Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh các nền tảng số phát triển nhanh chóng, học máy truyền thống bộc lộ nhiều hạn chế cốt lõi khi vận hành theo mô hình tập trung dữ liệu về một máy chủ duy nhất. Tác giả khóa luận chỉ ra bốn thách thức lớn của mô hình học máy truyền thống:

  1. Sự phân tán của dữ liệu: Dữ liệu người dùng thực tế phát sinh phân tán trên nhiều thiết bị đầu cuối (điện thoại thông minh, cảm biến xe tự hành, máy tính, thiết bị gia dụng thông minh) hoặc nằm rải rác tại nhiều tổ chức khác nhau mà không thể tự nhiên thu gom về một điểm.
  2. Rào cản từ các quy định pháp lý: Sự xuất hiện của các khung pháp lý nghiêm ngặt về bảo vệ quyền riêng tư như Quy định chung về bảo vệ dữ liệu của Liên minh Châu Âu (GDPR), Đạo luật về quyền riêng tư của người tiêu dùng California (CCPA) và Đạo luật bảo vệ thông tin cá nhân và tài liệu điện tử của Canada (PIPEDA) nghiêm cấm các tổ chức tùy tiện thu thập, chuyển giao dữ liệu cá nhân của người dùng qua biên giới hoặc giữa các đơn vị.
  3. Mối quan ngại từ phía người dùng: Người dùng ngày càng có xu hướng từ chối cấp quyền thu thập thông tin và dữ liệu riêng tư từ thiết bị cá nhân.
  4. Khối lượng dữ liệu khổng lồ: Một số thiết bị như camera thu thập khối lượng dữ liệu quá lớn, việc truyền tải toàn bộ dữ liệu thô về máy chủ trung tâm đòi hỏi hạ tầng mạng và chi phí lưu trữ, tính toán phần cứng đắt đỏ mà phần lớn dữ liệu đó lại không hữu ích cho quá trình huấn luyện.

Mô hình Học máy liên kết (Federated Learning - FL) do Google giới thiệu năm 2016 đã đảo ngược quy trình này bằng cách chuyển quá trình huấn luyện đến nơi chứa dữ liệu cục bộ thay vì chuyển dữ liệu về máy chủ trung tâm. Tuy nhiên, việc ứng dụng FL trong thực tế gặp phải thách thức lớn về việc thiếu cơ chế khuyến khích công bằng, nguy cơ gian lận từ các bên tham gia (free-rider, cố tình gửi tham số kém chất lượng) và sự thiếu vắng một khung đánh giá đóng góp chuẩn mực. Công nghệ chuỗi khối (Blockchain) và hợp đồng thông minh (Smart Contract) trên mạng Ethereum được nhóm nghiên cứu lựa chọn làm giải pháp xử lý triệt để các vấn đề trên nhờ các đặc tính phi tập trung, bất biến và tính minh bạch cao.

Mục tiêu nghiên cứu được xác định cụ thể trong văn bản gồm ba nhiệm vụ:

  1. Nghiên cứu và phân tích phương thức kết hợp giữa học máy liên kết và blockchain trong việc bảo mật dữ liệu, bảo vệ quyền riêng tư trên môi trường nhiều bên tham gia.
  2. Xây dựng một hệ thống phân chia phần thưởng công bằng, công khai và minh bạch dựa trên hợp đồng thông minh, ghi nhận chính xác đóng góp của từng người huấn luyện (trainer) mà không thể bị can thiệp hay gian lận.
  3. Tạo ra môi trường khuyến khích tính tích cực, thu hút các trainer tham gia vào quy trình huấn luyện học máy liên kết.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Cơ chế đánh giá, đo lường đóng góp và phân phối phần thưởng cho các thành viên huấn luyện mô hình trong mạng lưới học máy liên kết thông qua hợp đồng thông minh trên nền tảng blockchain.
  • Phạm vi nghiên cứu: Mô hình Học máy liên kết ngang (Horizontal Federated Learning - HFL) áp dụng thuật toán Federated Averaging (FedAvg); môi trường chuỗi khối liên minh (consortium blockchain network) trên nền tảng Ethereum; xây dựng hạ tầng hợp đồng thông minh bằng ngôn ngữ Solidity, tích hợp chữ ký đa bên Gnosis Safe Multisig và quản trị người dùng trên thiết bị di động.

Cơ sở lý thuyết và phương pháp

Khung lý thuyết và các công nghệ nền tảng

Khóa luận dựa trên các lý thuyết và tiêu chuẩn kỹ thuật sau:

  • Học máy liên kết ngang (Horizontal Federated Learning - HFL): Mô hình áp dụng khi các bên tham gia có không gian thuộc tính dữ liệu giống nhau nhưng tập người dùng khác nhau. Thuật toán trung bình hóa liên kết (FedAvg) được sử dụng để tổng hợp trọng số mô hình toàn cục qua các bước: khởi tạo mô hình toàn cầu, phân phối đến các client, huấn luyện cục bộ, gửi bản cập nhật mô hình về và tính trung bình trọng số để cập nhật mô hình toàn cục mới.
  • Văn bản pháp lý bảo vệ dữ liệu: Luận văn hệ thống hóa cơ sở pháp lý bao gồm GDPR (Châu Âu), CCPA (Hoa Kỳ) và PIPEDA (Canada) làm căn cứ chứng minh tính bắt buộc của kiến trúc bảo toàn quyền riêng tư.
  • Hợp đồng thông minh và Sự kiện (Events): Sử dụng ngôn ngữ Solidity trên Ethereum. Cơ chế Sự kiện (Events) được khai thác để truyền tải thông điệp bất đồng bộ đến các ứng dụng phi tập trung (DApp) thông qua Ethereum JSON-RPC API, giúp giảm thiểu đáng kể chi phí gas so với việc thay đổi trạng thái lưu trữ trực tiếp trên chuỗi.
  • Tiêu chuẩn Token ERC20 và các phần mở rộng: Sử dụng ERC20 để tạo token FET làm phần thưởng nội bộ, tích hợp các phần mở rộng:
    • ERC20 Burnable: Cho phép đốt token để giảm tổng cung khi thực hiện rút tài sản.
    • ERC20 Pausable: Tạm dừng các giao dịch chuyển token trong trường hợp khẩn cấp.
    • ERC20 Snapshot: Chụp lại số dư token tại thời điểm cụ thể phục vụ kiểm tra, phân phối.
    • ERC20 Permit: Sử dụng chữ ký số EIP-2612 để ủy quyền chuyển token mà không cần thực hiện giao dịch phê duyệt trước, hỗ trợ thực hiện giao dịch không tốn gas ETH trực tiếp từ phía người dùng.
  • Tiêu chuẩn Proxy ERC1967: Định nghĩa mô hình hợp đồng ủy quyền (Proxy Contract) trỏ đến hợp đồng logic (Implementation Contract), cho phép nâng cấp mã xử lý của hệ thống mà không làm thay đổi địa chỉ hợp đồng và bảo toàn nguyên vẹn trạng thái dữ liệu lưu trữ.
  • Đa chữ ký Gnosis Safe Multisig: Cơ chế bảo mật yêu cầu đạt đủ ngưỡng đồng thuận (ví dụ: mô hình 2:3 chữ ký) từ các địa chỉ quản trị trước khi thực thi các giao dịch trọng yếu của hệ thống.

Phương pháp nghiên cứu và cơ chế đánh giá đóng góp

Khóa luận sử dụng phương pháp phân tích - tổng hợp lý thuyết kết hợp thiết kế hệ thống và mô phỏng thực nghiệm. Cơ chế trả thưởng được chia thành hai cấu phần độc lập:

  1. Phần thưởng cơ bản (Base Reward - chiếm 20% tổng quỹ thưởng): Phân bổ cố định cho tất cả các trainer hoàn thành việc nộp tham số huấn luyện cục bộ đúng hạn, nhằm bù đắp chi phí tài nguyên tính toán và phí giao dịch mạng.
  2. Phần thưởng hiệu suất (Performance Reward - chiếm 80% tổng quỹ thưởng): Phân phối tỷ lệ thuận theo mức độ đóng góp thực tế vào việc cải thiện độ chính xác của mô hình toàn cục.

Cơ chế đánh giá dựa trên Phương pháp xóa bỏ (Deletion Method): Hệ thống lần lượt loại bỏ bản cập nhật của từng trainer ra khỏi tập tổng hợp và tiến hành kiểm tra độ suy giảm hiệu suất của mô hình toàn cục. Sự chênh lệch độ chính xác khi có và không có tham số của trainer phản ánh giá trị đóng góp thực của trainer đó.

Khóa luận giải quyết vấn đề chống gian lận bằng quy định: Không sử dụng bộ dữ liệu kiểm thử tập trung do chủ sở hữu phiên (Owner Session) cung cấp, mà phân tán việc kiểm thử trên dữ liệu của các trainer khác. Quy định này ngăn chặn hành vi chủ phiên tự tạo tài khoản phụ để huấn luyện trên tập dữ liệu kiểm thử nhằm chiếm đoạt phần thưởng hiệu suất lớn nhất.

Công thức tính toán phần thưởng hiệu suất được tác giả xây dựng dựa trên các tham số: $$\text{Performance Reward} = f(P_{\text{ETH}}, RS_{\text{max}}, P_R, n(\text{score}{\text{zero}}), P{\text{Ravg}}, PR_{\text{scoreAvg}}, \text{score}{\text{max}}, TrS{\text{max}}, Tr_{\text{min}}, k)$$

Trong đó $P_{\text{ETH}}$ là tổng quỹ ETH phân bổ cho phần thưởng hiệu suất của cả session; $RS_{\text{max}}$ là số round tối đa; $k$ là hệ số độ lệch phần thưởng giữa các mức điểm; $n(\text{score}_{\text{zero}})$ là số lượng trainer bị chấm điểm 0; các hệ số điều chỉnh đảm bảo tổng lượng thưởng phân phát mỗi round luôn khớp chính xác với ngân sách được cấp.

Thiết kế và triển khai

Hệ thống được thiết kế theo kiến trúc phi tập trung bao gồm các tác nhân (Actors), các use case nghiệp vụ và hệ thống hợp đồng thông minh liên kết đa tầng.

Danh sách tác nhân (Actors) và Use Case

Tác nhân (Actor) Mô tả chức năng và trách nhiệm chính
Trainer Kết nối ví, xác thực phía máy chủ, tải mô hình toàn cục, huấn luyện cục bộ, đánh giá mô hình, tổng hợp mô hình, nộp kết quả huấn luyện/kiểm thử, nhận thưởng và rút tiền.
Admin Phân quyền tài khoản (Add Role), tạm dừng hệ thống (Pause), mở tạm dừng (Unpause), cập nhật địa chỉ logic mới qua proxy (Set Implementation), đặt cấu hình giới hạn thời gian (Set Timelock).
Compliance Service Quản lý danh sách được phép tham gia (Trainer Allowlist) và danh sách cấm/khóa tài khoản vi phạm (Blocklist).
Minter Service Thực hiện chức năng đúc token mới (Mint FET) và đốt token (Burn FET) theo quy định của hợp đồng.
Owner Session Tạo phiên huấn luyện mới, nộp quỹ thưởng ETH, thiết lập các tham số thời gian và giới hạn của phiên.

Hệ thống quản lý 16 Use Case chính:

  1. Connect wallet: Kết nối giao diện người dùng với ví Metamask để lấy địa chỉ và số dư.
  2. Authenticate server side: Ký thông điệp qua khóa cá nhân trong ví Metamask, máy chủ xác thực chữ ký (Signature) và cấp cặp mã thông báo truy cập (Access Token & Refresh Token).
  3. Claim reward: Trainer gọi hàm vào hợp đồng thông minh để rút phần thưởng token FET về ví sau khi hoàn thành phiên.
  4. Withdraw: Rút ETH bằng cách đốt (Burn) lượng FEToken tương ứng trong tài khoản theo tỷ lệ quy đổi.
  5. Submit Train/Test/Aggregate: Nộp định danh kết quả huấn luyện cục bộ, kết quả kiểm tra hoặc mô hình đã tổng hợp lên hợp đồng thông minh.
  6. Add Role: Admin cấp quyền thực thi theo vai trò cho một địa chỉ ví cụ thể.
  7. Pause: Admin kích hoạt trạng thái dừng khẩn cấp toàn bộ các giao dịch trên hệ thống.
  8. Unpause: Admin hủy trạng thái tạm dừng, đưa hệ thống trở lại hoạt động bình thường.
  9. Set Timelock: Thiết lập ngưỡng thời gian tối đa cho các trạng thái trong round huấn luyện nhằm tránh tắc nghẽn phiên vô hạn.
  10. Set Implementation: Nâng cấp mã nguồn hợp đồng xử lý logic thông qua mô hình Proxy.
  11. Add to Blocklist: Đưa địa chỉ ví trainer có hành vi gian lận hoặc phá hoại mô hình vào danh sách chặn.
  12. Remove from Blocklist: Gỡ bỏ địa chỉ ví khỏi danh sách chặn.
  13. Add to Trainer Allowlist: Cấp quyền cho người dùng đủ điều kiện tham gia mạng lưới trainer.
  14. Remove from Allowlist: Thu hồi quyền tham gia huấn luyện của một địa chỉ ví.
  15. Mint FET: Đúc lượng token FET mới vào nguồn cung.
  16. Burn FET: Tiêu hủy lượng token FET tương ứng khi người dùng thực hiện chuyển đổi rút ETH.

Kiến trúc Hợp đồng thông minh

Hệ thống phân tách kiến trúc thành 7 hợp đồng thông minh thành phần liên kết chặt chẽ:

  • AdminControl: Quản lý quyền hạn quản trị, phân quyền tác nhân và lưu trữ tham số cấu hình chung.
  • FEToken: Hợp đồng token ERC20 đại diện cho điểm uy tín và cổ phần đóng góp của trainer, chỉ được sinh ra trong quá trình huấn luyện.
  • TimeLock: Giám sát và áp đặt giới hạn thời gian cho từng giai đoạn của các vòng huấn luyện.
  • TrainerAllowlist: Quản lý danh sách các địa chỉ ví trainer được cấp phép tương tác với hệ thống.
  • Blocklist: Lưu trữ danh sách các địa chỉ bị cấm giao dịch, ngăn chặn các trainer gian lận rút tài sản.
  • PerformanceRewardDistribution: Thực hiện các thuật toán toán học để tính toán phần thưởng hiệu suất dựa trên điểm số đánh giá từ Deletion Method.
  • FEBlockchainLearning: Hợp đồng điều phối trung tâm, tiếp nhận yêu cầu từ client, kết nối toàn bộ dữ liệu từ các hợp đồng thành phần để kiểm soát luồng hoạt động của từng session.
       +---------------------------------------------+
       |            Gnosis Safe Multisig             |
       |               (2:3 Signatures)              |
       +----------------------+----------------------+
                              |
                     [Admin Execution]
                              v
                  +-----------------------+
                  |     AdminControl      |
                  +-----------+-----------+
                              |
      +-----------------------+-----------------------+
      |                       |                       |
      v                       v                       v
+------------+       +------------------+      +--------------+
|  FEToken   |       | TrainerAllowlist |      |   TimeLock   |
|  (ERC20)   |       |    /Blocklist    |      | (Round Time) |
+-----+------+       +--------+---------+      +------+-------+
      |                       |                       |
      +-----------------+     |     +-----------------+
                        |     |     |
                        v     v     v
       +---------------------------------------------+
       |        PerformanceRewardDistribution        |
       +----------------------+----------------------+
                              |
                              v
       +---------------------------------------------+
       |            FEBlockchainLearning             |
       |      (Core FL Lifecycle Orchestrator)       |
       +---------------------------------------------+

Quy trình triển khai và Cài đặt tham số

Quá trình triển khai (Deployment Flow) tuân thủ nghiêm ngặt 4 giai đoạn phụ thuộc constructor:

  1. Giai đoạn 1: Triển khai AdminControl (khởi tạo quyền quản trị cao nhất).
  2. Giai đoạn 2: Triển khai đồng thời FEToken, TrainerManagement (TrainerAllowlist & Blocklist), và TimeLock với tham số khởi tạo là địa chỉ của AdminControl.
  3. Giai đoạn 3: Triển khai PerformanceRewardDistribution với các tham số constructor gồm địa chỉ AdminControl và FEToken.
  4. Giai đoạn 4: Triển khai FEBlockchainLearning với đầy đủ tham số constructor chứa địa chỉ của tất cả các hợp đồng đã tạo trước đó.

Sau khi triển khai, Admin tiến hành thiết lập các tham số vận hành chuẩn:

  • Giới hạn số Round tối đa trong một phiên (Max Round): 10 rounds.
  • Giới hạn số Trainer tối đa trong một Round (Max Trainer/Round): 100 trainers.
  • Tỷ lệ phần thưởng cơ bản: Training Reward Rate = 5% tổng thưởng; Base Testing Reward Rate = 5% tổng thưởng.
  • Cấp quyền Minter và Burner của FEToken cho FEBlockchainLearning và PerformanceRewardDistribution.
  • Thiết lập thời gian giới hạn mặc định (Limit Time Round Default) cho 4 vòng: Time Training Round = 7 ngày, Time Checking Round = 7 ngày, Time Aggregating Round = 7 ngày, Time Testing Round = 7 ngày.

Quy trình Vận hành phiên (Work Flow)

Quy trình vận hành trải qua 7 bước tuần tự:

  1. Khởi tạo và Tham gia phiên (Create & Apply Session): Chủ phiên nộp ETH vào FEBlockchainLearning để làm quỹ thưởng. Hợp đồng kiểm tra điều kiện danh sách trắng. Khi phiên ở trạng thái Ready, các trainer muốn tham gia phải thực hiện đặt cọc (stake) một lượng ETH bằng: $$\text{Stake ETH} = \text{Số lượng Trainer trong Session} \times \text{BaseTrainingReward}$$ Khoản cọc này nhằm ràng buộc trách nhiệm, bồi thường cho chủ phiên nếu trainer bỏ ngang. Mỗi trainer bị giới hạn tham gia đồng thời tối đa 3 sessions.
  2. Vòng huấn luyện (Training Round): Khi số lượng trainer apply đủ yêu cầu, trạng thái chuyển sang Training. Trainer lấy ID mô hình toàn cục, huấn luyện trên dữ liệu cục bộ và nộp lại ID tham số trước khi TimeLock hết hạn. Trainer nộp bài đúng hạn sẽ nhận lại phần lớn lượng ETH đã stake kèm phần thưởng BaseTrainingReward.
  3. Vòng kiểm tra hợp lệ (Checking Round): Các trainer nhận ngẫu nhiên tham số mô hình của nhau để kiểm tra tính hợp lệ về mặt cấu trúc và dữ liệu, sau đó nộp báo cáo điều tra lên chuỗi.
  4. Vòng lựa chọn ứng viên tổng hợp (Candidate Aggregator Round): Chủ phiên lọc ra 5 trainer có lịch sử đóng góp tích cực nhất trong hệ thống để làm ứng cử viên thực hiện tổng hợp mô hình.
  5. Vòng tổng hợp mô hình (Aggregating Round): Node được chọn làm Aggregator tải toàn bộ các bản cập nhật hợp lệ về, thực hiện thuật toán FedAvg để tạo ra mô hình toàn cục mới và nộp kết quả lên hợp đồng.
  6. Vòng kiểm thử hiệu năng (Testing Round): Các trainer tiến hành kiểm thử chéo mô hình toàn cục mới dựa trên phương pháp Deletion Method, đánh giá mức độ đóng góp thực chất của từng cá nhân mà không phụ thuộc vào bộ test tập trung của chủ phiên.
  7. Thu thập phần thưởng và Rút tài sản (Claim & Withdraw): Kết thúc round, trainer gọi hàm Claim Reward để nhận token FET (gồm Base Reward và Performance Reward). Khi có nhu cầu quy đổi ra ETH, trainer gọi hàm Withdraw, hợp đồng sẽ thực hiện cơ chế đốt token FET tương ứng và chuyển ETH về ví. Quy trình được lặp lại cho các round tiếp theo cho đến khi hoàn tất phiên huấn luyện.

Nội dung chính theo từng chương

Lý do chọn đề tài, Đối tượng và Phạm vi nghiên cứu

Chương mở đầu phân tích sự bùng nổ của các thiết bị thông minh và nhu cầu cấp thiết về việc khai thác dữ liệu phân tán mà không vi phạm quyền riêng tư. Tác giả chỉ ra các điểm nghẽn của phương pháp học máy truyền thống và khẳng định sự kết hợp giữa Federated Learning và Blockchain là lời giải tối ưu. Chương này xác định rõ mục tiêu xây dựng cơ chế trả thưởng minh bạch bằng smart contract trên mạng Ethereum, áp dụng thuật toán FedAvg cho học máy liên kết ngang (HFL) và thiết lập phạm vi vận hành trong mạng lưới liên minh.

Nghiên cứu và Lý thuyết: Học máy liên kết và Công nghệ Blockchain

Chương này tập trung trình bày nền tảng lý thuyết chuyên sâu:

  • Phân tích sự khác biệt bản chất giữa học máy truyền thống (di chuyển dữ liệu về trung tâm) và học máy liên kết (di chuyển mô hình tính toán tới dữ liệu).
  • So sánh chi tiết hai mô hình học máy liên kết: HFL (dữ liệu cùng không gian đặc trưng, khác người dùng) và VFL (dữ liệu cùng người dùng, khác không gian đặc trưng); luận giải lý do lựa chọn HFL kết hợp thuật toán FedAvg.
  • Tổng hợp các đạo luật bảo vệ quyền riêng tư tiêu biểu (GDPR, CCPA, PIPEDA).
  • Khảo sát các công nghệ blockchain áp dụng: ngôn ngữ Solidity, cơ chế phát sự kiện (Events) giao tiếp qua JSON-RPC API nhằm tiết kiệm gas, tiêu chuẩn Proxy nâng cấp ERC1967, cơ chế đa chữ ký Gnosis Safe Multisig (2:3).
  • Chi tiết hóa tiêu chuẩn token ERC20 cùng 4 phần mở rộng (Burnable, Pausable, Snapshot, Permit).
  • Xây dựng mô hình kinh tế trả thưởng: tách bạch 20% Base Reward và 80% Performance Reward; ứng dụng giải thuật Deletion Method để tính điểm đóng góp mà không làm lộ dữ liệu kiểm thử.

Mô tả chức năng và Công nghệ sử dụng: Thiết kế Smart Contract và Luồng nghiệp vụ

Chương này mô tả chi tiết toàn bộ thiết kế kỹ thuật của hệ thống:

  • Đặc tả 4 nhóm Actor chính (Trainer, Admin, Compliance Service, Minter Service) và hệ thống 16 Use Case hoàn chỉnh.
  • Chi tiết hóa luồng xác thực máy chủ bằng chữ ký số thông qua ví Metamask mà không cần sử dụng mật khẩu.
  • Thiết kế cấu trúc phân tầng của 7 hợp đồng thông minh (AdminControl, FEToken, TimeLock, TrainerAllowlist, Blocklist, PerformanceRewardDistribution, FEBlockchainLearning).
  • Quy trình triển khai 4 giai đoạn gắn liền với các ràng buộc tham số constructor.
  • Thiết lập cấu hình hệ thống: Max Round = 10, Max Trainer/Round = 100, tỷ lệ thưởng cơ bản 5%, thời gian mỗi giai đoạn trong round là 7 ngày.
  • Quy trình vận hành chi tiết qua từng bước: cơ chế Stake ETH chống bỏ cuộc, vòng Training, Checking, chọn 5 ứng viên Aggregator, Aggregating, Testing theo Deletion Method, Claim thưởng FEToken và quy trình Burn token để rút ETH.

Khả năng mở rộng, Triển khai thực tế và Hướng phát triển

Chương cuối cùng tổng kết các đánh giá về hiệu năng, thảo luận về khả năng mở rộng của hệ thống hợp đồng thông minh và định hình các hạng mục cần tiếp tục hoàn thiện khi đưa vào ứng dụng thực tế.

Kết quả và đóng góp

Kết quả chính đạt được

Khóa luận đã hoàn thành việc nghiên cứu, thiết kế và xây dựng giải pháp kỹ thuật cho hệ thống trả thưởng học máy phân tán với các kết quả cụ thể:

  • Thiết lập kiến trúc hệ thống hợp đồng thông minh đa tầng gồm 7 contracts có khả năng nâng cấp logic linh hoạt qua chuẩn Proxy ERC1967 và bảo mật bởi Gnosis Safe Multisig (2:3 signatures).
  • Tích hợp thành công chuẩn ERC20 Permit, cho phép người dùng ký ủy quyền giao dịch ngoại tuyến, giảm thiểu thao tác trên blockchain và tiết kiệm chi phí gas ETH.
  • Xây dựng hoàn chỉnh thuật toán phân phối phần thưởng kết hợp: 20% Base Reward (phân chia 5% cho training và 5% cho testing) và 80% Performance Reward được tính toán tự động qua hàm phân bổ toán học.
  • Ứng dụng thành công phương pháp xóa bỏ (Deletion Method) vào môi trường kiểm thử phân tán, triệt tiêu nguy cơ gian lận từ phía chủ phiên (Session Owner) và đánh giá khách quan đóng góp của từng trainer.
  • Thiết lập cơ chế tài chính ràng buộc trách nhiệm: buộc trainer stake lượng ETH tương ứng ($\text{Số lượng Trainer} \times \text{BaseTrainingReward}$), giới hạn tối đa 3 sessions đồng thời và quản lý hành vi qua cơ chế Blocklist/Allowlist.

Giải pháp và Kiến nghị của tác giả

  • Tự động hóa toàn diện quy trình kiểm thử và trả thưởng thông qua hợp đồng thông minh, loại bỏ hoàn toàn sự can thiệp chủ quan của con người.
  • Sử dụng mô hình token kép trung gian (FEToken quy đổi sang ETH qua cơ chế Burn) kết hợp cùng danh sách chặn (Blocklist) nhằm tạo thời gian trễ kiểm soát, ngăn chặn kịp thời các tác nhân xấu rút tiền khi bị phát hiện gian lận.
  • Áp dụng TimeLock cố định (7 ngày cho mỗi vòng trạng thái) nhằm bảo đảm chu trình huấn luyện không bị đình trệ vô hạn do sự thiếu hợp tác của một vài cá nhân.

Đóng góp so với các nghiên cứu trước

Tác giả tự xác định các đóng góp mới của khóa luận bao gồm:

  • Giải quyết bài toán khuyến khích kinh tế trong Federated Learning bằng công nghệ Blockchain một cách minh bạch, có thể kiểm chứng được trên chuỗi.
  • Đề xuất phương thức đánh giá đóng góp phi tập trung qua Deletion Method không cần chia sẻ bộ test trung tâm, giải quyết triệt để xung đột lợi ích và hành vi gian lận của chủ sở hữu phiên huấn luyện.
  • Cung cấp một khung kiến trúc hoàn chỉnh, sẵn sàng tích hợp giữa các mô hình học máy phân tán trên thiết bị di động với mạng lưới blockchain liên minh.

Hạn chế và hướng nghiên cứu tiếp

Khóa luận chỉ ra các hạn chế và định hướng phát triển tiếp theo đúng theo nội dung văn bản:

  1. Khả năng mở rộng và hiệu suất (Scalability and Performance): Cần tối ưu hóa chi phí gas và thông lượng xử lý giao dịch của hệ thống hợp đồng thông minh khi quy mô số lượng trainer và số round tăng cao.
  2. Triển khai và áp dụng thực tế: Cần tiến hành thử nghiệm toàn diện hệ thống trên các mạng thử nghiệm công khai (Testnet/Mainnet) với các kịch bản mạng phân tán phức tạp trong đời thực.
  3. Thêm cơ chế tích hợp kiểm thử từ phía người sở hữu mô hình: Nghiên cứu phương thức cho phép Session Owner tham gia đánh giá, kiểm thử mô hình mà vẫn duy trì được cơ chế chống gian lận và bảo vệ quyền riêng tư cho hệ thống.
  4. Xây dựng ứng dụng trên thiết bị di động thân thiện với người dùng: Phát triển giao diện người dùng hoàn chỉnh trên nền tảng di động để tối ưu hóa trải nghiệm kết nối ví, nhận thông báo sự kiện và theo dõi tiến trình huấn luyện cục bộ.

Giá trị tham khảo

Khóa luận là tài liệu tham khảo chuyên môn giá trị đối với:

  • Đối tượng thụ hưởng: Sinh viên, học viên cao học, kỹ sư phần mềm và các nhóm nghiên cứu thuộc chuyên ngành Công nghệ Thông tin, Khoa học Dữ liệu, Trí tuệ Nhân tạo, An toàn Thông tin và Công nghệ Chuỗi khối (Blockchain).
  • Các nội dung có giá trị tham khảo cao:
    • Thiết kế kiến trúc hợp đồng thông minh module hóa, ứng dụng chuẩn Proxy ERC1967 và đa chữ ký Gnosis Safe Multisig.
    • Kỹ thuật tích hợp ERC20 Permit để tối ưu trải nghiệm người dùng và giảm phí gas trong các ứng dụng Web3.
    • Công thức toán học và quy trình giải thuật phân phối phần thưởng học máy phân tán sử dụng phương pháp Deletion Method.
    • Quy trình quản lý vòng đời huấn luyện Federated Learning kết hợp cơ chế cọc (staking) và xử phạt trên blockchain.

Câu hỏi thường gặp

1. Cơ cấu phân chia phần thưởng trong hệ thống được quy định với tỷ lệ như thế nào?

Tổng quỹ thưởng của mỗi session được chia thành hai phần: Phần thưởng cơ bản (Base Reward) chiếm 20% cố định (trong đó tỷ lệ thưởng huấn luyện là 5% và tỷ lệ thưởng kiểm thử cơ bản là 5%) nhằm đền đáp nỗ lực tham gia và bù đắp chi phí giao dịch; Phần thưởng hiệu suất (Performance Reward) chiếm 80% còn lại, được phân bổ tỷ lệ thuận theo mức độ đóng góp cải thiện mô hình thực tế của từng trainer.

2. Tại sao hệ thống không sử dụng bộ dữ liệu kiểm thử tập trung của Session Owner để đánh giá mô hình?

Nếu sử dụng bộ dữ liệu kiểm thử do Session Owner cung cấp, chủ phiên có thể gian lận bằng cách dùng tài khoản phụ tham gia làm trainer và huấn luyện trực tiếp trên chính tập dữ liệu kiểm thử đó. Khi đến vòng kiểm thử, tài khoản này sẽ đạt độ chính xác cao bất thường và chiếm đoạt phần lớn quỹ thưởng hiệu suất. Việc kiểm thử phân tán chéo giữa các trainer dựa trên Deletion Method loại bỏ hoàn toàn nguy cơ gian lận này.

3. Token FET có vai trò gì và tại sao không trả thưởng trực tiếp bằng ETH?

FEToken (chuẩn ERC20) đóng vai trò là cổ phần đại diện cho sự uy tín và ghi nhận đóng góp của trainer trong quá trình huấn luyện. Hệ thống không trả ETH trực tiếp mà thông qua FEToken nhằm tạo một lớp kiểm soát: khi trainer yêu cầu rút tiền (Withdraw), hệ thống sẽ đốt FEToken để đổi sang ETH. Nếu phát hiện trainer có hành vi gian lận hoặc phá hoại, quản trị viên có thể đưa địa chỉ ví vào Blocklist để chặn việc rút tiền kịp thời.

4. Hệ thống sử dụng cơ chế nào để ngăn chặn tình trạng trainer nhận task nhưng bỏ dở giữa chừng?

Khi đăng ký tham gia session, mỗi trainer bắt buộc phải đặt cọc (stake) một lượng ETH bằng số lượng trainer trong session nhân với BaseTrainingReward. Nếu trainer không nộp kết quả huấn luyện cục bộ trước khi thời hạn TimeLock của round kết thúc, trainer sẽ bị mất toàn bộ số ETH đã cọc để bồi thường cho Session Owner. Đồng thời, mỗi trainer bị giới hạn chỉ được tham gia tối đa 3 sessions cùng một lúc.

5. Thứ tự triển khai các hợp đồng thông minh trong hệ thống diễn ra như thế nào?

Quá trình triển khai gồm 4 giai đoạn bắt buộc: đầu tiên triển khai AdminControl; tiếp theo triển khai FEToken, TrainerManagement (TrainerAllowlist/Blocklist) và TimeLock (truyền địa chỉ AdminControl vào constructor); thứ ba là triển khai PerformanceRewardDistribution (truyền địa chỉ AdminControl và FEToken); cuối cùng mới triển khai hợp đồng điều phối trung tâm FEBlockchainLearning với tham số constructor chứa địa chỉ của tất cả các hợp đồng trước đó.

Kết luận

Khóa luận tốt nghiệp của sinh viên Đặng Huỳnh Phúc Hiển và Võ Huỳnh Hải Đăng đã đề xuất và thiết kế thành công kiến trúc hệ thống trả thưởng học máy phân tán trên thiết bị di động sử dụng công nghệ blockchain. Bằng việc tích hợp các hợp đồng thông minh Solidity theo chuẩn ERC1967, ERC20 Permit và giải thuật Deletion Method, công trình đã giải quyết đồng thời bài toán bảo mật dữ liệu cá nhân và tính công bằng, minh bạch trong phân phối lợi ích kinh tế cho người tham gia. Kết quả nghiên cứu cung cấp một giải pháp kỹ thuật toàn diện, mở ra tiềm năng ứng dụng thực tiễn trong việc liên kết dữ liệu an toàn cho các lĩnh vực tài chính, y tế và trí tuệ nhân tạo phi tập trung.