FL-EDGEWAD: KIẾN TRÚC HỌC LIÊN KẾT KẾT HỢP ĐIỆN TOÁN BIÊN CHO PHÁT HIỆN BẤT THƯỜNG NƯỚC THẢI THEO THỜI GIAN THỰC
Từ khóa
DOI:
https://doi.org/10.34238/tnu-jst.15224Tóm tắt
Quá trình đô thị hóa nhanh và sự phát triển công nghiệp đã làm gia tăng nhu cầu giám sát chất lượng nước thải một cách liên tục và đáng tin cậy nhằm phòng ngừa các rủi ro môi trường và đảm bảo tuân thủ các quy định. Tuy nhiên, các hệ thống giám sát IoT tập trung truyền thống thường gặp phải những hạn chế như độ trễ cao, chi phí truyền dữ liệu lớn và các vấn đề liên quan đến bảo mật dữ liệu do phụ thuộc vào máy chủ trung tâm. Bên cạnh đó, nhiều phương pháp hiện có vẫn chưa hỗ trợ hiệu quả việc phát hiện bất thường theo thời gian thực trên nhiều điểm giám sát phân tán, đặc biệt trong bối cảnh cần bảo vệ tính riêng tư của dữ liệu cục bộ. Để giải quyết các vấn đề này, bài báo đề xuất FL-EdgeWAD, một khung trí tuệ nhân tạo biên dựa trên học liên kết nhằm phát hiện bất thường một cách cộng tác. Hệ thống kết hợp mô hình Long Short-Term Memory Autoencoder (LSTM-AE) nhẹ triển khai trên các thiết bị biên hạn chế tài nguyên với thuật toán Federated Averaging (FedAvg) để huấn luyện mô hình toàn cục mà không cần chia sẻ dữ liệu thô. Kết quả thực nghiệm trên bộ dữ liệu nước thải đa biến mô phỏng cho thấy phương pháp đạt độ chính xác 92,3% và F1-score 91,5%, cao hơn 7,1% so với mô hình cục bộ, đồng thời hội tụ sau 25 vòng truyền thông. Những kết quả này cho thấy FL-EdgeWAD là giải pháp hiệu quả, cân bằng giữa khả năng mở rộng, độ trễ và bảo mật dữ liệu, phù hợp với các hệ thống giám sát môi trường thông minh trong thực tế.Lượt tải
Tài liệu tham khảo
B. Ngwenya et al., "Monitoring ambient water quality using machine learning: A review of AWQMS and SDG 6.3.2," Science of The Total Environment, vol. 857, 2023, Art. no. 159502, doi: 10.1016/j.scitotenv.2022.159505.
S. Yang, K. Behzadian, C. Coleman, T. G. Holloway, and L. C. Campos, "Application of AI-based techniques for anomaly management in wastewater treatment plants: A review," Journal of Environmental Management, vol. 392, 2025, Art. no. 126886, doi: 10.1016/j.jenvman.2025.126886.
World Health Organization (WHO), Guidelines for Drinking-water Quality, 4th ed., Geneva, Switzerland, 2017.
E. El-Shafeiy et al., "Real-Time Anomaly Detection for Water Quality Sensor Data: A Systematic Literature Review," Sensors, vol. 23, no. 21, 2023, Art. no. 8847, doi: 10.3390/s23218847.
L. Da Xu, W. He, and S. Li, "Internet of Things in Industries: A Survey," IEEE Transactions on Industrial Informatics, vol. 10, no. 4, pp. 2233-2243, 2014, doi: 10.1109/TII.2014.2300753.
W. Shi et al., "Edge Computing: Vision and Challenges," IEEE Internet of Things Journal, vol. 3, no. 5, pp. 637-646, 2016, doi: 10.1109/JIOT.2016.2579198.
T. Li, A. K. Sahu, A. Talwalkar, and V. Smith, "Federated Learning: Challenges, Methods, and Future Directions," IEEE Signal Processing Magazine, vol. 37, no. 3, pp. 50-60, 2020, doi: 10.1109/MSP.2020.2975749.
P. Kairouz et al., "Advances and Open Problems in Federated Learning," Foundations and Trends in Machine Learning, vol. 14, no. 1-2, 2021, doi: 10.1561/2200000083.
M. N. A. Ramadan et al., "SecureIoT-FL: A Federated Learning Framework for Privacy-Preserving Real-Time Environmental Monitoring in Industrial IoT Applications," Alexandria Engineering Journal, vol. 114, pp. 681-701, 2025, doi: 10.1016/j.aej.2024.11.069.
H. B. McMahan, E. Moore, D. Ramage, S. Hampson, and B. A. Y. Arcas, "Communication-Efficient Learning of Deep Networks from Decentralized Data," in Proc. AISTATS, 2017, pp. 1273-1282.
A. Alwabli et al., "Federated Learning for Privacy-Preserving Air Quality Forecasting using IoT Sensors," Engineering, Technology & Applied Science Research, vol. 14, no. 2, pp. 13001-13008, 2024, doi: 10.48084/etasr.6833.
Y. Wei et al., "LSTM-Autoencoder-Based Anomaly Detection for Indoor Air Quality Time-Series Data," IEEE Sensors Journal, vol. 23, no. 4, pp. 4025-4036, 2023, doi: 10.1109/JSEN.2022.3230361.
M. N. Alatawi, "Edge computing and federated learning for privacy-preserving IoT analytics," Journal on Wireless Communications and Networking, vol. 2025, 2025, Art. no. 24545, doi: 10.1186/s13638-025-02545.
P. Warden and D. Situnayake, TinyML: Machine Learning with TensorFlow Lite on Arduino and Ultra-Low-Power Microcontrollers, O'Reilly Media, 2019.
