Đây là một đề tài mang tính thực tiễn cao trong việc ứng dụng trí tuệ nhân tạo, sử dụng các kỹ thuật lập trình để giải quyết vấn đề lỗi mạng trong môi trường Kubernetes. Đặc biệt, nghiên cứu cho thấy phần lớn các lỗi hệ thống đều có nguồn gốc từ việc cấu hình không chính xác do người dùng thực hiện. Hệ thống được phát triển trong khóa luận này góp phần tự động hóa quy trình xử lý lỗi, từ đó giúp các quản trị viên tiết kiệm đáng kể thời gian và nguồn lực để có thể tập trung vào những vấn đề mang tính chiến lược và quan trọng hơn đối với tổ chức.
việc áp dụng CI/CD pipeline với Jenkins, ArgoCD đã giúp tự động hóa toàn bộ quy trình kiểm thử, đóng gói, triển khai ứng dụng, giảm thiểu rủi ro và tăng tốc độ phát triển. Hệ thống cũng đã tích hợp thành công các mô hình AI recommender, chatbot hỗ trợ người dùng, xác thực Google với Firebase, cùng các giải pháp monitoring, bảo mật hiện đại.
Đề tài không chỉ giúp người thực hiện tìm hiểu sâu về kiến trúc Microservices, mà còn rèn luyện các kỹ năng quan trọng như: xây dựng pipeline CI/CD tự động, tích hợp các công cụ kiểm tra bảo mật, triển khai logging, và giám sát hệ thống – những kỹ năng thiết yếu đối với một kỹ sư DevOps/DevSecOps trong thời đại số ngày nay.
nhóm quyết định chọn đề tài để kết hợp hai hướng giải pháp trên thành một hệ thống vừa đảm bảo chức năng về truy xuất nguồn gốc, vừa đảm bảo về vòng đời phát triển nhanh chóng, linh hoạt và bảo mật.
Đề tài tập trung vào việc giải quyết thách thức trong quá trình triển khai các ứng dụng web được xây dựng trên kiến trúc Microservices phức tạp. Nhằm tối ưu hóa hiệu quả, đề tài đã đi sâu vào nghiên cứu, xây dựng và triển khai quy trình CI/CD mẫu cho các ứng dụng web Java dựa trên kiến trúc Microservices trên nền tảng Kubernetes và AWS EKS.
Đề tài "Xây dựng và triển khai ứng dụng Java Web trên Kubernetes dùng Jenkins" tập trung nghiên cứu và thực hiện quy trình triển khai ứng dụng Java Web theo mô hình hiện đại, kết hợp giữa nền tảng Kubernetes và phương pháp Jenkins. Trong đồ án này, chúng em đã xây dựng một ứng dụng Java Web mẫu, đóng gói dưới dạng container Docker, lưu trữ mã nguồn và cấu hình trên GitHub. Quá trình triển khai và cập nhật ứng dụng trên cụm Kubernetes được thực hiện tự động thông qua Jenkins, giúp giảm thiểu rủi ro và cải thiện hiệu quả vận hành.
Trong kỷ nguyên phát triển nhanh chóng của các hệ thống phần mềm hiện đại, yêu cầu về tính linh hoạt, khả năng mở rộng, tính bảo mật và tính tự động hóa ngày càng trở nên cấp thiết. Xuất phát từ nhu cầu thực tiễn này, đề tài của chúng em tập trung vào việc xây dựng và triển khai một hệ thống thương mại điện tử bán sản phẩm gaming gear theo mô hình microservices và tích hợp toàn bộ quy trình CI/CD hiện đại, với mục tiêu đảm bảo tính ổn định, bảo mật và khả năng triển khai liên tục.
Nhu cầu về thực phẩm sạch, an toàn ngày càng được nhiều người quan tâm trong thời điểm hiện nay.Tuy nhiên, điều kiện thời tiết thất thường cộng với môi trường ô nhiễm và đất đai canh tác ngày càng thu hẹp đã khiến việc trồng trọt gặp rất nhiều khó khăn. Vì vậy, mô hình trồng cây trong nhà kính đã trở thành một xu hướng mới, giúp người nông dân kiểm soát được môi trường canh tác, bảo vệ cây trồng khỏi sâu bệnh và thời tiết bất lợi.Việc chăm sóc cây trồng trong nhà kính hiện nay phụ thuộc vào sức người là chủ yếu. Người nông dân vẫn phải thu thập thông tin nhiệt độ, độ ẩm và thực hiện các công việc tưới tiêu bằng tay. Điều này đã không còn cần thiết nhờ vào sự tiến bộ khoa học công nghệ, đặc biệt trong các hệ thống cảm biến, trí tuệ nhân tạo (AI). Các công việc trên đã có thể thực hiện tự động mà không cần thiết có sự góp mặt của người nông dân trên cánh đồng.
Đề tài "Phát triển hệ thống dự đoán lỗi build trong tích hợp liên tục bằng học sâu và MLOps" đặt trọng tâm vào giải quyết các vấn đề lỗi build – một trở ngại phổ biến trong bối cảnh phát triển phần mềm hiện nay, đặc biệt đối với các hệ thống tích hợp liên tục (CI/CD). Với sự gia tăng độ phức tạp của các dự án phần mềm, lỗi build không chỉ gây gián đoạn mà còn làm gia tăng chi phí và suy giảm chất lượng sản phẩm. Đề tài áp dụng các phương pháp học sâu như Stacked-LSTM, StackedBiLSTM, và ConvLSTM để phân tích dữ liệu chuỗi thời gian từ nguồn như TravisTorrent, nhằm dự đoán sớm các rủi ro thất bại của build, từ đó hỗ trợ nâng cao hiệu quả quy trình phát triển và giảm thiểu thời gian xử lý sự cố.
Khóa luận tập trung vào việc xây dựng hệ thống ứng dụng Social Scope, sử dụng các kỹ thuật xử lý ngôn ngữ tự nhiên (NLP) để phân tích các nội dung được đăng trên mạng xã hội Reddit, từ đó xác định cảm xúc của người dùng đối với nhiều sản phẩm và dịch vụ khác nhau. Chúng tôi đã thiết kế một hệ thống cho phép thu thập dữ liệu từ các diễn đàn công nghệ và sản phẩm lớn trên Reddit nhằm tạo ra một cái nhìn tổng quát về xu hướng và tâm lý của người tiêu dùng.