Khóa luận tốt nghiệp xây dựng hệ thống theo dõi sức khỏe tại nhà dựa trên công nghệ học máy và chuỗi khối

Hệ thống này không chỉ giúp người dùng theo dõi sức khỏe mà còn dự đoán các bệnh như tiểu đường và viêm phổi thông qua phân tích dữ liệu y tế và hình ảnh x-ray bằng cách sử dụng mô hình

DẠI HỌC QUỐC GIA HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN

KHOA MANG MAY TINH VA TRUYEN THONG

HUYNH PHI LONG

NGUYÊN XUÂN DƯƠNG

KHÓA LUẬN TỐT NGHIỆP

XAY DUNG HE THONG THEO DOI SUC KHOE TẠI NHÀ DUA TREN CONG NGHE HOC MAY VA CHUOI KHOI BUILDING A HOME HEALTH MONITORING SYSTEM BASED

ON MACHINE LEARNING AND BLOCKCHAIN

DẠI HỌC QUỐC GIA HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN

KHOA MANG MAY TINH VA TRUYEN THONG

HUYNH PHI LONG - 20521562 NGUYEN XUAN DUONG - 20521220

KHOA LUAN TOT NGHIEP

XAY DUNG HE THONG THEO DOI SUC KHOE TAI NHA DUA TREN CONG NGHE HOC MAY VA CHUOI KHOI BUILDING A HOME HEALTH MONITORING SYSTEM BASED

ON MACHINE LEARNING AND BLOCKCHAIN

TECHONOLOGIES

CU NHAN NGANH MANG MAY TiNH VA TRUYEN THONG

GIANG VIEN HUGNG DAN:

ThS Nguyén Khanh Thuat ThS Trần Thị Dung

TP Hồ Chí Minh, 2023

THONG TIN HOI DONG CHAM KHOA LUAN TOT

NGHIEP

Hội đồng chấm khóa luận tốt nghiệp, thành lập theo Quyết định số TĐẦY cài của Hiệu trưởng Trường Đại học Công nghệ hông tìm

Trong quá trình nghiên cứu, nhóm đã được thầy Nguyễn Khánh Thuật và

cô Trần Thị Dung định hướng, giúp đỡ và cho ý kiến đóng góp trong suốt thời gian lên ý tưởng và thực hiện bài khoá luận này Bên cạnh đó các anh/chị/bạn cộng tác viên đặc biệt là bạn Nguyễn Khánh Duy tại Phòng thí nghiệm Mạng máy tính và truyền thông đã quan tâm, giúp đỡ và tạo điều kiện hết mức cho nhóm trong khoảng thời gian này

Cuối cùng, nhóm xin bày tỏ lòng biết ơn đặc biệt đến gia đình và bạn bè, những người đã luôn ủng hộ và giúp đỡ tôi trong suốt hành trình học tập Sự

hỗ trợ của họ, dù nhỏ bé, nhưng đã mang lại sức mạnh lớn về tỉnh thần, giúp tôi vượt qua những thách thức, hòa nhập nhanh chóng với môi trường mới và những con người mối

Tran trong

TP Hồ Chí Minh, tháng 12 năm 2023

Nhóm thực hiện Long, Dương

MỤC LỤC

1.2 Phuong phép nghién ctu .2 0.000000 4

1.4 Phạm vi và đối tượng nghiên cứu 6

1.5 Cấu trúc khoá luận tốt nghiệp 6

CHƯƠNG 2 CƠ SỞ LÝ THUYẾT 7 2.1 IoTs- Internet of Things .2 0 7

2.1.1 Tổng quanvềlols co 7 2.1.2 Các thành phần chính sit dung trong IoTs 10

2.1.3 Điểm tốt và hạn chế của loTš 11

2.2_- Edge CompUuting ch hy vẻ vo 12 2.3 Hocséu A .ÍẶaa 13

2.3.1 Mang no-ron nhén tao .000000% 13 2.3.2 Mang no-ron tich chp .-.-., 14

24 Học phân lấn 0.000000 eee 19 24.1 Tong quan 2.0.0.0 00 ce 19 2.4.2 Cách thức hoạt động Q2 20 24.3 Ưu nhược điểm 0.0.00 000 eee 20 2.5 Application Programing Interfiace cuc 21 2.5.1 Tong quanvé API 2.0.0 ee 21 2.5.2 FastAP] 0.000000 000004 21 2.5.3 Cécloai API 2.0.00 0.000 00000 02 21 2.6 Blockchan 2 0.0.0 000002 e eee ee ees 22 2.6.1 Tổng quan về Blocekehain 22

2.6.2 Các thành phần của Blockchain 22

2.6.3 Cách thức hoạt động của Blockchain 23

2.6.4 Uu điểm của blockehan 24

2.7 Ung dung dành cho người dùng

2.7.1 Tổng quan về ứng dụng

2.7.2 Windows Form C# 000

2.7.3 Android Studio

2.74 Giao diện ứng dụng

CHƯƠNG 3 THIẾT KẾ HỆ THỐNG 31 Kiến trúc tổng quát

3.2 Học phân lấn LẺ so 3.21 Giới thiệu mô hình đề xuất

3.2.2 Thuật toán FedAvg và EedMed

3.23 Mô hình họcgsâu

3.24 Bộ dữ lệu

3.3 Lưu trữdữ lệu co cv 3.4 Application Programming Imerfiacee

3.41 Các API được triển khai

3.5 Blockchan 000004

Vai trd cia Blockchain trong hé théng

Giới thiệu về IPES

Giới thiệu về Hyperledger Sawtooth

ww ww www ot ot et tt tat NO oO BP WN Fe “ 3.6 Ung dụng dành cho BấcsI

3.7 Ứng dụng dành cho bệnh nhân

CHUONG 4 TRIEN KHAI VÀ DANH GIÁ 4.1 Trién khai mé hinh hoc sAu du do4n bénh

Tính linh hoạt của Sawtooth

Kiến trúc ee Globalstale Ặ QC Giao dịch và lô giao dịch

4.1.1 Mô hình mạng Nơ ron dự đoán bệnh tiểu đường

4.1.2 Mô hình mạng Nơ ron tích chập dự đoán bệnh viêm phổi 4.2 Triển khai mô hình học phân tán kết hợp với học sâu 4.3 Trién khai Application Programing Interface

4.3.1 API User 0.,

43.2 APISensor Q2 61

4.3.5 API Autheniicalion cv rẻ vo 64 4.3.6 API Predict .2 0.00.0 65 4.4 Trién khai Blockchan 0.00.0.000.0 000000 65 4.5 Triénkhaitmgdung .0 000 67

4.5.2 Ứng dụng dành cho bệnh nhân 68

DANH MỤC CÁC KÝ HIỆU, CÁC CHU VIET TAT

DL IoTs IPFS MQTT FTP HTTP

Al

FL

NN CNN Fed Avg FedMed API ReLU

TP

FP RAM CPU

ID

PO

PD

Deep Learning Internet of Things InterPlanetary File System Message Queuing Telemetry Transport File Transfer Protocol

HyperText Transfer Protocol Artificial Intelligence Federated Learning Neuron Network Convolutional Neuron Network Federated Averaging

Federated Median Aplication Programing Interface Rectified Linear Unit

True Positive False Positive Random Access Memory Central Processing Unit Identification

Pneumonia Order Diabetes Order

DANH MỤC TỪ TẠM DỊCH

Đô thị thông minh Học sâu

Học máy Mạng nơ-ron Chuỗi khối Mạng nơ-ron tích chập Giao diện chương trình ứng dụng

Chuỗi khối Các bộ lọc

Hệ thống tệp liên hành tỉnh Chuẩn hoá hàng loạt Bước

Lớp Gộp

Gộp trung bình Gộp tối đa Xác thực

Cơ chế đồng thuận Người xác thực Kết nỗi Quản lý khéi

Xi ly giao dich Đại lý đồng thuận

Bộ xử lý giao dịch

Hồ sơ bệnh nhân Trường hợp Trình tối ưu hóa

Smart Cities Deep learning Machine learning Neural Network Blockchain Convolutional Neural Network Application Programming In- terface

Blockchain Kernels InterPlanetary File System Batch normalization Stride

Pooling layer Average Pooling Max Pooling Authentication Consensus engine Validator Interconnect Block management Transaction handling Consensus proxy Transaction processors Patient records Case

Optimizer

DANH MỤC HÌNH VẼ

Hình 1.1 Khảo sát lý do cản trở tới bệnh viện [l| 3

Hình 2.1 Tổng quan loTs 8

Hình 2.2 Sự phát triển của lơÏš 9

Hình 2.3 Kiến trúc mô hình mạng nơ-ron nhân tạo tổng quát [6] 13

Hình 2.4 Kiến trúc mô hình mạng nơ+ron tích chập [7] - 15

Hinh 2.5 Minh hoạ mạng nơron tích chập [7]} 15

Hình 2.6 Pooling layer làm giảm kích thước mô [7] 17

Hình 27 Mô hình học phân tấn [8| 19

Hinh 2.8 Tổng quan Blockchan .- 22

Hình 2.9 Thành phần của Blockchaim [16]} - 23

Hình 2.10 Ngôn ngữ GIÓ Q eee 25 Hình 2.11 Ứng dụng Android Studio 26

Hình 31 Mô hình đề xuất 28

Hình 32 Mô hình học phần tấn ốc 30 Hình 3.3 Trình tự của mô hình học phân tấn 31

Hinh 3.4 Mô tả các lớp mô hìnhNN .202 , 34

Hinh 3.5 Mô tả các lớp mô hình NN 36

Hinh 3.6 Phan biét hinh x-ray .2 -.0 39 Hình 3.7 Vai trò của IPES và Blockcham 42

Hình 3.8 Kiến trúc của mạng Blockcham [23] .- 44

Hình 3.9 Merkle Radix[23| Ặ Ốc 46 Hình 3.10 Địa chỉ Radix [23] Ặ Ốc 4ï Hình 3.11 Cấu trúc của Giao dịch [23]} 48

Hình 3.12 Lưu đồ hoạt động của ứng dụng bác sĩ 50

Hình 3.13 Lưu đồ hoạt động của ứng dụng bệnh nhân ol Hinh 4.1 Ma tran hén loan cha m6 hinh NN 00020 ĐỘ Hinh 4.2 Ma trận hỗn loạn của mô hình ƠNN 56

Hinh 4.3 API Token .02000000000000000000 59 Hinh 4.4 API Header 2 0.0 000000002 eee 59 Hinh 4.5 API User 2 0.2 0.00000 0002 ee eee 60 Hinh 46 APISensor 0 000200000020 eG 61 Hình 47 API Patient 2 0.0.0.0 0.00 2 eee 62 Hinh 4.8 API Xray Image .- 63 Hình 4.9 API Authentication .0.0.020.00 0000000008 64 Hinh 4.10 API Predict 2 2.0.2.0 00000002 bees 65

Hinh 4.12 Dang nhép 0.000 67 Hình 4.13 Màn hình chính 68 Hình 4.14 Màn hình chính ee ee 69 Hình 4.15 Dự đoán tiểu đường 69 Hình 4.16 Dự đoán viêm phổi 69

DANH MUC BANG BIEU

Bảng 41 Đánh giá kết quả mô hình học máy dữ đoán bệnh tiểu đường 55 Bang 4.2 Đánh giá mô hình mạng Nơ ron tích chập dự đoán bệnh viêm phổi cv 58 Bảng 4.3 So sánh kết quả huấn luyện phân tán bằng cách kết hợp

Bảng 4.4 So sánh kết quả huấn luyện phân tán bằng cách kết hợp

Bang 4.5 Đánh giá thời gian phản hồi của blockchain trong hệ thống 66

10

TÓM TẮT KHOÁ LUẬN

Trong xã hội và công nghệ ngày càng phát triển, sự quan tâm đến chăm sóc sức khỏe gia tăng đồng thời đặt ra thách thức về việc quản lý và đáp ứng nhu cầu này, đặc biệt là trong bối cảnh nhu cần chăm sóc sức khỏe từ xa ngày càng cao

Nhằm giải quyết thách thức này, nhóm đề xuất một hệ thống theo dõi sức khỏe tại nhà, sử dụng kết hợp học phân tán và chuỗi khối Hệ thống này không chỉ giúp người dùng theo dõi sức khỏe mà còn dự đoán các bệnh như tiểu đường

và viêm phổi thông qua phân tích dữ liệu y tế và hình ảnh x-ray bằng cách sử dụng mô hình học sâu mạng nơ ron và mạng nơ ron tích chập

Đặc biệt, nhóm tích hợp mô hình học phân tán giúp hệ thống có khả năng học được dữ liệu từ nhiều nguồn bệnh viện và chuỗi khối để bảo vệ tính riêng

tư của người dùng và đảm bảo an toàn thông tin Điều này không chỉ mang lại

sự yên tâm cho người dùng mà còn tạo nên một lớp bảo mật vững chắc trong quá trình huấn luyện, đặc biệt quan trọng trong lĩnh vực y tế

Với hệ thống theo dõi sức khỏe tại nhà kết hợp học phân tán và chuỗi khối, nhóm không chỉ đáp ứng nhu cầu chăm sóc sức khỏe từ xa một cách hiện quả

mà còn đảm bảo tính hiệu quả và an toàn cao trong quá trình huấn luyện dữ liệu phân tấn từ nhiều nguồn Người dùng có thể dễ dàng theo dõi sức khỏe

và nhận dự đoán về các bệnh như tiểu đường và viêm phổi đồng thời biết rằng thông tin cá nhân của họ được bảo vệ một cách an toàn và đáng tin cay

CHUONG 1 TONG QUAN DE TAI

1.1 Lý do chọn đề tài

Trong bối cảnh xã hội phát triển một cách nhanh chóng như hiện nay, vấn

đề chăm sóc sức khỏe càng nhận được sự quan tâm nhiều hơn Nắm bắt được tình hình đó, nhóm đã tiến hành nghiên cứu và triển khai một hệ thống chăm sóc sức khỏe từ xa nhằm đóng góp vào việc giải quyết một số vẫn đề quan trọng trong lĩnh vực này

Nhóm đặt mục tiêu tăng tính bảo mật dữ liệu trong việc huấn luyện mô hình

dự đoán bệnh như tiểu đường và viêm phổi, không chỉ để cung cấp dự báo chính xác mà còn để tăng sự tin tưởng cho người dùng Sự kết hợp giữa Federated Learning (PL) với mô hình Neural Network (NN) dự đoán bệnh tiểu đường và Convolutional Neural Network (CNN) dữ đoán bệnh viêm phổi được lựa chọn

để đảm bảo tính an toàn và hiệu quả trong việc sử dụng dữ liệu phân tán từ các

cơ sở y tế khác nhau

Nhóm nhận thức rõ rằng bảo vệ tính riêng tư và an toàn của dữ liệu bệnh nhân là ưu tiên hàng đầu Vì vậy, việc tích hợp công nghệ chuỗi khối vào hệ thống không chỉ giúp xác thực dữ liệu mà còn đảm bảo minh bạch và độ tin cậy trong quá trình quản lý thông tin y tế

Cuối cùng, việc phát triển ứng dụng dành cho cả bác sĩ và bệnh nhân được chú trọng để tạo ra một môi trường truy cập thông tin y tế thuận lợi và hiệu quả nhóm hy vọng rằng nghiên cứu này sẽ không chỉ mang lại những tiến bộ trong lĩnh vực y tế mà còn góp phần vào sự cải thiện chất lượng cuộc sống và sức khỏe của cộng đồng

HOSPITAL REGRETS BY THE NUMBERS

Based on a survey of over 1,000 respondents

83.7% C7 61.9% 38.7%

of respondents say cost is of respondents have chosen of respondents have had an

a factor when deciding not to go to the doctor or illness or injury get worse

to get medical care hospital to recieve medical because they chose not to go

care due to the cost to a primary care physician or

hospital due to the cost

of respondents have chosen not to pick up medications that a doctor prescribed due to the cost

43.0%

of respondents have declined getting further tests that a doctor recommended due to the cost

of respondents have regretted going to the ER due to the cost

Hình 1.1: Khảo sét ly do can tré téi bénh vién [1]

Dưới đây là các cơ sở để nhóm thực hiện đề tài này:

1 Tính khoa học và tính mới:

Trong nghiên cứu này, nhóm sử dụng FL kết hợp với mô hình NN để dự đoán bệnh tiểu đường và CNN dự đoán bệnh viêm phổi trong việc huấn

3

luyện trên dữ liệu bệnh nhân nhằm tăng độ chính xác và tính bảo mật, riêng tư cho dữ liệu của người dùng (bệnh nhãn) khi dữ liệu bệnh nhân được lưu trữ phân tán ở các cơ sở y tế Nhóm sử dụng các bộ datasets Pima Indians Diabetes Database va Chest X-Ray Images (Pneumonia) cho các ứng dụng dự đoán tiểu đường và viêm phổi thông qua sự kết hợp giữa FL

và DL Ngoài ra, việc tích hợp công nghệ Blockchain vào hệ thống này góp phần tăng tính minh bạch và tính xác thực của người dùng cũng như mô hình học máy Để hỗ trợ cho hai nhóm người dùng là bác sĩ và bệnh nhân, nhóm tác giả phát triển ứng dụng trên điện thoại di động với các tính năng khác nhau dành cho hai đối tượng người dùng này

2 Cải thiện hiệu suất hệ thống: Việc tiến xa trong phát triển và tích hợp Internet of Things (IoTs) cùng với các phương pháp học sâu, đặc biệt là

NN va CNN, sé giúp cải thiện hiệu suất huấn luyện và độ chính xác của hệ thống trong quá trình đo đạc và cảnh báo, mang lại thông tin chỉ tiết và chính xác đối với người dùng

3 Khoảng cách nghiên cứu và đóng góp: nhóm nghiên cứu về sự kết hợp giữa FL, mô hình học sâu NN va CNN để cải thiện khả năng dự đoán bệnh Nghiên cứu này, tập trung vào việc sử dụng dữ liệu phân tấn, đảm bảo tính riêng tư thông tin bệnh nhân nhóm nhắn mạnh tính minh bạch và xác thực thông tin thông qua tích hợp chuỗi khối, tạo ra một hệ thống an toàn và không thể thay đổi Đặc biệt, nhóm phát triển ứng dụng hỗ trợ cả bác sĩ

và bệnh nhân, nhằm tối ưu hóa trải nghiệm người dùng và đóng góp vào sự cải thiện chất lượng quản lý thông tin y tế và sức khỏe trong cộng đồng

Do đó, nhóm quyết định thực hiện đề tài với mục tiêu xây dựng hệ thống theo dõi sức khỏe từ xa tích hợp giữa EL và Blockchain trong lĩnh vực y tế

1.2 Phương pháp nghiên cứu

Trong nghiên cứu này, một hệ thống theo đõi sức khỏe đã được phát triển để tập trung vào việc tăng tính chính xác và tính bảo mật của dữ liệu trong quá trình huấn luyện dự đoán bệnh tiểu đường và viêm phổi Hệ thống sử dụng mô hình kiến trúc bốn tầng kết hợp các công nghệ như Deep learning (DL) cho việc

dữ đoán bệnh, FL để học dữ liệu phân tán từ nhiều nguồn cùng lúc, Blockchain

để tính bảo mật trong quá trình học phân tán và InterPlanetary File System (TPFS) giúp lưu trữ các trọng số trong quá trình huấn luyện Việc thu thập dữ liệu sẽ dùng các cảm biến, thiết bị y tế, cơ sở ý tế và người dùng Các mô hình học sâu đã được đào tạo để dự đoán các triệu chứng của bệnh bằng cách sử dụng các bộ dữ liệu Học tập phân tán được áp dụng để học một lúc nhiều nguồn đồng thời đảm bảo quyền riêng tư và bảo mật dữ liệu Blockchain được sử dụng

để ghi lại và xác nhận các giao dịch liên quan đến trọng lượng tập luyện, đảm bảo tính minh bạch và bất biến IPFS được tích hợp để lưu trữ trọng số một cách phi tập trung và an toàn

1.3 Mục tiêu nghiên cứu

Mục tiêu của nghiên cứu này là xây dựng và phát triển một hệ thống løT theo dõi sức khỏe kết hợp khả năng dự đoán bệnh tiểu đường và bệnh viêm phổi Mục tiêu cụ thể của nghiên cứu bao gồm:

1 Phát triển một hệ thống tự động thu thập và lưu trữ dữ liệu sức khỏe từ nhiều nguồn khác nhan như cảm biến, thiết bị y tế, cơ sở ý tế và người dùng

2 Triên khai mô hình học sâu đề dự đoán các bệnh tiểu đường và bệnh viêm phổi dựa trên dữ liệu y tế thu thập được

3 Ấp dụng phương pháp học phân tán để giảm sự phụ thuộc vào trung tâm

và tăng tính bảo mật của dữ liệu, đồng thời cải thiện khả năng đào tạo mô hình từ nhiều nguồn dữ liệu

4 Xây dựng giải pháp bảo mật sử dụng blockchain để xác minh danh tính, theo dõi giao dịch liên quan đến trọng số huấn luyện và đảm bảo an toàn

6 Tiền hành đánh giá hiệu suất của hệ thống, bao gồm cả độ chính xác của

mô hình dự đoán và tính ổn định của hệ thống theo dõi sức khỏe

1.4 Phạm vi và đối tượng nghiên cứu

Đối tượng nghiên cứu: hệ thống theo dõi sức khỏe, dự đoán bệnh tiểu đường

và bệnh viêm phổi, FL, Blockchain, ứng dụng dành cho người dùng

Phạm vi nghiên cứu: Nghiên cứu sẽ tập trung vào việc đánh giá sự hiệu quả của hệ thống theo dõi sức khỏe và ứng dụng trong việc dự đoán và quản lý các bệnh lý, đồng thời đảm bảo tính bảo mật và tính minh bạch của dữ liệu, nhằm mang lại lợi ích cao nhất cho người dùng và cộng đồng y tế

1.5 Cầu trúc khoá luận tốt nghiệp

Cau trúc khóa luận tốt nghiệp gồm 5 chương:

e Chương 1: TỔNG QUAN DE TAI

Khái quát về đề tài khoá luận mà nhóm thực hiện

e Chương 2: CƠ SỞ LY THUYET

Cung cấp cơ sở lý thuyết, định nghĩa các khái niệm và những kiến thức liên quan trong nghiên cứu này

e Chương 3: THIẾT KẾÊ HỆ THỐNG

Đây là phần chính trong nghiên cứu Bao gồm đề xuất mô hình và giải thích phương pháp triển khai

Chương 4: TRIỀN KHAI VÀ ĐÁNH GIÁ

Trình bày cách thực hiện các phương pháp được đề xuất ở chương trước,

mô tả kết quả và đưa ra đánh giá dựa trên những gì đã thực hiện

e Chương 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIÊN

Nhìn nhận kết quả thực hiện được, cũng như đề xuất hướng phát triển cho các nghiên cứu sau này

CHƯƠNG 3 CƠ SỞ LÝ THUYÊT 2.1 IoTs - Internet of Things

2.1.1 Tong quan vé IoTs

Trong bối cảnh Internet of Things (IoTs), nghiên cứu này giúp dữ liệu của các cảm biến, thiết bị y tế, cơ sở y tế và người dùng giao tiếp với hệ thống IoTs

là một môi trường phức tạp, nơi mà các đối tượng, động vật, hoặc con người được trang bị các định danh duy nhất và khả năng truyền dữ liệu qua mạng mà không cần sự tương tác trực tiếp giữa con người với con người hoặc con người với máy tính Sự tiến triển của IoT§ xuất phát từ sự hội tụ của nhiều công nghệ

đa dạng, bao gồm công nghệ không dây, hệ thống cơ điện tử nhỏ (Micro Electro Mechanical Systems - MEMS), va công nghệ Internet

Hình 2.1 được trình bày để minh họa khái niệm tổng quan về IoTs Điều này không chỉ đơn thuần là việc kết nối các thiết bị với Internet mà còn là quá trình tạo ra một thế giới mới, nơi mọi thứ đều được liên kết và tương tác với mọi thứ khác nhau Các thành phần của IoTs không chỉ là những thiết bị thông thường,

mà còn bao gồm các đối tượng, cảm biến, và hệ thống thông tin, tạo nên một hệ sinh thái đa dạng và phức tạp Mục tiêu của IoTs là tối ưu hóa việc thu thập, truyền, và xử lý dữ liệu từ môi trường xung quanh để cung cấp thông tin hữu ích và hỗ trợ quyết định trong thời gian thực

loT devices

Internet of Things

cities & building

Hình 2.1: Tổng quan loTs Cách thức làm việc với cái thiết bị IoTs:

e Thu thập và truyền dữ liệu: Với mục đích này, các cảm biến được sử dụng rộng rãi, chúng được sử dụng theo yêu cần trong các lĩnh vực ứng dụng khác nhau

e Kích hoạt thiết bị dựa trên các kích hoạt được tạo ra bởi cảm biến hoặc thiết bị xử lý: Nếu các điều kiện nhất định được đáp ứng hoặc theo yêu cầu của người dùng nếu kích hoạt nhất định được kích hoạt thì hành động nào cần thực hiện sẽ được hiển thị bởi các thiết bị Thiết bị truyền động

e Nhận thông tỉn: Từ các thiết bị mạng, người dùng hoặc thiết bị cũng có thể lấy một số thông tin nhất định cho mục đích phân tích và xử lý của họ

e Hỗ trợ giao tiếp: Hỗ trợ giao tiếp là hiện tượng giao tiếp giữa 2 mạng hoặc giao tiếp giữa 2 hoặc nhiều thiết bị loTš của cùng một mạng hoặc khác mạng Điều này có thể đạt được bằng các giao thức truyền thông khác nhau nhu: MQTT, Giao thitc tng dung rang buéc, ZigBee, FTP, HTTP, v.v

AN EXPLOSION OF CONNECTED POSSIBILITY

42 BILLION

34.8 BILLION

ws 26.4 BILLION @ 22.9 BILLION

144 BILLION đ®

a7 BILLIDN @ _ ww lol INCEPTION @®

Hình 2.2: Sự phát triển của loTs

Sự phát triển của Internet of Things (IoTš) đã đánh dẫu một bước tiến quan trọng trong cuộc cách mạng công nghiệp và số hóa toàn cầu IoTs đại diện cho một mạng lưới liên kết các thiết bị và cảm biến thông mỉnh với Internet, tạo

ra một hệ thống tự động và thông tin hóa mà chúng ta có thể sử dụng để giải quyết nhiều vấn đề phức tạp [2], [3], [4], [5]

Dưới đây là một số diễn biến quan trọng trong sự phát triển của IoTs:

e Tăng cường kết nôi: Các thiết bị loTš ngày càng trở nên thông mình và

có khả năng kết nối mạnh mẽ hơn Sự phát triển của kết nối không dây như 5G đã tăng cường băng thông và giảm độ trễ, tạo ra điều kiện thuận lợi cho

sự phát triển của IoT

e Tăng sức mạnh xử lý và hiệu năng: Các chip xử lý dành cho lo Ts ngày càng nhỏ gọn, mạnh mẽ và tiết kiệm năng lượng Điều này giúp tăng cường khả năng tính toán của các thiết bị, giúp chúng có thể xử lý và truyền tải

dữ liệu một cách hiệu quả

e Bảo mật và quyền riêng tư: Do ngày càng nhiều dữ liệu nhạy cảm được chia sẻ qua mạng IoTs, các van đề liên quan đến bảo mật và quyền riêng tu trở nên ngày càng quan trọng Các tiêu chuẩn và biện pháp bảo mật ngày càng được tập trung phát triển để đảm bảo an toàn cho người dùng

° Ứng dụng trong các lĩnh vực khác nhau: IoTs đã mở ra nhiều cơ hội

9

trong nhiều lĩnh vực, bao gồm y tế, sản xuất, năng lượng, nông nghiệp, đô thi thong minh, và nhiều lĩnh vực khác Việc tích hợp IoTs vao các ngành này giúp tối ưu hóa quy trình, giảm lãng phí và cải thiện hiệu suất

e Dô thị thông minh (Smart Cities): loTs đóng vai trò quan trọng trong việc xây dựng đô thị thông minh Các hệ thống IoTs được triển khai để quản lý giao thông, năng lượng, nước và các dịch vụ công cộng khác, giúp cải thiện chất lượng cuộc sống cho cư dân

e Sự hỗ trợ từ trí tuệ nhân tạo (AT): Kết hợp giữa IoT5 và trí tuệ nhân tạo giúp tạo ra các hệ thống thông minh, có khả năng tự học và đưa ra quyết định mà không cần sự can thiệp của con người

Các thiết bị IoT§ hoạt động dựa trên nguyên tắc đơn giản Chúng có cảm biến

để cảm nhận môi trường xung quanh và liên tục gửi thông tin về môi trường

và hoạt động của chúng, chẳng hạn như điện thoại hoặc ô tô Dữ liệu này được chuyển đến một nền tảng loTs, bao gồm máy chủ đám mây và cơ sở dữ liệu lớn Nền tảng này xử lý, tích hợp, và điều chế thông tin, đồng thời phân tích kỹ lưỡng để tìm ra các chỉ tiết quan trọng Sau đó, nền tảng gửi lại hướng dẫn dựa trên dữ liệu đã xử lý Cuối cùng, thông tin tổng hợp được chia sẻ với các thiết bị khác để cải thiện hiệu suất trong tương lai Điều này giúp tạo ra một hệ thống thông minh và tự động, giúp chúng ta hiểu rõ và tương tác với môi trường xung quanh một cách hiệu quả

2.1.2 Các thành phần chính sử dụng trong IoTs

IoTs bao gồm bốn thành phần quan trọng, mô tả hoạt động của hầu hết các

hệ théng IoTs Dưới đây là mô tả của bốn thành phần này:

e Cảm biên/thiết bị: Cảm biến là "mắt" của hệ thống IơTs, giúp thiết bị cảm nhận và thu thập dữ liệu từ môi trường xung quanh Các loại cảm biến bao gồm cảm biến nhiệt độ, cảm biến ánh sáng, cảm biến chuyển động và nhiều loại khác Chúng biến đổi thông tin về thế giới vật lý thành dữ liệu điện tử

e Kết nỗi mạng: Thành phần này đảm bảo việc truyền tải dữ liệu từ cảm biến đến các nút trung tâm hoặc máy chủ đám mây Các công nghệ kết nối

10

nhu Wi-Fi, Bluetooth, 3G/4G/5G, va LoRaWAN giúp kết nối các thiết bị

loT§ với lmternet và với nhau

e Trung tâm xử lý dữ liệu: Trung tâm này có nhiệm vụ nhận, xử lý và lưu trữ dữ liệu từ các cảm biến Nó thường bao gồm máy chủ đám mây và

cơ sở dữ liệu lớn, nơi dữ liệu được phân tích, tổ chức, và chuyển đổi thành thông tin hữu ích

e Ứng dụng và giao diện người dùng: Thành phần cuối cùng chú trọng vào việc cung cấp trải nghiệm cho người dùng Các ứng dụng và giao diện người dùng cho phép người dùng tương tác với dữ liệu và thiết bị IoTs, cũng như đưa ra quyết định hoặc điều khiển các thiết bị Điều này có thể

là thông qua ứng dụng di động, trang web, hoặc các giao diện người dùng khác

Những thành phần này tương tác chặt chẽ để tạo ra một hệ thống IoTb hoạt động mạnh mẽ và linh hoạt, giúp chúng ta giải quyết nhiều vấn đề khác nhau trong thế giới hiện đại

2.1.3 Điểm tốt oà hạn chế của IoTs

Internet of Thinggs (IoTš) mang lại nhiều ưu điểm quan trọng trong cuộc sống

và công nghiệp Tính tự động hóa và thuận tiện là một trong những lợi ích chính, giúp giảm bớt công sức và thời gian cho người dùng thông qua việc tự động hóa các nhiệm vụ hàng ngày Hệ thống IơTš cũng giúp tối ru hóa quy trình sản xuất, quản lý năng lượng và tài nguyên, cũng như cải thiện hiệu suất và lợi ích kinh

tế Sự thu thập dữ liệu và phân tích thông minh từ cảm biến và thiết bị kết nối mang lại cái nhìn sân rộng và thông tin chỉ tiết, hỗ trợ quyết định thông minh

và chiến lược

Mặc dù mang lại nhiều ưu điểm, IơTs cũng đối mặt với một số nhược điểm Bảo mật và quyền riêng tư là một thách thức lớn, do lượng lớn dữ liệu nhạy cảm được truyền tải giữa các thiết bị và hệ thống Ngoài ra, tiêu tốn năng lượng và tài nguyên cũng là một vấn đề, đặc biệt khi một số thiết bị yêu cầu hoạt động liên tục hoặc truyền tải dữ liệu liên tục Sự thiếu tiêu chuẩn hóa và tương thích cũng gây phức tạp trong việc kết nối các thiết bị từ các nhà sản xuất khác nhan,

11

đồng thời chi phí cao và đầu tư ban đầu cũng là một rủi ro khi triển khai hệ théng IoTs

2.2 Edge Computing

Edge computing là một mô hình tính toán mà st7 xử lý dữ liệu được thực hiện gần nguồn dữ liệu, ngay tại "biên" (edge) của mạng, thay vì ở trung tâm dữ liệu

ở xa Mô hình này giúp giảm độ trễ, tăng tốc độ xử lý, giảm lưu lượng mạng

và cũng cấp khả năng đáp ứng nhanh chóng cho các ứng dụng đồi hỏi hiệu suất cao Trong nghiên cứu này, phần "biên" sẽ là các bệnh viện giúp thu thập và lưu trữ dữ liệu

Dưới đây là một số điểm chính của cơ sở lý thuyết về Edge computing:

e Dưa xử lý gần nguồn dữ liệu: Edge computing tập trung vào việc đưa quá trình xử lý dữ liệu gần nguồn dữ liệu, thường là tại các thiết bị đầu cuối, cảm biến, hoặc các thiết bị lưu trữ dữ liệu tại vị trí lẻ của mạng

e Giảm độ trễ: Bằng cách xử lý dữ liệu ngay tại lề của mạng, edge computing giảm độ trễ đối với các ứng dụng đồi hỏi phản hồi nhanh, như IoT, thuc té

ao, và các ứng dụng di động

e Tăng cường bảo mật: Vì dữ liệu được xử lý gần nguồn, có thể giảm nguy

cơ về bảo mật, vì không cần truyền dữ liệu lớn qua mạng công cộng Bảo mật tại lề có thể được tăng cường thông qua các biện pháp như mã hóa và quản lý danh sách kiêm soát truy cập

e Giảm lưu lượng mạng: Edge computing giảm gánh nặng cho mạng bằng cách xử lý một phần lớn công việc trực tiếp tại thiết bị hoặc cấu trúc mạng cận kề

Các ứng dụng cụ thể: Edge computing thường được áp dụng cho các ứng dụng cụ thể như xử lý hình ảnh và video, giám sát IoT, xe tự lái, và các ứng dụng yêu cầu độ phức tạp và đáp ứng cao

12

2.3 Học sâu

2.3.1 Mang no-ron nhan tao

Mạng nơ-ron là mô hình đơn giản về cách hệ thống thần kinh hoạt động giúp

dự đoán dựa trên các đặc trưng của tập dữ liệu mẫu Các đơn vị cơ bản là nơron, thường được tổ chức thành các tầng, như thể hiện trong hình sau day

input layer hidden layer output layer

Các đơn vị xử lý được sắp xế thành các tầng Thông thường, một mạng nơ- ron bao gồm ba phần: một tầng đầu vào, với các đơn vị đại diện cho các trường đầu vào; một hoặc nhiều tầng ẩn; và một tầng đầu ra, với một hoặc nhiều đơn

vị đại điện cho các trường mục tiêu Các đơn vị được kết nối với nhau thông qua sức kết nối biến đổi (hoặc trọng số) Dữ liệu đầu vào được trình bày cho tầng đầu tiên và giá trị được truyền từ mỗi nơron đến mọi nơ-ron trong tang tiếp theo Cuối cùng, kết quả được đưa ra từ tầng đầu ra

Mạng học bằng cách xem xét từng bản ghi, tạo ra dự đoán cho mỗi bản ghi

và điều chỉnh trọng số mỗi khi đưa ra dự đoán không chính xác Quá trình này được lặp lại nhiều lần và mạng tiếp tục cải thiện dự đoán của mình cho đến khi

13

đạt đến một hoặc nhiều tiêu chí dừng

Ban đầu, tất cả các trọng số đều là ngẫu nhiên và các đầu ra của mạng có thể là vô nghĩa Mạng học thông qua quá trình đào tạo Các ví dụ với kết quả

đã biết được liên tục trình bày cho mạng, và các kết quả mà nó đưa ra được so sánh với kết quả đã biết Thông tin từ so sánh này được truyền lại qua mạng, dần dần thay đổi các trọng số Khi quá trình đào tạo tiến triển, mạng trở nên ngày càng chính xác trong việc mô phỏng kết quả đã biết Sau khi được đào tạo, mạng có thể được áp dụng cho các trường hợp trong tương lai mà kết quả

là không biết

2.3.2 Mạng nơ-ron tích chập

Mang No-ron Tích Chập, hay còn được gọi là CNN hoặc ConvNet, là một loại mạng nơron chuyên xử lý dữ liệu có đặc điểm dạng lưới, như là dữ liệu hình ảnh Một hình ảnh kỹ thuật số là một biểu diễn nhị phân của dữ liệu hình ảnh Nó chứa một chuỗi các điểm ảnh được sắp xếp theo kiểu lưới, mỗi điểm ảnh chứa giá trị pixel để chỉ ra độ sáng và màu sắc của điểm ảnh đó

CNN được thiết kế đặc biệt để xử lý các đặc điểm hình ảnh bằng cách sử dụng phép tích chập Thay vì xem xét toàn bộ hình ảnh, CNN tập trung vào các phần nhỏ của hình ảnh, gọi là các bộ lọc (kernels) để tìm ra các đặc trưng nhất định Việc này giúp CNN nhận diện các đặc điểm cụ thể nhữ cạnh, góc, hoặc đối tượng trong hình ảnh Các tầng tích chập được kết hợp với các tầng pooling để giảm kích thước của dữ liệu và giảm chiều sâu của mô hình, từ đó giúp giảm thiểu việc tính toán và tăng cường khả năng tổng quát hóa của mạng CNN đã chứng minh hiệu suất cao trong nhiều ứng dụng hình ảnh như nhận diện đối tượng và nhận diện khuôn mặt

14

HIDDEN LAYERS CLASSIFICATION

Hình 2.4: Kiến trúc mô hành mạng nơ-ron tích chập ƒ7?j 2.3.2.1 Lép tích chập

Lớp tích chập là khối xây dựng cốt lõi của mạng CƠNN, đảm nhận phần chính của công việc tính toán của mạng

Lớp này thực hiện phép nhân chấm giữa hai ma trận, trong đó một ma trận

là bộ tham số có thể học được, còn được gọi là kernel, và ma trận kia là phần hạn chế của lĩnh vực thu nhận Kernel này có kích thước nhỏ hơn về không gian

so với hình ảnh những có chiều sâu lớn hơn Điều này có nghĩa là, nếu hình ảnh được tạo ra từ ba kênh (RGB), chiều cao và chiều rộng của kernel sẽ nhỏ về không gian, nhưng chiều sâu sẽ kéo dài đến tất cả ba kênh

Hình 2.5: Minh hoạ mạng nơ-ron tích chập [7]

Trong quá trình chuyển tiếp, kernel trượt qua chiều cao và chiều rộng của hình ảnh, tạo ra biểu diễn hình ảnh của khu vực thu nhận đó Điều này tạo ra một biểu diễn hai chiều của hình ảnh được gọi là bản đồ kích hoạt, thể hiện phản ứng của kernel tại mỗi vị trí không gian của hình ảnh Kích thước trượt của kernel được gọi là bước (stride)

Lớp gộp thay thế đầu ra của mạng tại một số vị trí bằng cách tạo ra một số liệu tóm tắt của đầu ra lân cận Điều này giúp giảm kích thước không gian của biểu diễn, từ đó giảm lượng tính toán và trọng số cần thiết Phép gộp được thực hiện trên từng phần của biển diễn một cách riêng lẻ Có nhiều hàm gộp khác nhau như trung bình của khu vực hình chữ nhật, L2 norm của khu vực hình chữ nhật và trung bình có trọng số dựa trên khoảng cách từ pixel trung tâm Thy nhiên, quá trình gộp phổ biến nhất là max pooling, nơi báo cáo đầu ra lớn nhất

từ vùng lân cận Có hai loại chính của phép gộp (pooling):

e Gộp trung bình (Average Pooling): Bộ lọc tính trung bình của lĩnh vực thu nhận khi quét đầu vào

e« Gop téi da (Max Pooling): Bộ lọc chọn pixel có giá trị lớn nhất để đưa vào mảng đầu ra Phương pháp này phổ biến hơn so với gộp trung bình Trong quá trình gộp, mỗi lần bước của bộ lọc, giá trị tại vị trí tương ứng của đầu vào được chọn để tạo ra đầu ra Max pooling thường được tra chuộng hơn trong nhiều ứng dụng vì nó giữ lại đặc trưng quan trọng và giảm mất thong tin

16

Lớp kết nối đầy đủ thường được sử dụng để tổng hợp thông tin và học các mối quan hệ phức tạp giữa các đặc trưng Các trọng số của các kết nối này là những tham số cần được điều chỉnh trong quá trình huấn luyện mô hình để mô hình có thể học được cách biểu diễn dữ liệu một cách hiệu quả

Trong các mạng nơ-ron sâu, lớp kết nối đầy đủ thường xuất hiện sau các lớp tích chập và gộp, trước khi đầu ra được đưa vào các lớp softmax hoặc lớp kết nối đầy đủ cuối cùng để đưa ra kết quả dự đoán của mô hình

2.3.2.5 Lép phi tuyén tinh

Vì phép tích chập là một phép toán tuyến tính trong khi hình ảnh thì xa lạ với tính tuyến tính, thường ta sẽ đặt các tầng phi tuyến tính ngay sau tầng tích chập để giới thiệu tính phi tuyến tính vào bản đồ kích hoạt

C6 nhiều loại phép toán phi tuyến được sử dụng, trong đó các loại phổ biến bao gồm:

e Batch Normalization là một phương pháp quan trọng trong CNN nhằm

17

tối ưu hóa quá trình huấn luyện bằng cách chuẩn hóa đầu ra của các lớp Điều này giúp cải thiện sự ổn định và tăng tốc quá trình hội tụ của mô hình Batch Normalization thực hiện việc điều chỉnh dữ liệu đầu vào của mỗi lớp sao cho chúng có giá trị trung bình xấp xỉ 0 và độ lệch chuẩn xấp

xỉ 1 Quá trình này tạo ra đầu vào chuẩn hóa và ổn định hơn cho các lớp tiếp theo Batch Normalization được thực hiện bằng cách chuẩn hóa các đặc trưng trong từng batch của dữ liệu huấn luyện, bao gồm tính trung bình và

độ lệch chuẩn của đặc trưng trong batch, sau đó chuẩn hóa bằng cách trừ giá trị trung bình và chia cho độ lệch chuẩn Batch Normalization giúp ổn định quá trình huấn luyện, giảm độ biến động của đầu ra và thúc đẩy tốc

độ học của mạng Nó cũng giúp giảm vấn dé phân rã và cải thiện tính tổng quát của mạng

e Hàm Rectified Linear Unit là một hàm kích hoạt thường được ấp dụng san lớp tích chập Hàm ReLU thực hiện một so sánh đơn giản: nếu giá trị đầu vào lớn hon 0, đầu ra sẽ giữ nguyên giá trị đầu vào; ngược lại, nếu giá trị đầu vào là âm, đầu ra sẽ là 0 ReLU giúp loại bỏ các giá trị âm, làm tăng tính phi tuyến của mô hình Bằng cách này, mạng nơ-ron có thể học được các đặc trưng phức tạp hơn và khái quát tốt hơn Ấp dụng hàm ReLU sau lớp tích chập giúp cải thiện khả năng học tập và tạo tính phi tuyến tính cho mô hình Công thức của ReLU :

e Tanh là một hàm kích hoạt khác được sử dụng trong các mô hình CNN Hàm Tanh biến đổi giá trị đầu vào thành một khoảng giá trị từ -1 đến 1 Hàm Tanh giữ cho đầu ra được zero-centered, nghĩa là giá trị trung bình của đầu ra là 0 Điều này có lợi ích trong việc cải thiện quá trình học và giúp kiểm soát độ biến động của các giá trị Mặc dù hàm Tanh cũng có

18

khả năng gặp vấn đề độ mắt mát gradient ở các đuôi, tuy nhiên, nó thường được sử dụng trong các tình huống mà việc giữ giá trị zero-centered là quan

có thể được phân tán trên nhiều nguồn và mô hình có thể được đào tạo đồng thời trên các máy tính khác nhau, giúp giảm thời gian đào tạo và tăng cường khả năng xử lý của hệ thống

Học phân tán có thể giúp giảm bớt gánh nặng tính toán và bộ nhớ đối với một máy tính duy nhất, đồng thời cũng có thể cải thiện khả năng mở rộng và

độ tin cậy của hệ thống Tuy nhiên, cũng có thể đối mặt với thách thức trong việc đồng bộ và quản lý dữ liệu giữa các nút phân tán, cũng nhĩ việc duy trì tính nhất quán của mô hình đào tạo

Server coordinating the training of a global Al model

cell

fo=)

Hành 2.7: Mé hinh hoc phan tan [8]

2.4.2 Cách thức hoạt động

Hoạt động của học phân tấn như sau:

e Phân chỉa dữ liệu: Dữ liệu đào tạo được chia thành các phần nhỏ và được phân tán đồng thời trên nhiều nguồn, máy tính hoặc thiết bị khác nhau Mỗi phần nhỏ này có thể đặt tại các địa điểm phân tán

Khởi tạo mô hình: Một mô hình học máy được khởi tạo trên mỗi thiết bị hoặc máy tính Mô hình này có thể bắt đầu từ một trạng thái ngẫu nhiên hoặc sử dụng một mô hình đã được đào tạo trước đó

e Huấn luyện phân tán: Các thiết bị hoặc máy tính bắt đầu quá trình đào tạo đồng thời trên dữ liệu của mình Mỗi bước đào tạo, mô hình được cập nhật dựa trên độ chệch giữa dự đoán và kết quả thực tế từ dữ liện của nó

e Chia sẻ trọng số: Thông tin về trọng số của mô hình được chia sẻ giữa các thiết bị hoặc máy tính Các trọng số này thường được truyền đi và nhận

về thông qua mạng

e Tổng hợp kết quả: Các mô hình trên các thiết bị hoặc máy tính được cập nhật và điều chỉnh trọng số của chúng Kết quả cuối cùng sau quá trình đào tạo có thể được tổng hợp từ các mô hình phân tán

2.4.3 Ưu nhược điểm

Học phân tán trong lĩnh vực học máy mang đến nhiều lợi ích quan trong [9], [i0], [H1] Đầu tiên, quá trình đào tạo được tăng tốc đáng kể do có thể thực hiện đồng thời trên nhiều thiết bị hoặc máy tính Điều này giúp giảm thời gian cần thiết để hoàn thành quá trình đào tạo, đặc biệt là khi xử lý các tập dữ liệu lớn Hệ thống học phân tán cũng dễ dàng mở rộng, có khả năng tích hợp thêm nguồn tính toán mới khi cần thiết, giúp nâng cao khả năng xử lý và hiệu suất của mô hình Ngoài ra, tính linh hoạt của hệ thống này cho phép nó thích ứng với môi trường tính toán đa dạng

Mặc dù học phân tán mang lại nhiều wu điểm, nhưng cũng đặt ra một số thách thức Quản lý sự đồng bộ giữa các mô hình và dữ liệu trên các thiết bị hoặc máy tính có thể là một vấn đề phức tạp, đặc biệt là khi cần truyền dữ liệu

20

và trọng số giữa chúng Sự giao tiếp giữa các nút phân tán có thể tạo ra chỉ phí và độ trễ mạng, đặc biệt là khi kích thước của mô hình và dữ liệu lớn Bảo mật là một khía cạnh quan trọng cần xem xét khi quản lý nhiều nút và thiết bị Đồng thời, quản lý và duy trì một hạ tầng mạng và hệ thống phức tạp cũng có thể tăng chỉ phí triển khai và duy trì của hệ thống

2.5 Application Programing Interface

2.5.1 Tong quan vé API

Application Programming Interfaces (APIs) 1A mét phan trung gian gitta người dùng và hệ thống Đến thời điểm hiện tại, API đã trở thành một phần quan trong không thể thiếu trong việc xây dựng hệ thống API hoạt động như một giao diện giữa các phần mềm, cho phép chúng giao tiếp với nhau mà không cần biết đến cách thức nội bộ của từng ứng dụng Sự linh hoạt này làm cho API trở thành một thành phần quan trọng trong hầu hết các hệ thống công nghệ thông tin, từ ứng dụng di động đến hệ thống doanh nghiệp lớn

2.5.2 FastA PI

Fast API 1A mot framework hién dai, nhanh chóng, dựa trên tiêu chuẩn Python 3.7+, được thiết kế để xây dựng API một cách nhanh chóng va dé dang N6 cung cấp tính năng tự động tạo tài liệu và hiệu suất cao, phù hợp cho việc xây dựng API trong hệ thống

2.5.3 Cac loat API

Có nhiều loại API khác nhau, nhưng tất cả đều có chung một mục đích là cho phép các ứng dụng giao tiếp với nhan Một số loại API phổ biến bao gồm:

e Web API: Web API là một loại API sử dụng giao thức HTTP để giao tiếp Web API thường được sử dụng để truy cập vào dữ liện từ các trang web hoặc ứng dụng web

e REST API: REST API 1a mét loai Web API stt dung mé hinh RESTful RESTful 1a một kiến trúc web dựa trên các nguyên tắc cơ bản như trạng

21

thái không thay đổi, định dạng dữ liệu nhẹ và định tuyến dựa trên URI

e SOAP API: SOAP API là một loại Web API sử dụng giao thức SOAP để giao tiếp SOAP là một giao thức XML dựa trên giao thức HTTTP

e GraphQL API: GraphQL API là một loại API mới nổi sử dụng ngôn ngữ truy vấn GraphQL để truy cập dữ liện GraphQL cho phép các nhà phát triển truy cập dữ liệu theo cách có cấu trúc và hiệu quả hơn

2.6 Blockchain

2.6.1 Tong quan vé Blockchain

Blockchain là cơ sở dữ liệu phi tập trung, lưu trữ thông tin trong các khối được liên kết với nhan bằng mã hóa Các khối tạo thành một chuỗi liên tục, không thể thay đổi Blockchain được ứng dụng rộng rãi trong việc nghiên cứu

Blockchain bao gồm các thành phần chính sau:

e Khối (Block): Một đơn vị dữ liệu trong blockchain Mỗi khối chứa một số thông tin nhất định:

22

— Previous Block Address: Địa chỉ của khối trước đó trong chuỗi

— Timestamp: Thời gian tạo khối

— Nonce: Giá trị sử dụng cho quá trình khai thác và tạo khối

— Merkel Root: Giá trị tổng hợp đại diện cho tất cả các giao dịch chứa trong khối sử dụng cấu trúc cây Merkel

e Chuỗi: Tập hợp các khối liên kết với nhau dựa vào thời gian và mã của khối trước

e Mã hóa: Sử dụng để bảo vệ dữ liệu trong blockchain khỏi bị thay đổi hoặc truy cập trái phép

e Cơ chê đồng thuận: Một thuật toán được sử dụng để xác định khối tiếp theo sẽ được thêm vào blockchamn

| | |

Header Header Header Previous Block Previous Block Previous Block

Timestamp Timestamp Timestamp Nonce Nonce | | Nonce Merkel Root J Merkel Root | | Merkel Root

Hình 2.9: Thành phần của Blockchain (16) 2.6.3 Cách thức hoạt động của Blockchain

e Tạo khối: Nút cần tạo dữ liệu để lưu trữ trong khối Dữ liệu này có thể là thông tin giao dịch, thông tin tài sản, hoặc dữ liệu khác Sau đó mút tính toán mã băm của dữ liệu trong khối Mã băm là một giá trị được tính toán

từ dữ liệu, sử dụng để đảm bảo tính toàn vẹn của dữ liệu Cuối cùng thêm

mã băm của khối trước vào khối mới Điều này giúp liên kết các khối với nhau

23

e Kiểm tra tính hợp lệ: Tính hợp lệ của một khối mới được xác minh bằng cách sử dụng cơ chế đồng thuận Có nhiều cơ chế đồng thuận khác nhan, những tất cả đều có chung mục tiêu là xác định xem khối mới có hợp lệ hay không Một số cơ chế đồng thuận phổ biến: Proof of work (PoW), Proof of stake (PoS), Delegated proof of stake (DPoS)

e Thêm khôi vào chuỗi: Khi một khối đã được xác minh là hợp lệ, nó sẽ được thêm vào chuỗi Các nút trong mạng sẽ đồng bộ hóa với nhau để đảm bảo rằng tất cả các nút đều có phiên bản mới nhất

2.0.4 Uu điểm của blockchain

e Tính phi tập trung: Blockchain là một hệ thống phi tập trung Nghĩa là không một đối tượng nào có thể kiểm soát blockchain Các nút trong mạng

có thể tạo, xác minh, và thêm khối vào blockchain Tính phi tập trung của blockchain giúp tăng cường tính bảo mật và tính minh bạch của dữ liệu Điều này giúp ngăn chặn việc gian lận hoặc truy cập trái phép vào dữ liệu

e Tính minh bạch: Giúp ngăn chặn việc gian lận hoặc tham nhũng Mọi người đều có thể thấy các giao dịch trong blockchain Điều này giúp đảm bảo rằng các giao dịch được thực hiện một cách công bằng và minh bạch

e Tính bất biến: Tính bất biến của blockchain giúp ngăn chặn việc gian lận hoặc sửa đổi dữ liệu Khi dữ liệu đã được lưu trữ vào blockchain, nó sẽ không thể bị thay đổi Điều này giúp đảm bảo rằng dữ liệu trong blockchain luôn chính xác và đáng tin cậy

2.7 Ứng dụng dành cho người dùng

2.7.1 Tong quan vé ting dung

Ung dụng di động là một phần của hệ thống theo dõi sức khỏe tại nhà Nó không chỉ là giao diện cho người dùng cuối để tương tác với hệ thống mà còn là cầu nối để tương tác với các thiết bị IoTs, học sâu, học phân tán và blockchain

24

2.7.2 Windows Form C#

Mét céng nghé trong NET Framework của Microsoft cho phép người phát triển tạo ra các ứng dung giao dién ngudi dimg dé hoa (GUI) cho hệ điều hành Windows Windows Form C ding để xây dựng các ứng dụng với các yêu cầu về giao diện người dùng không quá phức tạp

Hình 2.10: Ngôn ngữ Œ#

Ứng dụng Windows Forms được xây dựng từ các thành phần có sẵn hoặc tùy chỉnh như: nút bấm (buttons), hộp văn bản (text boxes), nhãn (labels), bang (datagrids), và nhiều thành phần khác có thể được kéo vào giao diện thiết kế trong môi trường phát triển tích hợp (IDP) như Visual Studio Các thành phần này có thể được tùy chỉnh trong quá trình thiết kế bằng cách sử dụng bảng Properties

2.7.3 Android Studio

Android Studio 1A mét môi trường phát triển tích hợp (IDE) chính cho nền tảng Android Nó được thiết kế để cung cấp một công cụ toàn diện cho việc xây dựng ứng dụng Android Được phát triển bởi Google và dựa trên InelliJ IDEA của JetBrains

android studio

Hinh 2.11: Ung dung Android Studio Ngoài ra, Android Studio còn tích hợp với GitHub và các công cụ kiểm soát phiên bản khác, giúp dễ dàng quản lý mã nguồn và cộng tác trong nhóm Công

cụ cũng hỗ trợ phát triển dựa trên plugin, cho phép mở rộng chức năng của IDE thông qua các plugin do cộng đồng phát triển

2.7.4 Giao điện ting dung

Ung dụng di động là một công cụ theo dõi dữ liệu sức khỏe, một trợ thủ quan trọng trong quản lý sức khỏe toàn diện Kết hợp tich hop thiét bi loT, ứng dụng không chỉ thu thập thông tin sức khỏe mà còn được xây dựng một hệ thống dự đoán bệnh mạnh mẽ Đối với bác sĩ, ứng dụng là công cụ xác thực và theo dõi kết quả dự đoán bệnh Giao diện đơn giản giúp bác sĩ dễ dàng theo dõi hỗ trợ

ra đánh giá chính xác về chăm sóc sức khỏe cho bệnh nhân Đây là bước tiến quan trọng để nâng cao chất lượng dịch vụ y tế chăm sóc bệnh nhân Giao diện của ứng dụng được xây dựng tập trung vào trải nghiệm người dùng

Sự dễ sử dụng được tru tiên hàng đầu, với trực quan hóa dữ liệu tối tru hóa để người dùng dé theo dõi thông tin sức khỏe Cảnh báo và lời khuyên sức khỏe hiển thị thân thiện, giúp người dùng hiểu rõ tình trạng sức khỏe và nhận hướng dẫn chăm sóc phù hợp

26

CHƯƠNG 3 THIET KE HE THONG

3.1 Kiến trúc tổng quát

Một kiến trúc Egde Computing bốn tầng được sử dụng để lưu trữ thông tin bệnh nhân an toàn và phân tán dữ liệu Mô hình Học Sâu được sử dụng để kiểm tra các mẫu, với một tầng lớp cung cấp giao diện người dùng thông qua một API, FL client, và truy cập dữ liệu Một mạng blockchain đảm bảo an toàn dữ liệu, trong khi IPES tăng cường khả năng mở rộng Máy chủ PL áp dụng mô hình Học Sâu cho các bộ dữ liệu lớn để cải thiện liên tục Kiến trúc nhấn mạnh vào công nghệ tiên tiến và cam kết thích ứng với tính động của dữ liệu y tế Dưới đây là một số đặc điểm cụ thể của kiến trúc hệ thống (Hình 3.1): e« Sử dụng blockchain để bảo vệ dữ liệu: Nó lưu trữ dữ liệu trong một mạng blockchain an toàn không thể thay đổi Đồng thời đảm bảo rằng mọi thay đổi đều được thực hiện với sự cho phép và chính xác

se Sử dụng IPES để lưu trữ dữ liệu theo cách phân tán: Dữ liệu được lưu trữ theo cách phân tán bằng cách sử dụng mạng IPES Điều này đồng nghĩa với việc dữ liệu không thể được lưu trữ trên một máy chủ duy nhất,

từ đó làm tăng khả năng chống tấn công và kiểm duyệt

e Sử dụng học máy phân tán để huấn luyện mô hình học sâu trên một bộ dữ liệu lớn: Hệ thống huấn luyện một mô hình học sâu dựa trên một bộ dữ liệu rất lớn mà không cần phải thu thập và tích tụ ở một nơi, ví

dụ nhĩ học máy phân tán Điều này sẽ cải thiện độ chính xác của mô hình

và giảm khả năng rò rỉ dữ liệu

e Sử dụng một tầng lớp edge để cung cấp quyền truy cập dữ liệu cho người dùng: Tầng này mang lại sự thuận tiện cho người sử dụng để

sử dụng tài nguyên có sẵn được bảo vệ khỏi bất kỳ hành động xấu nào Nó

có thể giúp tăng cường hiệu suất cho người dùng ở các khu vực xa xôi của

hệ thống

2ï

“ Blockchain

Blockchain Network Transaction Consensus

Hinh 9.1: Mô hình dé xuất

28