Thiết Kế và Thử Nghiệm Gateway IoT Tích Hợp Socket.IO, Mã Hóa RSA và Deep Learning trong Giám Sát Môi Trường

Tóm tắt nghiên cứu (200-250 từ)

Nghiên cứu "Thiết kế, chế tạo gateway và thử nghiệm Socket.IO trong điều khiển, thu thập dữ liệu môi trường" (Mã số: SPUD.55/HĐ-KHCN, Báo cáo NTTU-NCKH-04) do nhóm tác giả tại Viện Ứng dụng Công nghệ & Phát triển Bền vững – Trường Đại học Nguyễn Tất Thành thực hiện, tập trung giải quyết bài toán cốt lõi: Làm thế nào để xây dựng một hệ sinh thái IoT toàn diện có khả năng thu thập, truyền tải dữ liệu môi trường theo thời gian thực (real-time), đồng thời bảo mật tuyệt đối đường truyền và dự báo chính xác mức độ ô nhiễm không khí bằng trí tuệ nhân tạo?

Phương pháp tiếp cận bao gồm thiết kế phần cứng chuyên dụng gồm trạm cảm biến IoT Node (vi điều khiển ATmega2560 kết hợp LoRa và các cảm biến SHT20, MQ-7, PMS7003) và trạm Gateway (ESP32 kết nối LoRa/Wi-Fi); ứng dụng giao thức Socket.IO cho truyền thông hai chiều độ trễ thấp; tích hợp thuật toán mã hóa khóa công khai RSA trực tiếp tại Gateway; và huấn luyện mô hình Mạng nơ-ron nhân tạo (ANN) trên tập dữ liệu gồm 31.261 bản ghi thu thập thực tế trong 12 tháng tại TP. Thủ Đức, TP. Hồ Chí Minh.

Kết quả thử nghiệm cho thấy hệ thống hoạt động ổn định, truyền nhận dữ liệu real-time mượt mà, ngăn chặn hoàn toàn nguy cơ nghe lén/đánh cắp dữ liệu trên đường truyền (được kiểm chứng qua Wireshark), đồng thời mô hình ANN đạt độ chính xác (Accuracy) lên đến hơn 99% trong việc phân loại 3 cấp độ ô nhiễm. Nghiên cứu mang lại giải pháp công nghệ có tính ứng dụng cao, hỗ trợ đắc lực cho công tác quản trị môi trường đô thị thông minh.

Bối cảnh và tầm quan trọng (300-350 từ)

Thực trạng ô nhiễm môi trường và bài toán giám sát

Ô nhiễm không khí và biến đổi môi trường đang trở thành vấn đề cấp bách đe dọa sức khỏe cộng đồng và sự cân bằng sinh thái toàn cầu. Các thông số như bụi mịn siêu vi (PM1.0, PM2.5, PM10), khí độc hại Carbon Monoxide (CO), cùng sự biến động của nhiệt độ và độ ẩm đòi hỏi phải có hệ thống quan trắc liên tục, độ phủ rộng và độ tin cậy cao. Các trạm quan trắc truyền thống thường có chi phí đầu tư đắt đỏ, kích thước cồng kềnh, khó triển khai dày đặc và thiếu khả năng phản hồi tức thời.

Khoảng trống nghiên cứu (Research Gaps)

Mặc dù công nghệ Internet of Things (IoT) đã được ứng dụng nhiều trong quan trắc môi trường, các giải pháp hiện nay tại Việt Nam vẫn đối mặt với ba rào cản kỹ thuật lớn:

  1. Bảo mật dữ liệu trên đường truyền IoT: Các thiết bị IoT biên (Edge/Gateway) thường hạn chế về tài nguyên tính toán, dẫn đến việc dữ liệu môi trường gửi về máy chủ thường ở dạng văn bản thuần (plaintext) hoặc mã hóa yếu, dễ bị tấn công giả mạo (Man-in-the-middle) hay chiếm quyền điều khiển.
  2. Độ trễ truyền nhận thời gian thực: Giao thức HTTP truyền thống dựa trên cơ chế Polling gây tiêu tốn băng thông và tạo độ trễ lớn, không đáp ứng tốt yêu cầu cảnh báo khẩn cấp khi nồng độ khí độc vượt ngưỡng.
  3. Khả năng tự động phân tích và dự báo: Nhiều hệ thống chỉ dừng lại ở việc hiển thị số liệu thô mà thiếu sự kết hợp giữa thuật toán học sâu (Deep Learning) và hệ thống thông tin địa lý (GIS) để cảnh báo đa mức độ.

Tính thời điểm và tiềm năng tác động

Nghiên cứu này đón đầu xu hướng chuyển đổi số trong quan trắc đô thị thông minh (Smart City). Việc chế tạo thành công Gateway IoT nội địa hóa, tích hợp chuẩn bảo mật mã hóa bất đối xứng RSA và giao thức Socket.IO, kết hợp mô hình học sâu ANN mang lại một giải pháp chi phí thấp, tính tự chủ cao, sẵn sàng triển khai quy mô lớn tại các khu đô thị, khu công nghiệp và trường học.

Methodology và approach (350-400 từ)

Nghiên cứu áp dụng quy trình thiết kế kỹ thuật hệ thống kết hợp khoa học dữ liệu thực nghiệm theo 4 trụ cột chính:

[IoT Sensor Node] --(LoRa RF)--> [ESP32 Gateway (RSA Encrypt)] --(Socket.IO / Wi-Fi)--> [Server & ANN Model] <---> [Web Dashboard & GIS]

1. Thiết kế phần cứng và thu thập dữ liệu (Hardware Design)

  • IoT Node: Sử dụng vi điều khiển trung tâm ATmega2560 kết hợp mạch nạp CH340, tích hợp cảm biến nhiệt độ - độ ẩm SHT20 (giao tiếp I2C), cảm biến nồng độ khí CO MQ-7 (giao tiếp Analog), và cảm biến bụi laser PMS7003 (giao tiếp UART) để đo đạc hạt bụi PM1.0, PM2.5 và PM10. Dữ liệu được đóng gói và truyền không dây cự ly xa qua module LoRa.
  • IoT Gateway: Sử dụng vi điều khiển ESP32 hiệu năng cao tích hợp Wi-Fi/Bluetooth, kết hợp module LoRa nhận dữ liệu từ các Node, xử lý đệm và mã hóa trước khi đẩy lên máy chủ.

2. Kiến trúc phần mềm và giải pháp bảo mật

  • Mã hóa RSA tại biên (Edge Encryption): Gateway tự sinh và quản lý cặp khóa RSA (Public Key $K_u = (e, N)$ và Private Key $K_r = (d, N)$). Dữ liệu cảm biến được mã hóa thành các số nguyên lớn trước khi truyền qua mạng công cộng. Máy chủ trung tâm (Server) tiếp nhận, giải mã bằng khóa bí mật và lưu trữ vào cơ sở dữ liệu.
  • Truyền thông Socket.IO: Xây dựng kênh giao tiếp WebSockets thời gian thực hai chiều giữa ESP32 Gateway, Node.js Backend Server và Web Client, loại bỏ hoàn toàn độ trễ do HTTP overhead.

3. Thu thập và tiền xử lý dữ liệu cho Deep Learning

  • Dữ liệu được thu thập liên tục trong 12 tháng tại khuôn viên Trường Đại học Nguyễn Tất Thành (TP. Thủ Đức, tọa độ: $10^\circ 50' 19''\text{N}, 106^\circ 48' 46''\text{E}$), đạt tổng cộng 31.261 mẫu dữ liệu.
  • Tiền xử lý: Loại bỏ các giá trị rỗng/nhiễu kỹ thuật; loại bỏ thông số nhiệt độ/độ ẩm khỏi bộ đặc trưng phân cấp AQI; chuẩn hóa dữ liệu bằng MinMaxScaler trên dải $[0, 1]$ cho các đặc trưng đầu vào (PM1.0, PM2.5, PM10, CO).
  • Gán nhãn 3 cấp độ ô nhiễm: Cấp 0 (An toàn / Không ô nhiễm), Cấp 1 (Ô nhiễm nhẹ), Cấp 2 (Ô nhiễm nặng). Dữ liệu được chia tách theo tỷ lệ chuẩn: 70% tập huấn luyện (21.743 mẫu) và 30% tập kiểm thử (9.318 mẫu).

4. Xây dựng mô hình Mạng Nơ-ron Nhân tạo (ANN)

Mô hình ANN dạng Sequential gồm nhiều tầng ẩn kết nối dày đặc (Dense layers: 64 $\rightarrow$ 32 $\rightarrow$ 32 $\rightarrow$ 16 $\rightarrow$ 16 $\rightarrow$ 8 $\rightarrow$ 3), áp dụng các hàm kích hoạt phi tuyến và hàm mất mát phù hợp để tối ưu hóa khả năng phân loại đa lớp.

Phát hiện chính (400-450 từ)

Quá trình thử nghiệm và đo lường thực tế đã mang lại những kết quả kỹ thuật nổi bật:

1. Hiệu suất mô hình Deep Learning vượt trội

  • Độ chính xác ấn tượng: Mô hình ANN đạt độ chính xác phân loại tổng thể (Accuracy) xấp xỉ 99.2% trên tập dữ liệu kiểm thử độc lập (9.318 mẫu).
  • Chỉ số đánh giá toàn diện:
    • Precision (Độ chuẩn xác): Đạt trên 98.8% trên cả 3 phân lớp (Cấp 0, 1, 2).
    • Recall (Độ nhạy): Đạt xấp xỉ 99%, chứng minh mô hình hầu như không bỏ sót các trường hợp ô nhiễm nghiêm trọng.
    • F1-Score: Cân bằng tối ưu giữa Precision và Recall, đạt mức xấp xỉ 0.99.
  • Đường cong hội tụ: Biểu đồ huấn luyện cho thấy hàm mất mát (Loss Function) giảm sâu và ổn định, tiệm cận giá trị tối thiểu mà không xảy ra hiện tượng quá khớp (Overfitting) hay dưới khớp (Underfitting).
Metric Cấp 0 (Không ô nhiễm) Cấp 1 (Ô nhiễm nhẹ) Cấp 2 (Ô nhiễm nặng) Trung bình tổng thể
Precision 0.99 0.98 0.99 0.99
Recall 0.99 0.99 0.98 0.99
F1-Score 0.99 0.98 0.99 0.99
Accuracy — — — ~99%

2. Bảo mật tuyệt đối dữ liệu truyền qua Gateway bằng RSA

Thử nghiệm tấn công bắt gói tin giả định bằng phần mềm phân tích mạng Wireshark cho thấy: toàn bộ nội dung cảm biến gửi từ ESP32 Gateway đều biến thành chuỗi bản mã ký tự/số nguyên RSA phức tạp (content: '55734294085728...'). Kẻ tấn công trên đường truyền mạng công cộng hoàn toàn không thể trích xuất được thông số nồng độ khí CO, bụi PM hay nhiệt độ thực tế nếu không có Private Key của Server.

3. Tốc độ truyền tải Real-time qua Socket.IO

Việc thay thế REST API truyền thống bằng Socket.IO giúp duy trì kết nối WebSocket bền vững:

  • Độ trễ cập nhật dữ liệu từ cảm biến lên giao diện Dashboard người dùng giảm xuống dưới 100ms trong điều kiện mạng tiêu chuẩn.
  • Hệ thống máy chủ xử lý đa luồng trơn tru thông qua Node.js, Express và Redis Cache, không gặp hiện tượng nghẽn cổ chai khi dữ liệu gửi liên tục từ nhiều gói tin đồng thời.

4. Trực quan hóa bản đồ GIS đa cấp độ

Dữ liệu phân loại ô nhiễm từ mô hình ANN được tích hợp trực tiếp lên giao diện Web Client và bản đồ GIS thông qua hệ màu trực quan:

  • Xanh lục: Cấp 0 (Chất lượng không khí an toàn).
  • Vàng: Cấp 1 (Ô nhiễm nhẹ, cần theo dõi).
  • Đỏ: Cấp 2 (Ô nhiễm nặng, cảnh báo khẩn cấp).

Đóng góp khoa học (250-300 từ)

1. Đóng góp về mặt học thuật và lý thuyết

Nghiên cứu đã chứng minh tính khả thi và hiệu quả của việc kết hợp mã hóa bất đối xứng RSA trên các vi điều khiển nhúng công suất thấp (ESP32), giải quyết định kiến cho rằng các giải pháp mã hóa khóa công khai quá nặng nề cho các thiết bị IoT biên. Đồng thời, công trình cung cấp cơ sở dữ liệu thực nghiệm 31.261 bản ghi quan trắc môi trường đa chỉ số tại khu vực đô thị phía Nam Việt Nam.

2. Cải tiến phương pháp luận và kỹ thuật

  • Thiết kế thành công kiến trúc phần cứng lai (Hybrid Architecture) gồm LoRa (Node-to-Gateway) giúp phủ sóng diện rộng, tiết kiệm năng lượng kết hợp Wi-Fi/Socket.IO (Gateway-to-Cloud) giúp tối ưu hóa băng thông thời gian thực.
  • Xây dựng quy trình khép kín: Thu thập $\rightarrow$ Mã hóa tại biên $\rightarrow$ Truyền tải thời gian thực $\rightarrow$ Giải mã $\rightarrow$ Đánh giá bằng ANN $\rightarrow$ Cảnh báo GIS.

3. Giá trị ứng dụng thực tiễn và chính sách

Cung cấp một mẫu thiết kế hoàn chỉnh (bao gồm sơ đồ nguyên lý, mạch in PCB 2 lớp/3D, mã nguồn nhúng và phần mềm Web Server) với chi phí thấp. Đây là tài liệu tham khảo kỹ thuật quan trọng cho các đô thị, cơ quan quản lý môi trường trong việc triển khai các mạng lưới quan trắc chất lượng không khí tự động, phục vụ việc ban hành các chính sách kiểm soát khí thải kịp thời.

Đối tượng quan tâm (200-250 từ)

Nội dung và kết quả nghiên cứu mang lại giá trị thiết thực cho nhiều nhóm đối tượng:

  • Các nhà nghiên cứu và học viên ngành IoT/AI: Cung cấp tài liệu tham khảo chi tiết về việc tích hợp thuật toán mật mã học (RSA) vào hệ thống nhúng, kỹ thuật tiền xử lý dữ liệu cảm biến và kiến trúc mạng nơ-ron nhân tạo phân loại chất lượng môi trường.
  • Kỹ sư thiết kế phần cứng và phát triển nhúng: Tiếp cận toàn bộ sơ đồ nguyên lý phần cứng IoT Node (ATmega2560, cảm biến SHT20, MQ-7, PMS7003), Gateway (ESP32, LoRa) và quy trình layout mạch in PCB thực tế.
  • Doanh nghiệp công nghệ và nhà tích hợp hệ thống: Có thể ứng dụng trực tiếp mã nguồn mở của dự án (Node.js, Express, Socket.IO, Redis, TensorFlow.js/Python) để thương mại hóa các giải pháp giám sát trạm quan trắc công nghiệp hoặc tòa nhà thông minh.
  • Cơ quan quản lý nhà nước về môi trường: Nắm bắt mô hình quan trắc tự động chi phí thấp kết hợp bản đồ nhiệt GIS để nâng cao năng lực giám sát môi trường không khí tại các điểm nóng đô thị.

FAQ - Các câu hỏi thường gặp (250-300 từ)

1. Phát hiện quan trọng nhất của nghiên cứu là gì?

Hệ thống chứng minh rằng vi điều khiển phổ thông ESP32 hoàn toàn có thể đảm nhiệm việc mã hóa RSA trực tiếp tại biên để bảo mật dữ liệu IoT môi trường, kết hợp mạng ANN cho độ chính xác phân loại ô nhiễm đạt trên 99%.

2. Phương pháp nghiên cứu có điểm gì đặc biệt so với các đề tài khác?

Đề tài kết hợp đồng thời 3 công nghệ tiên tiến trong một kiến trúc thống nhất: LoRa (cự ly xa, tiết kiệm pin), Socket.IO (truyền nhận real-time hai chiều) và Mã hóa RSA (bảo mật tuyệt đối), thay vì chỉ sử dụng giao thức HTTP/MQTT truyền thống với dữ liệu không mã hóa.

3. Kết quả của mô hình có thể khái quát hóa (Generalize) cho các khu vực khác không?

Có. Mặc dù tập dữ liệu 31.261 mẫu được thu thập tại TP. Thủ Đức, quy trình tiền xử lý chuẩn hóa MinMaxScaler và kiến trúc mô hình ANN dựa trên thang đo nồng độ các chất chuẩn (CO, PM1.0, PM2.5, PM10) hoàn toàn có thể áp dụng cho các khu đô thị và khu công nghiệp khác.

4. Hướng phát triển tiếp theo của nghiên cứu là gì?

Mở rộng mạng lưới với hàng trăm Node cảm biến; thử nghiệm giao thức mã hóa đường cong Elliptic (ECC) để tối ưu hóa năng lượng hơn nữa; và tích hợp các mô hình dự báo chuỗi thời gian như LSTM/Transformer để dự báo trước mức độ ô nhiễm trong 24–48 giờ tới.

5. Ứng dụng thực tế của hệ thống này là gì?

Hệ thống có thể triển khai ngay tại các trường học, bệnh viện, nhà máy xi măng/hóa chất, hoặc lắp đặt trên các phương tiện giao thông công cộng để tạo bản đồ giám sát chất lượng không khí động theo thời gian thực.

Kết luận (150 từ)

Nghiên cứu NTTU-NCKH-04 của Trường Đại học Nguyễn Tất Thành đã hoàn thành xuất sắc toàn bộ các mục tiêu đề ra: từ việc thiết kế, gia công mạch PCB hoàn chỉnh cho IoT Node và Gateway, triển khai giao thức Socket.IO thời gian thực, tích hợp thuật toán mã hóa bảo mật RSA, cho đến việc ứng dụng mô hình Deep Learning ANN đạt độ chính xác trên 99% trong phân loại chất lượng không khí.

Đây là một giải pháp công nghệ toàn diện, có tính khả thi kỹ thuật cao và sẵn sàng ứng dụng vào thực tiễn đời sống. Để thúc đẩy ứng dụng công nghệ xanh và bảo vệ sức khỏe cộng đồng, các tổ chức và doanh nghiệp quan tâm có thể tiếp tục kế thừa kiến trúc này nhằm mở rộng quy mô quan trắc môi trường thông minh trên toàn quốc.