Giới thiệu dự án

Theo báo cáo dự báo từ Tổ chức Lương thực và Nông nghiệp Liên Hợp Quốc (FAO) và Liên Hợp Quốc (UN), dân số toàn cầu dự kiến sẽ đạt ngưỡng 9.7 tỷ người vào năm 2050. Quá trình đô thị hóa nhanh chóng khiến khoảng 70% dân số tập trung tại các đô thị, kéo theo nhu cầu sản xuất lương thực và cây trồng công nghiệp (bông, cao su, nông sản công nghệ cao) phải tăng gấp đôi. Trong khi đó, diện tích đất canh tác ngày càng thu hẹp và biến đổi khí hậu diễn biến phức tạp. Để giải quyết nghịch lý này, mô hình nông nghiệp thông minh (Smart Agriculture) – đặc biệt là các hệ thống nhà kính thông minh (Smart Greenhouse) – đang trở thành xu thế tất yếu.

Tuy nhiên, sự bùng nổ của các thiết bị Internet of Things (IoT) tạo ra áp lực khổng lồ lên hạ tầng mạng và máy chủ trung tâm. Theo thống kê từ IoT Analytics Research, toàn cầu có hơn 30.9 tỷ thiết bị IoT kết nối vào năm 2025, sản sinh khối lượng dữ liệu vượt ngưỡng 850 Zettabytes. Mô hình điện toán đám mây truyền thống (Cloud-only IoT) bộc lộ rõ các điểm nghẽn: độ trễ mạng cao (Network Latency), lãng phí băng thông đường truyền (Bandwidth Bottleneck), phụ thuộc hoàn toàn vào kết nối Internet liên tục và tiềm ẩn rủi ro gián đoạn cục bộ khi mất tín hiệu mạng tại các khu vực nông nghiệp xa xôi.

Đồ án khóa luận tốt nghiệp kỹ sư ngành Mạng máy tính và Truyền thông (Trường Đại học Công nghệ Thông tin - ĐHQG TP.HCM) với 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" (thực hiện bởi sinh viên Trần Nguyễn Quang Trường và Nguyễn Đình Thông, dưới sự hướng dẫn của PGS. TS. Lê Trung Quân) tập trung xây dựng một giải pháp hoàn chỉnh kết hợp giữa Tính toán cận biên (Edge Computing), Ảo hóa container rút gọn (Lightweight Container Virtualization & Orchestration) và Trí tuệ nhân tạo (AI/ML).

+-------------------------------------------------------------------------+
|                           HỆ THỐNG GIÁM SÁT                             |
+-------------------------------------------------------------------------+
       |                                              |
       v                                              v
+-----------------------+                      +--------------------------+
|  TẦNG BIÊN (EDGE)     |                      |  TẦNG ĐÁM MÂY (CLOUD)    |
|  - Raspberry Pi 4     |                      |  - Node.js API Gateway   |
|  - K3s Orchestration  |<=== JSON / HTTPS ===>|  - MongoDB Atlas (Time-  |
|  - Local Pre-process  |                      |    series Data)          |
|  - Zero-downtime Roll |                      |  - Azure AutoML Service  |
+-----------------------+                      |  - ReactJS Dashboard     |
       ^                                       +--------------------------+
       | XBee / ZigBee 802.15.4
+-----------------------+
|  TẦNG CẢM BIẾN (END)  |
|  - Libelium Waspmote  |
|  - BME280, CO2, O2    |
+-----------------------+

Mục tiêu dự án

  1. Nghiên cứu & phát triển kiến trúc Edge Computing: Triển khai các dịch vụ xử lý dữ liệu trung gian tại cận biên, giải phóng áp lực tính toán cho hệ thống Cloud.
  2. Ứng dụng công nghệ ảo hóa và điều phối Container: Đóng gói các vi dịch vụ (microservices) bằng Docker, vận hành và quản lý tự động thông qua Kubernetes phân phối nhẹ (K3s), hỗ trợ cập nhật không thời gian chết (Zero-downtime Rolling Update).
  3. Thu thập dữ liệu đa thông số môi trường: Tích hợp các module phần cứng Libelium Waspmote cùng cụm cảm biến BME280 ($CO_2$, $O_2$, nhiệt độ, độ ẩm) qua mạng truyền thông không dây XBee/ZigBee.
  4. Tích hợp mô hình AI/ML phân tích & dự đoán: Khai thác nền tảng Microsoft Azure AutoML để huấn luyện mô hình dự đoán vi khí hậu (nhiệt độ, độ ẩm ngày tiếp theo) và phân loại đề xuất cây trồng (Crop Recommendation).
  5. Thực nghiệm và đo lường định lượng: Đánh giá hiệu năng hệ thống qua độ trễ phản hồi, độ chính xác mô hình AI ($R^2$, MAE, NRMSE, Accuracy, Precision, Recall).

Phạm vi và giới hạn

  • Phần cứng: Edge Gateway sử dụng Raspberry Pi Model B; End-devices gồm Libelium Waspmote Agriculture/Cities, XBee Pro S1.
  • Phần mềm: Docker Container, K3s (Rancher), containerd, Node.js (Express framework), ReactJS (Ant Design), MongoDB Atlas, Azure Machine Learning Studio.
  • Giới hạn: Hệ thống tập trung vào giám sát, dự đoán vi khí hậu và đề xuất cây trồng; chưa can thiệp sâu vào điều khiển tự động vòng kín các cơ cấu chấp hành công suất lớn (máy bơm, quạt thông gió công nghiệp).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí Mô hình Cloud-IoT truyền thống Giải pháp Edge Computing (Đề xuất)
Điểm xử lý dữ liệu Tập trung 100% tại trung tâm dữ liệu Cloud Phân tán tại cận biên (Edge Gateway Raspberry Pi)
Độ trễ phản hồi (Latency) Cao ($250 - 1200\text{ ms}$ phụ thuộc đường truyền) Cực thấp ($15 - 35\text{ ms}$ tại mạng nội bộ LAN)
Tiêu tốn băng thông Cao (Gửi toàn bộ gói tin thô liên tục qua WAN) Giảm 60 - 75% (Tiền xử lý, lọc nhiễu, nén trước khi gửi)
Tính khả dụng khi mất mạng Ngừng hoạt động toàn bộ quy trình phân tích Duy trì hoạt động giám sát cục bộ 24/7
Triển khai ứng dụng Monolithic hoặc máy chủ ảo VPS cồng kềnh Microservices dạng Container trên K3s siêu nhẹ

Hệ thống được đối sánh với các nghiên cứu và sản phẩm thương mại hiện hành:

  • Dự án Cloudlet (Đại học Carnegie Mellon): Tiên phong mô hình 3 tầng Mobile - Cloudlet - Cloud nhưng tiêu tốn tài nguyên phần cứng lớn, chưa tối ưu cho các máy tính nhúng công suất thấp.
  • Hệ thống MAESTRO & FemtoCloud: Tận dụng thiết bị di động nhàn rỗi để tính toán phân tán nhưng độ ổn định kết nối không đảm bảo cho nhà kính liên tục.
  • Sản phẩm Arable Mark 2 & Synnefa Farmshield: Thu thập dữ liệu tốt nhưng sử dụng hạ tầng đóng (Proprietary), chi phí bản quyền cao, khó tùy biến mô hình AI theo thổ nhưỡng địa phương.

Yêu cầu người dùng theo ma trận MoSCoW

  • Must have: Thu thập liên tục nhiệt độ, độ ẩm, $CO_2$, $O_2$; truyền tin không dây XBee; xử lý container hóa trên Edge; Dashboard trực quan hóa; cảnh báo vượt ngưỡng.
  • Should have: Tích hợp K3s tự phục hồi (Self-healing) Pods; mô hình AI dự đoán nhiệt độ, độ ẩm ngày tiếp theo; gợi ý loại cây trồng phù hợp.
  • Could have: Tự động scale số lượng Pods theo tải dữ liệu; tích hợp dự báo thời tiết từ bên thứ ba.
  • Won't have (lần này): Điều khiển tự động hệ thống tưới tiêu đa kênh theo thời gian thực.

Thiết kế hệ thống

+------------------------------------------------------------------------------------+
|                                 KIẾN TRÚC TỔNG THỂ                                 |
+------------------------------------------------------------------------------------+

  [Waspmote + BME280 + CO2/O2]  --(XBee 802.15.4)--> [XBee Gateway / Dev Serial]
                                                                |
                                                                v
+------------------------------------------------------------------------------------+
|  EDGE NODE (Raspberry Pi 4 - Linux OS - Container Runtime: containerd)             |
|  +-------------------------------------------------------------------------------+ |
|  | K3s Lightweight Kubernetes Cluster                                            | |
|  |  +--------------------------------+   +------------------------------------+  | |
|  |  | Pod: Serial Ingestion Service  |   | Pod: Local Filter & JSON Converter |  | |
|  |  +--------------------------------+   +------------------------------------+  | |
|  +-------------------------------------------------------------------------------+ |
+------------------------------------------------------------------------------------+
                                 | HTTPS / REST APIs
                                 v
+------------------------------------------------------------------------------------+
|  CLOUD SERVICES                                                                    |
|  +---------------------------+   +---------------------+   +---------------------+ |
|  | Node.js / Express Gateway |<->| MongoDB Atlas DB    |<->| Azure AutoML Server | |
|  +---------------------------+   +---------------------+   +---------------------+ |
|                ^                                                                   |
|                +-----------(WebSocket / HTTPS REST)----------+                     |
|                                                              v                     |
|                                                +---------------------------+       |
|                                                | ReactJS Web Dashboard     |       |
|                                                +---------------------------+       |
+------------------------------------------------------------------------------------+

Technology Stack và Phiên bản chi tiết

  • Edge Layer: Raspberry Pi OS (Debian-based), K3s v1.22.5+k3s1, Docker Engine v20.10.x, containerd v1.5.x, Node.js runtime v14.18-alpine / v16-alpine.
  • Cloud Backend: Node.js v16.14.0, Express.js v4.17.2, Mongoose ODM v6.1.x, MongoDB Atlas Cloud Engine v5.0.
  • AI / Data Science: Python v3.8.12, Azure Machine Learning SDK, Scikit-learn v1.0.2, Pandas v1.3.5, NumPy v1.21.5.
  • Frontend Dashboard: ReactJS v17.0.2, Ant Design (antd) v4.18.0, Recharts / Chart.js, Axios v0.25.0.

Thiết kế Cơ sở dữ liệu (MongoDB Schema)

// Model: Greenhouse Telemetry Schema
const TelemetrySchema = new mongoose.Schema({
  greenhouseId: { type: String, required: true, index: true },
  nodeId: { type: String, required: true },
  timestamp: { type: Date, default: Date.now, index: true },
  metrics: {
    temperature: { type: Number, required: true }, // Celsius
    humidity: { type: Number, required: true },    // Percentage %
    co2Concentration: { type: Number },            // ppm
    oxygenLevel: { type: Number },                 // Percentage %
    soilMoisture: { type: Number }                 // %
  },
  processedAtEdge: { type: Boolean, default: true },
  edgeLatencyMs: { type: Number }
});

Đặc tả API Endpoints chính

  • POST /api/v1/telemetry/ingest: Nhận chuỗi JSON dữ liệu môi trường đã chuẩn hóa từ K3s Edge Gateway.
  • GET /api/v1/telemetry/history/:greenhouseId: Trả về dữ liệu lịch sử theo khoảng thời gian (phục vụ vẽ biểu đồ vi khí hậu).
  • POST /api/v1/ai/predict-climate: Gửi 24 điểm dữ liệu gần nhất, trả về dự báo nhiệt độ/độ ẩm 24 giờ tiếp theo.
  • POST /api/v1/ai/crop-recommend: Gửi các thông số N, P, K, pH, nhiệt độ, độ ẩm; nhận kết quả phân loại cây trồng tối ưu.

Methodology

Dự án áp dụng quy trình phát triển Agile Scrum linh hoạt trong 16 tuần, chia làm 4 giai đoạn chính (Milestones):

  1. Tuần 1 - 4: Nghiên cứu lý thuyết Edge Computing, giao thức XBee/ZigBee, cài đặt cấu hình board nhúng Waspmote và Raspberry Pi.
  2. Tuần 5 - 8: Thiết kế containerization microservices, tối ưu Dockerfile đa nền tảng (ARMv7/ARM64), khởi tạo cụm K3s trên Edge Node.
  3. Tuần 9 - 12: Huấn luyện mô hình AutoML trên Azure ML; xây dựng Cloud API Server và Web Dashboard quản lý.
  4. Tuần 13 - 16: Ghép nối hệ thống thực tế (End-to-End Integration Testing), đo đạc hiệu năng, phân tích độ trễ và viết tài liệu nghiệm thu.

Implementation và kết quả

Development process

Quá trình hiện thực tập trung vào ba khối chức năng cốt lõi:

1. Xử lý dữ liệu tại Edge & Đóng gói Dockerfile

Tại tầng Edge, dịch vụ Node.js kết nối trực tiếp cổng Serial (/dev/ttyUSB0) để đọc khung tin XBee, phân tích cú pháp chuỗi nhị phân (Binary Frame parsing), lọc bỏ gói tin lỗi checksum, chuyển đổi thành chuẩn JSON và đóng gói bằng Dockerfile tối ưu kích thước:

# Tối ưu hóa kích thước Image cho phần cứng ARM Raspberry Pi
FROM node:14.18-alpine AS build
WORKDIR /app
RUN apk add --no-cache python3 make g++ linux-headers udev
COPY package*.json ./
RUN npm install --production --silent

FROM node:14.18-alpine
WORKDIR /app
COPY --from=build /app/node_modules ./node_modules
COPY . .
RUN adduser -D -u 501 appuser -G dialout
USER appuser
EXPOSE 3000
CMD ["node", "edge-collector.js"]

2. Điều phối dịch vụ bằng Kubernetes Manifest (K3s Deployment)

File manifest định nghĩa tài nguyên giới hạn (Resource limits) đảm bảo Pod không gây nghẽn RAM trên Raspberry Pi:

apiVersion: apps/v1
kind: Deployment
metadata:
  name: edge-telemetry-processor
  namespace: greenhouse-iot
spec:
  replicas: 2
  selector:
    matchLabels:
      app: telemetry-processor
  template:
    metadata:
      labels:
        app: telemetry-processor
    spec:
      containers:
      - name: processor
        image: custom-registry/edge-processor:v1.0.4
        imagePullPolicy: IfNotPresent
        resources:
          limits:
            memory: "128Mi"
            cpu: "250m"
          requests:
            memory: "64Mi"
            cpu: "100m"
        ports:
        - containerPort: 3000

3. Xây dựng mô hình AI trên Azure Machine Learning

Quy trình huấn luyện mô hình dự đoán sử dụng AutoML pipeline để tự động chọn lọc thuật toán tối ưu giữa Gradient Boosting, Random Forest, Voting Ensemble và Stack Ensemble.

# Trích đoạn định nghĩa pipeline suy luận AI (Inference Service)
import joblib
import numpy as np

def init():
    global model
    model_path = "models/best_crop_model.pkl"
    model = joblib.load(model_path)

def run(raw_data):
    try:
        data = np.array(raw_data['data'])
        # Dự đoán loại cây trồng phù hợp dựa trên (N, P, K, Temp, Humidity, pH, Rainfall)
        predictions = model.predict(data)
        probabilities = model.predict_proba(data).max(axis=1)
        return {"predictions": predictions.tolist(), "confidence": probabilities.tolist()}
    except Exception as e:
        return {"error": str(e)}

Testing và validation

Kịch bản 1: Đo lường độ trễ mạng (Latency) và tải băng thông

Kiểm thử gửi 10.000 gói tin cảm biến trong 3 điều kiện mạng: Tốt ($50\text{ Mbps}$), Trung bình ($10\text{ Mbps}$) và Chập chờn (Packet Loss 5%).

Trường hợp kiểm thử Thời gian phản hồi: Cloud-only (ms) Thời gian phản hồi: Edge-Cloud K3s (ms) Mức cải thiện (%)
Mạng ổn định ($50\text{ Mbps}$) $285.4\text{ ms}$ $21.2\text{ ms}$ Giảm 92.5%
Mạng tải cao ($10\text{ Mbps}$) $642.1\text{ ms}$ $24.8\text{ ms}$ Giảm 96.1%
Mạng mất gói (5% Loss) $1850.6\text{ ms}$ (nhiều timeout) $32.1\text{ ms}$ (xử lý cục bộ) Giảm 98.2%

Kịch bản 2: Đánh giá mô hình đề xuất cây trồng (Crop Recommendation)

Mô hình được kiểm thử trên tập dữ liệu đa biến gồm 22 loại cây trồng với 2.200 mẫu quan sát.

  • Accuracy: $97.85%$
  • Precision: $97.20%$
  • Recall: $96.90%$
  • F1-Score: $97.05%$
  • Ma trận nhầm lẫn (Confusion Matrix): Hầu hết các mẫu lúa (Rice), bắp (Maize), cà phê (Coffee), đậu (Lentil) đạt độ nhận diện tuyệt đối $100%$, sai số nhỏ ($<2%$) xảy ra giữa các giống họ đậu có ngưỡng sinh học tương đồng.

Kịch bản 3: Đánh giá mô hình dự đoán vi khí hậu (Nhiệt độ & Độ ẩm)

Sử dụng các chỉ số thống kê toán học:

  • Sai số tuyệt đối trung bình ($MAE$): $$\text{MAE} = \frac{1}{n}\sum_{i=1}^{n}|y_i - \hat{y}_i|$$
  • Hệ số xác định ($R^2$): $$R^2 = 1 - \frac{\sum_{i=1}^{n}(y_i - \hat{y}i)^2}{\sum{i=1}^{n}(y_i - \bar{y})^2}$$
  • Sai số chuẩn hóa ($NRMSE$): $$\text{NRMSE} = \frac{\sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_i - \hat{y}i)^2}}{y{max} - y_{min}}$$
Chỉ số đánh giá Mô hình dự đoán Nhiệt độ ($^\circ\text{C}$) Mô hình dự đoán Độ ẩm ($%$)
MAE $0.412^\circ\text{C}$ $1.15%$
$R^2$ Score $0.924$ (Rất cao) $0.891$ (Cao)
NRMSE $0.052$ $0.068$
Forecast Horizon Dự báo chính xác trong $24\text{ giờ}$ tiếp theo Dự báo chính xác trong $24\text{ giờ}$ tiếp theo

Kết quả đạt được

+-------------------------------------------------------------------+
|               KẾT QUẢ ĐẠT ĐƯỢC SO VỚI MỤC TIÊU BAN ĐẦU            |
+-------------------------------------------------------------------+
  [1] Hạ tầng K3s Container: Hoàn thành 100% (Zero downtime)
  [2] Giảm độ trễ trung bình: Đạt ~94.2% (Vượt chỉ tiêu 70%)
  [3] Độ chính xác AI Gợi ý cây: Đạt 97.85% (Vượt chỉ tiêu 90%)
  [4] Độ chính xác Dự báo vi khí hậu: R2 > 0.89 (Vượt chỉ tiêu 0.80)
  [5] Web Dashboard tương tác: Thời gian render < 1.2s

Hệ thống đã triển khai thực tế trên mô hình nhà kính thử nghiệm, cho phép hiển thị tức thời toàn bộ các chỉ số môi trường, tự động cảnh báo khi nồng độ $CO_2$ vượt ngưỡng $1000\text{ ppm}$ hoặc nhiệt độ vượt quá $38^\circ\text{C}$.

Đổi mới và đóng góp

  1. Ứng dụng K3s vào phần cứng nhúng cực hạn (Resource-constrained Edge Devices): Khác với các hệ thống IoT truyền thống cài đặt trực tiếp ứng dụng dạng script (dễ xung đột thư viện và khó nâng cấp), đề tài đóng gói toàn bộ quy trình xử lý vào K3s Pods trên Raspberry Pi, cho phép tự phục hồi khi crash và nâng cấp phiên bản không làm gián đoạn việc thu thập dữ liệu.
  2. Cơ chế tiền xử lý & Lọc dữ liệu thông minh tại biên: Dữ liệu thô từ cảm biến được làm sạch, khử nhiễu và nén tại Edge Gateway, giúp tiết kiệm $68.4%$ dung lượng đường truyền gửi lên Cloud Database.
  3. Quy trình AutoML hóa trong nông nghiệp: Không cần xây dựng mô hình thủ công tốn kém thời gian, việc kết hợp Azure AutoML giúp tự động tìm ra mô hình tối ưu cho từng vùng sinh thái chỉ trong vài giờ huấn luyện.
  4. Đóng góp học thuật và thực tiễn: Cung cấp một kiến trúc tham chiếu mẫu (Reference Architecture) chuẩn hóa cho các kỹ sư và nhà nghiên cứu muốn tích hợp Edge Computing và Kubernetes vào nông nghiệp công nghệ cao tại Việt Nam.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

  • Trang trại hoa và rau quả chất lượng cao tại Đà Lạt: Giám sát chính xác nhiệt độ và độ ẩm nhà kính, dự báo trước sương muối hoặc sốc nhiệt để chủ động che chắn.
  • Mô hình Nông nghiệp đô thị (Urban Farming / Hydroponics): Triển khai các Edge Gateway nhỏ gọn tại các nhà màng sân thượng, theo dõi nồng độ dinh dưỡng và $O_2$ hòa tan.
+--------------------------------------------------------------------------+
|                  HƯỚNG DẪN TRIỂN KHAI NHANH HỆ THỐNG EDGE                |
+--------------------------------------------------------------------------+

1. Cài đặt hệ điều hành Raspberry Pi OS Lite (64-bit) trên thẻ MicroSD class 10.
2. Cài đặt K3s bằng lệnh:
   $ curl -sfL https://get.k3s.io | INSTALL_K3S_EXEC="--no-deploy traefik" sh -
3. Kết nối XBee Gateway vào cổng USB và cấp quyền truy cập:
   $ sudo usermod -a -G dialout $USER
4. Deploy ứng dụng biên bằng kubectl:
   $ kubectl apply -f k3s-edge-deployment.yaml
5. Kiểm tra trạng thái hoạt động của Pods:
   $ kubectl get pods -n greenhouse-iot -w

Phân tích Chi phí - Lợi ích (Cost-Benefit Analysis)

  • Chi phí phần cứng: Một cụm Edge Gateway (Raspberry Pi 4 4GB + Vỏ tản nhiệt + Nguồn) dao động khoảng 2.0 - 2.5 triệu VNĐ; board cảm biến Waspmote khoảng 3 - 5 triệu VNĐ.
  • Tiết kiệm chi phí vận hành: Giảm $70%$ chi phí thuê băng thông 4G/5G và giảm $50%$ dung lượng lưu trữ Cloud.
  • Thời gian hoàn vốn (ROI): Ước tính từ 6 - 9 tháng nhờ giảm thiểu tỷ lệ thất thoát nông sản do sốc nhiệt và tối ưu hóa năng suất mùa vụ.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Năng lực tính toán tại biên: Raspberry Pi 4 chưa tích hợp vi xử lý chuyên dụng cho AI (như NPU hay GPU Tensor Core), do đó các tác vụ huấn luyện lại mô hình (Re-training) phức tạp vẫn phải đẩy lên Cloud.
  • Tầm phủ sóng XBee: Trong điều kiện nhà kính diện tích lớn có nhiều khung sắt thép và vách ngăn ẩm ướt, tín hiệu 2.4 GHz của XBee Pro S1 bị suy hao, đòi hỏi phải bố trí thêm các node trung gian (Mesh Routers).

Hướng phát triển tương lai

  • Học liên kết tại biên (Federated Learning): Huấn luyện mô hình phân tán trực tiếp trên nhiều Edge Gateway mà không cần gửi dữ liệu thô về máy chủ trung tâm, nâng cao tính riêng tư.
  • Chuyển đổi giao thức truyền thông sang LoRaWAN: Mở rộng tầm phủ sóng lên $3 - 5\text{ km}$ ở môi trường nông trường mở với mức tiêu thụ năng lượng thấp hơn.
  • Tích hợp vòng điều khiển phản hồi tự động: Điều khiển các rơ-le thông minh kích hoạt lưới cắt nắng, hệ thống phun sương và quạt đối lưu khi AI phát hiện nguy cơ vượt ngưỡng vi khí hậu.

Đối tượng hưởng lợi

+---------------------------------------------------------------------------+
|                          GIÁ TRỊ MANG LẠI                                 |
+---------------------------------------------------------------------------+
| [SINH VIÊN & NGHIÊN CỨU SINH]                                            |
| - Tài liệu tham khảo toàn diện về K3s, Docker trên ARM và IoT Edge.        |
| - Mã nguồn chuẩn mực cho việc đọc dữ liệu Serial và chuyển đổi JSON.      |
+---------------------------------------------------------------------------+
| [LẬP TRÌNH VIÊN & DEVOPS ENGINEERS]                                       |
| - Mẫu thiết kế Deployment K3s tối ưu tài nguyên cho thiết bị nhúng.      |
| - Chiến lược Zero-downtime rolling update cho các hệ thống IoT phân tán.  |
+---------------------------------------------------------------------------+
| [DOANH NGHIỆP NÔNG NGHIỆP & CHỦ TRANG TRẠI]                               |
| - Giảm hơn 90% độ trễ phản hồi, bảo vệ cây trồng kịp thời.               |
| - Tiết kiệm 60-70% chi phí truyền dẫn dữ liệu Cloud định kỳ.             |
+---------------------------------------------------------------------------+

Câu hỏi thường gặp

1. Yêu cầu cấu hình tối thiểu để triển khai Edge Node là gì?

Hệ thống yêu cầu máy tính đơn bo (SBC) tối thiểu tương đương Raspberry Pi 3 Model B (CPU 4 nhân ARM Cortex-A53 1.2 GHz, RAM 1GB). Tuy nhiên, để vận hành ổn định cụm K3s kèm nhiều Pods phân tích, khuyến nghị sử dụng Raspberry Pi 4 Model B (RAM 4GB hoặc 8GB) chạy hệ điều hành 64-bit và thẻ nhớ chuẩn MicroSD A2 SanDisk Extreme.

2. K3s xử lý như thế nào khi một container dịch vụ bị lỗi hoặc crash?

K3s tích hợp sẵn cơ chế điều phối tự phục hồi (Self-healing). Khi một container thu thập dữ liệu bị lỗi (ví dụ: mất kết nối cổng Serial đột ngột), K3s Kubelet daemon sẽ phát hiện thông qua Liveness Probe và tự động khởi động lại container mới thay thế trong vòng $2 - 5\text{ giây}$ mà không cần sự can thiệp thủ công của quản trị viên.

3. Hệ thống có khả năng tích hợp vào các nhà kính đã có sẵn PLC hoặc cảm biến công nghiệp không?

Hoàn toàn có thể. Tầng Edge được thiết kế theo dạng vi dịch vụ độc lập (Microservices). Ta chỉ cần viết thêm một Pod Adapter đóng gói thư viện chuyển đổi giao thức (như Modbus RTU/TCP, OPC-UA, MQTT) để chuyển đổi dữ liệu từ PLC hiện hữu sang định dạng JSON chuẩn trước khi đưa vào pipeline xử lý của K3s.

4. Chi phí duy trì hệ thống Cloud hàng tháng là bao nhiêu?

Nhờ cơ chế lọc và giảm tải từ Edge, chi phí Cloud giảm mạnh. Cụm cơ sở dữ liệu MongoDB Atlas (gói M0/M2) và máy chủ Node.js Cloud Backend chỉ tiêu tốn khoảng 150.000 - 350.000 VNĐ/tháng. Chi phí gọi API suy luận Azure Machine Learning được tối ưu nhờ gom cụm dữ liệu (Batch Inference) thay vì gọi theo từng giây.

5. Khả năng bảo mật của hệ thống khi đặt Edge Node tại hiện trường như thế nào?

Dữ liệu truyền từ Edge lên Cloud được mã hóa toàn bộ qua giao thức HTTPS/TLS 1.3. Các container trên K3s được cấu hình chạy dưới quyền người dùng không đặc quyền (non-root user), cô lập hoàn toàn hệ thống tệp tin của thiết bị máy chủ, ngăn chặn nguy cơ xâm nhập vật lý vào hệ điều hành gốc.

Kết luận

Đề tài khóa luận "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" đã chứng minh tính khả thi, độ tin cậy và hiệu quả vượt trội của mô hình điện toán cận biên kết hợp ảo hóa container trong lĩnh vực nông nghiệp thông minh. Bằng việc kết hợp hài hòa giữa K3s Orchestration, Phần cứng nhúng Raspberry Pi & Waspmote, và Azure AutoML, nhóm nghiên cứu đã giải quyết triệt để bài toán nghẽn cổ chai băng thông và độ trễ phản hồi của kiến trúc Cloud truyền thống, đồng thời đạt độ chính xác cao trong việc dự đoán vi khí hậu ($R^2 > 0.89$) và phân loại đề xuất cây trồng ($97.85%$).

Hệ thống mở ra hướng tiếp cận thực tiễn, chi phí hợp lý và sẵn sàng mở rộng cho các doanh nghiệp, trang trại công nghệ cao muốn hiện đại hóa quy trình canh tác nông nghiệp bền vững trong kỷ nguyên chuyển đổi số.