Các chuyên gia viết chia sẻ kiến thức – FPT CLoud

Việc AI đang tái định hình bức tranh an ninh mạng là điều không thể phủ nhận. Tuy nhiên, câu hỏi chiến lược không còn là "AI có tạo ra sự thay đổi hay không?", mà là: Chúng ta đang ở chu kỳ nào của làn sóng này và doanh nghiệp còn bao nhiêu thời gian để thiết lập cơ chế phòng thủ trước khi một cuộc khủng hoảng thực sự nổ ra? Theo WEF Global Cybersecurity Outlook 2026, 94% lãnh đạo an ninh mạng nhận định AI là động lực biến đổi lớn nhất của ngành trong năm tới. Để hiểu rõ cục diện, chúng ta cần nhìn vào 5 khía cạnh cốt lõi sau:  1. Chu kỳ công nghệ: Doanh nghiệp đang đứng đâu trên đường cong rủi ro?  Nhìn lại lịch sử từ PC, Internet, Mobile đến Cloud, mỗi làn sóng công nghệ đều vận hành qua một framework 4 giai đoạn: Ngạc nhiên: Công nghệ mới ra đời và được đón nhận. Lạm dụng: Giai đoạn các tác nhân độc hại bắt đầu khai thác lỗ hổng (điển hình như virus DOS thời kỳ PC, web defacement thời Internet, mã độc mobile thời di động, hay rò rỉ cấu hình S3 trong kỷ nguyên Cloud).  Khủng hoảng: Một sự cố mang tính hệ thống buộc toàn ngành phải nhìn lại (Morris Worm 1988, Pegasus 2016). Trưởng thành: Chuẩn hóa quản trị và hệ sinh thái phòng thủ chuyên biệt hình thành. AI hiện đang nằm giữa ranh giới của giai đoạn Lạm dụng và Khủng hoảng, với các biểu hiện rõ nét thông qua prompt injection hay deepfake. Dựa trên các bài học từ những chu kỳ phát triển công nghệ trước đây, các sự cố quy mô lớn trong tương lai có thể trở thành động lực thúc đẩy doanh nghiệp và toàn ngành tăng cường chuẩn hóa quản trị AI, đặc biệt trong giai đoạn 2026-2027.  Từ việc quan sát các chu kỳ công nghệ trước đây, có thể đúc kết hai quy luật ngầm đang trực tiếp chi phối làn sóng AI hiện tại. Trước hết, công nghệ luôn bứt phá đi trước, trong khi chuẩn hóa và kiểm soát luôn phải chạy theo sau. Theo báo cáo WEF 2026, tỷ lệ tổ chức chủ động đánh giá an toàn AI trước khi triển khai đã tăng mạnh từ 37% lên 64% chỉ trong một năm, một tín hiệu cho thấy công tác quản trị đang ráo riết chạy đua để bắt kịp, nhưng trên thực tế, nó vẫn đang ở thế bị động và đi sau công nghệ.  Thứ hai, công nghệ tạo đà tăng trưởng nhanh, nhưng quản trị tốt mới là nền tảng để đi đường dài. Các tổ chức có mức độ trưởng thành số cao nhất đang xếp rủi ro AI là mối đe dọa số 1. Điều này cho thấy: Tổ chức càng hiểu và ứng dụng AI sâu, họ càng nhìn rõ rủi ro để chủ động kiểm soát, thay vì giữ tâm lý chủ quan.  2. Sự sụp đổ của nguyên lý Bất đối xứng chi phí (Cost Asymmetry)  Tác động lớn nhất của AI không nằm ở việc sinh ra một loại mã độc mới, mà ở việc phá vỡ thế cân bằng chi phí giữa tấn công và phòng thủ vốn tồn tại hàng thập kỷ. Trước đây, lợi thế luôn nghiêng về bên phòng thủ với nguồn lực dồi dào: ngân sách lớn, đội ngũ SOC đông đảo và hệ thống giải pháp đắt tiền. Ngày nay, một tác nhân đơn lẻ kết hợp cùng mạng lưới AI agents có thể vận hành một chiến dịch tấn công APT (Advanced Persistent Threat) tự động với chi phí biên gần như bằng 0. Phép so sánh chân thực nhất chính là cách drone giá rẻ định hình lại chiến tranh hiện đại: một bầy drone nhỏ có thể vô hiệu hóa khí tài hàng triệu đô. AI đang mang mô hình tác chiến đó lên không gian mạng. Đó là lý do 87% tổ chức (theo WEF 2026) xác định: Lỗ hổng AI là rủi ro gia tăng nhanh nhất hiện nay.  3. Ba trụ cột rủi ro tái định hình kiến trúc bảo mật  Từ thực tiễn vận hành, có 3 rủi ro đang trực tiếp ép buộc các doanh nghiệp phải nâng cấp hệ thống phòng thủ:  Thứ 1, AI Model trở thành bề mặt tấn công mới. Model, prompt và training data đang đối mặt với các rủi ro chưa từng có: model poisoning, prompt injection, hay đánh cắp bản quyền. Đặc biệt, tình trạng rò rỉ dữ liệu qua "AI ngầm" (nhân viên tự ý sử dụng các công cụ AI ngoài tầm kiểm soát của doanh nghiệp) đang gây thiệt hại phát sinh khoảng 670.000 USD cho mỗi sự cố (theo IBM 2025). Tương tự như cách kỷ nguyên Điện toán đám mây sinh ra các tiêu chuẩn bảo mật mới, việc thiết lập hệ thống Quản trị trạng thái an ninh AI và truy vết nguồn gốc đang trở thành một hạng mục quản trị bắt buộc.  Thứ 2, Tốc độ vận hành ở ngưỡng Machine-speed. Các cuộc tấn công bằng AI có thể tự động biến hình liên tục theo thời gian thực, khiến đội ngũ vận hành bị quá tải vì cảnh báo. Giải pháp là chuyển từ hệ thống tĩnh (chặn theo dấu hiệu có sẵn) sang hệ thống động: dùng AI phân tích hành vi để phản ứng tức thời.  Thứ 3, Sự sụp đổ của định danh truyền thống. Kỹ thuật làm giả khuôn mặt/giọng nói (Deepfake) đang vô hiệu hóa các bước xác thực khách hàng (KYC) hiện tại. Gian lận AI đã trở thành mối đe dọa số 1 với các CEO (theo WEF 2026, 73% tổ chức từng bị ảnh hưởng). Trong mô hình bảo mật Zero Trust, câu hỏi lớn nhất không còn là "Bạn là ai?", mà phải là "Bạn có thực sự là con người không?".  Một hệ quy chiếu mới về xác minh độ tin cậy và chứng minh "tính người" đang buộc phải hình thành.  4. Quy mô thị trường và khoảng trống quản trị   Thị trường an ninh mạng AI đang chứng kiến tốc độ tăng trưởng bùng nổ. Theo Grand View Research, quy mô toàn cầu dự kiến nhảy vọt từ 25,4 tỷ USD (2024) lên 93,8 tỷ USD vào năm 2030, tương đương mức tăng trưởng kép (CAGR) khoảng 24,4%. Dù các đơn vị nghiên cứu khác như Mordor hay Fortune Business Insights có sự chênh lệch nhất định về con số tuyệt đối do cách định nghĩa thị trường, tất cả đều đồng thuận mức tăng trưởng sẽ luôn duy trì trên mốc 20%/năm.  Tuy nhiên, đằng sau những con số tăng trưởng ấn tượng là một khoảng trống lớn về quản trị bởi tốc độ bứt phá của công nghệ đang bỏ xa các quy định pháp luật và bộ tiêu chuẩn an toàn. Báo cáo WEF 2026 chỉ ra rằng sự phức tạp trong quản trị an ninh AI (13%) và rủi ro pháp lý hay sở hữu trí tuệ (9%) đang là những "nỗi đau" lớn nhất của giới lãnh đạo. Thực trạng hiện nay là nhiều tổ chức vẫn thiếu vắng các tiêu chuẩn đánh giá AI cốt lõi, chưa phân định rõ người chịu trách nhiệm và sổ đăng ký rủi ro (risk register) hoàn toàn bỏ ngỏ hạng mục AI. Tuy nhiên, trước sức ép ngày càng lớn từ Nghị định 13/2023 về bảo vệ dữ liệu cá nhân hay Đạo luật AI của Châu Âu, các doanh nghiệp sẽ không thể lơ là mà bắt buộc phải đưa AI vào khuôn khổ kiểm soát chặt chẽ.  Một điểm mù cực kỳ nguy hiểm khác nhưng ít được chú ý là an ninh chuỗi cung ứng AI. Hiện nay, hầu hết doanh nghiệp không tự xây dựng AI từ đầu mà đi thuê hoặc dùng lại mô hình từ bên thứ ba. Điều này dẫn đến rủi ro "lây nhiễm chéo": nếu mô hình gốc bị hacker "đầu độc" bằng dữ liệu bẩn ở thượng nguồn, toàn bộ hệ thống của các công ty sử dụng ở hạ nguồn cũng sẽ bị nhiễm độc theo mà không hề hay biết. Thị trường hiện vẫn chưa có một loại "tem truy xuất nguồn gốc" (AI BOM) nào đủ phổ biến để người mua kiểm tra xem mô hình AI đó có thực sự toàn vẹn và an toàn hay không. Đó chính là lý do vì sao 78% các CEO ở những tổ chức có mức độ chuyển đổi số cao nhất (theo WEF 2026) đánh giá rủi ro từ đối tác cung cấp AI là thách thức lớn nhất mà họ đang phải đối mặt.  5. Ba vấn đề tổ chức cần cân nhắc trong 12–18 tháng tới  Giữa bối cảnh khoảng trống quản trị đang ngày càng nới rộng, việc dừng lại ở mức độ "nhận thức rủi ro" là không đủ. Nhìn lại toàn cảnh bức tranh, có ba dịch chuyển then chốt mà bất kỳ ai trong mạng lưới bảo mật từ kỹ sư vận hành đến đội ngũ C-level đều cần nghiêm túc đưa vào lộ trình ưu tiên trong 12-18 tháng tới:  Chủ động thu hẹp "độ trễ" phòng thủ: Thay vì chạy theo khắc phục sự cố, việc buộc phải kiểm tra rủi ro AI trước khi đưa vào vận hành chính là ranh giới phân định một doanh nghiệp thực sự trưởng thành số hay chỉ đang chạy theo trào lưu. Thiết lập lại cán cân chi phí (Cost asymmetry): Sự bất đối xứng chi phí giữa tấn công và phòng thủ đã thay đổi hoàn toàn về bản chất. Các mô hình phòng thủ tĩnh, lệ thuộc vào ngân sách lớn đang dần lép vế trước các cá nhân tấn công được trang bị AI. Hệ thống bảo mật buộc phải chuyển đổi để đạt được tốc độ phản ứng tức thời (machine-speed). Xoay trục kiến trúc định danh về "tính người": Định danh số và bài toán xác thực "tính người" (Proof-of-humanity) sẽ sớm phải tách ra thành một lớp bảo mật độc lập, vượt ra khỏi các khuôn khổ identity truyền thống.Đáng lo ngại là, đây lại là mảng bị bỏ ngỏ nhiều nhất tại các tổ chức hiện nay. Những nhận định này hoàn toàn không phải là các dự báo mang tính thổi phồng, mà là chu kỳ phát triển tất yếu đã lặp lại nhiều lần trong lịch sử ngành an ninh mạng. Vấn đề cốt lõi không nằm ở việc liệu một cuộc khủng hoảng có xảy ra hay không, mà là: Tổ chức của bạn sẽ đứng ở đâu trên đường cong sinh tồn khi điểm bùng phát đó xuất hiện? Nguồn dữ liệu tham khảo: WEF Global Cybersecurity Outlook 2026; Grand View Research – AI in Cybersecurity Market Report; IBM Cost of a Data Breach Report 2025.  Tác giả: Lê Ngọc Linh - Leader of Platform Security Engineers, FPT Cloud 

Thị trường chứng khoán Việt Nam đang bước vào giai đoạn cạnh tranh mới, khi phí giao dịch hay chất lượng môi giới không còn là yếu tố quyết định. FTSE Russell đã xác nhận nâng hạng thị trường lên nhóm Mới nổi Thứ cấp, hiệu lực từ ngày 21/9/2026, Áp lực với các công ty chứng khoán chuyển sang năng lực hạ tầng số, khai thác dữ liệu và mức độ sẵn sàng đưa AI vào vận hành thực tế. Hệ giải pháp AI do Chứng khoán DNSE tự phát triển là một ví dụ cụ thể về việc AI đã đi vào giao dịch hàng ngày của nhà đầu tư như thế nào, và cần nền tảng gì để vận hành an toàn. Tự chủ công nghệ để làm chủ trải nghiệm giao dịch  Thay vì mua giải pháp có sẵn từ bên thứ ba, DNSE chọn hướng tự chủ công nghệ. Toàn bộ nền tảng giao dịch và các sản phẩm AI đều do đội ngũ kỹ sư của công ty thiết kế, phát triển và vận hành. Hệ giải pháp gồm hai sản phẩm nhà đầu tư dùng trực tiếp, đứng trên một lớp nền tảng dữ liệu chung. Lệnh AI là tính năng đặt lệnh ứng dụng mô hình AI trên ứng dụng giao dịch Entrade X. Khi nhà đầu tư cần mua hoặc bán khối lượng lớn, hệ thống liên tục thu thập và phân tích giá, khối lượng, biến động thị trường để xác định chiến lược phân bổ lệnh. AI sau đó tự động chia lệnh lớn thành các lệnh con, tối thiểu mỗi phút một lệnh, với khối lượng từng lệnh do mô hình quyết định. Thời gian chạy tối đa 180 phút trong phiên khớp lệnh liên tục. Lệnh con được tự động hủy nếu mô hình đánh giá điều kiện thị trường không còn phù hợp. Cơ chế này tương đồng với các thuật toán thực thi lệnh (execution algorithm) mà nhà đầu tư tổ chức quốc tế vẫn dùng để giảm tác động thị trường của lệnh lớn, nay được đóng gói cho nhà đầu tư cá nhân. Trợ lý ảo Ensa là trợ lý chứng khoán ứng dụng AI dưới hình thức chatbot, hỗ trợ nhà đầu tư tra cứu và phân tích dữ liệu trong quá trình ra quyết định. Ensa từng được vinh danh "Giải pháp AI đột phá lĩnh vực tài chính" tại AI Awards 2024. Bên dưới hai sản phẩm là hạ tầng do DNSE tự xây theo kiến trúc microservices, vận hành trên nền tảng điện toán đám mây của FPT Cloud: hệ thống được phân tán để tránh điểm nghẽn trung tâm, không để một database gánh mọi loại workload. Theo công bố của công ty, kiến trúc này giúp độ trễ xử lý lệnh giữ ổn định ở mức khoảng 5 mili giây khi khối lượng lệnh tăng gấp 10 lần. Hiệu quả vận hành và giá trị thực tiễn cho nhà đầu tư Giải pháp đã vượt qua giai đoạn thử nghiệm. Sau khoảng 1 năm chính thức ra mắt, tính tới tới hết Quý 2/2026, Lệnh AI đã thu hút gần 12.000 người dùng đăng ký sử dụng, với tổng giá trị giao dịch đạt 665 tỷ đồng. Với Trợ lý ảo Ensa, sau hơn 1 năm ra mắt, khoảng 1,8 triệu câu hỏi của nhà đầu tư đã được xử lý, bình quân gần 3.300 câu hỏi mỗi ngày, phục vụ hơn 91.000 người dùng. Với nhà đầu tư, giá trị của Trợ lý ảo Ensa là cung cấp trải nghiệm tư vấn đầu tư toàn diện, chủ động trò chuyện, gợi mở thông tin giải pháp cho nhà đầu tư chủ động. Còn Lệnh AI mang đến 3 lợi ích giúp tối ưu quá trình đặt lệnh. Lệnh khối lượng lớn được chia nhỏ theo diễn biến thị trường, giảm rủi ro tự đẩy giá bất lợi và tối ưu giá khớp bình quân. Máy giám sát thị trường thay con người, nhà đầu tư bớt áp lực theo dõi bảng điện liên tục và giảm yếu tố cảm xúc khi quyết định. Việc AI trực tiếp đặt lệnh cũng giúp bảo mật chiến lược giao dịch, tránh bị đọc vị ý định mua bán khối lượng lớn. Ở tầm thị trường, ý nghĩa của hướng đi này rộng hơn một tính năng. Công cụ thực thi lệnh thông minh vốn là đặc quyền của nhà đầu tư tổ chức đang được phổ cập cho nhà đầu tư cá nhân, đúng thời điểm thị trường Việt Nam chuẩn bị vận hành theo chuẩn mực mới nổi từ tháng 9/2026 và đón dòng vốn tổ chức quốc tế vốn đòi hỏi hạ tầng giao dịch ổn định, minh bạch hơn. Nền dữ liệu phải vững trước khi AI mở rộng AI đã đi vào sản phẩm khách hàng dùng hàng ngày và trực tiếp hành động trên dữ liệu vận hành thật. Vì vậy, DNSE xác định củng cố hạ tầng và nền tảng dữ liệu là trọng tâm đầu tư tiếp theo. Chia sẻ tại sự kiện Modern Architecture for the AI Era do FPT tổ chức, ông Nguyễn Đức Bình, Giám đốc Công nghệ DNSE, cho biết trước khi mở rộng quy mô ứng dụng AI, công ty đã rà soát và xử lý ba nhóm rủi ro dữ liệu. Một là, cùng một khái niệm có thể mang nghĩa khác nhau tùy hệ thống. Trạng thái "Active" của khách hàng được CRM, Core Trading và hệ thống quản trị rủi ro hiểu theo ba cách khác nhau. AI đọc cả ba nguồn cùng lúc mà thiếu phản xạ đối chiếu sẽ nhận định sai. DNSE đang thống nhất định nghĩa cho từng thuật ngữ xuyên suốt các hệ thống, gán rõ chủ sở hữu định nghĩa và cơ chế cập nhật khi nghiệp vụ thay đổi. Hai là, AI Agent có thể tiếp cận dữ liệu vượt phạm vi quyền hạn của người hỏi. Đội ngũ công nghệ chuyển từ kiểm tra quyền một lần ở cổng vào sang theo dõi quyền hạn xuyên suốt quá trình xử lý, kèm bước kiểm tra lại kết quả đầu ra trước khi trả về người dùng. Ba là, cấu trúc dữ liệu (schema) có thể âm thầm thay đổi trong vận hành mà mô hình không được cập nhật, khiến AI suy luận trên nền dữ liệu đã sai lệch. Theo ông Bình, đây là điều đáng lo hơn một lỗi hiển nhiên, vì không ai nhận ra cho đến khi hậu quả xuất hiện. Audit trail (dấu vết kiểm toán) vì thế được đưa vào như yêu cầu thiết kế ngay từ đầu. Diễn tập phục hồi backup và kiểm soát thay đổi schema trở thành bước bắt buộc trước khi bất kỳ hệ thống AI nào chạy thật. Phần lớn nguyên tắc kiến trúc đứng sau những thay đổi này đều không mới. Chúng là những nguyên tắc tốt đã tồn tại từ trước, nhưng khi triển khai AI thì chuyển từ khuyến nghị thành bắt buộc, ông Bình nhận định. Cách tiếp cận này khớp với bức tranh quốc tế: khảo sát của KPMG trên 1.013 lãnh đạo tài chính tại 20 quốc gia cho thấy 36% tổ chức xem chất lượng dữ liệu vừa là rào cản lớn nhất vừa là cơ hội lớn nhất của AI trong tài chính. Khi trọng tâm cạnh tranh của ngành chuyển từ phí giao dịch sang năng lực công nghệ và dữ liệu, giá trị của một giải pháp AI không chỉ nằm ở tính năng nhà đầu tư nhìn thấy. Nó nằm ở nền tảng bảo đảm những quyết định tự động luôn chính xác và trong đúng phạm vi cho phép. Như ông Bình đúc kết: "AI không tạo ra những vấn đề. Nó chỉ khiến ta không còn giấu được chúng." Hệ sinh thái AI-ready Data Platform của FPT Cloud Những bài học từ DNSE cũng là điều FPT Cloud quan sát khi đồng hành cùng nhiều doanh nghiệp trong hành trình triển khai AI. Dù ở lĩnh vực tài chính, bán lẻ hay sản xuất, điểm chung đều không nằm ở việc lựa chọn mô hình AI nào, mà ở việc doanh nghiệp có một nền tảng dữ liệu đủ tin cậy để AI vận hành an toàn hay không. Một nền tảng dữ liệu sẵn sàng cho AI thường được tổ chức theo ba lớp độc lập nhưng liên kết chặt chẽ, lớp vận hành thời gian thực phục vụ đa nguồn dữ liệu, lớp phân tích và báo cáo tách riêng để không cạnh tranh tài nguyên với lớp vận hành, và lớp trí tuệ nhân tạo được xây dựng trên nền tảng dữ liệu hợp nhất để huấn luyện mô hình. Một hệ thống AI không thất bại vì mô hình kém, mà thường thất bại vì hạ tầng dữ liệu phía dưới chưa phù hợp. Đây cũng là cách FPT Cloud thiết kế hệ sinh thái AI-Ready Data Platform của mình, kết nối từ lớp hạ tầng điện toán (GPU, Cloud Server, lưu trữ), qua lớp nền tảng dữ liệu (thu thập, xử lý, lưu trữ với nhiều loại database engine phù hợp từng bài toán), đến lớp bảo mật và quản trị dữ liệu xuyên suốt toàn bộ vòng đời. Trong lớp nền tảng dữ liệu đó, FPT MongoDB Enterprise là dịch vụ cơ sở dữ liệu quản lý (DBaaS) đầu tiên tại Việt Nam được MongoDB chính thức chứng nhận, phù hợp cho các workload cần mô hình dữ liệu linh hoạt và khả năng mở rộng theo chiều ngang, một trong những đặc tính then chốt để một nền tảng dữ liệu thực sự sẵn sàng cho AI. Liên hệ với chúng tôi để được tư vấn chi tiết về dịch vụ của FPT MongoDB Enterprise Email: support@fptcloud.com Support: m.me/fptsmartcloud

AI như động cơ của một chiếc xe đang chạy. Nhưng đứng sau động cơ đó là dữ liệu, là nhiên liệu, và bình chứa của thứ nhiên liệu ấy chính là database. Động cơ có mạnh đến đâu, xe cũng không đi xa được nếu bình chứa rò rỉ hoặc bị chia thành ba ngăn không thông nhau. Đó chính xác là tình trạng của phần lớn doanh nghiệp hiện nay: 74% có lợi nhuận từ AI ngay trong năm đầu tiên, nhưng chỉ 7% thực sự mở rộng được AI trên toàn tổ chức, theo McKinsey (2026). Vấn đề không đơn giản nằm ở mô hình 64% doanh nghiệp gặp khó khăn về quản trị dữ liệu khi triển khai AI, và hơn 2/3 xác nhận đây, chứ không phải mô hình, mới là rào cản lớn nhất. Theo một báo cáo mới nhất từ McKinsey (2026), ba nguyên nhân cụ thể được chỉ ra. Phần lớn dữ liệu doanh nghiệp không còn vuông vức như bảng hàng-cột trong cơ sở dữ liệu quan hệ truyền thống nữa. Đó là hóa đơn, vận đơn, catalog sản phẩm, ghi âm cuộc gọi, tức là 80% dữ liệu của tổ chức đang ở dạng dữ liệu có cấu trúc, bán cấu trúc và phi cấu trúc mà các hệ thống cũ gặp nhiều hạn chế khi xử lý và mở rộng. Khi AI tự truy xuất, tái tổ hợp và tạo ra dữ liệu mới trong quá trình vận hành, tốc độ đó vượt xa khả năng theo kịp của các mô hình quản trị vốn được thiết kế cho những tác vụ xử lý theo lô định kỳ, không phải cho luồng dữ liệu thời gian thực. Và khi dữ liệu phân mảnh qua nhiều hệ thống, vai trò của giám đốc dữ liệu bị đẩy vào vị trí trung tâm của việc triển khai AI, thay vì chỉ là chức năng hỗ trợ phía sau như trước. Cả ba nguyên nhân đều là vấn đề kiến trúc, không phải vấn đề chọn sai mô hình AI. Mỗi hệ thống nguồn một schema, mỗi luồng xử lý một cách thức phân quyền riêng, mỗi lớp lưu trữ một cơ chế kiểm toán riêng. Khi AI cần dữ liệu thời gian thực từ một nguồn chưa từng được kết nối, đội ngũ kỹ thuật phải tự dựng thêm một bộ kết nối mới, một tầng xử lý trung gian mới, một bộ quy tắc phân quyền mới, và lặp lại quy trình đó cho từng use case. Một hệ thống hợp nhất thay vì nhiều hệ thống rời rạc Tại workshop Modern Architecture for the AI Era do FPT và MongoDB vừa tổ chức, anh Lê Thanh Hải, Phó Giám đốc Khối Công nghệ Cloud tại FPT Smart Cloud, mô tả hướng giải quyết bài toán này: gộp dữ liệu vận hành, phân tích và AI, đúng ba ngăn đang tách rời trong chiếc bình chứa nói trên, vào một nền tảng quản trị hợp nhất, thay vì để chúng phát triển độc lập rồi tìm cách kết nối lại sau. Trong mô hình này, cơ sở dữ liệu vận hành đóng vai trò là nơi ghi nhận chính xác mọi dữ liệu, mọi thay đổi trạng thái. Một nền tảng dữ liệu riêng đóng vai trò phân tích chuyên sâu và phục vụ AI, xử lý dữ liệu đó cho các mô hình và ứng dụng thông minh. Với cách tổ chức này, mỗi lần doanh nghiệp mở rộng một ứng dụng AI mới, họ không cần xây thêm luồng kết nối riêng hay xin cấp quyền truy cập từ đầu. Dữ liệu đã sẵn sàng trong cùng một hệ sinh thái, cùng một cơ chế bảo mật, vận hành như một nền tảng hợp nhất xuyên suốt. Vậy một nền tảng dữ liệu sẵn sàng cho AI thực tế như thế nào? Khi AI chuyển từ thử nghiệm sang ứng dụng chạy thật trong môi trường sản xuất, database không chỉ cần lưu đúng dữ liệu, mà phải đáp ứng được SLA, bảo mật cấp doanh nghiệp, và khả năng phục hồi khi có sự cố. Đây chính là ranh giới giữa hai phiên bản MongoDB: Community phù hợp cho môi trường phát triển và các workload không lưu trạng thái, còn Enterprise được thiết kế riêng cho production ở quy mô doanh nghiệp, với mã hóa cấp trường, xác thực LDAP/Kerberos/AD, audit trail chi tiết, và chuẩn mã hóa FIPS. Kiến trúc tham chiếu được tổ chức thành sáu lớp theo chiều dữ liệu di chuyển, cùng hai lớp xuyên suốt chạy bên dưới toàn bộ hệ thống. Lớp đầu tiên tiếp nhận dữ liệu từ database vận hành dạng document trên MongoDB Enterprise, dữ liệu quan hệ, IoT, các nền tảng SaaS, và log hệ thống. Lớp thứ hai đưa toàn bộ nguồn này vào cùng một luồng gần thời gian thực, dùng FPT CDC đồng bộ trực tiếp từ oplog của MongoDB, kết hợp Kafka cho việc truyền dữ liệu theo sự kiện. Lớp lưu trữ giữ dữ liệu song song ở nhiều dạng, trong đó chính cụm MongoDB cũng đóng vai trò một phần trong kiến trúc lưu trữ tổng thể, không phải hệ thống tách biệt phải đồng bộ ngược lại. Lớp xử lý dùng Spark, DBT, và Flink cho xử lý luồng thời gian thực. Chi tiết đáng chú ý nhất với đội ngũ làm AI nằm ở đây: Vector Index được build sẵn ngay bên trong MongoDB, không phải một database vector riêng biệt cần tích hợp qua API ngoài, giúp cùng một cụm dữ liệu vừa phục vụ giao dịch vận hành, vừa phục vụ trực tiếp cho các pipeline RAG. Lớp phục vụ dùng Trino để truy vấn SQL liên kết đa nguồn và ClickHouse cho phân tích tốc độ cao. Lớp trực quan hóa và AI kết nối tới các công cụ BI, JupyterHub, và FPT AI Studio, nơi RAG, AI agent và LLM thực sự chạy. Bên dưới toàn bộ sáu lớp này, một lớp điều phối dùng FPT Airflow để quản lý toàn bộ pipeline, và một lớp quản trị và bảo mật chạy xuyên suốt, gồm IAM, xác thực qua LDAP, mã hóa dữ liệu lưu trữ và truyền tải, giám sát đồng nhất cho toàn hệ thống. Hình dung một ngân hàng muốn triển khai trợ lý AI tư vấn khách hàng. Để trả lời đúng, AI cần đồng thời truy cập lịch sử giao dịch, dữ liệu tín dụng, lịch sử ticket hỗ trợ, và ghi âm cuộc gọi trước đó. Nếu bốn nguồn này nằm ở bốn hệ thống tách biệt, mỗi lần AI cần trả lời một câu hỏi đơn giản cũng phải đi qua bốn lượt truy vấn, bốn cơ chế phân quyền khác nhau. Đây chính xác là bài toán mà kiến trúc sáu lớp phía trên giải quyết: đưa cả bốn nguồn vào cùng một luồng dữ liệu thống nhất, để AI truy cập như một nguồn duy nhất. Trong vài năm qua, doanh nghiệp đã dành nhiều thời gian để so sánh Llama, GPT hay Gemini, nhưng lại ít đặt câu hỏi nền tảng hơn: AI sẽ lấy dữ liệu từ đâu, dữ liệu đó được quản trị như thế nào và liệu kiến trúc hiện tại có đủ khả năng phục vụ hàng triệu lượt truy cập trong môi trường sản xuất? Khi AI trở thành một phần của quy trình nghiệp vụ trong doanh nghiệp, bài toán không còn là lựa chọn mô hình nào phù hợp mà là lựa chọn kiến trúc dữ liệu đúng. FPT MongoDB Enterprise sẽ được vận hành bởi đội ngũ kỹ thuật FPT Cloud kèm theo cam kết uptime 99,95%, phản hồi sự cố nghiêm trọng trong vòng 15 phút và hỗ trợ 24/7. Với doanh nghiệp đang cân nhắc giữa tự vận hành và thuê dịch vụ, đội ngũ chuyên gia FPT Cloud sẵn sàng đồng hành tư vấn kiến trúc miễn phí để đánh giá bài toán cụ thể trước khi đưa ra quyết định tối ưu nhất. Liên hệ với chúng tôi để được tư vấn chi tiết về dịch vụ của FPT MongoDB Enterprise Email: support@fptcloud.com Support: m.me/fptsmartcloud Câu hỏi thường gặp AI-ready Data Platform khác gì so với Data Warehouse truyền thống? Data Warehouse phục vụ chủ yếu cho phân tích và báo cáo, tách biệt khỏi hệ thống vận hành. AI-ready Data Platform gộp cả vận hành, phân tích và AI vào chung một nền tảng quản trị, cho phép dữ liệu di chuyển gần thời gian thực giữa các lớp thay vì qua các tác vụ xử lý theo lô định kỳ Doanh nghiệp nhỏ có cần kiến trúc Data Platform đầy đủ ngay từ đầu không? Không nhất thiết. Nguyên tắc cốt lõi là thiết kế để mở rộng dần mà không phải xây lại, không phải triển khai đủ sáu lớp ngay từ ngày đầu. Vì sao Vector Index tích hợp sẵn trong MongoDB lại quan trọng? Vì nó loại bỏ độ trễ và rủi ro đồng bộ giữa hệ thống vận hành và một database vector riêng biệt, vốn là điểm nghẽn phổ biến khi doanh nghiệp triển khai RAG ở quy mô lớn.

Trong bối cảnh thị trường biến động liên tục, việc vận hành và quản lý chuỗi cung ứng được đáng giá là năng lực cạnh tranh cốt lõi của các doanh nghiệp logistic nói riêng và supply chain nói chung. Năng lực này ảnh hưởng trực tiếp đến biên lợi nhuận và trải nghiệm khách hàng của các doanh nghiệp sản xuất, bán lẻ và phân phối thông qua việc điều phối, giữ đúng cam kết cung cấp sản phẩm tới khách hàng hay không. Theo báo cáo của Gartner, 80% doanh nghiệp quản lý chuỗi cung ứng lựa chọn triển khai giải pháp công nghệ để hỗ trợ quy trình vận hành toàn trình trong tổ chức, đặc biệt là công nghệ liên quan tới phân tích dữ liệu và AI. Tuy nhiên, khi các doanh nghiệp muốn ứng dụng trí tuệ nhân tạo (AI) để tối ưu hóa vận hành, họ thường gặp một bài toán thực tế: các mô hình AI không thể hoạt động hiệu quả nếu không có dữ liệu sạch và đồng bộ trong tổ chức. Nhằm mang đến lời giải cho bài toán hạ tầng này, vừa qua, FPT Smart Cloud (FCI) đã bắt tay cùng Smartlog đồng tổ chức hội thảo chuyên sâu mang tên “Next Generation Logistics powered by Cloud, Data và AI”. Trong khuôn khổ sự kiện, bài tham luận “Cloud-native Digital Twin for next-gen Logistics” của diễn giả Đặng Thị Giang – Product Owner FPT Data Platform (FPT Smart Cloud) đã thu hút sự chú ý khi đưa ra giải pháp công nghệ và lộ trình triển khai thực tiễn: xây dựng mô hình bản sao số Digital Twins trên nền tảng kiến trúc Lakehouse để chuẩn hóa dữ liệu logistics. Đây được xem là kiến trúc nền tảng giúp doanh nghiệp chuẩn hóa hạ tầng dữ liệu, tối ưu hiệu năng, chi phí quản trị dữ liệu và tạo đà bứt phá tăng trưởng vượt bậc. Hình ảnh: Diễn giả: Đặng Thị Giang – Product Owner FPT Data Platform, FPT Smart Cloud, Tập đoàn FPT Dữ liệu bị cô lập, phân mảnh làm tăng chi phí vận hành doanh nghiệp Để hiểu lý do tại sao mô hình bản sao số (Digital twins) và kiến trúc Data Lakehouse là giải pháp công nghệ tối ưu, doanh nghiệp cần nhìn thẳng vào thực trạng quản trị dữ liệu chuỗi cung ứng hiện nay. Điểm nghẽn lớn nhất của doanh nghiệp chính là tình trạng cô lập dữ liệu (data silos) giữa các hệ thống phần mềm quản lý riêng biệt trong tổ chức. Các số liệu thực tế cho thấy trung bình một doanh nghiệp phải sử dụng từ 4 đến 8 hệ thống phần mềm độc lập chỉ để quản lý một đơn hàng với thông tin đơn hàng gồm: khách hàng ở hệ thống CRM, thông tin hàng hóa ở WMS, thông tin vận chuyển ở TMS, thông tin tài chính, kế hoạch ở ERP …Việc tra cứu thông tin vận hành hàng ngày như điều phối kho hàng, trạng thái giao hàng phải kiểm tra thủ công qua các hệ thống và phụ thuộc hoàn toàn vào đối tác giao nhận trong việc đảm bảo uy tín giao nhận hàng tới khách hàng. Điều đó trực tiếp ảnh hưởng tới không chi chi phí vận hành mà cả doanh thu, trải nghiệm khách hàng của tổ chức. Đặc biệt khi tổ chức mở rộng quy mô phát triển, việc mất đồng bộ dữ liệu ngày càng tạo áp lực lên quy trình vận hành và đảm bảo cam kết với khách hàng. Trung bình hàng năm, tỷ lệ lệch tồn kho giữa các hệ thống và thực tế dao động từ 8% đến 15%, buộc doanh nghiệp phải tăng chi phí lưu kho từ 10% đến 25% mỗi năm để duy trì lượng hàng dự trữ an toàn. Ngoài ra, các dữ liệu di chuyển thực địa như định vị GPS, dữ liệu quét mã vạch tại tổng kho, hay cảm biến IoT hoàn toàn bị tách biệt với dòng dữ liệu chứng từ pháp lý như biên bản bàn giao (POD), hóa đơn và phiếu xuất kho, dẫn tới rủi ro sai lệch dữ liệu tài chính - kế toán của doanh nghiệp. Hàng bị giao trễ với biên độ sai lệch thời gian dự kiến (ETA) lên tới 2 đến 4 tiếng, chứng từ bị thất lạc, hay lệch tồn kho... đều mất nhiều ngày đối soát thủ công mới phát hiện ra. Sự chậm trễ này làm giảm chất lượng dịch vụ khách hàng, trực tiếp làm giảm từ 2% đến 5% biên lợi nhuận ròng trên mỗi đơn hàng và đẩy tổng chi phí vận hành (TCO) tăng cao. Hình ảnh minh họa: xu hướng (digital twins) và kiến trúc Data Lakehouse  Kiến trúc Lakehouse trên nền tảng FPT Data Platform – Hạ tầng quản trị dữ liệu tập trung Để xử lý bài toán thông tin phân mảnh và cô lập trong tổ chức, đại diện từ FPT Cloud, chị Đặng Thị Giang đã giới thiệu giải pháp quản lý dữ liệu với kiến trúc Data Lakehouse trên nền tảng hạ tầng FPT Cloud. Giải pháp giúp các doanh nghiệp tập trung, chuẩn hóa dữ liệu và là nền tảng để dịch chuyển mô hình quản lý từ phản ứng với sự cố (reactive) sang dự báo và phòng ngừa (predictive). Giải pháp Data Lakehouse hiện đại giúp tổ chức thu thập từ nhiều nguồn khác nhau (như ERP, CRM, TMS, GPS, IoT, chứng từ ...) với cơ chế thu thập đa dạng theo yêu cầu dữ liệu (theo batch/ realtime/ near realtime/ streaming ...) về lưu trữ và quản trị tập trung ở FPT Cloud. Tổ chức dễ dàng tích hợp và thu thập toàn bộ dữ liệu trong chuỗi cung ứng, bao gồm dữ liệu có cấu trúc (structured data) từ ERP, dữ liệu streaming từ GPS xe, đến dữ liệu phi cấu trúc (unstructured data) như ảnh chụp chứng từ, thu âm hotline, ... và không cần đội ngũ phát triển, tích hợp từng nguồn dữ liệu riêng biệt. Sau đó, dữ liệu được đẩy vào quản lý ở Lakehouse với kiến trúc 3 lớp: Bronze – Silver – Gold. Trong đó, lớp Bronze được dùng lưu trữ dữ liệu gốc, phục vụ mục đích kiểm tra, thanh tra theo quy định. Tiếp theo, dòng thông tin sẽ chuyển lên tầng Silver (Dữ liệu chuẩn hóa) để được lọc sạch, loại bỏ thông tin trùng lặp, xử lý các lỗi sai sót và định dạng lại theo một cấu trúc thống nhất, đảm bảo chất lượng dữ liệu trong hệ thống. Cuối cùng, dữ liệu tiếp tục được biến đổi và lưu trữ sẵn tại lớp Gold, tạo thành bộ dữ liệu (dataset) để đảm bảo tốc độ truy xuất dữ liệu tối ưu theo mục đích sử dụng của người dùng cuối, như: các dashboard điều hành, hệ thống báo cáo quản trị (BI Tools) hoặc làm nguyên liệu đầu vào cho các thuật toán học máy (Machine Learning)/ AI. Điểm mạnh vượt trội của kiến trúc Lakehouse trên nền tảng FPT Data Platform là khả năng xử lý đồng thời cả dữ liệu theo lô (batch data) lẫn dữ liệu thời gian thực (streaming data) trên cùng một hệ thống. Điểm cốt lõi này giúp doanh nghiệp loại bỏ hoàn toàn độ trễ thông tin, từ đó vừa phân tích được xu hướng lịch sử, vừa kiểm soát được các biến động ngoài thực địa ngay lập tức. Toàn bộ hoạt động thu thập, biến đổi dữ liệu được thực hiện tự động trên hệ thống (Policy as a Code) giúp giảm thiểu khả năng sai sót trong vận hành, tiết kiệm nguồn lực vận hành dữ liệu. Đồng thời công nghệ nén dữ liệu theo cột giúp tối ưu lượng dữ liệu lưu trữ thực tế ở Lakehouse so với lưu trữ dữ liệu gốc ở Data warehouse hay Data Lake, tiết kiệm chi phí lưu trữ không nhỏ đối với bài toán lưu trữ hóa đơn chứng từ lâu dài lên tới 10 năm theo quy định pháp luật. Quản trị dữ liệu và bảo mật hệ thống toàn diện với dịch vụ FPT Lakehouse Khi toàn bộ dữ liệu trong chuỗi cung ứng được quản lý tập trung ở Lakehouse, bảo mật dữ liệu chính là bảo vệ hồ sơ cạnh tranh của doanh nghiệp với dữ liệu nhạy cảm như thông tin khách hàng, hợp đồng tới thông tin thương mại như tình trạng hàng hóa, kho bãi, chi phí gốc, biên lợi nhuận hay lộ trình di chuyển của các chuyến hàng giá trị cao. Nhằm bảo vệ tài sản số cho doanh nghiệp, dịch vụ FPT Lakehouse thuộc hệ sinh thái FPT Data Platform đã thiết lập hệ thống bảo mật toàn diện kết hợp chặt chẽ giữa quản trị, bảo vệ và giám sát. Đầu tiên, ở khâu kiểm soát và phân quyền sử dụng (Access control), hệ thống cho phép doanh nghiệp chia nhỏ và quản lý quyền truy cập của từng người dùng đến từng dòng, từng cột dữ liệu cụ thể trong hệ thống, cho từng phòng ban, nhân sự riêng biệt (Fine grained access control); ví dụ như nhân viên kế toán chỉ được xem thông tin đơn hàng, hóa đơn còn điều phối viên chỉ được cập nhật trạng thái xe mà không thể can thiệp vào số liệu tài chính. Ngoài ra, hệ thống cung cấp tính năng phân quyền theo nhãn dữ liệu (Tagging) để áp dụng quy định bảo mật đồng loạt theo loại dữ liệu nhạy cảm ở mọi schema dữ liệu. Tiếp theo, để bảo vệ dữ liệu và ngăn chặn nguy cơ rò rỉ, thông tin luôn được mã hóa theo tiêu chuẩn quốc tế xuyên suốt vòng đời từ lúc thu thập, truyền đi cho đến khi lưu trữ tĩnh (In use, In transit, At rest). Đặc biệt, công nghệ mặt nạ dữ liệu động (Dynamic Masking) sẽ tự động mã hóa (masking) thông tin nhạy cảm theo cơ chế phù hợp như masking toàn bộ/ một phần/ hash/ .... Cuối cùng, tính minh bạch và an toàn được hoàn thiện nhờ hệ thống nhật ký giám sát tự động, nơi mọi hành động truy cập, chỉnh sửa hay xóa dữ liệu của bất kỳ ai đều được ghi lại chính xác, giúp doanh nghiệp dễ dàng truy vết nguồn gốc khi xảy ra sự cố và đáp ứng hoàn hảo các tiêu chuẩn kiểm toán khắt khe của ngành. Dựa trên nền tảng công nghệ đó, doanh nghiệp không chỉ tập trung dữ liệu mà còn quản trị dữ liệu tốt hơn, đảm bảo dòng chảy dữ liệu thông suốt trong hệ thống và giúp các hệ thống hoạt động liên tục và đồng bộ kết quả tới người dùng cuối cùng, giúp doanh nghiệp khai phá sức mạnh dữ liệu trong công nghệ phân tích hiện đại và triển khai AI/ML trong hoạt động quản lý - kinh doanh của mình. Giải pháp nền tảng dữ liệu được FPT Cloud đem đến hội thảo cách tiếp cận hiện đại và thực tế cho các nhà điều hành chuỗi cung ứng. Kiến trúc Data Lakehouse không phải là một xu hướng nhất thời, mà là lựa chọn giải pháp công nghệ tối ưu để giải quyết thách thức trong quản lý điều hành chuỗi cung hiện nay và phát triển trong tương lai. FPT vinh dự được đồng hành cùng doanh nghiệp trong suốt quá trình chuyển đổi và mang lại giá trị thực cho doanh nghiệp từ chính công nghệ Cloud-native do chúng tôi phát triển. Liên hệ với chúng tôi để được tư vấn chi tiết về các giải pháp, dịch vụ của FPT Cloud: Hotline: 1900 638 399 Email: support@fptcloud.com Support: m.me/fptsmartcloud

Sự phát triển của AI, 5G, NFV và các ứng dụng thời gian thực đang đặt ra những yêu cầu mới cho hạ tầng cloud. Bên cạnh khả năng mở rộng và tính linh hoạt, doanh nghiệp ngày càng quan tâm đến hiệu năng mạng, độ trễ và năng lực xử lý lưu lượng ở quy mô lớn. Điều này tạo ra một thách thức không nhỏ: làm thế nào để duy trì những lợi ích vốn có của cloud trong khi vẫn đáp ứng được các workload vốn trước đây thường chỉ phù hợp với hạ tầng vật lý chuyên dụng.  Đó cũng là bài toán mà kiến trúc High-Performance OpenStack hướng tới giải quyết thông qua việc tối ưu toàn diện từ kernel, CPU, bộ nhớ đến tầng xử lý dữ liệu (dataplane) và phần cứng mạng. Tuy nhiên, giá trị của những cải tiến này không chỉ nằm ở thiết kế kiến trúc mà cần được chứng minh bằng các số liệu thực tế. Trong whitepaper "High-Performance OpenStack: Khi hạ tầng cloud Việt Nam không còn là bottleneck", FPT Smart Cloud đã công bố loạt đo kiểm hiệu năng và kết quả triển khai thực tế, qua đó đánh giá toàn diện các chỉ số quan trọng như thông lượng (throughput), tốc độ xử lý gói tin (packet processing rate) , độ trễ (latency) và dao động độ trễ (jitter), đồng thời cho thấy cách một nền tảng cloud hiện đại có thể đạt hiệu năng tiệm cận hạ tầng vật lý đối với những workload khắt khe nhất hiện nay.  Đo hiệu năng cloud bằng những công cụ nào?  Để đảm bảo kết quả phản ánh đúng năng lực vận hành của hệ thống, nhóm nghiên cứu sử dụng đồng thời nhiều công cụ đo kiểm hiệu năng phổ biến trong lĩnh vực cloud và viễn thông.  Ba mô hình kiểm chứng được sử dụng song song, mỗi mô hình phục vụ một góc nhìn khác nhau. iperf đo thông lượng có tham gia của TCP stack; T-Rex đo năng lực chuyển tiếp thuần ở tầng 2 và tầng 3; Grafana k6 mô phỏng tải thực tế từ nhiều client đồng thời.  Cisco T-Rex được sử dụng để đo khả năng xử lý gói tin (packet) ở Tầng 2 và Tầng 3, đặc biệt phù hợp với các workload viễn thông và NFV. Trong khi đó, iperf giúp đánh giá thông lượng (throughput) theo cách tiếp cận gần với các ứng dụng thực tế. Bên cạnh đó, Grafana k6 được sử dụng để mô phỏng tải ứng dụng và hành vi người dùng trong môi trường production.  Việc kết hợp nhiều phương pháp đo khác nhau giúp đảm bảo kết quả đo kiểm hiệu năng không chỉ phản ánh hiệu năng lý thuyết mà còn cho thấy khả năng vận hành trong các tình huống thực tế.  Thông lượng (throughput) -  Khi mạng ảo tiến gần giới hạn phần cứng  Một trong những tiêu chí quan trọng nhất đối với hạ tầng cloud là khả năng khai thác tối đa băng thông vật lý của hệ thống. Đây cũng là chỉ số phản ánh trực tiếp mức độ hiệu quả của tầng mạng ảo hóa, vốn từ lâu được xem là một trong những nguyên nhân gây suy giảm hiệu năng trong môi trường cloud.  Kết quả đo kiểm hiệu năng trên Cisco C8000V cho thấy sự khác biệt đáng kể giữa kiến trúc High-Performance OpenStack và môi trường KVM truyền thống.  So sánh thông lượng (throughput) Tầng 3 trên môi trường 10Gbps. High-Performance Compute Host đạt 6,4 Gbps, cao hơn đáng kể so với mức 2,3 Gbps của mô hình KVM truyền thống.  Trong môi trường 10Gbps, hệ thống đạt thông lượng (throughput) 6,4 Gbps, trong khi mô hình KVM thông thường chỉ đạt khoảng 2,3 Gbps. Kết quả này cho thấy những tối ưu ở tầng tầng xử lý dữ liệu (dataplane) đã giúp khai thác hiệu quả hơn năng lực của phần cứng, đồng thời giảm đáng kể các chi phí xử lý phát sinh trong quá trình truyền tải dữ liệu.  Ở môi trường 25Gbps, nền tảng tiếp tục đạt line-rate ngay cả khi lưu lượng đi qua các lớp overlay networking như VXLAN hoặc Geneve. Điều này cho thấy tầng mạng ảo không còn là nút thắt cổ chai như trong nhiều mô hình cloud truyền thống, nơi hiệu năng thường suy giảm đáng kể khi áp dụng các cơ chế đóng gói lưu lượng phục vụ đa thuê (multi-tenancy).  Đáng chú ý, mức hao hụt băng thông giữa tầng mạng ảo hóa và hạ tầng vật lý được duy trì ở mức dưới 10%. Đây là một chỉ số kỹ thuật quan trọng nhưng không phải lúc nào cũng được công bố rộng rãi trên thị trường cloud. Trên thực tế, đây cũng chính là một trong những yêu cầu được đề cập trong Thông tư 1145 của Chính phủ về tiêu chuẩn chất lượng dịch vụ điện toán đám mây, nhằm đảm bảo hiệu năng của hạ tầng ảo hóa tiệm cận với năng lực thực tế của phần cứng bên dưới.  Những kết quả này cho thấy khi được thiết kế và tối ưu đúng cách, hạ tầng cloud hoàn toàn có thể cung cấp hiệu năng mạng gần với môi trường vật lý, đồng thời vẫn duy trì được khả năng mở rộng và tính linh hoạt vốn là thế mạnh của điện toán đám mây.  Tốc độ gói tin - Yếu tố quyết định thực sự   Nếu thông lượng (throughput) phản ánh khả năng truyền tải dữ liệu của hệ thống, thì tốc độ xử lý gói tin (packet processing rate) mới là chỉ số thể hiện rõ nhất năng lực xử lý của tầng dữ liệu (dataplane). Một hệ thống có thể đạt thông lượng 25 Gbps với các gói tin lớn không đồng nghĩa với việc có thể duy trì hiệu năng tương tự khi xử lý các gói tin nhỏ. Khi kích thước gói tin giảm xuống, tỷ lệ chi phí xử lý header trên lượng dữ liệu thực tế tăng lên đáng kể, khiến áp lực lên CPU, bộ nhớ và tầng xử lý dữ liệu (dataplane) trở nên lớn hơn nhiều. Khả năng xử lý gói tin (packet) trên mỗi giây của High-Performance OpenStack cao hơn nhiều lần so với mô hình cloud truyền thống.  Kết quả đo kiểm hiệu năng bằng Cisco T-Rex trên Cisco C8000V cho thấy High-Performance Compute Host đạt tới 2,2 triệu gói tin (packet) mỗi giây với gói tin 64 byte và khoảng 1,5 triệu gói tin (packet) mỗi giây với lưu lượng hỗn hợp. Trong khi đó, các môi trường không sử dụng DPDK thường chỉ đạt khoảng 240.000 - 260.000 gói tin (packet) mỗi giây, thấp hơn từ 6 đến 8 lần.  Whitepaper cũng ghi nhận kết quả nổi bật với nền tảng VyOS do FPT Smart Cloud tùy biến. Trên hệ thống thử nghiệm gồm 32 lõi CPU và 32 GB RAM, nền tảng đạt hơn 12 triệu gói tin (packet) mỗi giây mà không ghi nhận hiện tượng mất gói. Đáng chú ý, giới hạn trong bài kiểm thử đến từ hệ thống phát tải thay vì hạ tầng được đo, cho thấy tiềm năng xử lý thực tế còn cao hơn.  Trong môi trường vận hành thực tế, các máy ảo trên High-Performance Compute Host có thể duy trì trung bình 6 - 7 triệu gói tin (packet) mỗi giây, đạt ngưỡng hiệu năng thường thấy ở các hạ tầng viễn thông và carrier-grade. Đây là yếu tố đặc biệt quan trọng đối với các workload như mạng lõi 5G (5G Core), ảo hóa chức năng mạng (NFV), tường lửa (firewall) hay các hệ thống bảo mật, nơi mỗi gói tin đều cần được xử lý ổn định và nhất quán.  Độ trễ và độ ổn định - Điều khách hàng thực sự cảm nhận  Bên cạnh thông lượng (throughput) và PPS, độ trễ là một trong những chỉ số quan trọng nhất đối với các hệ thống yêu cầu phản hồi gần như tức thời. Chỉ cần độ trễ tăng hoặc dao động bất thường, trải nghiệm dịch vụ và hiệu quả vận hành có thể bị ảnh hưởng đáng kể.  High-Performance OpenStack duy trì độ trễ ở mức dưới 1 ms cùng dao động độ trễ (jitter) rất thấp, phù hợp với các workload thời gian thực.  Kết quả đo kiểm hiệu năng trên Check Point R81 cho thấy hệ thống duy trì độ trễ ở mức rất thấp và ổn định, với độ trễ (latency) dao động từ 0,16 - 0,20 ms và dao động độ trễ (jitter) chỉ khoảng 0,015 - 0,017 ms.  Những con số này cho thấy các tối ưu về CPU pinning, NUMA locality, DPDK và hardware offload không chỉ cải thiện hiệu năng xử lý mà còn giúp hệ thống duy trì tính nhất quán trong quá trình truyền tải lưu lượng. Đây là yếu tố đặc biệt quan trọng đối với các workload nhạy cảm với độ trễ như mạng lõi 5G (5G Core), ảo hóa chức năng mạng (NFV) hay các dịch vụ mạng thời gian thực, nơi khả năng dự đoán và ổn định của hạ tầng có ý nghĩa không kém hiệu năng tối đa đạt được.  Bằng chứng từ production - Một câu chuyện thật  Đo kiểm hiệu năng là cơ sở quan trọng để đánh giá hiệu năng của một nền tảng, nhưng giá trị thực sự của kiến trúc hạ tầng chỉ được chứng minh khi triển khai trong môi trường sản xuất. Đây cũng là lý do whitepaper dành riêng một phần để chia sẻ kết quả vận hành thực tế trên hệ thống quy mô lớn.  Kết quả triển khai thực tế sau khi chuyển sang High-Performance Compute Host.  Theo whitepaper, kiến trúc High-Performance Compute Host đã được triển khai trên hệ thống phục vụ hơn 80.000 người dùng cùng hơn 10.000 desktop ảo. Trước khi tối ưu, hệ thống gặp nhiều hạn chế liên quan đến hiệu năng mạng, mức sử dụng CPU và khả năng xử lý lưu lượng.  Sau khi áp dụng kiến trúc mới, thông lượng (throughput) tăng từ 1,9 Gbps lên 3,4 Gbps, trong khi năng lực xử lý gói tin (packet) tăng từ 445.000 PPS lên 611.000 PPS. Đáng chú ý, hệ thống chỉ cần 16 vCPU để đạt hiệu năng tương đương hoặc cao hơn so với cấu hình cũ sử dụng 48 vCPU.  Bên cạnh đó, tỷ lệ mất gói được giảm xuống chỉ còn 0,001%, góp phần cải thiện tính ổn định của dịch vụ và trải nghiệm người dùng cuối. Những con số này cho thấy các tối ưu ở tầng CPU, bộ nhớ, tầng xử lý dữ liệu (dataplane) và phần cứng mạng không chỉ mang lại kết quả trong môi trường thử nghiệm mà còn phát huy hiệu quả khi vận hành ở quy mô lớn.  Hiệu năng cao không đồng nghĩa mất tính năng cloud  Một lo ngại phổ biến khi triển khai các công nghệ như DPDK hay tăng tốc bằng phần cứng là doanh nghiệp có thể phải đánh đổi các tính năng quen thuộc của cloud để đạt hiệu năng cao hơn. Tuy nhiên, kết quả được công bố trong whitepaper cho thấy High-Performance Compute Host vẫn duy trì đầy đủ các tính năng quan trọng như di chuyển máy ảo trực tiếp (live migration), thay đổi cấu hình tài nguyên (resize), nhóm chính sách bảo mật (securitygroup), địa chỉ IP công cộng linh hoạt (floating IP) và biên dịch địa chỉ mạng (NAT) cùng các mô hình kết nối Đông - Tây (East-West Traffic) và Bắc - Nam (North-South Traffic).  Các tính năng cloud cốt lõi vẫn được duy trì trên kiến trúc High-Performance Compute Host.  Theo FPT Smart Cloud, điều này đạt được nhờ cách tiếp cận tối ưu đồng bộ trên toàn bộ kiến trúc, từ CPU, bộ nhớ, phần cứng mạng đến tầng xử lý dữ liệu (dataplane). Nhờ đó, doanh nghiệp có thể đồng thời đạt được hiệu năng cao và khả năng vận hành linh hoạt, thay vì phải đánh đổi một trong hai như nhiều người vẫn nghĩ.  Vị thế dẫn đầu và những gì còn ở phía trước  Mặc dù các kiến trúc dựa trên DPDK và Open vSwitch Userspace đã được nhiều nhà cung cấp quy mô lớn (hyperscale) trên thế giới ứng dụng từ lâu, đây vẫn là hướng tiếp cận còn tương đối mới tại thị trường Việt Nam. Theo whitepaper, thông qua quá trình đo kiểm hiệu năng và kiểm chứng trên các môi trường sản xuất thực tế, FPT Smart Cloud đang xây dựng một trong những nền tảng OpenInfra hiệu năng cao hàng đầu khu vực, sẵn sàng đáp ứng các workload.  Các cụm AI Factory tại Việt Nam và Nhật Bản, cùng những triển khai thực tế cho các workload viễn thông, đã cho thấy khả năng vận hành ổn định của kiến trúc này ở quy mô lớn. Quan trọng hơn, toàn bộ hạ tầng được triển khai theo cùng một bản thiết kế kiến trúc (blueprint) chuẩn hóa, giúp đảm bảo tính nhất quán về độ trễ và hiệu năng trên hàng trăm máy chủ.  Điều mà whitepaper nhấn mạnh là: cloud không còn là nút thắt cổ chai. Với kiến trúc phù hợp, hạ tầng ảo hóa hoàn toàn có thể đạt thông lượng gần với giới hạn phần cứng, xử lý hàng triệu gói tin mỗi giây và duy trì độ trễ thấp ổn định mà vẫn giữ được đầy đủ lợi ích của môi trường cloud.  Cẩm nang triển khai chi tiết nằm trong whitepaper  Bài viết này chỉ tóm lược những nội dung chính của whitepaper "High-Performance OpenStack: Khi hạ tầng cloud Việt Nam không còn là bottleneck". Tài liệu cung cấp đầy đủ các phân tích kỹ thuật, phương pháp tối ưu kiến trúc, kết quả đo kiểm hiệu năng và các case study thực tế để các đội ngũ hạ tầng tham khảo khi xây dựng hoặc nâng cấp cụm OpenStack của mình.  Đây là nguồn tài liệu hữu ích cho các tổ chức đang chuẩn bị cho các workload thế hệ mới, đồng thời muốn khai thác tối đa hiệu năng của hạ tầng cloud mã nguồn mở.  Khám phá toàn bộ kiến trúc, phương pháp đo kiểm hiệu năng và các case study thực tế trong whitepaper tại đây.  Liên hệ với chúng tôi để được tư vấn chi tiết về các giải pháp, dịch vụ của FPT Cloud:  Hotline: 1900 638 399 Email: support@fptcloud.com Support: m.me/fptsmartcloud 

Whitepaper “High-Performance OpenStack: Khi hạ tầng cloud Việt Nam không còn là bottleneck” do FPT Smart Cloud thực hiện là tài liệu tổng hợp quá trình nghiên cứu, phát triển và vận hành một kiến trúc hạ tầng tính toán hiệu năng cao được tối ưu từ nhân hệ điều hành (kernel) đến tầng xử lý dữ liệu mạng. Bài viết này điểm lại những luận điểm chính và các kết quả đo kiểm nổi bật trong whitepaper, giúp người đọc có cái nhìn tổng quan trước khi tìm hiểu chi tiết tài liệu gốc. Trong nhiều năm, tồn tại một quan niệm phổ biến trong ngành công nghệ rằng nếu cần độ trễ cực thấp, băng thông lớn và khả năng xử lý hàng triệu gói tin mỗi giây, doanh nghiệp sẽ phải lựa chọn hạ tầng vật lý thay vì điện toán đám mây. Quan điểm này từng hoàn toàn có cơ sở khi các kiến trúc cloud truyền thống vẫn phải đi qua nhiều lớp xử lý trung gian, khiến hiệu năng bị ảnh hưởng đáng kể. Tuy nhiên, sự phát triển của nhà máy AI (AI Factory), mạng lõi 5G (5G Core), ảo hóa chức năng mạng (NFV) và các ứng dụng xử lý thời gian thực đang đặt ra một yêu cầu mới: cloud không chỉ cần linh hoạt và dễ mở rộng, mà còn phải đạt hiệu năng đủ cao để đáp ứng những workload vốn trước đây chỉ phù hợp với hạ tầng chuyên dụng. Cloud hiệu năng cao: Yêu cầu mới của hạ tầng số  Ngày nay, hiệu năng hạ tầng không còn được đo đơn thuần bằng số lượng CPU hay dung lượng RAM.  Một hệ thống nhà máy AI (AI Factory) cần kết nối tốc độ cao giữa các cụm GPU Cloud để huấn luyện mô hình. Một nhà mạng triển khai mạng lõi 5G (5G Core) cần khả năng xử lý hàng triệu gói tin (packet) mỗi giây với độ trễ cực thấp. Trong khi đó, các hệ thống tài chính hay truyền phát dữ liệu thời gian thực (streaming) lại yêu cầu sự ổn định tuyệt đối về độ trễ (latency) và độ dao động độ trễ (jitter).  Đây đều là những workload mà trước đây thường được triển khai trên hạ tầng vật lý chuyên dụng. Tuy nhiên, nhu cầu tối ưu chi phí, tăng khả năng mở rộng và tự động hóa vận hành đang khiến doanh nghiệp tìm kiếm những nền tảng cloud có thể đáp ứng đồng thời cả hai yếu tố: hiệu năng và tính linh hoạt.  Vì sao cloud truyền thống trở thành bottleneck?  Một trong những nguyên nhân lớn nhất nằm ở cách gói tin (packet) được xử lý trong môi trường cloud truyền thống.  Một gói tin (packet) phải đi qua nhiều lớp: NIC→ Kernel → Netfilter → Open vSwitch → Hypervisor → Kernel của VM → Ứng dụng  Mỗi lần xử lý dữ liệu chỉ mất một khoảng thời gian rất nhỏ, gần như không đáng kể. Tuy nhiên, khi hệ thống phải xử lý hàng triệu gói dữ liệu mỗi giây, những khoảng thời gian nhỏ đó sẽ cộng dồn lại và ảnh hưởng đáng kể đến hiệu năng tổng thể.  Bên cạnh đó, cơ chế phân bổ tài nguyên của hệ điều hành Linux được thiết kế để phục vụ nhiều tác vụ cùng lúc. Vì vậy, bộ xử lý có thể bị tạm ngắt để thực hiện các công việc nền hoặc xử lý các yêu cầu từ hệ thống. Điều này khiến thời gian phản hồi không hoàn toàn đồng đều, tạo ra những dao động nhỏ và ảnh hưởng đến các ứng dụng yêu cầu độ ổn định cao hoặc phản hồi theo thời gian thực.  Một điểm hạn chế khác nằm ở tầng chuyển tiếp dữ liệu của mạng ảo. Trong một số trường hợp, dữ liệu phải di chuyển qua lại giữa các lớp xử lý khác nhau của hệ điều hành trước khi được gửi đi. Quá trình này làm phát sinh thêm các bước trung gian, khiến thời gian xử lý tăng lên và làm giảm hiệu quả khai thác phần cứng.  Từ góc độ kiến trúc, có thể thấy, thách thức không nằm ở phần cứng, mà nằm ở cách phần mềm khai thác phần cứng.  So sánh Kernel Stack truyền thống và Đường dẫn DPDK  Tư duy mới: Tách biệt tầng xử lý dữ liệu (dataplane) để giải phóng hiệu năng  Để giải quyết các giới hạn trên, Whitepaper High-Performance OpenStack được xây dựng dựa trên nguyên tắc: Tách biệt hoàn toàn tầng dữ liệu khỏi mọi tác vụ khác của hệ điều hành, và đẩy nó lên một con đường được tối ưu riêng từ đầu đến cuối.  Các thành phần điều khiển và vận hành vẫn hoạt động như một môi trường OpenStack tiêu chuẩn. Tuy nhiên, tầng xử lý dữ liệu (dataplane) được đưa vào một "fast path" riêng, nơi tài nguyên được tối ưu hóa dành riêng cho xử lý lưu lượng.  Kiến trúc này được xây dựng dựa trên bốn trụ cột chính. Cụ thể như sau:   Bốn trụ cột của kiến trúc High-Performance OpenStack.  Trụ cột thứ nhất - Tái thiết kế kernel cho workload thời gian thực  Một trong những thay đổi quan trọng nhất của kiến trúc High-Performance OpenStack là tái thiết kế cách hệ điều hành sử dụng tài nguyên CPU. Thay vì để tất cả các tiến trình cùng chia sẻ một tập CPU chung, hệ thống phân tách CPU thành các nhóm chức năng riêng biệt dành cho kernel, hypervisor, Open vSwitch DPDK và các workload của khách hàng.  Bên cạnh đó, các vCPU của máy ảo được gán cố định vào những lõi CPU chuyên dụng (CPU pinning), giúp hạn chế tối đa sự can thiệp của hệ điều hành Linux (Linux scheduler). Cách tiếp cận này giúp giảm hiện tượng dao động độ trễ (jitter), hạn chế các độ trễ phát sinh không mong muốn và mang lại khả năng phản hồi ổn định hơn cho các ứng dụng yêu cầu xử lý theo thời gian thực như mạng lõi 5G (5G Core), suy luận AI (AI Inference) hay các hệ thống tài chính.  Trụ cột thứ hai - Tối ưu bộ nhớ với Hugepage và NUMA Locality  Bộ nhớ cũng là một yếu tố ảnh hưởng trực tiếp đến hiệu năng của hệ thống. Trong môi trường thông thường, bộ nhớ được chia thành các page có kích thước nhỏ, khiến CPU phải quản lý số lượng lớn page và dễ phát sinh chi phí truy xuất bộ nhớ.  Để giải quyết vấn đề này, kiến trúc High-Performance OpenStack sử dụng Hugepage kích thước lớn nhằm giảm đáng kể số lượng page cần quản lý. Nhờ đó, hệ thống hạn chế được các chi phí phát sinh trong quá trình truy xuất bộ nhớ và tối ưu hiệu quả sử dụng CPU.  Song song với đó, toàn bộ các thành phần liên quan đến xử lý lưu lượng như CPU, bộ nhớ, cơ chế xử lý chủ động (Poll Mode Driver - PMD) và card mạng (NIC) được bố trí trên cùng một NUMA node. Việc duy trì tính cục bộ của tài nguyên giúp tránh các truy cập chéo giữa các socket vật lý, từ đó giảm độ trễ và cải thiện hiệu năng tổng thể của hệ thống.  Trụ cột thứ ba - Tầng chuyển mạch trên không gian người dùng  Một thay đổi mang tính nền tảng khác là việc chuyển Open vSwitch từ kernel datapath truyền thống sang userspace datapath dựa trên DPDK.  Trong kiến trúc thông thường, mỗi khi có gói tin đi qua, hệ thống phải xử lý interrupt và thực hiện nhiều lần chuyển đổi ngữ cảnh (context switching), tạo ra chi phí đáng kể khi lưu lượng tăng cao. Với DPDK, Open vSwitch sử dụng cơ chế xử lý chủ động (Poll Mode Driver - PMD), cho phép các lõi CPU chuyên dụng liên tục thăm dò lưu lượng từ card mạng thay vì chờ tín hiệu ngắt  (interrupt) từ hệ điều hành.  Cách tiếp cận này giúp loại bỏ phần lớn chi phí xử lý phát sinh từ cơ chế ngắt của hệ thống và chuyển đổi ngữ cảnh (context switching), từ đó giảm độ trễ, tăng khả năng xử lý gói tin (packet) và tạo ra một tầng xử lý dữ liệu (dataplane) hiệu năng cao hơn đáng kể so với mô hình truyền thống.  Trụ cột thứ tư - Đẩy việc xuống chip mạng  Sau khi tối ưu tầng phần mềm, bước tiếp theo là khai thác tối đa các tính năng tăng tốc sẵn có trên phần cứng hiện đại. Các card mạng như NVIDIA Mellanox ConnectX-6 được trang bị nhiều cơ chế chuyển tải xử lý xuống phần cứng (offload), cho phép đảm nhiệm một phần công việc xử lý gói tin (packet) thay cho CPU.  Các công việc như xử lý thông tin điều khiển của gói tin, quản lý luồng dữ liệu nhận vào hay giảm lượng dữ liệu cần chuyển qua CPU đều có thể được thực hiện trực tiếp trên card mạng thay vì bộ xử lý trung tâm. Nhờ đó, CPU được giải phóng khỏi các tác vụ xử lý lặp lại, tập trung nhiều hơn vào workload chính và nâng cao hiệu quả sử dụng tài nguyên của toàn hệ thống.  Khi kết hợp với các tối ưu về CPU, bộ nhớ và tầng xử lý dữ liệu (dataplane), khả năng chuyển tải xử lý xuống phần cứng (offload) đóng vai trò quan trọng trong việc đưa hiệu năng của môi trường điện toán đám mây tiến gần hơn tới giới hạn của hạ tầng vật lý.  Cloud hiệu năng cao đang trở thành nền tảng cho thế hệ hạ tầng mới  Khi AI, 5G, các hệ thống tài chính thời gian thực và những ứng dụng yêu cầu độ trễ thấp tiếp tục phát triển, hiệu năng hạ tầng không còn là một yêu cầu riêng biệt của một số ngành đặc thù mà đang trở thành yếu tố cốt lõi trong chiến lược chuyển đổi số của doanh nghiệp. Trong bối cảnh đó, khả năng kết hợp giữa hiệu năng gần với hạ tầng vật lý và sự linh hoạt của môi trường cloud sẽ trở thành lợi thế cạnh tranh quan trọng.  High-Performance OpenStack mang đến một cách tiếp cận mới cho hạ tầng cloud, nơi các giới hạn truyền thống về độ trễ, thông lượng hay khả năng xử lý gói tin (packet) được giải quyết ngay từ tầng kiến trúc. Thông qua việc tối ưu toàn diện từ CPU, bộ nhớ, mạng đến phần cứng tăng tốc, doanh nghiệp có thể xây dựng những nền tảng sẵn sàng cho các workload thế hệ mới mà vẫn duy trì đầy đủ các lợi ích vốn có của cloud.  Whitepaper "High-Performance OpenStack: Khi hạ tầng cloud Việt Nam không còn là bottleneck" không chỉ trình bày các kỹ thuật tối ưu hiệu năng, mà còn mang đến góc nhìn toàn diện về cách xây dựng và vận hành hạ tầng cloud hiệu năng cao trong kỷ nguyên AI và dữ liệu thời gian thực. Đây là bước đi quan trọng giúp doanh nghiệp chuẩn bị cho tương lai, nơi khả năng khai thác tối đa tài nguyên hạ tầng sẽ quyết định tốc độ đổi mới và năng lực cạnh tranh.  Khám phá cách FPT Smart Cloud tái kiến trúc hạ tầng OpenStack để đưa cloud tiến gần hơn đến hiệu năng của hệ thống vật lý, đồng thời đáp ứng những yêu cầu khắt khe của các workload hiệu năng cao tại đây.  Liên hệ với chúng tôi để được tư vấn chi tiết về các giải pháp, dịch vụ của FPT Cloud:  Hotline: 1900 638 399 Email: support@fptcloud.com Support: m.me/fptsmartcloud 

Trong bài viết trước, chúng ta đã khẳng định OpenStack là "xương sống" cho hạ tầng AI thế hệ mới. Tuy nhiên, để chuyển đổi từ một cụm máy chủ gắn GPU rời rạc thành một AI Factory - một nhà máy sản xuất trí tuệ nhân tạo có khả năng thương mại hóa và mở rộng vô hạn – doanh nghiệp cần một bản thiết kế kiến trúc chuẩn mực.  Dựa trên Whitepaper "Open Infrastructure for AI", kiến trúc AI hiện đại không còn là câu chuyện của riêng con chip, mà là sự hòa quyện của ba trụ cột: GPU tối ưu, Lưu trữ hiệu năng cao và Mạng tốc độ cực lớn.  GPU: Tài nguyên chiến lược và tư duy đa mô hình  Trong một AI Factory, GPU không chỉ là phần cứng tăng tốc, nó là "tiền tệ" của hệ thống. Để tối ưu hóa dòng tiền này, kiến trúc hạ tầng phải cho phép khai thác GPU theo nhiều kịch bản khác nhau thay vì một cấu hình cố định.  OpenStack mang lại sự linh hoạt đặc yếu qua ba phương thức tiếp cận:  PCI Passthrough: Dành cho các tác vụ huấn luyện (Training) mô hình lớn hoặc suy luận (Inference) thời gian thực. Bằng cách gắn trực tiếp GPU vật lý vào máy ảo, chúng ta loại bỏ độ trễ của lớp trung gian, đạt hiệu năng tương đương máy chủ vật lý (Bare-metal).   Virtual GPU (vGPU): Giải pháp hoàn hảo cho môi trường phát triển (R&D) hoặc thử nghiệm. Một GPU vật lý được chia sẻ cho nhiều người dùng, giúp tối ưu hóa chi phí đầu tư ban đầu.  Multi-Instance GPU (MIG): Đây là chìa khóa cho mô hình AI đa người dùng (Multi-tenant). MIG chia nhỏ GPU thành các phân vùng có tài nguyên phần cứng độc lập, đảm bảo tính cô lập tuyệt đối và độ ổn định cho các dịch vụ Inference quy mô lớn.  Lợi thế của AI Factory trên nền OpenStack chính là khả năng điều phối tự động cả ba mô hình này trên cùng một cụm tài nguyên thông qua API, giúp doanh nghiệp sẵn sàng cung cấp dịch vụ GPU-as-a-Service chuyên nghiệp.   Lưu trữ và Network: "Hệ thần kinh" của các mô hình LLM  Nếu GPU là bộ não, thì lưu trữ và mạng lưới chính là hệ thần kinh trung ương. Với các mô hình ngôn ngữ lớn (LLM) nặng hàng trăm GB, bài toán không còn là "lưu trữ ở đâu" mà là "dữ liệu di chuyển nhanh thế nào".  Lưu trữ hiệu năng cao (HPS) – Bài toán sống còn  Thời gian tải mô hình từ ổ cứng lên vRAM của GPU quyết định tính sẵn sàng của dịch vụ. Whitepaper nhấn mạnh vai trò của Parallel File System. Trong kiến trúc AI Factory, lưu trữ không còn là thành phần phụ trợ mà là yếu tố quyết định khả năng mở rộng (Scalability) và thời gian đưa dịch vụ ra thị trường (Time-to-market).  Network - Kết nối quy mô siêu máy tính  Workload AI đòi hỏi băng thông mạng từ 100Gb/s đến 200Gb/s – gấp 10-20 lần so với ứng dụng web truyền thống. Để vận hành như một hệ thống HPC (Tính toán hiệu năng cao) thực thụ, AI Factory tích hợp sâu các công nghệ:  RDMA & InfiniBand: Giảm tải cho CPU và tăng tốc truyền dữ liệu giữa các node GPU.  SR-IOV: Tối ưu hóa hiệu suất mạng cho máy ảo.  Tối ưu hóa: Lợi thế cạnh tranh nằm ở những "chi tiết ẩn"  Một kiến trúc sư hạ tầng AI giỏi khác biệt ở chỗ họ biết cách "tinh chỉnh" những thông số nhỏ để tạo ra hiệu năng lớn. OpenStack cho phép can thiệp sâu vào tầng dưới cùng của phần cứng – điều mà các nền tảng Public Cloud đóng thường hạn chế:  NUMA Affinity & CPU Pinning: Giảm thiểu độ trễ truy cập bộ nhớ, giúp GPU VM hoạt động mượt mà nhất.  Hardware Offload & RoCE: Tận dụng tối đa năng lực card mạng để giảm tải cho vi xử lý chính.  Chính những tinh chỉnh mang tính đặc thù này giúp các AI Factory vận hành trên hạ tầng mở đạt hiệu suất vượt trội hơn hẳn so với các cấu hình phần cứng tương đương trên nền tảng đóng.  Hệ sinh thái toàn diện: Từ hạ tầng đến dịch vụ thương mại  Sức mạnh thực sự của OpenStack nằm ở khả năng biến các tài nguyên thô thành một hệ sinh thái dịch vụ hoàn chỉnh:  OpenStack Ironic: Cung cấp GPU Bare-metal cho các tác vụ cần hiệu năng tuyệt đối.  Magnum: Triển khai cụm Kubernetes GPU phục vụ container hóa ứng dụng AI.  Trove & Manila: Tự động hóa quản trị cơ sở dữ liệu và hệ thống tệp tin cho AI.  Khả năng tùy biến sâu này giúp doanh nghiệp không chỉ xây dựng được hạ tầng AI mà còn sở hữu một nền tảng sẵn sàng cho thương mại hóa, có thể thích ứng với bất kỳ framework hay dòng chip AI mới nào xuất hiện trong tương lai.  Minh chứng từ thực tế  Kiến trúc AI Factory trên nền OpenStack không còn là lý thuyết. Từ những "gã khổng lồ" viễn thông như China Mobile, các nhà cung cấp cloud như Rackspace, cho đến những đơn vị tiên phong tại Việt Nam như FPT Smart Cloud (FPT Cloud & FPT AI Factory), tất cả đều đang chứng minh rằng: Hạ tầng mở là con đường ngắn nhất và bền vững nhất để làm chủ cuộc chơi AI.  Đứng sau sự thành công này là AI Working Group (thuộc OpenInfra Foundation) – nơi quy tụ những khối óc hàng đầu thế giới về hạ tầng mở. Sự kết nối tri thức này đảm bảo rằng AI Factory của doanh nghiệp bạn luôn được vận hành dựa trên những tiêu chuẩn kiến trúc tiên tiến nhất toàn cầu.  Xem thêm thông tin về OpenStack tại đây. Tác giả: Trần Quốc Sang Phó Giám đốc Trung tâm Phát triển Dịch vụ Hạ Tầng Cloud - FPT Smart Cloud, Tập đoàn FPT

Sự trỗi dậy của Generative AI không chỉ thay đổi cách chúng ta tương tác với công nghệ mà đã kéo theo một làn sóng tái kiến trúc hạ tầng ở quy mô toàn cầu. Những mô hình ngôn ngữ lớn (LLM), GPU chuyên dụng như H100/H200, hay các cụm HPC tốc độ cao đã khiến yêu cầu về hạ tầng tăng mạnh chưa từng thấy. Doanh nghiệp không chỉ cần sức mạnh tính toán; họ cần một nền tảng mở, linh hoạt, dễ mở rộng và có khả năng bắt kịp tốc độ thay đổi của hệ sinh thái AI. Họ cần một "AI Factory" – một nhà máy AI thực thụ.  Trong bối cảnh đó, OpenStack đang nổi lên như một nền tảng mở, linh hoạt và mạnh mẽ, đóng vai trò kim chỉ nam cho hạ tầng AI thế hệ tiếp theo nơi khả năng mô-đun hóa, tự do tích hợp và tốc độ cải tiến cộng đồng trở thành lợi thế vượt trội.  OpenStack: Nền tảng mở cho kỷ nguyên AI  Khi các workload AI ngày càng tiêu tốn tài nguyên hơn và nhạy cảm về độ trễ hơn, OpenStack cung cấp lớp ảo hóa và quản trị hạ tầng mạnh mẽ, đủ khả năng hỗ trợ môi trường tính toán hiệu suất cao thông qua các dịch vụ như Nova, Neutron, Cinder và Ironic. Khả năng mở rộng đã được kiểm chứng và mức độ linh hoạt cao khiến OpenStack trở thành lựa chọn phù hợp cho thế hệ tiếp theo của workload AI và HPC.  Khác với các giải pháp đám mây độc quyền vốn phụ thuộc vào lộ trình của nhà cung cấp, OpenStack được phát triển bởi chính cộng đồng những doanh nghiệp vận hành nó trong thực tế. Điều này đảm bảo tốc độ cải tiến nhanh, khả năng cập nhật các công nghệ mới nổi như lập lịch GPU đa người dùng, tối ưu theo NUMA hay tăng tốc mạng SR-IOV, đồng thời mang lại mức độ linh hoạt mà các nền tảng đóng không thể có.  Xuất phát từ thực tiễn đó, AI Working Group - được thành lập bởi Open Infra Foundation đã cùng hợp tác để giới thiệu kiến trúc và usecase công nghệ của việc sử dụng OpenStack nhằm hỗ trợ các workload AI trong whitepaper “Open Infrastructure for AI: OpenStack’s Role in the Next Generation Cloud”  Kim chỉ nam cho hạ tầng AI - Và 5 bài toán lớn định hình tương lai  Generative AI tạo ra một sự thay đổi căn bản trong cách chúng ta thiết kế, triển khai và vận hành hạ tầng AI. Việc huấn luyện mô hình ngôn ngữ lớn, tự lưu trữ các mô hình mã nguồn mở, hay phục vụ suy luận (inference) ở quy mô lớn đòi hỏi phần cứng thế hệ mới như GPU H100/H200 cùng với tốc độ kết nối và băng thông lưu trữ ở mức HPC.  Nhằm bám sát vào những thay đổi lớn của hạ tầng AI thế hệ mới này, 5 bài toán kinh điển và cách thức để hạ tầng mã nguồn mở giải quyết chúng đã được đưa ra bao gồm:  1. ModelTraining & Serving - Tăng tốc sáng tạo mô hình  Trong nhiều năm, xây dựng một pipeline AI hoàn chỉnh đòi hỏi đội ngũ kỹ thuật phải giải quyết hàng loạt bước phức tạp ở tầng hạ tầng. Xu hướng hiện nay đi theo hướng đơn giản hóa: nhà phát triển ứng dụng AI không cần quan tâm vào hạ tầng, chỉ cần thông qua giao diện code như Jupiter Notebook hoặc code IDE là có thể gọi vào training một model LLM. Sau khi training thì có thể chạy serving model đó thông qua API (e.g. OpenAI Compatible API) chỉ với vài thao tác.  2. GPU-as-a-Service - Tối ưu hiệu năng và chi phí GPU Những dòng GPU tân tiến như H100/H200 rất mạnh mẽ nhưng giá thành cao, việc sở hữu một thiết bị H100 gần như là chỉ có ở những doanh nghiệp lớn và thường không sử dụng hết năng lực của một thiết bị gây lãng phí, thay vào đó là việc đi thuê tài nguyên mang lại chi phí tối ưu hơn và phù hợp cho mọi doanh nghiệp. Kiến trúc mở cho phép chia nhỏ GPU thành nhiều phần (MIG), xây dựng máy ảo GPU theo nhu cầu (vGPU), hoặc cấp quyền truy cập trực tiếp (PCI Passthrough) để tối ưu hiệu năng.  Thay vì sở hữu toàn bộ phần cứng, doanh nghiệp có thể thuê đúng mức tài nguyên cần thiết, tránh tình trạng “đầu tư lớn – sử dụng thấp”, đồng thời linh hoạt mở rộng theo nhịp phát triển AI. Doanh nghiệp có thể tham khảo dịch vụ cho thuê GPU Cloud (GPU Server) hiệu năng cao của FPT Cloud với GPU chuyên dụng của NVIDIA: H200, H100 và A30. 3. Nền tảngMLOps - Vận hành mô hình AI ở quy mô lớn  Các mô hình ngôn ngữ lớn thay đổi nhanh chóng và đòi hỏi một vòng đời vận hành liên tục: cập nhật mô hình, giám sát, tối ưu chi phí suy luận, kiểm soát hiệu năng, đảm bảo uptime. Một nền tảng MLOps hiện đại cần làm được tất cả điều này trong khi vẫn duy trì sự ổn định của hệ thống và tính liên tục của dịch vụ.  OpenStack với bộ dịch vụ mở rộng xung quanh trở thành lựa chọn phù hợp để xây dựng nền tảng tự động hóa toàn trình, từ training đến inference.  4. High-PerformanceComputing Cluster - Sức mạnh kết nối cụm GPU lớn  Những mô hình hàng tỷ tham số yêu cầu khả năng huấn luyện phân tán trên hàng chục node GPU. Kết nối một cụm 32 node H100 với thông lượng Tbps, độ trễ cực thấp và khả năng đọc ghi dữ liệu tốc độ cao là một thách thức mà chỉ các nền tảng HPC thực thụ có thể đáp ứng.  OpenStack cung cấp khả năng quản lý bare-metal kết hợp với các công nghệ tối tân như Infiniband, high-performance storage, giúp doanh nghiệp tiếp cận sức mạnh của các “AI SuperPod” theo cách linh hoạt và tối ưu chi phí hơn. 5. AIIoT& Edge Computing - Đưa AI đến gần dữ liệu hơn  Ứng dụng AI ngày càng mở rộng sang robot, xe tự hành, camera thông minh và các thiết bị IoT. Những tác vụ này cần xử lý ngay tại nguồn để đảm bảo tốc độ theo thời gian thực. Kiến trúc phân tán, edge computing và khả năng đồng bộ giữa trung tâm dữ liệu -  biên - thiết bị trở thành yếu tố then chốt.  OpenStack hỗ trợ tốt cho những mô hình hạ tầng lai (hybrid) và distributed, giúp doanh nghiệp triển khai AI ở biên một cách nhất quán và an toàn.  OpenStack - nền tảng mở cho tương lai AI  Trong thế giới nơi AI đang thúc đẩy mọi ngành công nghiệp, một hạ tầng mở, linh hoạt và dễ mở rộng không còn là tùy chọn - mà trở thành nền tảng cốt lõi. OpenStack mang lại khả năng tùy biến sâu, tích hợp rộng và tốc độ cải tiến nhanh nhờ cộng đồng, giúp doanh nghiệp xây dựng “AI Factory” với chi phí tối ưu và khả năng mở rộng bền vững.  Whitepaper “Open Infrastructure for AI” không chỉ mô tả các kiến trúc kỹ thuật, mà mở ra cách nhìn toàn diện về việc vận hành AI ở quy mô lớn bằng hạ tầng mở. Đây là bước đi quan trọng để doanh nghiệp sẵn sàng cho tương lai AI, nơi tốc độ và khả năng tự chủ hạ tầng trở thành lợi thế cạnh tranh hàng đầu.  Khám phá cách chuyển đổi từ một cụm máy chủ gắn GPU rời rạc thành một AI Factory hiệu năng mạnh mẽ tại đây. Tác giả: Trần Quốc Sang Phó Giám đốc Trung tâm Phát triển Dịch vụ Hạ Tầng Cloud - FPT Smart Cloud, Tập đoàn FPT