Lưu trữ số dài hạn (digital preservation) là tập hợp chính sách và quy trình nhằm giữ cho thông tin số vẫn truy cập được, hiểu được và đáng tin cậy qua nhiều thập kỷ, bất chấp phần cứng hỏng, phần mềm lỗi thời và tổ chức thay đổi. Nó khác sao lưu ở mục tiêu: sao lưu giúp khôi phục hệ thống sau sự cố trong vài ngày, vài tuần; lưu trữ dài hạn trả lời câu hỏi năm mươi năm nữa ai đó còn đọc được và tin được tài liệu này không.
Khung tham chiếu phổ biến nhất của lĩnh vực là mô hình OAIS (Open Archival Information System), chuẩn hoá thành ISO 14721. Bài này giải thích các khái niệm cốt lõi của OAIS bằng ngôn ngữ của người làm việc thực tế, các mối đe doạ chính với dữ liệu số, những kỹ thuật như kiểm tra tổng và chuyển đổi định dạng, rồi gợi ý cách một cơ quan, doanh nghiệp hay trường đại học Việt Nam có thể bắt đầu ở quy mô vừa sức.
Bốn mối đe doạ với thông tin số theo thời gian
Hỏng vật lý của phương tiện. Ổ cứng có bộ phận cơ học mòn; ổ thể rắn và thẻ nhớ mất điện tích khi để lâu không cấp điện; đĩa quang ghi được có lớp thuốc nhuộm xuống cấp; băng từ cần môi trường bảo quản đúng. Không có phương tiện nào bền vĩnh viễn.
Hỏng bit âm thầm. Một vài bit lật ngẫu nhiên do lỗi phần cứng, lỗi truyền hay lỗi phần mềm có thể không gây báo lỗi nào; tệp vẫn mở được nhưng một vùng ảnh bị sọc, một đoạn văn bản bị sai. Nếu không kiểm tra định kỳ, lỗi này được sao chép trung thành sang mọi bản sao lưu.
Lỗi thời công nghệ. Định dạng tệp, phần mềm đọc, hệ điều hành và giao diện kết nối đều có vòng đời. Tệp còn nguyên nhưng không có gì mở được thì cũng như mất.
Rủi ro tổ chức. Thiếu kinh phí, người phụ trách nghỉ việc, đơn vị bị giải thể, hợp đồng với nhà cung cấp hết hạn, không ai biết mật khẩu. Nhiều tài liệu chuyên ngành ghi nhận đây là nguyên nhân mất dữ liệu phổ biến hơn cả hỏng phần cứng.
Mô hình OAIS: ngôn ngữ chung của ngành lưu trữ số
OAIS bắt nguồn từ một nhu cầu ít ai ngờ: Uỷ ban Tư vấn về Hệ thống Dữ liệu Không gian (CCSDS), nơi các cơ quan vũ trụ phối hợp chuẩn kỹ thuật, cần một cách bảo quản dữ liệu quan sát được thu thập bằng chi phí khổng lồ để các thế hệ nhà khoa học sau còn dùng được. Mô hình được công bố như chuẩn ISO 14721 năm 2003, sửa đổi năm 2012, và nhanh chóng được thư viện, cơ quan lưu trữ, kho dữ liệu nghiên cứu khắp thế giới áp dụng làm khung tham chiếu.
OAIS không phải phần mềm và không quy định công nghệ. Nó là mô hình khái niệm: định nghĩa trách nhiệm của một kho lưu trữ, các vai trò tham gia và luồng thông tin. Khái niệm then chốt nhất là cộng đồng chỉ định (designated community): nhóm người dùng mà kho cam kết phục vụ. Thông tin được coi là “bảo quản thành công” khi cộng đồng đó hiểu được nó mà không cần hỏi người tạo ra. Một bộ dữ liệu khí tượng lưu cho nhà khí tượng học cần ít giải thích hơn cùng bộ dữ liệu đó lưu cho học sinh phổ thông.
Hệ quả thực tế: bảo quản không chỉ là giữ bit. Bạn phải giữ kèm thông tin biểu diễn (cách diễn giải bit thành nội dung: định dạng, bảng mã, đơn vị đo) và thông tin mô tả bảo quản (nguồn gốc, bối cảnh, quá trình đã biến đổi, bằng chứng về tính toàn vẹn). Một tệp CSV không có mô tả cột, sau hai mươi năm, có thể còn nguyên bit mà mất hết ý nghĩa.
Ba gói thông tin và sáu chức năng của OAIS
OAIS mô tả thông tin đi vào, nằm trong và đi ra khỏi kho dưới dạng ba loại gói, được xử lý bởi sáu chức năng.
| Thành phần | Tên đầy đủ | Vai trò |
|---|---|---|
| SIP | Gói thông tin nộp lưu | Thứ người sản xuất giao cho kho: tệp cộng siêu dữ liệu tối thiểu theo thoả thuận nộp lưu |
| AIP | Gói thông tin lưu trữ | Dạng kho thực sự bảo quản: tệp, thông tin biểu diễn, siêu dữ liệu bảo quản, checksum |
| DIP | Gói thông tin phổ biến | Thứ trao cho người dùng: có thể là bản chuyển đổi, bản rút gọn, bản đã che thông tin nhạy cảm |
| Tiếp nhận | Ingest | Kiểm tra SIP, xác nhận định dạng, tạo AIP |
| Lưu giữ | Archival Storage | Cất AIP, nhân bản, kiểm tra toàn vẹn định kỳ, thay phương tiện |
| Quản lý dữ liệu | Data Management | Cơ sở dữ liệu mô tả để tìm kiếm và quản trị |
| Quản trị | Administration | Chính sách, thoả thuận với người nộp, vận hành hằng ngày |
| Lập kế hoạch bảo quản | Preservation Planning | Theo dõi công nghệ và nhu cầu cộng đồng, quyết định khi nào chuyển đổi |
| Truy cập | Access | Tìm kiếm, tạo DIP, kiểm soát quyền |
Việc tách AIP khỏi DIP là ý tưởng hữu ích ngay cả với tổ chức nhỏ. Bản lưu trữ được giữ nguyên ở định dạng chất lượng cao nhất, ít người chạm vào; bản phổ biến có thể nén nhẹ, chuyển định dạng thuận tiện, thay đổi tuỳ nhu cầu mà không làm hỏng bản gốc. Đây cũng chính là cách các thư viện tách bản quét TIFF gốc khỏi bản xem trên web.
Kỹ thuật cốt lõi: kiểm tra toàn vẹn và nhân bản
Để phát hiện hỏng bit âm thầm, ngành lưu trữ dùng giá trị kiểm tra tổng (checksum, còn gọi là fixity). Cách làm:
- Khi tiếp nhận, tính một giá trị băm cho mỗi tệp bằng thuật toán như SHA-256 hoặc MD5. Giá trị này như dấu vân tay: tệp thay đổi dù một bit thì giá trị băm thay đổi hoàn toàn.
- Lưu giá trị băm trong siêu dữ liệu, tách biệt với tệp.
- Định kỳ — hằng tháng, hằng quý tuỳ chính sách — tính lại và so sánh. Khác nhau nghĩa là tệp đã hỏng hoặc bị sửa.
- Khi phát hiện hỏng, thay bằng bản từ một trong các bản sao khác có giá trị băm đúng. Vì thế kiểm tra toàn vẹn chỉ có ý nghĩa khi đi kèm nhiều bản sao độc lập.
- Ghi lại mọi lần kiểm tra và sửa chữa vào nhật ký sự kiện bảo quản. Chuẩn siêu dữ liệu PREMIS, được duy trì bởi Thư viện Quốc hội Hoa Kỳ, định nghĩa cách mô tả các sự kiện như vậy.
MD5 không còn an toàn để chống giả mạo có chủ đích vì có thể tạo xung đột, nhưng vẫn đủ để phát hiện hỏng ngẫu nhiên; nhiều kho dùng song song MD5 và SHA-256. Ý tưởng nhân bản phân tán được đẩy xa nhất trong chương trình LOCKSS (Lots of Copies Keep Stuff Safe) khởi xướng tại Đại học Stanford cuối thập niên 1990: nhiều thư viện cùng giữ bản sao tạp chí điện tử, định kỳ “bỏ phiếu” so sánh với nhau để phát hiện và sửa bản hỏng. Hệ thống tệp hiện đại có kiểm tra tổng tích hợp cũng áp dụng nguyên lý tương tự ở cấp ổ đĩa.
Di chuyển định dạng hay giả lập: hai chiến lược chống lỗi thời
Khi một định dạng sắp lỗi thời, kho lưu trữ có hai hướng chính, và cuộc tranh luận giữa hai trường phái kéo dài từ cuối thập niên 1990 đến nay.
| Tiêu chí | Di chuyển định dạng (migration) | Giả lập (emulation) |
|---|---|---|
| Cách làm | Chuyển tệp sang định dạng mới, bền hơn | Giữ nguyên tệp, dựng lại môi trường phần cứng, phần mềm cũ bằng phần mềm giả lập |
| Ưu điểm | Người dùng mở bằng công cụ hiện hành; dễ tìm kiếm, xử lý | Trung thực tuyệt đối với trải nghiệm gốc, kể cả hành vi tương tác |
| Nhược điểm | Mỗi lần chuyển có nguy cơ mất thông tin: phông, bố cục, công thức, tương tác | Phải duy trì cả trình giả lập; người dùng cần học môi trường cũ; vướng giấy phép phần mềm cũ |
| Phù hợp | Văn bản, ảnh, âm thanh, dữ liệu bảng | Trò chơi, phần mềm, tác phẩm nghệ thuật số, cơ sở dữ liệu phức tạp, trang web tương tác |
Thực tế đa số kho kết hợp cả hai: chuẩn hoá ngay khi tiếp nhận (normalization) sang một số ít định dạng bền cho phần lớn nội dung, giữ song song bản gốc, và dành giả lập cho những đối tượng mà hành vi là một phần của nội dung. Giả lập từng bị xem là quá đắt, nhưng sự phổ biến của máy ảo và các dự án giả lập chạy trong trình duyệt đã làm nó khả thi hơn nhiều.
Bắt đầu ở quy mô một tổ chức: các cấp độ bảo quản
Liên minh Bảo quản Số Quốc gia Hoa Kỳ (NDSA) công bố bộ “Các cấp độ bảo quản số” năm 2013, cập nhật năm 2019, như một lộ trình từng bậc thay vì đòi hỏi đạt chuẩn ngay. Tinh thần của bộ cấp độ có thể diễn giải thành các bước cho một cơ quan hay doanh nghiệp Việt Nam:
- Biết mình có gì: kiểm kê nội dung cần giữ lâu, nằm ở đâu, định dạng gì, ai chịu trách nhiệm. Không bảo quản được thứ mình không biết là có.
- Có ít nhất hai bản ở hai nơi: tách khỏi hệ thống làm việc hằng ngày, một bản ở địa điểm khác.
- Tính checksum khi tiếp nhận và kiểm tra định kỳ: có công cụ tự do làm được việc này, không cần hệ thống đắt tiền.
- Ghi siêu dữ liệu tối thiểu: nguồn, ngày, định dạng, quyền truy cập, mọi thay đổi đã thực hiện.
- Theo dõi định dạng: định kỳ rà danh sách định dạng trong kho, chuyển đổi những thứ có rủi ro.
- Viết chính sách: một văn bản ngắn nêu kho giữ gì, cho ai, bao lâu, ai chịu trách nhiệm và kinh phí lấy từ đâu.
Ở cấp cao hơn, kho lưu trữ có thể xin chứng nhận đáng tin cậy như CoreTrustSeal cho kho dữ liệu nghiên cứu, hay đánh giá theo ISO 16363. Với phần lớn tổ chức, đạt được ba bước đầu đã là tiến bộ lớn so với tình trạng phổ biến hiện nay: tài liệu quan trọng nằm rải rác trên máy cá nhân và một ổ chung không ai kiểm tra. Các quy định về lưu trữ hồ sơ của cơ quan nhà nước và doanh nghiệp ở Việt Nam có yêu cầu riêng; nên đối chiếu Luật Lưu trữ và văn bản hướng dẫn hiện hành khi xây dựng chính sách.
Câu hỏi thường gặp
Lưu trữ đám mây có giải quyết được bài toán lưu trữ số dài hạn không?
Đám mây giải quyết tốt phần phương tiện và nhân bản, nhưng không giải quyết lỗi thời định dạng, siêu dữ liệu hay rủi ro tổ chức. Nhà cung cấp có thể đổi chính sách hoặc ngừng dịch vụ, nên cần chiến lược rút dữ liệu ra và kiểm tra toàn vẹn độc lập.
Nên kiểm tra checksum bao lâu một lần?
Không có con số chung. Kho lớn thường kiểm tra luân phiên để mỗi tệp được kiểm ít nhất mỗi năm, và kiểm ngay khi di chuyển dữ liệu giữa các phương tiện. Tần suất cần cân đối với chi phí đọc dữ liệu, nhất là khi lưu trên băng từ hoặc tầng lưu trữ lạnh.
Mô hình OAIS có bắt buộc phải mua phần mềm chuyên dụng không?
Không. OAIS là mô hình khái niệm. Có những hệ thống mã nguồn mở và thương mại được thiết kế theo OAIS, nhưng một tổ chức nhỏ vẫn có thể áp dụng tinh thần của nó bằng thư mục có cấu trúc, checksum, bảng siêu dữ liệu và quy trình được viết ra.
Lưu trữ trang web của tổ chức thì làm thế nào?
Trang web thường được thu thập bằng công cụ lưu trữ web, lưu ở định dạng WARC, chuẩn hoá thành ISO 28500. Định dạng này giữ cả nội dung lẫn thông tin giao tiếp với máy chủ để có thể phát lại sau này. Kho lưu trữ web lớn và nhiều thư viện quốc gia đều dùng nó.
Chi phí của lưu trữ số dài hạn chủ yếu nằm ở đâu?
Các phân tích chi phí thường cho thấy tiền thiết bị lưu trữ chỉ là một phần; phần lớn nằm ở nhân lực tiếp nhận, mô tả, kiểm tra và lập kế hoạch bảo quản. Tiếp nhận càng chuẩn hoá và tự động, chi phí về sau càng thấp.
Dữ liệu cá nhân trong kho lưu trữ dài hạn được xử lý ra sao?
Kho cần chính sách hạn chế truy cập theo thời gian và loại thông tin, che hoặc tách thông tin nhạy cảm trong gói phổ biến. Quy định về bảo vệ dữ liệu cá nhân ở Việt Nam đang được hoàn thiện, nên cần kiểm văn bản hiện hành và tham vấn pháp chế.