Giới thiệu dự án

Sự bùng nổ của đô thị hóa và công nghiệp hóa tại các đại đô thị như TP. Hồ Chí Minh (quy mô dân số vượt 9 triệu người) đã khiến tình trạng ô nhiễm không khí, đặc biệt là bụi mịn PM2.5, PM10 và các khí độc hại ($CO, NO_2, SO_2$), trở thành thách thức môi trường cấp bách. Theo báo cáo từ IoT Analytics Research, số lượng thiết bị kết nối IoT toàn cầu đã vượt 11,7 tỷ thiết bị vào năm 2020 và dự kiến đạt 30,9 tỷ thiết bị vào năm 2025. Lượng dữ liệu khổng lồ này nếu dồn toàn bộ về trung tâm dữ liệu đám mây (Cloud Datacenter) tập trung sẽ gây ra các nút thắt cổ chai nghiêm trọng:

  • Độ trễ truyền tải cao: Không đáp ứng được yêu cầu cảnh báo và phản hồi thời gian thực (Real-time).
  • Chi phí băng thông lớn: Việc đẩy liên tục dữ liệu đo thô từ hàng nghìn cảm biến làm tiêu tốn tài nguyên mạng diện rộng (WAN).
  • Nguy cơ gián đoạn hoạt động: Mất kết nối mạng Internet đồng nghĩa với việc toàn bộ hệ thống quan trắc ngoại biên ngưng trệ.
  • Bảo mật dữ liệu: Dữ liệu cảm biến thô dễ bị can thiệp trên đường truyền nếu thiếu cơ chế mã hóa đầu cuối tại biên.
+-------------------------------------------------------------------------+
|                              CLOUD LAYER                                |
|  [Central Backend (Node.js)] <-> [MongoDB Cluster] <-> [ArgoCD / IaC]   |
|  [Prometheus / Grafana Monitoring] <-> [Web Dashboard (Angular)]        |
+-------------------------------------------------------------------------+
+-------------------------------------------------------------------------+
|                              EDGE LAYER                                 |
|  [Raspberry Pi Gateway] <-> [K3s Worker Node] <-> [Edge Backend/PM2]    |
|  [AI Inference Engine (Docker)] <-> [Waspmote Gateway XBee Receiver]    |
+-------------------------------------------------------------------------+
+-------------------------------------------------------------------------+
|                           END DEVICE LAYER                              |
|  [Sensor Node 01: Libelium Waspmote + BME280 (Temp, Hum, Pressure)]     |
|  [Sensor Node 02: Waspmote + Dust Sensor (PM2.5, PM10)]                 |
+-------------------------------------------------------------------------+

Đề tài "Nghiên cứu và phát triển hệ thống điện toán biên kết hợp trí tuệ nhân tạo bằng công nghệ ảo hóa container ứng dụng vào giám sát chỉ số chất lượng không khí" được thực hiện bởi nhóm tác giả tại Trường Đại học Công nghệ Thông tin – ĐHQG-HCM, dưới sự hướng dẫn của PGS.TS Lê Trung Quân, nhằm giải quyết triệt để các hạn chế trên.

Mục tiêu cụ thể của dự án

  1. Thiết kế kiến trúc phân tán 3 tầng (End Device – Edge – Cloud): Tối ưu hóa luồng dữ liệu quan trắc môi trường và giảm tải tính toán cho Cloud.
  2. Triển khai nền tảng ảo hóa Container siêu nhẹ: Tích hợp K3s (Lightweight Kubernetes) và Docker lên phần cứng biên (Raspberry Pi).
  3. Tích hợp Trí tuệ Nhân tạo tại biên (Edge AI Inference): Triển khai mô hình Machine Learning dự đoán chỉ số AQI cục bộ với thời gian đáp ứng dưới 50ms.
  4. Tự động hóa toàn diện quy trình CI/CD và IaC: Sử dụng Terraform, GitOps (ArgoCD) và Tailscale Mesh VPN để quản lý vòng đời ứng dụng biên đồng nhất.

Phạm vi và giới hạn

  • Phạm vi nghiên cứu: Triển khai các trạm quan trắc mô phỏng đô thị; dữ liệu huấn luyện AI sử dụng tập dữ liệu quan trắc không khí kết hợp dữ liệu thu thập thực nghiệm từ cảm biến Libelium Waspmote, BME280 và cảm biến bụi qua giao thức Zigbee (IEEE 802.15.4).
  • Giới hạn: Thử nghiệm quy mô phòng thí nghiệm với cụm Edge Node giới hạn; tập trung vào bài toán suy luận (Inference) tại biên, việc huấn luyện lại mô hình (Re-training) phức tạp vẫn được điều phối trên Cloud.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí Mô hình Cloud-IoT truyền thống Mô hình Pure Edge Computing Giải pháp đề xuất (Containerized Hybrid Edge-Cloud)
Độ trễ xử lý (Latency) Cao (200ms – 1000ms phụ thuộc WAN) Cực thấp (< 20ms cục bộ) Cực thấp tại biên (< 50ms), đồng bộ Cloud định kỳ
Chi phí băng thông WAN Rất cao (truyền 100% dữ liệu thô) Rất thấp (chỉ lưu cục bộ) Tối ưu (giảm 70-80% nhờ tiền xử lý và lọc tại Edge)
Khả năng tự trị (Offline Mode) Ngừng hoạt động khi đứt cáp/mất mạng Hoạt động độc lập, thiếu lưu trữ tập trung Hoạt động độc lập liên tục, tự động đồng bộ khi có mạng
Quản trị và Cập nhật Tập trung, dễ quản lý qua Cloud UI Rất khó khăn, cập nhật thủ công từng node Tự động hóa qua GitOps (ArgoCD), K3s, Docker
Bảo mật mạng Mở Port Public / VPN Gateway truyền thống Mạng nội bộ riêng lẻ Mạng Mesh VPN (Tailscale/WireGuard) không mở port WAN

Phân tích yêu cầu hệ thống (MoSCoW)

  • Must have: Thu thập dữ liệu cảm biến (PM2.5, PM10, nhiệt độ, độ ẩm); truyền thông không dây Zigbee; đóng gói ứng dụng bằng Docker; điều phối bằng K3s; hiển thị chỉ số AQI trực quan.
  • Should have: Suy luận AI (Machine Learning Inference) tại Edge; mạng Mesh VPN Tailscale kết nối an toàn Cloud-Edge; tự động hóa hạ tầng bằng Terraform.
  • Could have: CI/CD Pipeline hoàn chỉnh với ArgoCD và GitHub Actions; giám sát toàn diện qua Prometheus và Grafana.
  • Won't have (in this phase): Huấn luyện mô hình Deep Learning phân tán (Federated Learning) trực tiếp trên chip nhúng.

Thiết kế hệ thống

Kiến trúc hệ thống bao gồm 3 phân tầng chính:

+------------------------------------------------------------------------------------+
|                                 TECHNOLOGY STACK                                   |
+----------------------+-----------------------------+-------------------------------+
| Layer                | Công nghệ / Framework       | Phiên bản / Chuẩn             |
+----------------------+-----------------------------+-------------------------------+
| End Devices          | Libelium Waspmote, BME280   | C/C++ Embedded, IEEE 802.15.4 |
| Wireless Protocol    | XBee Pro S2C / 900HP        | Zigbee Mesh Network           |
| Edge Compute         | Raspberry Pi 4 Model B      | ARM Cortex-A72, 4GB RAM       |
| Container & Orch.    | Docker Engine, K3s          | Docker v20.10+, K3s v1.24+    |
| Edge AI Runtime      | Python, Scikit-learn, PM2   | Python 3.9+, PM2 Runtime      |
| Network Virtualiz.   | Tailscale, Headscale        | WireGuard Protocol            |
| Infrastructure (IaC) | Terraform                   | HCL v1.2+                     |
| Cloud Backend & DB   | Node.js, Express, MongoDB   | Node.js v16.x, MongoDB v5.0+  |
| Frontend Web UI      | Angular Framework           | Angular v13+, TypeScript      |
| Monitoring & GitOps  | Prometheus, Grafana, ArgoCD | PromQL, ArgoCD v2.3+          |
+----------------------+-----------------------------+-------------------------------+

Thiết kế Cơ sở dữ liệu (MongoDB Document Schema)

Dữ liệu chuỗi thời gian (Time-series data) từ các trạm quan trắc được cấu trúc dưới dạng JSON Document phi quan hệ, tối ưu hóa tốc độ ghi và đánh chỉ mục (Index) tự động trên trường stationId và timestamp:

{
  "_id": "628a5b8f1c4e2b0016a9d102",
  "stationId": "NODE_SMARTCITY_01",
  "location": {
    "type": "Point",
    "coordinates": [106.803184, 10.870041]
  },
  "metrics": {
    "pm25": 38.5,
    "pm10": 72.1,
    "temperature": 31.4,
    "humidity": 68.2,
    "pressure": 1012.3
  },
  "aqiCalculated": 108,
  "aqiCategory": "Unhealthy for Sensitive Groups",
  "predictedAqiNextHour": 115,
  "timestamp": "2022-05-22T14:30:00.000Z"
}

Thiết kế API Endpoints

  • POST /api/v1/edge/telemetry: Endpoint tại Edge Gateway nhận gói tin nhị phân/JSON từ Waspmote Gateway.
  • POST /api/v1/ai/predict: API nội bộ tại Edge Node tiếp nhận mảng tham số môi trường và trả về kết quả dự đoán AQI trong 60 phút tiếp theo.
  • GET /api/v1/stations/realtime: Central Cloud API phục vụ Web Client truy xuất trạng thái quan trắc tức thời.

Methodology & Quy trình triển khai

Dự án áp dụng mô hình phát triển linh hoạt (Agile) kết hợp phương pháp luận GitOps. Mọi thay đổi về mã nguồn và cấu hình hạ tầng (Infrastructure as Code) đều được quản lý tập trung trên Git Repository.

Developer Push Code ---> GitHub Actions (Build Image & Unit Test)
                     Docker Hub Registry (Push Container Image)
                     ArgoCD (GitOps Controller)

Implementation và kết quả

Development process

1. Thu thập dữ liệu tại tầng cảm biến (Waspmote C++ Code)

Mã nguồn nhúng trên bo mạch Waspmote đọc cảm biến nhiệt độ, độ ẩm, áp suất và bụi mịn, đóng gói dữ liệu thành khung truyền (Frame) chuẩn và gửi qua sóng Zigbee:

#include <WaspSensorCities.h>
#include <WaspXBee900HP.h>

char node_ID[] = "NODE_01";
frameParse packet;

void setup() {
  USB.ON();
  SensorCities.ON();
  xbee900HP.ON();
}

void loop() {
  SensorCities.setSensorMode(SENS_ON, SENS_CITIES_BME280);
  delay(1000);
  
  float temperature = SensorCities.readValue(SENS_CITIES_BME280, SENS_TEMPERATURE);
  float humidity = SensorCities.readValue(SENS_CITIES_BME280, SENS_HUMIDITY);
  float dust_pm25 = SensorCities.readValue(SENS_CITIES_DUST_PM25);
  
  frame.createFrame(ASCII, node_ID);
  frame.addSensor(SENSOR_CITIES_T, temperature);
  frame.addSensor(SENSOR_CITIES_HUM, humidity);
  frame.addSensor(SENSOR_CITIES_DUST, dust_pm25);
  
  xbee900HP.send( "0013A200415A2E8B", frame.buffer, frame.length );
  SensorCities.setSensorMode(SENS_OFF, SENS_CITIES_BME280);
  PWR.deepSleep("00:00:05:00", RTC_OFFSET, RTC_ALARM1_MODE1, ALL_OFF);
}

2. Đóng gói mô hình Edge AI Inference vào Docker Container

Mô hình Machine Learning (được huấn luyện trước từ tập dữ liệu AQI bằng AutoML/Scikit-learn) được bao bọc bởi một Web Server Python siêu nhẹ và đóng gói qua Dockerfile:

FROM python:3.9-slim-buster

WORKDIR /app
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt

COPY model_aqi_regression.pkl .
COPY edge_inference_server.py .

EXPOSE 5000
CMD ["python", "edge_inference_server.py"]

3. Cấu hình triển khai ứng dụng trên cụm K3s (Kubernetes Manifest)

File cấu hình YAML mô tả việc triển khai dịch vụ xử lý dữ liệu cận biên (Edge Processor Deployment) trên các Node có nhãn node-role.kubernetes.io/edge:

apiVersion: apps/v1
kind: Deployment
metadata:
  name: edge-aqi-processor
  namespace: air-quality
spec:
  replicas: 1
  selector:
    matchLabels:
      app: edge-processor
  template:
    metadata:
      labels:
        app: edge-processor
    spec:
      nodeSelector:
        kubernetes.io/hostname: raspberrypi-edge
      containers:
      - name: aqi-processor
        image: vietnguyen/edge-aqi-processor:v1.0.2
        resources:
          limits:
            memory: "256Mi"
            cpu: "500m"
          requests:
            memory: "128Mi"
            cpu: "200m"
        ports:
        - containerPort: 3000

4. Tự động hóa hạ tầng VPN và K3s Master với Terraform

Hạ tầng máy chủ đám mây và máy chủ VPN điều phối (Headscale) được khởi tạo tự động bằng mã nguồn Terraform:

resource "digitalocean_droplet" "k3s_cloud_master" {
  image    = "ubuntu-20-04-x64"
  name     = "k3s-cloud-master-aqi"
  region   = "sgp1"
  size     = "s-2vcpu-4gb"
  ssh_keys = [var.ssh_fingerprint]

  provisioner "remote-exec" {
    inline = [
      "curl -sfL https://get.k3s.io | sh -s - --disable traefik",
      "sudo systemctl enable k3s",
      "sudo cat /var/lib/rancher/k3s/server/node-token"
    ]
  }
}

Testing và validation

Đánh giá hiệu năng và tài nguyên tiêu thụ

Thông số đo lường Mô hình truyền thống (K8s tiêu chuẩn + Cloud) Mô hình thực nghiệm (K3s + Raspberry Pi 4 Edge) Mức độ cải thiện
RAM sử dụng (Idle State) ~1.5 GB – 2.0 GB RAM ~350 MB – 512 MB RAM Giảm ~75% dung lượng bộ nhớ
Thời gian khởi động Node 90 – 120 giây 20 – 35 giây Nhanh hơn 3.5 lần
Độ trễ phản hồi suy luận AI 350ms – 650ms (truyền lên Cloud) 35ms – 48ms (xử lý trực tiếp tại Edge) Giảm ~89% độ trễ
Băng thông WAN tiêu thụ 100% gói tin thô đẩy liên tục Giảm còn 25% (chỉ đẩy metric nén/cảnh báo) Tiết kiệm 75% băng thông mạng
Tỷ lệ gói tin thành công (PDR) 94.2% (khi mạng WAN bất ổn) 99.8% (truyền nội bộ Zigbee + Mesh VPN) Tăng 5.6% độ tin cậy 
Latency Comparison (ms) - Lower is better:
Traditional Cloud IoT:  [========================================] 480ms
Containerized Edge AI:  [====] 42ms  (-91.2%)

Memory Footprint (MB) - Lower is better:
Standard K8s Engine:    [========================================] 1800MB
Lightweight K3s Engine: [========] 410MB  (-77.2%)

Kết quả đạt được

  1. Hạ tầng mạng ảo hóa Mesh đồng nhất: 100% thiết bị biên và máy chủ đám mây kết nối thông suốt qua mạng riêng ảo Tailscale/WireGuard, loại bỏ rủi ro tấn công qua cổng công cộng (Public Port Forwarding).
  2. Độ chính xác mô hình AI tại biên: Mô hình hồi quy đạt hệ số xác định $R^2 > 0.88$ và sai số tuyệt đối trung bình ($MAE$) dưới 4.2 đối với chỉ số PM2.5, đưa ra cảnh báo sớm chất lượng không khí vượt ngưỡng trước 60 phút.
  3. Hệ thống giám sát phân tán: Tích hợp thành công Prometheus Exporter thu thập trạng thái phần cứng (nhiệt độ CPU Raspberry Pi, RAM, số lượng Pod K3s) và hiển thị trực quan qua Grafana Dashboard.

Đổi mới và đóng góp

Đổi mới công nghệ

  • So sánh với AWS Greengrass và Azure IoT Edge: Khác với các giải pháp đóng gói độc quyền phụ thuộc vào nhà cung cấp đám mây (Vendor Lock-in), giải pháp của đề tài sử dụng 100% mã nguồn mở (K3s, Docker, Headscale, MongoDB, Terraform). Doanh nghiệp có thể tự triển khai on-premise hoặc chuyển đổi linh hoạt giữa GCP, AWS, DigitalOcean mà không cần thay đổi kiến trúc ứng dụng.
  • Tối ưu hóa tài nguyên phần cứng cực hạn: Tận dụng tối đa tài nguyên của vi máy tính ARM (Raspberry Pi) bằng việc kết hợp K3s và cơ chế Non-blocking I/O của Node.js, cho phép tiếp nhận đồng thời hàng chục kết nối cảm biến mà không gây tràn bộ nhớ.
  • Đưa trí tuệ nhân tạo tiệm cận nguồn dữ liệu: Giải quyết triệt để bài toán xử lý tín hiệu ô nhiễm tức thời mà không cần duy trì kết nối Internet liên tục.

Đóng góp thực tiễn

  • Cung cấp một bản thiết kế kiến trúc chuẩn (Architectural Blueprint) mẫu cho các ứng dụng IoT đô thị thông minh tại Việt Nam.
  • Quy trình hóa chu trình phát triển - đóng gói - phân phối ứng dụng biên thông qua GitOps, giúp đội ngũ kỹ sư thu hẹp thời gian phát hành tính năng mới từ hàng giờ xuống dưới 3 phút.

Ứng dụng thực tế và triển khai

Kịch bản triển khai thực tế

  • Hệ thống quan trắc giao thông đô thị: Lắp đặt các trạm Edge Gateway tại các nút giao thông trọng điểm của TP. Hồ Chí Minh (như Ngã tư Hàng Xanh, Vòng xoay Dân Chủ) để phân tích mức độ phát thải khói bụi theo mật độ xe cộ thời gian thực.
  • Khu công nghiệp và Nhà máy chế xuất: Quan trắc nồng độ khí thải độc hại, tự động kích hoạt hệ thống lọc khí hoặc còi báo động cục bộ ngay tại biên khi nồng độ vượt ngưỡng nguy hại (AQI > 200).
                      +-----------------------------+
                      |   Git Repository (Config)   |
                      +-----------------------------+
                      +-----------------------------+
                      |    Terraform Automation     |
                      +-----------------------------+
    |  Cloud Central Server   |             |   Edge Node (RaspPi)    |
    |  - MongoDB & Web UI     |   (WireGuard| - AI Inference Engine   |
    |  - ArgoCD Controller    |    Mesh VPN)| - Waspmote XBee Gateway |

Phân tích hiệu quả kinh tế (Cost-Benefit & ROI)

  • Chi phí phần cứng: Thiết bị biên Raspberry Pi kết hợp bo mạch Waspmote có chi phí chỉ bằng 1/5 so với các trạm quan trắc công nghiệp nhập khẩu chuyên dụng.
  • Chi phí vận hành Cloud: Giảm 70% chi phí truyền tải dữ liệu (Data Egress) và dung lượng lưu trữ trên Cloud nhờ cơ chế lọc dữ liệu trùng lặp và tính toán cục bộ tại Edge.
  • Khả năng mở rộng (Scalability): Dễ dàng cắm thêm (Plug-and-Play) hàng trăm trạm đo mới vào cụm K3s thông qua kịch bản tự động hóa gia nhập cụm (Auto-join Cluster Script).

Hạn chế và hướng phát triển

Hạn chế hiện tại

  1. Tính liên tục khi ngắt kết nối kéo dài: Mặc dù Edge Node vẫn xử lý và dự đoán AI khi mất mạng, bộ nhớ đệm cục bộ (Local Buffer) trên thẻ nhớ microSD của Raspberry Pi có giới hạn dung lượng ghi nếu mất kết nối nhiều tuần.
  2. Khả năng tự học tại biên: Mô hình AI tại Edge chỉ thực hiện suy luận (Inference), chưa thể tự động cập nhật trọng số (Weight Re-training) khi có sự trôi dạt dữ liệu (Data Drift) nếu không có sự can thiệp từ Cloud.

Hướng phát triển tương lai

  • Edge Intelligence & Federated Learning: Nghiên cứu áp dụng kỹ thuật Học liên kết (Federated Learning) cho phép các trạm Edge cùng huấn luyện mô hình dự báo thời tiết/AQI mà không cần truyền dữ liệu riêng tư về máy chủ trung tâm.
  • Nâng cấp cảm biến quang học: Mở rộng tích hợp thêm các dòng cảm biến chất lượng cao đo lường khí Ozone ($O_3$) và Formaldehyde ($HCHO$).
  • Khả năng chịu lỗi phần cứng: Nâng cấp cấu hình High Availability (HA) cho K3s Master với cơ sở dữ liệu etcd phân tán thay thế SQLite.

Đối tượng hưởng lợi

+------------------+--------------------------------------------------------------------+
| Đối tượng        | Giá trị thực tiễn mang lại                                         |
+------------------+--------------------------------------------------------------------+
| Sinh viên /      | Tài liệu tham khảo toàn diện về kết hợp IoT, Edge Computing,       |
| Nghiên cứu sinh  | Kubernetes K3s và AI; mã nguồn mẫu về lập trình nhúng và GitOps.  |
+------------------+--------------------------------------------------------------------+
| Kỹ sư DevOps /   | Mẫu kiến trúc triển khai Container lên thiết bị ARM nhúng;          |
| Hệ thống         | giải pháp thiết lập mạng Mesh VPN an toàn bằng Tailscale/Headscale.|
+------------------+--------------------------------------------------------------------+
| Cơ quan quản lý  | Hệ thống quan trắc chi phí thấp, triển khai nhanh chóng tại đô thị |
| môi trường       | nhằm phát hiện sớm các điểm nóng ô nhiễm không khí cục bộ.          |
+------------------+--------------------------------------------------------------------+
| Doanh nghiệp     | Mô hình tối ưu hóa chi phí hạ tầng Cloud-IoT, tăng cường tính sẵn |
| giải pháp IoT    | sàng và tính bảo mật cho các sản phẩm giám sát công nghiệp.        |
+------------------+--------------------------------------------------------------------+

Câu hỏi thường gặp (FAQ)

1. Cấu hình phần cứng tối thiểu để triển khai một Edge Node là gì?

Hệ thống yêu cầu tối thiểu một vi máy tính Raspberry Pi 3 Model B+ (hoặc tương đương) với chip xử lý ARMv7/ARM64 1.2GHz, RAM tối thiểu 1GB (khuyến nghị 2GB – 4GB RAM cho Raspberry Pi 4 để chạy mượt mà cả K3s Worker và AI Container), thẻ nhớ microSD dung lượng từ 16GB Class 10 trở lên.

2. Tại sao lại chọn K3s thay vì K8s tiêu chuẩn cho hệ thống biên?

K3s là bản phân phối Kubernetes siêu nhẹ do Rancher phát triển, đã được lược bỏ các driver đám mây không cần thiết, tích hợp sẵn công cụ quản lý mạng Flannel và SQLite, giảm mức chiếm dụng bộ nhớ RAM xuống dưới 512MB (trong khi K8s tiêu chuẩn yêu cầu tối thiểu 2GB RAM cho control plane), rất phù hợp với tài nguyên hạn chế của thiết bị IoT/Edge.

3. Làm thế nào Edge Node giao tiếp an toàn với Cloud khi không có IP tĩnh công cộng?

Hệ thống sử dụng mạng Mesh VPN xây dựng trên nền tảng Tailscale/Headscale với giao thức WireGuard. Các Node biên tự động thiết lập đường hầm ảo ngang hàng (Peer-to-Peer Encrypted Tunnel) qua cổng UDP, cho phép trao đổi dữ liệu an toàn 2 chiều xuyên qua các lớp tường lửa và NAT mà không cần mở cổng Port Forwarding trên Router.

4. Nếu mất kết nối Internet hoàn toàn, hệ thống tại trạm đo có hoạt động không?

Có. Edge Node hoạt động hoàn toàn độc lập: tiếp tục nhận dữ liệu cảm biến từ Waspmote qua sóng Zigbee, thực thi suy luận AI để phân tích chỉ số AQI và lưu trữ tạm thời vào bộ đệm dữ liệu cục bộ. Ngay khi kết nối mạng phục hồi, tiến trình đồng bộ sẽ tự động đẩy toàn bộ dữ liệu lưu trữ về MongoDB trên Cloud.

5. Chi phí triển khai hệ thống này so với giải pháp truyền thống như thế nào?

Chi phí linh kiện cho một trạm quan trắc thông minh (gồm Raspberry Pi 4, bo mạch Waspmote và các cảm biến môi trường) dao động từ 15 – 25 triệu VNĐ, thấp hơn từ 60 – 80% so với các trạm quan trắc truyền thống. Nhờ ứng dụng phần mềm mã nguồn mở và cơ chế giảm tải băng thông tại biên, chi phí vận hành máy chủ đám mây định kỳ giảm hơn 70%.

Kết luận

Đề tài "Nghiên cứu và phát triển hệ thống điện toán biên kết hợp trí tuệ nhân tạo bằng công nghệ ảo hóa container ứng dụng vào giám sát chỉ số chất lượng không khí" của nhóm tác giả Trường ĐH Công nghệ Thông tin – ĐHQG-HCM đã giải quyết thành công bài toán nghẽn cổ chai và độ trễ cao của mô hình Cloud-IoT truyền thống.

Thông qua việc kết hợp các công nghệ tiên tiến như Edge Computing, Trí tuệ nhân tạo (AI Inference), Ảo hóa siêu nhẹ K3s, WireGuard VPN Mesh và tự động hóa GitOps/IaC, hệ thống chứng minh tính khả thi vượt trội với độ trễ phản hồi dưới 50ms, tiết kiệm 75% băng thông mạng và đảm bảo khả năng hoạt động liên tục ngay cả khi mất kết nối mạng. Đây là tiền đề kỹ thuật vững chắc để mở rộng phát triển các hệ sinh thái đô thị thông minh, quản lý môi trường bền vững và hiện đại hóa mạng lưới IoT trong tương lai.