Khóa Luận Tốt Nghiệp: Nghiên Cứu Và Phát Triển Hệ Thống Tính Toán Cận Biên Bằng Công Nghệ Ảo Hóa ...

• Tác giả: Trần Nguyễn Quang Trường
• Người hướng dẫn: PGS. Lê Trung Quân
• Trường học: Đại học Công nghệ Thông tin - Đại học Quốc gia TP. Hồ Chí Minh
• Chuyên ngành: Mạng máy tính và truyền thông
• Đề tài: Nghiên cứu và phát triển hệ thống tính toán cận biên bằng công nghệ ảo hóa container ứng dụng vào quản lý môi trường nhà kính
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2022
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• 1. CHƯƠNG 1: GIỚI THIỆU
• 1.1. Tổng quan Internet of Things
• 1.2. Phát biểu vấn đề và mục tiêu hướng đến
• 1.2.1. Phát biểu vấn đề
• 1.2.2. Mục tiêu hướng đến
• 1.3. Phạm vi đề tài
• 1.4. Cấu trúc của khóa luận
• 2. CHƯƠNG 2: CÁC NGHIÊN CỨU VÀ CÔNG NGHỆ LIÊN QUAN
• 2.1. Các nghiên cứu và xu hướng công nghệ trên thế giới
• 2.2. Hệ thống MAESTRO
• 2.3. Một số nghiên cứu mở rộng
• 2.4. Cơ sở lý thuyết và hướng tiếp cận đề tài
• 2.4.1. Một số ứng dụng IoT trong nhà kính
• 2.4.2. Nền tảng điện toán đám mây (Cloud computing)
• 2.4.3. Nền tảng điện toán đám mây cho trí tuệ nhân tạo
• 2.4.4. Phần cứng và phần mềm tại biên
• 3. CHƯƠNG 3: PHƯƠNG PHÁP LUẬN VÀ NGHIÊN CỨU
• 3.1. Đặc tả mô hình ngữ cảnh
• 3.2. Hạ tầng mạng và ảo hóa
• 3.3. Tổng quan luồng dữ liệu trong hệ thống
• 3.4. Mô hình phân rã hệ thống
• 3.4.1. Thành phần tại Cloud
• 3.4.2. Thành phần tại Edge
• 3.4.3. Thành phần tại đầu cuối
• 3.5. Mô hình Usecase
• 3.5.1. Usecase tổng quát
• 3.5.2. Usecase danh sách nhà kính
• 3.5.3. Usecase thông tin chi tiết nhà kính
• 3.5.4. Usecase thông tin dự đoán
• 4. CHƯƠNG 4: HIỆN THỰC VÀ TRIỂN KHAI HỆ THỐNG
• 4.1. Hiện thực Node Express Server
• 4.2. Hiện thực phần training model và đóng gói images
• 4.3. Hiện thực trang web dashboard quản lý và theo dõi thông số môi trường cây trồng
• 4.4. Hiện thực phần EDGE
• 5. CHƯƠNG 5: KẾT QUẢ THỬ NGHIỆM VÀ ĐÁNH GIÁ
• 5.1. Kịch bản 1: Kiểm thử hiệu năng của hệ thống Edge-Cloud và hệ thống truyền thống
• 5.2. Kịch bản 2: Đánh giá độ chính xác của model AI trong việc đề xuất cây trồng phù hợp với điều kiện đưa vào
• 5.2.1. Lý thuyết phép đo đánh giá mô hình
• 5.2.2. Kết quả và đánh giá mô hình
• 5.3. Kịch bản 3: Đánh giá độ chính xác của model AI trong việc dự đoán nhiệt độ, độ ẩm trong ngày tiếp theo
• 5.3.1. Lý thuyết phép đo đánh giá mô hình
• 5.3.2. Kết quả và đánh giá mô hình
• 6. CHƯƠNG 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 6.1. Kết luận
• 6.2. Hướng phát triển
• 6.3. Tiến độ thực hiện khóa luận
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Hệ thống tính toán cận biên

Hệ thống tính toán cận biên là một mô hình điện toán phân tán, tập trung vào việc xử lý dữ liệu gần nguồn phát sinh thay vì gửi toàn bộ dữ liệu lên đám mây. Điều này giúp giảm độ trễ, tăng tốc độ phản hồi và tiết kiệm băng thông mạng. Trong nghiên cứu này, hệ thống tính toán cận biên được áp dụng để quản lý môi trường nhà kính, nơi yêu cầu xử lý dữ liệu thời gian thực là rất quan trọng. Các thiết bị IoT như cảm biến nhiệt độ, độ ẩm được kết nối với các edge node để xử lý dữ liệu tại chỗ.

1.1. Công nghệ ảo hóa

Công nghệ ảo hóa đóng vai trò quan trọng trong việc triển khai hệ thống tính toán cận biên. Cụ thể, container được sử dụng để đóng gói và triển khai các ứng dụng một cách linh hoạt và hiệu quả. Công nghệ này cho phép các ứng dụng chạy độc lập trên các edge node mà không cần phụ thuộc vào hệ điều hành cụ thể. Docker và Kubernetes là hai công cụ chính được sử dụng để quản lý và điều phối các container trong hệ thống.

1.2. Quản lý tài nguyên

Việc quản lý tài nguyên trong hệ thống tính toán cận biên là một thách thức lớn. Các edge node thường có tài nguyên hạn chế về CPU, bộ nhớ và năng lượng. Để tối ưu hóa, nghiên cứu đề xuất sử dụng các thuật toán phân bổ tài nguyên thông minh, kết hợp với công nghệ ảo hóa để đảm bảo hiệu suất cao và tiết kiệm năng lượng.

II. Ứng dụng công nghệ trong quản lý môi trường nhà kính

Quản lý môi trường nhà kính là một ứng dụng quan trọng của hệ thống tính toán cận biên. Các cảm biến IoT được triển khai để thu thập dữ liệu về nhiệt độ, độ ẩm, nồng độ CO2 và O2. Dữ liệu này được xử lý tại các edge node để đưa ra các quyết định điều chỉnh môi trường kịp thời. Công nghệ thông tin và AI được tích hợp để dự đoán các yếu tố môi trường và đề xuất các giải pháp canh tác tối ưu.

2.1. IoT và cảm biến

Các thiết bị IoT như Waspmote và BME280 được sử dụng để thu thập dữ liệu môi trường trong nhà kính. Dữ liệu này được truyền về các edge node để xử lý. Việc sử dụng IoT giúp tăng cường khả năng giám sát và kiểm soát môi trường, đồng thời giảm thiểu rủi ro về bệnh cây trồng.

2.2. AI và dự đoán môi trường

AI được ứng dụng để phân tích dữ liệu từ các cảm biến và đưa ra các dự đoán về nhiệt độ, độ ẩm trong tương lai. Các mô hình Machine Learning như ANN và SVM được huấn luyện trên các bộ dữ liệu lịch sử để cải thiện độ chính xác của dự đoán. Điều này giúp người nông dân có thể chuẩn bị và điều chỉnh môi trường nhà kính một cách chủ động.

III. Phát triển hệ thống và thử nghiệm

Nghiên cứu này tập trung vào phát triển hệ thống tích hợp hệ thống tính toán cận biên, công nghệ ảo hóa và AI để quản lý môi trường nhà kính. Hệ thống được triển khai trên các thiết bị Raspberry Pi và Xbee Gateway, sử dụng Kubernetes để quản lý các container. Các thử nghiệm được thực hiện để đánh giá hiệu suất của hệ thống, bao gồm tốc độ phản hồi, độ chính xác của dự đoán và khả năng mở rộng.

3.1. Hiện thực hệ thống

Hệ thống được hiện thực bằng cách sử dụng Node.js và Python để xây dựng các ứng dụng xử lý dữ liệu tại edge node. Các ứng dụng này được đóng gói thành container và triển khai trên Kubernetes. Việc sử dụng Kubernetes giúp hệ thống có khả năng tự động hóa cao, dễ dàng mở rộng và quản lý.

3.2. Kết quả thử nghiệm

Các thử nghiệm cho thấy hệ thống có tốc độ phản hồi nhanh hơn so với mô hình truyền thống dựa trên đám mây. Độ chính xác của các mô hình AI trong việc dự đoán nhiệt độ và độ ẩm đạt trên 90%. Hệ thống cũng thể hiện khả năng mở rộng tốt, có thể xử lý đồng thời dữ liệu từ nhiều nhà kính khác nhau.