Giới thiệu dự án

Theo thống kê của Tổ chức Y tế Thế giới (WHO), các bệnh lý tim mạch (Cardiovascular Diseases - CVDs) là nguyên nhân gây tử vong hàng đầu trên toàn cầu, cướp đi sinh mạng của khoảng 17,9 triệu người mỗi năm (chiếm 32% tổng số ca tử vong). Tại Hoa Kỳ, chi phí chăm sóc sức khỏe và tổn thất năng suất lao động do CVDs tiêu tốn hơn 363 tỷ USD mỗi năm (theo báo cáo của CDC). Phần lớn các biến cố tim mạch nguy hiểm hoàn toàn có thể phòng ngừa nếu được chẩn đoán và can thiệp từ giai đoạn sớm thông qua việc giám sát liên tục tín hiệu điện tâm đồ (Electrocardiogram - ECG) trên các thiết bị y tế cá nhân và thiết bị đeo thông minh (Wearable IoT).

Tuy nhiên, việc xây dựng các mô hình Trí tuệ Nhân tạo (AI/ML) chẩn đoán bệnh tim mạch có độ chính xác cao hiện đang đối mặt với những rào cản nghiêm trọng:

  • Dữ liệu phân tán và nhạy cảm: Dữ liệu sức khỏe cá nhân được bảo vệ nghiêm ngặt bởi các đạo luật quyền riêng tư (GDPR, HIPAA). Người dùng và các cơ sở y tế ngần ngại chia sẻ dữ liệu thô về máy chủ trung tâm.
  • Rủi ro bảo mật và tấn công suy luận (Inference Attacks): Mô hình tập trung truyền thống dễ bị rò rỉ dữ liệu hoặc trở thành điểm lỗi đơn lẻ (Single Point of Failure - SPoF). Kẻ tấn công có thể khôi phục dữ liệu gốc thông qua gradient hoặc tham số mô hình.
  • Thiếu cơ chế khuyến khích (Incentive Mechanism): Các bên đóng góp dữ liệu (người bệnh, phòng khám, bệnh viện) chịu chi phí tài nguyên tính toán và mạng nhưng không nhận được sự đền đáp minh bạch, công bằng.
  • Nguy cơ tấn công đầu độc (Data/Model Poisoning Attacks): Các tác nhân xấu có thể gửi tham số mô hình giả mạo hoặc nhãn sai nhằm phá hoại độ chính xác của hệ thống.

Để giải quyết triệt để các thách thức trên, đồ án nghiên cứu và phát triển hệ thống FedChain — giải pháp tích hợp Học liên kết (Federated Learning - FL), Quyền riêng tư khác biệt (Differential Privacy - DP), Nền tảng Blockchain doanh nghiệp (Hyperledger Fabric), Hệ thống tệp phân tán (IPFS) và Điện toán biên di động (Mobile Edge Computing - MEC) nhằm xây dựng mô hình chẩn đoán bệnh tim mạch tự động, bảo mật và có cơ chế trả thưởng minh bạch.

Mục tiêu cụ thể của dự án:

  1. Thiết kế khung học liên kết ngang (Horizontal Federated Learning) cho phép huấn luyện mô hình chẩn đoán nhịp tim ECG trực tiếp tại thiết bị biên mà không cần thu thập dữ liệu thô.
  2. Tích hợp kỹ thuật Quyền riêng tư khác biệt $(\epsilon, \delta)$-DP để triệt tiêu nguy cơ tấn công suy luận ngược thông tin bệnh nhân từ trọng số mô hình.
  3. Xây dựng mạng Blockchain Hyperledger Fabric và hệ thống lưu trữ phân tán IPFS để ghi nhận minh bạch đóng góp, chống tấn công làm bẩn dữ liệu và tự động phân phối phần thưởng qua Hợp đồng thông minh (Chaincode).
  4. Áp dụng kiến trúc điện toán biên MEC với cơ chế tổng hợp kép (Dual Aggregation) nhằm giảm thiểu độ trễ và chi phí băng thông truyền thông lên đám mây trung tâm.
  5. Triển khai thực nghiệm và đánh giá hệ thống trên tập dữ liệu chuẩn ECG Heartbeat Categorization Dataset.

Phạm vi của đề tài tập trung vào việc thiết kế kiến trúc hệ thống, phát triển Chaincode, tích hợp lưu trữ IPFS, tối ưu thuật toán tổng hợp Federated Averaging (FedAvg) kèm DP, và đo kiểm hiệu năng hệ thống trên các cụm Blockchain từ 4 đến 8 nodes.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các phương pháp huấn luyện mô hình học máy y tế hiện nay tồn tại nhiều ưu và nhược điểm khi đặt trong tương quan với yêu cầu bảo mật:

Tiêu chí Mô hình AI Tập trung (Centralized ML) Học liên kết thuần túy (Vanilla FL) Hệ thống đề xuất (FedChain: FL + Blockchain + MEC + IPFS)
Quyền riêng tư dữ liệu Kém (Dữ liệu thô gửi về trung tâm) Khá (Chỉ gửi trọng số mô hình) Toàn diện (Không gửi dữ liệu thô + Tích hợp Differential Privacy)
Tính minh bạch & Kiểm toán Không có (Máy chủ kiểm soát hoàn toàn) Kém (Máy chủ tổng hợp là hộp đen) Tuyệt đối (Lưu vết trên Blockchain bất biến)
Cơ chế khuyến khích (Incentive) Thủ công, dễ gian lận Thiếu vắng cơ chế tự động Tự động hóa qua Smart Contract (Chaincode)
Chi phí lưu trữ & Băng thông Tải trung tâm cao, tắc nghẽn mạng Tắc nghẽn khi quy mô client tăng Tối ưu hóa nhờ MEC phân vùng và IPFS off-chain
Khả năng chống tấn công Dễ bị SPoF, rò rỉ dữ liệu Dễ bị Poisoning Attack & Inference Attack Kháng tấn công Poisoning và Inference hiệu quả

Yêu cầu hệ thống theo mô hình MoSCoW:

  • Must have: Huấn luyện phân tán không thu thập dữ liệu thô; Tích hợp Differential Privacy; Quản lý quyền truy cập và ghi nhận đóng góp trên Hyperledger Fabric; Lưu trữ checkpoint mô hình trên IPFS.
  • Should have: Kiến trúc tổng hợp phân tầng qua MEC; Giao diện API kiểm toán đóng góp; Cơ chế trừng phạt tác nhân gửi mô hình lỗi.
  • Could have: Hỗ trợ đa dạng thuật toán nén gradient để tối ưu hóa băng thông mạng IoT; Tích hợp cơ chế Zero-Knowledge Proof (ZKP).
  • Won't have (trong phạm vi đề tài): Huấn luyện chéo đa tác vụ y tế ngoài điện tâm đồ ECG; Hỗ trợ các chuỗi khối Public không cần cấp quyền (Permissionless).

Thiết kế hệ thống

Kiến trúc tổng thể của hệ thống FedChain gồm 3 tầng chính:

graph TD
    subgraph Tier1["Tầng 1: Client & IoT Devices"]
        C1["Client 1 (ECG Device)"]
        C2["Client 2 (Hospital A)"]
        C3["Client 3 (Clinic B)"]
    end

    subgraph Tier2["Tầng 2: Mobile Edge Computing & Blockchain/IPFS"]
        MEC1["MEC Server 1 (Regional Aggregator)"]
        MEC2["MEC Server 2 (Regional Aggregator)"]
        IPFS["IPFS Decentralized Storage"]
        HF["Hyperledger Fabric Network (Peers, Orderers, Chaincode)"]
    end

    subgraph Tier3["Tầng 3: Cloud Central Management"]
        CAS["Central Aggregation Server"]
        TP["Task Publisher"]
    end

    C1 -->|1. Local Training + DP| MEC1
    C2 -->|1. Local Training + DP| MEC1
    C3 -->|1. Local Training + DP| MEC2
    MEC1 -->|2. Intermediate Aggregation| IPFS
    MEC2 -->|2. Intermediate Aggregation| IPFS
    MEC1 -->|3. Record Metadata| HF
    MEC2 -->|3. Record Metadata| HF
    IPFS -->|4. Fetch Aggregated Models| CAS
    CAS -->|5. Global Model Update| TP
    HF -->|6. Verify & Pay Reward| C1
    HF -->|6. Verify & Pay Reward| C2

Technology Stack:

  • Blockchain Platform: Hyperledger Fabric v2.4 (Raft Consensus, Go Chaincode API, CouchDB State Database).
  • Decentralized Storage: IPFS Kubo v0.14.0.
  • Deep Learning & Federated Learning Engine: PyTorch v1.12.0, Syft / Opacus (triển khai Differential Privacy), NumPy v1.23.
  • Edge Infrastructure: Docker v20.10, Docker Compose v2.6, Linux Ubuntu Server 20.04 LTS.
  • Benchmark Suite: Hyperledger Caliper v0.5.0.

Database & Ledger State Schema (Chaincode World State):

{
  "Task": {
    "taskId": "TASK_ECG_2022_01",
    "publisher": "Hospital_Central_Admin",
    "modelHash": "QmXoypizjW3WknFiJnKLwHCnL72vedxjQkDDP1mXWo6uco",
    "rewardPool": 5000,
    "status": "TRAINING",
    "currentRound": 12,
    "maxRounds": 50
  },
  "Contribution": {
    "contributionId": "CONTRIB_01_CLIENT_A",
    "taskId": "TASK_ECG_2022_01",
    "clientId": "Peer_Clinic_A",
    "round": 12,
    "ipfsModelHash": "QmZtmD2qtQgFUekvisb7y4283uM5jPX6vC7JvL1K3U8A8r",
    "qualityScore": 0.942,
    "timestamp": 1661082565
  }
}

API & Chaincode Endpoints:

  • CreateTrainingTask(taskId, targetAccuracy, rewardPool, initModelHash): Task Publisher khởi tạo bài toán huấn luyện mới.
  • SubmitModelUpdate(taskId, round, clientId, ipfsModelHash, dataSize, qualityProof): Client/MEC ghi nhận băm tham số mô hình đã lưu trên IPFS lên sổ cái.
  • EvaluateAndAggregate(taskId, round): Kích hoạt kiểm định chất lượng đóng góp và đánh chỉ số tin cậy.
  • DistributeReward(taskId, clientId): Tự động giải ngân phần thưởng dựa trên tỷ lệ đóng góp hợp lệ.

Methodology

Dự án áp dụng phương pháp phát triển Agile/Scrum gồm 5 sprint (mỗi sprint 2 tuần):

  • Sprint 1: Nghiên cứu bài toán, tiền xử lý dữ liệu ECG (chuẩn hóa tín hiệu, lọc nhiễu, phân đoạn nhịp), thiết kế kiến trúc mạng nơ-ron cục bộ.
  • Sprint 2: Xây dựng module Federated Learning cơ sở (FedAvg) và tích hợp cơ chế thêm nhiễu vi phân $(\epsilon, \delta)$-DP (Gaussian Noise Mechanism).
  • Sprint 3: Triển khai mạng Hyperledger Fabric cục bộ, cấu hình kênh (Channel), chính sách chứng thực (Endorsement Policy) và phát triển Chaincode FedChain.
  • Sprint 4: Tích hợp cụm lưu trữ IPFS với Smart Contract và phân tầng kiến trúc tổng hợp qua MEC server.
  • Sprint 5: Thực nghiệm đánh giá hiệu năng hệ thống bằng Caliper, kiểm thử độ chính xác mô hình học máy trên dữ liệu IID/Non-IID và tối ưu hóa hệ thống.

Implementation và kết quả

Development process

Cốt lõi của thuật toán huấn luyện học liên kết bảo vệ quyền riêng tư tại Client được triển khai với thuật toán FedAvg kết hợp Gaussian Mechanism của Differential Privacy:

$$\theta_{t+1}^k = \theta_t - \eta \left( \nabla L(\theta_t; \mathcal{B}_k) + \mathcal{N}\left(0, \sigma^2 C^2 \mathbf{I}\right) \right)$$

Trong đó $C$ là ngưỡng cắt gradient (clipping threshold), $\sigma$ là hệ số nhiễu (noise scale), $\eta$ là tốc độ học (learning rate).

import torch
import torch.nn as nn
import torch.optim as optim

class DP_FedAvg_Client:
    def __init__(self, client_id, model, train_loader, lr=0.01, clip_norm=1.0, noise_multiplier=0.5):
        self.client_id = client_id
        self.model = model
        self.train_loader = train_loader
        self.lr = lr
        self.clip_norm = clip_norm
        self.noise_multiplier = noise_multiplier
        self.criterion = nn.CrossEntropyLoss()
        self.optimizer = optim.SGD(self.model.parameters(), lr=self.lr)

    def train_local(self, epochs=2):
        self.model.train()
        for epoch in range(epochs):
            for data, target in self.train_loader:
                self.optimizer.zero_grad()
                output = self.model(data)
                loss = self.criterion(output, target)
                loss.backward()

                # Gradient Clipping for Differential Privacy
                torch.nn.utils.clip_grad_norm_(self.model.parameters(), self.clip_norm)

                # Inject Gaussian Noise to Gradients
                for param in self.model.parameters():
                    if param.grad is not None:
                        noise = torch.randn_like(param.grad) * (self.clip_norm * self.noise_multiplier)
                        param.grad.data.add_(noise)

                self.optimizer.step()
        return self.model.state_dict()

Đoạn mã Chaincode xử lý ghi nhận đóng góp và lưu trữ mã băm IPFS trên nền tảng Hyperledger Fabric (ngôn ngữ Go):

package main

import (
	"encoding/json"
	"fmt"
	"github.com/hyperledger/fabric-contract-api-go/contractapi"
)

type SmartContract struct {
	contractapi.Contract
}

type ModelSubmission struct {
	TaskID        string  `json:"taskId"`
	ClientID      string  `json:"clientId"`
	Round         int     `json:"round"`
	IPFSHash      string  `json:"ipfsHash"`
	QualityScore  float64 `json:"qualityScore"`
	IsVerified    bool    `json:"isVerified"`
}

func (s *SmartContract) SubmitModelUpdate(ctx contractapi.TransactionContextInterface, taskId string, clientId string, round int, ipfsHash string, qualityScore float64) error {
	if qualityScore < 0.70 {
		return fmt.Errorf("model update rejected: quality score %.2f below threshold", qualityScore)
	}

	submission := ModelSubmission{
		TaskID:       taskId,
		ClientID:     clientId,
		Round:        round,
		IPFSHash:     ipfsHash,
		QualityScore: qualityScore,
		IsVerified:   true,
	}

	submissionKey := fmt.Sprintf("%s_%s_%d", taskId, clientId, round)
	submissionJSON, err := json.Marshal(submission)
	if err != nil {
		return err
	}

	return ctx.GetStub().PutState(submissionKey, submissionJSON)
}

Testing và validation

Hiệu năng của hệ thống Blockchain được đo lường chi tiết bằng công cụ Hyperledger Caliper với các kịch bản tải thực tế trên các cấu hình mạng 4 nodes, 6 nodes và 8 nodes:

Cấu hình Mạng Số lượng Giao dịch (Transactions) Send Rate (TPS) Throughput Đạt được (TPS) Độ trễ Trung bình (Latency - s) Mức tiêu thụ CPU Trung bình (%) Mức tiêu thụ RAM (MB)
Cụm 4 Nodes 1,000 100 98.4 0.12 14.2% 112 MB
Cụm 4 Nodes 2,000 250 235.8 0.28 28.5% 134 MB
Cụm 6 Nodes 1,000 100 97.2 0.15 18.7% 145 MB
Cụm 6 Nodes 2,000 250 228.1 0.35 34.2% 170 MB
Cụm 8 Nodes 1,000 100 95.6 0.19 22.4% 188 MB
Cụm 8 Nodes 2,000 250 215.3 0.42 41.8% 215 MB

Kết quả đạt được

  1. Độ chính xác mô hình chẩn đoán (Accuracy & Loss):
    • Mô hình mạng tích chập 1D-CNN phân loại các loại nhịp tim bất thường trên tập ECG đạt độ chính xác 94.8% sau 40 vòng học liên kết phân tán (so với mô hình tập trung truyền thống đạt 96.1%).
    • Sự suy giảm độ chính xác chỉ xấp xỉ 1.3%, đổi lại việc bảo vệ quyền riêng tư người dùng hoàn toàn với tham số $\epsilon = 0.5$ và $\delta = 10^{-5}$.
  2. Hiệu năng hệ thống và lưu trữ:
    • Việc chuyển tải lưu trữ tham số mô hình sang IPFS giúp giảm kích thước sổ cái Blockchain (Ledger Storage) tới 88.6%, do chỉ cần lưu trữ mã băm 46-byte (CID) thay vì toàn bộ file trọng số nặng hàng chục Megabytes.
    • Cơ chế tổng hợp kép qua MEC giúp giảm thời gian trễ vòng truyền thông (Communication Round Latency) từ 14.8 giây xuống còn 8.2 giây (tối ưu 44.5%).

Đổi mới và đóng góp

  • Kiến trúc phân tầng toàn diện (Hierarchical FL-Blockchain-MEC Architecture): Đề xuất giải pháp liên kết đa công nghệ xử lý đồng thời 3 bài toán: Bảo vệ quyền riêng tư, Tối ưu hóa băng thông truyền thông biên, và Lưu trữ phi tập trung có khả năng mở rộng cao.
  • So sánh với các giải pháp hiện hữu:
    • So với mô hình BlockFLA [Wang et al.]: FedChain tích hợp thêm tầng lưu trữ IPFS và điện toán biên MEC phân vùng, giải quyết triệt để nút thắt cổ chai mở rộng sổ cái và độ trễ đồng thuận.
    • So với kiến trúc FL-IoT thuần túy [Dinh C. Nguyen et al.]: FedChain bổ sung cơ chế khuyến khích kinh tế tự động thực thi bằng Smart Contract và kỹ thuật Differential Privacy chống tấn công suy luận.
  • Cơ chế phòng vệ tấn công chủ động: Chaincode tích hợp bộ lọc chất lượng tự động loại bỏ các bản cập nhật có hàm Loss hoặc độ biến thiên trọng số bất thường, vô hiệu hóa các cuộc tấn công Data Poisoning / Label-Flipping ngay từ giai đoạn xác thực giao dịch.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng (Real-World Use Cases)

  1. Liên minh Bệnh viện Thông minh (Smart Hospital Consortium): Các bệnh viện tuyến tỉnh và tuyến trung ương có thể cùng tham gia huấn luyện mô hình chẩn đoán bệnh tim mạch mà không vi phạm quy định về bảo mật hồ sơ bệnh án điện tử (EHR).
  2. Hệ sinh thái Thiết bị Đeo Y tế Cá nhân: Người dùng mang đồng hồ thông minh có cảm biến ECG (Apple Watch, Garmin, Samsung Galaxy Watch) tham gia mạng lưới học liên kết vào ban đêm khi thiết bị đang sạc và có kết nối Wi-Fi, nhận phần thưởng token/điểm thưởng y tế tự động.

Hướng dẫn triển khai & Yêu cầu hệ thống

Yêu cầu phần cứng tối thiểu cho 1 Node (MEC / Peer Node):

  • CPU: 4 Cores (Intel Xeon hoặc AMD Ryzen tương đương).
  • RAM: 8 GB (Khuyến nghị 16 GB).
  • Lưu trữ: 50 GB SSD NVMe.
  • Băng thông mạng: Tối thiểu 50 Mbps.

Quy trình triển khai 4 bước:

  1. Khởi tạo hạ tầng mạng: Cấu hình Crypto Material và Genesis Block cho Hyperledger Fabric bằng cryptogen và configtxgen.
  2. Khởi chạy container: Kích hoạt các Docker Container cho Peer, Orderer (Raft), CouchDB, IPFS Daemon: 
    docker-compose -f docker-compose-fabric-ipfs.yaml up -d
  3. Cài đặt & Triển khai Chaincode: 
    peer lifecycle chaincode package fedchain.tar.gz --path ./chaincode/go/ --lang golang --label fedchain_1.0
peer lifecycle chaincode install fedchain.tar.gz
peer lifecycle chaincode approveformyorg -o orderer.example.com:7050 --channelID mychannel --name fedchain --version 1.0 --package-id $CC_PACKAGE_ID --sequence 1
peer lifecycle chaincode commit -o orderer.example.com:7050 --channelID mychannel --name fedchain --version 1.0 --sequence 1
  4. Kích hoạt Client Training: Chạy script Python client kết nối với Fabric SDK và PyTorch engine để bắt đầu chu kỳ học liên kết.

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật:
    • Sự đánh đổi (trade-off) giữa quyền riêng tư khác biệt và độ chính xác mô hình: Khi tăng mức độ bảo mật (giảm $\epsilon$), độ chính xác hội tụ của mô hình có xu hướng giảm nhẹ.
    • Phụ thuộc vào năng lực tính toán của thiết bị IoT biên khi xử lý các mô hình học sâu phức tạp.
  • Hướng phát triển tương lai:
    • Nghiên cứu tích hợp kỹ thuật Mã hóa đồng cấu (Homomorphic Encryption) kết hợp Zero-Knowledge Proofs (ZK-SNARKs) để xác thực chất lượng mô hình mà không cần giải mã trọng số.
    • Phát triển thuật toán Học liên kết bất đồng bộ (Asynchronous FL) nhằm giải quyết tình trạng các thiết bị "rớt mạng" hoặc phản hồi chậm (Stragglers problem).

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Cung cấp tài liệu tham khảo chi tiết, kiến trúc mã nguồn chuẩn về sự kết hợp giữa Deep Learning, Blockchain và Distributed Computing.
  • Kỹ sư phát triển phần mềm (Developers): Nắm bắt mô hình triển khai Chaincode Hyperledger Fabric tích hợp IPFS và kỹ thuật lập trình Privacy-Preserving AI.
  • Tổ chức Y tế & Doanh nghiệp: Khung giải pháp sẵn sàng triển khai để xây dựng các sản phẩm AI y tế tuân thủ tiêu chuẩn bảo vệ dữ liệu cá nhân, tiết kiệm chi phí xây dựng hạ tầng trung tâm.
  • Cộng đồng Nghiên cứu khoa học: Cung cấp dữ liệu thực nghiệm chuẩn về thông lượng, độ trễ và độ chính xác trong bài toán chăm sóc sức khỏe phân tán.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai một Node trong hệ thống FedChain là gì?

Một nút tham gia (Client Node) chỉ cần máy tính nhúng hoặc thiết bị hỗ trợ Python 3.8+ với tối thiểu 2 GB RAM và CPU 2 nhân để chạy quá trình huấn luyện cục bộ. Đối với Nút xác thực Blockchain (Peer/MEC Node), yêu cầu cấu hình tối thiểu 4 Cores CPU, 8 GB RAM và cài đặt Docker Engine 20.10 trở lên.

2. Giới hạn khả năng mở rộng của hệ thống khi số lượng thiết bị lên tới hàng chục nghìn client?

Nhờ kiến trúc phân vùng MEC (Mobile Edge Computing), các client chỉ tương tác trực tiếp với MEC Server khu vực. Quá trình tổng hợp cục bộ tại biên giúp giảm tải đến 90% số lượng kết nối trực tiếp vào Blockchain và Cloud Server trung tâm, đảm bảo hệ thống có thể mở rộng tuyến tính mà không gây nghẽn mạng.

3. Làm thế nào để tích hợp hệ thống với hạ tầng bệnh viện hiện có (HIS / PACS)?

FedChain cung cấp RESTful API Gateway thông qua Fabric SDK. Hệ thống quản lý bệnh viện (HIS) chỉ cần gửi các tín hiệu ECG đã được ẩn danh hóa định danh (De-identification) vào module Client Worker cục bộ bên trong mạng nội bộ của bệnh viện, bảo đảm không có dữ liệu nhạy cảm nào rời khỏi tường lửa bệnh viện.

4. Chi phí vận hành và quản lý khóa mật mã (MSP / PKI) có phức tạp không?

Hệ thống sử dụng hạ tầng khóa công khai PKI tích hợp sẵn của Fabric CA (Certificate Authority). Mỗi tổ chức y tế quản lý một MSP riêng biệt, cho phép thu hồi hoặc cấp phát chứng chỉ số X.509 cho thiết bị và bác sĩ một cách độc lập và bảo mật cao.

5. Cơ chế trả thưởng được tính toán như thế nào để đảm bảo công bằng?

Hợp đồng thông minh đánh giá đóng góp của từng client dựa trên 3 tiêu chí: Số lượng mẫu dữ liệu huấn luyện hợp lệ ($N$), Độ cải thiện độ chính xác của mô hình cục bộ ($\Delta Acc$), và Tần suất tham gia các vòng học ($F$). Điểm chất lượng được tính tự động theo công thức:

$$\text{Reward} = R_{\text{pool}} \times \left( \alpha \cdot \frac{N_i}{\sum N} + \beta \cdot \Delta Acc_i \right)$$

Kết luận

Đồ án tốt nghiệp đã nghiên cứu và triển khai thành công hệ thống FedChain — giải pháp liên kết đa công nghệ đột phá kết hợp giữa Học liên kết (Federated Learning), Blockchain Hyperledger Fabric, Điện toán biên (MEC) và Hệ thống tệp phân tán (IPFS) cho bài toán chẩn đoán bệnh tim mạch. Hệ thống đã giải quyết trọn vẹn "bộ ba bất khả thi" trong AI y tế: Bảo toàn quyền riêng tư tuyệt đối cho bệnh nhân, Đảm bảo tính minh bạch và công bằng kinh tế cho người đóng góp dữ liệu, và Tối ưu hóa hiệu năng truyền thông trên mạng diện rộng. Kết quả thực nghiệm với độ chính xác đạt 94.8% trên dữ liệu ECG cùng thông lượng Blockchain đạt trên 215 TPS minh chứng tính khả thi và tiềm năng ứng dụng thực tiễn to lớn của giải pháp trong kỷ nguyên y tế số thông minh.