Klaus 
B. Schebesch, 2015), các tác giả đã giới 
thiệu mô hình chấm điểm tín dụng khách 
ĐINH TRỌNG HIẾU - NGUYỄN THỊ THU TRANG
3Số 218- Tháng 7. 2020- Tạp chí Khoa học & Đào tạo Ngân hàng
hàng dựa trên kết quả phân lớp dữ liệu 
khách hàng sẵn có với ràng buộc đảm bảo 
tính riêng tư. Phương pháp xác định điểm 
tín dụng sử dụng kỹ thuật khai phá dữ liệu 
này được áp dụng khá phổ biến trên thế 
giới, tuy nhiên lại chưa được áp dụng ở 
Việt Nam- nơi mà điểm tín dụng vẫn được 
xác định chủ yếu thông qua ý kiến của 
chuyên gia.
Gần đây, Wang và cộng sự (Wang, Chen, 
& Feng, 2018) đã đề xuất công cụ chấm 
điểm tín dụng khách hàng trên môi trường 
đám mây trong khi vẫn bảo vệ được dữ liệu 
riêng tư của khách hàng. Trong nghiên cứu 
này, các bên sở hữu dữ liệu khách hàng liên 
quan tới điểm tín dụng sẽ tải dữ liệu khách 
hàng (đã được mã hóa) lên máy chủ (đám 
mây). Việc chia sẻ này rất dễ gây mất an 
toàn nếu bên sở hữu khóa mật mã thông 
đồng với địch thủ.
Trong bài báo này, chúng tôi đề xuất một 
giải pháp cho phép các NHTM/TCTD xếp 
hạng tín dụng khách hàng trong khi hạn 
chế tối đa việc chia sẻ trực tiếp dữ liệu của 
khách hàng giữa các bên liên quan. Cụ thể, 
giải pháp của chúng tôi kỳ vọng đạt được 
những mục tiêu như sau:
- Dữ liệu khách hàng do các bên sở hữu 
được giữ bí mật đối với ngân hàng.
- Khách hàng và các đối tác sở hữu dữ liệu 
khách hàng không khai thác được công 
thức tính điểm tín dụng của ngân hàng.
Nội dung chính của bài báo được tổ chức 
như sau: phần 2 nhằm cung cấp cơ sở lý 
thuyết để xây dựng giải pháp đề xuất. 
Ngoài trình bày chi tiết giải pháp này, phần 
3 chứng minh tính chính xác và phân tích 
tính riêng tư của giao thức đề xuất.
2. Cơ sở lý thuyết
Trong phần này, chúng tôi nhắc lại các yêu 
cầu của bài toán chấm điểm tín dụng đảm 
bảo tính riêng tư và một số kết quả trong lý 
thuyết mật mã như: Hệ mã hóa ElGamal, 
thuật toán Shanks’s baby-step giant-step, 
giao thức tính tích vô hướng bí mật và giao 
thức tính tổng bí mật. Đây là những cơ sở 
lý thuyết được chúng tôi sử dụng làm nền 
tảng để xây dựng giải pháp đề xuất. 
2.1. Phát biểu bài toán
Ngoài những dữ liệu của khách hàng không 
thuộc loại riêng tư và nhạy cảm, chúng tôi 
giả sử rằng NHTM sử dụng thêm thuộc 
tính “bí mật và riêng tư” (A
1
, A
2
, ..., A
k
) làm 
căn cứ xếp hạng tín dụng cho khách hàng. 
Ví dụ: mức thu nhập, nhóm nghề nghiệp, số 
dư nợ tín dụng, bảo hiểm nhân mạng.
Một khách hàng C với các đặc trưng tương 
ứng (c
1
, c
2
, ..., c
k
) được xếp hạng như sau:
- Với mỗi đặc trưng c
i
 của thuộc tính A
i
: C 
nhận được điểm Mark
i
 theo thang điểm và 
hệ số mà B quy định.
- Tổng điểm tín dụng cho khách hàng C là 
Mark (C) = 
- Ngân hàng B căn cứ vào bảng quy đổi 
để biết hạng tín dụng của C và từ đó quyết 
định cho X vay hay không.
Chúng tôi khái quát bài toán xếp hạng tín 
dụng khách hàng có đảm bảo tính riêng tư 
như sau:
- Ngân hàng xét mỗi thuộc tính A
i
 thành 
các nhóm đặc trưng (A
i
1, ..., A
i
m(i)) và điểm 
tương ứng cho mỗi nhóm là (mark
i
1, ..., 
mark
i
m(i)) cho mỗi trường hợp. Ví dụ: thuộc 
Đề xuất giải pháp bảo mật dữ liệu riêng tư trong xếp hạng tín dụng 
của các ngân hàngthương mại ở Việt Nam
4 Tạp chí Khoa học & Đào tạo Ngân hàng- Số 218- Tháng 7. 2020
tính Bảo hiểm nhân mạng được Ngân hàng 
phân thành năm nhóm đặc trưng: > 100 
triệu; 50-100 triệu; 50-100 triệu; < 30 
triệu; Không có, với điểm tương ứng là 
100, 75, 50, 25, 0. 
- B công bố thông tin chi tiết (A
i
1, ..., A
i
m(i)) 
cho tất cả đối tác và giữ bí mật (mark
i
1, ..., 
mark
i
m(i)).
- Các đối tác không tiết lộ các đặc trưng c
i
của khách hàng mà họ nắm giữ. Một đối tác 
có thể nắm giữ nhiều đặc trưng.
Ngân hàng B cần tính được tổng số điểm C 
đạt được và xếp hạng tín dụng cho C.
Tương tự như những bài toán phân tích dữ 
liệu đảm bảo tính riêng tư khác, bài toán 
này có thể giải quyết bằng hai phương 
pháp cơ bản là: phương pháp biến đổi ngẫu 
nhiên (Randomization) và phương pháp 
tính toán bảo mật nhiều thành viên (Secure 
Multiparty Computation- SMC). Tuy 
nhiên, phương pháp SMC được ưa chuộng 
hơn vì tính chính xác của kết quả đầu ra và 
tính riêng tư của dữ liệu người dùng được 
đảm bảo chắc chắn. Vì vậy, giải pháp của 
chúng tôi được xây dựng theo phương pháp 
thứ hai này.
2.2. Hệ mã hóa ElGamal
Phần này trình bày về hệ mã hóa ElGamal 
(ElGamal, 1985). Đây là cơ sở nền tảng để 
xây dựng giải pháp đề xuất.
Cho G là một nhóm cyclic cấp g với phần 
tử sinh , trong đó các bài toán logarit trong 
G là khó giải. Khóa bí mật x � [1, q - 1] và 
khóa công khai tương ứng là h = gx.
Ở bước mã hóa, người gửi sử dụng khóa 
công khai h để tính toán bản mã C cho bản 
rõ M như sau: anh ấy chọn ngẫu nhiên giá 
trị k � [1, q - 1] và tính bản mã C = (C
1
 = 
M.hk, C
2
 = gk).
Để giải mã, người nhận sử dụng khóa bí 
mật x theo công thức M = C
1
. (C
2
x)-1.
Theo giả thuyết Diffie-Hellman quyết 
định (decisional Diffie–Hellman (DDH) 
assumption), hệ mã hóa ElGamal kể trên 
an toàn (Boneh, 1998).
2.3. Thuật toán Shanks’s baby-step giant-step
Trong lĩnh vực số học và đại số, thuật toán 
Shanks’s baby-step giant-step (Shanks, 
1971) được sử dụng để giải quyết hiệu quả 
hơn các bài toán logarit rời rạc so với giải 
thuật vét cạn. Thuật toán này được trình 
bày ở Hình 1.
Chú ý rằng, nếu giá trị x cần tìm bị giới hạn 
bởi giá trị n (x ≤ n << q) thì thuật toán trên 
sẽ hiệu quả hơn bởi vì giá trị n sẽ được thay 
thế bởi giá trị .
2.4. Giao thức tính tích vô hướng bí mật
Phần này giới thiệu giao thức tính tích vô 
hướng bí mật hai thành viên tương tự trong 
(Goethals, Bart and Laur, Sven and Lipmaa, 
Helger and Mielikainen, Taneli, 2004).
Giả sử X có vector bí mật X = (x
1
, x
2
, ..., 
x
k
) và Y có vector bí mật tương ứng Y = 
(y
1
, y
2
, ..., y
k 
). X và Y mong muốn tính tích 
vô hướng S = trong khi mỗi bên 
không tiết lộ vector bí mật của mình.
Trước khi thực hiện giao thức, X lựa chọn 
các tham số của hệ mã hóa ElGamal (g, p, 
q, x, h = gx mod p) trong đó X giữ khóa bí 
mật x cho riêng mình và công bố khóa công 
khai h cho Y. Để cho tiện theo dõi, chúng 
ĐINH TRỌNG HIẾU - NGUYỄN THỊ THU TRANG
5Số 218- Tháng 7. 2020- Tạp chí Khoa học & Đào tạo Ngân hàng
tôi sử dụng ký hiệu E(m) thay cho phép mã 
hóa dữ liệu m sử dụng khóa công khai h và 
ký hiệu D(c) thay cho phép giải mã lấy dữ 
liệu gốc từ bản mã c sử dụng khóa bí mật .
Giao thức tính tích vô hướng bí mật được 
trình bày trong Hình 2.
Phân tích giao thức trên, ta có E(gx(i))y(i) 
mod N2 + E(gx(i) y(i)) nên:
m = (E(gv). ∏k
i=1
(E(gx(i)))y(i) mod p) mod p
 = (E(gv). ∏k
i=1
E(gx(i) y(i))) mod p
 = E (gv + )
Suy ra K = gv + . Và vì vậy u = v + 
.
Hơn thế nữa, X không để lộ vector của 
mình vì mỗi đặc trưng x
i
 đã được mã hóa 
thành E(gx(i)), và Y cũng giữ bí mật vector 
của mình do tất cả các đặc trưng y
i
 đã được 
“ẩn giấu” trong giá trị m.
Hình 1. Thuật toán Shanks’s baby-step giant-step
Nguồn: (Shanks, 1971)
Input: X có vector (x
1
, x
2
, ..., x
k
) và Y có vector tương ứng (y
1
, y
2
, ..., y
k 
)
Output: X có giá trị u, Y có giá trị v sao cho: u = 
Bước 1: X tính E(gx(1)), ..., E(gx(k)) rồi gửi cho Y
Bước 2: Y tính các giá trị sau: (E(gx(1)))y(1) mod p, ..., (E(gx(k)))y(k) mod p
Chọn ngẫu nhiên v và tính m = (E(gv). ∏k
i=1
(E(gx(i)))y(i) mod p
Gửi m lại cho X
Bước 3: X tính K = D(m)
Thực thi thuật toán Shank’s baby-step giant-step để tính u thỏa mãn gu = K
Hình 2. Giao thức tính tích vô hướng bí mật
Nguồn: (Goethals, Bart and Laur, Sven and Lipmaa, Helger and Mielikainen, Taneli, 2004)
Đề xuất giải pháp bảo mật dữ liệu riêng tư trong xếp hạng tín dụng 
của các ngân hàngthương mại ở Việt Nam
6 Tạp chí Khoa học & Đào tạo Ngân hàng- Số 218- Tháng 7. 2020
2.5. Giao thức tính tổng bí mật
Phần tiếp theo mô tả lại giao thức tính tổng 
bí mật (Hình 3) được lấy từ giao thức A-V 
dựa trên hệ mã hóa ElGamal của Hao và 
cộng sự trong các nghiên cứu (F. Hao, P. 
Y. Ryan, P. Zieli´nski, 2010).
3. Đề xuất giải pháp xếp hạng tín dụng 
khách hàng đảm bảo thông tin riêng tư
Trong mục này, phần đầu sẽ mô tả giải pháp 
tính xếp hạng tín dụng khách hàng đảm bảo 
tính riêng tư. Phần tiếp theo sẽ phân tích và 
chứng minh tính riêng tư và sự đúng đắn 
toán học của giải pháp được đề xuất. 
3.1. Giải pháp xếp hạng tín dụng khách 
hàng đảm bảo thông tin riêng tư
Trước khi thực hiện quy trình xếp hạng tín 
dụng khách hàng có đảm bảo tính riêng tư 
đối với khách hàng, ngân hàng và các đối 
tác lựa chọn các tham số cần thiết. Như đã 
trình bày ở trên, một đối tác có thể nắm giữ 
nhiều đặc trưng quan trọng của khách hàng. 
Tuy nhiên, để cho dễ hiểu và cũng không 
làm mất tính tổng quát, giả sử rằng mỗi 
thuộc tính được sở hữu bởi đối tác (bao 
gồm cả khách hàng ).
Để tính được điểm tín dụng cho, đầu 
tiên giao thức tính tích vô hướng bí mật 
được sử dụng giữa mỗi cặp: B với vector 
bí mật đầu vào là và 
đối tác P
i
 với vector bí mật đầu vào là 
; trong đó sj
i
 là 
“điểm*trọng số” cho nhóm đặc trưng thứ 
j đối với thuộc tính A
i
 và giá trị "1" trong 
 đứng vị trí thứ k nếu như khách hàng 
C thuộc nhóm đặc trưng thứ k đối khi xét tới 
thuộc tính A
i
. Kết quả đầu ra của giao thức 
này là đạt được giá trị u
i
 và P
i
 có được giá 
trị v
i
 thỏa mãn . Dễ thấy, 
giá trị tích vô hướng bí mật chính là điểm 
(trên 100) của khách hàng C đạt được khi 
chấm thuộc tính A
i
. Quay lại ví dụ về thuộc 
tính Bảo hiểm nhân mạng ở trên, các nhóm 
(> 100 triệu; 50-100 triệu; 30-50 triệu; < 
30 triệu; Không có) có điểm tương ứng là 
(100, 75, 50, 25, 0) và trọng số của thuộc 
tính này là thì ; nếu C mua gói bảo hiểm 
nhân mạng là 80 triệu thì
. Tiếp theo, B sẽ hợp tác cùng các đối tác P
i
thực thi giao thức tính tổng bí mật để tính 
được giá trị ∑v
i
. Cuối cùng, tính giá trị S 
= (∑u
i
 - ∑v
i
) ÷ 100 chính là điểm tín dụng 
của khách hàng C.
Giải pháp bảo vệ thông tin riêng tư của 
khách hàng trong quá trình xếp hạng tín 
Input: Mỗi đối tác P
i
 sở hữu một giá trị bí mật v
i
 (i = )
Output: Ngân hàng B tính được giá trị tổng s = trong khi P
i
 không tiết lộ v
i
Bước 1: Mỗi P
i
 chọn khóa bí mật x
i
 rồi gửi khóa công khai gx(i) cho B
Bước 2: B tính X
i
 = rồi gửi lại cho P
i
Bước 3: Mỗi P
i
 tính m
i
 = gv(i). X
i
x(i) rồi gửi lại cho B
Bước 4: B tính K = ∏n
i=1
m
i
Thực thi thuật toán Shank’s baby-step giant-step để tính s thỏa mãn gs = K
Hình 3. Giao thức tính tổng bí mật
Nguồn: (F. Hao, P. Y. Ryan, P. Zieli´nski, 2010)
ĐINH TRỌNG HIẾU - NGUYỄN THỊ THU TRANG
7Số 218- Tháng 7. 2020- Tạp chí Khoa học & Đào tạo Ngân hàng
dụng được đề xuất như trình bày trong 
Hình 4.
3.2. Phân tích giải pháp đề xuất
3.2.1. Chứng minh tính đúng đắn
Để chứng minh giải pháp đề xuất mô tả 
trong Hình 4 xếp hạng tín dụng chính xác 
cho khách hàng C, chúng ta sẽ chỉ ra rằng 
giá trị S là tổng điểm tín dụng mà C nhận 
được. Hay nói cách khác, ta chứng minh 
kết quả điểm tín dụng tính theo giải pháp đề 
xuất (Hình 4) bằng đúng kết quả tính điểm 
tín dụng thông thường (nhưng không đảm 
bảo tính riêng tư).
Thật vậy, ta có:
Như đã đề cập, tích vô hướng 
chính là điểm (trên 100) của khách hàng 
C đạt được khi xét thuộc tính A
i
. Vì thế, S 
chính là tổng điểm tín dụng của C.
3.2.2. Phân tích tính riêng tư
Trong phần này, chúng tôi sẽ chỉ ra rằng dữ 
liệu riêng tư của mỗi bên tham gia vào giải 
pháp đều được giữ bí mật.
Ta thấy rằng khi kết thúc các bước tính 
toán trong Hình 4, ngân hàng B chỉ đạt 
được tổng điểm tín dụng của C trong khi 
dữ liệu của C được nắm giữ bởi P
i
 không 
cần tiết lộ.
Tiếp theo, chúng ta xét trường hợp tất cả 
đối tác P
i
 thông đồng chống lại B: do tất cả 
các vector riêng tư của ngân hàng B (trong 
công thức tính điểm tín dụng) đều được mã 
hóa bởi hệ mã hóa ElGamal sử dụng khóa 
công khai của B và tổng điểm tín dụng S 
của C chỉ được biết bởi một mình B nên 
địch thủ không thể khai thác được gì.
4. Kết luận
Trong nghiên cứu này, việc chấm điểm tín 
dụng vẫn sử dụng công thức tổng có trọng 
số với trọng số do ngân hàng quyết định. 
Tuy nhiên, thay vì phải lưu trữ và tính toán 
trên những thông tin của khách hàng (không 
đảm bảo tính riêng tư), giải pháp được đề 
xuất đưa ra phương thức chấm điểm tín 
dụng mà khách hàng không cần công khai 
các thông tin riêng tư của mình dựa trên các 
công cụ mã hóa. Vì vậy, giải pháp này có 
thể đảm bảo phía lưu trữ dữ liệu đặc trưng 
của khách hàng không cần tiết lộ các thông 
tin riêng tư, nhạy cảm, còn phía ngân hàng 
không cần công bố chi tiết phương pháp xếp 
hạng tín dụng, nhưng vẫn đạt được kết quả 
đầu ra chính xác ■
Bước 1: B lần lượt hợp tác tính tích vô hướng bí mật với mỗi đối tác P
i
 B đạt được giá trị bí mật u
i
 và P
i
 có được giá trị bí mật v
i
Bước 2: B hợp tác với các đối tác P
i
 để tính tổng bí mật ∑v
i
Bước 3: B tính giá trị S = (∑u
i
 - ∑v
i
) ÷ 100 và quy đổi hạng tín dụng cho C dựa trên S.
Hình 4. Giải pháp bảo vệ thông tin riêng tư của khách hàng trong 
quá trình xếp hạng tín dụng
Nguồn: ?
Đề xuất giải pháp bảo mật dữ liệu riêng tư trong xếp hạng tín dụng 
của các ngân hàngthương mại ở Việt Nam
8 Tạp chí Khoa học & Đào tạo Ngân hàng- Số 218- Tháng 7. 2020
Tài liệu tham khảo
1. Abbe, E. A., Khandani, A. E., & Lo, A. W. (2012). Privacy-preserving methods for sharing financial risk exposures. 
American Economic Review.
2. Androulaki, E. (2011). A Privacy Preserving ECommerce Oriented Identity Management Architecture. COLUMBIA 
UNIVERSITY.
3. Boneh, D. (1998). The Decision Diffie–Hellman Problem. Proceedings of the Third Algorithmic Number Theory 
Symposium, (pp. 48-63).
4. Chính phủ. (2018). Nghị định 117/2018/NĐ-CP ngày 11/9/2018 của Chính phủ.
5. Dinh, T. H., & Kleimeiera, S. (2007). Credit scoring for Vietnam’s retail banking. International Review of 
Financial Analysis.
6. ElGamal, T. (1985). A public key cryptosystem and a signature scheme based on discrete logarithms. IEEE 
transactions on information theory, 31(4), 469-472.
7. F. Hao, P. Y. Ryan, P. Zieli´nski. (2010). Anonymous voting by two-round public. IET Information Security.
8. Goethals, Bart and Laur, Sven and Lipmaa, Helger and Mielikainen, Taneli. (2004). On private scalar product 
computation for privacy-preserving data mining. International Conference on Information Security and Cryptology 
(pp. 104-120). Springer.
9. Hiến pháp. (2013). Điều 21. Hiến pháp năm 2013 của nước Cộng hòa xã hội chủ nghĩa Việt Nam.
10. Lê, T. T., & Đặng, T. V. (2016). Xếp hạng tín dụng khách hàng thể nhân tại. Tạp chí tài chính.
11. Luật ATTTM. (2015). Mục 2 Bảo vệ thông tin cá nhân . Luật an toàn thông tin mạng năm 2015.
12. Luật CNTT. (2006). Điều 72. Luật công nghệ thông tin năm 2006.
13. Luật GDĐT. (2005). Điều 46. Luật giao dịch điện tử năm 2005.
14. Meints, M., & Möller, J. (2004). Privacy Preserving Data Mining: A Process Centric View from a European 
Perspective.
15. Nguyễn, H. C. (2019). Một số đề xuất nhằm nâng cao hiệu quả xếp hạng tín dụng. Nâng cao chất lượng thu thập 
thông tin và chấm điểm tín dụng cho khách hàng cá nhân tại các tổ chức tín dụng. 
16. Ngân hàng Nhà nước (2018). Thông tư số 18/2018/TT-NHNN của Ngân hàng Nhà nước.
17. Ralf Stecking and Klaus B. Schebesch. (2015). Classification of credit scoring data with privacy constraints. 
Intelligent Data Analysis .
18. Reserve, B. o. (2007). Report to the Congress on credit scoring and its effects. 
19. Shanks, D. (1971). Class Number, a Theory of Factorization, and Genera. Proc. of Symposia in Pure Mathematics 
(pp. 415-440). AMS.
20. Wang, J., Chen, Y., & Feng, X. (2018). Privacy-Preserving Credit Scoring on Cloud. International Conference on 
Cloud Computing and Security.