SynapseSe — Giải pháp đa chuỗi tăng cường khả năng mở rộng, tương tác và truy xuất nguồn gốc minh bạch trong quản lý chuỗi cung ứng

Solving the supply-chain trilemma: SynapseSe - a multi-chain framework for scalable, interoperable, and transparent traceability

Trong những năm gần đây, sự lớn mạnh không ngừng của các công nghệ số hóa đã và đang khẳng định vị thế cốt lõi, kiến tạo nên những bước chuyển đột phá, định hình lại mô hình phát triển kinh tế – xã hội và đem lại hàng ngàn lợi ích đối với sự phát triển toàn cầu. Trí tuệ nhân tạo (AI) và Công nghệ chuỗi khối (Blockchain) đã có những bước tiến đáng kể, mở ra kỷ nguyên mới cho các hệ thống siêu kết nối (Hyperconnected systems) trong Công nghiệp 4.0 và hướng tới Công nghiệp 5.0. Trong đó, sự kết hợp giữa khả năng bảo mật, minh bạch của Blockchain và trí tuệ tập thể của Học liên kết (Federated Learning) đang nổi lên như một giải pháp then chốt, đóng góp to lớn vào việc giải quyết các bài toán về tính riêng tư dữ liệu và khả năng phục hồi trước các rủi ro an ninh mạng.

Hòa chung dòng chảy tiến bộ này, việc ứng dụng Học liên kết vào việc nâng cao nhận thức tình huống (Situational Awareness) trong chuỗi cung ứng công nghiệp đã nổi lên như một lĩnh vực đầy tiềm năng, thu hút sự chú ý của đông đảo cộng đồng công nghệ trên toàn thế giới. Hàng loạt các đóng góp sáng tạo và các công trình nghiên cứu đã được đề xuất nhằm tối ưu hóa khả năng truy xuất nguồn gốc, phát hiện hàng giả và ứng phó với các mối đe dọa vật lý – không gian mạng. Tuy nhiên, một câu hỏi lớn vẫn được đặt ra giữa vô vàn những đóng góp khoa học ấy: liệu các hệ thống này có thực sự chứng minh được tính hiệu quả và khả năng chống chịu (resilience) trong môi trường thực tế đầy rủi ro, nơi các cuộc tấn công đầu độc dữ liệu (poisoning attacks) và độ trễ giao tiếp xuyên chuỗi (cross-chain) luôn hiện hữu hay không?. Có thể thấy được khoảng cách giữa các mô hình lý thuyết và khả năng triển khai ứng dụng bền vững trong thực tiễn vẫn đang là một thách thức to lớn.

Chính vì vậy, khóa luận này hướng đến mục tiêu thu hẹp khoảng cách nêu trên bằng cách nghiên cứu, thiết kế và phát triển một khung làm việc (framework) đa chuỗi mạnh mẽ mang tên SynapseSe, dành riêng cho nhiệm vụ nâng cao nhận thức tình huống và khả năng phục hồi trong chuỗi cung ứng. Khóa luận tập trung áp dụng các kiến trúc công nghệ tiên tiến như đa chuỗi mô-đun hóa (Modular Multichain), giao thức tương tác giảm thiểu niềm tin LayerZero, lưu trữ phi tập trung IPFS và Học liên kết bảo tồn quyền riêng tư (Privacy-preserving Federated Learning) để tối ưu hiệu suất xử lý và đảm bảo tính toàn vẹn dữ liệu. Sự kết hợp này giúp trang bị cho hệ thống khả năng chống chịu trước các cuộc tấn công đầu độc từ phía người tham gia, qua đó hiện thực hóa việc ứng dụng mô hình vào quản lý chuỗi cung ứng thực tế, nâng cao tính minh bạch và an toàn thông tin trong môi trường phi tập trung.

Xem toàn văn báo cáo tại:

TÁC GIẢ

Trần Ngọc Hậu

GIẢNG VIÊN HƯỚNG DẪN

NGÀNH

Năm:

TỔNG QUAN

Trong kỷ nguyên toàn cầu hóa, chuỗi cung ứng (Supply Chain) đóng vai trò như “mạch máu” của nền kinh tế thế giới, đảm bảo lưu thông hàng hóa và thông tin. Sự bùng nổ của Cách mạng công nghiệp 4.0 và bước chuyển sang Công nghiệp 5.0 đã biến các chuỗi cung ứng truyền thống thành các hệ thống siêu kết nối (Hyperconnected systems) phức tạp. Mặc dù mang lại hiệu quả vận hành, sự chuyển đổi số này cũng đặt ra những thách thức lớn chưa từng có về tính minh bạch, khả năng truy xuất nguồn gốc và an ninh thông tin [1]. 

Thực tế, sự phức tạp của mạng lưới cung ứng hiện đại tạo ra nhiều “điểm mù” trong quản lý, tạo điều kiện cho hàng giả và gian lận thương mại gia tăng. Thiệt hại do hàng giả gây ra đối với nền kinh tế toàn cầu lên tới hàng trăm tỷ USD mỗi năm, đe dọa trực tiếp đến người tiêu dùng [32]. Bên cạnh đó, các phương thức quản lý tập trung hoặc thủ công đã bộc lộ rõ hạn chế: dễ bị thao túng, thiếu minh bạch và tồn tại rủi ro “điểm chết duy nhất” (single point of failure), có thể gây tê liệt toàn bộ hệ thống khi gặp sự cố [33]. 

Trong bối cảnh đó, công nghệ Blockchain nổi lên như giải pháp đột phá nhờ tính phi tập trung và bất biến, cho phép xác minh nguồn gốc theo thời gian thực mà không cần bên thứ ba tin cậy. Tuy nhiên, chỉ lưu trữ dữ liệu là chưa đủ. Để đạt được khả năng “nhận thức tình huống” (Situational Awareness) – tức khả năng hiểu và dự báo biến động – cần tích hợp Trí tuệ nhân tạo (AI). Sự kết hợp giữa Blockchain và AI hứa hẹn mang lại khả năng tự động phát hiện bất thường, tối ưu hóa quy trình và dự báo rủi ro hiệu quả. 

Tuy nhiên, việc hội tụ AI và Blockchain trong thực tế đối mặt với những rào cản kỹ thuật lớn. Thứ nhất là sự cô lập của các mạng lưới Blockchain. Việc thiếu khả năng tương tác (Interoperability) giữa các nền tảng riêng lẻ tạo ra các “đảo dữ liệu”, cản trở dòng chảy thông tin. Các giải pháp cầu nối (Bridges) hiện tại thường tiềm ẩn rủi ro bảo mật cao; thống kê cho thấy các vụ tấn công vào cầu nối chuỗi chéo đã gây thiệt hại hàng tỷ USD trong những năm gần đây [31]. 

Thứ hai là thách thức về quyền riêng tư và an ninh trong mô hình AI cộng tác. Để xây dựng mô hình chính xác, cần tổng hợp dữ liệu từ nhiều bên, nhưng các doanh nghiệp thường ngại chia sẻ dữ liệu nhạy cảm. Học liên kết (Federated Learning – FL) là giải pháp cho phép huấn luyện mô hình mà không cần chia sẻ dữ liệu thô, song lại mở ra bề mặt tấn công mới: tấn công đầu độc (Poisoning attacks). Các tác nhân ác ý có thể tiêm nhiễm dữ liệu giả mạo để làm sai lệch kết quả dự đoán, dẫn đến các quyết định sai lầm nghiêm trọng trong quản lý chuỗi cung ứng [34]. Các nghiên cứu hiện có thường chỉ giải quyết một mặt của vấn đề: hoặc truy xuất nguồn gốc bằng Blockchain, hoặc phân tích bằng AI nhưng thiếu bảo mật. Vẫn tồn tại khoảng trống lớn cho một khung làm việc thống nhất kết hợp được tính minh bạch của Blockchain đa chuỗi, lưu trữ IPFS và Học liên kết, đồng thời đảm bảo khả năng chống chịu (Resilience) trước các cuộc tấn công mạng. 

Xuất phát từ nhu cầu cấp thiết trên, khóa luận tập trung nghiên cứu và phát triển hệ thống “SynapseSe: Khung làm việc đa chuỗi với khả năng phục hồi trước tấn công nhằm nâng cao nhận thức tình huống trong chuỗi cung ứng công nghiệp”. Đề tài đề xuất một kiến trúc tích hợp giao thức tương tác chuỗi chéo giảm thiểu niềm tin (như LayerZero) và cơ chế Học liên kết bảo tồn quyền riêng tư. Đặc biệt, nghiên cứu đi sâu vào việc xây dựng các cơ chế phòng thủ chống lại tấn công đầu độc mô hình trong môi trường giao tiếp không đồng bộ và có độ trễ cao của mạng lưới Blockchain. 

Mục tiêu của đề tài hướng tới xây dựng một giải pháp thực tiễn, giúp các doanh nghiệp chia sẻ tri thức và phát hiện rủi ro chính xác mà vẫn đảm bảo chủ quyền dữ liệu. Việc nghiên cứu thành công đề tài này sẽ đóng góp vào việc hiện thực hóa các hệ thống công nghiệp thông minh, an toàn và bền vững, góp phần nâng cao năng lực cạnh tranh trong nền kinh tế số. Đây là lý do chính thúc đẩy nhóm tác giả lựa chọn thực hiện đề tài này. 

Mục tiêu nghiên cứu 

Đề tài hướng đến việc thiết kế, xây dựng và đánh giá một khung làm việc (framework) đa chuỗi có khả năng phục hồi trước các cuộc tấn công, nhằm nâng cao nhận thức tình huống trong chuỗi cung ứng công nghiệp. Để hiện thực hóa tầm nhìn này, đề tài tập trung giải quyết 05 mục tiêu cụ thể sau:  

  • Mục tiêu 1 – Thiết kế và hiện thực hóa khung làm việc đa chuỗi (Multichain Framework): Xây dựng kiến trúc SynapseSe dựa trên mô hình đa chuỗi mô-đun hóa. Mục tiêu là tạo ra một nền tảng hạ tầng tin cậy và có khả năng tương tác cao, giải quyết các vấn đề về khả năng mở rộng và cô lập lỗi (fault isolation) mà các hệ thống đơn chuỗi truyền thống thường gặp phải.  
  • Mục tiêu 2 – Tích hợp trí tuệ tập thể bảo tồn quyền riêng tư: Phát triển và tích hợp hệ thống Học liên kết (Federated Learning) vào khung làm việc Blockchain. Mục tiêu là chuyển đổi chuỗi cung ứng từ một sổ cái thụ động thành một mạng lưới thông minh chủ động, cho phép phát hiện bất thường và tối ưu hóa hiệu suất mà không cần chia sẻ dữ liệu thô, đảm bảo tính riêng tư tuyệt đối cho các doanh nghiệp tham gia.  
  • Mục tiêu 3 – Xây dựng lớp toàn vẹn dữ liệu lai (Hybrid Data Integrity Layer): Thiết lập cơ chế lưu trữ và xác thực dữ liệu kết hợp giữa cặp song sinh kỹ thuật số (NFT-based digital twins) và lưu trữ phi tập trung (IPFS). Mục tiêu là đảm bảo khả năng truy xuất nguồn gốc chống giả mạo (tamper- resistant provenance) làm cơ sở dữ liệu sạch (ground-truth) cho các phân tích thông minh.  
  • Mục tiêu 4 – Đánh giá thực nghiệm khả năng chống chịu tấn công (Adversarial Resilience): Thực hiện đánh giá nghiêm ngặt hiệu quả của các cơ chế tổng hợp mô hình mạnh (như Krum, Trimmed Mean) trong môi trường thực nghiệm đa chuỗi. Mục tiêu là chứng minh khả năng duy trì độ chính xác cao và sự suy giảm chất lượng “mềm” (graceful degradation) của hệ thống ngay cả khi chịu các cuộc tấn công đầu độc (poisoning attacks) từ các bên tham gia ác ý.  
  • Mục tiêu 5 – Đề xuất lộ trình tăng cường bảo mật cho bộ tổng hợp (Aggregator Hardening): Nghiên cứu và đề xuất các biện pháp kỹ thuật để giảm thiểu rủi ro từ bộ tổng hợp trung tâm, bao gồm sử dụng Môi trường thực thi tin cậy (TEE), giao thức tổng hợp bảo mật (Secure Aggregation) và các cam kết kinh tế (Economically enforced liveness). Mục tiêu là loại bỏ điểm thất bại đơn lẻ (Single Point of Failure) và hướng tới các mô hình học tập phi tập trung hoàn toàn trong tương lai. 

Đối tượng nghiên cứu 

Đối tượng nghiên cứu chính của đề tài được xác định cụ thể như sau:  

  • Mô hình Học liên kết và Cơ chế phòng thủ: Nghiên cứu sẽ tập trung sâu vào kiến trúc Học liên kết (Federated Learning – FL) bảo tồn quyền riêng tư, thay vì các mô hình học máy tập trung truyền thống. Cụ thể, đối tượng nghiên cứu bao gồm các thuật toán tổng hợp mô hình mạnh (Robust Aggregation Algorithms) như Krum, Trimmed Mean và Median. Bên cạnh đó, đề tài cũng nghiên cứu về các kịch bản tấn công đầu độc (Poisoning Attacks) từ các tác nhân ác ý trong mạng lưới để từ đó xây dựng và tối ưu hóa khả năng chống chịu (Resilience) cho mô hình AI. 
  • Hạ tầng Đa chuỗi và Giao thức tương tác: Hệ thống Blockchain đóng vai trò là xương sống của đề tài. Đối tượng nghiên cứu ở đây bao gồm các kiến trúc chuỗi khối mô-đun hóa (Modular Blockchains), các mạng Layer 2 chuyên dụng và đặc biệt là giao thức tương tác chuỗi chéo giảm thiểu niềm tin (Trust-minimized Cross-chain Interoperability) như LayerZero. Ngoài ra, giải pháp lưu trữ phi tập trung IPFS (InterPlanetary File System) cũng được nghiên cứu để giải quyết bài toán lưu trữ dữ liệu lớn và đảm bảo tính toàn vẹn dữ liệu ngoài chuỗi (off-chain).  
  • Hệ thống Nhận thức tình huống trong Chuỗi cung ứng: Đối tượng cuối cùng là khung làm việc tổng thể SynapseSe được áp dụng vào ngữ cảnh chuỗi cung ứng công nghiệp (Industry 4.0/5.0). Nghiên cứu tập trung vào quy trình truy xuất nguồn gốc tài sản, cơ chế định danh số (Digital Twins) dựa trên NFT và luồng dữ liệu giữa các bên tham gia (Nhà cung cấp, Sản xuất, Vận chuyển). Hệ thống này nhằm mục đích cung cấp khả năng giám sát thời gian thực, phát hiện hàng giả và đưa ra các cảnh báo sớm về rủi ro an ninh mạng hoặc đứt gãy chuỗi cung ứng. 

Phạm vi nghiên cứu 

Để đảm bảo tính tập trung và chiều sâu cho đề tài, phạm vi nghiên cứu của khóa luận được xác định và giới hạn rõ ràng trong các khía cạnh sau: 

1. Phạm vi về nội dung và công nghệ 

  • Kiến trúc hệ thống: Đề tài tập trung nghiên cứu chuyên sâu vào kiến trúc Đa chuỗi (Multi-chain) thay vì các giải pháp đơn chuỗi (Single-chain) truyền thống. Cụ thể, nghiên cứu giới hạn trong việc ứng dụng giao thức tương tác chuỗi chéo giảm thiểu niềm tin (Trust-minimized interoperability) như LayerZero và các giải pháp mở rộng Layer 2, kết hợp với lưu trữ phi tập trung IPFS. 
  • Mô hình học máy: Nghiên cứu chỉ tập trung vào phương pháp Học liên kết (Federated Learning) nhằm bảo vệ quyền riêng tư dữ liệu. Các phương pháp học máy tập trung (Centralized Machine Learning) chỉ được sử dụng làm cơ sở so sánh (baseline) chứ không phải trọng tâm phát triển. 
  • An ninh mạng: Trong vô vàn các nguy cơ an ninh mạng, đề tài giới hạn phạm vi nghiên cứu vào các cuộc tấn công đầu độc (Poisoning Attacks) – bao gồm tấn công đầu độc dữ liệu (Data Poisoning) và đầu độc mô hình (Model Poisoning) – nhắm vào quá trình huấn luyện của hệ thống Học liên kết. Các loại hình tấn công khác như DDoS hay tấn công 51% vào mạng Blockchain nằm ngoài phạm vi của khóa luận này. 

2. Phạm vi dữ liệu 

Nghiên cứu sử dụng mô hình chuỗi cung ứng ảo được xây dựng bằng kỹ thuật mô phỏng sự kiện rời rạc (SimPy) để mô phỏng các hoạt động sản xuất, vận chuyển và phân phối trong chuỗi cung ứng. Dữ liệu mô phỏng bao gồm các sự kiện đúc tài sản kỹ thuật số, tạo đơn hàng, đa giai đoạn vận chuyển và giao hàng, cùng các yếu tố ngẫu nhiên như độ trễ, xác suất giả mạo và mật độ giao dịch. Phương pháp này giúp tạo ra dữ liệu phân tán với tính chất không đồng đều và phân phối không độc lập (Non-IID), mô phỏng chính xác đặc trưng của môi trường chuỗi cung ứng công nghiệp thực tế. 

3. Phạm vi về môi trường thực nghiệm 

  • Môi trường thực nghiệm kết hợp:  Triển khai trên các mạng blockchain testnet, cụ thể như là các mạng testnet phổ biến như Polygon PoS Sepolia, Arbitrum Sepolia, Optimism Sepolia và Base Sepolia để đảm bảo mô phỏng sát điều kiện thực, hỗ trợ đo lường độ trễ xuyên chuỗi thực tế, bất đồng bộ và các yếu tố mạng phức tạp.  
  • Môi trường giả lập (Discrete-Event Simulation) dùng để kiểm thử quy mô lớn hơn, đa kịch bản và các tấn công mô hình mà testnet thực không thể xử lý quy mô hay chế độ thử nghiệm kiểm soát được. 
  • Thiết bị: Được triển khai trên các máy trạm với cấu hình Intel Core i7 và RAM 32GB, SSD tốc độ cao, đảm bảo lưu trữ và xử lý tổng hợp dữ liệu. Các node layer 2 sử dụng máy cấu hình vừa phải để xử lý dữ liệu chuyên biệt. Thiết bị biên tại hiện trường là thiết bị nhỏ gọn Raspberry Pi 4, đủ khả năng xử lý máy học nhẹ. 

4. Phạm vi ứng dụng 

Kết quả nghiên cứu hướng đến việc giải quyết bài toán nâng cao nhận thức tình huống (Situational Awareness) trong lĩnh vực Chuỗi cung ứng công nghiệp (Industrial Supply Chains). Mặc dù kiến trúc đề xuất có thể áp dụng cho các lĩnh vực khác (như Y tế hay Tài chính), khóa luận chỉ tập trung phân tích và đánh giá hiệu quả trong ngữ cảnh quản lý chuỗi cung ứng, truy xuất nguồn gốc và phát hiện hàng giả. 

PHƯƠNG PHÁP TIẾP CẬN VÀ THIẾT KẾ HỆ THỐNG 

Tổng quan về kiến trúc SynapseSe 

Yêu cầu hệ thống và nguyên lý thiết kế 

Việc thiết kế một hệ thống quản lý chuỗi cung ứng hiện đại dựa trên nền tảng Blockchain và AI trong bối cảnh Công nghiệp 5.0 đòi hỏi sự cân bằng tinh tế giữa nhiều yếu tố kỹ thuật phức tạp. Xuất phát từ việc phân tích các hạn chế của các mô hình truyền thống (đã trình bày ở Chương 2), hệ thống SynapseSe được xây dựng dựa trên sự tổng hòa của các yêu cầu cốt lõi và nguyên lý thiết kế sau: 

a. Khả năng mở rộng và Hiệu suất cao thông qua Kiến trúc Mô-đun hóa Chuỗi cung ứng công nghiệp đặc thù bởi khối lượng giao dịch khổng lồ phát sinh liên tục từ các hoạt động nhập kho, kiểm định đến vận chuyển. Các hệ thống phụ thuộc hoàn toàn vào chuỗi chính (Layer 1) thường gặp phải nút thắt cổ chai về tốc độ xử lý và chi phí giao dịch đắt đỏ. Do đó, hệ thống SynapseSe được thiết kế theo kiến trúc mô-đun hóa (Modular Architecture), thay vì mô hình khối đơn nhất (Monolithic). Cụ thể, hệ thống phân tách lớp thực thi ra khỏi lớp đồng thuận bằng cách sử dụng các chuỗi Layer 2 (Optimistic Rollups và ZK-Rollups) cho các tác vụ xử lý giao dịch tốc độ cao, trong khi vẫn tận dụng lớp Layer 1 để đảm bảo an ninh và giải quyết tranh chấp cuối cùng. Cách tiếp cận “thực thi ngoài chuỗi, xác thực trên chuỗi” này cho phép hệ thống đạt được thông lượng hàng nghìn giao dịch mỗi giây (TPS) với chi phí biên thấp, đảm bảo sự lưu thông hàng hóa không bị gián đoạn. 

b. Khả năng tương tác đa chuỗi dựa trên cơ chế Giảm thiểu niềm tin Thực tế vận hành cho thấy các doanh nghiệp trong chuỗi cung ứng thường sử dụng các nền tảng Blockchain không đồng nhất (từ Private chain như Hyperledger đến Public chain như Ethereum). Yêu cầu đặt ra là hệ thống phải cho phép truyền tải thông điệp và tài sản số xuyên suốt các nền tảng này một cách liền mạch. Để giải quyết vấn đề này mà không phụ thuộc vào các cầu nối tập trung (centralized bridges) vốn tiềm ẩn rủi ro, SynapseSe áp dụng nguyên lý Giảm thiểu niềm tin (Trust Minimization). Hệ thống tích hợp giao thức tương tác LayerZero với cơ chế “Ultra Light Node”, cho phép xác thực giao dịch xuyên chuỗi dựa trên bằng chứng mật mã (Cryptographic Proofs) được kiểm chứng bởi Smart Contract. Điều này loại bỏ hoàn toàn sự phụ thuộc vào uy tín của bên thứ ba, tạo ra một mạng lưới kết nối phi tập trung thực sự an toàn. 

c. Chiến lược Lưu trữ Lai đảm bảo Tính toàn vẹn và Hiệu quả kinh tế Để giải quyết bài toán “Blockchain Trilemma” về giới hạn lưu trữ dữ liệu, hệ thống áp dụng chiến lược Lưu trữ Lai (Hybrid Storage Strategy). Dữ liệu được phân loại và xử lý theo hai tầng: tầng dữ liệu định danh và giao dịch (nhẹ) được lưu trữ On-chain dưới dạng NFT để đảm bảo tính bất biến và xác thực quyền sở hữu; tầng dữ liệu nội dung, hình ảnh và tham số mô hình AI (nặng) được lưu trữ Off-chain trên mạng lưới phi tập trung IPFS. Sự liên kết giữa hai tầng này được duy trì chặt chẽ thông qua mã băm nội dung (Content ID), đảm bảo dữ liệu luôn có thể truy xuất nguồn gốc và không thể bị làm giả, đồng thời tối ưu hóa chi phí lưu trữ cho doanh nghiệp. 

d. Trí tuệ cộng tác bảo tồn quyền riêng tư và Khả năng phục hồi Trong một liên minh chuỗi cung ứng bao gồm cả các đối thủ cạnh tranh, việc bảo vệ bí mật kinh doanh (như dữ liệu khách hàng, quy trình độc quyền) là yêu cầu sống còn. SynapseSe đáp ứng yêu cầu này thông qua nguyên lý Trí tuệ cộng tác bảo tồn quyền riêng tư, kết hợp sức mạnh của Học liên kết (Federated Learning) với tính minh bạch của Blockchain. Theo đó, mã lệnh (mô hình AI) sẽ được di chuyển đến nơi có dữ liệu để thực hiện huấn luyện cục bộ, thay vì tập trung dữ liệu thô về một máy chủ. Hơn nữa, để đảm bảo tính bền vững (Resilience), hệ thống được trang bị các cơ chế phòng thủ mạnh mẽ (như các thuật toán tổng hợp Robust Aggregation) giúp mô hình AI toàn cục có khả năng tự phát hiện và kháng cự lại các cuộc tấn công đầu độc từ các nút mạng ác ý, duy trì độ chính xác cao trong mọi tình huống rủi ro. 

Sơ đồ kiến trúc tổng thể 

image 59

Để giải quyết bài toán phức tạp về quản lý chuỗi cung ứng đa nền tảng, hệ thống SynapseSe được thiết kế theo mô hình kiến trúc phân lớp (Layered Architecture). Kiến trúc này chia tách hệ thống thành 04 tầng chức năng riêng biệt nhưng có sự liên kết chặt chẽ với nhau, bao gồm: Lớp Mạng (Network Layer), Lớp Dữ liệu (Data Layer), Lớp Trí tuệ (Intelligence Layer) và Lớp Ứng dụng (Application Layer). 

Sự phân tách này không chỉ giúp tối ưu hóa hiệu năng, dễ dàng bảo trì và mở rộng mà còn đảm bảo các nguyên lý về bảo mật và giảm thiểu niềm tin đã đề ra ở mục trước. Chi tiết chức năng của từng lớp trong mô hình được mô tả cụ thể như sau: 

a. Lớp 1: Lớp Mạng và Cơ sở hạ tầng (Network & Infrastructure Layer) Đây là nền móng của hệ thống, chịu trách nhiệm về khả năng kết nối và đồng thuận. Lớp này được tổ chức theo cấu trúc mạng hình nan hoa (Hub-and-Spoke Topology): 

  • Chuỗi trung tâm (Hub Chain): Đóng vai trò là “mỏ neo” bảo mật và quản trị toàn cầu. Trong thiết kế này, chúng tôi lựa chọn Polygon Testnet (một Sidechain của Ethereum) để làm nơi triển khai Hợp đồng thông minh Tổng hợp (Aggregator Contract) và quản lý danh tính gốc.  
  • Các chuỗi vệ tinh (Spoke Chains): Là nơi diễn ra các hoạt động nghiệp vụ thực tế (sản xuất, vận chuyển) với tần suất cao. SynapseSe tích hợp các giải pháp mở rộng Layer 2 như Optimism, Arbitrum và Base để giảm thiểu chi phí giao dịch (Gas fee) và tăng tốc độ xử lý cho các doanh nghiệp tham gia.  
  • Lớp tương tác (Interoperability Protocol): Sử dụng giao thức LayerZero để kết nối Hub và Spokes. Các thành phần như Ultra Light Node (ULN) và Relayer đảm bảo việc truyền tin nhắn xuyên chuỗi được thực hiện an toàn mà không cần tin tưởng vào bên trung gian. 

b. Lớp 2: Lớp Dữ liệu và Định danh (Data & Identity Layer) Lớp này giải quyết bài toán lưu trữ và truy xuất nguồn gốc thông qua cơ chế Lưu trữ Lai (Hybrid Storage):  

  • Định danh On-chain: Sử dụng các chuẩn Token (ERC-721 cho tài sản độc nhấ) để tạo ra các “Cặp song sinh kỹ thuật số” (Digital Twins). Các NFT này chứa siêu dữ liệu (metadata) bất biến về quyền sở hữu và trạng thái hiện tại của sản phẩm.  
  • Lưu trữ Off-chain: Toàn bộ dữ liệu lớn (hình ảnh sản phẩm, logs vận chuyển, trọng số mô hình AI) được lưu trữ trên mạng lưới phi tập trung IPFS. Mối liên kết giữa On-chain và Off-chain được đảm bảo thông qua mã băm nội dung (Content ID – CID), giúp xác thực tính toàn vẹn của dữ liệu. 
image 60

c. Lớp 3: Lớp Trí tuệ và Phân tích (Intelligence & Analytics Layer) Đây là “bộ não” của hệ thống, nơi diễn ra quá trình xử lý thông minh để tạo ra nhận thức tình huống:  

  • Federated Learning Clients: Các thực thể trong chuỗi cung ứng (Nhà máy, Đơn vị vận chuyển) chạy các tác vụ huấn luyện cục bộ (Local Training) trên dữ liệu riêng tư của họ để phát hiện hàng giả hoặc dự báo rủi ro. 
  • Secure Aggregator: Hợp đồng thông minh tại Hub Chain chịu trách nhiệm tổng hợp các bản cập nhật từ các Client. Tại đây, các thuật toán Tổng hợp Mạnh (Robust Aggregation) như Krum, Trimmed Mean được áp dụng để lọc bỏ các đóng góp độc hại (Poisoning attacks), đảm bảo mô hình AI toàn cục luôn chính xác và tin cậy. 

d. Lớp 4: Lớp Ứng dụng và Giao diện (Application & Interface Layer) Lớp trên cùng cung cấp giao diện tương tác cho người dùng cuối (Nhà quản lý, Nhân viên kiểm định, Người tiêu dùng):  

  • Dashboard theo dõi thời gian thực: Hiển thị trực quan luồng di chuyển của hàng hóa xuyên qua các chuỗi khác nhau.  
  • Hệ thống cảnh báo: Gửi các thông báo tức thời khi Lớp Trí tuệ phát hiện ra các dấu hiệu bất thường (như hàng giả, vi phạm lộ trình).  
  • Công cụ truy xuất: Cho phép người dùng quét mã sản phẩm để xem toàn bộ lịch sử hành trình và xác minh nguồn gốc dựa trên dữ liệu Blockchain. 

Quy trình hoạt động toàn diện 

Quy trình vận hành của hệ thống SynapseSe là một chu trình khép kín kết hợp chặt chẽ giữa quản lý vòng đời sản phẩm vật lý, các giao dịch kinh tế tự động và chu trình huấn luyện trí tuệ nhân tạo phân tán. Hệ thống hoạt động như một cỗ máy thống nhất, bắt đầu từ phân xưởng sản xuất và lan tỏa ra toàn bộ mạng lưới chuỗi cung ứng thông qua sự điều phối của hai thuật toán cốt lõi: Luồng thực thi chuỗi chéo và Cơ chế tổng hợp mạnh. 

Chu trình bắt đầu tại giai đoạn Khởi tạo và Định danh bảo mật. Khi một sản phẩm mới (ví dụ: một lô linh kiện điện tử cao cấp) được hoàn thiện tại nhà máy, Nhà sản xuất sẽ tiến hành số hóa nó. Toàn bộ dữ liệu đặc tả, hình ảnh kiểm định chất lượng và thông số kỹ thuật được tải lên mạng lưới lưu trữ phi tập trung IPFS để đảm bảo tính bền vững và lấy về mã định danh nội dung (CID). Dựa trên mã CID này, Nhà sản xuất thực hiện đúc (mint) một NFT trên Chuỗi vệ tinh (Spoke Chain) mà họ đang kết nối (ví dụ: Arbitrum). NFT này đóng vai trò là “Cặp song sinh kỹ thuật số”, chứa đựng bằng chứng sở hữu và liên kết bất biến tới dữ liệu gốc. Đồng thời, hệ thống tạo ra một mã QR gắn liền với TokenID của NFT và dán lên bao bì sản phẩm. Điểm đặc biệt là mã QR này được mã hóa bảo mật bằng thuật toán đối xứng AES-256-CBC. Cơ chế này đảm bảo rằng nội dung bên trong không phải là văn bản thuần túy (plaintext) mà là một chuỗi mã hóa; chỉ những thực thể được ủy quyền trong liên minh chuỗi cung ứng (như Nhà phân phối, Đơn vị vận chuyển) nắm giữ khóa bí mật (private key) hợp lệ mới có thể giải mã và quét được thông tin, ngăn chặn hoàn toàn việc sao chép hoặc theo dõi trái phép từ các bên thứ ba bên ngoài hệ thống. 

image 61

Khi sản phẩm bước vào giai đoạn vận chuyển, sự tương tác giữa thế giới thực và sổ cái số diễn ra liên tục thông qua việc quét mã QR đã được bảo mật. Khi Đơn vị vận chuyển (Logistics Provider) tiếp nhận hàng hóa, họ sử dụng thiết bị chuyên dụng để quét và giải mã QR Code nhằm xác nhận trạng thái. Hành động này kích hoạt một giao dịch Hợp đồng thông minh (Smart Contract) tự động thực hiện quy trình chuyển quyền sở hữu NFT từ ví của Nhà sản xuất sang ví của Đơn vị vận chuyển, tạo ra một vết tích minh bạch về chuỗi hành trình (Chain of Custody). Song song với việc chuyển giao tài sản, hệ thống tích hợp cơ chế thanh toán tự động sử dụng token tiêu chuẩn ERC-20. Ngay khi Hợp đồng thông minh xác nhận quyền sở hữu NFT đã được chuyển giao thành công và các điều kiện giao nhận được thỏa mãn (thông qua xác thực chữ ký số đa bên), một khoản thanh toán (dưới dạng stablecoin hoặc token quản trị) sẽ được giải ngân tự động từ ví của bên nhận hàng sang bên giao hàng. Nếu hai bên hoạt động trên hai chuỗi khác nhau (ví dụ: Vận chuyển trên Optimism và Sản xuất trên Arbitrum), giao thức LayerZero sẽ đóng vai trò trung gian xác thực tin nhắn để kích hoạt lệnh chuyển tiền xuyên chuỗi (Crosschain Payment) mà không cần qua trung gian tài chính truyền thống. 

image 62

Trong suốt quá trình sản phẩm di chuyển và lưu kho, dữ liệu thực tế về tình trạng hàng hóa (hình ảnh chụp từ camera giám sát, thông số cảm biến môi trường) liên tục được thu thập. Tại đây, Thuật toán Luồng thực thi chuỗi chéo bắt đầu phát huy tác dụng để biến dữ liệu thô này thành tri thức. Thay vì gửi dữ liệu hình ảnh nhạy cảm đi gây rủi ro lộ lọt, các điểm nút (Nodes) tại kho bãi sử dụng mô hình AI được tải về từ Chuỗi trung tâm để thực hiện huấn luyện cục bộ (Local Training). Quá trình này giúp mô hình “học” được các đặc điểm mới hoặc các dấu hiệu bất thường (như bao bì bị móp méo, tem giả, dấu hiệu cạy mở) ngay tại biên. Sau khi hoàn tất, các nút chỉ trích xuất phần “trọng số” (những gì mô hình đã học được), đóng gói chúng thành các thông điệp bảo mật và gửi ngược về Chuỗi trung tâm (Hub Chain). 

Tại Chuỗi trung tâm, nơi hội tụ tri thức từ hàng ngàn điểm nút khác nhau, hệ thống kích hoạt Thuật toán Tổng hợp mạnh để thực hiện vai trò “người gác cổng”. Trước khi chấp nhận bất kỳ kiến thức mới nào, bộ tổng hợp sẽ phân tích thống kê toàn bộ các bản cập nhật gửi về. Bằng cách áp dụng các phương pháp như Krum (tìm kiếm sự đồng thuận số đông) hay Trung vị (loại bỏ các giá trị cực đoan), hệ thống tự động phát hiện và loại bỏ các đóng góp độc hại từ những kẻ tấn công cố tình muốn làm sai lệch khả năng phán đoán của AI (ví dụ: cố tình dạy AI nhận diện hàng giả là hàng thật). Chỉ những bản cập nhật hợp lệ mới được tổng hợp lại để tạo ra phiên bản mô hình toàn cục thế hệ mới. Cuối cùng, phiên bản mô hình ưu việt này được phát tán ngược trở lại các Chuỗi vệ tinh. Lúc này, khi Nhà bán lẻ hoặc Người tiêu dùng quét mã QR, họ không chỉ truy xuất được lịch sử vận chuyển minh bạch trên Blockchain mà còn nhận được kết quả phân tích thời gian thực từ AI về tính xác thực của sản phẩm, hoàn tất một vòng lặp tuần hoàn an toàn và thông minh của hệ sinh thái SynapseSe. 

KẾT LUẬN 

Kết quả đạt được 

Đề tài đã thành công trong việc thiết kế, xây dựng và đánh giá khung làm việc SynapseSe — một hệ thống đa chuỗi (multi-chain) tích hợp Học liên kết (Federated Learning) nhằm nâng cao khả năng nhận thức tình huống, bảo mật và truy xuất nguồn gốc trong chuỗi cung ứng công nghiệp. Các kết quả đạt được bao gồm: 

1. Hiệu suất mô hình 

a. Kiến trúc đa chuỗi mô-đun hóa (Modular Multi-chain Architecture) 

Hệ thống SynapseSe triển khai thành công kiến trúc hub-and-spoke với các Layer 2 chuyên biệt (Base Sepolia, Arbitrum Sepolia, Optimism Sepolia), đạt được khả năng cách ly tải công việc (workload isolation) và thông lượng cao. Kết quả thực nghiệm cho thấy:  

  • Thông lượng (Throughput): Đạt 130–140 TPS cho các giao dịch NFT và cập nhật vai trò, vượt trội so với hệ thống đơn chuỗi (~95–105 TPS).  
  • Độ trễ (Latency): Độ trễ trung vị ở mức 152 ms so với >2,345 ms của hệ thống đơn khối, cải thiện trải nghiệm người dùng đáng kể.  
  • Giao tiếp xuyên chuỗi: Độ trễ đầu-cuối duy trì ở mức 625 ms (độ lệch chuẩn 45.2 ms), với 95% thông điệp hoàn tất trong 900 ms, chứng minh tính ổn định của giao thức LayerZero. 

b. Mô hình học liên kết có khả năng chống chịu 

Hai mô hình AI chính đã được huấn luyện và đánh giá qua 50 vòng FL: 

  • Phát hiện bất thường xuyên chuỗi (Cross-chain Anomaly Detection): 

o Accuracy tăng từ ~51% lên ~81% (vòng 50). 

o AUC đạt 0.93–0.94, chứng minh khả năng phân biệt mạnh giữa hành vi bình thường và gian lận. 

  • Tối ưu hóa hiệu suất vận chuyển (Transporter Performance Optimization): 

o Accuracy đạt 96–98% (vòng 50). 

o AUC ổn định ở mức 0.97–0.98, phản ánh khả năng học hỏi hiệu quả các quy luật nghiệp vụ 

c. Khả năng chống chịu trước tấn công đối kháng (Adversarial Resilience)

Hệ thống duy trì hiệu năng cao ngay cả khi chịu các cuộc tấn công đầu độc (poisoning attacks):  

  • Với 10% node độc hại (1/10): Accuracy giảm nhẹ xuống 94.2%, AUC giảm xuống 0.940.  
  • Với 20% node độc hại (2/10): Accuracy = 90.1%, AUC = 0.895.  
  • Với 30% node độc hại (3/10): Accuracy = 85.5%, AUC = 0.840. 

Kết quả cho thấy suy giảm mềm mại (graceful degradation) thay vì sụp đổ hoàn toàn, nhờ vào các cơ chế tổng hợp mạnh (Krum, Trimmed Mean) và đa dạng dữ liệu giữa các node. 

d. Hiệu quả lưu trữ và chi phí (Storage & TCO)  

  • Lưu trữ lai (Hybrid Storage): Kết hợp NFT on-chain và IPFS off-chain giúp cân bằng giữa tính bất biến và chi phí. Mặc dù thời gian upload chậm hơn 567.7% và retrieval chậm hơn 344.4% so với cơ sở dữ liệu tập trung, nhưng đổi lại là tính toàn vẹn dữ liệu cao, khả năng chống giả mạo tốt hơn và loại bỏ điểm thất bại đơn lẻ (SPOF). 
  • Phân tích TCO: Chi phí hoạt động ước tính từ $170.65/tháng (baseline) đến $840.65/tháng (high congestion) cho 1,000 sản phẩm, cho thấy tính linh hoạt kinh tế nhờ phần lớn hoạt động nặng (FL training, metadata) được xử lý off-chain. 

Đóng góp khoa học 

Về mặt lý thuyết:  

  • Đề xuất kiến trúc đa chuỗi mô-đun hóa kết hợp giao thức tương tác giam thiểu niềm tin (LayerZero) để đạt được khả năng mở rộng, tính linh hoạt và bảo mật cao trong quản lý chuỗi cung ứng.  
  • Tích hợp Federated Learning bảo toàn quyền riêng tư vào hệ sinh thái blockchain đa chuỗi, cho phép xây dựng trí tuệ tập thể (collective intelligence) mà không chia sẻ dữ liệu thô, giải quyết triệt để bài toán quyền riêng tư và chủ quyền dữ liệu.  
  • Chứng minh empirical đầu tiên về hiệu quả của các cơ chế tổng hợp mạnh (Robust Aggregation) trong môi trường đa chuỗi với độ trễ giao tiếp thực tế và vai trò bên tham gia không đồng nhất. 

Về mặt thực tiễn:  

  • Xây dựng lớp toàn vẹn dữ liệu lai (Hybrid Data Integrity Layer) sử dụng NFT làm danh tính on-chain và IPFS lưu trữ metadata off-chain, đảm bảo nguồn gốc chống giả mạo (tamper-resistant provenance) làm nền tảng cho phân tích AI.  
  • Đề xuất lộ trình tăng cường bảo mật cho bộ tổng hợp tập trung (Aggregator Hardening), bao gồm TEE attestation, secure aggregation, và liveness enforcement, giảm thiểu rủi ro từ điểm thất bại đơn lẻ và hướng tới các mô hình FL phi tập trung hoàn toàn (ring, mesh, hierarchical topologies). 

3. Đóng góp về mặt kinh tế – xã hội  

  • Tăng cường minh bạch: Hệ thống cho phép người tiêu dùng, cơ quan quản lý và các bên liên quan xác minh nguồn gốc sản phẩm theo thời gian thực thông qua QR code mã hóa, giảm thiểu hàng giả và gian lận thương mại.  
  • Bảo vệ quyền riêng tư doanh nghiệp: FL cho phép các doanh nghiệp cùng chia sẻ tri thức phát hiện rủi ro mà không tiết lộ bí mật kinh doanh, tạo môi trường cộng tác tin cậy.  
  • Nâng cao khả năng phục hồi (Resilience): Kiến trúc đa chuỗi và cơ chế chống chịu tấn công giúp hệ thống duy trì hoạt động ổn định ngay cả khi một phần mạng lưới bị xâm phạm, đáp ứng yêu cầu của Công nghiệp 5.0. 

Hạn chế 

Mặc dù đạt được nhiều kết quả khả quan, nghiên cứu vẫn tồn tại một số hạn chế cần được ghi nhận: 

a. Giả định tin cậy trong giao tiếp xuyên chuỗi: 

Giao thức LayerZero dựa trên giả định non-collusion (Oracle và Relayer không thông đồng). Mặc dù đã áp dụng các biện pháp như đa dạng hóa Relayer, liveness penalties và on-chain commitments, nhưng kịch bản tấn công phối hợp quy mô lớn hoặc sự cố mạng đồng thời vẫn nằm ngoài phạm vi hiện tại. 

b. Bộ tổng hợp FL tập trung: 

Thiết kế hub-and-spoke hiện tại sử dụng một bộ tổng hợp tập trung tại Hub Chain, tạo ra single point of trust. Mặc dù đã giảm thiểu rủi ro thông qua TEE attestation, secure aggregation và liveness enforcement, việc chuyển sang mô hình FL hoàn toàn phi tập trung (DFL) vẫn là hướng phát triển cần thiết. 

c. Tính sẵn sàng và độ trễ IPFS: 

IPFS đảm bảo tính toàn vẹn nhưng không tự động đảm bảo tính sẵn sàng (availability). Dữ liệu không được pin có thể bị loại bỏ, và việc truy xuất nội dung “lạnh” có thể gây ra độ trễ biến đổi. Hệ thống đã áp dụng chiến lược pinning lai, regional caching và prefetching, nhưng vẫn cần giám sát liên tục để đảm bảo SLO. 

d. Phạm vi thực nghiệm: 

Đánh giá được thực hiện trong môi trường mô phỏng (SimPy) và testnet blockchain, chưa phản ánh đầy đủ độ phức tạp của triển khai thực tế (ví dụ: tích hợp ERP, biến động incentive thực, hành vi chiến lược của doanh nghiệp). Các thử nghiệm pilot trong môi trường sản xuất là bước tiếp theo cần thiết. 

e. Giới hạn về quy mô: 

Thực nghiệm hiện tại được tiến hành với tối đa 50 L2 chains và 10 FL clients. Mặc dù kết quả cho thấy khả năng mở rộng tốt, nhưng hiệu suất ở quy mô lớn hơn (hàng trăm đến hàng nghìn participants) vẫn cần được kiểm chứng. 

Hướng phát triển 

Dựa trên kết quả đạt được và các hạn chế đã nêu, nghiên cứu đề xuất các hướng phát triển tiếp theo nhằm nâng cao tính bảo mật, khả năng mở rộng và khả năng triển khai thực tế của hệ thống SynapseSe: 

a. Tăng cường bảo mật cho bộ tổng hợp FL:  

  • Triển khai Trusted Execution Environments (TEE) như Intel SGX hoặc AMD SEV để thực thi aggregation trong môi trường cô lập phần cứng, cung cấp remote attestation cho participants xác minh tính toàn vẹn của mã aggregator. 
  • Áp dụng Secure Aggregation với mặt nạ mật mã (cryptographic masks) để bộ tổng hợp chỉ học được tổng toàn cục mà không biết từng đóng góp riêng lẻ, ngăn chặn rò rỉ thông tin client-specific.  Ghi lại on-chain inclusion commitments (Merkle root của các update được bao gồm) để cho phép kiểm toán sau (post-hoc audit) và phát hiện censorship hoặc omission.  
  • Thực thi liveness penalties kinh tế (economically enforced liveness): nếu coordinator bỏ lỡ deadline hoặc loại trừ update hợp lệ, watchers có thể mở challenge chứng minh vi phạm và kích hoạt hình phạt tài chính.

b. Chuyển sang Federated Learning phi tập trung (Decentralized FL):  

  • Nghiên cứu và triển khai các topology phi tập trung như ring, mesh, hoặc hierarchical để các L2 chains trao đổi trực tiếp model updates với nhau thay vì thông qua Hub tập trung.  
  • Khám phá cơ chế đồng thuận dựa trên đóng góp (contribution-weighted consensus) cho việc xác thực, thưởng và ngăn chặn thao túng mà không cần một hub tính toán duy nhất. 

c. Chính thức hóa bảo mật kinh tế của giao tiếp xuyên chuỗi:  

  • Mô hình hóa các hành vi chiến lược như censorship cạnh tranh và message delay, phân tích cách các yếu tố như đa dạng Relayer, redundancy và liveness penalties thay đổi cân bằng Nash hướng tới tham gia trung thực.  
  • Nghiên cứu các cơ chế incentive để economically enforced liveness thực sự tạo ra chi phí cao cho censorship và chuyển equilibrium về phía hợp tác kịp thời. 

d. Triển khai pilot trong môi trường thực tế: 

  • Phát triển lớp schema dữ liệu pluggable tương thích với các chuẩn công nghiệp như GS1, cung cấp API gateway với enterprise connectors cho các hệ thống ERP phổ biến.  
  • Tiến hành triển khai thí điểm (pilot deployment) tại các doanh nghiệp chuỗi cung ứng thực tế để đo lường khả năng mở rộng, tính tương tác, tính sẵn sàng và khả năng phục hồi dưới điều kiện vận hành thực tế. 
  •  Thu thập dữ liệu telemetry từ field để hiệu chỉnh các tham số liveness policy, deadline thích nghi và watchdog quorum.

e. Tối ưu hóa hiệu suất lưu trữ IPFS:  

  • Mở rộng chiến lược tiered retention (hot-warm-archive) với SLO rõ ràng cho từng tier, kết hợp Filecoin deals cho dữ liệu archival quan trọng.  
  • Triển khai health-check monitoring liên tục cho critical CIDs, phát hiện eviction hoặc imbalance trong pinsets để đảm bảo availability.  
  • Nghiên cứu các phương pháp mã hóa phía client và crypto-shredding để đáp ứng yêu cầu bảo mật và compliance trong các ngành nhạy cảm. 

f. Mở rộng khả năng AI và phân tích:  

  • Tích hợp các mô hình ML tiên tiến hơn như Graph Neural Networks (GNNs) để phân tích mối quan hệ phức tạp trong mạng lưới chuỗi cung ứng.  
  • Áp dụng Differential Privacy vào quá trình FL để giới hạn information leakage từ global model, tăng cường bảo vệ quyền riêng tư. 
  • Phát triển khả năng dự báo rủi ro chủ động (proactive risk forecasting) dựa trên dữ liệu lịch sử và real-time analytics. 

Thông qua các hướng phát triển này, hệ thống SynapseSe có tiềm năng trở thành nền tảng toàn diện và bền vững cho quản lý chuỗi cung ứng thông minh trong kỷ nguyên Công nghiệp 5.0, đáp ứng cả yêu cầu về hiệu năng, bảo mật, quyền riêng tư và khả năng phục hồi trước các mối đe dọa an ninh mạng.