Professional Documents
Culture Documents
PHÁT HIỆN VÀ PHÒNG NGỪA LỖ HỔNG DỰA TRÊN CHUYỂN GIAO HỌC TẬP HỖ TRỢ BLOCKCHAIN TRONG LOGISTICS HÀNG HẢI
PHÁT HIỆN VÀ PHÒNG NGỪA LỖ HỔNG DỰA TRÊN CHUYỂN GIAO HỌC TẬP HỖ TRỢ BLOCKCHAIN TRONG LOGISTICS HÀNG HẢI
T = g(H) (3)
where g is a function that maps the disparity to the time taken to complete a task. The
problem is that T is directly proportional to H.
RELATED WORKS
Việc sử dụng vận đơn điện tử đã được chứng minh là giúp nâng cao hiệu quả hoạt
động vận tải biển, tài trợ tàu biển và bảo hiểm hàng hải. Ngược lại, Papathanasiou et al. [52]
đề xuất rằng ngành vận tải biển có thể tận dụng được lợi thế từ công nghệ blockchain trong
các lĩnh vực như trao đổi tài liệu, tối ưu hóa việc sử dụng container, vận chuyển thông minh
và cân container chính xác. Hamidi và cộng sự. [53] và Zhong và cộng sự. [54] cho rằng việc
áp dụng và sử dụng hiệu quả blockchain của các hãng container có thể góp phần làm giảm sự
cạnh tranh về giá giữa chúng. Hơn nữa, Hasan và cộng sự. [55] đã trình diễn giải pháp hợp
đồng thông minh liên quan đến các thùng chứa thông minh được trang bị cảm biến Internet of
Things (IoT) để quản lý lô hàng một cách hiệu quả. Họ đã trình bày cách blockchain cho
phép theo dõi các mặt hàng như vắc xin theo thời gian thực, bao gồm theo dõi nhiệt độ, độ
ẩm và áp suất không khí. Trong nghiên cứu khái niệm của họ, Lambourdiere và Corbin [56]
đã đề xuất rằng blockchain có thể có tác động tích cực đến trao đổi thông tin, phối hợp chuỗi
cung ứng, khả năng hiển thị và hiệu suất trong chuỗi cung ứng hàng hải.
Nhìn từ góc độ bền vững, Jovic'c et al. [57] đã tiến hành đánh giá tài liệu và phân loại
lợi ích của blockchain trong chuỗi cung ứng hàng hải thành các lợi ích kinh tế, xã hội và môi
trường. Trong khi đó, Li và cộng sự. [58] đã khám phá các ứng dụng thí điểm trong chuỗi
cung ứng hàng hải và xác định những lợi ích đáng kể từ blockchain, bao gồm đẩy nhanh các
quy trình, giảm chi phí liên quan đến tài liệu, đảm bảo hồ sơ an toàn về an toàn thực phẩm,
cho phép theo dõi thời gian thực, tạo điều kiện phối hợp hiệu quả giữa các phương thức vận
tải khác nhau và cải thiện việc tuân thủ các quy định vận chuyển và yêu cầu bảo hiểm hàng
hải. Cuối cùng, Munim và cộng sự. [59] đã tiến hành đánh giá tài liệu về blockchain trong bối
cảnh hàng hải, tiết lộ 17 ứng dụng tiềm năng của công nghệ blockchain. Các nghiên cứu tiên
tiến tập trung vào phân tích rủi ro của các hệ thống tích hợp blockchain (BIS) trong vận
chuyển container. Tuy nhiên, nó đã không nắm bắt được đầy đủ các rủi ro và sự không chắc
chắn liên quan đến các khía cạnh khác của dịch vụ hậu cần hàng hải [60] [61]. Nghiên cứu
này không cung cấp phân tích toàn diện về các chiến lược giảm thiểu tiềm năng hoặc khuyến
nghị để quản lý các rủi ro đã xác định trong BIS vận chuyển container. Nhìn chung, nguyên
nhân và hậu quả của phần mềm độc hại được trình bày trong Hình. 1.
Fig. 1. Cause and effect of malicious software
BLOCKCHAIN-ENABLED TRANSFER LEARNING (BETL): GENERIC
ARCHITECTURE
Kiến trúc đề xuất đảm bảo phát hiện lỗ hổng, bảo mật, khả năng mở rộng, độ tin cậy,
tính minh bạch và độ tin cậy hiệu quả và chính xác trong hệ sinh thái hậu cần hàng hải nhiều
bên [62] [63]. Hệ thống tổng thể được chia thành hai phần: mô hình học chuyển giao (TL) dự
đoán các lỗ hổng phần mềm và hệ thống dựa trên blockchain đảm bảo tính bảo mật, tin cậy
và minh bạch [64] [65]. Hệ thống tệp liên hành tinh (IPFS) được tích hợp để cải thiện khả
năng mở rộng và hiệu quả lưu trữ dữ liệu. Mô hình TL được đào tạo trên một tập dữ liệu lớn
về các lỗ hổng phần mềm để tìm hiểu các dạng lỗ hổng. Mô hình này sau đó có thể được sử
dụng để dự đoán các lỗ hổng trong phần mềm mới. Hệ thống dựa trên blockchain sử dụng sổ
cái phân tán để lưu trữ thông tin về lỗ hổng. Điều này đảm bảo rằng thông tin được an toàn,
minh bạch và chống giả mạo. Hệ thống lưu trữ tệp ngang hàng IPFS được sử dụng để lưu trữ
hiệu quả và có thể mở rộng. Kiến trúc BETL giả định một hệ sinh thái nhiều bên, như trong
Hình 2. Vai trò đặc biệt của các bên liên quan khác nhau bao gồm những điều sau.
ft is a model learned on Zt
Accuracy where I(x) by leveraging knowledge from fs.
f
is an indicator function t t(z ) is the prediction of the model
for the vulnerability zt
T = a×D b
T = a×S + c×T where T is
b d
Hình 6. Độ chính xác của RoBERTa với 30 kỷ nguyên trên các kích cỡ mô hình khác nhau
Bảng 3 cho thấy hiệu suất của phương pháp BETL được đề xuất trên hai bộ dữ liệu về lỗ
hổng: LibPNG và PidGIN. Các số liệu hiệu suất là độ chính xác, tỷ lệ phát hiện, độ chính xác và
điểm F. Kết quả cho thấy BETL trên LibPNG có độ chính xác và độ chính xác cao hơn một chút
so với trên PidGIN. Tuy nhiên, phương pháp được đề xuất trên PidGIN có tỷ lệ phát hiện cao hơn,
trong khi BETL trên LibPNG tránh được kết quả dương tính giả tốt hơn. Thời gian tính toán của
BETL trên LibPNG cao hơn một chút so với PidGIN trên BETL.
Bảng 3. Phân tích hiệu suất của bộ dữ liệu dễ bị tổn thương cho phương pháp BETL được
đề xuất
Đo LibPNG PidGIN
Độ chính xác 98.99 97.97
Tỷ lệ phát hiện 98.98 97.68
Sự chính xác 97.98 97.12
điểm F 98.98 99.02
Thời gian tính toán (s) 51.89 49.64
Tổn thất huấn luyện là tổn thất được tính toán trên dữ liệu huấn luyện, trong khi tổn
thất xác thực là tổn thất được tính toán trên dữ liệu xác thực. Mất xác thực là thước đo chính
xác hơn về hiệu suất của mô hình trên dữ liệu không nhìn thấy. Kết quả cho thấy
Hình 7. Mất đào tạo trước RoBERTa trên các kích cỡ mô hình khác nhau
Suy hao huấn luyện giảm khi số lượng kỷ nguyên tăng lên đối với tất cả các kiến trúc
CNN.
Điều này là do mô hình có thể tìm hiểu các tính năng của dữ liệu tốt hơn vì nó được
đào tạo cho nhiều kỷ nguyên hơn. Độ chính xác xác thực tăng lên khi số lượng kỷ nguyên
tăng lên đối với tất cả các kiến trúc CNN. Điều này là do mô hình có thể khái quát hóa dữ
liệu chưa nhìn thấy tốt hơn vì nó được huấn luyện cho nhiều kỷ nguyên hơn. ResNet-50 có
mức tổn thất đào tạo thấp nhất và độ chính xác xác thực cao nhất cho tất cả các kỷ nguyên.
Điều này là do ResNet-50 có nhiều lớp và tham số hơn các kiến trúc CNN khác, cho phép nó
tìm hiểu các tính năng phức tạp hơn của dữ liệu. Sự khác biệt về độ mất huấn luyện và độ
chính xác xác nhận giảm khi số lượng kỷ nguyên tăng lên. Điều này là do mô hình trở nên tự
tin hơn vào dự đoán của mình khi nó được huấn luyện cho nhiều kỷ nguyên hơn. ResNet-18
có số lượng tham số thấp nhất, tiếp theo là ResNet-34, ResNet-50, ResNet-101 và ResNet-
152. Điều này là do ResNet-18 có ít lớp nhất. Thời gian huấn luyện tăng khi số lượng kỷ
nguyên và số lượng tham số tăng lên, như được mô tả trong Hình 8. Điều này là do mô hình
phải thực hiện nhiều tính toán hơn để huấn luyện cho nhiều kỷ nguyên hơn và với nhiều tham
số hơn. Có thể suy ra rằng kiến trúc ResNet-50 là lựa chọn tốt nhất vì chúng tôi chỉ xử lý các
hình ảnh ISO hạn chế yêu cầu độ chính xác cao.
Hình 8. Tốc độ đào tạo mô hình trên các kỷ nguyên khác nhau
PHẦN KẾT LUẬN
Chúng tôi đề xuất một hệ thống BETL mới để tối ưu hóa hậu cần hàng hải bằng cách
khai thác tính minh bạch và tính bất biến của blockchain cũng như khả năng phân tích của
việc học chuyển giao. Chúng tôi đã phát triển một bản đồ phạm vi điểm không dễ bị tổn
thương để phân loại hiệu quả các yếu tố hoạt động. Để đảm bảo lưu trữ hiệu quả trên chuỗi
khối, chúng tôi đã tích hợp liền mạch IPFS với chuỗi khối và tiến hành thử nghiệm dựa trên
nền tảng thử nghiệm để chứng minh tính hiệu quả của BETL trong quản lý hậu cần an toàn.
Kết quả thí nghiệm cho thấy BETL có thể đạt độ chính xác cao (98%), tỷ lệ phát hiện
(98,98%), độ chính xác (97,9%) và điểm F (98,98). Điều này nêu bật những lợi ích của BETL
trong việc nâng cao tính an toàn và độ tin cậy của các quy trình hậu cần hàng hải. Ngoài ra,
thời gian tính toán của BETL đã được cải thiện 18,9% so với học chuyển giao tiêu chuẩn.
Ngoài ứng dụng hiện tại, BETL còn có tiềm năng mở rộng tiện ích của mình sang các lĩnh
vực hậu cần hàng hải khác, như vận hành cảng và quản lý hàng hóa. Hơn nữa, chúng tôi hình
dung việc nâng cao khả năng sử dụng bằng cách kết hợp giao diện đồ họa thân thiện với
người dùng để có trải nghiệm liền mạch.
TÀI LIỆU THAM KHẢO
[1]. A. T. Hoang et al., “Technological solutions for boosting hydrogen role in
decarbonization strategies and net-zero goals of world shipping: Challenges and perspectives,”
Renew. Sustain. Energy Rev., vol. 188, p. 113790, Dec. 2023, doi:
10.1016/j.rser.2023.113790.
[2]. S. C. Nita and A. Hrebenciuc, “The Importance of Maritime Transport for
Economic Growth in the European Union: A Panel Data Analysis,” Sustainability, vol. 13, no.
14, p. 7961, 2021.
[3]. S. Gómez, A. Carreño, and J. Lloret, “Cultural heritage and environmental ethical
values in governance models: Conflicts between recreational fisheries and other maritime
activities in
Mediterranean marine protected areas,” Mar. Policy, vol. 129, p. 104529, 2021.
[4]. A. Vineetha Harish, K. Tam, and K. Jones, “BridgeInsight: An asset profiler for
penetration testing in a heterogeneous maritime bridge environment,” Marit. Technol. Res.,
vol. 6, no. 1, p. 266818, Sep. 2024, doi: 10.33175/mtr.2024.266818.
[5]. N. Agarwala and C. Saengsupavanich, “Oceanic Environmental Impact in Seaports,”
Oceans, vol. 4, no. 4, pp. 360–380, Nov. 2023, doi: 10.3390/oceans4040025.
[6]. A. T. Hoang et al., “Energy-related approach for reduction of CO2 emissions: A
critical strategy on the port-to-ship pathway,” J. Clean. Prod., vol. 355, p. 131772, Jun. 2022, doi:
10.1016/j.jclepro.2022.131772.
[7]. S. Vakili, A. I. Ölçer, A. Schönborn, F. Ballini, and A. T. Hoang, “Energy‐related
clean and green framework for shipbuilding community towards zero‐emissions: A strategic
analysis from concept to case study,” Int. J. Energy Res., vol. 46, no. 14, pp. 20624–20649,
Nov. 2022, doi: 10.1002/er.7649.
[8]. F. A. Barata, “High cost of logistics and solutions,” in 17th International
Symposium on Management (INSYMA 2020), 2020, pp. 407–410.