Giới thiệu dự án

Sự bùng nổ của kỷ nguyên số hóa đã biến mạng xã hội thành hạ tầng giao tiếp thiết yếu. Theo thống kê từ DataReportal (2023), hơn 4.8 tỷ người trên toàn cầu sử dụng mạng xã hội với thời gian truy cập trung bình 2.5 giờ/ngày. Tuy nhiên, các nền tảng mạng xã hội hiện đại đang đối mặt với những thách thức nghiêm trọng: sự quá tải về dữ liệu thời gian thực, độ trễ tin nhắn cao, nguy cơ lộ lọt dữ liệu cá nhân và đặc biệt là sự lan tràn của các nội dung bạo lực, hình ảnh vũ khí nguy hiểm mà việc kiểm duyệt thủ công không thể đáp ứng kịp thời.

Đề tài khóa luận tốt nghiệp "Xây dựng hệ thống mạng xã hội (MATA)" của sinh viên Phạm Văn Nguyên và Nguyễn Thị Tâm Anh (Khoa Công nghệ Thông tin, Trường Đại học Thăng Long), dưới sự hướng dẫn của TS. Trần Đức Minh, giải quyết trực tiếp bài toán xây dựng nền tảng mạng xã hội hiệu năng cao, tích hợp trí tuệ nhân tạo và xử lý ảnh để tự động kiểm duyệt nội dung độc hại ngay tại thời điểm đăng tải.

+-----------------------------------------------------------------------+
|                       HỆ THỐNG MẠNG XÃ HỘI MATA                       |
|  +---------------------+  +--------------------+  +----------------+  |
|  | Real-time Chat & WS |  | 24h Ephemeral Story|  | AI Moderation  |  |
|  | (Socket.IO + FCM)   |  | (MongoDB TTL Index)|  | (OpenCV + gRPC)|  |
|  +---------------------+  +--------------------+  +----------------+  |
+-----------------------------------------------------------------------+

Mục tiêu dự án

  1. Xây dựng kiến trúc phân tán đa tầng: Phát triển nền tảng mạng xã hội toàn diện với khả năng phản hồi tức thời (real-time) cho hàng nghìn người dùng đồng thời.
  2. Triển khai cơ chế kiểm duyệt tự động (Auto-Moderation): Ứng dụng thị giác máy tính (Computer Vision) với Python và OpenCV nhằm phát hiện và tự động gỡ bỏ các bài viết chứa hình ảnh vũ khí nguy hiểm (đặc biệt là súng).
  3. Hiện thực hóa bộ tính năng tương tác đa dạng: Đáp ứng đầy đủ 29 use-case nghiệp vụ, bao gồm tương tác bài viết (Like, Share, Comment), Story 24 giờ (tin ngày), chat cá nhân/nhóm và hệ thống thông báo đẩy (Push Notifications).
  4. Đảm bảo tính bảo mật và toàn vẹn dữ liệu: Thiết lập hệ thống xác thực người dùng an toàn qua JSON Web Token (JWT) kết hợp phân quyền quản trị chặt chẽ (Admin/User).
  5. Tối ưu hóa hiệu năng và độ mở rộng (Scalability): Giảm độ trễ giao tiếp liên dịch vụ qua giao thức gRPC và tối ưu hóa xử lý truy vấn cơ sở dữ liệu NoSQL MongoDB.

Phạm vi và giới hạn hệ thống

  • Phạm vi chức năng: Bao gồm 29 ca sử dụng (UC#01 đến UC#29) phân định giữa 2 tác nhân chính: Quản trị viên (Admin) và Người dùng (User). Hệ thống hỗ trợ ứng dụng web trên môi trường Desktop và Mobile Web.
  • Giới hạn kỹ thuật: Module kiểm duyệt tự động giai đoạn hiện tại tập trung nhận diện hình ảnh vũ khí đơn thể (súng quân dụng/súng ngắn); chưa hỗ trợ phân tích luồng video trực tiếp (livestream) trong thời gian thực.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu so sánh giữa MATA và các giải pháp mã nguồn mở cũng như hệ thống mạng xã hội truyền thống:

Tiêu chí Mạng xã hội truyền thống (Monolith) Nền tảng phân tán (Mastodon/Diaspora) Hệ thống MATA
Kiến trúc Khối đơn (Monolithic MVC) Liên hợp phi tập trung (Federated) Hỗn hợp Micro-services hướng nghiệp vụ
Kiểm duyệt nội dung Thủ công qua báo cáo (Report-based) Quản trị node tự cấu hình Tự động hóa qua OpenCV + gRPC (Pre-moderation)
Giao tiếp thời gian thực Polling / Long-Polling HTTP WebSub / WebSockets cơ bản Socket.IO Room kết hợp Firebase FCM
Vòng đời tin 24h (Story) Cron job quét định kỳ (chậm, tốn tài nguyên) Hạn chế hỗ trợ TTL Index Native cấp độ Database
Độ trễ kiểm duyệt ảnh > 5000ms (xử lý hàng đợi async) N/A < 350ms (truyền nhận nhị phân qua gRPC)

Phân loại yêu cầu người dùng theo mô hình MoSCoW

  • Must have: Đăng ký/Đăng nhập (JWT), Tạo bài viết, Chat thời gian thực (Socket.IO), Tự động xóa bài vi phạm vũ khí (UC#19), Kiểm duyệt bài đăng (UC#25), Quản lý người dùng và bài viết (Admin).
  • Should have: Tạo tin ngày 24h (Story), Thông báo đẩy (FCM), Theo dõi/Hủy theo dõi bạn bè, Thống kê hệ thống cho Admin.
  • Could have: Quản lý nhóm chat, Bộ lọc nâng cao theo từ khóa, Khôi phục mật khẩu qua giao thức SMTP.
  • Won't have (phiên bản hiện tại): Gọi video thoại WebRTC P2P, Livestream tương tác trực tiếp.

Thiết kế hệ thống

Kiến trúc MATA được tổ chức theo mô hình phân tầng hướng nghiệp vụ (Business-driven Architecture), tách biệt giữa tầng xử lý logic Web Server và tầng suy luận AI chuyên biệt.

+--------------------------------------------------------------------------+
|                       NGƯỜI DÙNG / TRÌNH DUYỆT                           |
|       [ ReactJS 18.2 (Client App) ]     [ NuxtJS 3 (Admin Portal) ]      |
+------------------------------------+-------------------------------------+
                                     | (HTTPS / REST API / WebSocket)
                                     v
+--------------------------------------------------------------------------+
|                     NODE.JS / EXPRESS.JS API GATEWAY                     |
|  - Authentication (JWT)      - Post/Feed Logic      - Socket.IO Server   |
|  - Redux State Sync          - Multer / Uploads     - FCM Push Dispatch  |
+-------------------+--------------------------------+---------------------+
                    |                                |
   (gRPC / Protobuf)|                                | (Mongoose ODM)
                    v                                v
+------------------------------------+  +----------------------------------+
|  PYTHON AI MODERATION SERVICE      |  |      MONGODB REPLICA SET         |
|  - gRPC Server (Port 50051)        |  |  - Users Collection              |
|  - OpenCV 4.7 Weapon Detector      |  |  - Posts & Stories Collection    |
|  - Image Preprocessing Engine      |  |  - Messages & Logs Collection    |
+------------------------------------+  +----------------------------------+
                    |                                ^
                    | (Cloudinary SDK)               | (Asset URL Sync)
                    +--------------------------------+

Danh mục công nghệ và phiên bản (Technology Stack)

  • Frontend Client: ReactJS (v18.2.0), Redux Toolkit (v1.9.5), TailwindCSS.
  • Frontend Admin: NuxtJS (v3.4.0), Vue.js 3 ecosystem.
  • Backend API Gateway: NodeJS (v18.16.0 LTS), ExpressJS (v4.18.2).
  • AI & Computer Vision Service: Python (v3.10.11), OpenCV (v4.7.0), gRPCio (v1.54.0), Protobuf (v3.20.3).
  • Cơ sở dữ liệu & Lưu trữ: MongoDB Community Server (v6.0.5), Mongoose ODM (v7.0.3), Cloudinary Media API.
  • Giao tiếp thời gian thực & Thông báo: Socket.IO (v4.6.1), Firebase Admin SDK (FCM v9.2.0).

Thiết kế giao tiếp liên dịch vụ qua gRPC (Proto Schema)

Hệ thống sử dụng Protocol Buffers để nén và truyền tải luồng dữ liệu nhị phân của ảnh giữa Node.js backend và Python AI service:

syntax = "proto3";

package moderation;

service ContentModerator {
  rpc DetectViolation (ImageCheckRequest) returns (ModerationResponse);
}

message ImageCheckRequest {
  string post_id = 1;
  string image_url = 2;
  bytes image_raw_data = 3;
}

message ModerationResponse {
  bool is_violation = 1;
  string violation_type = 2; // e.g., "WEAPON_GUN"
  float confidence_score = 3;
  string message = 4;
}

Thiết kế cơ sở dữ liệu (Database Schema)

  1. Users Collection: Lưu trữ định danh, thông tin bảo mật băm (Bcrypt), danh sách bạn bè (friends: [ObjectId]), danh sách theo dõi (following: [ObjectId]).
  2. Posts Collection: Lưu nội dung văn bản, danh sách URL hình ảnh từ Cloudinary, trạng thái kiểm duyệt (status: 'ACTIVE' | 'BLOCKED' | 'FLAGGED'), mảng tương tác cảm xúc và bình luận lồng nhau.
  3. Stories Collection: Triển khai cơ chế tự hủy tự động thông qua TTL Index: 
    const StorySchema = new mongoose.Schema({
  userId: { type: mongoose.Schema.Types.ObjectId, ref: 'User', required: true },
  mediaUrl: { type: String, required: true },
  createdAt: { type: Date, default: Date.now, expires: 86400 } // 24 giờ tự động hủy
});

Phương pháp luận phát triển (Methodology)

Dự án áp dụng quy trình Agile/Scrum với 4 Sprint (mỗi Sprint kéo dài 2 tuần):

  • Sprint 1: Phân tích đặc tả yêu cầu, thiết kế kiến trúc hệ thống, ERD và thiết lập khung dự án (NodeJS, ReactJS, MongoDB).
  • Sprint 2: Triển khai các chức năng người dùng cốt lõi (Xác thực JWT, Tạo bài đăng, Kết bạn, Theo dõi, Bảng tin).
  • Sprint 3: Tích hợp Real-time Chat với Socket.IO, Push Notification FCM và phát triển Microservice nhận diện vũ khí bằng Python OpenCV kết nối qua gRPC.
  • Sprint 4: Xây dựng Admin Dashboard (NuxtJS), kiểm thử tích hợp (Integration Testing), kiểm thử hiệu năng và tối ưu hóa hệ thống.

Implementation và kết quả

Quy trình phát triển và thuật toán cốt lõi

1. Module kiểm duyệt vũ khí tự động (Python + OpenCV Engine)

Khi người dùng đăng tải hình ảnh lên hệ thống, luồng dữ liệu đi qua module kiểm duyệt trước khi được hiển thị công khai trên Bảng tin.

import cv2
import grpc
from concurrent import futures
import moderation_pb2
import moderation_pb2_grpc
import numpy as np
import urllib.request

class ModerationServicer(moderation_pb2_grpc.ContentModeratorServicer):
    def __init__(self):
        # Nạp mô hình phát hiện đặc trưng vũ khí
        self.detector = cv2.CascadeClassifier(cv2.data.haarcascades + 'gun_cascade.xml')

    def DetectViolation(self, request, context):
        try:
            # Chuyển đổi dữ liệu nhị phân hoặc URL thành OpenCV Matrix
            if request.image_raw_data:
                nparr = np.frombuffer(request.image_raw_data, np.uint8)
                img = cv2.imdecode(nparr, cv2.IMREAD_COLOR)
            else:
                resp = urllib.request.urlopen(request.image_url)
                img = np.asarray(bytearray(resp.read()), dtype="uint8")
                img = cv2.imdecode(img, cv2.IMREAD_COLOR)

            gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
            # Tinh chỉnh phát hiện đối tượng với tỷ lệ thu phóng 1.3 và 5 lân cận
            guns = self.detector.detectMultiScale(gray, scaleFactor=1.3, minNeighbors=5, minSize=(30, 30))

            if len(guns) > 0:
                return moderation_pb2.ModerationResponse(
                    is_violation=True,
                    violation_type="WEAPON_GUN",
                    confidence_score=0.92,
                    message="Bài viết bị xóa tự động do chứa hình ảnh vũ khí nguy hiểm."
                )
            return moderation_pb2.ModerationResponse(
                is_violation=False,
                violation_type="NONE",
                confidence_score=0.0,
                message="Nội dung an toàn."
            )
        except Exception as e:
            return moderation_pb2.ModerationResponse(
                is_violation=False,
                violation_type="ERROR",
                confidence_score=0.0,
                message=str(e)
            )

def serve():
    server = grpc.server(futures.ThreadPoolExecutor(max_workers=10))
    moderation_pb2_grpc.add_ContentModeratorServicer_to_server(ModerationServicer(), server)
    server.add_insecure_port('[::]:50051')
    server.start()
    server.wait_for_termination()

2. Xử lý sự kiện thời gian thực và tự động kích hoạt xóa bài

Tại Web Server ExpressJS, middleware tiếp nhận yêu cầu gRPC từ Python service để ra quyết định điều hướng bài đăng:

// Middleware xác thực nội dung bài đăng qua gRPC Client
const createPostHandler = async (req, res) => {
  try {
    const { content, imageUrl } = req.body;
    const userId = req.user.id;

    // Gửi yêu cầu kiểm duyệt sang Python AI Microservice qua gRPC
    grpcClient.DetectViolation({ post_id: "temp_id", image_url: imageUrl, image_raw_data: Buffer.alloc(0) }, async (err, response) => {
      if (err) {
        return res.status(500).json({ success: false, message: "Lỗi kiểm duyệt nội dung." });
      }

      if (response.is_violation && response.violation_type === "WEAPON_GUN") {
        // UC#19 & UC#24: Tự động chặn bài viết và gửi thông báo vi phạm
        await NotificationService.sendViolationAlert(userId, response.message);
        return res.status(400).json({
          success: false,
          code: "CONTENT_VIOLATION",
          message: response.message
        });
      }

      // Lưu trữ bài đăng hợp lệ vào MongoDB
      const newPost = await Post.create({ userId, content, imageUrl, status: 'ACTIVE' });
      
      // Đồng bộ thông báo cho danh sách bạn bè qua Socket.IO Room
      io.to(`feed_${userId}`).emit('NEW_POST_PUBLISHED', newPost);
      
      return res.status(201).json({ success: true, data: newPost });
    });
  } catch (error) {
    return res.status(500).json({ success: false, error: error.message });
  }
};

Testing và đánh giá hiệu năng

Hệ thống được kiểm thử tự động với Jest (Unit Test Backend), Postman (API Integration) và Apache JMeter (Kiểm thử tải đồng thời).

+--------------------------------------------------------------------+
|               KẾT QUẢ PHÂN BỔ KIỂM THỬ HỆ THỐNG MATA               |
|  [Unit Test: 88% Coverage]  [Integration Test: 92% Use Cases]     |
|  [Load Test: 1,500 Concurrency]  [AI Accuracy: 94.6% Gun Detect]   |
+--------------------------------------------------------------------+

Bảng kết quả đo kiểm hiệu năng hệ thống (Benchmarks)

Tham số kiểm thử Môi trường thử nghiệm Tải đồng thời (Users) Kết quả đạt được Mục tiêu thiết kế
Throughput (RPS) 4 vCPU, 8GB RAM (NodeJS) 1,000 requests/s 912 RPS > 800 RPS
Chat Message Latency WebSocket (Socket.IO) 500 active rooms 68 ms < 100 ms
gRPC Moderation Time Python Engine (Local 1Gbps) 100 ảnh liên tục 184 ms/image < 300 ms
Story Auto-Delete Lag MongoDB TTL Monitor 10,000 documents ± 45 giây < 60 giây
FCM Push Delivery Internet mạng thử nghiệm 1,000 devices 99.2% > 98%

Kết quả đạt được

  • Mức độ hoàn thành chức năng: Hoàn thành toàn bộ 29/29 Use-cases theo đúng tài liệu đặc tả nghiệp vụ ban đầu (100% mục tiêu chức năng).
  • Độ chính xác nhận diện nội dung vi phạm: Đạt 94.6% độ chính xác tổng thể (Precision Rate) trên tập dữ liệu kiểm thử 500 ảnh chứa vũ khí và hình ảnh đời thường đối chứng.
  • Độ hài lòng người dùng (UAT): Thử nghiệm diện hẹp trên 65 sinh viên ngành CNTT cho điểm số trung bình 4.6/5.0 về trải nghiệm tương tác mượt mà và tốc độ nhắn tin thời gian thực.

Đổi mới và đóng góp

1. Kiến trúc kiểm duyệt nội dung lai (Hybrid Pre-moderation Pipeline)

Khác với các hệ thống thông thường kiểm duyệt thụ động sau khi nhận được báo cáo từ người dùng (Post-moderation), MATA tích hợp cổng kiểm duyệt chặn ngay trước khi lưu dữ liệu (Pre-moderation). Nhờ sử dụng gRPC với cơ chế nhị phân hóa Protobuf, thời gian truyền tải và phản hồi giữa NodeJS và Python giảm 42% so với việc gọi RESTful API truyền thống qua HTTP/1.1 JSON.

2. Tự động hóa vòng đời nội dung ngắn hạn (Ephemeral Content Management)

Hệ thống tận dụng cơ chế TTL (Time-To-Live) Index trực tiếp trên công cụ lưu trữ WiredTiger của MongoDB, loại bỏ hoàn toàn nhu cầu viết các Cron Worker chạy nền tốn dung lượng RAM và chu kỳ CPU.

So sánh chi phí tài nguyên xử lý Story 24h:
Cron Worker truyền thống: Quét toàn bảng mỗi 5 phút -> Tốn O(N) CPU & Disk I/O.
MATA (MongoDB TTL):       Xóa trực tiếp tại B-Tree Page -> Tiết kiệm 70% I/O load.

3. Đóng góp vào giải pháp công nghệ mạng xã hội học thuật

Đề tài cung cấp mã nguồn tham khảo mẫu mực về việc kết hợp công nghệ Web hiện đại (React/NodeJS) với kỹ thuật Thị giác máy tính (OpenCV/Python), chứng minh tính khả thi của việc triển khai AI cục bộ phục vụ an toàn nội dung trong các ứng dụng web quy mô vừa và nhỏ.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

  1. Mạng xã hội nội bộ Trường học/Doanh nghiệp: Cung cấp môi trường trao đổi học thuật, giao lưu lành mạnh với cơ chế tự động ngăn ngừa bạo lực học đường và hình ảnh nguy hiểm.
  2. Cộng đồng chuyên đề/Sở thích: Nền tảng chia sẻ thông tin chuyên sâu với khả năng quản trị bài viết, thành viên, và nhóm chat nhóm phân tầng an toàn.

Yêu cầu phần cứng và triển khai hệ thống

+------------------------------------------------------------------------+
|                      HẠ TẦNG TRIỂN KHAI DOCKER                         |
|  [Container 1: Nginx Reverse Proxy & SSL (Port 80/443)]                |
|  [Container 2: Node.js Express API Server (Port 5000, 3 Replicas)]     |
|  [Container 3: Python OpenCV gRPC Server (Port 50051)]                 |
|  [Container 4: MongoDB ReplicaSet / Sharded Cluster (Port 27017)]      |
+------------------------------------------------------------------------+
  • Cấu hình tối thiểu (Server Minimum): 2 vCPU, 4GB RAM, 50GB SSD (Phục vụ 500 - 1,000 người dùng hoạt động hàng ngày - DAU).
  • Cấu hình đề xuất (Production Recommended): 4 vCPU, 16GB RAM, Cluster MongoDB Atlas, CDN Cloudinary kết hợp Kubernetes Pod Autoscaling.

Kế hoạch mở rộng (Roadmap)

  • Tháng 1 - 3: Nâng cấp mô hình OpenCV lên kiến trúc mạng nơ-ron tích chập sâu (YOLOv8) để nhận diện đa dạng các loại vũ khí và đồ vật nguy hiểm.
  • Tháng 4 - 6: Triển khai giải pháp mã hóa đầu cuối (E2EE) cho hệ thống chat với thuật toán Signal Protocol; tích hợp module WebRTC cho tính năng Voice/Video call.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Thuật toán phát hiện vũ khí bằng OpenCV Cascade Classifier đôi khi gặp trường hợp nhận diện nhầm (False Positive) đối với các vật thể có góc cạnh tương đồng trong điều kiện ánh sáng yếu hoặc ảnh có độ phân giải quá thấp (< 200px).
  • Chưa hỗ trợ cơ chế nén ảnh trực tiếp trên Client trước khi tải lên, gây lãng phí băng thông mạng khi người dùng đăng ảnh dung lượng lớn.

Hướng nghiên cứu và phát triển

  1. Tích hợp xử lý ngôn ngữ tự nhiên (NLP): Xây dựng pipeline kiểm duyệt văn bản tự động bằng mô hình PhoBERT nhằm phát hiện ngôn từ thù địch (hate speech) và bình luận độc hại.
  2. Tối ưu hóa đa cụm Socket (Socket.IO Redis Adapter): Mở rộng khả năng xử lý chat lên hàng chục ngàn kết nối đồng thời trên nhiều cụm máy chủ phân tán.

Đối tượng hưởng lợi

  • Sinh viên chuyên ngành CNTT: Nguồn tài liệu tham khảo thực tế về cách tích hợp hệ thống đa ngôn ngữ (JavaScript + Python) qua giao thức gRPC và mô hình kiến trúc MVC/Microservices.
  • Lập trình viên Fullstack: Nắm bắt các mẫu thiết kế (design patterns) về xử lý dữ liệu thời gian thực với Socket.IO, Redux Toolkit và cơ chế TTL Indexing trên MongoDB.
  • Doanh nghiệp và tổ chức giáo dục: Tiếp cận giải pháp mạng xã hội nội bộ có chi phí đầu tư hạ tầng thấp nhưng tích hợp sẵn hàng rào an toàn nội dung.

Câu hỏi thường gặp

1. Yêu cầu cấu hình máy chủ tối thiểu để triển khai toàn bộ hệ thống là gì?

Máy chủ cần cài đặt sẵn Docker và Docker Compose, hệ điều hành Ubuntu Server 20.04 LTS trở lên, tối thiểu 2 vCPU, 4GB RAM và 20GB dung lượng đĩa trống để chạy mượt mà API Gateway, Python gRPC Service và MongoDB.

2. Module kiểm duyệt OpenCV xử lý ra sao nếu mạng gặp sự cố hoặc tải quá nặng?

Hệ thống thiết lập cơ chế Circuit Breaker và giới hạn thời gian chờ (Timeout 1500ms) trên client gRPC. Nếu service Python bị quá tải hoặc mất kết nối, bài đăng sẽ được chuyển vào hàng đợi PENDING_MODERATION để xử lý hậu kỳ thay vì làm nghẽn luồng đăng bài của người dùng.

3. Tại sao hệ thống lại chọn MongoDB thay vì cơ sở dữ liệu quan hệ (RDBMS) như PostgreSQL hay MySQL?

MongoDB cung cấp mô hình tài liệu (Document model) linh hoạt, không cố định cấu trúc schema, rất phù hợp với dữ liệu mạng xã hội (bài đăng có thể chứa văn bản, danh sách ảnh, mảng bình luận lồng nhau, trạng thái tương tác). Ngoài ra, tính năng TTL Index bản địa giúp xử lý bài đăng Story 24h tự động và hiệu quả vượt trội.

4. Hệ thống đảm bảo tính riêng tư của dữ liệu tin nhắn như thế nào?

Dữ liệu tin nhắn được truyền qua giao thức an toàn WSS (WebSocket Secure) và HTTPS, xác thực bằng chữ ký JWT cho từng phiên kết nối và được phân quyền truy cập nghiêm ngặt ở tầng cơ sở dữ liệu (chỉ những người tham gia phòng chat mới có khóa quyền đọc dữ liệu).

5. Chi phí vận hành và thời gian thu hồi vốn (ROI) khi ứng dụng giải pháp này?

Chi phí vận hành ban đầu gần như bằng 0 đối với quy mô thử nghiệm nhờ tận dụng các gói Free-tier của Cloudinary, MongoDB Atlas và Firebase FCM. Khi triển khai quy mô 50,000 người dùng, chi phí máy chủ đám mây ước tính khoảng $80 - $120/tháng, mang lại hiệu quả tiết kiệm hơn 60% so với việc mua bản quyền các giải pháp mạng xã hội đóng gói thương mại.

Kết luận

Đồ án khóa luận "Xây dựng hệ thống mạng xã hội (MATA)" của sinh viên Phạm Văn Nguyên và Nguyễn Thị Tâm Anh đã giải quyết thành công bài toán xây dựng nền tảng kết nối trực tuyến hiện đại, cân bằng tối ưu giữa hiệu năng tương tác thời gian thực và an toàn nội dung. Bằng việc kết hợp sáng tạo các công nghệ tiên tiến như ReactJS, NodeJS, MongoDB, Socket.IO cùng giải pháp thị giác máy tính OpenCV truyền nhận qua gRPC, đề tài không chỉ đạt được toàn diện các mục tiêu học thuật mà còn mở ra tiềm năng ứng dụng thực tiễn to lớn trong việc xây dựng các nền tảng truyền thông số an toàn và văn minh.