4.1. Triển khai hệ thống khí canh thông minh ứng dung Edge
Computing
Hệ thống khi canh tôi dé xuất trong nghiên cứu nay được triển khai thử nghiệm
sử dụng các thiết bị sau:
Vietduno UNO đóng vai trò là board xử lý trung tâm cua Node sensor,
đồng thời trong mô hình triển khai thử nghiệm nó cũng đảm nhiệm vai trò của một Controller dùng dé điều khién hệ thống bơm dinh dưỡng và
ánh sáng.
Raspberry Pi 4 đóng vai trò là một Edge server, đồng thời nó cũng đảm
nhiệm vai trò của một LoRa Gateway
Viettel Virtual Cloud Server chạy Ubuntu 20.04 LTS đảm nhiệm vai
trò của một Cloud (Backend server).
Cảm biến DFRobot Gravity Analog TDS dùng dé đo dinh dưỡng Cảm biến DHT22 dùng để đo nhiệt độ và độ âm không khí
Module Relay dùng dé điều khiến hệ thống đèn và phun dinh dưỡng Đèn LED trồng cây
Trụ khí canh BATRIVINA
39
e_ Module LoRa EBYTE E32-433T20D dùng dé truyền dữ liệu cảm biến,
Hình 4.1: Mode sensor và Controller được thiết kế sử dụng Vietduno ƯNO và các
cảm biên.
40
Auto Scheduler and
Environment
Checker
Supervisor
Edge Kyber Tunnel
Hình 4.3: Các dịch vụ được trién khai trên Raspberry Pi 4.
41
Raspberry Pi 4 là Edge server và LoRa Gateway (2 trong 1) được cai đặt
Ubuntu Server 22.04 LTS 64 bit. Các dịch vụ được triển khai sử dụng Docker Compose. Hình 4.3 mô tả các dịch vụ được triển khai trên Edge server và LoRa Gateway. LoRa Gateway và Edge Kyber Tunnel được tôi phát triển sử dụng Golang. Edge Kyber Tunnel được sử dụng dé tạo Tunnel Backup dữ liệu vào kết nối điều khiến hệ thống từ xa. InfluxDB là local database của Edge server, Grafana là giao
diện Web cho người dùng. Auto Scheduler and Environment Checker là mô hình
GATs đã được chuyền đổi sang TensorFlow Lite dùng dé tự động lập lịch phun dinh dưỡng và kiểm tra các điều kiện của môi trường canh tác xem nó có phù hợp hay
không. Eclipse Mosquitto là local MQTT broker.
Cloud (Backend server) cung cấp dịch vu Backup dit liệu, duy tri Tunnel dé
truy cap dén Edge server va van hanh hé thống. Các dịch vụ được triển khai trên
Backend server được thể hiện trong hình 4.4.
InfluxDB
Session Mapping and Forwarding via Tunnel
Hình 4.4: Các dich vu được triển khai trên Viettel Virtual Cloud Server.
InfluxDB 6 Backend server được sử dụng dé lưu dir liệu Backup, Eclipse Mosquitto là global MQTT broker sử dụng trong quá trình thỏa thuận khóa. Khi cần
42
kết nối đến Edge server từ xa qua internet, người dùng chỉ cần chạy ứng dụng
Agent_Kyber_Tunnel trên máy tính của họ, sau đó mở trình duyệt Web và truy cập
địa chỉ . Agent_Kyber_Tunnel do tôi phát triển sử dụng Golang dùng
dé tạo Tunnel truy cập từ xa đến Edge server. Hình 4.5 là hệ thống khí canh thử nghiệm sau khi đã triển khai thành công.
43
Mã nguôn triên khai:
e Edge, Controller và Node sensor:
tangnguyendeveloper/smart_aeroponics (github.com)
e Kyber1024 KEM: tangnguyendeveloper/KyberKEM_1024
(github.com)
e Kyber Tunnel: tangnguyendeveloper/KyberTunneling (github.com)
4.2. Thứ nghiệm và đánh giá kết quả
4.2.1. Giải pháp lập lịch phun dinh dưỡng và phát hiện bất thường
áp dụng học sâu
Mô hình GATs dùng đề tự động lập lịch bơm dinh dưỡng và kiểm tra các điều
kiện môi trường canh tác khí canh được đào tạo và đánh giá trên tập dữ liệu thu thập
trong thực tế của 3 loại cây là Cà chua bi, Xà lách và Cải xanh. Các giá trị đầu ra của
mô hình bao gồm TDS tối ưu và các giá trị kiểm tra điều kiện môi trường canh tác khí canh được đào tạo đề nhận biết 49 loại cây trong bảng 3.1. Tuy nhiên riêng giá trị đầu ra đại diện cho số phút bật hệ thống bơm dinh dưỡng chỉ tối ưu cho 3 loại cây là
Xà Lach, Cải xanh và Cà chua bi.
Vì là mô hình hồi quy nên thay vì đánh giá độ chính xác, tôi sẽ đánh giá mức
độ sai lệch giữa kết quả dự đoán của mô hình và mục tiêu đầu ra. Độ sai lệch tôi sử
dụng dé đánh giá mô hình là MAE (Mean absolute error).
N
MAE = — > [preaice — Vearget|1
1
(25 )
Giá trị du đoán số phút bơm dinh dưỡng năm trong đoạn [1, 30], giá trị TDS tối ưu nằm trong đoạn [100, 3000] và các giá trị kiểm tra điều kiện môi trường thì
44
nằm trong đoạn [0, 200]. Các giá trị kiểm tra bằng 100 là tối ưu, 50 là phù hợp, 0 là quá thấp và 200 là quá cao. Bảng 4.1 cung cấp so sánh chi tiết về độ chính xác của
mô hình GATs được đề xuất và các mô hình học sâu thông dụng khác.
luyện luyện (epochs) (MAE) (parameters)
1018.65
33251 120 12.36 Transformer 54672 500 9.88
Test accuracy of pump on
|
—— Pump on target
—— Pump on predict
T T T T T T
0.0 2.5 5.0 7.5 10.0 12.5 15.0 17.5
samples
pump on in (minutes) _ _ ti _ _ fos) œ o N ` a œ hi 1 1 ủ
+ 1
Hình 4.6: Kết quả dự đoán số phút bum dinh đưỡng sử dung mô hình GATs.
45
Test accuracy of pump on LSTM
pump on in (minutes)
0.0 25 5.0 7.5 10.0 12.5 15.0 17.5
samples
Hình 4.7: Kết quả dự đoán số phút bum dinh dưỡng sử dung mô hình LSTM.
Test accuracy TDS
3500 target nim
predict min
target max
3000 predict max
N u fo]©
TDS value (PPM) 2000
1500
1000
Hình 4.8: Kết quả dự đoán mức TDS tối ưu sử dụng mô hình GATs
46
Test accuracy TDS optimaze
200
175
rayư©
i)N uw
— predict
TDS value (PPM) °a 6
3
N u
0.0 2.5 5.0 + 10.0 12.5 15.0 17.5
samples
Hình 4.9: Kết quả kiểm tra mức dinh dưỡng sử dung mô hình GATs
Test accuracy Temperature optimaze
200
175
ˆu©
=)N uw
—— target r=)fo] ©
Temperature value (°C) ~u
0.0 2.5 5.0 7.5 10.0 12.5 15.0 17.5
samples
Hình 4.10: Kết quả kiểm tra nhiệt độ sử dụng mô hình GATs
47
Test accuracy humidity optimaze
175
humidity value (%H) er rR id N yu ~ oO N uwu o u © u o
=
0.0 2.5 5.0 7.5 10.0 12.5 15.0 17.5
samples
Hình 4.11: Kết quả kiểm tra độ 4m không khí sử dụng mô hình GATs
Hình 4.6 đến hình 4.11 Mô tả sự khác biệt giữa kết quả dự đoán của mô hình
học sâu và mục tiêu mang muôn.
Qua những kết quả chạy thử nghiệm và đánh giá ở trên tôi có kết luận là mô
hình GATs được đề xuất trong nghiên cứu này cho kết quả chính xác vượt trội so với các mô hình học sâu truyền thống đối với bài toán hồi quy các giá trị sử dụng dé lập lịch bơm dinh dưỡng khí canh tự động. Qua thử nghiệm thực tế trên hệ thống khí canh thử nghiệm đã xây dựng trong nghiên cứu này có thé kết luận mô hình GATs trong nghiên cứu này có thê áp dụng dé canh tác khí canh tự động tốt cho cây Cải
xanh và cây Xà lách.
48
4.2.2. Giải pháp mã hóa và xác thực Zero-Trust
Giải pháp xác thực đữ liệu cảm biến, lệnh điều khiển và cấu hình hoạt động gửi qua LoRa sử dụng HMAC với SHAKE-256 đã được triển khai trên hệ thống khí canh thử nghiệm trong nghiên cứu này. Kết quả thử nghiệm thực tế cho thấy giải pháp
có thể hoạt động tốt với các thiết bị trong hệ thống, không ảnh hưởng đến hiệu năng của hệ thống, chống lại được các cuộc tan công giả mạo lệnh điều khiến, dữ liệu cảm biến và cau hình. Bảng 4.2 cung cấp thông tin về hiệu suất tính toán của hệ thống khi
áp dụng giải pháp xác thực và bảo mật. Hình 4.12 là gói tin cấu hình thời gian bơm dinh dưỡng được gửi qua LoRa đến Vietduno UNO.
”: "E8364930*,
": "{"ON": 5, "OFF": 115}",
"UID": ”167499760385478",
Hình 4.12: Cấu hình bơm dinh dưỡng được gửi qua LoRa
Thiết bị RAM sử dụng HMAC Kyber 1024 AES-256
Vietduno UNO
50.36 ms — 13 ms— 18 104.1 ms ms
Laptop (Windows 11)
Bảng 4.2: Hiệu năng hệ thống khi áp dụng giải pháp xác thực va bảo mật.
49
Giải pháp thỏa thuận khóa sử dụng Kyber1024 dé đóng gói khóa và trao đổi thông qua MQTT cũng được triển khai thử nghiệm trên hệ thống khí cánh thử nghiệm. Kết quả thử nghiệm cho thấy giải pháp hoạt động tốt trên các thiết bị của hệ thống,
dữ liệu gửi qua Tunnel đã được mã hóa trước khi gửi đi. Người dùng có thể truy cập đến Edge server thông qua Tunnel, tuy nhiên vì đây chỉ là hệ thống thử nghiệm nên chưa có điều kiện thử nghiệm với nhiều kết nối đồng thời tới nhiều Edge server khác
nhau.