Lựa Chọn Tác Vụ Trong Hệ Thống IoT: Ứng Dụng Thuật Toán Động

• Tác giả: Trần Công Thịnh
• Người hướng dẫn: PGS.TS Võ Minh Huân
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Kỹ Thuật Điện Tử
• Đề tài: Thuật Toán Động Để Lựa Chọn Tác Vụ Trong Hệ Thống IoT
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2022
• Địa điểm: Hồ Chí Minh

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• TÓM TẮT
• ABSTRACT
• MỤC LỤC
• DANH MỤC HÌNH
• DANH MỤC BẢNG
• DANH MỤC LƯU ĐỒ
• DANH SÁCH TỪ VIẾT TẮT
• THUẬT NGỮ ANH VIỆT
• 1. CHƯƠNG 1: GIỚI THIỆU CHUNG
• 1.1. Đặt vấn đề
• 1.2. Các nghiên cứu tiêu biểu được công bố
• 1.3. Mục tiêu
• 1.4. Nhiệm vụ và giới hạn
• 1.4.1. Nhiệm vụ
• 1.4.2. Giới hạn phạm vi nghiên cứu
• 1.5. Phương pháp nghiên cứu
• 1.6. Tóm tắt các chương
• 2. CHƯƠNG 2: TỔNG QUAN
• 2.1. Các nghiên cứu và ứng dụng liên quan
• 2.1.1. Giảm chất lượng của thiết bị đầu cuối
• 2.1.2. Phương pháp lập lịch trình
• 2.1.2.1. Thuật toán LSA
• 3. CHƯƠNG 3: MẠNG CẢM BIẾN KHÔNG DÂY VÀ NƠ-RON TRONG INTERNET OF THINGS
• 3.1. MẠNG CẢM BIẾN KHÔNG DÂY TRONG IOTS
• 3.1.1. Giới thiệu Internet of Things (IoTs)
• 3.1.2. Giới thiệu về mạng cảm biến không dây (WSNs)
• 3.1.3. Một số công nghệ không dây
• 3.1.4. Các ứng dụng của mạng cảm biến không dây
• 3.2. LORA – LONG RANGE (LOW-POWER WIDE-AREA NETWORK)
• 3.2.1. Giới thiệu về LoRa
• 3.2.2. Đặc tính nổi bật
• 3.2.3. Các mô hình của mạng cảm biến không dây
• 3.3. MẠNG NƠ-RON
• 3.3.1. Giới thiệu về mạng nơ-ron
• 3.3.2. Các thành phần cơ bản của mạng neural
• 3.3.3. Các phương pháp huấn luyện của mạng nơ-ron
• 3.3.4. Cấu trúc của mạng nơ-ron
• 3.3.5. Các ứng dụng thực tế của mạng nơ-ron
• 4. CHƯƠNG 4: THIẾT KẾ HỆ THỐNG
• 4.1. THU THẬP SỐ LIỆU
• 4.2. ĐỀ XUẤT MÔ HÌNH HỆ THỐNG
• 4.3. NĂNG LƯỢNG TIÊU HAO THỰC TẾ CỦA TỪNG TÁC VỤ
• 4.4. THIẾT KẾ BỘ ANN VÀ MÔ PHỎNG
• 4.4.1. Thiết kế ANN
• 4.4.2. Mô phỏng kết quả trên Simulink
• 4.5. THIẾT KẾ MẠCH NÚT CẢM BIẾN
• 5. CHƯƠNG 5: KẾT QUẢ VÀ THẢO LUẬN
• 5.1. ĐỘ CHÍNH XÁC CỦA MẠNG NEURAL
• 5.2. ĐÁNH GIÁ ĐỘ LỆCH CỦA DỮ LIỆU NHIỆT ĐỘ THEO THỜI GIAN
• 5.3. ĐÁNH GIÁ LƯỢNG THÔNG TIN THU THẬP
• 5.4. NĂNG LƯỢNG THU THẬP ĐƯỢC TỪ PIN MẶT TRỜI
• 5.5. NÚT CẢM BIẾN THỬ NGHIỆM KHI HOÀN THIỆN
• 5.6. KẾT QUẢ VỀ MẶT NĂNG LƯỢNG
• 6. CHƯƠNG 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 6.1. Kết luận
• 6.2. HƯỚNG PHÁT TRIỂN
• DANH MỤC HÌNH
• DANH MỤC BẢNG
• DANH MỤC LƯU ĐỒ
• DANH SÁCH TỪ VIẾT TẮT
• THUẬT NGỮ ANH VIỆT

I. Thuật toán động trong IoT và lựa chọn tác vụ hiệu quả

Phần này tập trung phân tích thuật toán động trong IoT và vai trò của nó trong việc lựa chọn tác vụ IoT hiệu quả. Luận văn đề cập đến việc sử dụng mạng nơ-ron để dự đoán và lựa chọn tác vụ của nút cảm biến trong hệ thống IoT. Mạng nơ-ron được huấn luyện dựa trên các thông số đầu vào: dung lượng pin, dòng sạc từ pin mặt trời, và độ lệch nhiệt độ môi trường. Thuật toán này nhắm đến việc tối ưu hóa tiêu thụ năng lượng đồng thời đảm bảo chất lượng dữ liệu thu thập. Khác biệt với các phương pháp truyền thống tập trung vào chế độ ngủ sâu hoặc lập lịch trình tĩnh, thuật toán động này cho phép hệ thống thích ứng tốt hơn với điều kiện môi trường thay đổi. Lựa chọn tác vụ IoT dựa trên dự báo từ mạng nơ-ron, giúp tăng cường hiệu quả thu thập dữ liệu và kéo dài tuổi thọ pin.

1.1. So sánh với các phương pháp truyền thống

Các phương pháp truyền thống thường tập trung vào giảm chất lượng của thiết bị đầu cuối hoặc phương pháp lập lịch trình tĩnh. Ví dụ, thuật toán LSA (Lazy Scheduling Algorithm) tạo lịch trình cố định, không thích ứng với điều kiện thực tế. Phương pháp lập lịch trình này có thể dẫn đến lãng phí năng lượng hoặc mất dữ liệu khi điều kiện môi trường thay đổi. Ngược lại, thuật toán động trong luận văn này khắc phục được nhược điểm này bằng cách liên tục đánh giá tình trạng hệ thống và điều chỉnh lựa chọn tác vụ IoT cho phù hợp. Quản lý tác vụ IoT trở nên linh hoạt hơn, giúp tối ưu hóa cả năng lượng và chất lượng dữ liệu. Việc sử dụng mạng nơ-ron cho phép hệ thống học hỏi và thích nghi từ dữ liệu thời gian thực, dẫn đến hiệu quả cao hơn so với các phương pháp tĩnh. Hiệu quả năng lượng IoT được cải thiện đáng kể nhờ khả năng thích ứng này.

1.2. Ứng dụng của mạng nơ ron trong lựa chọn tác vụ

Luận văn ứng dụng mạng nơ-ron (ANN - Artificial Neural Network) để dự đoán và lựa chọn tác vụ IoT. Mạng nơ-ron được huấn luyện để học mối quan hệ giữa các thông số đầu vào (dung lượng pin, dòng sạc, độ lệch nhiệt độ) và quyết định về việc thực hiện tác vụ. Thuật toán tối ưu IoT này cho phép hệ thống tự động điều chỉnh hoạt động của các nút cảm biến dựa trên tình trạng thực tế. Phân tích dữ liệu IoT từ các cảm biến giúp mạng nơ-ron cải thiện độ chính xác dự đoán theo thời gian. Kiến trúc hệ thống IoT được thiết kế để tối ưu hóa việc xử lý dữ liệu và đưa ra quyết định. Thuật toán phần mềm IoT được tích hợp trên vi điều khiển để đảm bảo khả năng vận hành trong điều kiện nguồn lực hạn chế. Kết quả thực nghiệm cho thấy khả năng dự đoán chính xác của mạng nơ-ron và hiệu quả tối ưu hóa năng lượng của thuật toán động trong việc lựa chọn tác vụ IoT.

II. Tối ưu hóa năng lượng và hiệu suất hệ thống IoT

Phần này tập trung vào việc tối ưu hóa năng lượng IoT và hiệu quả năng lượng IoT. Luận văn đề cập đến việc giảm tiêu thụ năng lượng của các nút cảm biến trong hệ thống IoT mà vẫn đảm bảo chất lượng dữ liệu thu thập. Tối ưu hóa tác vụ IoT được thực hiện thông qua thuật toán động, cho phép hệ thống tự động điều chỉnh hoạt động dựa trên dự đoán từ mạng nơ-ron. Việc sử dụng năng lượng mặt trời làm nguồn cung cấp năng lượng cũng được xem xét. Tiêu thụ năng lượng IoT được giảm thiểu thông qua việc lựa chọn tác vụ một cách thông minh. Hiệu suất hệ thống IoT được đánh giá dựa trên lượng dữ liệu thu thập được và tuổi thọ pin. Kết quả nghiên cứu cho thấy thuật toán động giúp cải thiện cả hai chỉ số này một cách đáng kể.

2.1. Quản lý năng lượng và tuổi thọ pin

Luận văn tập trung vào việc kéo dài tuổi thọ pin của các nút cảm biến. Quản lý năng lượng được thực hiện thông qua thuật toán động và mạng nơ-ron. Hệ thống tự động chuyển đổi giữa các chế độ hoạt động để tối ưu hóa tiêu thụ năng lượng IoT. IoT và quản lý năng lượng là hai khía cạnh quan trọng được kết hợp trong luận văn. Tối ưu hóa năng lượng IoT không chỉ giúp giảm chi phí vận hành mà còn giúp hệ thống hoạt động ổn định và bền vững hơn. Kết quả cho thấy thuật toán này giúp cải thiện đáng kể tuổi thọ pin so với các phương pháp truyền thống. Việc tích hợp nguồn năng lượng mặt trời giúp tăng cường tính bền vững của hệ thống.

2.2. Đánh giá hiệu suất và phân tích dữ liệu

Phân tích hiệu suất IoT được thực hiện dựa trên các chỉ số: lượng dữ liệu thu thập được, tuổi thọ pin, và độ chính xác của dự đoán. Phân tích dữ liệu IoT đóng vai trò quan trọng trong việc đánh giá hiệu quả của thuật toán động. Phần mềm IoT và thuật toán được thiết kế để thu thập và xử lý dữ liệu hiệu quả. Xử lý dữ liệu IoT giúp mạng nơ-ron học hỏi và cải thiện độ chính xác dự đoán. Kết quả cho thấy thuật toán đạt được hiệu suất cao trong việc tối ưu hóa năng lượng và đảm bảo chất lượng dữ liệu. Thuật toán thời gian thực IoT giúp hệ thống phản hồi nhanh chóng và thích ứng tốt với sự thay đổi của môi trường. Quản lý dữ liệu IoT được tối ưu hóa để đảm bảo tính chính xác và hiệu quả.