Khóa Luận Tốt Nghiệp: Nghiên Cứu Hệ Thống Tính Toán Cạnh Biên Ứng Dụng Công Nghệ Ảo Hóa Container Và Camera Thông Minh Giám Sát Dịch COVID-19

• Tác giả: Le Minh Thong
• Người hướng dẫn: PGS. Le Trung Quan
• Trường học: Đại học Quốc gia TP. Hồ Chí Minh - Trường Đại học Công nghệ Thông tin
• Chuyên ngành: Mạng máy tính và truyền thông dữ liệu
• Đề tài: Nghiên cứu và phát triển hệ thống tính toán cạnh biên ứng dụng công nghệ ảo hóa container và camera thông minh giám sát dịch COVID-19
• Loại tài liệu: Khóa luận tốt nghiệp
• Năm xuất bản: 2022
• Địa điểm: TP. Hồ Chí Minh

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN ĐỀ TÀI
• 1.1. Tổng quan về xu hướng IoT
• 1.2. Vai trò của Điện toán đám mây với IoT
• 1.3. Tuyên bố vấn đề
• 1.4. Phát biểu vấn đề
• 1.5. Mục tiêu hướng đến
• 1.6. Phạm vi và giới hạn đề tài
• 1.7. Phạm vi và đối tượng nghiên cứu
• 1.8. Giới hạn của đề tài
• 1.9. Cấu trúc Khóa luận
• 2. CHƯƠNG 2: CÁC NGHIÊN CỨU KHOA HỌC VÀ CÔNG NGHỆ LIÊN QUAN
• 2.1. Tổng quan về hệ thống tính toán cận biên
• 2.2. Các dự án tính toán cận biên
• 2.3. Xu hướng nghiên cứu hiện nay
• 2.4. Các sản phẩm hỗ trợ phòng chống Covid-19 trên thị trường
• 2.5. Cơ sở lí thuyết và hướng tiếp cận đề tài
• 2.5.1. Nền tảng trí tuệ nhân tạo
• 2.5.2. Nền tảng máy học
• 2.5.3. Nền tảng ứng dụng học sâu vào Thị giác máy tính
• 2.5.4. Camera Calibrate và Birdview transformation
• 2.5.5. FaceMask Detection và Face Recognition
• 2.6. Infrastructure as a Service (IaaS)
• 2.6.1. Nền tảng công nghệ ảo hóa
• 2.6.2. Công nghệ điều phối ảo hóa
• 2.6.3. Kiến trúc Microservices
• 2.6.4. Cơ sở dữ liệu NoSQL — MongoDB
• 2.7. Cơ sở dữ liệu quan hệ - MySQL
• 2.8. Cơ sở hạ tầng dạng mã
• 2.8.1. Continuous Integration/Continuous Deployment - CI/CD — GitOps (Gitlab CI)
• 2.9. Machine learning Operation
• 2.10. Máy tính nhúng Jetson Nano
• 2.11. Máy tính nhúng Raspberry Pi 3
• 3. CHƯƠNG 3: PHƯƠNG PHÁP LUẬN, NGHIÊN CỨU
• 3.1. Phân tích thiết kế hệ thống
• 3.2. Mô hình phân rã hệ thống
• 3.3. Thành phần trung tâm dữ liệu đám mây
• 3.4. Thành phần cận biên
• 3.5. Phân rã thành phần thiết bị đầu cuối
• 3.6. Kiến trúc Cluster tại phần cận biên
• 3.7. Ứng dụng ở Cloud
• 3.8. Ứng dụng ở Edge
• 3.9. Đặc tả thiết kế mô hình ngữ cảnh
• 3.10. Đặc tả ngữ cảnh
• 3.11. Thiết kế mô hình trong ngữ cảnh để xuất
• 3.12. Mô hình ngữ cảnh giao tiếp giữa các thành phần
• 3.13. Phân tích thiết kế hệ thống tự động hóa
• 3.14. Phân tích thiết kế hệ thống MLOps
• 3.15. Phân tích thành phần Machine learning Development
• 3.16. Phân tích thiết kế thành phần Training operationalization
• 3.17. Phân tích thiết kế thành phần Model Deployment
• 3.18. Phân tích thiết kế thành phần Continuous Monitoring
• 3.19. Phân tích thiết kế thành phần triển khai cơ sở hạ tầng dạng mã (IaC)
• 4. CHƯƠNG 4: HIỆN THỰC, THỬ NGHIỆM VÀ KẾT QUẢ
• 4.1. Hiện thực SDNode (Social Distances Detection)
• 4.2. Tổng quan mô hình
• 4.3. Hiện thực FMNode (Face mask detection and recognition)
• 4.4. Chức năng
• 4.5. Các tham số đánh giá
• 4.6. Tổng quan mô hình
• 4.7. Hiện thực phần Cloud
• 4.8. Cơ sở hạ tầng cho AI Engineer
• 4.9. Tự động hóa Central Dashboard trên Cloud
• 4.10. Central Backend Service
• 4.11. Xây dựng Kubernetes Cluster
• 4.12. Hiện thực phần cận biên
• 4.13. Hiện thực hệ thống MLOps
• 4.14. Xây dựng mô hình máy học (Scikit Learn)
• 4.15. ML Model Monitoring (Weight and Biases)
• 4.16. ML Model Configuration (Hydra)
• 4.17. Data version control (DVC)
• 4.18. Kịch bản thử nghiệm đánh giá
• 4.19. Đặc tả phần cứng
• 4.20. Kết quả thử nghiệm
• 4.21. Kết quả huấn luyện mô hình nhận diện khuôn mặt
• 4.22. Kết quả thử nghiệm SDNode
• 4.23. Kết quả thử nghiệm FMNode
• 4.24. Các thông số thu được tại Cluster K8S v. Jetson Nano khi chạy mô hình Face Recognition
• 4.25. Jetson Nano khi chạy mô hình Social Distancing
• 4.26. Đo độ trễ phản hồi trên dịch vụ Facemask tại Edge
• 4.27. Các thông số đánh giá mô hình AI tại phần IoT Device
• 4.28. Nhận xét kết quả và đánh giá
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 5.1. Kết quả đạt được
• 5.2. Một số hạn chế
• 5.3. Hướng phát triển
• 5.4. Hoạt động không gián đoạn khi cách ly Edge và Cloud
• 5.5. Vận dụng cơ sở hạ tầng mạnh mẽ của AWS
• DANH MỤC HÌNH
• DANH MỤC BẢNG
• DANH MỤC TỪ VIẾT TẮT
• TÓM TẮT KHÓA LUẬN
• GIỚI THIỆU

I. Tổng quan về hệ thống tính toán cạnh biên

Hệ thống tính toán cạnh biên là một kiến trúc điện toán hiện đại, tập trung vào việc xử lý dữ liệu gần với nguồn phát sinh thay vì gửi về trung tâm đám mây. Điều này giúp giảm độ trễ, tăng tốc độ xử lý và tiết kiệm băng thông mạng. Trong bối cảnh giám sát dịch COVID-19, hệ thống này đóng vai trò quan trọng trong việc theo dõi và phát hiện các hành vi vi phạm quy định phòng dịch như không đeo khẩu trang hoặc không giữ khoảng cách an toàn. Công nghệ ảo hóa container được áp dụng để tối ưu hóa việc triển khai và quản lý các ứng dụng trên các thiết bị cạnh biên, đảm bảo tính linh hoạt và hiệu quả.

1.1. Vai trò của công nghệ ảo hóa container

Công nghệ ảo hóa container cho phép đóng gói các ứng dụng và thư viện cần thiết vào một môi trường độc lập, giúp triển khai nhanh chóng và nhất quán trên các thiết bị cạnh biên. Điều này đặc biệt hữu ích trong việc xây dựng hệ thống giám sát thông minh, nơi các mô hình AI như nhận diện khuôn mặt và phát hiện khoảng cách được triển khai trên các thiết bị IoT. Container cũng giúp tối ưu hóa tài nguyên phần cứng, giảm chi phí vận hành và bảo trì hệ thống.

1.2. Ứng dụng camera thông minh trong giám sát dịch bệnh

Camera thông minh là một thành phần không thể thiếu trong hệ thống giám sát COVID-19. Chúng được tích hợp các mô hình AI để phát hiện các hành vi vi phạm quy định phòng dịch như không đeo khẩu trang hoặc không giữ khoảng cách an toàn. Dữ liệu từ camera được xử lý ngay tại cạnh biên, giúp giảm tải cho hệ thống đám mây và đảm bảo phản hồi nhanh chóng. Công nghệ giám sát này không chỉ hỗ trợ các cơ quan chức năng trong việc quản lý dịch bệnh mà còn góp phần nâng cao ý thức cộng đồng.

II. Nghiên cứu và phát triển hệ thống

Nghiên cứu và phát triển hệ thống tính toán cạnh biên ứng dụng công nghệ ảo hóa container và camera thông minh đã mang lại nhiều kết quả tích cực trong việc giám sát dịch COVID-19. Hệ thống này không chỉ giải quyết các vấn đề về độ trễ và băng thông mà còn tối ưu hóa việc triển khai các mô hình AI trên các thiết bị IoT. Hệ thống thông minh này đã được thử nghiệm và cho thấy hiệu quả cao trong việc phát hiện các hành vi vi phạm quy định phòng dịch, đồng thời giảm thiểu chi phí vận hành và bảo trì.

2.1. Phương pháp luận và thiết kế hệ thống

Phương pháp luận được áp dụng trong nghiên cứu này bao gồm việc phân tích và thiết kế hệ thống giám sát dựa trên kiến trúc cạnh biên. Các thành phần chính của hệ thống bao gồm camera thông minh, công nghệ ảo hóa container, và các mô hình AI như nhận diện khuôn mặt và phát hiện khoảng cách. Hệ thống được thiết kế để hoạt động độc lập với đám mây, đảm bảo tính liên tục và ổn định trong quá trình giám sát.

2.2. Kết quả thử nghiệm và đánh giá

Kết quả thử nghiệm cho thấy hệ thống tính toán cạnh biên đạt được độ chính xác cao trong việc phát hiện các hành vi vi phạm quy định phòng dịch. Các thông số như độ trễ, tốc độ xử lý và hiệu suất năng lượng đều được tối ưu hóa. Công nghệ giám sát này đã chứng minh được tính khả thi và hiệu quả trong việc hỗ trợ các cơ quan chức năng quản lý dịch bệnh, đồng thời góp phần nâng cao ý thức cộng đồng.

III. Giá trị và ứng dụng thực tiễn

Hệ thống tính toán cạnh biên ứng dụng công nghệ ảo hóa container và camera thông minh không chỉ mang lại giá trị lớn trong việc giám sát dịch COVID-19 mà còn có tiềm năng ứng dụng rộng rãi trong các lĩnh vực khác như an ninh, giao thông và y tế. Hệ thống này giúp giảm tải cho các trung tâm dữ liệu đám mây, tăng tốc độ xử lý và đảm bảo tính bảo mật dữ liệu. Công nghệ thông minh này cũng góp phần thúc đẩy sự phát triển của các thành phố thông minh và nâng cao chất lượng cuộc sống của người dân.

3.1. Ứng dụng trong các lĩnh vực khác

Ngoài việc giám sát dịch bệnh, hệ thống tính toán cạnh biên có thể được áp dụng trong các lĩnh vực như an ninh, giao thông và y tế. Ví dụ, trong lĩnh vực an ninh, hệ thống có thể được sử dụng để phát hiện các hành vi đáng ngờ hoặc theo dõi các khu vực nhạy cảm. Trong lĩnh vực giao thông, hệ thống có thể giúp quản lý và điều tiết giao thông một cách hiệu quả hơn. Công nghệ giám sát này cũng có thể được sử dụng trong y tế để theo dõi sức khỏe của bệnh nhân và phát hiện các dấu hiệu bất thường.

3.2. Hướng phát triển trong tương lai

Trong tương lai, hệ thống tính toán cạnh biên sẽ tiếp tục được cải tiến và mở rộng để đáp ứng nhu cầu ngày càng cao của các ứng dụng thực tế. Các hướng phát triển tiềm năng bao gồm tích hợp thêm các công nghệ AI tiên tiến, tối ưu hóa hiệu suất năng lượng và nâng cao tính bảo mật của hệ thống. Công nghệ thông minh này sẽ tiếp tục đóng vai trò quan trọng trong việc xây dựng các thành phố thông minh và nâng cao chất lượng cuộc sống của người dân.