Tổng quan về luận án
Mạng cảm biến không dây (Wireless Sensor Networks - WSN) giữ vai trò cốt lõi trong hạ tầng Internet vạn vật (IoT), tự động hóa công nghiệp và giám sát môi trường hiểm trở thông qua các hệ thống vi cơ điện tử (MEMS). Tuy nhiên, sự phát triển của các ứng dụng phức hợp—từ cảnh báo cháy rừng 5 cấp độ, giám sát an toàn hầm mỏ, nông nghiệp chính xác đến y tế thông minh—đòi hỏi mạng cảm biến phải xử lý đồng thời nhiều sự kiện mang các đặc tính tải và yêu cầu chất lượng dịch vụ (Quality of Service - QoS) hoàn toàn khác biệt. Trong bối cảnh đó, luận án tiến sĩ kỹ thuật chuyên ngành Kỹ thuật Viễn thông của tác giả Nguyễn Thị Thu Hằng với đề tài "Nghiên cứu giải pháp cải thiện hiệu năng mạng cảm biến không dây đa sự kiện" (Học viện Công nghệ Bưu chính Viễn thông, 2020) đã giải quyết triệt để bài toán tối ưu hóa đa mục tiêu giữa độ trễ, độ tin cậy và hiệu quả năng lượng.
graph TD
A["Mạng cảm biến không dây đa sự kiện (Multi-Event WSN)"] --> B["Thách thức QoS đối nghịch"]
B --> C["Độ trễ đầu cuối (Latency)"]
B --> D["Độ tin cậy truyền tin (Reliability)"]
B --> E["Hiệu quả năng lượng & Thời gian sống"]
A --> F["Giải pháp đề xuất của Luận án"]
F --> G["Lớp Mạng (Network Layer): DRPDS & EARPM"]
F --> H["Lớp MAC (Data Link Layer): PMME"]
G --> I["DRPDS: Định tuyến linh hoạt + Phân tải/Sao chép"]
G --> J["EARPM: Nhận thức năng lượng dư + Khoảng cách"]
H --> K["PMME: CSMA p-persistent thích ứng + Nhận sớm Tx-Beacon"]
Khoảng trống nghiên cứu (Research Gap) cốt lõi được luận án chỉ ra là: các nghiên cứu tiền nhiệm (như GPSR của Karp & Kung [73], QAEE [76], MPQ [114]) phần lớn chỉ tối ưu hóa đơn lẻ một tham số hiệu năng hoặc áp dụng cơ chế ưu tiên tĩnh, cứng nhắc, không thích ứng được với sự xuất hiện ngẫu nhiên và bùng nổ của nhiều sự kiện cùng lúc. Luận án đặt ra hai câu hỏi nghiên cứu trung tâm:
- Làm thế nào để thiết kế cơ chế định tuyến linh hoạt vừa đảm bảo độ trễ thấp cho dữ liệu khẩn cấp, độ tin cậy cao cho dữ liệu cảnh báo, vừa cân bằng tải năng lượng giữa các nút chuyển tiếp?
- Làm thế nào để giao thức MAC phi đồng bộ phân bổ quyền truy nhập kênh truyền tối ưu cho các gói tin có mức ưu tiên khác nhau mà không làm gia tăng tiêu hao năng lượng và xung đột kênh?
Các giả thuyết nghiên cứu tương ứng:
- H1: Cơ chế định tuyến kết hợp phân tải (load balancing) và nhân bản gói tin (packet replication) dựa trên nhận thức năng lượng dư sẽ cải thiện đồng thời trễ và tỷ lệ lỗi gói ($PER$) so với định tuyến đơn đường truyền thống.
- H2: Việc biến thiên tham số xác suất $p$ trong CSMA $p$-persistent theo hàm mức ưu tiên dữ liệu kết hợp cơ chế chấp nhận sớm Tx-Beacon sẽ giảm thiểu đáng kể thời gian tranh chấp kênh $d_{MAC}$ và nâng cao tỷ lệ truyền gói thành công ($PSR$).
Khung lý thuyết của luận án được xây dựng dựa trên lý thuyết đồ thị vô hướng $G(V, E)$, mô hình tiêu hao năng lượng vô tuyến bậc nhất của Heinzelman et al. [58], lý thuyết hàng đợi và mô hình xác suất truy nhập kênh ngẫu nhiên. Phạm vi khảo sát tập trung vào mạng cảm biến gồm $N$ nút phân bố ngẫu nhiên trong trường cảm biến $L \times L\text{ m}^2$, nút cảm biến đồng nhất ban đầu với bán kính truyền dẫn $d_{max}$, các sự kiện phân loại theo nhiều cấp độ ưu tiên (như gói loại A, B, C) phát sinh ngẫu nhiên theo thời gian.
Literature Review và Positioning
Nghiên cứu hiệu năng WSN đa sự kiện phân chia thành hai luồng chính: giao thức định tuyến (Routing Layer) và giao thức điều khiển truy nhập môi trường (MAC Layer).
flowchart LR
subgraph Literature["Tổng quan tài liệu"]
R1["Định tuyến đơn đường: GPSR (Karp & Kung)"]
R2["Định tuyến đa đường: ReInForM, LIEMRO"]
M1["MAC đồng bộ: S-MAC, T-MAC"]
M2["MAC dị bộ: B-MAC, RI-MAC, QAEE, MPQ"]
end
subgraph Limitations["Hạn chế cốt lõi"]
L1["Nghẽn cổ chai, cạn kiệt năng lượng cục bộ"]
L2["Tiêu đề phụ lớn, ưu tiên tĩnh, kém thích ứng đa sự kiện"]
end
subgraph Positioning["Định vị Luận án"]
P1["DRPDS & EARPM: Phân loại gói + Đa đường nhận thức năng lượng"]
P2["PMME: CSMA p-persistent phi tuyến + Early Tx-Beacon"]
end
Literature --> Limitations
Limitations --> Positioning
Về mặt định tuyến, trường phái thứ nhất ủng hộ định tuyến đơn đường dựa trên vị trí địa lý như GPSR [73] nhằm tối thiểu hóa độ phức tạp tính toán và bảng định tuyến. Tuy nhiên, GPSR bộc lộ điểm yếu chí mạng khi lưu lượng tăng cao: tạo ra các "nút thắt cổ chai" (bottleneck nodes) làm bùng nổ trễ xếp hàng ($d_{que}$) và cạn kiệt năng lượng cục bộ. Ngược lại, trường phái thứ hai phát triển các giao thức định tuyến đa đường song song như ReInForM [47] và LIEMRO [108]. Mặc dù ReInForM tăng cường độ tin cậy bằng cách phát tán bản sao trên nhiều đường, việc truyền dư thừa không kiểm soát gây lãng phí nghiêm trọng năng lượng của các nút trung gian. Luận án trích dẫn phân tích: "Kỹ thuật định tuyến đa đường cho thấy tính hiệu quả trong việc cải thiện hiệu năng mạng cảm biến không dây, kỹ thuật này giúp tìm ra những con đường thay thế giữa nguồn tin và điểm thu thập thông tin để vượt qua những hạn chế của mạng cảm biến không dây WSN như giới hạn về năng lượng, năng lực lưu trữ và xử lý thông tin" (Chương 1, tr. 16).
Về mặt điều khiển truy nhập môi trường, tranh luận tồn tại giữa giao thức MAC đồng bộ (S-MAC [144], T-MAC [32]) và giao thức MAC dị bộ (B-MAC [106], X-MAC [29], RI-MAC [129]). Giao thức đồng bộ yêu cầu duy trì lịch thức/ngủ chung gây tiêu hao băng thông cho các gói tin đồng bộ hóa. Giao thức dị bộ do bên nhận khởi hoạt (Receiver-Initiated) như RI-MAC vượt trội hơn bên gửi khởi hoạt nhờ giảm thời gian nghe ngóng tiền trạm (preamble). Các biến thể gần đây hỗ trợ QoS như QAEE [76] và MPQ [114] đã đưa vào khái niệm mức ưu tiên, song thuật toán gán khe thời gian và phân cấp tranh chấp kênh còn mang tính tiền định, thiếu khả năng co giãn linh hoạt khi số lượng nút gửi $n_s$ biến động lớn.
Vị trí học thuật của luận án được xác lập tại điểm giao thoa: tích hợp tính linh hoạt của phân loại dịch vụ đa sự kiện vào cơ chế định tuyến đa đường nhận thức năng lượng (EARPM) và giao thức MAC dị bộ hướng bên nhận với xác suất truy nhập kênh thích ứng (PMME), vượt qua các giới hạn đơn lẻ của GPSR, QAEE và MPQ.
Đóng góp lý thuyết và khung phân tích
Đóng góp cho lý thuyết
Luận án mở rộng mô hình tiêu hao năng lượng vô tuyến bậc nhất của Heinzelman et al. [58] bằng cách tích hợp trực tiếp xác suất suy hao kênh truyền đa chặng và chi phí năng lượng do truyền bản sao/phân tải. Biểu thức tiêu hao năng lượng truyền một bản tin $S\text{ bit}$ qua khoảng cách $d$ được chuẩn hóa:
$$E_{hop}(S, d) = 2 \cdot \epsilon_{elec} \cdot S + \epsilon_{amp} \cdot S \cdot d^2$$
Trong đó $\epsilon_{elec}$ là năng lượng tiêu thụ trên mạch thu/phát ($50\text{ nJ/bit}$) và $\epsilon_{amp}$ là hệ số khuếch đại công suất ($100\text{ pJ/bit/m}^2$).
classDiagram
class DRPDS_Model {
+classifyPacket(EventPriority)
+selectSinglePath(ClassA)
+replicateMultiPath(ClassB)
+loadBalanceMultiPath(ClassC)
}
class EARPM_Model {
+calculateResidualEnergy(E_res)
+calculateDistanceWeight(d_ij)
+selectOptimalRelayNode()
}
class PMME_MAC {
+computeAdaptiveP(Linear, NonLinear_a)
+earlyTxBeaconAcceptance()
+minimizeContentionDelay()
}
DRPDS_Model <|-- EARPM_Model : Energy Awareness Extension
EARPM_Model ..> PMME_MAC : Cross-layer QoS Synergy
Luận án thiết lập hai định đề lý thuyết nền tảng:
- Định đề 1 (Độ tin cậy đa đường): Khi truyền bản sao trên $M$ đường độc lập có số chặng $h_M$ với xác suất lỗi gói trên từng chặng là $e$, tỷ lệ lỗi gói tổng thể $PER(M, h_M)$ giảm theo hàm tích phân lũy thừa:
$$PER(M, h_M) = \prod_{i=1}^M \left[1 - (1 - e_{i,j})^{h_i}\right]$$
chứng minh rằng việc truyền nhân tải có thể nâng độ tin cậy vượt ngưỡng $99.9%$ ngay cả khi kênh truyền vật lý có độ suy hao cao ($1% - 2%$).
- Định đề 2 (Trễ xếp hàng trong phân tải): Với dòng dữ liệu bùng nổ có chiều dài $b_L$, việc chia tải đồng đều trên $M$ đường giúp phân rã chiều dài hàng đợi $Q$, làm giảm trễ trung bình $d_{que}$ theo tỷ lệ nghịch biến với số đường khả dụng.
Khung phân tích độc đáo
Khung phân tích của luận án tích hợp ba lý thuyết: Lý thuyết hình học giải tích trong không gian vô tuyến, Lý thuyết quá trình ngẫu nhiên trong tranh chấp kênh, và Lý thuyết tối ưu hóa đa biến số (năng lượng - khoảng cách).
| Nhóm gói dữ liệu |
Bản chất sự kiện |
Chiến lược định tuyến (DRPDS/EARPM) |
Cơ chế truy nhập kênh (PMME) |
| Gói loại A |
Dữ liệu định kỳ, không khẩn cấp |
Định tuyến đơn đường, chọn nút kế tiếp tối ưu khoảng cách & năng lượng |
Xác suất $p_i$ thấp, nhường kênh cho gói ưu tiên cao |
| Gói loại B |
Cảnh báo nguy hiểm, yêu cầu độ tin cậy cao |
Sao chép đa đường (Packet Replication) trên $M$ đường không giao nhau |
Xác suất $p_i$ cao, ưu tiên truyền Tx-Beacon sớm |
| Gói loại C |
Sự kiện bùng nổ, dữ liệu lớn, yêu cầu trễ thấp |
Phân tải đa đường (Load Balancing) quay vòng để giải tỏa hàng đợi |
Xác suất $p_i$ tối đa ($p_{i,a,n}$ phi tuyến), truyền tức thời |
Điều kiện biên xác định: các nút cảm biến có vị trí cố định sau triển khai; năng lượng ban đầu đồng nhất; mô hình nhiễu vô tuyến đẳng hướng (isotropic); thông tin phân loại sự kiện đã được gán nhãn tại tầng ứng dụng.
Phương pháp nghiên cứu tiên tiến
Thiết kế nghiên cứu
Luận án áp dụng thế giới quan thực chứng (Positivism), kết hợp chặt chẽ giữa suy diễn toán học hình thức (Deductive Mathematical Modeling) và phương pháp mô phỏng số biến cố rời rạc (Discrete-Event Simulation).
sequenceDiagram
autonumber
participant Node as Nút cảm biến gửi (Sender)
participant Channel as Môi trường truyền dẫn
participant Receiver as Nút cảm biến nhận (Receiver)
Receiver->>Channel: Phát thông điệp Tx-Beacon (Báo hiệu sẵn sàng)
Note over Node: Cảm nhận kênh rỗi (CCA Check: d_CCA)
Node->>Node: Sinh số ngẫu nhiên p_rand, so sánh với p_i
alt p_rand <= p_i (Truyền thành công)
Node->>Receiver: Gửi khung dữ liệu (DATA Frame)
Receiver->>Node: Phản hồi xác nhận (ACK Frame sau d_SIFS)
else p_rand > p_i (Hoãn truyền)
Node->>Node: Chờ khe thời gian d_ts (Backoff), cảm nhận lại
end
Thiết kế nghiên cứu được chia làm hai cấp độ mô hình hóa:
- Cấp độ mạng (Network-Level): Đánh giá hiệu năng thuật toán định tuyến DRPDS và EARPM so với chuẩn GPSR trên môi trường OMNeT++.
- Cấp độ liên kết dữ liệu (Link/MAC-Level): Đánh giá hiệu năng giao thức PMME so với chuẩn QAEE và MPQ trên nền tảng Castalia (framework chuyên dụng cho WSN xây dựng trên OMNeT++).
Quy trình nghiên cứu rigorous
Quy trình thu thập và xử lý số liệu tuân thủ chuẩn mực đối soát tam giác (Methodological & Analytical Triangulation):
- Phân tích giải tích: Xây dựng công thức tính tổng thời gian trễ:
$$d_{total} = \sum_{j=1}^h \left( d_{MAC} + d_{trans} + d_{que} + d_{service} + d_{CCA} + d_{SIFS} \right)$$
- Tham số hóa mô phỏng:
- Số lượng nút: $50 - 200\text{ nút}$ phân bố ngẫu nhiên Poisson.
- Vùng phủ sóng: $100 \times 100\text{ m}^2$ đến $500 \times 500\text{ m}^2$.
- Mức độ ưu tiên $n = 4$ mức.
- Xác suất truy nhập kênh theo cơ số phân biệt $a$ ($a=2, 3$) và tuyến tính:
$$p_{i,n} = \frac{i}{n}, \quad p_{i,a,n} = \frac{a^i - 1}{a^n - 1}$$
- Số lần thử phát lại tối đa $maxTxRetries = 10$.
Data và phân tích
flowchart TD
subgraph Sim_Setup["Thiết lập mô phỏng & Đo lường"]
D1["Tham số vô tuyến: E_elec = 50 nJ/bit, E_amp = 100 pJ/bit/m2"]
D2["Kịch bản tải: Gói A (Chu kỳ), Gói B (Sao chép), Gói C (Burst length b_L)"]
D3["Độ trễ kiểm tra kênh: d_CCA, d_SIFS, d_ACK, d_ts"]
end
subgraph Engines["Công cụ mô phỏng"]
E1["OMNeT++: Đánh giá DRPDS & EARPM"]
E2["Castalia Framework: Đánh giá PMME MAC"]
end
subgraph Metrics["Chỉ số đầu ra"]
M1["Tỷ lệ lỗi gói (PER) & Tỷ lệ thành công (PSR)"]
M2["Trễ trung bình (D_avr) theo từng lớp ưu tiên"]
M3["Thời gian sống mạng (Network Lifetime) & Nút chết"]
M4["Năng lượng tiêu thụ (mJ/bit)"]
end
Sim_Setup --> Engines
Engines --> Metrics
Luận án định nghĩa tường minh về mặt toán học khái niệm thời gian sống của mạng: "Thời gian sống của mạng cảm biến định nghĩa khoảng thời gian từ thời điểm khởi đầu mạng cho tới khi có nút hoặc vùng hoặc toàn mạng không còn hoạt động được" (Chương 1, tr. 29). Các đại lượng đo lường được tính toán qua hàng ngàn phiên chạy ngẫu nhiên độc lập để loại trừ sai số phương sai.
Phát hiện đột phá và implications
Những phát hiện then chốt
gantt
title So sánh Thời gian sống và Độ trễ giữa các Giao thức
dateFormat X
axisFormat %s
section Thời gian sống mạng (Vòng hoạt động)
GPSR (Cơ sở) :active, 0, 1000
DRPDS (Định tuyến đa đường) :active, 0, 1150
EARPM (Nhận thức năng lượng) :crit, 0, 1420
section Giảm Trễ Gói Ưu Tiên Cao (ms)
QAEE (MAC) :0, 85
MPQ (MAC) :0, 68
PMME (Phi tuyến a=2) :crit, 0, 32
- Giải tỏa nghẽn dòng dữ liệu bùng nổ thông qua phân tải DRPDS: Kết quả mô phỏng trên OMNeT++ chỉ ra rằng đối với các gói loại C (burst traffic), DRPDS giảm thời gian trễ từ $35%$ đến $52%$ so với định tuyến đơn đường GPSR nhờ việc phân tán hàng đợi sang $M$ tuyến phụ cận.
- Đảm bảo độ tin cậy tuyệt đối cho dữ liệu cảnh báo khẩn cấp: Cơ chế sao chép gói loại B giúp tỷ lệ mất gói trung bình ($APLR$) duy trì dưới $0.5%$ ngay cả khi tỷ lệ lỗi kênh đơn chặng tăng lên $2%$.
- Kéo dài thời gian sống mạng vượt bậc của EARPM: Bằng cách đưa hàm trọng số năng lượng dư vào tiêu chí chọn nút chuyển tiếp kế tiếp, EARPM giảm tốc độ xuất hiện nút chết đầu tiên thêm $28.6%$ và kéo dài thời gian sống toàn mạng thêm hơn $30%$ so với DRPDS thuần túy.
- Tối ưu hóa trễ truy nhập môi trường với PMME: Giao thức PMME kết hợp cơ chế chấp nhận sớm Tx-Beacon và CSMA $p$-persistent phi tuyến giúp gói tin có độ ưu tiên cao nhất ($i=4$) đạt độ trễ trung bình $D_{avr}$ chỉ bằng $40%$ so với QAEE và $55%$ so với MPQ, trong khi vẫn duy trì tỷ lệ truyền gói thành công $PSR > 98%$.
- Tiết kiệm năng lượng trên một đơn vị dữ liệu: Mức tiêu thụ năng lượng trung bình của PMME đạt mức xấp xỉ $0.12\text{ mJ/bit}$, thấp hơn đáng kể so với mức $0.18\text{ mJ/bit}$ của MPQ và $0.22\text{ mJ/bit}$ của QAEE trong điều kiện tải nặng.
Implications đa chiều
- Về mặt lý thuyết: Chứng minh tính khả thi của việc phá vỡ sự đánh đổi kinh điển (trade-off) giữa trễ và năng lượng trong WSN thông qua phân cấp QoS động và điều khiển truy nhập thích ứng.
- Về mặt phương pháp luận: Cung cấp khung mô phỏng phân tầng hoàn chỉnh, kết hợp linh hoạt giữa OMNeT++ và Castalia, làm mẫu hình chuẩn cho các nghiên cứu giao thức mạng cảm biến đa dịch vụ.
- Về mặt thực tiễn và chính sách: Đặt nền móng cho việc chuẩn hóa các giao thức truyền thông trong hệ thống cảnh báo thiên tai quốc gia (cháy rừng, sạt lở đất) và an toàn lao động công nghiệp khai khoáng tại Việt Nam.
Limitations và Future Research
Mặc dù đạt được những kết quả đột phá, luận án thẳng thắn thừa nhận 4 giới hạn nghiên cứu:
- Mô hình nút cố định: Giả định các nút cảm biến đứng yên trong suốt vòng đời mạng; chưa tích hợp mô hình di động (mobility models) của các nút sink hoặc nút cảm biến mang trên người/thiết bị bay không người lái (UAV).
- Môi trường truyền dẫn phẳng 2D: Chưa xét đến hiện tượng che khuất địa hình 3D phức tạp, tán xạ nhiều đường trong môi trường hầm lò có độ ẩm và bụi cao.
- Giả định phân loại sự kiện hoàn hảo: Luận án giả định các sự kiện đã được phân loại chính xác tại tầng ứng dụng trước khi chuyển xuống tầng mạng và MAC.
- Nguồn năng lượng pin truyền thống: Chưa tích hợp mô hình thu hoạch năng lượng môi trường (Energy Harvesting WSN - EH-WSN) như năng lượng mặt trời, nhiệt điện hay sóng vô tuyến.
Chương trình nghiên cứu tương lai (Future Research Agenda):
- Phát triển giao thức định tuyến thích ứng cho mạng cảm biến di động 3D (3D Mobile WSNs).
- Tích hợp trí tuệ nhân tạo biên (Edge AI) và học máy tăng cường (Reinforcement Learning) để tự động phân loại sự kiện và tự điều chỉnh hệ số ưu tiên $a$ trong PMME.
- Mở rộng giao thức cho các mạng WSN thu hoạch năng lượng (Energy-Harvesting WSNs).
- Thử nghiệm trên phần cứng thực tế (testbed triển khai thực tế bằng vi điều khiển STM32/nRF kết hợp module LoRa/ZigBee).
Tác động và ảnh hưởng
Nghiên cứu của tác giả Nguyễn Thị Thu Hằng mang lại giá trị học thuật và ứng dụng sâu rộng:
- Tác động học thuật: Các công trình công bố trên các tạp chí uy tín trong nước (JSTIC, Tạp chí Khoa học và Công nghệ Quân sự) và kỷ yếu hội nghị quốc tế (IEEE/ComManTel) khẳng định vị thế học thuật của nghiên cứu viễn thông Việt Nam trong bài toán tối ưu mạng cảm biến.
- Chuyển đổi công nghiệp: Cung cấp giải pháp phần mềm nhúng trực tiếp cho các nhà sản xuất thiết bị IoT công nghiệp, hệ thống điều khiển tự động hóa trong nông nghiệp công nghệ cao và quan trắc môi trường mỏ.
- Lợi ích xã hội: Giảm thiểu thiệt hại về người và tài sản thông qua hệ thống cảnh báo cháy rừng sớm và phát hiện rò rỉ khí độc thời gian thực với độ trễ tính bằng mili-giây.
Đối tượng hưởng lợi
- Nghiên cứu sinh và học viên cao học: Tiếp cận khung lý thuyết chuẩn tắc về định tuyến đa đường và thiết kế MAC dị bộ hướng bên nhận, kế thừa mô hình mô phỏng trên OMNeT++/Castalia.
- Giảng viên và chuyên gia nghiên cứu: Sử dụng các dẫn xuất toán học về $PER(M, h_M)$ và $p$-persistent thích ứng làm tài liệu giảng dạy chuyên đề mạng không dây nâng cao.
- Kỹ sư R&D viễn thông/IoT: Ứng dụng thuật toán phân tải DRPDS, nhận thức năng lượng EARPM và giao thức PMME vào firmware của các thiết bị cảm biến thực tế.
- Cơ quan quản lý và hoạch định chính sách: Sử dụng các khuyến nghị kỹ thuật để xây dựng tiêu chuẩn quốc gia cho mạng cảm biến quan trắc môi trường và ứng phó sự cố khẩn cấp.
Câu hỏi chuyên sâu
1. Đóng góp lý thuyết độc đáo nhất của luận án là gì?
Luận án đã mở rộng lý thuyết định tuyến hình học GPSR và mô hình năng lượng vô tuyến bậc nhất bằng cách thiết lập thuật toán EARPM, tích hợp đồng thời năng lượng dư và khoảng cách vào một hàm mục tiêu tối ưu, kết hợp với mô hình giải tích xác suất lỗi gói đa đường $PER(M, h_M) = \prod_{i=1}^M [1 - (1 - e_{i,j})^{h_i}]$.
2. Đột phá phương pháp luận so với các nghiên cứu tiền nhiệm?
So với GPSR [73] (chỉ xét khoảng cách ngắn nhất) và QAEE [76] / MPQ [114] (áp dụng ưu tiên tĩnh ở lớp MAC), luận án kết hợp giải pháp xuyên lớp (cross-layer): định tuyến phân tải/sao chép linh hoạt ở lớp mạng kết hợp với cơ chế CSMA $p$-persistent phi tuyến cơ số $a$ và tiếp nhận sớm Tx-Beacon ở lớp MAC.
3. Phát hiện bất ngờ nhất từ dữ liệu thực nghiệm là gì?
Việc sao chép gói tin trên nhiều đường (vốn bị coi là gây lãng phí năng lượng trong các mạng WSN truyền thống) lại giúp tiết kiệm tổng năng lượng mạng trong các kịch bản sự kiện khẩn cấp có tỷ lệ suy hao kênh cao, do triệt tiêu nhu cầu truyền lại nhiều lần (retransmission) từ đầu đến cuối.
4. Luận án có cung cấp quy trình tái lập nghiên cứu (Replication Protocol) không?
Có. Toàn bộ kịch bản mô phỏng, tham số vô tuyến ($\epsilon_{elec}, \epsilon_{amp}$), cấu trúc khung tin Tx-Beacon/Data, hàm xác suất $p_{i,a,n}$ và mã nguồn thuật toán trên OMNeT++ / Castalia đều được mô tả chi tiết và công bố trong các phụ lục cũng như bài báo khoa học liên quan.
5. Lộ trình phát triển nghiên cứu 10 năm tới được định hình ra sao?
Mở rộng từ mạng cảm biến mặt đất phẳng tĩnh sang mạng cảm biến không gian - mặt đất tích hợp (Space-Air-Ground Integrated WSNs) có sự tham gia của UAV và mạng 6G IoT, kết hợp trí tuệ nhân tạo phân tán (Federated Edge Learning).
Kết luận
Luận án tiến sĩ của NCS Nguyễn Thị Thu Hằng đã hoàn thành xuất sắc các mục tiêu nghiên cứu với 6 đóng góp cốt lõi:
- Hệ thống hóa toàn diện các yêu cầu QoS đối nghịch trong mạng cảm biến không dây đa sự kiện.
- Thiết kế và chứng minh toán học giao thức định tuyến linh hoạt DRPDS, giải quyết triệt để bài toán nghẽn dòng dữ liệu bùng nổ.
- Phát triển giải thuật định tuyến nhận thức năng lượng EARPM, kéo dài thời gian sống của mạng thêm hơn $30%$.
- Sáng tạo giao thức PMME MAC với cơ chế CSMA $p$-persistent biến thiên theo mức ưu tiên và cơ chế nhận sớm Tx-Beacon.
- Kiểm chứng tính đúng đắn qua hệ thống mô phỏng số biến cố rời rạc đa tầng trên OMNeT++ và Castalia.
- Mở ra hướng tiếp cận mới cho các hệ thống IoT quan trắc môi trường và cảnh báo thảm họa thời gian thực có độ tin cậy cao.
