Bối cảnh và vấn đề nghiên cứu

Khí canh (Aeroponics) là phương thức canh tác nông nghiệp công nghệ cao mà bộ rễ cây được treo lơ lửng trong không khí và hấp thụ dinh dưỡng qua hệ thống phun sương tự động hoặc màng dung dịch mỏng (độ dày khoảng 1 milimet đối với khí canh trụ đứng). Kỹ thuật này giúp tiết kiệm 98% lượng nước tiêu thụ, 95% phân bón và 99% thuốc bảo vệ thực vật so với các phương pháp canh tác truyền thống. Mặc dù mang lại hiệu quả sinh học và kinh tế cao, mô hình khí canh tại Việt Nam vẫn chưa phổ biến do rào cản kỹ thuật trong việc giám sát liên tục 24/7. Vì rễ cây không có giá thể giữ nước, bất kỳ sự cố gián đoạn nào của hệ thống phun hoặc sự sai lệch về nồng độ dinh dưỡng đều có thể khiến cây trồng bị tổn thương nghiêm trọng hoặc chết trong thời gian ngắn. Phần lớn các mô hình hiện nay đòi hỏi sự can thiệp và vận hành thủ công của các chuyên gia nông nghiệp và sinh học.

Khóa luận tốt nghiệp của tác giả Nguyễn Tấn Tăng tập trung giải quyết ba vấn đề kỹ thuật trọng tâm:

  1. Xây dựng hệ thống khí canh thông minh ứng dụng tính toán cận biên (Edge Computing) và học sâu (Deep Learning): Tự động hóa quá trình thu thập thông số môi trường (nhiệt độ, độ ẩm không khí, độ dẫn điện EC, tổng lượng chất rắn hòa tan TDS), tự động tính toán và lập lịch chu kỳ phun dinh dưỡng tối ưu theo thời gian thực, đồng thời phát hiện các sai lệch bất thường của môi trường canh tác cho 49 loại cây trồng.
  2. Thiết kế cơ chế bảo mật và xác thực toàn diện theo mô hình Zero-Trust: Bảo vệ hệ thống khỏi các cuộc tấn công mạng, giả mạo dữ liệu cảm biến và chèn lệnh điều khiển trái phép. Giải pháp bao gồm xác thực dữ liệu cảm biến và lệnh điều khiển ở mạng biên qua kết nối LoRa bằng thuật toán HMAC kết hợp hàm SHAKE-256, cùng giải pháp mã hóa dữ liệu đầu-cuối (End-to-End) qua kênh truyền Tunnel kết nối giữa Edge server, Backend server và ứng dụng người dùng bằng thuật toán trao đổi khóa kháng lượng tử Kyber1024 và mã hóa đối xứng AES-256 CTR.
  3. Triển khai thực tế và vận hành thời gian thực tại biên: Đóng gói và tối ưu mô hình học sâu sang dạng TensorFlow Lite để thực thi trực tiếp trên máy tính nhúng tại chỗ, đảm bảo người dùng có thể vận hành hệ thống qua giao diện Web nội bộ ngay cả khi mất kết nối Internet, hoặc truy cập giám sát từ xa an toàn qua Kyber Tunnel khi có Internet.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Hệ thống khí canh trụ đứng (sử dụng trụ khí canh BATRIVINA), mô hình học sâu hồi quy chu kỳ phun dinh dưỡng, giao thức xác thực mạng biên và cơ chế mã hóa kênh truyền bảo mật Zero-Trust.
  • Phạm vi dữ liệu và không gian: Dữ liệu thực nghiệm được thu thập từ hệ thống Smart Botanic Farm tại Nông Trại Xanh (141P, Khu Phố 3, Phường Thạnh Mỹ Lợi, Quận 2, TP. Thủ Đức, TP. Hồ Chí Minh) trong giai đoạn từ ngày 14/02/2020 đến ngày 06/01/2023. Hệ thống phần cứng và phần mềm được triển khai thử nghiệm thực tế tại Phòng thí nghiệm E3.1 thuộc Khoa Mạng máy tính và Truyền thông, Trường Đại học Công nghệ Thông tin – ĐHQG-HCM.

Cơ sở lý thuyết và phương pháp

Khóa luận kết hợp nền tảng lý thuyết từ khoa học nông nghiệp, kỹ thuật truyền thông không dây, an toàn thông tin và trí tuệ nhân tạo (AIoT).

1. Cơ sở lý thuyết tính toán chế độ dinh dưỡng và môi trường

Thời gian bật/tắt của hệ thống bơm dinh dưỡng trong mỗi chu kỳ tuần hoàn 2 giờ được xác định dựa trên các thông số vi khí hậu và nồng độ dinh dưỡng. Tác giả sử dụng phương trình xác định chỉ số nhiệt độ Heat Index ($HI$):

$$HI = c_1 + c_2 T + c_3 R + c_4 TR + c_5 T^2 + c_6 R^2 + c_7 T^2 R + c_8 TR^2 + c_9 T^2 R^2$$

(Trong đó: $T$ là nhiệt độ không khí (°C), $R$ là độ ẩm không khí (%H), hệ số tự do $c_1 = -42.99 \times 10^{-5}$).

Chỉ số tổng lượng chất rắn hòa tan ($TDS$, đơn vị PPM) đo từ cảm biến được hiệu chỉnh theo chỉ số nhiệt độ $HI$, từ đó suy ra chỉ số độ dẫn điện $EC$ (mS/cm). Thời gian bật bơm dinh dưỡng $P(t)$ (phút) và thời gian tắt bơm ($120 - P(t)$ phút) được tính toán theo hàm phụ thuộc vào độ lệch nhiệt độ $\Delta T$, độ lệch độ ẩm $\Delta H$, độ lệch dinh dưỡng $\Delta D$, cùng thời điểm $t$ trong ngày và thời gian phun tối thiểu $X$ của từng loại cây.

Trạng thái môi trường Khoảng nhiệt độ không khí (°C) Khoảng độ ẩm không khí (%H)
Tối ưu 24 – 27 60 – 70
Phù hợp 22.2 – 30 (Ban đêm: 16 – 30) 50 – 80
Không phù hợp Nằm ngoài khoảng trên Nằm ngoài khoảng trên

2. Mô hình học sâu Graph Attention Networks (GATs)

Thay vì xử lý bài toán dưới dạng phân loại đơn thuần, tác giả cấu trúc bài toán dưới dạng hồi quy đồ thị đa biến (Multi-output Graph Regression). Dữ liệu đầu vào gồm 7 thuộc tính có liên đới: thời gian trong ngày, nhiệt độ, độ ẩm, chỉ số EC, chỉ số TDS, loại cây (được mã hóa qua ma trận đơn vị $I_{plant}$ kích thước $49 \times 49$) và tuổi cây tính theo ngày.

Kiến trúc GATs bao gồm:

  • Lớp trích xuất đặc trưng đồ thị (Graph Feature Extraction): Sử dụng ma trận kề $A$, ma trận bậc $D$, chuẩn hóa $\tilde{A} = A + I$ và tích chập đồ thị để nắm bắt mối quan hệ tác động chéo giữa các yếu tố môi trường.
  • Lớp Graph Node Self-Attention: Tính toán các ma trận Queries ($Q$), Keys ($K$), Values ($V$) và áp dụng hàm Softmax để đồng bộ hóa và chuẩn hóa trọng số đặc trưng trên các nút đồ thị.
  • Lớp Feed-Forward kết hợp hàm kích hoạt ReLU: Hồi quy trực tiếp 6 giá trị đầu ra: (1) Số phút bật bơm dinh dưỡng tối ưu trong chu kỳ 2 giờ, (2) Giá trị TDS cực tiểu tối ưu, (3) Giá trị TDS cực đại tối ưu, (4) Kết quả kiểm tra TDS, (5) Kết quả kiểm tra nhiệt độ, (6) Kết quả kiểm tra độ ẩm.

3. Khung bảo mật Zero-Trust và Mật mã hậu lượng tử

  • Mạng biên (LoRa): Cơ chế xác thực dựa trên Entropic Vector ($EV$) gồm 255 byte ngẫu nhiên nạp sẵn trong EEPROM của vi điều khiển Vietduno Uno. Khóa phiên bí mật $K_{eu}$ được tính toán động giữa Node sensor và Edge server thông qua trao đổi khóa công khai ngẫu nhiên. Chữ ký xác thực (Tag) được sinh bởi hàm băm $HMAC_SHAKE-256$, đi kèm cơ chế đệm ngẫu nhiên ($p$) và biến đồng bộ thời gian ($T_i$) nhằm ngăn chặn tấn công phát lại (Replay Attack).
  • Kênh truyền Internet (Kyber Tunnel): Sử dụng thuật toán đóng gói khóa hậu lượng tử CRYSTALS-Kyber (phiên bản Kyber1024, cung cấp mức an toàn tương đương khóa đối xứng 256-bit theo chuẩn NIST) kết hợp giao thức MQTT để thiết lập khóa bí mật dùng chung ($SS$). Toàn bộ dữ liệu truyền qua Tunnel điều khiển từ xa và luồng sao lưu cơ sở dữ liệu được mã hóa bằng thuật toán $AES-256\ CTR$.

Thiết kế và triển khai hệ thống

Hệ thống được thiết kế theo kiến trúc IoT Reference phân tầng hoàn chỉnh, bao gồm các phân hệ phần cứng và dịch vụ phần mềm sau:

[ Node Cảm biến & Điều khiển (Vietduno Uno) ]
[ LoRa Gateway & Edge Server (Raspberry Pi 4 - 2 trong 1) ]
[ Backend Cloud Server (Viettel VPS) ]
[ Client Desktop / Laptop (Agent Kyber Tunnel) ]

1. Phân hệ thiết bị biên (Edge Devices & Controllers)

  • Bộ điều khiển trung tâm tại node: Mạch Vietduno Uno USB-B (tương thích Arduino Uno, vi điều khiển ATmega328P-PU 8-bit, xung nhịp 16MHz, 32KB Flash, 2KB SRAM, 1KB EEPROM, chip nạp CH340).
  • Cảm biến và cơ cấu chấp hành: Cảm biến nồng độ DFRobot Gravity Analog TDS, cảm biến nhiệt độ - độ ẩm không khí DHT22, Module Relay kích hoạt máy bơm áp lực và dàn đèn LED chuyên dụng cho cây trồng, khung trụ khí canh đứng BATRIVINA.
  • Mô-đun truyền thông LoRa: Mạch thu phát RF UART EBYTE E32-433T20D (chip Semtech SX1278, tần số 410–441 MHz, công suất phát 20 dBm / 100 mW, cự ly truyền tối đa 3000 mét trong điều kiện lý tưởng).

2. Phân hệ Gateway và Edge Server (Giải pháp tích hợp 2-trong-1)

  • Phần cứng: Máy tính nhúng Raspberry Pi 4 Model B (RAM 8GB, vi xử lý Broadcom BCM2711 ARM Cortex-A72 64-bit), cài đặt hệ điều hành Ubuntu Server 22.04 LTS aarch64 trên thẻ nhớ MicroSD 64GB.
  • Các dịch vụ phần mềm (đóng gói bằng Docker và Docker-Compose):
    • Eclipse Mosquitto: Đóng vai trò Local MQTT Broker nhận dữ liệu cảm biến và phân phối lệnh điều khiển.
    • TIG Stack: Telegraf thu thập luồng dữ liệu, InfluxDB lưu trữ dữ liệu chuỗi thời gian cục bộ, và Grafana cung cấp giao diện bảng điều khiển (Dashboard) trực quan cho người dùng tại nông trại.
    • Bộ lập lịch và kiểm tra tự động (Auto Scheduler & Environment Checker): Ứng dụng thực thi mô hình GATs được biên dịch sang định dạng TensorFlow Lite, chạy định kỳ để điều chỉnh thời gian phun và phát hiện bất thường môi trường.
    • LoRa Gateway Service & Edge Kyber Tunnel: Các tiến trình nền viết bằng ngôn ngữ Golang, được quản lý độ sẵn sàng bằng công cụ Supervisor.

3. Phân hệ Backend Server và Ứng dụng Client

  • Backend Cloud Server: Máy chủ ảo Viettel Virtual Cloud Server (thuê từ Viettel IDC, hệ điều hành Ubuntu 20.04 LTS, IP tĩnh công cộng), vận hành Global MQTT Broker, InfluxDB Global (sao lưu dữ liệu định kỳ mỗi ngày một lần từ Edge Server) và dịch vụ điều phối phiên Cloud Kyber Tunnel.
  • Client Agent: Ứng dụng Agent Kyber Tunnel chạy trên máy tính cá nhân của người dùng, cho phép ánh xạ cổng và kết nối an toàn vào Dashboard Grafana của Edge Server từ xa qua mạng Internet mà không cần mở cổng port-forwarding không an toàn tại trạm biên.

Nội dung chính theo từng chương

Chương 1. Giới thiệu

Chương này tổng quan về kỹ thuật khí canh, các lợi thế sinh học và rào cản ứng dụng tại Việt Nam. Tác giả phân tích các công trình nghiên cứu IoT khí canh trên thế giới, chỉ ra các khoảng trống công nghệ: các giải pháp hiện hành chỉ giới hạn ở giám sát nhiệt độ đơn giản, điều khiển dựa trên luật cố định, nghiên cứu học sâu chỉ dừng ở phòng thí nghiệm, và các kết nối không dây thiếu cơ chế xác thực lệnh/dữ liệu. Từ đó, chương trình bày mục tiêu, ba vấn đề nghiên cứu cốt lõi, phạm vi thực nghiệm tại Lab E3.1 và giới thiệu cấu trúc tổng thể của luận văn.

Chương 2. Các nghiên cứu và công nghệ liên quan

Chương 2 phân tích cơ sở lý thuyết về AIoT, điện toán biên (Edge Computing) và các nguy cơ an ninh mạng trên thiết bị IoT. Tác giả trình bày chi tiết thông số kỹ thuật và lý do lựa chọn các công nghệ phần cứng/phần mềm: vi điều khiển Vietduno Uno, máy tính nhúng Raspberry Pi 4 Model B, công nghệ điều chế LoRa (SX1278), kiến trúc cơ sở dữ liệu chuỗi thời gian TIG Stack (Telegraf, InfluxDB, Grafana), giao thức truyền tin gọn nhẹ MQTT (Mosquitto), nền tảng học máy TensorFlow/TensorFlow Lite, công cụ ảo hóa Docker/Docker-Compose, bộ quản lý tiến trình Supervisor và ngôn ngữ lập trình hiệu năng cao Golang.

Chương 3. Phương pháp luận

Tác giả chi tiết hóa mô hình kiến trúc tham chiếu IoT (IoT Reference Model) 3 tầng. Nội dung tập trung vào:

  • Xử lý bộ dữ liệu 3 năm (2020–2023) từ Nông Trại Xanh đối với 3 loại cây (Xà lách Pháp, Cải xanh, Cà chua bi).
  • Thiết lập hệ thống công thức toán học tính toán chỉ số nhiệt độ $HI$, hiệu chỉnh $TDS$, và xây dựng hàm chu kỳ phun dinh dưỡng tuần hoàn 2 giờ.
  • Thiết kế kiến trúc mạng nơ-ron đồ thị GATs cho bài toán hồi quy đa biến và kiểm tra ngưỡng an toàn của 49 loại cây trồng.
  • Xây dựng quy trình bắt tay và xác thực dữ liệu cảm biến, cấu hình, lệnh điều khiển ở mạng biên bằng $HMAC_SHAKE-256$ dựa trên vector ngẫu nhiên $EV$.
  • Thiết kế quy trình thỏa thuận khóa bí mật dùng chung $SS$ kháng lượng tử qua MQTT bằng thuật toán Kyber1024 kết hợp mã hóa luồng dữ liệu đường truyền bằng $AES-256\ CTR$.

Chương 4. Triển khai và đánh giá kết quả

Chương này mô tả chi tiết quá trình lắp ráp phần cứng (Vietduno Uno kết nối cảm biến TDS, DHT22, Relay, LoRa E32-433T20D và trụ BATRIVINA) cùng cấu hình phần mềm trên Raspberry Pi 4 và Viettel Cloud Server. Tác giả trình bày các kết quả thực nghiệm:

  • Huấn luyện và đánh giá độ chính xác của mô hình GATs so sánh với các mô hình kinh điển (ANN, LSTM, Self-Attention).
  • Đo lường và kiểm thử chức năng tự động lập lịch phun dinh dưỡng, dự đoán nồng độ TDS tối ưu và cảnh báo lệch ngưỡng nhiệt độ/độ ẩm.
  • Đánh giá hiệu năng và tính ổn định của giải pháp xác thực LoRa và thiết lập kênh truyền bảo mật Kyber Tunnel trong điều kiện thực tế.

Chương 5. Kết luận và hướng phát triển

Tổng kết toàn bộ các kết quả đạt được về mặt lý thuyết, thuật toán và mô hình phần cứng/phần mềm thực nghiệm. Đồng thời, tác giả chỉ ra các mặt hạn chế của đề tài và đề xuất các định hướng nghiên cứu tiếp theo nhằm nâng cao tính ứng dụng thương mại.

Kết quả và đóng góp

1. Kết quả thực nghiệm và số liệu kỹ thuật

  • Độ chính xác của mô hình học sâu GATs: Thử nghiệm trên tập dữ liệu thực tế cho thấy mô hình GATs đạt sai số tuyệt đối trung bình cực thấp với $MAE = \pm 5.2651$ phút trong bài toán dự đoán chu kỳ phun dinh dưỡng. Trong khi đó, các mô hình học sâu thông dụng không xử lý dạng đồ thị (như ANN, LSTM, Self-Attention) gặp hiện tượng sai lệch rất lớn với $MAE = \pm 1013$, không thể áp dụng cho việc điều khiển thực tế.
Mô hình học sâu Đặc trưng xử lý Sai số tuyệt đối trung bình ($MAE$)
GATs (Graph Attention Networks) Hồi quy cấu trúc đồ thị liên đới $\pm 5.2651$
ANN / LSTM / Self-Attention Học chuỗi / Mạng truyền thẳng chuẩn $\pm 1013$
  • Bảo mật và hiệu năng mã hóa: Thuật toán Kyber1024 chứng minh tính tối ưu vượt trội về kích thước khóa và độ an toàn kháng lượng tử so với các hệ mã khóa công khai truyền thống như RSA:
Hệ mã hóa Mức độ bảo mật tương đương Kích thước Public Key ($PK$) Kích thước Private Key ($SK$) Kích thước Ciphertext
Kyber-1024 AES-256 (Kháng lượng tử) 1568 Bytes 3168 Bytes 1568 Bytes
Kyber-768 AES-192 (Kháng lượng tử) 1184 Bytes 2400 Bytes 1088 Bytes
RSA-2048 AES-112 (Không kháng lượng tử) 384 Bytes 384 Bytes 384 Bytes
RSA-4096 AES-128 (Không kháng lượng tử) 1920 Bytes 1920 Bytes 1920 Bytes

2. Đóng góp kỹ thuật của đề tài

  • Giải pháp AIoT toàn diện và tự động hóa: Thay thế sự phụ thuộc vào chuyên gia canh tác thông qua cơ chế tự động tính toán thời gian phun dinh dưỡng và kiểm tra tính tối ưu môi trường cho 49 loại cây rau củ theo từng chu kỳ 2 giờ.
  • Kiến trúc biên 2-trong-1 tối ưu chi phí: Tích hợp thành công LoRa Gateway và Edge Server trực tiếp trên một bo mạch Raspberry Pi 4 duy nhất, giúp giảm đáng kể chi phí đầu tư phần cứng cho các trang trại.
  • Mô hình bảo mật Zero-Trust hai lớp:
    • Lớp 1: Giao thức xác thực nhẹ sử dụng $HMAC_SHAKE-256$ và vector entropy nạp sẵn, cho phép các vi điều khiển tài nguyên giới hạn (như ATmega328P) xác thực nguồn gốc dữ liệu cảm biến và chống giả mạo lệnh điều khiển qua sóng LoRa tầm xa.
    • Lớp 2: Hệ thống Tunneling mã hóa đầu-cuối dựa trên thuật toán trao đổi khóa kháng lượng tử Kyber1024 và $AES-256\ CTR$, đảm bảo an toàn tuyệt đối cho luồng dữ liệu điều khiển từ xa và sao lưu cơ sở dữ liệu lên Cloud.

Hạn chế và hướng nghiên cứu tiếp

1. Hạn chế

  • Phạm vi dữ liệu huấn luyện: Tập dữ liệu sử dụng để huấn luyện mô hình học sâu chỉ được thu thập tại một địa điểm duy nhất (Nông Trại Xanh, TP. Thủ Đức, TP.HCM) trên 3 loại cây (Xà lách Pháp, Cải xanh, Cà chua bi), do đó chưa phản ánh đầy đủ sự biến thiên của điều kiện khí hậu và thời tiết ở các vùng địa lý khác nhau.
  • Giả định về điều kiện vận hành: Nghiên cứu hiện tại chưa xét đến các kịch bản cực đoan về gián đoạn nguồn điện lưới và biến đổi khí hậu bất thường. Trong kỹ thuật khí canh, mất điện hoàn toàn đồng nghĩa với việc hệ thống bơm ngừng hoạt động, rễ cây bị khô và cây sẽ chết nhanh chóng.

2. Hướng nghiên cứu tiếp

  • Mở rộng thu thập và bổ sung dữ liệu vi khí hậu từ nhiều vùng canh tác sinh thái khác nhau trên cả nước nhằm tăng cường tính tổng quát hóa của mô hình GATs.
  • Tích hợp các giải pháp nguồn điện dự phòng khẩn cấp, năng lượng tái tạo (pin mặt trời) và cơ chế cảnh báo mất nguồn qua mạng di động cho hệ thống biên.
  • Thử nghiệm mô hình trên quy mô công nghiệp lớn với nhiều cụm trụ khí canh đồng thời và đa dạng hóa thêm các chủng loại cây trồng có giá trị kinh tế cao.

Giá trị tham khảo

Công trình là tài liệu tham khảo có giá trị chuyên môn cao cho:

  • Sinh viên và học viên cao học các ngành Mạng máy tính và Truyền thông dữ liệu, Khoa học Máy tính, Kỹ thuật Máy tính, Hệ thống Thông tin, Kỹ thuật Nông nghiệp công nghệ cao và An toàn thông tin.
  • Kỹ sư và nhà phát triển hệ thống IoT/AIoT: Tham khảo mô hình thiết kế kiến trúc phân tầng kết hợp giữa vi điều khiển biên (Arduino/Vietduno), máy tính nhúng (Raspberry Pi), giao tiếp vô tuyến tầm xa công suất thấp LoRa và nền tảng quản trị Docker/TIG Stack.
  • Nhà nghiên cứu trí tuệ nhân tạo nhúng (Edge AI): Cung cấp phương pháp luận chi tiết trong việc ứng dụng mạng nơ-ron đồ thị (GATs) vào bài toán hồi quy liên đới đa biến và kỹ thuật tối ưu, đóng gói mô hình sang TensorFlow Lite để thực thi trên thiết bị phần cứng hạn chế tài nguyên.
  • Chuyên gia an toàn bảo mật: Cung cấp ca triển khai thực tế (use-case) về mô hình Zero-Trust cho mạng cảm biến và ứng dụng thuật toán mật mã hậu lượng tử Kyber1024 trong việc thiết lập kênh truyền an toàn.

Câu hỏi thường gặp

1. Tại sao tác giả lựa chọn mô hình GATs thay vì các mạng nơ-ron phổ biến như ANN, LSTM hay Transformer/Self-Attention?

Bài toán đặt ra trong nghiên cứu là hồi quy đa biến đồng thời 6 giá trị đầu ra từ các thông số môi trường có mối quan hệ tương tác và ràng buộc chặt chẽ lẫn nhau. Các mô hình ANN, LSTM hay Self-Attention thông thường vốn được tối ưu cho bài toán phân loại hoặc chuỗi độc lập, dẫn đến sai số rất lớn ($MAE = \pm 1013$). Ngược lại, GATs mô hình hóa dữ liệu đầu vào dưới dạng cấu trúc đồ thị (Graph) thông qua ma trận kề và ma trận bậc, giúp biểu diễn chính xác sự tác động chéo giữa các đại lượng vật lý, đạt sai số vượt trội ($MAE = \pm 5.2651$).

2. Giao thức xác thực tại mạng biên LoRa hoạt động như thế nào trên vi điều khiển có tài nguyên hạn chế?

Do vi điều khiển Vietduno Uno (ATmega328P) chỉ có 32KB Flash và 2KB SRAM, không thể chạy các thuật toán mã hóa công khai phức tạp, tác giả đã thiết kế giao thức xác thực nhẹ. Một vector entropy ($EV$) gồm 255 giá trị ngẫu nhiên được nạp sẵn vào bộ nhớ EEPROM của vi điều khiển. Trong quá trình bắt tay, Node và Edge server trao đổi các chuỗi ngẫu nhiên 32-byte ($e_u, e_{eu}$) để tính khóa bí mật $K_{eu}$. Mọi gói tin dữ liệu cảm biến ($SD$) hoặc lệnh điều khiển ($CC$) đều được gán nhãn thời gian $T_i$, đệm ngẫu nhiên $p$ và tạo chữ ký xác thực bằng hàm băm $HMAC_SHAKE-256$.

3. Hệ thống đảm bảo tính khả dụng ra sao khi mất kết nối mạng Internet?

Mô hình Edge Computing 2-trong-1 trên Raspberry Pi 4 chứa toàn bộ các thành phần xử lý cục bộ: MQTT Broker (Mosquitto), cơ sở dữ liệu thời gian thực (InfluxDB), giao diện giám sát (Grafana) và mô hình suy luận AI (TensorFlow Lite). Do đó, khi mất kết nối Internet, hệ thống tại nông trại vẫn tự động thu thập dữ liệu cảm biến qua LoRa, tự lập lịch chu kỳ phun dinh dưỡng và cho phép người vận hành truy cập bảng điều khiển qua mạng nội bộ LAN/Wi-Fi bình thường.

4. Thuật toán mật mã Kyber1024 đóng vai trò gì trong giải pháp bảo mật của hệ thống?

Kyber1024 là thuật toán đóng gói khóa (KEM) thuộc hệ mật mã dựa trên mạng tinh thể (Lattice-based cryptography), đã được NIST chuẩn hóa để kháng các cuộc tấn công từ máy tính lượng tử trong tương lai. Trong hệ thống, Kyber1024 được triển khai qua giao thức MQTT để thiết lập khóa bí mật dùng chung ($SS$) giữa Edge server, Backend server và ứng dụng Agent của người dùng. Sau khi bắt tay khóa thành công, luồng dữ liệu truyền qua Tunnel điều khiển từ xa và luồng sao lưu cơ sở dữ liệu sẽ được mã hóa đối xứng bằng thuật toán $AES-256\ CTR$.

Kết luận

Khóa luận tốt nghiệp của tác giả Nguyễn Tấn Tăng đã nghiên cứu và hiện thực hóa thành công giải pháp khí canh thông minh toàn diện, giải quyết đồng thời bài toán tự động hóa điều khiển sinh học và an ninh mạng cho hệ thống IoT. Bằng việc kết hợp kiến trúc tính toán cận biên trên Raspberry Pi 4, mô hình học sâu đồ thị GATs đạt độ chính xác cao ($MAE = \pm 5.2651$) và khung bảo mật Zero-Trust hai lớp ứng dụng $HMAC_SHAKE-256$ cùng mật mã kháng lượng tử Kyber1024, công trình đã chứng minh tính khả thi cao qua thử nghiệm thực tế tại phòng thí nghiệm E3.1 thuộc Trường Đại học Công nghệ Thông tin – ĐHQG-HCM. Đây là một đóng góp kỹ thuật có tính ứng dụng thực tiễn rõ rệt, mở ra hướng tiếp cận bền vững và bảo mật cho nền nông nghiệp công nghệ cao trong kỷ nguyên mới.