Tổng quan về luận án
Nghiên cứu giao thức định tuyến tiết kiệm năng lượng cho mạng cảm biến không dây (Wireless Sensor Network - WSN) đại diện cho một trong những bài toán cốt lõi của ngành công nghệ thông tin và truyền thông hiện đại. Luận án tiến sĩ của nghiên cứu sinh Nguyễn Duy Tân, thực hiện dưới sự hướng dẫn khoa học của PGS. Nguyễn Đình Việt tại Trường Đại học Công nghệ, Đại học Quốc gia Hà Nội (2017), tập trung giải quyết triệt để rào cản tài nguyên trên các nút cảm biến độc lập. Trong cấu trúc mạng WSN, các nút cảm biến tích hợp vi cơ điện tử (MEMS), vi mạch tích hợp quy mô rất lớn (VLSI) và bộ thu phát sóng vô tuyến công suất thấp thường được nuôi dưỡng bằng pin AA dung lượng giới hạn khoảng 3000mAh, điện áp 1,5V và không thể sạc bổ sung hoặc thay thế khi đã triển khai trong các môi trường khắc nghiệt như rừng rậm, núi lửa hoặc đáy biển sâu.
+----------------------------------------------------------------------------------------------------+
| BỐI CẢNH NGHIÊN CỨU & KHUNG NĂNG LƯỢNG WSN |
| |
| Nguồn năng lượng giới hạn (Pin AA 3000mAh) ---> Môi trường khắc nghiệt ---> Không thể sạc/thay thế|
| | |
| +----------------------------------+----------------------------------+ |
| | | | |
| v v v |
| [Tiêu thụ Mạch vô tuyến] [Truyền thông đường dài] [Dữ liệu dư thừa/Trùng lặp] |
| - Mạch xử lý & thu phát - Chi phí tỉ lệ d^2 hoặc d^4 - Mật độ dày đặc gây lãng phí |
| - Trạng thái Idle/Active - Hiện tượng thắt nút cổ chai - Nhu cầu nén & tổng hợp DSC |
+----------------------------------------------------------------------------------------------------+
Thực trạng phân tích từ y văn thế giới chỉ ra rằng giao thức định tuyến tầng mạng đóng vai trò chi phối toàn bộ tuổi thọ của hệ thống cảm biến. Mặc dù các nghiên cứu nền tảng như giao thức phân cấp thích ứng năng lượng thấp LEACH (Low-Energy Adaptive Clustering Hierarchy) của Heinzelman và cộng sự hay giao thức thu thập hiệu quả năng lượng PEGASIS (Power-Efficient Gathering in Sensor Information Systems) của Lindsey và Raghavendra đã đặt nền móng cho định tuyến phân cụm, những hạn chế nghiêm trọng vẫn tồn tại. Cụ thể, cơ chế bầu chọn nút cụm trưởng (Cluster Head - CH) ngẫu nhiên của LEACH bỏ qua năng lượng còn lại của nút, dẫn đến nguy cơ các nút cạn kiệt năng lượng sớm; đồng thời việc truyền thông đơn chặng trực tiếp từ CH đến trạm cơ sở (Base Station - BS) ở khoảng cách xa tạo ra sự phân bổ tải không đồng đều. Ngược lại, cấu trúc chuỗi đơn của PEGASIS tuy giảm khoảng cách truyền dẫn nhưng lại gây ra độ trễ tích lũy cực lớn và hiện tượng thắt nút cổ chai tại CH duy nhất.
Luận án xác lập 4 câu hỏi nghiên cứu và hệ thống giả thuyết khoa học tương ứng:
- RQ1: Làm thế nào để thiết lập cơ chế bầu chọn CH phân tán phản ánh chính xác năng lượng dư thừa và vị trí hình học của các nút nhằm loại trừ tình trạng nút chết sớm?
- H1: Một hàm ngưỡng thích ứng tích hợp năng lượng dư thừa trung bình $E_{average}$ và hàm chi phí khoảng cách $f_{criterion}$ sẽ gia tăng thời gian sống của mạng lên ít nhất 20% so với LEACH truyền thống.
- RQ2: Cơ chế nén dữ liệu nào có thể tích hợp dọc theo cấu trúc chuỗi định tuyến để loại bỏ hoàn toàn tính dư thừa không gian mà không làm tăng độ phức tạp tính toán của nút?
- H2: Tích hợp mã nguồn phân tán (Distributed Source Coding - DSC) vào chuỗi truyền thông tuyến tính sẽ giảm tải tiêu thụ năng lượng tối thiểu 10% so với PEGASIS và 40% so với LEACH.
- RQ3: Làm thế nào để khắc phục độ trễ truyền gói tin và phân bố lại năng lượng truyền thông đa chặng trên các mạng diện rộng?
- H3: Phân chia không gian cảm biến theo các cung logic (Sector-Chain) kết hợp cụm trưởng thứ cấp (Secondary Cluster Head - SCH) sẽ tối ưu hóa đường truyền và gia tăng tuổi thọ mạng thêm 15% đến 20%.
- RQ4: Sự kết hợp giữa cấu trúc liên kết cây khung tối thiểu (Minimum Spanning Tree - MST) và cơ chế lập lịch ngủ ảo có thể kéo dài thời gian hoạt động của mạng đến mức nào?
- H4: Tối ưu hóa cây khung phân cấp kết hợp lập lịch luân phiên thức/ngủ trên ô lưới ảo sẽ cải thiện hiệu suất năng lượng trên 60% so với LEACH-C và vượt trội hơn các giao thức cùng hướng như STDC.
Phạm vi thực nghiệm của luận án tập trung trên không gian 2D kích thước $100\text{m} \times 100\text{m}$ với quy mô 100 nút cảm biến phân bố ngẫu nhiên đồng nhất và không đồng nhất, vị trí trạm cơ sở BS được khảo sát linh hoạt tại các tọa độ $(49, 175)$ và $(49, 225)$ nhằm kiểm chứng tính vững của các thuật toán đề xuất trong cả hai kịch bản trạm cơ sở đặt gần và đặt xa mạng.
Literature Review và Positioning
Khảo cứu y văn chuyên sâu cho thấy sự tiến hóa của các giao thức định tuyến WSN trải qua bốn trường phái kiến trúc chính: kiến trúc phẳng (Flat), định tuyến dựa trên vị trí địa lý (Location-based), định tuyến dựa trên chất lượng dịch vụ (QoS-based) và định tuyến phân cấp có thứ bậc (Hierarchical).
Trong trường phái kiến trúc phẳng, các giao thức kinh điển như Flooding và Gossiping bộc lộ điểm yếu cố hữu là hiện tượng bùng nổ lưu lượng (traffic implosion), chồng chéo dữ liệu (data overlap) và mù tài nguyên (resource blindness). Giao thức SPIN (Sensor Protocols for Information via Negotiation) của nhóm tác giả Kulik, Heinzelman và Balakrishnan đã khắc phục việc truyền trùng lặp thông qua cơ chế đàm phán 3 bước (ADV-REQ-DATA), song hạn chế của SPIN là tính đàm phán cục bộ, không đảm bảo dữ liệu đến được các nút xa. Giao thức khuếch tán trực tiếp DD (Directed Diffusion) của Intanagonwiwat và cộng sự thiết lập các đường dốc (gradients) để định tuyến dựa trên dữ liệu yêu cầu (interest), nhưng đòi hỏi chi phí duy trì bảng đệm (interest cache) đáng kể.
+----------------------------------------------------------------------------------------------------+
| TIẾN HÓA CÁC TRƯỜNG PHÁI ĐỊNH TUYẾN WSN |
| |
| [Kiến trúc phẳng] --> Flooding, Gossiping, SPIN (Kulik et al.), DD (Intanagonwiwat et al.) |
| [Định tuyến Địa lý] --> GAF (Xu et al.), GEAR (Yu et al.), SPEED (He et al.) |
| [Định tuyến Phân cấp] --> LEACH (Heinzelman et al.), HEED (Younis & Fahmy), PEGASIS (Lindsey) |
| |
| Debate cốt lõi: Phân cụm ngẫu nhiên xác suất VS. Cân bằng tải tối ưu đa mục tiêu (Năng lượng, Vị trí)|
+----------------------------------------------------------------------------------------------------+
Đối với trường phái định tuyến theo vị trí, giao thức GAF (Geographical Adaptive Fidelity) của Xu, Heidemann và Estrin chia mạng thành các ô lưới ảo và chuyển đổi trạng thái thức/ngủ (discover/active/sleep) nhưng phụ thuộc lớn vào bộ định vị toàn cầu GPS. Giao thức GEAR (Geographical Energy Aware Routing) kết hợp năng lượng còn lại và khoảng cách tới đích thông qua chi phí ước tính (estimated cost) và chi phí học (learning cost), giải quyết bài toán vùng trống trong mạng (holes). Ở khía cạnh chất lượng dịch vụ, giao thức SPEED của T. He và cộng sự duy trì tốc độ truyền thông thời gian thực thông qua thuật toán chuyển tiếp địa lý không xác định phi trạng thái SNGF:
$$\text{SPEED}{ij}(D) = \frac{d(i, D) - d(j, D)}{\text{HopDelay}{ij}}$$
tuy nhiên SPEED hoàn toàn không xem xét đến mức tiêu hao năng lượng của nút trong quyết định định tuyến.
Trường phái định tuyến phân cấp ghi nhận cuộc tranh luận học thuật sâu sắc giữa hai nhánh tiếp cận: phân cụm phân tán dựa trên xác suất và phân cụm tập trung. Giao thức HEED (Hybrid Energy-Efficient Distributed Clustering) của Younis và Fahmy thiết lập chỉ số xác suất:
$$\text{CH}{prob} = \max\left(k{opt} \frac{E_{residual}}{E_{init}}, p_{min}\right)$$
kết hợp chi phí truyền thông nội cụm đa chặng. Tuy nhiên, HEED làm tiêu tốn năng lượng do các gói tin thông báo tạm thời (tentative_CH) và chi phí tái lập cụm lặp đi lặp lại ở mỗi vòng. Giao thức phân cụm tập trung LEACH-C của Muruganathan và cộng sự tối ưu hóa số cụm $k_{opt} \approx 5%$, nhưng việc các nút phải gửi thông tin trạng thái đến BS ở khoảng cách xa tại đầu mỗi chu kỳ tạo ra gánh nặng năng lượng nghiêm trọng.
So sánh với hai nghiên cứu quốc tế điển hình: nghiên cứu của Chi-Tsun Cheng và cộng sự (2011) trên tạp chí IEEE Sensors Journal về thuật toán phân cụm phỏng sinh học đàn côn trùng (Social Insect Colonies) và nghiên cứu giao thức EAP (Energy-Aware Routing Protocol) của Ming Liu và cộng sự (2007) trên tạp chí Sensors, các công trình này chủ yếu giải quyết bài toán cân bằng tải nhưng chưa tích hợp triệt để lý thuyết tổng hợp dữ liệu mờ và mã hóa nén nguồn phân tán DSC.
Vị thế nghiên cứu của luận án được xác lập thông qua việc khắc phục đồng thời ba khiếm khuyết lớn trong y văn:
- Loại bỏ tính ngẫu nhiên thuần túy trong bầu chọn CH của LEACH;
- Khắc phục độ trễ chuỗi dài của PEGASIS bằng phân vùng cung logic và CH thứ cấp;
- Kết hợp cây khung nhỏ nhất MST với nén dữ liệu DSC và lập lịch ngủ trên ô lưới ảo, tạo bước nhảy vọt về hiệu suất sử dụng năng lượng.
Đóng góp lý thuyết và khung phân tích
Đóng góp cho lý thuyết
Luận án mở rộng trực tiếp lý thuyết định tuyến phân cấp của W. Heinzelman, mô hình chuỗi của S. Lindsey và lý thuyết thông tin của Slepian-Wolf thông qua 4 đóng góp lý thuyết nền tảng:
+----------------------------------------------------------------------------------------------------+
| KHUNG PHÂN TÍCH ĐỘC ĐÁO CỦA LUẬN ÁN |
| |
| +--------------------------------------------------------------------------------------------+ |
| | Lý thuyết Tiêu hao Năng lượng Vô tuyến (Friis & Two-Ray Ground) | |
| +----------------------------------------------+---------------------------------------------+ |
| | |
| +----------------------------------------+----------------------------------------+ |
| v v v |
| [Định tuyến Phân cụm Phân tán] [Định tuyến Chuỗi & Cung Chuỗi] [Định tuyến Cây Tối thiểu] |
| - Tiêu chuẩn $E_{average}$ & $d(i,BS)$ - DFCB: Chuỗi nén DSC - DFTBC: Cây MST + DSC |
| - Hàm chi phí gia nhập $f_{criterion}$ - SCBC: Cung logic + Cụm trưởng SCH - SSTBC: Cây MST + Ô lưới |
| lập lịch ngủ ảo |
| +----------------------------------------+----------------------------------------+ |
| | |
| +----------------------------------------------v---------------------------------------------+ |
| | Lý thuyết Bằng chứng Dempster-Shafer & Mã hóa Nguồn Phân tán DSC (Slepian-Wolf) | |
| +--------------------------------------------------------------------------------------------+ |
+----------------------------------------------------------------------------------------------------+
- Mô hình hóa hàm ngưỡng năng lượng thích ứng: Mở rộng công thức tính ngưỡng $T(i)$ truyền thống bằng cách ràng buộc điều kiện nút ứng viên bắt buộc phải có mức năng lượng dư thừa $E_{residual}(i)$ lớn hơn năng lượng trung bình của các nút còn sống trong vòng $E_{average}$, đồng thời tích hợp khoảng cách hình học tới BS để chuẩn hóa xác suất trở thành cụm trưởng.
- Cơ chế hàm chi phí liên kết đa biến: Xây dựng hàm tiêu chuẩn gia nhập cụm $f_{criterion}$ cho phép các nút thành viên tự tối ưu hóa liên kết dựa trên hàm khoảng cách kép (từ nút thành viên đến CH và từ CH đến BS), ngăn chặn hiện tượng quá tải cho các CH nằm ở biên xa.
- Hình thức hóa truyền thông nén trên cấu trúc chuỗi (DFCB): Ứng dụng định lý Slepian-Wolf về mã nguồn phân tán DSC trên trường Galois $GF(2)$, chứng minh rằng việc nén không mất dữ liệu dọc theo chuỗi giảm thiểu số bit truyền dẫn từ bậc tuyến tính xuống cận dưới entropy có điều kiện $H(X|Y)$.
- Mô hình phân vùng cung logic và cụm trưởng kép (SCBC): Thiết lập mô hình toán học phân bổ mạng thành các sector đồng tâm dựa trên góc cực và bán kính, chứng minh sự tồn tại của cụm trưởng thứ hai (SCH) giúp giải phóng hoàn toàn gánh nặng truyền xa cho CH chính.
- Khung lý thuyết cây khung kết hợp lập lịch ngủ (DFTBC & SSTBC): Chứng minh trên đồ thị vô hướng $G(V, E)$ rằng cây khung nhỏ nhất kết hợp ô lưới ảo đảm bảo độ phủ cảm biến tối ưu với năng lượng tiêu thụ tiệm cận mức tối thiểu.
Khung phân tích độc đáo
Khung phân tích của luận án là sự hợp nhất liên ngành giữa ba nền tảng toán học và kỹ thuật:
- Mô hình tiêu hao năng lượng vô tuyến bậc một (First-order Radio Energy Dissipation Model): Năng lượng phát và nhận $q$ bit dữ liệu qua khoảng cách $d$ được tính toán nghiêm ngặt theo mô hình không gian trống Friis ($\epsilon_{friis}$) khi $d < d_{crossover}$ và mô hình hai tia mặt đất ($\epsilon_{amp}$) khi $d \ge d_{crossover}$:
$$E_{TX}(q, d) = \begin{cases}
q \cdot E_{elec} + q \cdot \epsilon_{friis} \cdot d^2, & d < d_{crossover} \
q \cdot E_{elec} + q \cdot \epsilon_{amp} \cdot d^4, & d \ge d_{crossover}
\end{cases}$$
$$E_{RX}(q) = q \cdot E_{elec}$$
$$E_{DA}(q) = q \cdot E_{DA}$$
- Lý thuyết bằng chứng Dempster-Shafer: Sử dụng không gian mẫu nhận thức $\Theta$, hàm khối lượng hiển nhiên $m(A)$, độ đo niềm tin $bel(A)$ và độ đo khả năng $pl(A)$ để mô tả và tổng hợp sự không chắc chắn từ dữ liệu đa cảm biến:
$$bel(A) = \sum_{B \subseteq A} m(B), \quad pl(A) = \sum_{B \cap A \neq \emptyset} m(B)$$
- Mã nguồn phân tán (DSC): Tối ưu hóa việc nén độc lập và giải mã đồng thời hai nguồn dữ liệu tương quan $X$ và $Y$ có khoảng cách Hamming $d_H(X, Y) \le \tau$, triệt tiêu thông tin dư thừa mà không cần trao đổi thông tin cấu hình giữa các nút.
Điều kiện biên của khung phân tích: Áp dụng cho mạng cảm biến 2D tĩnh, nút phát vô tuyến đẳng hướng có khả năng điều chỉnh công suất truyền dẫn, kênh truyền đối xứng và nguồn năng lượng không tái tạo.
Phương pháp nghiên cứu tiên tiến
Thiết kế nghiên cứu
Luận án tuân thủ thế giới quan thực chứng (Positivism Paradigm) với phương pháp luận định lượng thực nghiệm nghiêm ngặt. Nghiên cứu kết hợp giữa mô hình hóa giải tích toán học và mô phỏng mạng sự kiện rời rạc (Discrete-Event Network Simulation) trên công cụ mô phỏng chuẩn công nghiệp NS-2 (Network Simulator Version 2.0).
Thiết kế nghiên cứu đa tầng bao gồm:
- Tầng vật lý & MAC: Mô phỏng các tham số suy hao vô tuyến thực tế, chuẩn IEEE 802.15.4 / ZigBee và giao thức CSMA/CA tránh đụng độ.
- Tầng mạng & Định tuyến: Cài đặt 5 thuật toán đề xuất và 6 giao thức đối chứng (LEACH, LEACH-C, PEGASIS, IEEPB, STDC, HEED).
- Tầng xử lý dữ liệu: Tích hợp các module thuật toán nén DSC và hàm tổng hợp dữ liệu mờ.
Quy trình nghiên cứu rigorous
Quy trình thu thập và xử lý dữ liệu mô phỏng được chuẩn hóa theo các giao thức thực nghiệm chặt chẽ:
- Thiết lập không gian thực nghiệm: 100 nút cảm biến được rải ngẫu nhiên với phân bố đều trên diện tích $100\text{m} \times 100\text{m}$.
- Khởi tạo thông số năng lượng: Năng lượng pin ban đầu $E_{init}$ thiết lập ở các mức chuẩn $0,5\text{J/nút}$ và $2,0\text{J/nút}$.
- Kiểm soát biến số vị trí BS: BS được đặt tại tọa độ $(49, 175)$ (khoảng cách trung bình) và $(49, 225)$ (khoảng cách xa) để đánh giá độ nhạy của các giao thức với khoảng cách truyền thông.
- Đo lường độ tin cậy và tính hợp lệ: Mọi kịch bản mô phỏng được thực hiện lặp lại nhiều lần với các hạt giống ngẫu nhiên (random seeds) khác nhau để loại bỏ sai số ngẫu nhiên, đảm bảo khoảng tin cậy 95%.
+----------------------------------------------------------------------------------------------------+
| QUY TRÌNH THỰC NGHIỆM MÔ PHỎNG NS-2 |
| |
| [Khởi tạo Tô-pô] --> 100 nút phân bố ngẫu nhiên trong vùng 100m x 100m |
| | |
| v |
| [Thiết lập Tham số] -> E_elec = 50 nJ/bit, E_DA = 5 nJ/bit/signal, d_crossover = 87m |
| | E_init = 0.5J - 2.0J, BS tại (49, 175) và (49, 225) |
| v |
| [Thực thi Giao thức]-> Chạy 5 thuật toán đề xuất đối chuẩn với LEACH, LEACH-C, PEGASIS, IEEPB... |
| | |
| v |
| [Đo lường Chỉ số] --> Vòng nút đầu tiên chết (FND), 50% nút chết, Năng lượng tiêu thụ, Thông lượng|
+----------------------------------------------------------------------------------------------------+
Data và phân tích
Các tham số vật lý và toán học cài đặt trong mô phỏng được trích xuất trực tiếp từ luận án:
| Tham số mô phỏng |
Giá trị định lượng |
Diễn giải vật lý |
| Kích thước vùng cảm biến |
$100\text{m} \times 100\text{m}$ |
Vùng phẳng 2D ngẫu nhiên |
| Số lượng nút mạng ($N$) |
100 nút |
Mật độ phân bố dày đặc |
| Vị trí Base Station (BS) |
$(49, 175)$ và $(49, 225)$ |
Trạm cơ sở ngoài vùng mạng |
| Năng lượng khởi tạo ($E_{init}$) |
$0,5\text{J}$ hoặc $2,0\text{J}$ |
Năng lượng pin ban đầu |
| $E_{elec}$ |
$50\text{ nJ/bit}$ |
Năng lượng chạy mạch thu/phát |
| $\epsilon_{friis}$ |
$10\text{ pJ/bit/m}^2$ |
Hệ số khuếch đại không gian tự do |
| $\epsilon_{amp}$ |
$0,0013\text{ pJ/bit/m}^4$ |
Hệ số khuếch đại 2 tia mặt đất |
| $E_{DA}$ |
$5\text{ nJ/bit/signal}$ |
Năng lượng tổng hợp dữ liệu |
| Kích thước gói tin dữ liệu |
2000 bits / 4000 bits |
Dung lượng tải dữ liệu |
| Kích thước gói tin điều khiển |
200 bits |
Gói tin báo hiệu và cấu hình |
| Tỷ lệ cụm tối ưu ($k_{opt}$) |
$5%$ |
Số lượng CH tối ưu |
| Kích thước ô lưới ảo (SSTBC) |
$5\text{m} \times 5\text{m} \to \le 20\text{m} \times 20\text{m}$ |
Phân vùng lập lịch ngủ |
Phát hiện đột phá và implications
Những phát hiện then chốt
Kết quả mô phỏng và phân tích hiệu năng của luận án đã đem lại 5 phát hiện đột phá với các bằng chứng thực nghiệm cụ thể:
+----------------------------------------------------------------------------------------------------+
| TỔNG HỢP CÁC PHÁT HIỆN ĐỘT PHÁ CỦA LUẬN ÁN |
| |
| [Đề xuất 1: Cải tiến LEACH] ---> Tăng tuổi thọ mạng +20% (Khắc phục kiệt quệ nút sớm) |
| [Đề xuất 2: Giao thức DFCB] ---> Tăng tuổi thọ mạng +40% vs LEACH, +10% vs PEGASIS (Nén DSC) |
| [Đề xuất 3: Giao thức SCBC] ---> Tăng tuổi thọ mạng +20% vs PEGASIS, +15% vs IEEPB (Cung logic) |
| [Đề xuất 4: Giao thức DFTBC] ---> Hiệu quả năng lượng +60% vs LEACH-C, +20% vs PEGASIS (Cây MST) |
| [Đề xuất 5: Giao thức SSTBC] ---> Kéo dài tuổi thọ mạng +65% vs LEACH-C, +20% vs PEGASIS (Lưới ngủ)|
+----------------------------------------------------------------------------------------------------+
- Cải tiến giao thức LEACH phân tán: Bằng cách áp dụng điều kiện tiên quyết $E_{residual}(i) > E_{average}$ kết hợp với hàm chi phí liên kết $f_{criterion}(d(P_j, CH_i), d(CH_i, BS))$, giao thức đề xuất đã triệt tiêu hiện tượng các nút có năng lượng thấp bị chọn làm CH. Kết quả thực nghiệm cho thấy thời gian sống của mạng (thời điểm nút đầu tiên chết - FND và 50% nút chết) được kéo dài thêm khoảng 20% so với LEACH tiêu chuẩn.
- Đột phá giao thức DFCB (Data Fusion and Chain-Based): Việc thiết lập chuỗi truyền thông kết hợp nén dữ liệu dọc chuỗi dựa trên mã nguồn phân tán DSC đã chứng minh khả năng nén không mất thông tin, giảm thiểu tối đa số bit truyền dẫn trên mỗi chặng. DFCB kéo dài thời gian sống của mạng thêm khoảng 40% so với LEACH và khoảng 10% so với PEGASIS.
- Đột phá giao thức SCBC (Sector-Chain Based Clustering): Phân chia không gian cảm biến thành các cung logic dựa trên góc tọa độ cực và chỉ định cụm trưởng thứ hai (SCH) phụ trách truyền thông đường dài tới BS. Kết quả mô phỏng kiểm chứng SCBC kéo dài thời gian sống của mạng thêm khoảng 20% so với PEGASIS và khoảng 15% so với IEEPB, đồng thời giảm thiểu đáng kể độ trễ truyền gói tin.
- Đột phá giao thức DFTBC (Data Fusion and Tree-Based Clustering): Thiết lập cấu trúc đồ thị vô hướng $G(V, E)$ cho các nút sống trong cụm $5%$ và xây dựng cây khung nhỏ nhất MST kết hợp nén DSC. DFTBC đạt hiệu quả sử dụng năng lượng vượt trội hơn khoảng 60% so với LEACH-C, 20% so với PEGASIS và 8% so với STDC.
- Đột phá giao thức SSTBC (Sleep Scheduled and Tree-Based Clustering): Tích hợp phân chia ô lưới ảo (kích thước $5\text{m} \times 5\text{m}$ đến $\le 20\text{m} \times 20\text{m}$) bên trong các cụm cây MST. Tại mỗi vòng, chỉ duy trì 1 nút có mức năng lượng cao nhất ở chế độ thức (active), các nút còn lại chuyển sang chế độ ngủ (sleep) và luân phiên vai trò. SSTBC giúp kéo dài thời gian sống của mạng vượt bậc: khoảng 65% so với LEACH-C, khoảng 20% so với PEGASIS và khoảng 12% so với STDC.
Implications đa chiều
- Về mặt lý thuyết: Luận án chứng minh tính khả thi của việc tích hợp lý thuyết thông tin (DSC) và lý thuyết đồ thị (MST) vào mô hình định tuyến phân tầng mạng WSN, đặt nền móng cho các nghiên cứu định tuyến tự thích ứng trong môi trường giới hạn năng lượng khắc nghiệt.
- Về mặt phương pháp luận: Cung cấp khung phương pháp luận kết hợp hoàn chỉnh giữa mô hình giải tích năng lượng vô tuyến và công cụ mô phỏng mạng NS-2, thiết lập chuẩn đối sánh đáng tin cậy cho các thuật toán định tuyến phân cấp.
- Về mặt ứng dụng thực tiễn:
- Giám sát nông nghiệp thông minh và cháy rừng: Các thuật toán SSTBC và DFCB cho phép triển khai hàng ngàn nút cảm biến đo độ ẩm, nhiệt độ và khí $CO_2$ với thời gian hoạt động kéo dài nhiều năm mà không cần bảo trì pin.
- An ninh - Quốc phòng: Kế thừa và hiện đại hóa bài học lịch sử từ hệ thống cảm biến "Igloo White" (1967) dọc đường mòn Hồ Chí Minh, các thuật toán mới cho phép rải cảm biến chấn động, âm thanh giám sát biên giới và trận địa với khả năng kháng nhiễu và bảo toàn năng lượng tối đa.
- Đô thị thông minh (Smart Cities): Quản lý hệ thống chiếu sáng, điều tiết giao thông và quan trắc ô nhiễm không khí đô thị đạt hiệu quả truyền thông cao với chi phí năng lượng thấp nhất.
Limitations và Future Research
Mặc dù đạt được những kết quả xuất sắc, luận án thẳng thắn chỉ rõ các giới hạn học thuật cần tiếp tục hoàn thiện:
- Giả thiết không gian 2D tĩnh: Các thuật toán chủ yếu được tối ưu hóa cho mạng cảm biến tĩnh trên mặt phẳng hai chiều, chưa tính toán độ phức tạp địa hình trong không gian 3D (như mạng cảm biến dưới nước UWSN hoặc mạng cảm biến bay không người lái UAV-WSN).
- Vấn đề đồng bộ thời gian và định vị: Giao thức phân ô lưới ảo SSTBC giả định các nút có nhận thức vị trí địa lý chính xác, điều này có thể phát sinh chi phí phần cứng định vị hoặc sai số tích lũy khi triển khai thực tế.
- Kênh truyền vô tuyến lý tưởng hóa: Mô phỏng sử dụng mô hình suy hao Friis và Two-Ray Ground đối xứng, chưa phản ánh trọn vẹn hiện tượng fading đa đường và che khuất phức tạp trong môi trường công nghiệp dày đặc vật cản.
Chương trình nghiên cứu tương lai (Future Research Agenda) bao gồm:
- Mở rộng các thuật toán DFCB, SCBC và SSTBC sang mạng cảm biến không dây di động (Mobile WSNs) với trạm cơ sở di động (Mobile Sink).
- Ứng dụng thuật toán học tăng cường sâu (Deep Reinforcement Learning) để tối ưu hóa việc phân chia ô lưới ảo và lập lịch ngủ thích ứng theo thời gian thực.
- Tích hợp công nghệ thu hoạch năng lượng môi trường (Energy Harvesting) như quang năng, nhiệt điện để hướng tới mạng cảm biến tự duy trì vĩnh viễn.
Tác động và ảnh hưởng
Luận án của NCS. Nguyễn Duy Tân tạo ra tác động học thuật và công nghệ sâu rộng:
- Ảnh hưởng học thuật: Các bài báo khoa học xuất bản từ luận án trên các tạp chí và kỷ yếu hội thảo uy tín trong nước và quốc tế đã đóng góp dữ liệu thực nghiệm chuẩn mực cho cộng đồng nghiên cứu mạng truyền thông máy tính và hệ thống nhúng.
- Chuyển dịch công nghiệp IoT: Cung cấp giải pháp giao thức lõi sẵn sàng tích hợp vào các vi điều khiển năng lượng thấp, hỗ trợ các doanh nghiệp phát triển thiết bị IoT công nghiệp và cảm biến thông minh (Cognitive sensors).
- Lợi ích xã hội và môi trường: Nâng cao độ chính xác và kéo dài thời gian hoạt động của các hệ thống cảnh báo sớm thiên tai (lũ quét, sạt lở đất, cháy rừng), giảm thiểu rác thải điện tử từ pin cảm biến độc hại thải ra môi trường.
Đối tượng hưởng lợi
+----------------------------------------------------------------------------------------------------+
| CƠ CẤU ĐỐI TƯỢNG HƯỞNG LỢI |
| |
| [Nghiên cứu sinh & Giới Viện - Trường] |
| - Kế thừa khung lý thuyết tích hợp DSC, Dempster-Shafer và Cây MST |
| - Tiếp cận bộ mã nguồn và kịch bản mô phỏng NS-2 chuẩn hóa |
| |
| [Kỹ sư R&D & Doanh nghiệp IoT/Hệ thống nhúng] |
| - Triển khai trực tiếp thuật toán SCBC, SSTBC vào firmware thiết bị ZigBee/802.15.4 |
| - Kéo dài tuổi thọ thiết bị đầu cuối thêm 20% - 65%, giảm 50% chi phí bảo trì thay pin |
| |
| [Cơ quan Quản lý Nhà nước & Xây dựng Đô thị thông minh] |
| - Khung kiến trúc mạng cảm biến bền vững cho hệ thống giám sát môi trường và hạ tầng quốc gia |
+----------------------------------------------------------------------------------------------------+
- Nghiên cứu sinh và học giả chuyên ngành Mạng & Viễn thông: Kế thừa khung lý thuyết tích hợp DSC, Dempster-Shafer và MST; tiếp cận bộ kịch bản mô phỏng NS-2 chuẩn hóa để phát triển các hướng nghiên cứu nâng cao.
- Kỹ sư R&D và Doanh nghiệp Hệ thống nhúng/IoT: Trực tiếp ứng dụng các thuật toán SCBC và SSTBC vào firmware của các thiết bị cảm biến ZigBee / IEEE 802.15.4, giúp tăng tuổi thọ thiết bị thêm 20% đến 65% và cắt giảm trên 50% chi phí vận hành bảo trì thay pin.
- Các cơ quan quản lý nhà nước về tài nguyên, môi trường và quốc phòng: Sở hữu cơ sở khoa học tin cậy để thẩm định và đầu tư các hệ thống quan trắc quốc gia, giám sát an ninh biên giới tự động hóa.
Câu hỏi chuyên sâu
1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?
Luận án đã mở rộng trực tiếp lý thuyết định tuyến phân cấp của W. Heinzelman (2000) và lý thuyết thông tin Slepian-Wolf (1973). Đóng góp độc đáo nhất là việc xây dựng hàm ngưỡng thích ứng tích hợp năng lượng dư thừa trung bình $E_{average}$ kết hợp với kỹ thuật nén dữ liệu không mất thông tin bằng mã nguồn phân tán DSC trên chuỗi và cây, giải quyết triệt để sự mất cân bằng tải năng lượng mà không phát sinh chi phí truyền thông phụ trợ.
2. Đột phá về mặt phương pháp luận của luận án khi so sánh với ít nhất 2 công trình quốc tế cùng thời điểm?
So với nghiên cứu của Khamiss và cộng sự (2014) về phân cụm LEACH-C dựa trên hàm mật độ nút và nghiên cứu của Chi-Tsun Cheng và cộng sự (2011) trên IEEE Sensors Journal về thuật toán phân cụm đàn côn trùng, luận án của NCS. Nguyễn Duy Tân đột phá ở chỗ: không chỉ tối ưu hóa cấu trúc tô-pô hình học thuần túy mà tích hợp đồng thời cơ chế lập lịch ngủ trên ô lưới ảo $\le 20\text{m} \times 20\text{m}$ (SSTBC) và kiến trúc cụm trưởng thứ cấp SCH (SCBC), mang lại hiệu quả vượt trội hơn 60% so với LEACH-C và 20% so với PEGASIS.
3. Phát hiện thực nghiệm nào bất ngờ nhất và bằng chứng dữ liệu hỗ trợ?
Phát hiện bất ngờ nhất là trong giao thức SSTBC, việc thu nhỏ kích thước ô lưới ảo từ $20\text{m} \times 20\text{m}$ xuống $5\text{m} \times 5\text{m}$ kết hợp cây khung nhỏ nhất MST không làm tăng chi phí quản lý mạng mà trái lại, giúp tối đa hóa số nút được đưa vào trạng thái ngủ an toàn, từ đó kéo dài thời gian sống của mạng lên đến 65% so với LEACH-C và 12% so với STDC trong cùng điều kiện thực nghiệm 100 nút.
4. Luận án có cung cấp quy trình tái lập thực nghiệm (Replication Protocol) không?
Hoàn toàn có. Toàn bộ tham số mô phỏng gồm $E_{elec} = 50\text{ nJ/bit}$, $\epsilon_{friis} = 10\text{ pJ/bit/m}^2$, $\epsilon_{amp} = 0,0013\text{ pJ/bit/m}^4$, $E_{DA} = 5\text{ nJ/bit/signal}$, tọa độ BS $(49, 175)$ và $(49, 225)$, kích thước gói tin 2000/4000 bits cùng thuật toán chi tiết từng bước trên NS-2 đều được mô tả tường minh, cho phép tái lập 100% kết quả nghiên cứu.
5. Luận án đã vạch ra chương trình nghiên cứu 10 năm tiếp theo như thế nào?
Luận án định hình lộ trình phát triển tập trung vào: (1) Mở rộng giao thức sang mạng cảm biến không gian 3D và môi trường nước; (2) Tích hợp học máy thích ứng cho nút cảm biến nhận thức phổ tần (Cognitive sensors); (3) Kết hợp giao thức MAC thích ứng năng lượng siêu thấp và thu hoạch năng lượng tái tạo hướng tới mạng cảm biến IoT xanh bền vững.
Kết luận
Luận án tiến sĩ "Nghiên cứu giao thức định tuyến tiết kiệm năng lượng cho mạng sensor" của NCS. Nguyễn Duy Tân là một công trình nghiên cứu khoa học công phu, nghiêm túc và mang tính đột phá cao trong lĩnh vực Mạng máy tính và Hệ thống nhúng.
Sáu đóng góp cụ thể và toàn diện của công trình được đúc kết:
- Hệ thống hóa toàn diện cơ sở lý luận về định tuyến tiết kiệm năng lượng và các giải pháp bảo tồn năng lượng đa tầng trong WSN.
- Cải tiến thành công giao thức phân cụm phân tán LEACH, nâng cao 20% tuổi thọ mạng nhờ hàm ngưỡng năng lượng trung bình $E_{average}$ và hàm chi phí liên kết $f_{criterion}$.
- Phát triển giao thức DFCB, kết hợp hoàn hảo giữa cấu trúc chuỗi dài và mã nguồn phân tán DSC, kéo dài thời gian sống mạng 40% so với LEACH và 10% so với PEGASIS.
- Đề xuất giao thức SCBC đột phá, phân chia cung logic và ứng dụng cụm trưởng thứ cấp SCH, tăng 20% tuổi thọ mạng so với PEGASIS và 15% so với IEEPB.
- Sáng tạo giao thức DFTBC, hợp nhất cấu trúc cây khung nhỏ nhất MST và nén dữ liệu DSC, vượt trội 60% hiệu suất năng lượng so với LEACH-C.
- Hoàn thiện giao thức SSTBC, kết hợp cây khung tối thiểu và cơ chế lập lịch thức/ngủ trên ô lưới ảo, xác lập kỷ lục kéo dài 65% thời gian hoạt động của hệ thống cảm biến.
Công trình không chỉ giải quyết trọn vẹn các thách thức lý thuyết cốt lõi mà còn mở ra các hướng ứng dụng thực tiễn to lớn cho nông nghiệp công nghệ cao, quan trắc môi trường và an ninh quốc gia, khẳng định bước tiến vững chắc của khoa học công nghệ Việt Nam trên bản đồ nghiên cứu quốc tế.
