Bối cảnh và vấn đề nghiên cứu

Theo dự báo của Liên Hợp Quốc được trích dẫn trong văn bản, đến năm 2050 dân số thế giới dự kiến sẽ đạt ngưỡng 9,7 tỷ người (tăng khoảng 25% so với hiện tại), trong đó khoảng 70% dân số sẽ sinh sống tại các khu vực đô thị (so với mức 49% ở thời điểm khảo sát). Sự gia tăng dân số kết hợp với mức thu nhập bình quân tăng gấp đôi đòi hỏi sản lượng lương thực toàn cầu phải tăng gấp đôi vào năm 2050. Đồng thời, các ngành sản xuất cây công nghiệp (như bông, cao su) cũng đối mặt với áp lực lớn về nhu cầu nguyên liệu. Trong khi đó, tài nguyên đất canh tác bị suy giảm do đô thị hóa, điều kiện khí hậu, nhiệt độ, địa hình và chất lượng đất không đồng nhất. Việc phát triển nông nghiệp thông minh, đặc biệt là các mô hình nhà kính ứng dụng Internet of Things (IoT), trở thành hướng tiếp cận quan trọng nhằm hạn chế rủi ro dịch bệnh và nâng cao năng suất cây trồng.

Thị trường IoT toàn cầu ghi nhận tốc độ tăng trưởng nhanh chóng. Theo báo cáo từ IoT Analytics Research, số lượng thiết bị IoT kết nối trên toàn thế giới đạt khoảng 13,8 tỷ thiết bị vào năm 2021 và dự kiến đạt 30,9 tỷ thiết bị vào cuối năm 2025. Chi tiêu toàn cầu cho các giải pháp IoT được dự báo tăng từ 400 tỷ USD năm 2021 lên 1.567 tỷ USD năm 2025. Lượng dữ liệu sinh ra từ con người, máy móc và thiết bị đã tăng từ 220 Zettabytes (năm 2016) lên hơn 850 Zettabytes (năm 2021).

Sự gia tăng quy mô dữ liệu đặt ra thách thức lớn cho mô hình Cloud Computing truyền thống:

  • Độ trễ phản hồi cao và nguy cơ nghẽn băng thông khi toàn bộ dữ liệu cảm biến phải truyền tải liên tục về trung tâm dữ liệu đám mây.
  • Quá tải tính toán tại máy chủ đám mây, gây khó khăn cho các tác vụ cần phản hồi tức thời theo thời gian thực (real-time).

Để giải quyết vấn đề này, đề tài nghiên cứu giải pháp kết hợp giữa Điện toán cận biên (Edge Computing), công nghệ ảo hóa container và Trí tuệ nhân tạo (AI) ứng dụng trong hệ thống giám sát môi trường nhà kính.

Mục tiêu nghiên cứu của đề tài gồm 5 nội dung chính:

  1. Tìm hiểu, nghiên cứu, lập trình và xây dựng các ứng dụng xử lý dữ liệu tại cận biên áp dụng công nghệ ảo hóa container nhằm giải quyết độ trễ phản hồi và giảm tải tính toán cho trung tâm dữ liệu đám mây.
  2. Tìm hiểu công nghệ và triển khai các ứng dụng đã được đóng gói trên hạ tầng điều phối container Kubernetes rút gọn (K3S), hướng tới nền tảng quản trị có tính sẵn sàng cao, dễ mở rộng, tối ưu tài nguyên và hỗ trợ cập nhật ứng dụng không gián đoạn (zero-downtime).
  3. Ứng dụng vào ngữ cảnh theo dõi, giám sát các điều kiện môi trường nhà kính bao gồm: nhiệt độ, độ ẩm, nồng độ khí CO2 và O2.
  4. Nghiên cứu và tích hợp mô hình AI vào hệ thống nhằm dự đoán các yếu tố môi trường và đề xuất giống cây trồng phù hợp với điều kiện đưa vào.
  5. Đánh giá hiệu suất hoạt động thông qua các kịch bản thực nghiệm cụ thể để xác định khả năng ứng dụng thực tế.

Đối tượng và phạm vi nghiên cứu:

  • Nền tảng điện toán đám mây: Microsoft Azure ML, Heroku, MongoDB Atlas.
  • Công nghệ ảo hóa và điều phối container: Docker, Containerd (runtime), Kubernetes (K8S), K3S (Rancher).
  • Thiết bị phần cứng: Edge node (Raspberry Pi, XBee Gateway); Thiết bị IoT/đầu cuối (Libelium Waspmote Agriculture/Cities, XBee Pro S1, Waspmote Gateway, cảm biến BME280, cảm biến khí oxy phân tử O2, cảm biến CO2).
  • Ngôn ngữ và công nghệ phần mềm: C++, JavaScript, Python, Node.js (Express Server), ReactJS, Ant Design.
  • Phạm vi ứng dụng: Mô hình quản lý và giám sát vi khí hậu nhà kính nông nghiệp, thực hiện tại Trường Đại học Công nghệ Thông tin – ĐHQG TP.HCM năm 2022.

Cơ sở lý thuyết và phương pháp tiếp cận

Khung lý thuyết và công nghệ nền tảng

Điện toán biên (Edge Computing) là mô hình xử lý phân tán, đưa tài nguyên tính toán và lưu trữ về gần nguồn phát sinh dữ liệu (các thiết bị cảm biến, thiết bị nhúng trung gian) thay vì phụ thuộc hoàn toàn vào máy chủ đám mây trung tâm.

Các nghiên cứu và giải pháp liên quan trên thế giới được khảo sát trong khóa luận:

  • Dự án Cloudlet (Đại học Carnegie Mellon): Mô hình 3 tầng (Mobile – Cloudlet – Cloud) sử dụng công nghệ ảo hóa đặt tại biên mạng để giảm độ trễ và tăng băng thông cho các thiết bị di động/IoT.
  • Hệ thống MAESTRO và FemtoCloud (Đại học Carnegie Mellon Qatar và Viện Công nghệ Georgia): Cơ chế tận dụng tài nguyên nhàn rỗi của cụm thiết bị di động với các bộ lập lịch Best-Worker và Best-FemtoCloud.
  • Ứng dụng điện toán biên của NASA: Triển khai khả năng tính toán biên trên Trạm Vũ trụ Quốc tế (ISS) để phân tích giải trình tự DNA trực tiếp, cắt giảm thời gian xử lý dữ liệu từ nhiều tuần xuống mức gần thời gian thực.
  • Nghiên cứu ứng dụng Machine Learning trong nhà kính: So sánh mạng thần kinh nhân tạo (ANN) và máy vectơ hỗ trợ (SVM) để ước tính các biến môi trường nhà kính.
  • Sản phẩm IoT thương mại: Arable Mark 2 (Ấn Độ - đo hơn 40 chỉ số khí hậu và thực vật), Farmshield (Synnefa, Hy Lạp), Farmapp (Colombia), dự án Next Farm (Công ty Cổ phần HOSCO, Việt Nam).
  • Định hướng tại Việt Nam: Đề tài nghiên cứu Mobile Edge Computing cho mạng 5G của Mobifone (11/2021) và Quyết định 2117/QĐ-TTg ngày 16/12/2020 của Thủ tướng Chính phủ ban hành Danh mục công nghệ ưu tiên nghiên cứu, phát triển và ứng dụng cho Cách mạng công nghiệp 4.0 (bao gồm Cloud Computing và Edge Computing).
Đặc tính Máy chủ vật lý Điện toán đám mây
Cách thức hoạt động Máy chủ vật lý độc lập tại chỗ Hạ tầng ảo hóa phân tán qua Internet
Độ ổn định & Sẵn sàng Hỏng ổ cứng/máy chủ gây dừng toàn bộ hệ thống Khả năng uptime 99.9%, tự động thay thế thành phần lỗi, lưu trữ tập trung qua SAN
Khả năng mở rộng Phức tạp, phụ thuộc mua sắm phần cứng, downtime kéo dài Mở rộng/thu hẹp tài nguyên tức thì theo nhu cầu
Chi phí Chi phí đầu tư ban đầu và bảo trì phần cứng lớn Trả phí theo mức sử dụng thực tế (Pay-as-you-go)
Sao chép máy chủ Khó khăn và tốn thời gian Nhanh chóng thông qua các công cụ ảo hóa

Đối với hạ tầng AI, khóa luận phân tích các dịch vụ AI/ML và IoT của ba nhà cung cấp AWS, Azure, GCP, từ đó lựa chọn Microsoft Azure với công cụ Automated Machine Learning (AutoML). AutoML hỗ trợ tự động hóa tiền xử lý dữ liệu (xử lý giá trị rỗng, loại bỏ ngoại lệ), huấn luyện song song nhiều thuật toán, tự động tinh chỉnh siêu tham số và triển khai nhanh chóng thành REST API.

Nền tảng Dịch vụ AI/ML tiêu biểu Dịch vụ IoT tiêu biểu Dịch vụ Serverless
AWS SageMaker, Rekognition, Comprehend, Lex, Polly IoT Core, Greengrass, FreeRTOS, IoT Analytics AWS Lambda
Azure Azure Machine Learning, Cognitive Services, Bot Service IoT Hub, IoT Edge, Stream Analytics, Time Series Insights Azure Functions
GCP Cloud Machine Learning Engine, Dialogflow, Natural Language API Cloud IoT Core Cloud Functions

Về công nghệ container và điều phối:

  • Docker: Sử dụng Dockerfile để đóng gói mã nguồn, môi trường thực thi và thư viện phụ thuộc thành Docker Image, chạy độc lập dưới dạng Container.
  • Kubernetes (K8S) và K3S: K3S là bản phân phối Kubernetes rút gọn do Rancher phát triển, tối ưu cho môi trường IoT và điện toán biên hạn chế tài nguyên: đóng gói dưới dạng một file nhị phân duy nhất, loại bỏ các plugin đám mây in-tree không cần thiết, sử dụng SQLite3 làm bộ lưu trữ mặc định thay cho etcd3, giảm thiểu phụ thuộc hệ điều hành.

Phương pháp nghiên cứu thực tế

  • Phương pháp phân tích, tổng hợp tài liệu chuyên ngành về kiến trúc Edge Computing, công nghệ ảo hóa K3S và các giải pháp học máy cho nông nghiệp.
  • Phương pháp thiết kế hệ thống phân rã theo kiến trúc 3 tầng: Tầng cảm biến (Sensor Layer), Tầng cận biên (Edge Layer), và Tầng đám mây (Cloud Layer).
  • Phương pháp thực nghiệm và triển khai: Xây dựng hệ thống phần cứng nguyên mẫu (Waspmote + XBee + Raspberry Pi), đóng gói dịch vụ bằng Docker/K3S, huấn luyện mô hình học máy trên Azure AutoML.
  • Phương pháp đo lường và đánh giá: Thu thập số liệu hiệu năng qua các kịch bản thực nghiệm đo độ trễ phản hồi mạng; đo lường độ chính xác của mô hình AI phân loại giống cây trồng qua các chỉ số Accuracy, Precision, Recall, Confusion Matrix; đo lường mô hình dự báo chuỗi thời gian nhiệt độ/độ ẩm qua các chỉ số MAE, R², NRMSE và khoảng cách dự báo (Forecast Horizon).

Thiết kế và triển khai hệ thống

Kiến trúc phân tầng mạng và phần cứng

Hệ thống được tổ chức thành 3 tầng chức năng độc lập:

  1. Tầng cảm biến (Sensor Layer):

    • Thiết bị phần cứng: Board mạch Libelium Waspmote (Waspmote Cities/Agriculture) gắn các cảm biến nhiệt độ, độ ẩm (BME280), cảm biến nồng độ khí CO2 và cảm biến nồng độ Oxy phân tử (Molecular Oxygen O2 Gas Sensor).
    • Truyền thông không dây: Sử dụng module XBee Pro S1 chuẩn mạng Zigbee để phát dữ liệu về gateway. Chuẩn Zigbee đảm bảo cự ly truyền tín hiệu xa, tiêu thụ năng lượng thấp và hỗ trợ mở rộng quy mô lên đến 65.000 thiết bị trong cùng hệ thống.

  2. Tầng cận biên (Edge Layer):

    • Thiết bị phần cứng: Máy tính nhúng bo mạch đơn Raspberry Pi kết nối với Waspmote Gateway / XBee Gateway. Raspberry Pi được chọn nhờ kích thước nhỏ gọn, khả năng chạy hệ điều hành Linux độc lập, đa nhiệm, mức tiêu thụ dòng thấp (Model A tiêu thụ 500mA; Model B tiêu thụ 700–1000mA).
    • Môi trường phần mềm: Cài đặt Container runtime (Containerd/Docker) và nền tảng điều phối K3S. Node biên nhận dữ liệu thô từ cổng giao tiếp nối tiếp của Gateway, chuyển đổi sang định dạng JSON, thực hiện tiền xử lý và gửi lên tầng đám mây qua giao thức HTTP/REST API.

  3. Tầng đám mây (Cloud Layer):

    • Máy chủ ứng dụng: Node.js Express Server đóng gói thành container triển khai trên Heroku. Server tiếp nhận các luồng dữ liệu từ Edge gửi lên và lưu trữ vào cơ sở dữ liệu MongoDB Atlas.
    • Máy chủ AI (AI-Server): Tích hợp các mô hình học máy đã được huấn luyện bằng Azure AutoML, phục vụ các API dự đoán nhiệt độ, độ ẩm và gợi ý cây trồng khi nhận yêu cầu từ Server chính hoặc người dùng.
    • Giao diện người dùng: Trang Web Dashboard xây dựng bằng ReactJS và thư viện Ant Design, hiển thị trực quan thông số môi trường theo thời gian thực và quản lý thông tin chi tiết từng nhà kính.

Luồng dữ liệu trong hệ thống

Hệ thống vận hành thông qua 4 luồng dữ liệu chính:

  • Luồng 1 (Sensor đến Edge): Cảm biến Waspmote thu thập các chỉ số nhiệt độ, độ ẩm, CO2, O2 theo chu kỳ và truyền gói tin thô qua sóng XBee về Edge Gateway.
  • Luồng 2 (Edge đến Cloud): Edge Gateway tiếp nhận dữ liệu thô, phân tích cú pháp, đóng gói thành cấu trúc JSON và đẩy lên Node Express Server trên Cloud qua REST API.
  • Luồng 3 (Xử lý trên Cloud): Server lưu dữ liệu vào MongoDB Atlas; khi nhận yêu cầu dự báo hoặc gợi ý từ người dùng, Server chuyển tiếp tham số sang AI-Server để lấy kết quả suy luận.
  • Luồng 4 (Cloud đến Người dùng cuối): Dữ liệu giám sát thời gian thực và kết quả dự đoán từ AI được đồng bộ lên Web Dashboard để người nông dân theo dõi.

Nội dung chính theo từng chương

Chương 1: Giới thiệu

Chương 1 trình bày tổng quan về xu hướng bùng nổ của thiết bị IoT và lượng dữ liệu số toàn cầu, dẫn đến các hạn chế về băng thông, độ trễ và tải tính toán của mô hình Cloud Computing truyền thống. Tác giả phát biểu vấn đề nghiên cứu về việc đưa tính toán biên và trí tuệ nhân tạo vào giám sát nhà kính nông nghiệp, xác định 5 mục tiêu cụ thể, phạm vi công nghệ phần cứng (Raspberry Pi, Waspmote, XBee), phần mềm (Docker, K3S, Node.js, ReactJS, Azure AutoML) và cấu trúc 6 chương của khóa luận.

Chương 2: Các nghiên cứu và công nghệ liên quan

Chương 2 tổng hợp các nghiên cứu điện toán biên tiêu biểu trên thế giới (Cloudlet của CMU, MAESTRO/FemtoCloud của CMU Qatar và Georgia Tech, ứng dụng phân tích DNA của NASA trên ISS, các nghiên cứu so sánh ANN và SVM trong nhà kính) và tình hình ứng dụng IoT nông nghiệp (Arable Mark 2, Farmshield, Farmapp, Next Farm). Tác giả so sánh chi tiết giữa máy chủ vật lý và điện toán đám mây; phân tích dịch vụ IoT/AI của AWS, Azure, GCP; phân tích các nền tảng phần cứng nhúng (Raspberry Pi, Arduino, Particle, ESP8266/ESP32, BeagleBone, Waspmote) và công nghệ container hóa (Docker, Podman, Containerd, Kubernetes K8S, K3S).

Chương 3: Phương pháp luận và nghiên cứu

Chương 3 xây dựng mô hình ngữ cảnh của hệ thống giám sát nhà kính thông minh. Tác giả chi tiết hóa kiến trúc hạ tầng mạng 3 tầng (Sensors Layer, Edge Layer, Cloud Layer) và phân tích chi tiết 4 luồng dữ liệu vận hành. Đồng thời, chương này thiết lập mô hình phân rã cấu trúc hệ thống tại Cloud, Edge, End Devices, xây dựng các biểu đồ Use Case (Use Case tổng quát, Use Case danh sách nhà kính, Use Case thông tin chi tiết nhà kính, Use Case thông tin dự đoán) và xác định hướng tiếp cận huấn luyện AI thông qua công cụ AutoML trên Azure.

Chương 4: Hiện thực và triển khai hệ thống

Chương 4 mô tả quy trình kỹ thuật hiện thực toàn bộ hệ thống:

  • Xây dựng Node.js Express Server và các API REST tiếp nhận dữ liệu môi trường.
  • Thiết lập kết nối và lưu trữ cơ sở dữ liệu MongoDB Atlas.
  • Chuẩn bị các bộ Dataset về nhiệt độ, độ ẩm và tập dữ liệu Crop Recommendation.
  • Huấn luyện mô hình bằng Azure AutoML, đóng gói mã nguồn và model thành Docker Image để chạy AI-Server.
  • Xây dựng giao diện Web Dashboard quản trị và theo dõi thông số môi trường bằng ReactJS và Ant Design (bao gồm màn hình đăng nhập, màn hình quản lý chung, màn hình chi tiết từng nhà kính).
  • Cấu hình phần cứng Edge trên Raspberry Pi, kết nối Waspmote Gateway và triển khai cụm K3S điều phối container tại biên.

Chương 5: Kết quả thử nghiệm và đánh giá

Chương 5 thiết lập và thực hiện 3 kịch bản thử nghiệm đánh giá hệ thống:

  • Kịch bản 1: Kiểm thử và so sánh hiệu năng (tốc độ phản hồi và băng thông) giữa mô hình Edge-Cloud và mô hình Cloud truyền thống (Non-Edge).
  • Kịch bản 2: Đánh giá độ chính xác của mô hình AI gợi ý giống cây trồng phù hợp dựa trên các điều kiện môi trường đầu vào thông qua các phép đo Accuracy, Precision, Recall và ma trận nhầm lẫn (Confusion Matrix).
  • Kịch bản 3: Đánh giá độ chính xác của mô hình AI trong việc dự đoán chuỗi thời gian nhiệt độ và độ ẩm cho ngày tiếp theo, sử dụng các phép đo sai số tuyệt đối trung bình (MAE), hệ số xác định (R²), sai số căn bậc hai trung bình chuẩn hóa (NRMSE) và khoảng cách dự báo (Forecast Horizon).

Chương 6: Kết luận và hướng phát triển

Chương 6 tổng kết các kết quả đạt được về mặt thiết kế kiến trúc, triển khai hạ tầng ảo hóa K3S tại biên và tích hợp AI dự báo môi trường nhà kính; đồng thời trình bày các định hướng phát triển tiếp theo của đề tài và bảng tiến độ thực hiện khóa luận.

Kết quả và đóng góp

Kết quả thử nghiệm thực nghiệm

Khóa luận đã hoàn thành việc triển khai hệ thống thực nghiệm và tiến hành đánh giá định lượng qua 3 kịch bản cụ thể:

  1. Hiệu năng hệ thống Edge-Cloud so với hệ thống truyền thống (Kịch bản 1):

    • Cấu hình thử nghiệm được so sánh giữa hệ thống truyền thống (gửi trực tiếp toàn bộ dữ liệu thô từ cảm biến lên Cloud) và hệ thống Edge-Cloud (xử lý, chuyển đổi định dạng và lọc dữ liệu tại Raspberry Pi chạy K3S trước khi gửi lên Cloud).
    • Kết quả đo tốc độ phản hồi: Hệ thống sử dụng Edge giúp giảm đáng kể thời gian phản hồi cục bộ và giảm tải lưu lượng đường truyền mạng diện rộng so với mô hình thuần Cloud.

  2. Độ chính xác của mô hình gợi ý cây trồng - Crop Recommendation (Kịch bản 2):

    • Đánh giá khả năng phân loại và gợi ý giống cây trồng dựa trên tập thuộc tính đầu vào của môi trường đất và khí hậu.
    • Mô hình đạt các chỉ số đánh giá gồm Accuracy, Precision, Recall ở mức cao và được thể hiện chi tiết qua bảng ma trận nhầm lẫn (Confusion Matrix).

  3. Độ chính xác của mô hình dự đoán nhiệt độ và độ ẩm (Kịch bản 3):

    • Đánh giá chuỗi thời gian dự báo nhiệt độ và độ ẩm cho ngày tiếp theo.
    • Các phép đo sai số được xác định cụ thể:
      • Sai số tuyệt đối trung bình: $\text{MAE}$
      • Hệ số xác định: $R^2$
      • Sai số căn bậc hai trung bình chuẩn hóa: $\text{NRMSE}$
      • Biểu đồ khoảng cách dự báo (Forecast Horizon) và bảng so sánh giá trị dự đoán với giá trị thực tế cho thấy mô hình bám sát sự biến thiên của điều kiện vi khí hậu.

Đóng góp của đề tài

  • Xây dựng thành công mô hình kiến trúc tích hợp 3 tầng (Sensor – Edge – Cloud) hoàn chỉnh ứng dụng cho nhà kính nông nghiệp thông minh.
  • Triển khai thành công công nghệ ảo hóa container rút gọn K3S trên phần cứng máy tính nhúng hạn chế tài nguyên (Raspberry Pi), đảm bảo khả năng điều phối container ổn định, tự phục hồi và cập nhật ứng dụng không gián đoạn.
  • Ứng dụng quy trình AutoML của Microsoft Azure giúp tự động hóa việc đào tạo, tối ưu siêu tham số và đóng gói mô hình AI thành API phục vụ dự báo vi khí hậu và gợi ý cây trồng.

Hạn chế và hướng phát triển

Dựa trên các nội dung được nhóm tác giả trình bày và phạm vi thực hiện của khóa luận:

  • Hạn chế:

    • Mô hình AI được đào tạo dựa trên các bộ dữ liệu có sẵn kết hợp mô phỏng, chưa được thử nghiệm dài hạn trên các điều kiện thời tiết thực tế đa dạng theo từng mùa tại nhiều vùng địa lý khác nhau.
    • Phần cứng xử lý tại biên hiện tại sử dụng Raspberry Pi, phù hợp cho tác vụ tiền xử lý dữ liệu và chuyển tiếp nhưng còn hạn chế nếu cần thực hiện huấn luyện lại mô hình học sâu (Deep Learning) trực tiếp tại biên.
    • Số lượng nhà kính và cảm biến thực nghiệm còn giới hạn ở quy mô mô hình phòng thí nghiệm.

  • Hướng phát triển:

    • Nâng cấp phần cứng tại tầng biên bằng các bo mạch chuyên dụng cho AI như Nvidia Jetson Nano để có thể thực thi các tác vụ suy luận hoặc học máy phức tạp trực tiếp tại biên.
    • Mở rộng quy mô điều phối K3S trên mạng lưới gồm nhiều Edge Node phân tán để quản lý đồng thời nhiều cụm nhà kính trong các nông trường quy mô lớn.
    • Thu thập tập dữ liệu thực tế tại địa phương qua thời gian dài để liên tục tái huấn luyện và cải thiện độ chính xác cho mô hình dự báo thời tiết và dịch bệnh cây trồng.

Giá trị tham khảo

Tài liệu khóa luận cung cấp giá trị tham khảo cụ thể cho:

  • Sinh viên và học viên ngành Mạng máy tính, Hệ thống nhúng, Khoa học dữ liệu và IoT: Tham khảo cách thiết kế hệ thống phân tầng Edge-Cloud, cách kết nối mạng cảm biến không dây Zigbee (XBee) với máy tính nhúng Linux.
  • Kỹ sư phát triển phần mềm và DevOps: Tham khảo giải pháp đóng gói ứng dụng bằng Docker và cấu hình hệ thống điều phối container K3S trên phần cứng có tài nguyên hạn chế.
  • Người nghiên cứu các đề tài nông nghiệp thông minh: Tham khảo phương pháp tích hợp quy trình Azure AutoML vào hệ thống giám sát môi trường để cung cấp tính năng dự đoán khí hậu và khuyến nghị canh tác.

Câu hỏi thường gặp

1. Tại sao nhóm tác giả lại lựa chọn K3S thay vì Kubernetes (K8S) tiêu chuẩn để quản lý container tại tầng biên?
Trả lời: K3S là phiên bản rút gọn của K8S được thiết kế chuyên biệt cho môi trường hạn chế tài nguyên và hạ tầng IoT. K3S được đóng gói trong một file nhị phân duy nhất, loại bỏ các plugin đám mây in-tree không cần thiết, sử dụng SQLite3 làm cơ chế lưu trữ mặc định thay cho etcd3, giúp tiết kiệm bộ nhớ RAM và CPU trên máy tính nhúng như Raspberry Pi mà vẫn giữ đầy đủ các chuẩn điều phối container của Kubernetes.

2. Giao thức và thiết bị nào được sử dụng để truyền nhận dữ liệu giữa các cảm biến trong nhà kính và Edge Gateway?
Trả lời: Hệ thống sử dụng board mạch Libelium Waspmote gắn các cảm biến môi trường (BME280, cảm biến khí O2, CO2), truyền tín hiệu không dây về Waspmote Gateway/XBee Gateway thông qua module XBee Pro S1 chạy giao thức Zigbee. Chuẩn Zigbee được chọn do ưu điểm truyền tín hiệu xa, tiêu thụ năng lượng thấp và khả năng mở rộng lên tới 65.000 thiết bị.

3. Nền tảng nào được sử dụng để huấn luyện các mô hình AI trong khóa luận và ưu điểm của nó là gì?
Trả lời: Nhóm tác giả sử dụng dịch vụ Automated Machine Learning (AutoML) thuộc nền tảng Microsoft Azure Machine Learning. Ưu điểm của AutoML là tự động hóa quá trình làm sạch dữ liệu, xử lý giá trị rỗng/ngoại lệ, huấn luyện song song nhiều thuật toán, tự động tinh chỉnh siêu tham số và cho phép triển khai mô hình thành REST API nhanh chóng.

4. Hệ thống thực hiện những tác vụ dự đoán AI cụ thể nào?
Trả lời: Hệ thống thực hiện hai tác vụ AI chính: (1) Đề xuất giống cây trồng phù hợp dựa trên các thông số môi trường đầu vào (Crop Recommendation); (2) Dự đoán các thông số nhiệt độ và độ ẩm của môi trường nhà kính trong ngày tiếp theo.

5. Những chỉ số nào được dùng để đánh giá độ chính xác của các mô hình AI trong Chương 5?
Trả lời: Đối với mô hình gợi ý cây trồng, khóa luận sử dụng các chỉ số Accuracy, Precision, Recall và Confusion Matrix. Đối với mô hình dự báo nhiệt độ và độ ẩm, khóa luận sử dụng các phép đo sai số MAE (Mean Absolute Error), $R^2$ (Hệ số xác định), NRMSE (Normalized Root Mean Square Error) và đánh giá qua biểu đồ khoảng cách dự báo (Forecast Horizon).

Kết luận

Khóa luận tốt nghiệp của sinh viên Trần Nguyễn Quang Trường và Nguyễn Đình Thông đã nghiên cứu và xây dựng thành công mô hình hệ thống giám sát môi trường nhà kính kết hợp giữa Điện toán cận biên (Edge Computing), công nghệ ảo hóa container (Docker, K3S) và Trí tuệ nhân tạo (Azure AutoML). Hệ thống giải quyết hiệu quả các nhược điểm về độ trễ và băng thông của mô hình Cloud Computing truyền thống thông qua việc tiền xử lý dữ liệu tại chỗ trên Raspberry Pi và quản trị ứng dụng linh hoạt bằng K3S. Kết quả đánh giá qua các kịch bản thực nghiệm khẳng định tính khả thi của giải pháp trong việc nâng cao tốc độ phản hồi hệ thống, cung cấp các dự báo vi khí hậu và hỗ trợ người nông dân quản lý môi trường sinh trưởng của cây trồng một cách trực quan, khoa học.