Tình hình nghiên cứu ngoài nướcViệc áp dụng công nghệ IoT vào hệ thống nhà ở đã không còn quá xa lạ với người dùng thông thường, từ các cảm biến ánh sáng, nhiệt độ, giọng nói, chuyển độn
Trang 1ĐẠI HỌC QUOC GIA THÀNH PHO HO CHÍ MINH
TRUONG DAI HOC CONG NGHE THONG TIN
GIẢNG VIÊN HƯỚNG DAN:
ThS Nguyễn Khánh Thuật
TP HÒ CHÍ MINH - NĂM 2023
Trang 2LỜI CÁM ƠN
Lời đầu tiên, nhóm chúng em xin gửi lời cảm ơn đến ban giám hiệu, quý thầy cô của trường đại học Công Nghệ Thông Tin, đặc biệt là các thầy cô trong khoa Mạng máy tinh và Truyền thông đã tận tình giảng dạy, chỉ bảo dé chúng em được trang bị
những kiến thức cần thiết để có thể ứng dụng trong những năm học tại trường cũng
như tương lai sau này.
Đặc biệt nhất, nhóm xin cảm ơn thầy N guyen Khánh Thuật, người đã tạo điều
kiện, giúp đỡ, tận tình chỉ bảo chúng em trong suốt quá trình nghiên cứu để nhóm có thê hoàn thành được khóa luận tốt nghiệp này Những góp ý, những kiến thức mà
thầy đã tận tình chỉ bảo sẽ là hành trang quý giá cho quá trình học tập tại trường cũng
như tương lai sau này của chúng em.
Cuối cùng, nhóm xin gửi lời cảm ơn sâu sắc đến gia đình đã có công ơn nuôi dưỡng, giáo dục, hỗ trợ cho nhóm về cả vật chất lẫn tỉnh thần, luôn hỗ trợ và khích lệ
cho nhóm suốt thời gian thực hiện khóa luận cũng như thời gian học tập tại trường.
Trong quá trình thực hiện khóa luận, mặc dù đã có gắng hoàn thiện, song những sai sót đôi khi là không thể tránh khỏi, chúng em kính mong nhận được sự góp ý,
hướng dẫn của thầy cũng như mọi người dé có thé hoàn thiện khóa luận hơn nữa.
Nhóm xin chân thành cảm ơn mọi người!
TP.HCM, tháng 6 năm 2023
Vũ Văn Quang
Lăng Huỳnh Đăng Khoa
Trang 3LỜI CAM ĐOAN
Nhóm xin cam doan những gì nhóm đã dung và sử dụng là thành quả
của quá trình đọc hiểu, nghiên cứu và tham khảo có trích dẫn từ các nguồn
tin cậy.
Tác giả báo cáo
Lăng Huỳnh Đăng Khoa
Nhóm Vũ Quang — Đăng Khoa
Trang 4ĐẠI HỌC QUÓC GIA TP HÒ CHÍMINH CỘNG HÒA XÃ HỘI CHỦ NGHĨA
TRƯỜNG ĐẠI HỌC VIỆT NAM
CÔNG NGHỆ THÔNG TIN Độc Lập - Tự Do - Hạnh Phúc
ĐÈ CƯƠNG CHI TIẾT
TEN DE TÀI:
- Tiếng Việt: XỬ LY SONG SONG TREN KIEN TRÚC CAN BIEN CHO UNG
DUNG NHA THONG MINH
- Tiếng Anh: PARALLEL PROCESSING ON EDGE ARCHITECTURE FOR
SMARTHOME APPLICATIONS
Cán bộ hướng dẫn: ThS Nguyễn Khánh Thuật
Thời gian thực hiện: Từ ngày 6/3/2023 đến ngày 18/6/2023
Sinh viên thực hiện:
- Vũ Văn Quang — 19522104 — 0367873845
- Lang Huynh Dang Khoa — 19521692 — 0326723060
Nội dung đề tài:
Tổng quan tình hình nghiên cứu:
Công nghệ IoT đang trên đà phát triển, kéo theo nhiều nhu cầu được áp dụng các
loại công nghệ AI (Artificial Intelligent) vào các mô hình thông minh như nhà thông
minh (Smarthome), nông nghiệp thông minh (Smart Agriculture), giao thông thông
minh (Smart Transportation) Trong đó, IoT tạo nên xương sóng cho giải pháp thông
minh và các mô hình AI tạo nên tính thông minh cho các giải pháp này.
Trang 5a Tình hình nghiên cứu ngoài nước
Việc áp dụng công nghệ IoT vào hệ thống nhà ở đã không còn quá xa lạ với người dùng thông thường, từ các cảm biến ánh sáng, nhiệt độ, giọng nói, chuyển động, Tuy nhiên các nghiên cứu về lĩnh vực này vẫn không ngừng được đưa ra.
Có rất nhiều đề tài về IoT mà các nhà nghiên cứu có thé khai thác như quan lý an
ninh, tự động hóa, đo đạc chất lượng không khí xung quanh môi trường sống [1]
Và dé tối ưu hóa thời gian xử lý dữ liệu, giảm tải cho băng thông, tăng tốc độ xử lý,
các nhà nghiên cứu có xu hướng đưa việc xử lý dữ liệu thô từ các server “lớn” về thiết bị cận biên nhỏ gọn, gần sát với các thiết bị cảm biến hơn [2].
Vấn đề về chất lượng không khí trong nhà thông minh cũng được đặt lên làm chủ dé bàn tán và nghiên cứu [3] Do ảnh hưởng trực tiếp đến sức khỏe, nên việc
sống trong 1 môi trường tốt rất quan trọng, việc thu thập các tập dữ liệu [4], viết báo cáo về van đề liên quan ngày càng nhiều, đồng thời áp dụng các mô hình máy
học [5] vào đề hỗ trợ các nhà nghiên cứu dự đoán kết quả trong tương lai cũng như thiết kế phương pháp tối ưu đê làm sạch môi trường hoặc đưa ra các cảnh báo phù
hợp và kịp thời.
b Tình hình nghiên cứu trong nước
Lan sóng công nghệ IoT cũng không loại trừ nước ta, việc nghiên cứu các giải
pháp nhà ở thông minh cũng như là các hệ thống đo đạc chất lượng không khí [6] ,
áp dụng Deep Learning vào hệ thống đèn giao thông hỗ trợ thay đổi tín hiệu dựa
trên tình hình hiện tại [7], mô hình học sâu đề đánh giá khả năng tác động của chất
lượng không khí lên sức khỏe con người [8], ứng dụng framework DLASE có kích
thước nhẹ để áp dụng Deep learning như một dịch vụ để chạy trên các thiết bị cận
biên có sức mạnh phần cứng bị bạn chế [9], ứng dụng giải pháp có nền Libelium ứng dụng trong thành phó thông minh [10].
Tinh khoa học và tính mới của đề tài:
Trang 6Sử dụng kỹ thuật xử lý song song trên thiết bị cận biên (Edge Device) dé xử lý dữ
liệu thô nhận được từ các cảm biến dé tăng tốc độ xử lý, đảm bảo tính “thời gian thực”của hệ thống
Kết hợp mô hình streaming video với Kafka và nhận diện khuôn mặt gia chủ
Do đạc chỉ số môi trường trong nhà ở cá nhân, dé đưa ra các cảnh báo cho gia chủ.Mục tiêu, đối tượng và phạm vi nghiên cứu:
1 Mục tiêu nghiên cứu
Tìm hiểu các thiết bị có thể được dùng làm thiết bị cận biên, cũng như các thiết bịIoT dé thu thập dữ liệu thô
Kết hợp hệ thống nhận diện khuôn mặt và stream video bằng Kafka để quản lý anninh, với hệ thống đo đạc, xử lý dữ liệu chất lượng không khí dé đảm bảo sức khỏe
Sử dụng mô hình máy học dự đoán kết quả và đưa ra cảnh báo phù hợp với dữ liệu
đã thu được.
Triển khai hệ thống trên vào thực tế và đo đạc hiệu năng khi áp dụng kỹ thuật
“parallel processing”.
2 Đối trợng nghiên cứu
Các thiết bị, cảm biến thu dữ liệu
Các máy tính nhúng có thé đóng vai trò là thiết bị cận biên Jetson Nano, Rasbery
Pi.
Céng nghé event streaming Kafka.
Mô hình máy học dự đoán va nhận diện khuôn mặt với deep learning.
Công nghệ lưu trữ database như Firebase, MySQL.
Ngôn ngữ Python, Javascript, C++.
3 Pham vi nghiên cứu
Trang 7Vị trí lắp đặt thiết bị: Xung quanh môi trường kín đáo như nhà ở, văn phòng Lab
E3.1.
Pham vi nghiên cứu:
e Các thiết bi, cam bién IoT, máy tinh nhúng Rasbery Pi, Jetson Nano
e M6i trường do đạc ở bên trong va xung quanh nha ở hoặc van phòng.
e Do đạc dữ liệu các tác nhân có khả năng gây hại trong không khí, môi trường
nhà ở.
e Thực hiện xử lý song song trong 2 việc stream video về web dé tiện theo dõi và
thu/gửi đữ liệu từ các sensor lên database dé lưu trữ cũng như đảo bảo tính “thời
gian thực”.
Nội dung phương pháp dự định nghiên cứu:
a Nội dung 1: Thiết kế mô hình IoT
b Nội dung 2: Chọn mô hình va dataset phù hợp dé đưa ra cảnh báo
c Nội dung 3: Phát triển hệ thống cảnh báo cho người dùng khi có dấu hiệu bat
thường.
d Nội dung 4: Nghiên cứu cách tối ưu việc stream nhiều video cùng lúc phát triển
API, server dé tiếp nhận thông tin và lưu vào cơ sở dữ liệu.
Kế hoạch thực hiện:
Thời gian Nội dung Nhiệm vụ
26/2 - 10/3/2023 | Tìm hiểu nội dung đề tài |- Tim hiểu đề tài được đưa ra
- _ Thừa kế các kiến thức từ dự án trước
vào khóa luận.
13-18/3/2023 Đăng ký đề tài - Dang ký GVHD và hoàn thành dé
cương khóa luận.
Trang 819/3 — 25/3/2023 Thiết kế mô hình IoT Thiết kế mô hình IoT phù hợp với
các tiêu chí đã nêu ra, đo đạc được
các thông sô cân thiệt.
25/3 — 1/4/2023 Kế thừa hệ thống Triển khai áp dụng hệ thống nhóm
đã xây dựng từ đồ án chuyên ngành
vào hệ thông mới.
2/4 - 8/4/2023 Lua chọn mô hình máy
học và dataset phù hợp
cho chức năng cảnh báo
Đặt ra yêu cầu và dữ liệu đầu vào
cho chức năng cảnh báo
Lựa chọn mô hình máy học có thể
triển khai được trên thiết bị cận biên
Tích hợp mô hình máy học vào thiết
bị cận biên và dữ liệu của hệ thông
9/4 — 23/4/2023 Trién khai nội dung Ap dụng mô hình máy học dự đoán
vào hệ thống IoT, tích hợp xử lý dit
liệu trên Rasbery Pi
Xây dựng chức năng đưa ra cảnh
báo
24/4/2023 Báo cáo tiên độ giữa kỳ Báo cáo tiên độ và trao đôi với
GVHD
24/4 - 6/5/2023 Triển khai nội dung Cải thiện hiệu năng cho mô hình
nhận diện khuôn mặt và stream trên
web
7/5 — 20/5/2023 Trién khai nội dung Xây dựng ứng dụng để gửi thông
báo cho người dung
Tích hợp công nghệ cloud lưu trữ
Firebase
Trang 921/5 - 15/6/2023 | Hoàn thiện mô hình - Hoan thiện báo cáo và phần còn lại
Tài liệu tham khảo:
{1] M Tagtan, "An IoT Based Air Quality Measurement and Warning System for,"
[Online] Available:
https://pdfs.semanticscholar.org/c966/be23da3eab0e 1 £88 1 a00cdbd5f54b61 169 1b.pdf.
[2] H Yar, A S Imran, Z A Khan, M Sajjad and Z Kastrati, "Towards Smart
Home Automation Using IoT-Enabled Edge-Computing Paradigm," [Online] Available: https://www.mdpi.com/1424-8220/21/14/4932.
[3] A Schieweck, E Uhdea, T Salthammera, L C Salthammer and L Morawska,
"Smart homes and the control of indoor air quality," Renewable and Sustainable Energy Reviews, vol 94, pp 705-718, 2018.
[4] H Zhao, W Chan, S Cohn, W W Delp, L S Walker and B C Singer, "Indoor
air quality in new and renovated low - income apartments with mechanical ventilation
and natural gas cooking in California," 23 10 2020 [Online] Available:
[7] H.K Le, H X Nguyen and Y N Tran Van, "Towards Smart Traffic Lights
based on Deep Learning and Traffic Flow Information,” 31 10 2022 [Online].
Available: https://ieeexplore.ieee.org/document/10013375.
Trang 10[8] Q.T.Leand T T Nguyen, "Lightweight Model Using Graph Neural Networks for Air Quality Impact Assessment on Human Health," 22 12 2022 [Online] Available: https://ieeexplore.ieee.org/document/10013826.
[9] Q.T Le, H K H Le and H K Le, "DLASE: A light-weight framework
supporting Deep Learning for Edge Devices," 28 8 2022 [Online] Available:
https://ieeexplore.ieee.org/document/9199058.
[10] T.N.C Tin, D K Pham and Q T Le, "Development of Libelium-based
Reconfigurable Solutions For Smart City Applications," 18 1 2023 [Online] Available: https://ieeexplore.ieee.org/document/10013829.
Xác nhận của CBHD TP HCM, ngày 8 thang 3 năm 2023
(Ký tên và ghi rõ họ tên) Sinh viên
(Ký tên và ghi rõ họ tên)
Trang 11TÓM TAT
Công nghệ IoT đang trên đà phát triển, kéo theo nhiều nhu cầu được áp dụng các
loại công nghệ AI (Artificial Intelligent) vào các mô hình thông minh như nhà thông
minh (Smarthome), nông nghiệp thông minh (Smart Agriculture), giao thông thông
minh (Smart Transportation) Trong đó, loT tao nên xương sống cho giải pháp
thông minh và các mô hình AI tạo nên tính thông minh cho các giải pháp này.
Đề xuất này đưa ra một giải pháp triển khai 2 mô hình trên áp dụng vào bối cảnhgiám sát an ninh và chất lượng không khí trong mô hình nhà thông minh Cùng với
đó là áp dụng các kỹ thuật xử lý dữ liệu như xử lý song song, xử lý trên thiết bị cậnbiên để giảm thiểu thời gian xử lý dit liệu
Trang 121.2 Lý dochọn dé tài, mục tiêu va i00 “-4 1
1.2.1 Lý do chọn đề tài -©2¿+7+++2k222E221122122122112711221 21121 cEkcre |
win 2
1.2.3 Phạm vi nghién CỨU c5 312331183119 EEEESErkkerkrererrere 2
Chương2 TONG QUAN -5-©cStEkSEEEEEEE12112121 2111212 xe, 3
2.1 Tình hình nghiên cứu trong và ngoải NƯỚC - - 5 5= ++£++ + sseseres 3
2.1.1 Tình hình nghiên cứu ngoai TƯỚC - - 5 S5 + E+*eEseeeeseereeeeres 3
2.1.2 Tình hình nghiên cứu trong nuOc - - - +5 s + E+*eseeeeeeeeeeeerss 4
2.2 _ Tính khoa học và tính mới của đề tài cccccc+ccxverrrrrrrerrrrrrrerree 52.3 Lý thuyết liên quan -:2¿-©2¿22++22+‡2E+2EEE2EEEEEEEEEEEEEEEEEEEErkerkrrrree 6
2.3.1 Jetson Nano HH TH HH HH HH gu 6
2.3.2 Raspberry ÏH HH TH TH HH ke 8
2.3.3 Y.\ìì 00) 09bađaiđaiađaiaiiia 9
2.3.4 Chỉ số AQI 5c St EE 1211211211111 11 1111112111111 11111111 te 112.3.5 Nghiên cứu chỉ số đánh giá chất lượng không khí trong nha 122.3.6 Mô hình chỉ số phụ AQT dựa trên sự thoải mái - 132.3.6 Xây dựng chất lượng không khí trong nhà PMV (IAQ) 14
2.3.7 Thuật toán Decision 'ÏTr@€ - S321 29999992 9955511111111 11 vveeeee 15 2.3.8 Thư viện face_T€COETIẨIOT - G5 3113311119 1E E1 EEEErrkrerrvre 16
Trang 13Chương 3 TRIÊN KHAI MÔ HÌNH 2-2 +2E2+EE+EE+EEerErrxerkerkrrex 22
3.1 Tổng quan hệ thống IOT, 2¿¿©£+©++E+2E++EE++EE+2ExzErerxesrxrrrreee 223.2 Mô hình dự đoán chất lượng không khí 2-2 s2+sz+s+zxzseez 25
3.3 Mô hình giám sát an ninh trong nhà thông minh 5 5< ++s<+ 28
3.3.1 Quá trình nhận diện khuôn mặt +5 2< < << +*++++++s<ssex++s 28
3.3.2 Quá trình đồng bộ hóa dữ liệu giữa các hệ thống mạng 33
3.3.3 Streaming video cùng FÌÏasK - 5 5 kh HH ng ngư 37
Chương 4 THỰC NGHIEM VÀ ĐÁNH GIA - 2-2 52+z+cs+cssrxrez 38
4.1 Thực nghiệm mô hình nhận khuôn mặt và tính năng streaming của giải
pháp 38
4.1.1 Thực nghiệm trên máy cá nhân - 55 + k* + EEseereeererserere 41
4.1.2 Thực nghiệm trên các thiết bị cận biên ¿ 2-5555: 424.2 Thuc nghiệm mô hình đồng bộ dữ liệu giữa các hệ thống 45
4.3 Thực nghiệm model dự doan chất lượng không khí -« «+ 46
4.3.1 Thu thập và xử lý dữ liệu -¿ 2- + +++x++z++zxerxerxrzreerxerxerseee 46
4.3.2 Thực nghiệm mô hình trên tập dữ liệu tes( -«++-«++<+ 48
Chuong 5 | KETLUAN VÀ HƯỚNG PHÁT TRIEN -55+ 49
5.1 Két oan fii SSR ể - 49
5.1.1 Kết quả dat QUOC eeccescesssessesssesssesssessssssesssecssecsssssecssecsuecsuecsecssecsseesseeses 495.1.2 Hạn ch veeeccecccsseecsesssesssesssessuessssssecssecsusssssssecsussusesscasecsuscssecsecssecsssesseeses 495.2 Hurong phat Ô 50TAI LIEU THAM KHAO ccccccsssscessssececsesesecscsesecscsvsucecsesucecsesucecassusecarsveusacaveneacers 51
Trang 14Danh sách hình vẽ
DANH SACH HINH VE
Hình 2-1 Ví dụ về ba hệ thong mạng khác nhau 2-2 5¿©+2s++x++zx++zs+2 5
Isi]i0212:.0i8i) 00868 7
Hinh 2-3 Ý 1) sàn 9
Hình 2-4 Mach Arduino UNO ]RÂ - G1111 12 22211111 vn ng 1 ngư, II Hình 2-5 Heat map air QU4Ì1EY - - - c6 1 1301113111191 1 911 vn He 12 Hình 2-6 Ví dụ 9 trường hợp thu được các chỉ số tương ứng [19] - 12
Hình 2-7 Bảng tác động của nồng độ CO2 lên cơ thé con người 13
Hình 2-8 Bang tác động của nồng độ PM10 lên cơ thé con người [19] 14
Hình 2-9 Bảng tác động của nồng độ HCHO lên cơ thé con người [19] 14
Hình 2-10 Decision “TTT€C - - c1 3112119111530 910191 9 110 HH HH, 15 Hình 2-11 Cơ sở dữ liệu khơng quan hệ MongoDB -« «<< <++se+seees 16 Hình 2-12 Thư viện ReactJS - - - - 1111221111121 1111211 1119 1111101111160 11 81k key 18 Hình 2-13 Phương thức cập nhật DOM của ReactJS - -«- c«cs-<<scssesses 19 Hình 2-14 Javascript RUntITme <6 2118581211 931 9111 119 119 ng nh Hy 20 Hình 3-1 Tổng thé giải pháp IoTT ¿22 2 £+S+E+EE£EE£EESEEEEEEEEEErEerkerkerkrrkrree 22 Hình 3-2 Mơ hình logic ÏỌT - c- c E2 1E31113111EE51 E8 1E 111111111 errkre 25 Hình 3-3 Flowchart ÏO TỈ - - s6 s0 190119101191 911910 9111 vn ng 26 Hình 3-4 Phương pháp HOG [20] - - 5c 5< 2 222 E333 E£+EE+EEEseerseerreeeeresre 28 Hình 3-5 Landmark estimation [2] ‹ - E SE EE**££££££££2355531111eeeee 29 Hình 3-6 Biểu diễn gương mặt bằng M9620 29
Hình 3-7 Method reCÒTIEIOT c2 1201112111311 11311 1 911 11 1111 vn ng ng kg 31 Hình 3-8 UserInfo model - - - c6 1 E111 1211 11910111910 19910119 111 ng vn ve 32 Hình 3-9 TimeStamp mOGÏL - - - c1 E32111311 113111891 18111911 9 vn ng 32 Hình 3-10 Mơ hình đồng bộ hĩa dữ liệu 2 2 52S£2S£+£E+£E+£E++E++rxerxezez 33 Hình 3-11 Mơ hình giao tiếp cloud và thiết bi đầu cuối .2- 2 sz=5c=s+ 34 Hình 3-12 Hàm cấu hình socket dé truyền dữ liệu -¿- 5¿©sz55++c++ 36 Hình 3-13 Route streaming VIC€O - c2 111v 1v ng TH ng ng 37 Hình 4-1 Streaming 2 video nhận diện gương mmặt - 5 «5+ +<<++s++s++ 38 Hinh 229i 08iìi0r 0 39
Hình 4-3 ACCUTACY - LH HH HH HH HH 39
Hình 4-4 Accuracy khi test trên dataset 6 nhãn (330 mẫu) - 25-5: 40
Hình 4-5 Dữ liệu lưu trên mongoÏ - 5 + + xxx Egn ng rưkp 40
Hình 4-6 FPS trung bình khi chạy một luồng video cĩ áp dụng kỹ thuật xử lý song
SOIIE 0Q Q H H H ọ v 44
Trang 15Danh sách bảng
DANH SACH BANG
Bảng 2-1 Cấu hình phần cứng thiết bị Arduino ƯNO -: ¿-sz55+5-++ 10
Bảng 3-1 Bảng dịch vụ cải đặt trên các thiết Đị 5c cv v EEEEEkerkskerxererrrex 24
Bang 3-2 Môi trường cai đặt Raspberry PPH - c5 - cty 24
Bang 3-3 Môi trường cài đặt Jetson Namo - c1 ng re 24
Bang 3-4 Môi trường cải đặt ClOUd - - c2 3233133211 EEESrirerrrrrerrrrrkrrre 25
Bang 3-5 Cấu trúc AQT CollectiOn -¿- 2 2 2+ +E£EE£EEEEESEEEEEEEEEEEEEeEEerkerkrrkrree 27
Bảng 4-1 Tài nguyên trước và sau khi chạyy - «sen rưkt 42
Bang 4-7 Thống kê mười FPS đầu và trung bình tổng FPS sau khi chạy hai luồng
video không áp dụng kỹ thuật xử lý song SONE - c5 2c SE ssvseerseeeree 44
Bảng 4-8 Tài nguyên trước và sau khi chạy một luồng video không áp dụng kỹ
thuật xử lý SONG SONG - c 191921 HH HH, 45
Bang 4-9 Thống kê mười FPS dau và trung bình tổng FPS sau khi chạy hai luồng
video không áp dụng kỹ thuật xử lý song SONB sex seeseessersrsesske 45
Bảng 4-10 Tài nguyên trước va sau khi chạy mô hình đồng bộ dif liệu 46
Bảng 4-11 Bảng 10 mẫu đầu tiên của tập dữ liệu sau khi gan nhãn 48Bang 4-12 : Kết quả do độ tin cậy của model thông qua các Metrics 48
il
Trang 16Danh mục từ viết tắt
DANH MỤC TỪ VIET TAT
FL Federated Learning
DACN Đồ án chuyên ngành
HOG Histogram of Oriented Gradient
DOM Document Object Model
VPN Virtual Private Network
lil
Trang 17nhận diện gương mặt, dự đoán chất lượng không khí và lợi ích của mô hình khi áp
dụng vào mô hình nhà thông minh Ví dụ như mô hình nhận diện gương mặt thường
áp dụng dé tăng cường an ninh [11], hay diém danh bang nhan dién guong mat Đối
với mô hình dự đoán chất lượng không khí sẽ cảnh báo con với yếu tố có thê gây hại
đến sức khỏe con người [12]
Nhưng có một van đề đặt ra đối với mô hình này là làm thé nao dé những mô hình
có tính thời gian thực cũng như việc giảm thiêu độ trễ xử lý tín hiệu Một vài bàinghiên cứu cho thay rang dé cải thiện độ trễ cũng như tínhh thời gian thực, họ đã đưaviệc xử lý dữ liệu về trên các thiết bị cận biên trong mô hình mạng [13]
1.2 Lý do chọn đề tài, mục tiêu và phạm vi
1.2.1 Ly do chọn đề tài
Vì IoT là một lĩnh vực mang lại nhiều sự tiện lợi cũng như lợi ích cho con ngườitrong việc tự động hóa nhà cửa Xử lý dữ liệu trên các thiết bị cận biên mang lại lợi
ích như cải thiện độ trễ và quyết định thời gian thực Bên cạnh đó, tính mở rộng của
xử lý song song cho phép tích hợp với sự tăng dần về mặt số lượng của các thiết bịthông minh và xử lý các nhiệm vụ phức tap Bằng cách khám pha đề tài nay, có théthấy tiềm năng của Edge Computing tạo ra trong nhà thông minh rất hiệu quả, đángtin cậy và góp phan nâng cao chất lượng tổng thé của người dùng
Trang 18Chương 1 Mé đầu
1.2.2 Mục Tiêu
e Tìm hiểu các thiết bị có thé được dùng làm thiết bị cận biên, cũng như các thiết
bị IoT dé thu thập dữ liệu thô
e Kết hợp hệ thong nhận diện khuôn mặt va stream video dé quan ly an ninh,
với hệ thống đo đạc, xử ly dữ liệu chất lượng không khí dé đảm bảo sức khỏe.e_ Triển khai hệ thống trên vào thực tế và đo đạc hiệu năng khi áp dụng kỹ thuật
“parallel processing”.
e Xây dựng được một hệ thống giám sát trong nhà thông minh, về mặt an ninh
và mặt chất lượng không khí trong nhà ở cá nhân
1.2.3 Phạm vi nghiên cứu
e Các thiết bị, cảm biến thu dữ liệu
e_ Các máy tính nhúng có thé đóng vai trò là thiết bị cận biên Jetson Nano,
Raspberry PI.
e Cloud Computing với AWS cloud.
e Các thư viện, framework hỗ trợ như ReactJS, NodeJS, Flask.
e Cơ sở dữ liệu không quan hệ như MongoDB.
Trang 19Chương 2 Tổng quan
Chương 2 TONG QUAN
2.1 Tình hình nghiên cứu trong và ngoài nước
2.1.1 Tinh hình nghiên cứu ngoài nước
Việc áp dụng công nghệ IoT vào hệ thống nhà ở đã không còn quá xa lạ với ngườidùng thông thường, từ các cảm biến ánh sáng, nhiệt độ, giọng nói, chuyển động, Tuy nhiên các nghiên cứu về lĩnh vực này vẫn không ngừng được đưa ra, có rất nhiều
đề tài về IoT mà các nhà nghiên cứu có thé khai thác như quan lý an ninh, tự động
hóa, Và dé tối ưu hóa thời gian xử lý dữ liệu, giảm tải cho băng thông, tăng tốc độ
xử lý, các nhà nghiên cứu có xu hướng đưa việc xử lý dữ liệu thô từ các server “lớn”
về thiết bị cận biên nhỏ gọn, gan sát với các thiết bi cảm biến hơn như trong bài
nghiên cứu của H Yar; A.S Imran; Z.A Khan; M Sajjad; Z Kastrati [13] Trong
nghiên cứu này, tác giả đã deploy các dịch vụ hỗ trợ tạo ra hệ thống nhà thông minhnhư về an ninh, tự động hóa, giảm điện năng tiêu thụ, băng thông, và tất cả chúngđược chạy trên nền Raspberry Pi
Bên cạnh đó việc áp dụng các mô hình máy học cũng như mô hình học sâu vào
những hệ thống IoT cũng góp phần nâng cao tính “thông minh” của các thiết bị này.
Các tác giả M.Hussain, S.Afrin, A.Irin và S.K.Park [14] dé xuất một nghiên cứu ứng
dụng mô hình máy học là Decision Tree vào giải quyết vấn đề dự đoán chất lượngkhông ở thành phố Khulna ở Bangladesh Tác giả đã sử dung dataset air quality (AQ)của Department of Environment (DOE) và dataset về các chỉ số về thời tiết trong dự
án National Aeronautics & Space Administration (NASA) - Prediction of Worldwide
Energy Resources (POWER), chia ra thành hai tap train va test với ti lệ 8:2 và thu
được độ chính xác gần 98.8%
Cũng có những bài nghiên cứu về việc sử dụng deep learning trên các thiết bị cận
biên Như các tác giả Seraphin B Calo, Maroun Touna; Dinesh C Verma; Alan
Cullen [15] có đề xuất giải pháp kiến trúc hỗ trợ chạy các tác vụ deep learning trênthiết bị cận biên nhưng vẫn giữ được hiệu năng ồn định như khi chạy trên các máy
Trang 20Chương 2 Tổng quan
tính server, cloud Giải pháp này xử lý dữ liệu dau vào từ các cảm biên trên tang cận
biên, thay vì tập trung vào một máy chủ dé xử lý
2.1.2 Tinh hình nghiên cứu trong nước
Việc nghiên cứu về IoT ở trong nước cũng đã và đang được day mạnh dé có thébắt kịp với trình độ khoa học kỹ thuật của thế giới Như sau đại dịch COVID-19, xuấthiện bài nghiên cứu ứng dụng IoT vào hỗ trợ kiểm soát vẫn đề lây lan của virus bằng
cách phân biệt người không đeo khâu trang với người có đeo và kiểm soát khoảngcách tối thiểu giữa hai người với nhau thông qua một IP camera của PGS.TS Quan
Le - Trung [16] Giải pháp này đề xuất một kiến trúc 3 tầng gồm tầng đám mây tậptrung (Centralize Cloud) sẽ host một web server tạo kết nối đến cơ sở dữ liệu, một
trang web dashboard dé quản sát video được stream từ camera an ninh, kiểm soát
khoảng cách tối thiểu giữa hai người cũng như vấn đề đeo khẩu trang; tầng thứ haigồm các thiết bị cận biên chạy dịch vụ nhận diện đeo khẩu trang và đo khoảng cách,các dịch vu được đóng gói vào Docker Container rồi được deploy trên kubernetes k3scluster dung lượng nhẹ Và sẽ được deploy trên cả Jetson Nano, Raspberry Pi để gópphần tăng tính mở rộng, tính sẵn sàng, khả năng tự vá lỗi, khả năng tự tối ưu tàinguyên, độ ồn định và khả năng tự động deploy trên các dịch vụ cận biên; cuối cùng
là tang thiệt bi dau cuôi gôm các camera kêt nôi đên các dich vụ AI ở thiệt bi cận biên.
Trong những năm gần đây vấn đề về chất lượng không khí trong môi trường sốngcon người được chú trọng hơn bao giờ hết do dấy lên nhiều vấn đề về bụi mịn, ô
nhiễm, Chính vì vậy mà nghiên cứu khoa học của tác giả Tạng Nguyễn — Tân và
Quân Lê — Trung [17] được đề ra dé nghiên cứu về tác động của chất lượng khôngkhí lên sức khỏe con người Nghiên cứu này đề xuất một mô hình có nền mạng thần
kinh đồ thị, mô hình gồm năm tầng đồ thị như timestamp graph message passing dé
thong kê, tong hợp dữ liệu dựa trên đồ thị; timestamp graph convolution layer dé mởrộng features; temporal graph message passing layer dé tong hợp dữ liệu dựa trên đồ
thị chuỗi thời gian; temporal graph convolution layer dé tách feature dựa trên đồ thị
chuỗi thời gian; simple artificial neural network dé phan loai đồ thi dựa trên dé liệu
ở các nodes Đầu vào của hệ thống là dữ liệu chuỗi thời gian của bốn chỉ số CO, NO2,
Trang 21Chương 2 Tổng quan
O3 và PM2.5, đầu ra là các một trong các trường hợp sau: “fresh”, “polluted”,
TT.
“headaches”, “pneumonia”, “convulsions” hoặc là “nausea”, hoặc “death”.
2.2 Tinh khoa học và tinh mới của đề tài
Sử dụng kỹ thuật xử lý song song trong mô hình streaming video và nhận diện
khuôn mặt đề tạo ra một hệ thống đảm bảo chất lượng sống trong nhà thông minh, cụthé là đo đạc chất lượng không khí trong nhà ở cá nhân, phát hiện nồng độ các loại
khí như CO2, PM10 và HCHO.
Hình 2-1 Ví dụ về ba hệ thống mạng khác nhau
Mô hình được đề xuất áp dụng giải pháp đồng bộ hóa hệ thong nhận diện khuôn
mặt khắp các hệ thong mang khác nhau Xét một mô hình đơn giản như trên, với A,
B và C tượng trưng cho ba hệ thong mang khác nhau, mỗi hệ thong mang thudc về
một ngôi nhà, mỗi ngôi nhà lại có nhu cầu về van dé an ninh như nhau đó là yêu cầu
khuôn mặt của họ phải được nhận ra ở toàn bộ các hệ thống mạng mặc dù việc đăng
ký khuôn mặt chỉ cần phải diễn ra ở một nơi Một gia dụ dé làm rõ van đề gặp phải
như sau: một người có ba ngôi nhà A, B và C, người đó đăng ký khuôn mặt của mình
ở A và đi sang ngôi nhà B, lúc này nhu cầu của người đó chính là hệ thống B có thể
nhận diện được khuôn mặt mình, điều này được áp dụng kế cả OC Trong tình huốngnhư vậy, việc đồng bộ hóa dữ liệu của mô hình nhận diện khuôn mặt giữa ba hệ thốngmạng trở nên cấp thiết và không thể thiếu nhằm đảm bảo trải nghiệm người dùngcũng như thé hiện độ hoàn thiện của hệ thống
Trang 22Chương 2 Tổng quan
Về cơ bản thì khi hệ thống nhận diện khuôn mặt ở hệ thống mang A được trainvới một tap dataset mới, thì hệ thong nhận diện khuôn mặt ở hệ thong mang B sé
được cập nhật thêm dữ liệu mới trong thời gian thực, việc nay giúp đồng bộ hóa nhiều
hệ thống nhận diện khuôn mặt ở những vi trí cách xa nhau như đã ví du ở trên
2.3 Lý thuyết liên quan
2.3.1 Jetson Nano
NVIDIA! Jetson Nano Developer Kit B01 là một máy tính nhỏ và mạnh mẽ cho
phép chạy nhiều mạng neuron song song ứng dụng trong xử lý hình ảnh, nhận diện
vật thé, xử lý ngôn ngữ, âm thanh, Tat cả đều được xử lý trên nền một thiết bị nhỏ
gọn chỉ sử dụng 5W điện.
Jetson Nano được trang bị 472 GFLOPS dé chạy các thuật toán MachineLearning/Deep Learning, một CPU quad-core 64-bit kiến trúc ARM, một GPU của
chính NVIDIA 128-core được tích hợp trên bo mạch và bộ nhớ trong 4GB LPDDR4.
Phù hợp dé chạy song song nhiều neural network và xử lý đồng thời các cảm biến có
độ phân giải cao.
Jetson Nano cũng được hỗ trợ bởi NVIDIA JetPack Bao gồm các gói hỗ trợ board
(BSP), CUDA, cuDNN và thư viện phần mềm TensorRT cho deep learning, computervision, GPU computing, multimedia processing và nhiều ứng dụng khác SDK cũngbao gồm khả năng cài đặt frameworks Machine Learning (ML) mã nguồn mở nhưTensorFlow, PyTorch, Caffe / Caffe2, Keras và MXNet, cho phép các nhà phát triển
tích hợp các model AI/ framework yêu thích của họ vào các sản phẩm một cách nhanh
Trang 23e Camera: 2x MIPI CSI-2 DPHY lanes
e Connectivity: Gigabit Ethernet, M.2 Key E
e Display: HDMI and display port
e USB: 4x USB 3.0, USB 2.0 Micro-B
e Others: GPIO, I2C, I2S, SPI, VART
se Mechanical: 69 mm x 45 mm, 260-pin edge connector
Hinh 2-2 Jetson nano
? https://developer.nvidia.com/embedded/jetson-nano-developer-kit
7
Trang 24Chương 2 Tổng quan
2.3.2 Raspberry Pi
Raspberry Pi 43 (trong bài báo cáo sẽ được gọi tat là Raspberry Pi) là một máy vitính rất nhỏ gọn, kích thước của nó chỉ khoảng một tắm thẻ ATM, trong đó đã tíchhợp mọi thứ cần thiết để bạn sử dụng như một máy vi tính Bộ xử lý SoC BroadcomBCM2835 của nó bao gồm CPU, GPU, RAM, khe cắm thẻ microSD, WiEi, Bluetooth
và bốn cổng USB 2.0
Cấu hình phần cứng thiết bị:
e Broadcom BCM2711, Quad core Cortex-A72 (ARM v8) 64-bit SoC @
1.8GHz
e 1GB, 2GB, 4GB or 8GB LPDDR4-3200 SDRAM (depending on model)
e GHz and 5.0 GHz IEEE 802.1 1ac wireless, Bluetooth 5.0, BLE
e Gigabit Ethernet
e 2 USB 3.0 ports; 2 USB 2.0 ports.
e Raspberry Pi standard 40 pin GPIO header (fully backwards compatible with
previous boards)
e 2x micro-HDMI® ports (up to 4kp60 supported)
e 2-lane MIPI DSI display port
e 2-lane MIPI CSI camera port
e 4-pole stereo audio and composite video port
e H.265 (4kp60 decode), H264 (1080p60 decode, 1080p30 encode)
e OpenGL ES 3.1, Vulkan 1.0
e Micro-SD card slot for loading operating system and data storage
e 5V DC via USB-C connector (minimum 3A*)
e 5V DC via GPIO header (minimum 3A*)
3 https://www.raspberrypi.com/products/raspberry -pi-4-model-b/
8
Trang 25Arduino UNO R3° là mach vi xử ly dựa trên mạch ATmega328P Nó có mười
bốn chân tín hiệu số đầu vào/đầu ra (có sáu chân có thê dùng dé xuất PWM), sáu chântín hiệu tuần tự đầu vào, bộ cộng hưởng ceramic 16MHz một công USB, một côngsạc, một đầu ICSP và một nút reset cứng Mạch vi xử lý này chỉ cần bộ nguồn thấp
dé có thé hoạt động như công sạc USB của laptop hoàn toàn có thé đáp ứng được Bộmach Arduino UNO có thê xử lý những tác vụ đơn giản như điều khiến tín hiệu đènLED, điều khiển xe điều khiển từ xa, thu dữ liệu từ các cảm biến môi trường và hiển
thị lên màn hình,
Cau hình phan cứng của thiết bị như sau:
Arduino ƯNO R3 Board
SKU A000066
Microcontroller ATmega328P
USB connector USB-B
Pins Built-in LED Pin 13
4 https://www.raspberrypi.com/products/raspberry-pi-4-model-b/
5 https://docs.arduino.cc/hardware/uno-rev3
9
Trang 26Digital I/O Pins
Analog input pins
DC Current per I/O
Trang 27Chương 2 Téng quan
2.3.4 Chi số AQI
Air Quality Index, đây là một thang đo bằng diém số, được đánh dấu bởi các mã
màu tương ứng và chia thành nhiều khoảng Thang đo này là một công cụ đánh giámức độ ô nhiễm, thông báo cho người dân về tình trạng không khí trong quốc gia của
họ Chỉ số đo được có ảnh hưởng rất lớn đến người già, trẻ nhỏ, những người bị bệnh
về đường hô hấp, tim mạch Tuy nhiên, chỉ số đo được trong thang đo này chỉ được
áp dụng ở môi trường bên ngoài Đề tinh được chỉ số AQI, cần đo các đại lượng sau:
[18]
5 https://docs.arduino.cc/hardware/uno-rev3
11
Trang 28Hinh 2-5 Heat map air quality’
2.3.5 Nghiên cứu chi số đánh giá chất lượng không khí trong nhà
Về chất lượng không khí trong nhà CO2, PM10 và HCHO là được chọn làm tham
số điều khiển của môi trường không khí trong nhà và sơ đồ kết hợp chín tham số đượchiển thị trong bảng ở hình 2-5 Cho chín trường hợp giả định tham số CO2, PMI0,
HCHO như hình dưới:
Table 1 Indoor air quality parameters under nine schemes
Scheme 1 2 3 4 5 6 7 8 9
CO,[ppm] 680 905 1345 720 885 1338 800 875 1361
PMio [mg/m'] 0.07 014 026 O11 O15 024 012 0.16 0.25
HCHO [mg/m*] 003 007 021 004 007 02 0.04 007 0.21
Hình 2-6 Ví du 9 trường hop thu được các chi số tương ứng [19]
Dé đánh giá sự dễ chịu của không khí trong phòng, người ta dựa trên chỉ số IAQ
đã được khảo sát trong đánh giá sự thoải mái [19] Cường độ của cảm giác thoải mái
chủ quan tương ứng tăng dan từ 0, 1, 2, lên 3 (tương ứng thoải mái, hơi khó chịu, khó
chịu và cực kỳ khó chịu).
Sự thoải mái của con người được thỏa mãn khi những chất gây ô nhiễm không khí
trong nhà được giới hạn kiêm soát được theo khuyến nghị bởi các tiêu chuẩn IAQ Vì
7 https://csu-ceams.com/blog/lets-discuss-aqi/
12
Trang 29Chương 2 Tổng quan
thé cần phải thiết lập và đánh giá [AQ bằng những phương pháp được thiết lập cácmối liên hệ với các thông số môi trường một cách khách quan
2.3.6 Mô hình chỉ số phụ AQI dựa trên sự thoải mái
a Chỉ số Cacbon dioxit PMV (CO2)
X(C02)
485
PMV(C02) = 6,34 * log( )119]
PMV là một đơn vị mới cho mức độ thoải mái do CO2 gây ra Khi CO2 PMV
là 0, 1, 2 và 3, CO2 tương ứng nồng độ lần lượt là 485ppm, 700ppm, 1000ppm và1500ppm Khi nồng độ nhỏ hơn 485ppm, người ngồi trong xe cảm thấy thoải mái
và CO2 PMV có thé được đặt thành một Nếu nồng độ cao hơn 1500ppm, điều đócho thấy rằng có tình trạng ô nhiễm nghiêm trọng, có hại cho sức khỏe của con
người [19]
Table 3 Effect of CO: on human comfort.
CO›[ppm] PM Effect of CO2 on human comfort
700 ] Smell sensitive people can feel
1000 2 More people feel uncomfortable
1500 3 Dyspnea and increased respiratory rate
2000 3 Poor indoor air
Hình 2-7 Bang tác động của nông độ CO2 lên cơ thé con người
b Chỉ số hô hap PMV (PM10)
X(PM10)
0.02
PMV(PM10) = 2.096 * log ) [19]
PMV là một đơn vị mới cho tác động của hạt có thé hô hap lên sự thoải mái
của con người và giá trị 0,1,2 và 3, tương ứng với 0,02mg/m3, 0,06mg/m3,
0,18mg/m3 và 0,54mg/m3, tương ứng PM10 PMV được tính toán có thé đượcđặt thành 0 khi nồng độ nhỏ hơn 0,02mg/m3 [19]
13
Trang 30Chương 2 Tổng quan
Table 4 Effect of PMio on human comfort.
PM, [mg/m3] PMV prio Effect of PM;9 on human comfort
0.025~0.05 0~0.83 Background concentration
0.075~0.10 1.20~1.47 Most people are satisfied
0.10~0.14 1.47~1.77 Visual range decreases
0.15~0.20 1.83~2.10 Most people feel dissatisfied
>0.2 >2.10 Most people feel completely dissatisfied
Hình 2-8 Bang tac động của nông độ PM10 lên cơ thể con người [19]
c Chỉ số Formaldehyde PMV (HCHO)
X(HCHO)
0.01
PMV (HCHO) = 2 *log ) 119]
PMV (HCHO) là một đơn vi mới cho tác động của formaldehyde đối với sự
thoải mái của con người, va giá trị 0,1,2 và 3, tương ứng với 0,01mg/m3,
0,03mg/m3, 0,1mg/m3 và 0,32mg/m3 tương ứng [19]
Table 5 Effect of HCHO on human comfort.
HCHO[mg/m*] PV ea Effect of HCHO on human comfort
0.0~0.05 0~1.4 No irritation or discomfort
0.06 1.56 Eye irritation 0.06~0.22 1.56~2.68 Olfactory stimulation
0.12 2.16 Upper respiratory tract irritation 0.45 8 Chronic respiratory disease, lung function decreased 1.0 3 tissue damage
Hình 2-9 Bảng tác động của nông độ HCHO lên cơ thể con người [19]
2.3.6 Xây dựng chất lượng không khí trong nhà PMV (IAQ)
PMV (IAQ) = max(PMV(C02),PMV(PM10),PMV(HCH0)) [19]
14
Trang 31Chương 2 Téng quan
Bởi vì các chỉ số phụ là kết quả của logarit xử lý nồng độ chất ô nhiễm, phản ánhmối quan hệ giữa cảm giác và kích thích, giống nhau các giá trị chỉ số phụ biểu thị
mức độ thoải mái giống nhau mà người cư ngụ cảm nhận được Chỉ số đánh giá chất
lượng không khí trong nhà PMVIAQ lấy giá trị tối đa của từng chỉ số phụ, vì vậy nó
có thé phản ánh đánh giá mức độ thoải mái tổng thê của không khí môi trường
2.3.7 Thuật toán Decision Tree
Decision Tree là một thuật toán học có giám sát phi tham SỐ, được sử dụng cho
cả nhiệm vụ phân loại và hồi quy Nó có cau trúc cây, phân cấp, bao gồm nút gốc,
các nhánh, nút bên trong và nút lá.
Internal
Hình 2-10 Decision TreeŠ
Như sơ đồ trên, một cây quyết định bắt đầu với một nút gốc, nút này không có bất
kỳ nhánh đến nào Các nhánh đi ra từ nút gốc sau đó sẽ đưa vào các nút bên trong,còn được gọi là các nút quyết định Dựa trên các tính năng có sẵn, cả hai loại nút đều
tiễn hành đánh giá dé tạo thành các tập con đồng nhất, được biéu thị bằng nút lá hoặc
nút cuối Các nút lá đại điện cho tất cả các kết quả có thể xảy ra trong tập dữ liệu
Học cây quyết định sử dụng chiến lược phân chia và chinh phục bằng cách tiếnhành tìm kiếm tham lam dé xác định các điểm phân chia tối ưu trong một cây Quátrình phân tách này sau đó được lặp lại theo cách đệ quy, từ trên xuống cho đến khitất cả hoặc phần lớn các bản ghi đã được phân loại theo các nhãn lớp cụ thể Việc tất
8 https://www.ibm.com/topics/decision-trees
15
Trang 32Chương 2 Tổng quan
cả các điểm dữ liệu có được phân loại là tập hợp đồng nhất hay không phan lớn phụthuộc vào độ phức tạp của cây quyết định Các cây nhỏ hơn có thê dễ dàng đạt được
các nút lá thuần túy hơn - tức là điểm dif liệu trong một lớp duy nhất
2.3.8 Thư viện face_recognition
về face_recognition? [20] là một thư viện Python dé nhận diện khuôn mặt, nó chophép phát hiện khuôn mặt, biến mỗi khuôn mặt được phát hiện thành một mã hóakhuôn mặt duy nhất đại diện cho khuôn mặt và sau đó so sánh mã hóa khuôn mặt dé
xem có cùng một người hay không Trong thư viện này được xây dựng dựa trên dlib
với deep learning Mô hình có độ chính xác 99.38% trong điểm chuân Labeled Face
in the Wild!° Vì thư viện có sử dung deep learning nên khi dùng thư viện này sẽ ngốn
Hình 2-11 Co sở dữ liệu không quan hệ MongoDB"!
MongoDB!? là một database hướng tài liệu (document), là một cơ sở dữ liệu
không quan hệ NoSQL Vì thế, MongoDB sẽ tránh cau trúc dang bảng table-based
Trang 33Chương 2 Tổng quan
của cơ sở dữ liệu quan hệ dé có thé thực hiện lưu trữ với các tài liệu như JSON
MongoDB lưu trữ dữ liệu dưới dạng Document JSON nên mỗi một collection sẽ có
kích cỡ và document khác nhau Dữ liệu được lưu trữ trong document kiểu JSON nên
truy vấn sẽ rất nhanh
Các tính năng của MongoDB gồm có:
e Ad-hoc query: hỗ trợ search bang field, các phép search thông thường, regular
expression searches va range queries.
e Indexing: hỗ tro indexing dé tối ưu hóa việc query, bat ki field nào trong BSON
document cũng có thé được index
e Replication: nghĩa là nhân ban, bản sao của một cơ sở dữ liệu dang chạy va
được lưu ở một vị trí, server khác dé phòng trường hợp bản chính gặp van dé
e Aggregation: Các Aggregation operation xử lý các bản ghi dữ liệu và trả về
kết quả đã được tính toán Các phép toán tập hợp nhóm các giá trị từ nhiềuDocument lại với nhau, và có thể thực hiện nhiều phép toán đa dạng trên dữ
liệu đã được nhóm đó dé trả về một kết quả duy nhất Trong SQL, count(*) và
GROUP BY là tương đương với Aggregation trong MongoDB.
e Lưu trữ file: MongoDB hỗ trợ lưu trữ file trong dưới dạng BSON hoặc được
xử lý lưu trữ với GridFS)3.
13 https://www.mongodb.com/docs/manual/core/gridfs/2_
ga=2.187567592.1780727254.1687774205-1776344865.1687774205
17
Trang 34Chương 2 Tổng quan
2.3.10 Thư viện ReactJS
ReacdS '* là thư viện JavaScript dùng dé tạo ra giao diện người dùng (user
interface) trên các browser Phương thức render của ReactJS là CSR — Client Side
Rendering, có nghĩa là server sẽ gửi một gói tin HTML cơ bản (bao gồm các thé head,body) và Javascript (không bao gồm nội dung trang web) lên browser, các lệnhJavascript sẽ được thực thi và renđer nội dung trang web trong browser Một số ưuđiểm của ReactJS như:
e Chi update và render lại những component nào có sự thay đôi về mặt nội dung,
logic.
e Chia các thành phan trong một trang web thành nhiều components, mỗi một
components đều có các state, biéu thi trạng thái của 1 components, ghép cáccomponents nay để tạo ra một giao diện người dùng phức tạp hơn
e - Có khả năng viết app mobile cross-platform bang React Native, do ding chung
hệ sinh thái với ReactJS Người dùng sẽ không cần phải học lại từ đầu công
nghệ này vì nó giống với ReactJS tận 80%
14 https://react.dev/
18