Tổng quan nghiên cứu

Mạng cảm biến không dây (Wireless Sensor Networks - WSN) đang trở thành hạ tầng công nghệ then chốt cho các hệ sinh thái vạn vật kết nối (IoT), quan trắc môi trường và giám sát công nghiệp thông minh. Một hệ thống WSN thực tế thường bao gồm hàng trăm đến hàng nghìn nút cảm biến siêu nhỏ, tự tổ chức thành mạng hình lưới để thu thập và truyền tải thông tin. Tuy nhiên, các nút cảm biến này đối mặt với rào cản nghiêm trọng về giới hạn năng lượng pin, bộ nhớ ROM/RAM hạn chế và băng thông truyền thông vô tuyến chỉ khoảng 250 mét. Các giao thức định tuyến cấu trúc topo truyền thống như AODV hay DSR bộc lộ nhược điểm lớn khi phải duy trì bảng định tuyến phức tạp và tiêu hao từ 30% đến 40% năng lượng chỉ cho các gói tin điều khiển.

Định tuyến dựa trên thông tin vị trí (Geographic Routing) ra đời nhằm khắc phục hạn chế trên bằng cách sử dụng tọa độ địa lý để chuyển tiếp gói tin theo phương thức tham lam (Greedy Forwarding). Dù vậy, phương thức này thường xuyên bị bế tắc tại các cực tiểu địa phương (local minimum) – nơi xuất hiện vùng trống không có nút láng giềng nào gần đích hơn nút hiện tại. Luận văn thạc sĩ chuyên ngành Truyền dữ liệu và Mạng máy tính của tác giả Vũ Văn Diện, được thực hiện năm 2016 tại Trường Đại học Công nghệ – Đại học Quốc gia Hà Nội dưới sự hướng dẫn của TS. Trần Trúc Mai và TS. Lê Đình Thanh, tập trung giải quyết triệt để bài toán này. Nghiên cứu đi sâu phân tích, cài đặt và đánh giá hiệu năng định tuyến khôi phục trên các dạng đồ thị phẳng khác nhau gồm Gabriel Graph (GG), Relative Neighborhood Graph (RNG) và Local Hypocomb (LHC), nhằm tối ưu hóa tỷ lệ phân phối gói tin và giảm thiểu tối đa chi phí tiêu hao năng lượng mạng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng lý thuyết định tuyến địa lý và lý thuyết đồ thị phẳng hóa cục bộ trong không gian hai chiều Euclid. Ba khái niệm cốt lõi chi phối toàn bộ mô hình gồm:

  • Cơ chế chuyển tiếp tham lam (Greedy Forwarding - GF): Thuật toán chuyển gói tin tuần tự đến nút láng giềng có khoảng cách Euclid tới đích ngắn nhất, đảm bảo tính phân tán và không cần lưu trạng thái toàn mạng.
  • Cực tiểu địa phương và vùng trống định tuyến (Routing Hole): Điểm nghẽn mạng xuất hiện khi một nút cảm biến không tìm thấy bất kỳ nút láng giềng nào ở gần nút đích hơn chính nó. Để xác định trạng thái này, quy tắc hình học TENT với góc phân kỳ lớn hơn 120 độ được áp dụng nhằm nhận diện các nút bị kẹt mạnh.
  • Định tuyến khôi phục chu vi (Perimeter Forwarding) trên đồ thị phẳng: Khi chế độ tham lam thất bại, gói tin chuyển sang chế độ chu vi, áp dụng quy tắc bàn tay phải (Right-hand Rule) để đi vòng quanh biên của các mặt đồ thị phẳng.

Nghiên cứu tập trung so sánh 3 cấu trúc đồ thị phẳng: Đồ thị Gabriel (GG) dựa trên vòng tròn đường kính giữa 2 nút; Đồ thị láng giềng tương đối (RNG) dựa trên giao tuyến hình trăng khuyết; và Đồ thị Local Hypocomb (LHC). Cấu trúc LHC được xây dựng từ đồ thị đĩa đơn vị (Unit Disk Graph - UDG) kết hợp đồ thị trung gian Besh, tuân thủ 3 quan hệ chặn hình học (QHC 1, QHC 2, QHC 3) trên 4 hướng không gian chuẩn để loại bỏ cạnh cắt chéo mà chỉ cần thông tin láng giềng 1 chặng.

Phương pháp nghiên cứu

Nghiên cứu áp dụng phương pháp thực nghiệm mô phỏng định lượng thông qua bộ công cụ Network Simulator 2 (phiên bản NS-2.33) trên nền tảng hệ điều hành UNIX. Lựa chọn NS-2 mang lại độ chính xác cao nhờ kiến trúc phân tầng kết hợp giữa hạt nhân C++ xử lý sự kiện tốc độ cao và kịch bản OTcl cấu hình linh hoạt.

  • Quy mô và cỡ mẫu: Thực nghiệm triển khai trên 3 kịch bản mạng với cỡ mẫu lần lượt là 50 nút (kích thước vùng 1500m x 300m), 100 nút (vùng 1800m x 500m) và 200 nút (vùng 3000m x 600m), đảm bảo mật độ đồng nhất ở mức 1 nút trên 9.000 m2.
  • Phương pháp chọn mẫu và kịch bản truyền thông: Sử dụng mô hình di chuyển Random Waypoint với vận tốc thay đổi liên tục, bán kính phát sóng vô tuyến cố định 250 mét, thiết lập 15 luồng truyền dữ liệu liên tục CBR (Constant Bit Rate) hoạt động đồng thời trong thời gian mô phỏng 900 giây.
  • Phương pháp phân tích: Dữ liệu vết (.tr) được trích xuất và lọc tự động bằng các tập lệnh AWK, Perl và C++, sau đó tổng hợp trực quan qua công cụ Gnuplot và Trace Graph để đo lường 3 chỉ số then chốt: Tỷ lệ phân phối gói tin thành công (PDF), tổng số gói tin phát ở tầng định tuyến và độ dài đường đi thực tế.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình mô phỏng thực nghiệm trên nền tảng NS-2 với 15 luồng tải CBR đã mang lại 3 phát hiện định lượng quan trọng:

  • Tỷ lệ phân phối gói tin thành công (PDF): Cả hai đồ thị Local Hypocomb (LHC) và Relative Neighborhood Graph (RNG) đều đạt tỷ lệ PDF vượt trội hơn hẳn so với đồ thị Gabriel (GG). Trong các cấu hình mạng quy mô nhỏ 50 nút, LHC đạt hiệu suất chuyển tiếp thành công cao hơn GG từ 4% đến 6%. Khi mật độ nút tăng lên 100 và 200 nút, tỷ lệ PDF của LHC và RNG duy trì mức ổn định xấp xỉ nhau và đều cao hơn đáng kể so với GG.
  • Tổng phát gói tin tại tầng định tuyến: Đồ thị Local Hypocomb (LHC) chứng minh hiệu quả tiết kiệm tài nguyên năng lượng vượt bậc khi có tổng phát gói tin thấp nhất trên toàn bộ các quy mô 50, 100 và 200 nút. Đặc biệt, tại kịch bản 200 nút mạng, tổng phát của LHC chỉ đạt mức xấp xỉ 176 đơn vị truyền tải, thấp hơn rõ rệt so với RNG và GG.
  • Độ dãn dài đường đi (Path Length Stretch): Tỷ lệ phần trăm độ dài đường đi thực tế so với đường đi ngắn nhất (được xác định theo giải thuật God) giữa 3 đồ thị GG, RNG và LHC cho kết quả xấp xỉ tương đương nhau, với mức sai lệch trung bình dưới 5% trên toàn bộ các kịch bản 50 đến 200 nút.

Thảo luận kết quả

Các chuỗi dữ liệu thực nghiệm được trực quan hóa qua biểu đồ cột (Bar charts) thể hiện tổng phát gói tin và biểu đồ đường (Line graphs) phân tích tỷ lệ PDF trích xuất từ Gnuplot. Kết quả chỉ ra nguyên nhân cốt lõi khiến đồ thị Gabriel (GG) có chi phí gói tin cao: việc loại bỏ quá nhiều cạnh truyền thông đã tạo ra các mặt phẳng biên có diện tích lớn. Khi gói tin rơi vào chế độ chu vi trên GG, quy tắc bàn tay phải buộc dữ liệu phải di chuyển qua nhiều chặng trung gian bao quanh mặt phẳng rộng, làm gia tăng tổng số lần phát lại.

Ngược lại, cấu trúc Local Hypocomb (LHC) giữ lại mật độ cạnh hợp lý hơn nhờ các quy tắc chặn QHC cục bộ dựa trên UDG. Các mặt phẳng trên đồ thị LHC có chu vi hẹp hơn, giúp gói tin nhanh chóng thoát khỏi vùng kẹt và quay trở lại chế độ tham lam. So với các giải pháp quét biên cổ điển như BoundHole (dễ phát sinh vòng lặp) hay GAR (dùng kỹ thuật quả bóng lăn nhưng chọn thừa nút làm kéo dài đường đi), định tuyến khôi phục trên đồ thị phẳng LHC vừa triệt tiêu hoàn toàn hiện tượng lặp vô hạn, vừa tối ưu hóa năng lượng tiêu thụ cho toàn mạng cảm biến.

Đề xuất và khuyến nghị

Dựa trên các kết luận thực nghiệm, luận văn đưa ra 4 khuyến nghị ứng dụng mang tính khả thi cao:

  • Tích hợp thuật toán phẳng hóa Local Hypocomb (LHC) vào các thiết bị định tuyến cổng (Gateway) và nút cảm biến công nghiệp nhằm cắt giảm từ 15% đến 20% phụ phí truyền gói tin điều khiển, tiến hành thử nghiệm trong khung thời gian 6 tháng do đội ngũ kỹ sư phát triển phần mềm nhúng phụ trách.
  • Tối ưu hóa cơ chế chuyển đổi trạng thái thức và ngủ (Sleep/Wake Scheduling) trên các nút cảm biến chuẩn IEEE 802.15.4 khi kết hợp định tuyến vị trí, hướng tới mục tiêu kéo dài tuổi thọ nguồn pin thêm 25% đến 30% trong lộ trình nâng cấp hệ thống 12 tháng do các kỹ sư thiết kế phần cứng và giao thức mạng thực hiện.
  • Mở rộng nghiên cứu giải thuật phẳng hóa cục bộ cho không gian ba chiều (3D WSN) và mạng cảm biến di động gắn trên thiết bị bay không người lái (UAV), duy trì tỷ lệ truyền thành công trên 95% trong các điều kiện địa hình phức tạp, thực hiện qua các đề tài nghiên cứu chuyên sâu 18 tháng tại các viện và trường đại học.
  • Chuẩn hóa quy trình kiểm thử và tự động hóa phân tích tệp vết mạng bằng việc kết hợp bộ đôi ngôn ngữ Python và AWK, giúp rút ngắn 40% thời gian đánh giá hiệu năng giao thức trước khi triển khai phần cứng thực địa, áp dụng ngay trong quý tiếp theo cho các chuyên viên đo lường mạng.

Đối tượng nên tham khảo luận văn

Nội dung và kết quả nghiên cứu của luận văn mang lại giá trị học thuật và ứng dụng thực tiễn cao cho 4 nhóm đối tượng:

  • Kỹ sư phát triển hệ thống nhúng và mạng IoT: Nắm bắt phương pháp cài đặt thuật toán phẳng hóa LHC trực tiếp trên vi điều khiển có tài nguyên hạn chế, phục vụ tối ưu hóa các dòng sản phẩm cảm biến thông minh.
  • Học viên cao học và nghiên cứu sinh chuyên ngành Mạng máy tính: Tiếp cận khung phương pháp luận mô phỏng hoàn chỉnh trên NS-2, kỹ thuật trích xuất tệp vết và cơ sở lý thuyết xử lý hình học không gian trong định tuyến WSN.
  • Doanh nghiệp triển khai giải pháp nông nghiệp thông minh và quan trắc môi trường: Ứng dụng mô hình định tuyến định vị chống vùng kẹt cho các dự án thực tế quy mô từ 50 đến hàng nghìn điểm đo trải rộng trên diện tích nhiều hecta.
  • Giảng viên và cán bộ nghiên cứu tại các trường đại học khối công nghệ: Sử dụng tài liệu làm bài giảng tham khảo chuyên sâu cho các học phần Mạng máy tính nâng cao, Mạng không dây và Hệ thống phân tán.

Câu hỏi thường gặp

  • Tại sao định tuyến dựa trên cấu trúc topo truyền thống không phù hợp cho mạng cảm biến không dây?
    Định tuyến topo truyền thống như AODV hay DSR đòi hỏi các nút phải duy trì bảng định tuyến phức tạp và liên tục trao đổi gói tin quảng bá. Điều này làm cạn kiệt nhanh chóng nguồn pin hạn chế của các nút cảm biến và làm giảm 30% đến 40% băng thông khả dụng của toàn mạng.

  • Hiện tượng cực tiểu địa phương trong mạng cảm biến không dây hình thành do đâu?
    Hiện tượng này xuất hiện khi gói tin chuyển tiếp tham lam đến một nút biên của vùng trống (hole) – khu vực không có nút cảm biến do địa hình cản trở hoặc do các nút trước đó bị hết pin. Khi đó, nút hiện tại không tìm thấy bất kỳ láng giềng nào ở gần đích hơn nó.

  • Đồ thị Local Hypocomb (LHC) có ưu thế kỹ thuật gì nổi trội hơn đồ thị Gabriel (GG)?
    Đồ thị LHC duy trì số lượng cạnh liên thông tối ưu hơn GG mà vẫn đảm bảo tính phẳng không có cạnh cắt nhau. Nhờ đó, các mặt phẳng chu vi trên LHC nhỏ hơn, giúp gói tin định tuyến vòng quanh biên thoát kẹt nhanh hơn và giảm tổng phát xuống chỉ còn khoảng 176 gói tin ở mạng 200 nút.

  • Công cụ mô phỏng Network Simulator 2 đóng vai trò gì trong công trình nghiên cứu?
    NS-2 phiên bản 2.33 cung cấp môi trường mô phỏng sự kiện rời rạc chính xác với sự kết hợp giữa C++ và OTcl. Công cụ cho phép tái lập 15 luồng tải CBR ngẫu nhiên và mô hình di chuyển Random Waypoint trong 900 giây mà không cần đầu tư phần cứng thực nghiệm đắt đỏ.

  • Cơ chế định tuyến chu vi GPSR sử dụng quy tắc bàn tay phải như thế nào khi gặp sự cố kẹt?
    Khi chuyển tiếp tham lam thất bại, gói tin chuyển sang chế độ chu vi và được chuyển tiếp dọc theo mặt phẳng giao với đường thẳng nối nút kẹt và đích. Gói tin đi theo cạnh đầu tiên ngược chiều kim đồng hồ cho đến khi tìm được điểm giao cắt gần đích hơn vị trí kẹt ban đầu.

Kết luận

  • Luận văn đã giải quyết toàn diện bài toán bế tắc định tuyến tại các cực tiểu địa phương trong mạng cảm biến không dây bằng việc ứng dụng kỹ thuật định tuyến khôi phục chu vi trên đồ thị phẳng.
  • Kết quả thực nghiệm trên NS-2 khẳng định đồ thị Local Hypocomb (LHC) vượt trội hơn đồ thị Gabriel (GG) và Relative Neighborhood Graph (RNG) về mặt tiết kiệm năng lượng, duy trì tổng phát thấp nhất ở mức 176 đơn vị với mạng 200 nút.
  • Nghiên cứu chứng minh tính khả thi của giải thuật LHC khi chỉ yêu cầu thông tin vị trí cục bộ 1 chặng, triệt tiêu hoàn toàn hiện tượng tạo vòng lặp vô hạn của BoundHole và khắc phục tình trạng chọn thừa nút của GAR.
  • Bộ phương pháp luận thực nghiệm với 15 luồng CBR trên các vùng diện tích từ 1500m x 300m đến 3000m x 600m cung cấp tiêu chuẩn tham chiếu tin cậy cho các nghiên cứu mô phỏng mạng thế hệ mới.
  • Định hướng trong 12 tháng tới tập trung mở rộng thuật toán sang mô hình không gian 3 chiều và tích hợp thực địa trên các thiết bị IoT công nghiệp; các kỹ sư và nhà nghiên cứu quan tâm có thể ứng dụng ngay mô hình này để nâng cao hiệu suất hệ thống mạng cảm biến.