Bối cảnh và vấn đề nghiên cứu

Bệnh tim mạch (Cardiovascular Diseases - CVDs) là nguyên nhân gây tử vong hàng đầu trên thế giới. Theo số liệu thống kê được tác giả trích dẫn trong văn bản, vào năm 2019 có khoảng 17,9 triệu người tử vong do CVDs, chiếm 32% tổng số ca tử vong trên toàn cầu, trong đó 85% trường hợp xuất phát từ đau tim và đột quỵ. Tại Hoa Kỳ, mỗi năm có khoảng 877.500 người tử vong vì bệnh tim mạch hoặc đột quỵ, chiếm một phần ba tổng số ca tử vong cả nước; gây thiệt hại kinh tế ước tính 216 tỷ USD chi phí y tế và làm suy giảm 147 tỷ USD năng suất lao động. Phần lớn các ca bệnh khi được phát hiện sớm đều có thể ngăn chặn chuyển biến nặng. Do đó, các thiết bị thông minh có khả năng phân tích tín hiệu nhịp tim và dự đoán sức khỏe người dùng là giải pháp hữu ích nhằm giảm tải áp lực cho hệ thống y tế công cộng.

Để đạt độ chính xác cao và duy trì khả năng chẩn đoán ổn định, các thiết bị này cần liên tục thu thập và cập nhật dữ liệu nhịp tim của người dùng để nâng cấp mô hình máy học. Tuy nhiên, cách tiếp cận thu thập dữ liệu tập trung truyền thống đang gặp phải các rào cản kỹ thuật và xã hội nghiêm trọng:

  1. Quyền riêng tư dữ liệu y tế: Dữ liệu sức khỏe là thông tin nhạy cảm. Người dùng không sẵn sàng chia sẻ cho các bên trung gian thiếu tin cậy do lo ngại việc dữ liệu bị sử dụng vào mục đích xấu hoặc bị tấn công suy ngược (Inference Attack).
  2. Thiếu cơ chế khuyến khích kinh tế minh bạch: Giá trị và lợi nhuận tạo ra từ mô hình máy học phần lớn do đơn vị phát triển mô hình nắm giữ; các chủ sở hữu dữ liệu không được phân phối lợi ích thỏa đáng tương xứng với tài nguyên tính toán và dữ liệu đã đóng góp.
  3. Nguy cơ tấn công làm bẩn dữ liệu (Poison Attack): Trong mô hình học cộng tác phân tán, các tác nhân độc hại có thể trà trộn làm người đóng góp, cố ý đảo nhãn hoặc gửi các bản cập nhật sai lệch nhằm làm sai lệch hoặc suy giảm độ chính xác của mô hình trung tâm.
  4. Áp lực hạ tầng và chi phí truyền thông: Khi số lượng thiết bị tham gia tăng cao, việc truyền tải trực tiếp các bản cập nhật mô hình về máy chủ trung tâm gây tắc nghẽn băng thông đám mây, đồng thời việc lưu trữ khối lượng lớn tham số trực tiếp trên chuỗi khối (Blockchain) gây quá tải tài nguyên lưu trữ của các nút mạng.

Trước thực trạng đó, khóa luận xác định các mục tiêu và nhiệm vụ nghiên cứu cụ thể:

  1. Nghiên cứu và thiết kế hệ thống FedChain kết hợp giữa phương pháp học liên kết (Federated Learning - FL) và công nghệ chuỗi khối (Blockchain) nhằm đào tạo mô hình chẩn đoán bệnh tim mạch mà không cần thu thập dữ liệu tập trung.
  2. Tích hợp kỹ thuật quyền riêng tư khác biệt (Differential Privacy - DP) trong quá trình huấn luyện mô hình cục bộ nhằm ngăn chặn việc kẻ tấn công suy đoán thông tin cá nhân từ trọng số mô hình.
  3. Ứng dụng điện toán biên di động (Mobile Edge Computing - MEC) theo cấu trúc tổng hợp kép nhằm giảm tải băng thông mạng đám mây và tối ưu hóa chi phí truyền thông.
  4. Triển khai hệ thống lưu trữ phân tán InterPlanetary File System (IPFS) để lưu trữ trọng số mô hình ngoài chuỗi (off-chain), khắc phục hạn chế dung lượng lưu trữ của sổ cái Blockchain.
  5. Thiết kế và cài đặt hợp đồng thông minh (Chaincode) trên nền tảng Hyperledger Fabric nhằm ghi vết bất biến toàn bộ tiến trình đóng góp, phục vụ kiểm toán và phân phối phần thưởng kinh tế minh bạch cho người tham gia.

Đối tượng nghiên cứu của khóa luận là quy trình học liên kết bảo vệ quyền riêng tư, cơ chế đồng thuận chuỗi khối, hợp đồng thông minh và bài toán phân loại nhịp tim. Phạm vi nghiên cứu tập trung vào việc mô phỏng huấn luyện mô hình trên tập dữ liệu phân loại nhịp tim điện tâm đồ (ECG Heartbeat Categorization Dataset) và đo kiểm hiệu năng hệ thống Blockchain phân quyền thông qua công cụ Hyperledger Caliper trên các cấu hình mạng thử nghiệm 4 nút, 6 nút và 8 nút.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khóa luận xây dựng giải pháp dựa trên nền tảng các lý thuyết và công nghệ kỹ thuật sau:

  • Học máy (Machine Learning) và Học sâu (Deep Learning): Sử dụng các nguyên lý phân lớp có giám sát (Supervised Learning), hồi quy Logistic (Logistic Regression) với hàm kích hoạt Sigmoid, thuật toán tối ưu hóa Gradient Descent trên hàm mất mát (Loss function), cùng cấu trúc mạng nơ-ron nhân tạo (ANNs) gồm các tầng đầu vào (Input layer), tầng ẩn (Hidden layer) và tầng đầu ra (Output layer) để nhận diện các dạng sóng nhịp tim.
  • Học liên kết (Federated Learning - FL): Phương pháp huấn luyện phân tán do Google giới thiệu năm 2016. Khóa luận sử dụng mô hình học liên kết ngang (Horizontal Federated Learning), trong đó các nút cộng tác có cùng không gian thuộc tính dữ liệu nhịp tim nhưng đại diện cho các tập người dùng khác nhau.
  • Quyền riêng tư khác biệt (Differential Privacy - DP): Mô hình bảo mật toán học do Dwork giới thiệu năm 2006, định nghĩa theo công thức: $$Pr[M(d) \in S] \le e^\epsilon Pr[M(d') \in S] + \delta$$ Trong đó, tham số $\epsilon$ đại diện cho mức độ đánh đổi giữa quyền riêng tư và độ chính xác của mô hình. Tác giả vận dụng kỹ thuật thêm nhiễu ngẫu nhiên (dựa trên phân phối Gaussian hoặc Laplace) vào trọng số mô hình cục bộ nhằm triệt tiêu nguy cơ lộ dữ liệu khi bị tấn công liên kết (Linkage attack) hoặc tấn công phân sai (Differential attack).
  • Công nghệ chuỗi khối (Blockchain): Sử dụng mô hình sổ cái phân tán (Distributed Ledger) có tính bất biến (Immutability), minh bạch (Transparency) và phi tập trung (Decentralization). Nền tảng được lựa chọn là Hyperledger Fabric – một Private/Permissioned Blockchain sử dụng cơ chế đồng thuận Raft (thông qua dịch vụ Ordering Service), quản lý thực thi bằng Chaincode và phân tách dữ liệu qua chính sách kênh (Channel).
  • Điện toán biên (Mobile Edge Computing - MEC): Đóng vai trò lớp trung gian gom cụm người dùng theo bán kính địa lý hoặc ranh giới quốc gia, thực hiện tổng hợp mô hình cục bộ trước khi chuyển tiếp lên máy chủ đám mây.
  • Hệ thống lưu trữ tệp liên hành tinh (IPFS): Hệ thống lưu trữ tệp phân tán P2P dựa trên hàm băm định danh nội dung (Content addressing), cấu trúc dữ liệu Merkle DAG, giao thức trao đổi BitSwap và bảng băm phân tán (DHT).

Phương pháp nghiên cứu thực tế được triển khai bao gồm:

  1. Phương pháp phân tích - tổng hợp tài liệu: Khảo sát các công trình liên quan về ứng dụng FL trong Internet vạn vật (IoT), y tế và các mô hình tích hợp Blockchain - FL (như BlockFLA).
  2. Phương pháp thiết kế và tích hợp hệ thống: Xây dựng kiến trúc phân tầng liên kết giữa các thiết bị IoT, cụm máy chủ MEC, mạng Hyperledger Fabric và IPFS.
  3. Phương pháp thực nghiệm định lượng: Kiểm thử độ hội tụ (Loss) và độ chính xác (Accuracy) của mô hình học máy trên dữ liệu thực tế; sử dụng công cụ Hyperledger Caliper để đo đạc tài nguyên tiêu thụ và thông lượng xử lý giao dịch của hệ thống chuỗi khối.

Nguồn dữ liệu sử dụng trong nghiên cứu là bộ dữ liệu chuẩn ECG Heartbeat Categorization Dataset, chứa các bản ghi tín hiệu điện tâm đồ được phân loại phục vụ phát hiện các bất thường về nhịp tim.

Thiết kế và kiến trúc hệ thống FedChain

Hệ thống đề xuất mang tên FedChain được cấu trúc thành 3 tầng chức năng độc lập nhưng phối hợp chặt chẽ:

[ Tầng 1: Client Layer (Thiết bị IoT / Tổ chức y tế / Chủ sở hữu dữ liệu) ]
               (Gửi tham số mô hình cục bộ có kèm DP)
[ Tầng 2: Edge & Blockchain Layer (MEC Servers + Hyperledger Fabric + IPFS) ]
               (Gửi bản tổng hợp cục bộ cấp 1)
[ Tầng 3: Cloud Aggregation Layer (Aggregation Server - Máy chủ trung tâm) ]

1. Tầng 1: Các tổ chức và thiết bị IoT (Client Layer)

Tầng này gồm các thiết bị đầu cuối của người dùng hoặc các cơ sở y tế tham gia cộng tác. Các client thực hiện nhận mô hình toàn cục (Global Model), tiến hành huấn luyện cục bộ bằng dữ liệu nhịp tim cá nhân. Trong quá trình huấn luyện, kỹ thuật Differential Privacy được kích hoạt để đưa nhiễu vào dữ liệu hoặc trực tiếp vào các trọng số mô hình. Sau khi huấn luyện hoàn tất, các client không gửi dữ liệu thô mà chỉ gửi các tham số trọng số mô hình đã được bảo vệ lên tầng máy chủ biên.

2. Tầng 2: Máy chủ biên (MEC Server), Blockchain và IPFS

  • Máy chủ MEC: Đóng vai trò gom cụm các thiết bị client theo phạm vi địa lý hoặc khu vực hành chính nhằm tối ưu hóa đường truyền mạng. MEC tiếp nhận trực tiếp các bản cập nhật mô hình từ các client trong phân vùng của mình, tiến hành quá trình tổng hợp sơ cấp nhằm giảm tải lưu lượng giao tiếp trực tiếp lên máy chủ trung tâm.
  • Hệ thống IPFS: Trực tiếp giải quyết vấn đề nghẽn dung lượng trên chuỗi khối. Trọng số và tệp mô hình lớn được băm nhỏ và lưu trữ phân tán trên các nút IPFS. Mỗi tệp được định danh bằng một mã băm (Content Hash) duy nhất.
  • Hệ thống Blockchain (Hyperledger Fabric): Đơn vị phát hành nhiệm vụ (Task Publisher) gửi yêu cầu huấn luyện mô hình lên mạng chuỗi khối. Sổ cái Fabric chỉ lưu trữ mã băm IPFS của mô hình, định danh người tham gia và nhật ký tương tác mà không lưu tệp mô hình trực tiếp. Chaincode FedChain tự động kiểm soát luồng giao dịch: ghi nhận sự tham gia của client, xác thực chữ ký số, ngăn chặn các hành vi gian lận và tính toán mức độ đóng góp để phân phối phần thưởng kinh tế một cách minh bạch.

3. Tầng 3: Máy chủ tổng hợp trung tâm (Aggregation Server - AS)

Máy chủ trung tâm đặt trên đám mây tiếp nhận các bản cập nhật mô hình đã được tiền tổng hợp từ các máy chủ MEC. AS thực hiện thuật toán tổng hợp vòng hai để sinh ra mô hình toàn cục hoàn chỉnh, sau đó chuyển giao cho Task Publisher và gửi ngược lại các máy chủ biên để bắt đầu vòng huấn luyện tiếp theo.

Nội dung chính theo từng chương của khóa luận

Chương 1: Mở đầu

Chương này đặt vấn đề về sự gia tăng của bệnh lý tim mạch trên quy mô toàn cầu và gánh nặng tài chính đối với hệ thống y tế. Tác giả chỉ ra mâu thuẫn giữa nhu cầu cấp thiết về dữ liệu lớn để đào tạo mô hình chẩn đoán nhịp tim và rào cản từ việc người dùng lo ngại bị xâm phạm quyền riêng tư. Tác giả giới thiệu tổng quan ý tưởng tích hợp Federated Learning, Blockchain, MEC và IPFS; đồng thời xác định phạm vi nghiên cứu, cấu trúc văn bản và nhiệm vụ khoa học cần giải quyết.

Chương 2: Các công trình liên quan

Tác giả hệ thống hóa các hướng nghiên cứu hiện có trên thế giới về:

  • Ứng dụng của FL trong mạng lưới IoT (khảo sát của Dinh C. Nguyen và cộng sự về chia sẻ, giảm tải dữ liệu và phát hiện tấn công).
  • Ứng dụng FL trong lĩnh vực chăm sóc sức khỏe tim mạch.
  • Các mô hình kết hợp Blockchain và FL: Nghiên cứu của Rui Wang và cộng sự về việc tích hợp MEC và Blockchain để chống cập nhật độc hại; nghiên cứu của Yunlong Lu và cộng sự về chia sẻ dữ liệu an toàn trong công nghiệp IoT kết hợp FL, Permissioned Blockchain, DP, mã hóa đồng cấu (Homomorphic Encryption) và IPFS; mô hình hybrid blockchain (kết hợp Ethereum Ropsten và Hyperledger Fabric) của nhóm tác giả sử dụng hợp đồng thông minh để xử phạt kẻ tấn công; nghiên cứu của Qassim Nasir và cộng sự về đánh giá hiệu năng Blockchain bằng công cụ Caliper; cùng khảo sát của Yufeng Zhan và cộng sự về cơ chế khuyến khích trong FL. Từ đó, tác giả chỉ ra khoảng trống về một kiến trúc hoàn chỉnh tích hợp cơ chế khuyến khích minh bạch, có khả năng phòng vệ tấn công và tối ưu chi phí hạ tầng.

Chương 3: Cơ sở lý thuyết

Chương này trình bày chi tiết các nền tảng toán học và kỹ thuật:

  • Khái niệm học máy, 4 nhóm giải thuật chính (Supervised, Unsupervised, Semi-supervised, Reinforcement Learning), thuật toán Gradient Descent, hàm lỗi, hàm kích hoạt Sigmoid trong Logistic Regression và kiến trúc đa tầng của mạng nơ-ron nhân tạo (ANNs).
  • Nguyên lý hoạt động của Horizontal FL và Vertical FL.
  • Cơ chế toán học của Differential Privacy, phân tích ví dụ tung đồng xu (Randomized Response) cho bài toán khảo sát bệnh hiểm nghèo với công thức xác suất thực: $P_t' = 2P_t - \frac{1}{2}$, cùng định nghĩa $(\epsilon, \delta)$-DP và cơ chế đánh đổi giữa quyền riêng tư và độ chính xác qua tham số $\epsilon$.
  • Cấu trúc dữ liệu chuỗi khối, mật mã bất đối xứng (khóa công khai/khóa bí mật), hàm băm mật mã, các đặc tính bất biến, minh bạch, phi tập trung và các thuật toán đồng thuận (PoW, PoS, DPoS, LPoS, PoET, PBFT).
  • So sánh toàn diện giữa Public Blockchain và Private Blockchain:
Tiêu chí Public Blockchain Private Blockchain
Đọc, ghi dữ liệu Không giới hạn Phân quyền
Danh tính Ẩn danh Xác minh
Quyền sở hữu Không ai Tổ chức
Bảo mật (Security) Khuyến khích kinh tế, PoW,... Hợp đồng pháp lý, PoA,...
Tốc độ Chậm hơn Nhanh hơn
Chi phí giao dịch Đắt hơn Rẻ hơn
Ví dụ triển khai Ethereum, Bitcoin, Dash Hyperledger Fabric, R3, EWF
  • Kiến trúc Hyperledger Fabric: Vai trò của Peer Node, Ordering Service, Chaincode, quy trình 6 bước xác thực một transaction (khởi tạo, endorsing peers xác minh và mô phỏng, kiểm tra phản hồi, gom xác nhận thành transaction, xác thực/cam kết và cập nhật sổ cái).
  • Giao thức IPFS: Cấu trúc Merkle DAG, chồng giao thức (Identities, Network, Routing, Exchange, Objects, Files, Naming) và cơ chế lưu trữ phân mảnh tệp dựa trên mã băm nội dung.

Chương 4: Phương pháp và mô hình đề xuất

Trình bày thiết kế chi tiết hệ thống FedChain:

  • Bộ khung thống nhất thu thập dữ liệu nhịp tim nhằm chuẩn hóa các thuộc tính đầu vào phân tán.
  • Cơ chế triển khai Differential Privacy trên thiết bị người dùng thông qua việc thêm nhiễu vào tham số trọng số mô hình trước khi tải lên mạng.
  • Kiến trúc phân vùng MEC theo bán kính vùng hoặc lãnh thổ quốc gia để phân tải tính toán và kiểm soát dữ liệu biên.
  • Mô hình cộng tác và cơ chế tổng hợp kép: Máy chủ biên tổng hợp các mô hình cục bộ trong phân vùng; máy chủ trung tâm tổng hợp các bản cập nhật từ máy chủ biên để tạo mô hình toàn cục.
  • Cơ chế giám sát và khuyến khích: Sử dụng Chaincode FedChain ghi nhận nhật ký huấn luyện, kiểm tra tính hợp lệ của tham số và tự động thực thi trả thưởng minh bạch cho các client đạt tiêu chuẩn.

Chương 5: Thực nghiệm và đánh giá

Chương này thiết lập các kịch bản thực nghiệm định lượng:

  • Thực nghiệm học cộng tác: Cài đặt mô hình trên tập dữ liệu phân loại nhịp tim ECG Heartbeat Categorization Dataset. Đánh giá sự biến thiên của giá trị hàm mất mát (Loss) và độ chính xác (Accuracy) của mô hình trung tâm qua các vòng huấn luyện (Rounds).
  • Thực nghiệm hiệu năng hệ thống Blockchain: Sử dụng công cụ Hyperledger Caliper để đánh giá hệ thống mạng Hyperledger Fabric trên các quy mô 4 nút (4 nodes), 6 nút (6 nodes) và 8 nút (8 nodes). Các chỉ số đo lường gồm: mức độ tiêu thụ tài nguyên hệ thống (tỷ lệ sử dụng CPU, dung lượng bộ nhớ RAM của các nút peer và orderer), thời gian xử lý trung bình cho một request (đo đạc qua 100 lần thử nghiệm) và thông lượng xử lý giao dịch thực tế (Transactions Per Second - TPS).

Chương 6: Kết luận và hướng phát triển

Tóm lược các kết quả đạt được trong việc thiết kế mô hình chẩn đoán bệnh tim mạch bảo toàn quyền riêng tư, xây dựng hệ thống khuyến khích dựa trên chuỗi khối và chỉ ra các định hướng hoàn thiện giải pháp trong các nghiên cứu tiếp theo.

Kết quả và đóng góp

Khóa luận đạt được các kết quả cụ thể theo đúng nội dung tác giả trình bày:

  • Về mô hình học máy: Xây dựng thành công quy trình học liên kết ngang trên tập dữ liệu ECG Heartbeat Categorization Dataset. Kết quả thực nghiệm qua các biểu đồ trong văn bản chứng minh giá trị hàm loss của mô hình trung tâm giảm dần và độ chính xác (Accuracy) tăng trưởng ổn định qua các vòng lặp tổng hợp, chứng minh tính khả thi của việc huấn luyện mô hình chẩn đoán tim mạch phân tán mà không làm lộ dữ liệu thô.
  • Về hệ thống bảo vệ quyền riêng tư và chống tấn công: Tích hợp thành công cơ chế Differential Privacy với việc kiểm soát tham số $\epsilon$, giúp ngăn chặn nguy cơ rò rỉ thông tin cá nhân từ các cuộc tấn công suy luận ngược (Inference Attack) và giảm thiểu rủi ro từ các cuộc tấn công làm bẩn dữ liệu (Poison Attack).
  • Về hiệu năng chuỗi khối và hạ tầng: Đã triển khai và đo lường thành công hiệu năng của mạng Hyperledger Fabric thông qua Hyperledger Caliper. Kết quả thực nghiệm cung cấp số liệu chi tiết về mức tiêu thụ tài nguyên và thông lượng xử lý của hệ thống trên các kịch bản 4 nodes, 6 nodes và 8 nodes:
    • Hệ thống ghi nhận độ trễ xử lý request ổn định qua 100 lần đo thử nghiệm.
    • Việc tích hợp IPFS giúp triệt tiêu gánh nặng lưu trữ dung lượng mô hình trên sổ cái Blockchain, chỉ lưu vết mã băm giúp giao dịch được xác thực với chi phí tài nguyên thấp.
    • Việc ứng dụng MEC chuyển dịch trung tâm tổng hợp từ đám mây xuống các máy chủ biên giúp giảm thiểu chi phí truyền thông trên đám mây và tối ưu hóa băng thông.
  • Đóng góp khoa học: Đề xuất một khung kiến trúc hoàn chỉnh giải quyết đồng thời ba thách thức lớn của bài toán học liên kết trong y tế: bảo mật quyền riêng tư dữ liệu (nhờ FL và DP), tối ưu hóa hạ tầng truyền thông - lưu trữ (nhờ MEC và IPFS), và thiết lập cơ chế khuyến khích chia sẻ dữ liệu minh bạch, có thể kiểm toán được (nhờ Chaincode và Blockchain).

Hạn chế và hướng nghiên cứu tiếp

Dựa trên các phân tích và phạm vi nghiên cứu được tác giả trình bày trong văn bản:

  • Hạn chế:
    • Việc áp dụng Differential Privacy luôn tồn tại sự đánh đổi giữa mức độ an toàn dữ liệu và độ chính xác chẩn đoán của mô hình. Tham số $\epsilon$ càng nhỏ thì quyền riêng tư càng cao nhưng độ chính xác của mô hình học sâu sẽ bị suy giảm tương ứng.
    • Các thử nghiệm hiệu năng chuỗi khối mới được thực hiện trong môi trường mô phỏng với quy mô nút giới hạn (4, 6 và 8 nodes) thông qua Hyperledger Caliper, chưa phản ánh đầy đủ các tác động của độ trễ mạng Internet diện rộng trong môi trường thực tế quy mô lớn.
    • Tiêu chí phân vùng máy chủ biên (MEC) theo bán kính hoặc ranh giới quốc gia mới dừng lại ở mức thiết kế đề xuất, cần các thuật toán điều phối động phức tạp hơn khi triển khai thực tế.
  • Hướng nghiên cứu tiếp:
    • Nghiên cứu tối ưu hóa thuật toán cân bằng giữa độ chính xác của mô hình chẩn đoán và mức độ nhiễu bảo mật trong Differential Privacy.
    • Mở rộng quy mô mạng lưới thử nghiệm với số lượng nút lớn hơn, thử nghiệm trên các môi trường mạng phân tán thực tế giữa nhiều bệnh viện và tổ chức y tế khác nhau.
    • Nâng cấp logic của Chaincode FedChain nhằm xây dựng công thức định lượng giá trị đóng góp dữ liệu chi tiết hơn, gắn liền với chất lượng dữ liệu thực tế của từng client tham gia.

Giá trị tham khảo

Tài liệu khóa luận có giá trị tham khảo cụ thể đối với các nhóm đối tượng:

  • Sinh viên và nhà nghiên cứu ngành Công nghệ thông tin, Khoa học máy tính và Kỹ thuật dữ liệu: Cung cấp tài liệu tham khảo chi tiết về cách kết hợp giữa Học liên kết (Federated Learning) và Chuỗi khối (Blockchain) – một hướng nghiên cứu hiện đại trong xử lý dữ liệu phân tán.
  • Người nghiên cứu và phát triển hệ thống AI trong Y tế: Tham khảo phương pháp xây dựng bộ khung chuẩn hóa dữ liệu tín hiệu sinh học (ECG), cách thức đưa nhiễu ngẫu nhiên (Differential Privacy) để bảo vệ hồ sơ bệnh án cá nhân của bệnh nhân theo các quy chuẩn bảo mật y tế.
  • Kỹ sư hệ thống và kiến trúc sư giải pháp phần mềm: Cung cấp mô hình kiến trúc tham chiếu 3 tầng kết hợp MEC, IPFS và Hyperledger Fabric để giải quyết bài toán nghẽn cổ chai lưu trữ và chi phí băng thông khi vận hành chuỗi khối trong các hệ thống IoT.

Phần nội dung đáng tham khảo nhất trong khóa luận là thiết kế kiến trúc phân tầng tại Chương 4 cùng phương pháp đo kiểm hiệu năng chuỗi khối bằng Hyperledger Caliper tại Chương 5.

Câu hỏi thường gặp

1. Tại sao hệ thống FedChain lại lựa chọn nền tảng Hyperledger Fabric thay vì các mạng Blockchain công cộng như Ethereum hay Bitcoin?

Theo phân tích của tác giả tại Chương 3 và Chương 4, Hyperledger Fabric là nền tảng Private/Permissioned Blockchain có tính phân quyền cao, hỗ trợ kiểm soát danh tính người tham gia, tốc độ xử lý giao dịch nhanh và không phát sinh phí giao dịch (gas fee) như các mạng công cộng. Ngoài ra, Fabric sử dụng cơ chế kênh (Channel) giúp cách ly dữ liệu giữa các nhóm thành viên và sử dụng thuật toán đồng thuận Raft phù hợp với môi trường liên minh giữa các tổ chức y tế, doanh nghiệp.

2. Kỹ thuật Quyền riêng tư khác biệt (Differential Privacy) giải quyết nguy cơ bảo mật nào trong bài toán này?

Dù học liên kết không truyền dữ liệu thô, các nghiên cứu đã chỉ ra rằng kẻ tấn công vẫn có thể sử dụng tấn công suy luận ngược (Inference Attack) từ các thông số trọng số mô hình được gửi lên để tái tạo lại thông tin nhạy cảm của người dùng. Kỹ thuật Differential Privacy đưa thêm nhiễu ngẫu nhiên (như phân phối Laplace hoặc Gaussian) vào trọng số trước khi gửi đi, khiến kẻ tấn công không thể xác định sự hiện diện của một mẫu dữ liệu cụ thể trong tập huấn luyện, từ đó bảo vệ danh tính bệnh nhân.

3. Công nghệ điện toán biên (MEC) và IPFS đóng vai trò gì trong việc tối ưu hóa hiệu năng hệ thống?

Công nghệ MEC giúp phân cụm người dùng theo khoảng cách địa lý hoặc quốc gia, đảm nhận việc tổng hợp sơ cấp mô hình cục bộ nhằm giảm bớt số lượng kết nối và chi phí truyền thông trực tiếp lên máy chủ trung tâm đám mây. Trong khi đó, IPFS lưu trữ các tệp trọng số mô hình phân tán ngoài chuỗi (off-chain) và chỉ trả về mã băm định danh nội dung (Content Hash). Chuỗi khối chỉ cần lưu trữ mã băm này, giúp giải quyết triệt để vấn đề phình to dung lượng sổ cái của Blockchain.

4. Hệ thống FedChain đánh giá hiệu năng Blockchain dựa trên những kịch bản và chỉ số nào?

Trong Chương 5, tác giả sử dụng công cụ Hyperledger Caliper để đo kiểm mạng Hyperledger Fabric trên 3 kịch bản gồm 4 nút, 6 nút và 8 nút mạng. Các chỉ số kỹ thuật được thu thập và đánh giá bao gồm: tỷ lệ chiếm dụng tài nguyên hệ thống (CPU, bộ nhớ RAM) của các nút mạng, thời gian xử lý trung bình cho một request (đo đạc qua 100 lần lặp) và thông lượng xử lý giao dịch của hệ thống.

Kết luận

Khóa luận tốt nghiệp của tác giả Hoàng Tuấn Anh và Ngân Văn Luyện đã giải quyết bài toán mâu thuẫn giữa nhu cầu xây dựng mô hình AI chẩn đoán bệnh tim mạch và rào cản bảo mật dữ liệu y tế. Bằng việc đề xuất kiến trúc hệ thống FedChain tích hợp đồng thời Học liên kết, Blockchain Hyperledger Fabric, Differential Privacy, MEC và IPFS, nghiên cứu đã thiết lập một giải pháp toàn diện từ huấn luyện mô hình phân tán, bảo vệ tính riêng tư cho đến cơ chế khuyến khích chia sẻ dữ liệu minh bạch. Các kết quả thực nghiệm trên tập dữ liệu ECG Heartbeat Categorization Dataset và công cụ Hyperledger Caliper đã xác thực tính khả thi và hiệu năng vận hành của mô hình trong thực tế kỹ thuật.