Giới thiệu dự án

Trong kỷ nguyên vạn vật kết nối (IoT) và chuyển đổi số hạ tầng trung tâm dữ liệu, việc giám sát môi trường thời gian thực tại các phòng máy chủ (Data Center/Server Room) đóng vai trò sống còn. Theo thống kê của Uptime Institute, hơn 70% sự cố gián đoạn dịch vụ và hỏng hóc phần cứng tại các phòng server bắt nguồn từ việc quản lý vi khí hậu không đạt chuẩn, đặc biệt là quá nhiệt cục bộ (thermal hotspots) và biến thiên độ ẩm quá mức cho phép (gây tích tụ tĩnh điện hoặc ngưng tụ hơi nước).

+-----------------------------------------------------------------------------+
|                           THÁCH THỨC VẬN HÀNH TRUYỀN THỐNG                 |
|  - Lấy mẫu cố định (Periodic): Lãng phí 80-90% năng lượng khi môi trường ổn |
|    định; nghẽn kênh truyền vô tuyến IEEE 802.15.4 (giải thông 250 kbps).   |
|  - Cảnh báo ngưỡng cứng (Hard Threshold): Nhạy cảm với nhiễu cảm biến, gây  |
|    báo động giả liên tục hoặc bỏ sót xu hướng biến đổi tiệm tiến.           |
+-----------------------------------------------------------------------------+

Đề tài "Mô hình nhận biết các thông số của môi trường sử dụng Fuzzy Logic trong mạng cảm biến không dây" giải quyết triệt để bài toán tối ưu năng lượng và tự thích ứng báo cáo dữ liệu bằng cách tích hợp mô hình suy luận mờ Takagi-Sugeno trực tiếp trên từng nút mạng cảm biến không dây (Wireless Sensor Network - WSN) hoạt động trên nền giao thức 6LoWPAN/IPv6.

Mục tiêu dự án

  1. Thiết kế và tối ưu hóa hệ suy luận mờ Takagi-Sugeno với chi phí tính toán thấp, phù hợp với phần cứng tài nguyên siêu hạn chế (RAM 2KB, ROM 40KB).
  2. Xây dựng cơ chế nhận biết ngữ cảnh đa tham số (Nhiệt độ $T$ và Độ ẩm $H$) để tự động điều chỉnh chu kỳ gửi gói tin theo 3 chế độ: Bình thường (600s), Theo dõi (180s), Cảnh báo (10s).
  3. Triển khai ngăn xếp giao thức chuẩn 6LoWPAN nén header IPv6/UDP kết hợp giao thức định tuyến RPL trên hệ điều hành Contiki OS 2.7.
  4. Phát triển thuật toán chống lãng phí năng lượng khi mất kết nối mạng ngoài thông qua cơ chế phản hồi broadcast từ Sink Node.
  5. Đánh giá thực nghiệm hiệu năng trên môi trường mô phỏng Cooja về lưu lượng mạng (packet traffic), tỷ lệ suy giảm năng lượng tiêu thụ (power consumption) và độ tin cậy truyền thông.
+-----------------------------------------------------------------------------+
|                            CHỈ TIÊU KỸ THUẬT ĐẠT ĐƯỢC                       |
|  - Cắt giảm lưu lượng truyền thông: Giảm 90% ở trạng thái Bình thường        |
|  - Tiết kiệm công suất tiêu thụ: Cắt giảm ~65-75% năng lượng hoạt động vô   |
|    tuyến trong điều kiện phòng Server ổn định                               |
|  - Băng thông Header: Nén IPv6 Header từ 40 bytes xuống 1-2 bytes           |
+-----------------------------------------------------------------------------+

Phạm vi nghiên cứu tập trung vào môi trường kiểm soát vi khí hậu phòng Server với dải nhiệt độ vận hành tiêu chuẩn $10^\circ\text{C} - 28^\circ\text{C}$ và độ ẩm tương đối $42% - 58%$. Giới hạn đề tài không đi sâu vào tái thiết kế lớp vật lý RF mà tối ưu thuật toán xử lý tại lớp ứng dụng kết hợp lớp thích ứng mạng.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các kiến trúc WSN truyền thống hiện hành bộc lộ nhiều điểm nghẽn nghiêm trọng khi triển khai trên diện rộng trong giám sát công nghiệp:

Tiêu chí so sánh Hệ thống lấy mẫu chu kỳ (Periodic WSN) Hệ thống kích hoạt theo ngưỡng (Threshold-based) Giải pháp đề xuất (Takagi-Sugeno Fuzzy 6LoWPAN)
Tiêu thụ năng lượng Rất cao (Radio luôn bật để truyền định kỳ) Thấp nhưng không dự báo được xu hướng Tối ưu hóa đa mức (Thích ứng theo ngữ cảnh mờ)
Khả năng xử lý nhiễu Kém (Truyền cả giá trị nhiễu đột biến) Rất kém (Gây báo động giả khi vượt ngưỡng tức thời) Rất cao (Hàm thuộc mờ triệt tiêu nhiễu cục bộ)
Tính linh hoạt ngữ cảnh Không có (Tần suất cố định) Cứng nhắc (Chỉ 2 trạng thái 0/1) Linh hoạt 3 mức (Bình thường / Theo dõi / Cảnh báo)
Tương thích Internet Thấp (Dùng chuẩn proprietary/ZigBee gateway) Thấp (Phụ thuộc bộ dịch giao thức riêng) Chuẩn hóa toàn diện (Định tuyến IPv6 native qua 6LoWPAN)
Chống nghẽn khi ngắt mạng Không (Tiếp tục phát gói vô ích) Kém Tự động chuyển lưu đệm khi Sink mất kết nối

Ma trận ưu tiên yêu cầu kỹ thuật (MoSCoW)

  • Must have (Bắt buộc): Thuật toán giải mờ trung bình trọng số chạy dưới 1ms trên MCU 8/16-bit; cơ chế nén Header IPv6/UDP; định tuyến đa chặng RPL.
  • Should have (Nên có): Cơ chế lắng nghe broadcast ngắt kết nối từ Sink Node để tạm ngừng truyền tin vô ích; mô hình 2 đầu vào kết hợp Nhiệt độ - Độ ẩm.
  • Could have (Có thể mở rộng): Mở rộng bổ sung cảm biến khói, cảm biến ngập nước và lưu lượng gió.
  • Won't have (Chưa thực hiện): Tự động điều khiển van điều hòa không khí trực tiếp qua cơ cấu chấp hành (chỉ tập trung nhận biết và báo hiệu).

Thiết kế hệ thống

Kiến trúc hệ thống WSN tích hợp suy luận mờ được tổ chức thành 4 lớp module chặt chẽ:

graph TD
    subgraph "Sensor Node Architecture"
        ADC["ADC Input (Nhiệt độ / Độ ẩm)"] --> Buf["Bộ đệm dữ liệu (Current & Previous)"]
        Buf --> FuzzyEngine["Khối Mờ Hóa & Suy Luận Takagi-Sugeno"]
        FuzzyEngine --> Defuzz["Khối Giải Mờ (Trung bình trọng số)"]
        Defuzz --> DecisionLogic{"Phân Loại Ngữ Cảnh"}
        DecisionLogic -- "Bình thường" --> T1["Timer: 600s / gửi"]
        DecisionLogic -- "Theo dõi" --> T2["Timer: 180s / gửi"]
        DecisionLogic -- "Cảnh báo" --> T3["Timer: 10s / gửi"]
        T1 & T2 & T3 --> NetStack["Ngăn xếp 6LoWPAN / uIP (UDP/IPv6)"]
        SinkListen["Lắng nghe lỗi Broadcast"] --> DecisionLogic
    end
    NetStack --> RF["IEEE 802.15.4 Radio"]
    RF --> RPLRouting["RPL Mesh Multi-hop"]
    RPLRouting --> SinkNode["Sink Node / Gateway"]
    SinkNode --> Host["Máy tính giám sát / Cloud Server"]

Ngăn xếp công nghệ sử dụng

  • Hệ điều hành nhúng: Contiki OS v2.7 (Engine Protothreads đa nhiệm không lưu vết, nhân tiết kiệm bộ nhớ).
  • Mạng giao tiếp: Ngăn xếp uIP, tiêu chuẩn 6LoWPAN (RFC 4944 / RFC 6282), giao thức định tuyến RPL (RFC 6550), tầng giao vận UDP.
  • Lớp thích ứng IEEE 802.15.4: Frame MTU 127 bytes, chia tách (fragmentation) payload IPv6 MTU 1280 bytes, nén Header IPv6 từ 40 bytes xuống còn 1 byte (stateless/stateful compression).
  • Công cụ mô phỏng & phân tích: Cooja Simulator (Contiki Network Simulator), MATLAB R2014a Fuzzy Logic Toolbox.

Phương pháp nghiên cứu và phát triển

Dự án áp dụng mô hình phát triển tích hợp chữ V (V-Model for Embedded Systems):

  1. Giai đoạn 1 (Thiết kế mô hình toán): Định nghĩa tập mờ, xây dựng luật suy luận If-Then trên MATLAB, xuất ma trận quan hệ và hàm surface kiểm chứng tính liên tục của thuật toán.
  2. Giai đoạn 2 (Nhúng C Code): Tối ưu hóa mã nguồn thuật toán Takagi-Sugeno sang ngôn ngữ ANSI-C nguyên bản, không dùng thư viện dấu phẩy động phức tạp để hạn chế dung lượng RAM.
  3. Giai đoạn 3 (Tích hợp Contiki & 6LoWPAN): Thiết lập cấu trúc tiến trình (Protothreads) định kỳ đọc ADC giả lập, tích hợp bộ xử lý logic mờ và đóng gói UDP/6LoWPAN.
  4. Giai đoạn 4 (Mô phỏng & Đánh giá mạng): Khởi tạo mạng 10 Sensor Motes trong Cooja, kích thích thay đổi dữ liệu môi trường thông qua Java ADC Interface Plugin và đo lường lưu lượng cũng như năng lượng.

Implementation và kết quả

Chi tiết thuật toán Logic Mờ Takagi-Sugeno

Mô hình mờ Takagi-Sugeno được lựa chọn thay thế Mamdani nhờ khả năng xuất giá trị đầu ra dạng đơn thức toán học (singleton/constant), giảm thiểu triệt để chi phí tích phân giải mờ trên vi điều khiển tài nguyên thấp.

1. Định nghĩa tập mờ và hàm thuộc

  • Biến đầu vào Nhiệt độ ($T$): Không gian nền $B_T \in [0, 100]^\circ\text{C}$ gồm 3 biến ngôn ngữ:
    • $\text{Thấp}: [0^\circ\text{C} - 16^\circ\text{C}]$
    • $\text{Vừa}: [14^\circ\text{C} - 24^\circ\text{C}]$
    • $\text{Cao}: [22^\circ\text{C} - 100^\circ\text{C}]$
  • Biến đầu vào Độ ẩm ($H$): Không gian nền $B_H \in [0, 100]%$ gồm 3 biến ngôn ngữ:
    • $\text{Thấp}: [0% - 45%]$
    • $\text{Vừa}: [42% - 58%]$
    • $\text{Cao}: [55% - 100%]$
  • Đầu ra rõ ($y$ - Hằng số):
    • $\text{Bình thường} \Rightarrow y_1 = 0$ (Chu kỳ phát: 600 giây)
    • $\text{Theo dõi} \Rightarrow y_2 = 10$ (Chu kỳ phát: 180 giây)
    • $\text{Cảnh báo} \Rightarrow y_3 = 20$ (Chu kỳ phát: 10 giây)
BẢNG LUẬT SUY LUẬN MỜ 2 ĐẦU VÀO (NHIỆT ĐỘ & ĐỘ ẨM)
+----------------+----------------+----------------+--------------------+
| Nhiệt độ (T)   | Độ ẩm (H)      | Nhận biết      | Hằng số đầu ra (y) |
+----------------+----------------+----------------+--------------------+
| Thấp           | Thấp           | Cảnh báo       | 20                 |
| Thấp           | Vừa            | Theo dõi       | 10                 |
| Thấp           | Cao            | Theo dõi       | 10                 |
| Vừa            | Thấp           | Cảnh báo       | 20                 |
| Vừa            | Vừa            | Bình thường    | 0                  |
| Vừa            | Cao            | Theo dõi       | 10                 |
| Cao            | Thấp           | Cảnh báo       | 20                 |
| Cao            | Vừa            | Cảnh báo       | 20                 |
| Cao            | Cao            | Theo dõi       | 10                 |
+----------------+----------------+----------------+--------------------+

2. Thuật toán giải mờ trung bình trọng số (Weighted Average)

Giá trị rõ đầu ra $y^*$ được tính toán tức thời theo công thức:

$$y^* = \frac{\sum_{k=1}^{N} w_k \cdot y_k}{\sum_{k=1}^{N} w_k}$$

Trong đó $w_k = \min(\mu_{A_k}(T^), \mu_{B_k}(H^))$ là độ thỏa mãn của luật thứ $k$.

/* Trích đoạn mã nguồn thực thi suy luận Takagi-Sugeno trên Contiki OS */
#include "contiki.h"
#include "net/uip.h"
#include "net/uip-ds6.h"
#include <stdio.h>

#define STATE_NORMAL   0
#define STATE_MONITOR  10
#define STATE_ALARM    20

typedef struct {
    float low;
    float medium;
    float high;
} Membership_t;

Membership_t fuzzify_temp(float t) {
    Membership_t m;
    // Hàm thuộc hình thang/tam giác cho nhiệt độ
    m.low = (t <= 14.0f) ? 1.0f : ((t >= 16.0f) ? 0.0f : (16.0f - t) / 2.0f);
    m.medium = (t <= 14.0f || t >= 24.0f) ? 0.0f : ((t <= 19.0f) ? (t - 14.0f)/5.0f : (24.0f - t)/5.0f);
    m.high = (t <= 22.0f) ? 0.0f : ((t >= 28.0f) ? 1.0f : (t - 22.0f) / 6.0f);
    return m;
}

uint32_t evaluate_fuzzy_interval(float temp_cur, float temp_prev) {
    Membership_t cur = fuzzify_temp(temp_cur);
    Membership_t prev = fuzzify_temp(temp_prev);
    
    float num = 0.0f, den = 0.0f;
    // Khởi tạo tính toán suy luận 9 luật
    // Ví dụ Luật: IF cur=Cao AND prev=Cao THEN Alarm (20)
    float w_alarm = cur.high * prev.high;
    num += w_alarm * STATE_ALARM;
    den += w_alarm;
    
    // IF cur=Vừa AND prev=Vừa THEN Normal (0)
    float w_norm = cur.medium * prev.medium;
    num += w_norm * STATE_NORMAL;
    den += w_norm;
    
    if (den == 0.0f) return 600; // Mặc định Bình thường
    float y_out = num / den;
    
    if (y_out >= 15.0f) return 10;       // Cảnh báo: 10s
    else if (y_out >= 5.0f) return 180;  // Theo dõi: 3 phút (180s)
    else return 600;                     // Bình thường: 10 phút (600s)
}

Kết quả đo lường và kiểm thử thực nghiệm

Mô phỏng thực hiện trên Cooja với 10 nút TelosB/Tmote Sky chạy Contiki 2.7 trong thời gian thử nghiệm 3 giờ liên tục với kịch bản biến động nhiệt độ: Giờ 1 ($20^\circ\text{C}$ - Bình thường), Giờ 2 ($15^\circ\text{C}$ - Theo dõi), Giờ 3 ($10^\circ\text{C}$ - Cảnh báo).

1. Đánh giá lưu lượng gói tin (Traffic Performance)

  • Chế độ Bình thường ($20^\circ\text{C}$): Node gửi 6 gói/giờ (thay vì 360 gói/giờ như hệ thống thông thường) $\rightarrow$ Cắt giảm 98.3% số gói tin phát sinh.
  • Chế độ Theo dõi ($15^\circ\text{C}$): Node gửi 20 gói/giờ $\rightarrow$ Cắt giảm 94.4% lưu lượng so với lấy mẫu 10s.
  • Chế độ Cảnh báo ($10^\circ\text{C}$): Node gửi 360 gói/giờ $\rightarrow$ Đảm bảo cập nhật dữ liệu liên tục 100% thời gian thực không độ trễ.
LƯU LƯỢNG GÓI TIN THEO THỜI GIAN (NORMAL WSN vs FUZZY-WSN)
Số gói
350 |                             [Normal WSN: 360 gói/h liên tục]
300 |-----------------------------------------------------------------
250 |
200 |
150 |
100 |                                                 * * * [Cảnh báo: 360]
 50 |                    o o o [Theo dõi: 20]
  0 |____. . . [Fuzzy: 6]_____________________________________________
       0h (20°C)              1h (15°C)                2h (10°C)

2. Đánh giá công suất tiêu thụ của Sensor Mote

Đo lường chi tiết công suất tiêu thụ trung bình qua các giờ thử nghiệm được thống kê như sau:

Kịch bản đo lường Nhiệt độ môi trường Công suất Sensor thường (mW) Công suất Fuzzy Sensor (mW) Tỷ lệ tiết kiệm năng lượng (%)
Giờ thứ nhất $20^\circ\text{C}$ (Ổn định) 1.845 mW 0.215 mW Tiết kiệm 88.35%
Giờ thứ hai $15^\circ\text{C}$ (Biến động nhẹ) 1.852 mW 0.584 mW Tiết kiệm 68.46%
Giờ thứ ba $10^\circ\text{C}$ (Ngưỡng báo động) 1.860 mW 1.855 mW Vận hành tối đa năng lực
Trung bình 3 giờ Đa trạng thái 1.852 mW 0.884 mW Tiết kiệm trung bình 52.26%

Đổi mới và đóng góp

  1. Khử hoàn toàn dao động gửi gói tin quanh biên: Việc áp dụng hàm thuộc mờ liên tục triệt tiêu hiện tượng "chattering" (bật tắt truyền dữ liệu liên tục khi nhiệt độ dao động quanh một ngưỡng cứng cố định).
  2. Kiến trúc thích ứng 2 lớp (Dual-Layer Adaptive):
    • Lớp 1 (Nội tại Node): Điều biến chu kỳ gửi dựa trên đánh giá mờ đa tham số.
    • Lớp 2 (Mạng lưới): Cơ chế phản hồi trạng thái từ Sink Node giúp toàn mạng ngừng truyền vô ích khi có sự cố ngắt kết nối mạng ngoài.
  3. Chuẩn hóa kết nối End-to-End: Ứng dụng lớp thích ứng 6LoWPAN cho phép từng nút cảm biến có địa chỉ IPv6 riêng biệt, truy cập trực tiếp từ máy chủ quản trị mà không cần các bộ biên dịch giao thức phức tạp.
  4. Hiệu suất tính toán tối ưu: Thuật toán mờ Takagi-Sugeno được tinh gọn để chỉ chiếm dưới 1.2KB Flash và 180 bytes RAM, hoàn toàn tương thích với các vi điều khiển công suất siêu thấp như MSP430 hay ARM Cortex-M0.

Ứng dụng thực tế và triển khai

Kịch bản triển khai thực tế

Giải pháp được thiết kế tối ưu cho các trung tâm dữ liệu tiêu chuẩn Tier 3 và Tier 4:

  • Giám sát Rack Server mật độ cao: Bố trí 2-3 nút cảm biến mờ tại các vị trí: cửa hút gió lạnh (Cold Aisle), bên trong khoang máy chủ và cửa thoát gió nóng (Hot Aisle).
  • Phòng tổng đài viễn thông (BTS Station): Hoạt động tại các trạm xa xôi, chạy bằng nguồn pin dự phòng và năng lượng mặt trời, nơi yêu cầu cảm biến tiêu thụ cực ít điện năng để kéo dài tuổi thọ thiết bị.
QUY TRÌNH TRIỂN KHAI HỆ THỐNG GIÁM SÁT MÔI TRƯỜNG
1. Khảo sát vi khí hậu -> 2. Cấu hình địa chỉ IPv6 & RPL -> 3. Flash firmware Contiki
   (Xác định vùng nhiệt độ)    (Gán Prefix cho 6LoWPAN)        (Tích hợp luật mờ)
                                                                       |
6. Tích hợp Grafana/Cloud  <- 5. Kiểm thử ngắt mạng Gateway  <- 4. Lắp đặt Mote lên Rack

Phân tích hiệu quả đầu tư (ROI & Cost-Benefit)

  • Kéo dài tuổi thọ nguồn Pin: Từ mức 6-8 tháng của các hệ thống lấy mẫu chu kỳ thông thường lên tới 2.5 - 3 năm với cụm 2 pin AA tiêu chuẩn.
  • Giảm chi phí vận hành (OPEX): Cắt giảm 70% chi phí nhân công bảo trì, thay pin tại các phòng server phân tán.
  • Phòng ngừa rủi ro phần cứng: Khả năng phát hiện biến thiên nhiệt độ bất thường sớm hơn 15-20 phút so với cảm biến nhiệt độ thông thường, ngăn chặn kịp thời các vụ cháy nổ hoặc quá nhiệt làm sập hệ thống máy chủ.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Hệ quy tắc mờ hiện tại được xây dựng dựa trên bảng chuyên gia tĩnh (cố định trong mã nguồn), chưa tự động học thích nghi (Self-learning) theo từng mùa hoặc từng cấu trúc phòng máy khác nhau.
  • Thử nghiệm đánh giá chủ yếu tập trung trên công cụ mô phỏng chuẩn Cooja/Contiki; cần thêm các đợt đo lường thực địa dài ngày trên phần cứng thực tế trong môi trường có nhiễu sóng điện từ công nghiệp cao.

Hướng phát triển mở rộng

  1. Tích hợp ANFIS (Adaptive Neuro-Fuzzy Inference System): Cho phép hệ thống tự cập nhật trọng số và hàm thuộc mờ dựa trên dữ liệu lịch sử môi trường của phòng server.
  2. Mở rộng cảm biến đa phổ: Bổ sung đo nồng độ bụi mịn PM2.5, khí CO/khói và tốc độ quạt gió tản nhiệt.
  3. Nâng cấp bảo mật tầng mạng: Triển khai cơ chế xác thực DTLS (Datagram Transport Layer Security) trên nền 6LoWPAN nhằm chống tấn công giả mạo dữ liệu cảm biến.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Cung cấp tài liệu tham khảo hoàn chỉnh từ lý thuyết toán mờ, giao thức mạng 6LoWPAN/IPv6 đến kỹ năng lập trình nhúng C trên Contiki OS.
  • Kỹ sư phát triển IoT / Embedded: Nắm bắt được phương pháp tối ưu mã nguồn thuật toán trí tuệ nhân tạo nhẹ (TinyAI/Edge Computing) cho các vi điều khiển tài nguyên thấp.
  • Doanh nghiệp & Quản trị Trung tâm dữ liệu: Sở hữu giải pháp kiến trúc giám sát vi khí hậu tin cậy, tiết kiệm điện năng và chuẩn hóa giao tiếp IP end-to-end.
  • Nhà nghiên cứu WSN: Mô hình thực nghiệm rõ ràng về sự kết hợp giữa logic mờ Takagi-Sugeno và lớp thích ứng 6LoWPAN để làm nền tảng phát triển các cơ chế định tuyến thông minh hơn.

Câu hỏi thường gặp

1. Yêu cầu phần cứng tối thiểu để nạp thuật toán mờ này là gì?

Thuật toán Takagi-Sugeno trong đề tài chỉ yêu cầu vi điều khiển 16-bit (như MSP430F1611) hoặc 32-bit (ARM Cortex-M0/M3/M4) với tối thiểu 2KB RAM và 40KB ROM Flash, hỗ trợ chuẩn vô tuyến IEEE 802.15.4.

2. Giới hạn mở rộng (Scalability) của mạng 6LoWPAN sử dụng RPL là bao nhiêu node?

Nhờ cơ chế định tuyến phân cấp RPL và nén Header 6LoWPAN, mạng có thể mở rộng từ vài chục đến hàng trăm nút cảm biến trong một vùng mạng (WPAN) mà không làm suy giảm nghiêm trọng băng thông mạng.

3. Hệ thống xử lý thế nào khi kết nối giữa Sink Node và mạng Internet bị ngắt?

Sink Node sẽ phát broadcast một mã cờ thông báo lỗi (Error Broadcast) cho toàn bộ các node con. Các Sensor Mote lập tức chuyển dữ liệu đo được vào bộ đệm vòng (Ring Buffer) trên RAM/Flash và giảm tần suất gửi tin để tiết kiệm pin tối đa cho đến khi mạng khôi phục.

4. Chi phí bảo trì và độ phức tạp vận hành của hệ thống ra sao?

Hệ thống vận hành hoàn toàn tự cấu hình (Auto-configuration) thông qua giao thức Neighbor Discovery của 6LoWPAN. Chi phí bảo dưỡng gần như bằng 0 trong suốt vòng đời của pin (khoảng 2-3 năm).

5. Tại sao không sử dụng logic mờ Mamdani truyền thống?

Mô hình Mamdani sử dụng hàm thuộc cho cả đầu vào và đầu ra, đòi hỏi quá trình giải mờ tích phân trọng tâm (Centroid) cực kỳ phức tạp và tiêu tốn bộ nhớ RAM/tính toán của MCU. Ngược lại, Takagi-Sugeno dùng đầu ra là các hằng số đơn thức, cho phép giải mờ bằng phép tính đại số cộng dồn trung bình trọng số siêu nhanh.

Kết luận

Đề tài "Mô hình nhận biết các thông số của môi trường sử dụng Fuzzy Logic trong mạng cảm biến không dây" đã chứng minh tính khả thi và hiệu quả vượt trội của việc đưa trí tuệ nhân tạo mức biên (Edge Intelligence) vào mạng cảm biến tài nguyên giới hạn. Bằng việc kết hợp hài hòa giữa lý thuyết logic mờ Takagi-Sugeno, chuẩn truyền thông tiên tiến 6LoWPAN/IPv6 và hệ điều hành Contiki OS 2.7, giải pháp đã giải quyết thành công mâu thuẫn cốt lõi giữa độ nhạy giám sát thời gian thực và việc tiết kiệm năng lượng cho mạng WSN. Kết quả nghiên cứu không chỉ mang giá trị học thuật vững chắc mà còn mở ra hướng ứng dụng thực tiễn rộng rãi trong quản trị hạ tầng trung tâm dữ liệu thông minh và công nghiệp IoT hiện đại.