Khóa luận tốt nghiệp Công nghệ thông tin: Hệ thống trả thưởng trong học phân tán bằng Blockchain trên thiết bị di động

Ngoài ra, sự kết hợp công nghệ blockchain vào học liênkết còn khuyến khích các bên tham gia học nhờ sự công nhận đóng góp của người tham gia học và các bên liên quan trong việc trả thưởn

ĐẠI HỌC QUOC GIA TP HO CHÍ MINHTRUONG DAI HQC CONG NGHE THONG TINKHOA KHOA HOC VA KY THUAT THONG TIN

DANG HUYNH PHUC HIEN - 19520532

KHOA LUAN TOT NGHIEP

HE THONG TRA THUONG HOC TAP PHAN TAN SU DUNG BLOCKCHAIN

TREN THIET BỊ DI ĐỘNGDISTRIBUTED LEARNING REWARD SYSTEM USING BLOCKCHAIN ON

MOBILE DEVICE

CU NHAN NGANH CONG NGHE THONG TIN NHAT BAN

GIANG VIEN HUONG DAN

TS.NGUYEN TAN CAM

TP HO CHi MINH, 2023

ĐẠI HỌC QUOC GIA TP HO CHÍ MINHTRUONG DAI HQC CONG NGHE THONG TINKHOA KHOA HOC VA KY THUAT THONG TIN

VO HUYNH HAI ĐĂNG - 19521321

KHOA LUAN TOT NGHIEP

HE THONG TRA THUONG HOC TAP PHAN TAN SU DUNG BLOCKCHAIN

TREN THIET BỊ DI ĐỘNG

DISTRIBUTED LEARNING REWARD SYSTEM USING BLOCKCHAIN ON

MOBILE DEVICE

CU NHAN NGANH CONG NGHE THONG TIN NHAT BAN

GIANG VIEN HUONG DAN

TS.NGUYEN TAN CAM

TP HO CHi MINH, 2023

LỜI CẢM ƠNNhóm chúng em bày tỏ lòng biết ơn sâu sắc và lòng tạ ơn vô giá trị về sự hỗ trợ và

sự hướng dẫn quý báu mà thầy Nguyễn Tắn Cầm và khoa Khoa Học và Kỹ ThuậtThông Tin đã cung cấp cho nhóm trong quá trình hoàn thành luận văn của mình Sự

ủng hộ và khích lệ không ngừng của thầy và sự hỗ trợ của khoa đã góp phần quantrọng vao quá trình thực hiện khóa luận của chúng em, và chúng em thành thật biết

ơn về cơ hội được làm việc dưới sự hướng dẫn của thay Kiến thức rộng lớn, chuyên

môn và sự tận tâm của thầy là nguồn cảm hứng to lớn đối với chúng em Sự chỉ dẫntận tâm và sâu sắc của thầy không chỉ đã định hình hướng đi của nghiên cứu của

nhóm mà còn nuôi dưỡng sự phát triển trí tuệ của chúng em Nhóm chúng em biết

ơn vì sự kiên nhẫn của và sự sẵn lòng chia sẻ kiến thức và kinh nghiệm của thầy,

điều này đã làm giàu thêm hiéu biết của chúng em về vấn đề đang nghiên cứu

Nhóm em cũng muốn bày tỏ lòng biết ơn đến khoa Khoa Học và Kỹ Thuật Thông

Tin vì đã cung cấp cho nhóm một môi trường học tập và nghiên cứu tốt Các thành

viên của Khoa luôn thể hiện sự xuất sắc trong giáo dục và nghiên cứu, tạo ra một

không khí tò mò và đổi mới Những nguồn lực và cơ sở vật chat rộng rãi mà Khoa

cung cấp đã đóng vai trò quan trọng trong việc hoàn thành thành công luận văn của

nhóm em.

Tổng kết lại, tôi muốn một lần nữa bày tỏ lòng biết ơn chân thành đến thầy NguyễnTấn Cam và khoa Khoa Học và Kỹ Thuật Thong Tin vì sự hỗ trợ và sự chỉ dẫn

không thé thiếu Kiến thức và kinh nghiệm thu được trong suốt hành trình này sẽ

luôn tác động đến học tập và sự nghiệp của chúng em Chúng em rất tự hào khi làmột phần của cơ sở giáo dục danh giá này và chúng em tin rằng những kỹ năng và

kiến thức đã thu được sẽ là nền tảng vững chắc cho các công việc và sự nghiệp cảu

chúng em trong tương lai.

3.3 HỌC MAY TRUYEN THONG VA HỌC MAY LIÊN KET

3.3.1 Cơ chế của hoc máy truyén thống

3.3.2 Thách thức của học máy truyền thong

3.3.2.1 Su phân tan của dữ liệu

3.5.1 Các dạng cua học máy liên kết

3.5.2 Federated averaging (FedAvg)

3.5.3 Hợp đông thông minh

3.5.3.1 Sự kiện trong hợp đồng thông minh

10

10

11 il il

11

12 12

13 14

14 15

16 17

17

18

3.5.4.3 Lợi ích của phương pháp xóa bỏ

3.5.44 Kết luận

4.1 SƠ ĐỎ VÀ ĐẶC TẢ USE CASE

4.1.1 Danh sách Actor

4.1.2 Biểu đồ use case tong quát

4.1.3 Danh sách các use case

4.1.4 Đặc ta usecase

4.1 Connect wallet 4.2 Authenticate server side 4.3 Claim Reward

4.4 Withdraw 4.5 Submit Train/Test/Aggregate 4.6 Add Role

4.7 Pause

.4.8 Unpause 4.9 Set Timelock 4.10 Set Implementation 4.11 Add to Blocklist

4.12 Remove from Blocklist 4.13 Add to Allowlist

.4.14 Remove from Allowlist 4.15 Mint FET

4.2.2.1 Bước khởi tao session va apply session

4.2.2.2 Bước thực hiện Training Round

4.2.2.3 Bước thực hiện Checking Round

20 20

21

21

22 23

24

24 25

26 26

27 28

28

29 29

30 30

31 32

32

33 33

34

35

37 38

39

40

4.2.2.4 Bước thực hiện chon Candidate Aggregator Round 4l 4.2.2.5 Bước thực hiện Aggregating Round 42 4.2.2.6 Bước thực hiện Testing Round 43 4.2.2.7 Bước thực hiện Claim Reward 44 4.2.3 Blocklist 44 4.2.3.1 Functions 44 4.2.3.2 Roles 45 4.2.4 TrainerAllowlist 45 4.2.4.1 Functions 45 4.2.4.2 Roles 45 4.2.5 TimeLock 45 4.2.6 Gnosis Safe Multisig 45

4.3 THUC NGHIEM 46

4.3.1 Các node lấy về các mô hình hiện tại cần huấn luyện và tiễn hành tham

gia 46

4.3.2 Các node tiến hành tải global model và huấn luyện cục bộ 46

4.3.3 Các node tiến hành kiểm tra tình hợp lệ của các param của các trainer

khác 47

4.3.4 Node được chọn dé tổng hợp model sẽ tiến hành tổng hợp ra global

model mới 48

4.3.5 Sau khi tổng hợp mô hình, các node sẽ kiếm tra tính hiệu quả của mô

hình để đánh giá sự đóng góp của các node 304.3.6 Thu thập phần thưởng 51

4.3.7 Tiếp tục lặp lại các quá trình cho các round tiếp theo đến khi kết thúc

52

1.1 TOMTAT 52 1.2 KETLUAN 53 2.1 KHẢ NĂNG MỞ RONG VÀ HIỆU SUAT 54 2.2 CØCHÉKHÍCHLỆ 54

2.3 TRIEN KHAI VÀ ÁP DỤNG THỰC TE 55 2.4 THÊM CƠ CHE TÍCH HOP KIEM THU TỪ PHÍA NGƯỜI SO HỮU MÔ HÌNH 55 2.5 XÂY DỰNG UNG DUNG TREN THIET BỊ DI ĐỘNG THAN THIỆN VỚI NGƯỜI

DÙNG 55

DANH MỤC HÌNH

Hình 3.5.1: Công thức tinh phần thưởng hiệu suất LB

Hình 4.1.1 Usecase tổng quát của Trainer seereereereerreereeereeee 22Hình 4.1.2 Use case tổng quát của Admin csstereereereerrerreerrerreer 22

Hình 4.1.3 Use case tổng quát của Compliance Service -s 23

Hình 4.1.4 Use case tổng quát của Minter Serviee -.escereereerreee 23Hình 4.2.1 Sơ đồ tổng quát hệ thống hợp đồng thông minh 34

Hình 4.2.2 Quá trình triển khai các hợp đồng thông minh

Hình 4.2.3 Quy trình triển khai chỉ tiết với constructor

Hình 4.2.4 Quy trình cài đặt các thực hiện, tham số ban đầu sau khi triển khai hợpđồng thông minh s-s-esttttestrerrrtterretrertrrrrvterrrrrrrrrrrrrrrrrrrrrrrrrooeee 37

Hình 4.2.5 Quy trình khởi tạo session của | actor va apply session của actor khác 38

Hình 4.2.6 Quy trình lay mô hình toàn cục cho quá trình huấn luyện cục bộ và nộptham số của mô hìn| cục bộ đã huấn luyện

Hình 4.2.7 Quy trình nhận ngẫu nhiên các mô hình của trainer khác dé kiểm tra tính

hợp lệ và nộp kết quả điều tra -esreee

Hình 4.2.8 Quy trình Owner Session nhận 5 trainers có đóng góp nhiêu nhất trong

hệ thống làm ứng cử viên Aggregator và nộp kết quả các ứng viên

Hình 4.2.9 Quy trình Aggregator nhận tất cả các mô hình cục bộ về đề tổng hợp và

we 42

002 07

Hình 4.2.10 Quy trình trainer nhận ngẫu nhiên mô hình của các trainer khác đề kiểm

tra tính đóng góp và kết quả 43Hình 4.2.11 Quy trình trainer yêu cầu phần thưởng sau khi round đã kết thúc 44Hình 4.3.1: Apply train 46

Hình 4.3.5: kiểm tra mô hình -‹eeeetrieetrtriiiriiiririiiiiiirriiiiiiiirrie Hình 4.3.6: thu thập phần thưởng ececcrrriiiiiriiiiiiiiiiiiriiiriiiiy Hình 4.3.7: kết thúc quá trình .cckikiiiiiiiiiiiiiiiiiiiiiiiiiiiiirrree

50 51 52

DANH MỤC TU VIET TAT

FL- Federated learning

HEL - Horizontal Federated Learning

VFL - Vertical Federated Learning

FedAvg - Federated averaging

TÓM TẮT KHÓA LUẬN

Sự tiến bộ nhanh chóng trong công nghệ đã cho phép các nền tang học trực tuyến

nhận được sự phố biến đáng kẻ Tuy vậy, các hệ thống học truyền thông thường gặp

các vấn đề như tập trung tại một máy chủ duy nhất, thiếu minh bạch và hiệu suất

kém trong việc thưởng cho người tham gia Đồng thời, cách tiếp cận truyền thống

cũng không thé áp dụng được trong nhiều trường hợp Học Máy Phân Tán (FL) đã

trở thành một mô hình đột phá trong lĩnh vực học máy, cho phép hợp tác an toàn

giữa nhiều bên mà vẫn giữ được quyền riêng tư của dữ liệu Tuy nhiên, việc áp

dụng FL xuất hiện nhiều thách thức như thiếu hệ thống khuyến khích công bằng,

mối quan ngại về an ninh và nhu cầu về khung đánh giá tiêu chuẩn Luận văn này

nhằm đề ra giải pháp cho những thách thức này bằng cách đề xuất một phương phápgọi là Hệ thống Phần Thưởng Học Máy Phân Tán Sử Dụng Blockchain

Nghiên cứu này khám phá việc tích hợp công nghệ blockchain vào môi trường họctập để tạo ra một hệ thống thưởng phân tán và minh bạch Bằng cách tận dụng

những đặc tính cốt Idi của blockchain như tính không thé thay đổi, phân tán và bảo

mật, hệ thống đề xuất nhằm khuyến khích và công nhận sự đóng góp của những

người tham gia học trong hệ sinh thái học phân tán.

Luận văn bắt đầu bằng việc trình bày cái nhìn tổng quan và các hạn chế Nghiên

cứu xem xét những thách thức về tập trung quá mức, thiếu minh bạch và không hiệu

quả trong việc thưởng cho người tham gia.

Sau đó, nghiên cứu công nghệ blockchain, các đặc điểm chính và ứng dụng tiềm

năng trong lĩnh vực học phân tán Nghiên cứu xem xét các hệ thống thưởng dựa trên

blockchain hiện có.

Tiếp theo trình bày thiết kế và tiến hành triển khai Hệ thống Phần Thưởng Học Máy

Phân Tan Kiến trúc hệ thống sử dụng công nghệ blockchain, cho phép ghi lại và

xác minh một cách minh bạch các hoạt động học và đóng góp Hợp đồng thông

minh được sử dung dé tự động hóa việc phân phối phần thưởng và đảm bảo giao

dịch công bằng và an toàn trong hệ thống

Tóm lại, luận văn này đóng góp vào lĩnh vực công nghệ giáo dục bằng cách trìnhbày một cái nhìn toàn diện về tích hợp công nghệ blockchain vào hệ thống thưởng

học tập Hệ thông Phần Thưởng Học Máy Phân Tan đề xuất thé hiện tiềm năng débiến đổi các mô hình học truyền thống bằng cách cung cấp một khung tương tác phi

tập trung và minh bạch Nghiên cứu này mở ra những cơ hội cho việc khám phá sâuhơn để tạo ra môi trường học phân tán hiệu quả và công bằng hơn

Chương 1 MỞ ĐẦU

1.1 Lý do chọn đề tài

Học máy liên kết (Federated learning) đang dần trở thành một khía cạnh quan trọngtrong nghiên cứu học máy gần đây An toàn và bảo mật là tiêu chí đang được chú

trọng bởi các cộng đồng nghiên cứu

Đồng thời công nghệ blockchain đã được phát triển, lan rộng và được ứng dụng

rộng rãi trong các lĩnh vực khác nhau Đó có thể được xem là mảnh ghép còn thiếu

của học máy phân tán khi nó có thé giải quyết được các thách thức của học máy

phân tán như có thể đảm bảo được sự chính xác, an toàn và đúng đắn của việc phân

phối các thông số mô hình Ngoài ra, sự kết hợp công nghệ blockchain vào học liênkết còn khuyến khích các bên tham gia học nhờ sự công nhận đóng góp của người

tham gia học và các bên liên quan trong việc trả thưởng dựa trên sự đóng góp đó.

Hướng đi này có tiềm năng rất lớn do sự kết hợp của học máy liên kết và

blockchain có thé mang lại những ứng dụng giá trị và thực tiễn trong nhiều lĩnh

vực như quản lý tài chính, phân tích đữ liệu sức khỏe và nhiều lĩnh vực khác

Với tat cả những lý do trên, sự kết hợp giữa blockchain và học máy liên kết là một

sự lựa chọn hợp lý dé nghiên cứu và tìm hiểu

1.2 Mục đích

Nghiên cứu và phân tích phương thức kết hợp học máy liên kết và blockchain trong

việc bảo mật dữ liệu và bảo vệ quyền riêng tư trong quá trình học máy trên nhiều

bên tham gia.

Xây dựng một hệ thống công bằng, công khai và minh bạch trong việc phân chia

phan thưởng Bằng cách sử dụng hợp đồng thông minh, việc trả thưởng dựa trên sựđóng góp có thê được ghi lại và theo doi một cách minh bạch trên hệ thống Điều

này giúp đảm bảo rằng việc trả thưởng được thực hiện một cách công bằng và

không bị can thiệp.

Khuyến khích tính tích cực và công bằng, tạo ra một môi trường công khai, minhbạch và thu hút sự tham gia của các trainer trong quá trình học máy liên kết

1.3 Đối tượng và phạm vi nghiên cứu

Cả đối tượng hay phạm vi nghiên cứu trong dự án này đều tập trung vào học phân

tán sử dụng federated learning và blockchain Tập trung nghiên cứu vào việc thiết

kế và triển khai một cơ chế đánh giá và phân phối phần thưởng cho các thành viên

huấn luyện mô hình dựa trên đóng góp của họ trong quá trình học phân tán

Nghiên cứu tập trung vào sử dụng blockchain và hợp đồng thông minh dé xác định

và ghi nhận đóng góp của từng người huấn luyện viên vào mô hình toàn cau

Nghiên cứu cũng giải thích cách mà hợp đồng thông minh có thê được sử dụng đểphối hợp quá trình học và tính toán các hàm đo lường về cách mà mỗi huấn luyện

viên đóng góp vào mô hình toàn cầu

Phạm vi nghiên cứu bao gồm việc xây dựng một cơ sở hạ tầng và chu trình hoạt

động tự nhiên đề hỗ trợ việc tính toán các đóng góp này, sử dụng các cơ chế mật

mã, tính toán phân tán và cơ chế đồng thuận trong blockchain

Mục tiêu chính của nghiên cứu là trình bày cách mà cơ sở hạ tang và chu kỳ tự

nhiên này có thé hỗ trợ việc tính toán các biến thể khác nhau về đóng góp trong họcphân tán thông qua hợp đồng thông minh dựa trên blockchain như một phương tiện

giao tiếp

Chuong2 TONG QUAN

Trước khi tiếp tục, chúng tôi sẽ cung cấp một cái nhìn tổng quan về Học Liên kết và

công nghệ Blockchain dé hiểu rõ hơn về cơ sở và cơ chế hoạt động của hệ thống

Học Liên kết là một phương pháp học máy phân tán trong đó các thiết bị hoặc bên

tham gia đóng vai trò làm đám đông đề huấn luyện mô hình học máy mà không cầnchia sẻ dữ liệu giữa các bên Quá trình huấn luyện diễn ra trên các thiết bị hoặc máy

chủ cục bộ, giữ cho dữ liệu tại chỗ và tăng cường quyền riêng tư

Blockchain, trên một khía cạnh khác, là một công nghệ phân tán và bảo mật, nổi

tiếng từ việc hỗ trợ tiền điện tử Bitcoin Nó cung cấp một số cái công khai và bat

biến, cho phép ghi lại các giao dịch va sự kiện một cách minh bạch và không thé

thay đổi

Hệ thống trả thưởng mà chúng tôi đề xuất kết hợp Học Liên kết và Blockchain đểtạo ra một phương thức trả thưởng công bằng và minh bạch cho các bên tham gia

Trong hệ thống này, chúng tôi xác định hai thành phần chính của trả thưởng: Phần

thưởng cơ ban (base reward) và Phần thưởng hiệu suất (performance reward)

Phần thưởng cơ bản là một khoản thưởng nhất định mà mọi bên tham gia nhận được

mỗi khi họ gửi dữ liệu huấn luyện Điều này khuyến khích sự đóng góp và tham gialiên tục trong quá trình Học Liên kết

Phần thưởng hiệu suất là một khoản thưởng dựa trên đóng góp của từng bên trongquá trình Học Liên kết Chúng tôi sử dụng phương pháp "deletion method" đề đánh

giá sự thay đổi trong hiệu suất mô hình khi loại bỏ dif liệu từ mỗi bên Điều này

giúp xác định mức đóng góp của từng bên và phân chia phần thưởng một cách công

bằng dựa trên hiệu suất của họ

Dé thực hiện việc trả thưởng nay, chúng tôi sử dụng hợp đồng thông minh trên nềntang Blockchain (đặc biệt là Ethereum) Hợp đồng thông minh cung cấp tính minh

bach và bảo mật cho quá trình trao đôi thông tin giữa các bên tham gia Nó cũng

đảm bảo tính toàn ven của dir liệu và quá trình trả thưởng bằng cách sử dụng kỹ

thuật mã hóa không đối xứng và ghi lại trạng thái trên mạng Blockchain

Trong bối cảnh của Học Liên kết được điều hành bởi một mạng lưới liên kết

(consortium blockchain network), nơi các bên tham gia là các doanh nghiệp và tổ

chức đáng tin cậy, khả năng các bên tham gia gian lận là thấp Hệ thống trả thưởngcủa chúng tôi cũng hỗ trợ việc quản lý các trường hợp đóng góp không đồng đều từ

các bên tham gia Chúng tôi sử dụng hợp đồng thông minh đề lưu trữ các bản ghiđóng góp trên Blockchain một cách minh bạch và không thé thay đổi Dựa trên cácbản ghi đóng góp này, mỗi bên tham gia sẽ được thưởng hoặc bị phạt thông qua

token trên Blockchain.

Trong báo cáo này, chúng tôi sé tiền hành triển khai hệ thống trả thưởng trên một

môi trường thực tế và đánh giá tính khả thi của nó Chúng tôi cũng sẽ tiến hành mộtphân tích chỉ tiết về các khía cạnh kỹ thuật, an ninh và độ tin cậy của hệ thống

Chương3 NGHIÊN CỨU VÀ LÝ THUYET

3.1 Học máy liên kết (federated learning)

Học máy liên kết (federated learning) là khái niệm được giới thiệu lần đầu tiên bởiGoogle vào năm 2016 Federated learning là một khái niệm trong lĩnh vực máy học

(machine learning) mà trong đó, quá trình học mô hình máy học được thực hiện

phân tán và phối hợp giữa nhiều thiết bị hoặc nguồn dữ liệu mà không cần chia sẻ

dữ liệu cá nhân hoặc nhạy cảm với một máy chủ trung tâm Thay vì gửi dữ liệu đến

một trung tâm xử lý tập trung, các thiết bị hoặc nguồn dữ liệu được huấn luyện trênchính nền tảng của mình và chỉ chia sẻ các thông tin cần thiết, như gradients hoặc

các tham sé mô hình đã được cập nhật, với máy chủ trung tâm để hợp nhất và cậpnhật mô hình chung Điều này giúp bảo vệ quyền riêng tư của dữ liệu và tăng tính

phân tán, linh hoạt trong quá trình huan luyện mô hình máy học

3.2 Công nghệ blockchain

Blockchain là một công nghệ lưu trữ và truyền thông tin một cách an toàn và bảo

mật Nó được xây dựng dựa trên một hệ thống phân tán, trong đó thông tin được lưu

trữ và quản lý trong các khối (block) liên kết với nhau theo một trật tự thời gian

Mỗi khối chứa một số thông tin, bao gồm cả dữ liệu và mã hóa (hash) của khối

trước đó Điều đặc biệt về blockchain là mọi thay đồi hoặc sửa đổi trong khối sẽ

được phản ánh tức thì và có thể kiểm tra được bởi toàn bộ mạng lưới, làm cho dữ

liệu trong blockchain trở nên bat biến và không thé thay đổi một cách dễ dàng

Blockchain thường được sử dụng như một số cái công cộng, nơi thông tin và giao

dịch được ghi lại và được xác nhận bởi một mạng lưới ngang hang (peer-to-peer)

của các nút (nodes) Ví dụ phổ biến nhất về blockchain là blockchain của Bitcoin,nơi các giao dịch tiền điện tử được ghi lại và xác minh

Công nghệ blockchain mang lại nhiều lợi ích, bao gồm tính toàn vẹn đữ liệu, tínhminh bạch, an ninh cao và khả năng xác minh đáng tin cậy Nó được áp dụng trong

nhiều lĩnh vực, từ tài chính và ngân hàng đến chuỗi cung ứng, bảo hiểm, y tế và

nhiều lĩnh vực khác, nhằm cung cấp các giải pháp phân quyên, an toàn và tin cậy

cho việc lưu trữ và chia sẻ thông tin.

3.3 Học máy truyền thống và học máy liên kết

3.3.1 Cơ chế cúa học máy truyền thống

Trong các mô hình máy học truyền thống, chúng ta có mô hình và dữ liệu Mô hình

ở đây có thé là một mạng neural hoặc cũng có thé là một mô hình hồi quy tuyến tính

cổ điển

Dữ liệu mà chúng ta làm việc không phát sinh trực tiếp trên máy tính mà chúng ta

huấn luyện mô hình Dữ liệu được tạo ra từ một nơi khác.

Nó có thể bắt nguồn từ một điện thoại khi người dùng tương tác với một ứng dụng,

một chiếc xe thu thập dữ liệu từ các cảm biến, một máy tính nhận đầu vào thông

qua bàn phím, hoặc một loa thông minh lắng nghe người nào đó cố gắng hát một bài

hát.

Điều quan trong cần nhắc đến là dữ liệu này thường không đến từ một nơi duy nhất,

mà là nhiều nơi Đó có thé là nhiều thiết bị chạy cùng một ứng dung Nhung nó

cũng có thể là nhiều tổ chức khác nhau, tất cả đều tạo ra dữ liệu cho cùng một mụcđích huấn luyện mô hình

Vi vậy, dé sử dụng học máy hoặc bắt kỳ loại phân tích dữ liệu nào, phương pháp đãđược sử dụng trong quá khứ là thu thập tắt cả dữ liệu sau đó tổng hợp lại trong một

máy chủ trung tâm.

Sau khi tất cả đữ liệu được thu thập vào một nơi duy nhất, chúng ta cuối cùng có thể

sử dụng học máy đề huấn luyện mô hình trên dữ liệu đó Đây là phương pháp học

máy truyền thống

3.3.2 Thách thức của học máy truyền thống

3.3.2.1 Sự phân tán của dữ liệu

Phương pháp học máy truyền thống mà chúng ta vừa thấy chỉ có thể được sử dụng

trong một số trường hợp Đó là khi tất cả đữ liệu tự nhiên có sẵn trên một máy chủ

tập trung Thế nhưng phương pháp truyền thống này không thể được sử đụng trongnhiều trường hợp khác Những trường hợp mà dữ liệu không có sẵn trên một máy

chủ tập trung, hoặc những trường hợp mà đữ liệu có sẵn trên một máy chủ không đủ

để huấn luyện một mô hình tốt

3.3.2.2 Các quy định pháp lý

Tén tại các quy định khác bảo vệ đữ liệu riêng tư của người dùng Tham khảo một

số quy định tiêu biểu trong bảng dưới đây:

1 | General Data Đây là quy định của EU nhằm bảo vệ

Protection quyền riêng tư và dữ liệu cá nhân

2_ | California California | Quy định này giúp người tiêu dùng

Consumer Privacy kiểm soát được thông tin cá nhân mà

Act cac doanh nghiép thu thap cua ho

(CCPA)

3 The Personal Day là luật của Canada dành cho sự

Information thu thập thông tin cá nhân của các

Protection and hoạt động thương mại.

Electronic

Documents Act

(PIPEDA)

Bang 3.3.1 Một số quy định pháp ly

Trên thực tế, những quy định này ngăn các tổ chức thu thập dữ liệu của người dùng

nhằm huan luyện trí tuệ nhân tao vì những người dùng này sóng ở các nơi khác

nhau trên thế giới và dữ liệu của họ được bảo vệ bởi các đạo luật bảo vệ dữ liệu

khác nhau.

3.3.2.3 Về phía người dùng

Ngoài việc tuân thủ quy định, nhiều người dùng không muốn dữ liệu riêng tư nào bị

thu thập từ thiết bị của họ Trên thực tế, trường hợp đó chính là lý do mà federatedlearning đã được phát minh.

3.3.2.4 Khối lượng dữ liệu

Ngoài ra còn có vấn đề về khối lượng đữ liệu: một số cảm biến, như camera, tạo rakhối lượng dữ liệu lớn đến mức không khả thi và không kinh tế khi thu thập tất cả

lượng dữ liệu đó Độ lớn lượng dữ liệu mà các thiết bị đó tạo ra cần có sự đáp ứngcủa hạ tang phần cứng mạnh mẽ và đắt đỏ dé lưu trữ và xử lý Và hầu hết dữ liệu

thậm chí còn không hữu ích.

3.3.3 Giải pháp

Học máy liên kết đơn giản là đảo ngược phương pháp tiếp cận trên Nó cho phép

máy học trên dữ liệu phân tán bằng cách di chuyển quá trình huấn luyện tới dữ liệu,thay vì di chuyển dữ liệu tới quá trình huấn luyện

© Học máy truyền thống: di chuyền dữ liệu tới quá trình huấn luyện

© Học máy liên kết (federated learning): di chuyển quá trình huấn luyện tới dữ

liệuBằng cách làm như vậy, chúng ta có thé huấn luyện mô hình mà trước đây với sự

hạn chế của dữ liệu đã không thẻ thực hiện Một số ví dụ có thể nghĩ đến:

e Huấn luyện các mô hình AI y tế xuất sắc bằng cách cho phép các bệnh viện

khác nhau cùng tham gia huấn luyện

© Chúng ta có thé giải quyết gian lận tài chính bằng cách huấn luyện các mô

hình AI trên dữ liệu của các tổ chức tài chính khác nhau

Khi triển khai federated learning, chúng ta khám phá thêm nhiều lĩnh vực mới nhờviệc chúng ta có thể truy cập vào lượng đữ liệu trước đây không thẻ truy cập được

10

3.4 Học máy liên kết và công nghệ blockchain

Mối liên hệ giữa học máy liên kết (federated learning) và blockchain được thé hiện

thông qua các yếu tố sau:

3.4.1 Tính bảo mật

Cả học máy liên kết và blockchain đều đặt nặng vấn đề bảo mật Trong học máy

liên kết, đữ liệu đào tạo của từng người dùng được được bảo vệ và không phải chia

sẻ công khai Tương tự, trong blockchain, các giao dịch và dữ liệu được mã hóa và

bảo vệ bằng cách sử dụng các phương pháp mật mã Việc sử dụng blockchain tronghọc máy liên kết có thể bồ sung thêm 1 lớp bảo mật mà vẫn giữ được tính toàn vẹn,

minh bạch của quá trình huấn luyện

3.4.2 Tính minh bạch

Blockchain được biết đến với tính chất phi tập trung và minh bạch Mỗi giao dịchtrên blockchain được ghi lại và không thé thay đồi sau khi được xác nhận Khi sử

dụng blockchain trong học máy liên kết, việc ghi lại các quá trình học và đóng góp

từ các thành viên có thé được thực hiện một cách minh bạch và không thể thay đổi.Diéu này tạo ra một môi trường công bằng và đáng tin cậy cho việc tính toán đóng

góp của từng thành viên.

3.4.3 Quản lý đóng góp

Sử dụng blockchain trong học máy liên kết có thể cung cấp một cơ chế đề quản lý

và đánh giá sự đóng góp của từng thành viên Hợp đồng thông minh được dùng để

ghỉ lại các đóng góp và tính toán các phần thưởng hoặc xử phạt dựa trên đữ liệu từ

blockchain Điều này tạo ra một cách thức công bằng và minh bạch đề đánh giá vàkhuyến khích sự đóng góp trong mạng lưới học máy liên kết

Tổng quan, việc sử dụng blockchain trong học máy liên kết có thể mang lại tính bảo

mật, tính minh bạch và quản lý đóng góp tốt hơn cho các thành viên tham gia Điều

II

nay tao ra một môi trường đáng tin cậy và công bằng trong việc thực hiện quá trìnhhọc phân tán.

3.5 Nghiên cứu

3.5.1 Các dạng của học máy liên kết

Horizontal Federated Learning (HFL) và Vertical Federated Learning (VEL) là hai

dạng khác nhau của Federated Learning Dưới đây là mô tả cơ bản về hai dạng này:

© Horizontal Federated Learning (HFL): HFL xảy ra khi các đối tác trong

mạng phân tán có dữ liệu tương tự nhưng không trùng lặp Mỗi đối tác giữmột phần dữ liệu của riêng mình, và mục tiêu là hợp tác để xây dựng một mô

hình học máy chung HFL thường được sử dung trong các tình huống mà cácđối tác có dữ liệu từ cùng một nguồn hoặc chia sẻ một tập hợp thuộc tính

chung.

Vi dụ: Một tập hợp các bác sĩ từ các bệnh viện khác nhau muốn xây dựng một môhình phát hiện bệnh ung thư từ dit liệu hình ảnh chụp X-quang Mỗi bác sĩ giữ mộtphan dữ liệu hình ảnh chụp X-quang từ bệnh nhân của mình Nhờ sử dung HFL, cácbác sĩ có thể hợp tác để xây dựng một mô hình học máy chung mà không cần chia

sẻ dữ liệu nhạy cảm của mình.

e Vertical Federated Learning (VFL): VFL xảy ra khi các đối tác trong mang

phân tán có dữ liệu khác nhau nhưng có các thuộc tính chung Mỗi đối tácgiữ một phần dữ liệu với các thuộc tính riêng, và mục tiêu là hợp tác để xây

dựng một mô hình học may chung VFL thường được sử dụng trong các tình

huống mà các đối tác có dữ liệu từ các nguồn khác nhau thế nhưng lại có liênquan chặt chẽ đến nhau

Ví dụ: Một công ty tài chính muốn xây dựng một mô hình dự đoán rủi ro tín dụng

từ dữ liệu khách hàng Dữ liệu của công ty bao gồm thông tin cá nhân của khách

12

hàng như tuổi, thu nhập và lịch sử tín dụng Một ngân hàng khác có dữ liệu về lịch

sử giao dịch và tài khoản của khách hàng Bằng cách sử dụng VEL, hai tổ chức có

thể hợp tác để xây dựng một mô hình dự đoán tín dụng chung mà không cần chia sẻ

dữ liệu chỉ tiết của khách hàng

Cả HFL và VFL đều nhằm tối đa hóa việc chia sẻ thông tin và hợp tác trong môi

trường phân tán mà không tiết 16 dit liệu nhạy cảm Luận văn nay lựa chọn

Horizontal Federated Learning dé trién khai hệ thông thưởng học liên kết thông qua

blockchain.

3.5.2 Federated averaging (FedAvg)

Federated Averaging (FedAvg) là một thuật toán quan trong trong lĩnh vực học liênkết (federated learning) Thuật toán này được sử dụng đề train mô hình dựa trên dữ

liệu phân tán trên nhiều khách hàng (clients) mà không cần phải truyền dữ liệu từ

khách hàng đến máy chủ trung tâm

Cách hoạt động của FedAvg như sau:

1 Khởi tạo một mô hình toàn cầu (global model) trên máy chủ trung tâm

2 Gửi mô hình toàn cầu từ máy chủ trung tâm đến các khách hàng

3 Trên mỗi khách hàng, global model được sử dụng để huấn luyện trên dit liệu

cục bộ của khách hàng.

4 Sau khi hoàn thành quá trình huấn luyện, các khách hàng gửi các cập nhật

mô hình cục bộ (local model updates) trở lại máy chủ trung tâm.

5 Máy chủ trung tâm tổng hợp các cập nhật mô hình từ tat cả các khách hang

bằng cách lấy trung bình trọng số của các cập nhật

6 Mô hình toàn cầu được cập nhật dựa trên tổng hợp này

7 Các quá trình trên được lặp lại cho nhiều vòng lặp (epochs) cho tới khi

global model đạt được độ chính xác mong muốn.

FedAvg có lợi thế là giảm bớt việc truyền dữ liệu giữa máy chủ trung tâm và khách

hàng, thay vào đó chỉ truyền các cập nhật mô hình cục bộ Điều này giúp bảo vệ

13

quyền riêng tư và giảm bớt tài nguyên mạng Ngoài ra, FedAvg cũng giúp đạt đượcmột mô hình toàn cau tốt hơn bằng cách kết hợp các đóng góp từ các khách hàng

khác nhau thông qua trung bình trọng số

3.5.3 Hợp đồng thông minh

Một hợp đồng thông minh (smart contract) đơn giản là một chương trình chạy trên

blockchain (ở đây nhóm dùng mạng Ethereum) Đó là một tập hợp mã (các chức

năng) và dữ liệu (trạng thái) đặc trưng của nó, tồn tại tại một địa chỉ (là một chuỗi

thập lục phân) cụ thể trên blockchain Bat kỳ ai cũng có thể viết một hợp đồng

thông minh và triển khai nó lên một mạng bat kỳ

Mã hợp đồng thông minh công khai đối trên mang đó, va bat kỳ thành viên nào

cũng có thé thực thi mã đó dé xác thực kết quả (trừ khi mã đó được lập trình để giới

hạn chi 1 nhóm người có thể thực thi được các chức năng nhất định) Hợp đồng

thông minh trên Ethereum được viết bằng ngôn ngữ lập trình riêng gọi là Solidity

3.5.3.1 Sw kiện trong hợp đồng thông minh

Sự kiện trong hợp đồng thông minh là cách để trao đôi dữ liệu bất đồng bộ giữa các

thành viên trong mạng blockchain Trong Solidity, sự kiện được phát đi như các tínhiệu, mà các hợp đồng thông minh có thé kích hoạt Các ứng dụng phi tập trung

(DApps), tức là các ứng dụng phi tập trung hoặc bắt cứ thứ gì kết nối với Ethereum

JSON-RPC API (giao diện được tiếp cận bởi mạng blockchain dé kết nối và tương

tác lập trình với blockchain), có thể lắng nghe các sự kiện này và thực hiện hành

động tương ứng Sự kiện cũng có thể được đánh chỉ muc(indexed), để lịch sử sự

kiện đó có thể được truy vấn sau này

Trong Blockchain, khi một giao dịch được khai thác, hợp đồng thông minh có thể

phát ra các sự kiện và ghi log vào blockchain mà giao diện người dùng có thể xử lý.Những sự kiện này sau đó có thể được sử dụng để giao tiếp với một hợp đồng thôngminh từ phía giao diện ứng dụng hoặc các ứng dụng khác đăng ký Sự kiện không

14

được coi là một thay đổi trạng thái trên Blockchain, đo đó, chúng tiêu thụ ít gas (phígiao dich) hơn so với các giao dich thay đổi trang thái trên Blockchain.

cho một tài khoản khác, và lay tong cung cấp của token

Bằng việc tuân theo tiêu chuẩn ERC20, các token có thể được trao đổi và tương tácmột cách mượt mà trên các nền tảng dựa trên Ethereum, chẳng hạn như sàn giao

dịch phi tập trung (DEX) và ứng dụng phi tập trung (DApp) Tiêu chuẩn ERC20 đãđóng vai trò quan trọng trong việc khuyến khích sự thông dụng và tương tác của các

token trong mạng lưới Ethereum.

ERC20 có các phần mở rộng bao gồm các chức năng và tính năng bổ sung có thé

được thêm vào hợp đồng token chuân ERC20 Những phần mở rộng này cải thiện

khả năng của token và cung cấp các chức năng bồ sung ngoài việc chuyền giao

token và quản lý số dư cơ bản

Một số phần mở rộng ERC20 phô biến bao gồm:

e ERC20 Burnable: Phần mở rộng này cho phép chủ sở hữu token đốt 1 lượng

token của mình, giảm tổng nguồn cung

e ERC20 Pausable: Phần mở rộng này cho phép chủ sở hữu hợp đồng tạm

dừng và khôi phục hoạt động chuyển giao token, cung cấp cơ chế tạm thời

dừng hoạt động token trong trường hợp khẩn cấp hoặc vấn đề bảo mật

15

e ERC20 Snapshot: Phần mở rộng này cho phép tạo ra các bản chụp của trạng

thái token tại một thời điểm cụ thé, cho phép phân tích lịch sử và triển khai

các tính năng như bỏ phiếu hoặc phân phối cô tức

e ERC20 Permit: Phan mở rộng này giới thiệu một chức năng mới gọi là

"permit" Chức năng permit cho phép chủ sở hữu token phê duyệt việcchuyển token mà không cần gọi | transaction Với ERC20 Permit, người

dùng có thể cung cấp một chữ ký số duy nhất dé ủy quyền cho giao dịch

chuyển token Điều này giúp đơn giản hóa trải nghiệm người dùng và giảm

số lượng giao dịch cần thiết dé tương tác với hợp đồng token khi có thé ứng

dụng vào tạo ra 1 giao dịch không tốn gas, người dùng không cần phải tíchtrữ 1 lượng ETH dé trả phi giao dịch mà có thé trả phí trực tiếp bằng token

đang giao dịch Bằng cách triển khai ERC20 Permit, chủ sở hữu token có thể

ký một thông điệp permit duy nhất có thé được sử dụng bởi các ứng dụng

hoặc dịch vụ bên thứ ba để thực hiện giao dịch chuyển token thay mặt cho

chủ sở hữu token Tính năng này nâng cao khả năng tương tác và trải nghiệmngười dùng của các token ERC20 ERC20 Permit không thuộc phan tiêu

chuân ERC20 ban đầu nhưng đã trở nên phô biến như một tiện ích mở rộngtùy chọn để cải thiện tính năng và trải nghiệm người dùng của các token

ERC20.

Tất cả những phần mở rộng này không phải là một phần của tiêu chuẩn ERC20 gốc

mà là những bồ sung tùy chọn mà các nhà phát triển có thể tích hợp vào hợp đồng

token ERC20 của mình để phù hợp với nhu cầu cụ thể Nhóm sử dung ERC20 détạo ra token dung làm phần thưởng cho những người tham gia huấn luyện mô hình

3.5.3.3 ERC1967

ERC1967 là một tiêu chuẩn trong hợp đồng thông minh trên Ethereum, nó định

nghĩa một mô hình proxy dé triển khai và nâng cấp các hợp đồng thông minh mộtcách linh hoạt và tiết kiệm chi phí

Theo tiêu chuẩn này, một hợp đồng proxy được triển khai trước, và nó sẽ chuyền

hướng tat cả các cuộc gọi hàm và sự kiện tới một hợp đồng hiện hành

16

(implementation contract) Hợp đồng hiện hành này có thể được nâng cấp mà khôngảnh hưởng đến hợp đồng proxy, và toàn bộ logic và dữ liệu của hợp đồng cũ sẽ

được chuyên sang hợp đồng mới

Mô hình proxy ERC1967 giúp giảm đáng ké chi phí triển khai và nâng cấp hợp

đồng thông minh Thay vì triển khai lại toàn bộ hợp đồng khi có thay đổi, chỉ hợpđồng hiện hành mới được triển khai và hợp đồng proxy chỉ cần thay đổi địa chỉ của

hợp đồng hiện hành Điều này giúp tiết kiệm gas và giảm rủi ro khi triển khai và cập

nhật hợp đồng thông minh

ERC1967 cung cấp một cơ chế linh hoạt và an toàn dé quản ly các phiên bản và

nâng cấp của hợp đồng thông minh trên mạng Ethereum, tạo điều kiện cho sự pháttriển và tiến bộ liên tục trong quá trình phát triển dự án blockchain Nhóm sử dụng

ERC1967 dé làm proxy cho token ERC20 và các hợp đồng thông minh quản lý

khác.

3.5.4 Cơ chế trả thướng thông qua hợp đồng thông minh

Học máy Liên kết đã thu hút sự chú ý đáng ké như một phương pháp phi tap trung

để huấn luyện mô hình học máy bằng dữ liệu từ nhiều nguồn khác nhau Đề khuyến

khích sự tham gia tích cực và động viên đóng góp từ các thành viên trong mạng họcmáy liên kết, một cơ chế trả thưởng mạnh mẽ là rất quan trọng Bài viết này trình

bày một cơ chế trả thưởng bao gồm phan thưởng cơ bản và phần thưởng hiệu suất,

với tập trung vào phương pháp xóa bỏ dé đánh giá đóng góp

3.5.4.1 Phần thưởng cơ bản (20%)

Phần thưởng cơ bản là thành phần cơ bản đề đền đáp các thành viên trong mạng học

máy liên kết Mọi thành viên nộp mô hình huấn luyện của họ sẽ nhận được phần

thưởng cơ bản Phần thưởng này là một tỷ lệ cé định, được đặt ở mức 20% của tổng

số phần thưởng Phần thưởng cơ bản công nhận sự nỗ lực và cam kết của các thànhviên trong quá trình đóng góp vào quá trình học máy liên kết tổng thể

17

3.5.4.2 Phan thưởng hiệu suất (80%)

Phần thưởng hiệu suất là thành phần chiếm phần lớn trong phân phối thưởng và liên

quan trực tiếp đến những đóng góp của các thành viên Đánh giá các đóng góp dựatrên phương pháp xóa bỏ, một phương pháp đã được thiết lập trong học máy liên

kết Phương pháp xóa bỏ bao gồm việc lặp lại việc loại bỏ các đóng góp từ một

người tham gia huấn luyện duy nhất trong quá trình huấn luyện và đo sự ảnh hưởng

đối với hiệu suất của mô hình

Bằng cách quan sát sự thay đổi trong độ chính xác kiểm tra với mỗi lần lặp, chúng

ta có thể đánh giá sự suy giảm trong hiệu suất mô hình do thiếu sự đóng góp của

từng người huấn luyện mô hình cụ thé Đánh giá này cho phép chúng ta suy ra đónggóp của từng thành viên vào việc cải thiện mô hình toàn cầu Phần thưởng hiệu suất

được phân phối tỷ lệ thuận theo đóng góp đã đo lường của từng thành viên

Hình 3.5.1: Công thức tính phần thưởng hiệu suất

P6a¡: Tổng số lượng ETH dùng làm performance reward của cả session

18

RSmax: số lượng round của session là owner đã chọn.

Px: lượng performance reward chia đều cho mỗi round trong session

n(scorezero): số lượng trainer bị cham điểm 0

Pravg: lượng performance reward trung bình mà mỗi trainer không bị điểm 0 sẽ nhậnđược trong mỗi round

PRscoreAyg: lượng performance reward trung bình cho mỗi điểm

scoremax: điểm cao nhất có thé đạt được

Prscore: lượng performance reward trung bình tương ứng với mỗi tỷ lệ mỗi điểm số.TrSmax: số lượng trainer tối đa ma owner session đã yêu cầu

Trmin: số lượng trainer tối thiểu mà trong session mà hệ thống quy định

seore: là số điểm mà trainer được các tester đánh giá

n(score): tần số của số điểm đã được đánh giá cho các trainer

k: hệ số trên lệch phần thưởng giữa các điểm hệ số càng họ thì tỷ lệ phần lượng giữa

các điểm các chênh lệch

P: lượng performance reward được thưởng cho các trainer dựa vào số điểm và tần sốxuất hiện của điểm, nhằm đảm bao phan thưởng luôn bằng số lượng performance

reward đã cấp mỗi round

Sự đóng góp của các trainer được đánh giá dựa trên việc có hoặc không làm tăng sựchính xác của global model chứ không sử dụng các thông số độ chính xác sau khithực hiện testing để đánh giá như accuracy, recall, Fl score Dựa trên ngữ cảnh

owner session không muốn chia sẻ tập dữ liệu test của mình mà thay vào đó sẽ sử

dụng các tập dữ liệu có sẵn trên các trainer để thực hiện testing, độ chính xác cũng

chỉ là tính khách quan Ngoài ra, việc không sử dụng bộ một bộ dữ liệu do owner

cung cấp dé thực hiện testing cũng nhằm chống việc gian lận Giả sử, các ownersession sử dụng các tài khoản khác dé tham gia vào session của mình và sử dụng bộ

đữ liệu test để thực hiện training Khi đến round testing, thì trainer đó sẽ nhận đượclượng accuracy cao hơn vì bộ dữ liệu đùng dé testing và training là cùng một bộ, như

thé thì các owner session luôn nhận được phan thưởng cao hơn từ chính phần thưởng

họ đã đặt Điều này là không công bằng với các trainer khác

19

3.5.4.3 Lợi ích của phương pháp xóa bỏ

Phương pháp xóa bỏ cung cấp một phương pháp đáng tin cậy và khách quan đề

đánh giá đóng góp của các thành viên trong học máy liên kết Phương pháp xóa bỏ

đảm bảo tính công bằng và độ chính xác trong đo lường đóng góp Nó loại bỏ khảnăng gian lận đóng góp và nâng cao tính đáng tin cậy của cơ chế trả thưởng

3.5.4.4 Kết luận

Cơ chế trả thưởng được dé xuất cho học máy liên kết sử dụng phương pháp xóa bỏ

cung cấp một phương pháp cân bằng đê động viên các thành viên dựa trên đóng góp

của họ Phần thưởng cơ bản công nhận nỗ lực của tất cả các thành viên, trong khi

phan thưởng hiệu suất phản ánh tác động cá nhân lên việc cải thiện mô hình toàn

cầu Bằng cách kết hợp hai thành phần này, cơ chế trả thưởng khuyến khích sự thamgia tích cực và khuyến khích sự hợp tác trong mạng học máy liên kết

Thông qua việc thực hiện cơ chế trả thưởng này, chúng tôi nhằm mục tiêu thúc đâycác thành viên tích cực đóng góp vào quá trình học máy liên kết và tạo ra một hệ

thống công bằng và minh bạch Phương pháp xóa bỏ đảm bảo tính toàn vẹn của các

đóng góp, tạo nền tảng vững chắc cho việc phân phối thưởng chính xác Khi học

máy liên kết tiếp tục phát triển, một cơ chế trả thưởng hiệu quả và công bằng đóng

vai trò quan trọng trong thúc đây sự thành công và sự áp dụng của mô hình học tập

phi tập trung này.

Chương 4 MO TẢ CHỨC NĂNG VÀ CÔNG NGHỆ SỬ DỤNG

20

4.1 Sơ đồ và đặc tả use case

4.1.1 Danh sách Actor

Trainer Train model

Danh gia modelTéng hop model

Kết nối viThu thập phần thưởng

Rút tiền

Admin Phân quyền

Tạm dừng/ mở tạm dừng giao dịch

Compliance Service Quan ly Allowlist

Quan ly Blocklist

Minter Service Đúc ra token

Dét tokenBang 4.1.1 Danh sách các actor

21

4.1.2 Biểu đồ use case tông quát

Add Role Unpause

Set Implementation Set Timelock

Admin

Hình 4.1.2 Use case tổng quát của Admin

22

Add to Trainer

emove from Trainer

Hình 4.1.4 Use case tổng quát của Minter Service

Claim reward

Withdraw

Trainer Trainer

5 _ | Submit Train/Test/Aggregate Trainer

23