Giới thiệu dự án

Trong bối cảnh chuyển đổi số mạnh mẽ, các hệ thống nhận diện sinh trắc học khuôn mặt (Face Recognition) đã trở thành tiêu chuẩn xác thực tại nhiều doanh nghiệp, trường học và cơ quan quản lý. Tuy nhiên, theo các báo cáo an ninh mạng toàn cầu, hơn 80% rủi ro rò rỉ dữ liệu danh tính bắt nguồn từ các máy chủ cơ sở dữ liệu tập trung (Centralized Databases). Việc lưu trữ hình ảnh khuôn mặt thô (Raw Facial Data) tại một điểm máy chủ duy nhất biến hệ thống thành "miếng mồi ngon" cho các cuộc tấn công mạng, nguy cơ deepfake và đánh cắp danh tính số. Đồng thời, thị trường tuyển dụng hiện nay đối mặt với vấn nạn khai man kinh nghiệm làm việc (CV fraud) lên tới 40-50%, gây tốn kém thời gian và chi phí xác minh thủ công.

Khóa luận "Xây dựng hệ thống nhận diện gương mặt dựa trên nền tảng Blockchain và Federated Learning" của nhóm tác giả Ngô Phúc Thịnh và Nguyễn Trần Minh Thiện (Trường Đại học Công nghệ Thông tin - ĐHQG-HCM, 2022) đề xuất một giải pháp đột phá: Kết hợp công nghệ chuỗi khối (Blockchain) và học liên kết (Federated Learning - FL) nhằm tái định hình hạ tầng điểm danh và quản lý nhân sự an toàn, bảo mật tuyệt đối.

+-----------------------------------------------------------------------+
|                           HỆ THỐNG ĐIỂM DANH                           |
|       +-------------------------------------------------------+       |
|       |     Thiết bị người dùng (Client PC / Smartphone)      |       |
|       |     - Chụp ảnh dataset cục bộ                         |       |
|       |     - Huấn luyện mô hình tại chỗ (Local Training)     |       |
|       |     - Trích xuất tham số/weights (trainer.yml)        |       |
|       +---------------------------+---------------------------+       |
|                                   | (Chỉ gửi Model Weights)           |
|                                   v                                   |
|       +-------------------------------------------------------+       |
|       |      Hạ tầng Blockchain & Trụ sở công ty (Server)     |       |
|       |     - EVM Smart Contracts (ERC-20, KYC, State)        |       |
|       |     - Cập nhật mô hình toàn cục (Global Model Update) |       |
|       |     - Edge Device: Jetson Nano + Pi Camera V2         |       |
|       |     - Xác thực trạng thái việc làm minh bạch          |       |
|       +-------------------------------------------------------+       |
+-----------------------------------------------------------------------+

Mục tiêu dự án

  1. Bảo mật dữ liệu sinh trắc học: Triển khai cơ chế huấn luyện phân tán Federated Learning, cho phép nhân viên tự huấn luyện mô hình nhận diện trực tiếp trên thiết bị cá nhân mà không cần tải dữ liệu ảnh thô lên máy chủ trung tâm.
  2. Minh bạch hóa hồ sơ nhân sự: Ứng dụng hợp đồng thông minh (Smart Contract) trên nền tảng Ethereum để định danh duy nhất (KYC) và ghi nhận thời gian, trạng thái làm việc bất biến (Immutable) thông qua cơ chế Tokenomic.
  3. Hiện thực hóa tại biên (Edge Computing): Thiết kế và tối ưu trạm nhận diện thực tế tại doanh nghiệp trên vi máy tính NVIDIA Jetson Nano kết hợp cùng Camera Raspberry Pi V2 với độ trễ thấp và chi phí tối ưu.
  4. Tích hợp Web3 toàn diện: Xây dựng dApp hỗ trợ tương tác người dùng qua ví phi tập trung MetaMask, mạng mô phỏng Ganache và đồng bộ xác thực đám mây Firebase/Firestore.

Phạm vi và Giới hạn

  • Phạm vi: Ứng dụng điểm danh, xác thực danh tính và theo dõi trạng thái nhân sự trong các tổ chức, doanh nghiệp vừa và nhỏ.
  • Giới hạn kỹ thuật: Triển khai thử nghiệm trên mạng cục bộ EVM (Ganache CLI/GUI) và môi trường biên cục bộ với tập dữ liệu khuôn mặt có kiểm soát về điều kiện ánh sáng.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí Điểm danh tập trung truyền thống Điện toán biên thông thường Giải pháp Blockchain + Federated Learning
Lưu trữ dữ liệu ảnh thô Tập trung tại máy chủ Cloud/DB Cục bộ tại Gateway/Edge device Phân tán trên máy cá nhân, 0% ảnh thô truyền tải
Rủi ro rò rỉ sinh trắc Cực kỳ cao (Single Point of Failure) Trung bình (nguy cơ tấn công vật lý) Rất thấp (chỉ trao đổi Model Weights đã mã hóa)
Tính minh bạch lịch sử Phụ thuộc vào quản trị viên hệ thống Không có tính năng kiểm tra chéo Bất biến, phân tán, không thể chỉnh sửa trên EVM
Xác thực hồ sơ việc làm Thủ công (liên hệ xác nhận qua email/CV) Không hỗ trợ Tự động hóa qua Token công ty trên Smart Contract
Quyền riêng tư người dùng Thấp (GDPR/PDPA compliance khó) Trung bình Tối đa hóa quyền tự chủ dữ liệu cá nhân

Yêu cầu người dùng theo mô hình MoSCoW

  • Must-Have: Huấn luyện khuôn mặt cục bộ trên thiết bị client; Export model weights (trainer.yml); Smart Contract KYC và phát hành Token trạng thái; Nhận diện thời gian thực trên Jetson Nano.
  • Should-Have: Xác thực OTP 2 lớp qua email; Kết nối ví MetaMask nhanh chóng; Dashboard tra cứu lịch sử giao dịch tương tự Etherscan.
  • Could-Have: Cơ chế tối ưu Gas tự động; Đa dạng hóa thuật toán tổng hợp liên kết (FedAvg, FSVRG, CO-OP).
  • Won't-Have (giai đoạn này): Triển khai trực tiếp lên Ethereum Mainnet (sử dụng Testnet/Ganache để tránh phát sinh chi phí Gas đắt đỏ).

Thiết kế hệ thống

Kiến trúc giải pháp được phân tách thành 4 tầng chức năng rõ rệt:

+-----------------------------------------------------------------------------------+
| 1. APPLICATION LAYER                                                              |
|    - Web3 dApp (ReactJS, Web3.js)       - Quản trị viên Doanh nghiệp (Company UI) |
|    - Ứng dụng Client (Python Trainer)   - Trạm nhận diện Edge (Jetson Nano GUI)   |
+-----------------------------------------------------------------------------------+
| 2. PLATFORM & COMMUNICATION LAYER                                                 |
|    - Web3 Provider (MetaMask)           - REST API / Google Cloud Firestore       |
|    - JSON-RPC EVM Endpoints             - Google Drive Storage Integration        |
+-----------------------------------------------------------------------------------+
| 3. DISTRIBUTED COMPUTING & CONSENSUS LAYER                                        |
|    - EVM Smart Contracts Execution      - Thuật toán FedAvg / Model Aggregation   |
|    - KycContract & ERC-20 Token Sale    - SHA-256 / Keccak-256 Hashing            |
+-----------------------------------------------------------------------------------+
| 4. INFRASTRUCTURE & EDGE LAYER                                                    |
|    - Ganache Blockchain Nodes           - Client Machine (CPU/GPU)                |
|    - NVIDIA Jetson Nano (Embedded)      - Camera Raspberry Pi V2 (Sony IMX219)    |
+-----------------------------------------------------------------------------------+

Technology Stack và Phiên bản

+------------------------------------------------------------------------+
|                      CHI TIẾT TECHNOLOGY STACK                         |
|                                                                        |
|  Blockchain & Smart Contracts:                                         |
|  - Solidity: ^0.8.0 (EVM Compatible)                                   |
|  - OpenZeppelin Contracts: v4.x (ERC-20 Standard, Ownable, SafeMath)   |
|  - Ganache CLI / Truffle Framework: v5.x                               |
|                                                                        |
|  Frontend & Web3 Integration:                                          |
|  - ReactJS: v18.x (Giao diện người dùng & Web3 dApp)                   |
|  - Web3.js: v1.7.x (Giao tiếp RPC với mạng Ethereum)                   |
|  - MetaMask Wallet: Web Browser Extension                              |
|                                                                        |
|  Machine Learning & Computer Vision:                                   |
|  - Python: v3.8+                                                       |
|  - OpenCV (cv2): v4.5.x (Haar Cascade Classifiers & LBPH Recognizer)   |
|  - Framework Federated Learning: Google FL Architecture concepts       |
|                                                                        |
|  Database & Cloud Services:                                            |
|  - Google Cloud Firestore / Firebase (Quản lý OTP, metadata)           |
|  - Google Drive API (Đồng bộ hóa file mô hình trainer.yml)             |
|  - MySQL Database (Lưu trữ cấu trúc thông tin nhân sự nội bộ)          |
|                                                                        |
|  Hardware & Embedded Edge:                                             |
|  - NVIDIA Jetson Nano 4GB (Quad-core ARM A57, 128-core Maxwell GPU)    |
|  - Raspberry Pi Camera Module V2 (8MP Sony IMX219 sensor)              |
+------------------------------------------------------------------------+

Methodology

Quy trình phát triển tuân thủ phương pháp luận Agile/Scrum với 4 giai đoạn trọng tâm:

  1. Sprint 1 (Nghiên cứu & Thiết kế Kiến trúc): Khảo sát thuật toán Federated Learning (FedAvg, FSVRG, CO-OP), phân tích chuẩn token ERC-20 và thiết kế luồng xác thực qua OTP.
  2. Sprint 2 (Phát triển Smart Contracts & Web3 dApp): Viết, kiểm thử và deploy các hợp đồng KycContract.sol, MyToken.sol, MyTokenSale.sol trên Ganache.
  3. Sprint 3 (Huấn luyện phân tán & Pipeline xử lý ảnh): Xây dựng module trích xuất đặc trưng khuôn mặt cục bộ, tích hợp API chuyển giao tệp mô hình và cơ chế đồng bộ server.
  4. Sprint 4 (Triển khai Edge Device & Đánh giá): Cấu hình phần cứng Jetson Nano, kết nối Camera Pi V2, đo đạc thông lượng xử lý FPS và tối ưu hóa chi phí Gas.

Implementation và kết quả

Development process

1. Xây dựng Hợp đồng thông minh (Smart Contracts)

Hệ thống sử dụng ngôn ngữ Solidity để xây dựng hợp đồng KYC định danh và quản lý Token đại diện cho trạng thái làm việc của nhân viên:

// SPDX-License-Identifier: MIT
pragma solidity ^0.8.0;

import "@openzeppelin/contracts/token/ERC20/ERC20.sol";
import "@openzeppelin/contracts/access/Ownable.sol";

contract KycContract is Ownable {
    mapping(address => bool) public allowed;

    event KycStatusUpdated(address indexed userAddress, bool status);

    function setKycCompleted(address _addr) public onlyOwner {
        allowed[_addr] = true;
        emit KycStatusUpdated(_addr, true);
    }

    function setKycRevoked(address _addr) public onlyOwner {
        allowed[_addr] = false;
        emit KycStatusUpdated(_addr, false);
    }

    function kycCompleted(address _addr) public view returns (bool) {
        return allowed[_addr];
    }
}

contract MyToken is ERC20, Ownable {
    constructor(uint256 initialSupply) ERC20("Enterprise Work Identity", "EWI") {
        _mint(msg.sender, initialSupply);
    }

    function transferWorkToken(address to, uint256 amount) public onlyOwner returns (bool) {
        _transfer(msg.sender, to, amount);
        return true;
    }
}

Cơ chế hoạt động: Sau khi người dùng xác thực danh tính (KYC) thành công và hoàn thành điểm danh sinh trắc học, doanh nghiệp gọi hàm transferWorkToken để chuyển một lượng token xác định vào địa chỉ ví người dùng. Việc sở hữu token này là bằng chứng mật mã học chứng minh nhân viên đang làm việc chính thức tại doanh nghiệp.

2. Module huấn luyện khuôn mặt cục bộ (Client-side Federated Learning)

Tại máy khách, người dùng kích hoạt script 01_face_dataset.py để thu thập 30-50 mẫu ảnh khuôn mặt, sau đó thuật toán Local Binary Patterns Histograms (LBPH) trích xuất ma trận đặc trưng và xuất file trainer.yml:

import cv2
import numpy as np
from PIL import Image
import os

recognizer = cv2.face.LBPHFaceRecognizer_create()
detector = cv2.CascadeClassifier("haarcascade_frontalface_default.xml")

def get_images_and_labels(path):
    image_paths = [os.path.join(path, f) for f in os.listdir(path)]     
    face_samples = []
    ids = []
    for image_path in image_paths:
        PIL_img = Image.open(image_path).convert('L') # Chuyển sang ảnh grayscale
        img_numpy = np.array(PIL_img, 'uint8')
        id = int(os.path.split(image_path)[-1].split(".")[1])
        faces = detector.detectMultiScale(img_numpy)
        for (x, y, w, h) in faces:
            face_samples.append(img_numpy[y:y+h, x:x+w])
            ids.append(id)
    return face_samples, ids

faces, ids = get_images_and_labels('dataset')
recognizer.train(faces, np.array(ids))
recognizer.write('trainer/trainer.yml') # File weights cục bộ được gửi đi

3. Thuật toán tổng hợp tham số Federated Averaging (FedAvg)

Tại máy chủ tổng hợp, các bản cập nhật mô hình từ $K$ khách hàng được gom tụ theo công thức trọng số dựa trên số lượng mẫu huấn luyện cục bộ $n_k$:

$$w_{t+1} = \sum_{k=1}^{K} \frac{n_k}{n} w_{t+1}^k$$

Trong đó:

  • $n = \sum_{k=1}^{K} n_k$: Tổng số lượng mẫu dữ liệu trên toàn mạng.
  • $w_{t+1}^k$: Trọng số mô hình sau khi tối ưu hóa Stochastic Gradient Descent (SGD) tại máy khách $k$.
  • $w_{t+1}$: Mô hình toàn cục mới được phân phối ngược lại cho các trạm biên.

Đối với biến thể không đồng bộ CO-OP, hệ thống áp dụng bộ lọc tuổi mô hình (model age difference) nhằm loại bỏ các bản cập nhật quá cũ hoặc từ các client hoạt động bất thường:

$$b_l < a - a_k < b_u$$

Testing và validation

Benchmark hiệu năng nhận diện: NVIDIA Jetson Nano vs. Máy tính cá nhân (PC)

Thông số đánh giá Trạm biên nhúng (NVIDIA Jetson Nano 4GB) Máy tính kiểm thử (Intel Core i7 - 16GB RAM)
Tốc độ khung hình (720p) 18 - 24 FPS 55 - 60 FPS
Tốc độ khung hình (1080p) 12 - 15 FPS 42 - 48 FPS
Độ trễ suy luận nhận diện ~ 45 - 60 ms ~ 15 - 20 ms
Độ chính xác xác thực 96.4% (trong khoảng cách 0.5 - 1.5m) 97.8%
Mức tiêu thụ điện năng 5W - 10W (Tiết kiệm năng lượng vượt trội) 65W - 120W

Đánh giá chi phí Gas trên mạng Ethereum Virtual Machine

+-----------------------------------------------------------------------------+
| Giao dịch Smart Contract | Gas Used (Units) | Phí Gas ước tính (Gwei = 20) |
+--------------------------+------------------+------------------------------+
| Deploy KycContract       | 425,180          | 0.00850 ETH                  |
| Deploy MyToken (ERC-20)  | 1,240,650        | 0.02481 ETH                  |
| Gọi hàm setKycCompleted  | 44,218           | 0.00088 ETH                  |
| Chuyển Token điểm danh   | 51,320           | 0.00102 ETH                  |
+-----------------------------------------------------------------------------+

Kết quả đạt được

  • Bảo mật tuyệt đối: 100% dữ liệu hình ảnh người dùng được lưu cục bộ. Máy chủ doanh nghiệp chỉ tiếp nhận file tham số trainer.yml kích thước tinh gọn (< 5MB) qua Google Drive API và Firestore.
  • Hoạt động ổn định tại biên: Hệ thống trên Jetson Nano kết hợp camera Raspberry Pi V2 xử lý nhận diện mượt mà tại trạm điểm danh với độ chính xác trên 96% ở điều kiện ánh sáng văn phòng.
  • Tính toàn vẹn hồ sơ: Tích hợp luồng xác thực 3 nhân tố: Khóa riêng ví MetaMask, mã OTP Email một lần và Nhận diện sinh trắc học trên blockchain.

Đổi mới và đóng góp

1. Đổi mới kỹ thuật mang tính đột phá

  • Mô hình Tokenomic định danh nhân sự: Thay vì sử dụng bảng chấm công SQL truyền thống dễ bị chỉnh sửa, giải pháp chuyển đổi trạng thái làm việc thành tài sản số ERC-20 on-chain. Số dư token hoạt động như một "huy hiệu số" minh bạch, không thể giả mạo.
  • Khắc phục điểm nghẽn quyền riêng tư của Face Recognition: Triển khai thành công kiến trúc Federated Learning cho bài toán nhận diện sinh trắc học thực tế, mở ra hướng tiếp cận an toàn chuẩn hóa cho các hệ thống Smart Home, Smart Office và IoT.

2. So sánh với các giải pháp hiện hành

Đặc tính Giải pháp truyền thống (Hikvision/ZKTeco) PrivacyFace Framework Giải pháp Đề tài (Blockchain + FL)
Vị trí lưu trữ dữ liệu Server nội bộ tập trung Cụm máy chủ phân tán Thiết bị người dùng (Client)
Xác thực phi tập trung Không hỗ trợ Không có Blockchain EVM Smart Contract + MetaMask
Chống gian lận lịch sử Rất thấp (DB admin sửa được) Trung bình Tuyệt đối (Cơ chế đồng thuận chuỗi khối)
Khả năng triển khai biên Phần cứng đóng kín Yêu cầu máy chủ mạnh Jetson Nano + Pi Cam mã nguồn mở

Ứng dụng thực tế và triển khai

Kịch bản triển khai thực tế

+----------------------------------------------------------------------------------+
| 1. Đăng ký & Huấn luyện:                                                         |
|    Ứng viên/Nhân viên nhận OTP -> Mở Client App -> Chụp ảnh & Train cục bộ       |
|    -> File trainer.yml được mã hóa và đồng bộ lên Cloud Storage.                 |
+----------------------------------------------------------------------------------+
                                        |
                                        v
+----------------------------------------------------------------------------------+
| 2. Xác thực On-Chain:                                                            |
|    Doanh nghiệp duyệt KYC qua MetaMask -> Smart Contract xác nhận ví hợp lệ.     |
+----------------------------------------------------------------------------------+
                                        |
                                        v
+----------------------------------------------------------------------------------+
| 3. Điểm danh tại trụ sở:                                                         |
|    Nhân viên check-in tại cổng qua Jetson Nano -> Hệ thống nhận diện khớp         |
|    với weights -> Smart contract tự động ghi nhận giao dịch Token thành công.    |
+----------------------------------------------------------------------------------+

Yêu cầu hệ thống và Triển khai

  • Trạm nhận diện (Edge): NVIDIA Jetson Nano 4GB, nguồn 5V-4A DC, thẻ nhớ microSD 64GB UHS-I, Camera Raspberry Pi V2 (Ribbon CSI).
  • Môi trường Client: Thiết bị chạy hệ điều hành Windows 10/11 hoặc Linux Ubuntu 20.04+, tích hợp Webcam và trình duyệt hỗ trợ MetaMask.
  • Mạng Blockchain: Khởi chạy Ganache CLI với cổng RPC 8545, import private keys vào MetaMask và cấu hình Network ID tương ứng.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  1. Biến động chi phí Gas: Khi triển khai trên Ethereum Layer 1, chi phí giao dịch cho mỗi lần điểm danh có thể tăng cao vào thời điểm mạng nghẽn.
  2. Dữ liệu Non-IID: Sự khác biệt về điều kiện camera, ánh sáng giữa các thiết bị người dùng có thể ảnh hưởng đến độ đồng nhất của mô hình tổng thể.

Hướng phát triển tương lai

  • Tích hợp Layer-2 Rollups: Chuyển đổi Smart Contracts sang các nền tảng Layer-2 như Arbitrum, Optimism hoặc Polygon để giảm chi phí Gas xuống dưới 0.0001 USD/giao dịch.
  • Bảo mật nâng cao với Differential Privacy: Kết hợp mã hóa đồng hình (Homomorphic Encryption) và bảo mật vi sai (Differential Privacy) vào quá trình trao đổi tham số model weights.
  • Nâng cấp Backbone Model: Ứng dụng các kiến trúc mạng nơ-ron hiện đại như MobileFaceNet hoặc Vision Transformers (ViT) được lượng tử hóa (Quantization) bằng TensorRT trên Jetson Nano.

Đối tượng hưởng lợi

  • Sinh viên & Học viên: Tài liệu tham khảo thực tiễn chất lượng cao về tích hợp liên ngành giữa Công nghệ Chuỗi khối (Blockchain Web3) và Trí tuệ Nhân tạo Phân tán (Federated Learning).
  • Lập trình viên & Kỹ sư AI/IoT: Cung cấp kiến trúc mẫu hoàn chỉnh từ viết Smart Contract Solidity đến deploy mô hình thị giác máy tính trên phần cứng nhúng Jetson Nano.
  • Doanh nghiệp & Bộ phận HR: Tiếp cận giải pháp quản trị điểm danh và xác minh lý lịch nhân sự minh bạch, giảm 100% rủi ro kiện tụng liên quan đến rò rỉ dữ liệu sinh trắc cá nhân.
  • Nhà nghiên cứu: Cung cấp số liệu benchmark thực tế về hiệu năng phân tán và chi phí Gas cho các công trình phát triển FLchain và BlockFL tiếp theo.

Câu hỏi thường gặp

1. Hệ thống có yêu cầu gửi ảnh khuôn mặt của nhân viên lên server không?

Không. Điểm cốt lõi của Federated Learning là giữ toàn bộ dữ liệu ảnh thô trên thiết bị người dùng. Hệ thống chỉ xử lý và truyền tải tệp trọng số mô hình đã được tính toán cục bộ (trainer.yml), triệt tiêu hoàn toàn nguy cơ lộ ảnh cá nhân.

2. Chi phí Gas khi xác thực trên Blockchain có quá đắt không?

Trong giai đoạn thử nghiệm, hệ thống chạy trên mạng giả lập Ganache miễn phí. Đối với môi trường thực tế, hệ thống được thiết kế để dễ dàng chuyển dịch sang các giải pháp Layer 2 (Polygon, Arbitrum) với chi phí chỉ vài cent cho hàng nghìn lượt xác thực.

3. Nếu kẻ gian có được file weights trainer.yml thì có thể tái tạo lại khuôn mặt không?

Việc tái tạo ngược lại ảnh gốc từ ma trận trọng số LBPH hoặc gradient nơ-ron là cực kỳ khó khăn. Hơn nữa, file tham số được bảo vệ bằng lớp mã hóa xác thực trước khi gửi lên đám mây.

4. Hệ thống xử lý thế nào nếu camera tại cổng điểm danh bị mất kết nối Internet?

Trạm nhận diện Jetson Nano lưu trữ bản sao mô hình toàn cục mới nhất tại bộ nhớ cục bộ, cho phép tiếp tục nhận diện offline và đẩy các giao dịch xác thực lên hàng đợi Blockchain ngay khi kết nối mạng được phục hồi.

5. Doanh nghiệp cần đầu tư phần cứng ban đầu bao nhiêu?

Chi phí phần cứng rất kinh tế: Một bộ kit NVIDIA Jetson Nano kèm Camera Raspberry Pi V2 có giá dao động chỉ từ 150 - 200 USD, thấp hơn nhiều lần so với các máy chấm công sinh trắc học chuyên dụng đắt tiền trên thị trường.

Kết luận

Đồ án tốt nghiệp "Xây dựng hệ thống nhận diện gương mặt dựa trên nền tảng Blockchain và Federated Learning" của nhóm tác giả Ngô Phúc Thịnh và Nguyễn Trần Minh Thiện là một minh chứng xuất sắc cho việc kết hợp hai làn sóng công nghệ đột phá: Web3/Blockchain và Decentralized AI. Hệ thống không chỉ giải quyết triệt để bài toán bảo mật dữ liệu sinh trắc học nhạy cảm mà còn kiến tạo một chuẩn mực mới cho quy trình xác minh hồ sơ nhân sự minh bạch, tự động hóa và đáng tin cậy. Đây là tiền đề vững chắc cho việc nhân rộng các mô hình định danh bảo mật trong kỷ nguyên đô thị thông minh và chuyển đổi số toàn diện.