Thu Thập Dữ Liệu Trong Mạng Cảm Biến Không Dây Sử Dụng Cảm Biến Nén

Khám phá các thuật toán thu thập dữ liệu trong mạng cảm biến không dây sử dụng nén cảm biến để tối ưu hóa hiệu suất và tiết kiệm năng lượng.

• Tác giả: Minh Tuan Nguyen
• Người hướng dẫn: Dr. Teague
• Trường học: University of Transport and Communications
• Chuyên ngành: Electrical Engineering
• Đề tài: Thu Thập Dữ Liệu Trong Mạng Cảm Biến Không Dây Sử Dụng Cảm Biến Nén
• Loại tài liệu: dissertation
• Năm xuất bản: 2015
• Địa điểm: Hanoi

Mục lục chi tiết

• 1. CHAPTER 1: INTRODUCTION
• 2. CHAPTER 2: BACKGROUND AND LITERATURE REVIEW
• 2.1. Wireless Sensor Network Overview
• 3. CHAPTER 3: RANDOM WALK BASED DATA GATHERING IN WIRELESS SENSOR NETWORKS
• 3.2. Background and Problem Formulation
• 3.3. Compressive Sensing Based Random Walk Data Collection Algorithm (CSR)
• 3.3.1. The CSR Algorithm
• 3.3.2. Analysis of the Measurement Matrix: CS Recovery Performance and Network Coverage
• 3.3.3. Analysis of the Trade-off between the Transmission Range and the Random Walk Length
• 3.3.4. Directly Forwarding the CS Measurements to the Base-station (D-CSR)
• 3.4. D-CSR Power Consumption Analysis
• 3.5. D-CSR Simulation Results
• 3.6. Multi-hop Relaying Data from Random Walks to the Base-station (M-CSR)
• 3.6.1. Multi-hop Relaying Data Algorithm
• 3.6.2. M-CSR Power Consumption Analysis
• 3.6.3. M-CSR Simulation Results
• 3.7. Conclusion and Future Work
• 4. CHAPTER 4: CLUSTER BASED DATA COLLECTION IN WIRELESS SENSOR NETWORKS
• 4.2. Block Diagonal Matrices
• 4.3. CCS: Cluster-Based Compressive Sensing for Data Collection in WSNs
• 4.4. Directly Send CS Measurements to the BS (DCCS)
• 4.5. Power Consumption Analysis for DCCS
• 4.6. Simulation Results for DCCS
• 4.7. Inter-cluster Multi-hop Routing in CCS (ICCS)
• 4.8. ICCS Power Consumption Analysis
• 4.9. ICCS Simulation Results
• 4.10. DCT Compression Transmitting only k Large Coefficients
• 4.11. Communication Power Consumption
• 5. CHAPTER 5: TREE-BASED DATA GATHERING IN WIRELESS SENSOR NETWORKS
• 5.2. Tree-base Energy-Efficient Data Gathering (TCS)
• 5.3. Power Consumption Analysis
• 5.4. Conclusions and Future Work
• 6. CHAPTER 6: NEIGHBORHOOD BASED DATA COLLECTION IN WIRELESS SENSOR NETWORKS
• 6.2. Neighborhood Based Data Collection Algorithm (NeiCS)
• 6.3. Power Consumption Analysis
• 6.4. Conclusion and Future Work
• 7. CHAPTER 7: CONCLUSIONS
• BIBLIOGRAPHY
• A RANDOM WALK BASED DATA GATHERING IN WIRELESS SENSOR NETWORKS
• A.1. Additional Analysis for D-CSR to calculate EdtoBS in order to compare with M-CSR

Tóm tắt

I. Tổng Quan Mạng Cảm Biến Không Dây WSN và Thu Thập Dữ Liệu

Mạng cảm biến không dây (WSN) đang ngày càng trở nên quan trọng trong nhiều lĩnh vực ứng dụng thực tế. Các mạng này bao gồm các sensor node nhỏ, chi phí thấp, được triển khai ngẫu nhiên trong một khu vực địa lý để giám sát các điều kiện môi trường (ví dụ: nhiệt độ, độ ẩm, âm thanh, độ rung) hoặc phát hiện các sự kiện (ví dụ: xâm nhập, rò rỉ hóa chất, xe cộ đi qua, phát hiện cháy hoặc lũ lụt). Các cảm biến thường hoạt động bằng pin và giao tiếp không dây trong phạm vi liên lạc, đồng thời có một số khả năng tính toán nhất định. Trong các ứng dụng giám sát, các cảm biến gửi số đọc của chúng đến sink node hoặc base-station (BS) để phân tích hoặc lập bản đồ dữ liệu. Tuổi thọ mạng phụ thuộc vào kết nối cảm biến trong toàn bộ khu vực. Các phương pháp thu thập dữ liệu khác nhau đang được khai thác, tập trung vào cân bằng năng lượng giữa các cảm biến và tiêu tốn ít năng lượng hơn cho việc truyền dữ liệu.

1.1. Ứng Dụng Đa Dạng của Mạng Cảm Biến Không Dây WSN

Mạng cảm biến không dây (WSN) đang được ứng dụng rộng rãi trong nhiều lĩnh vực. Trong lĩnh vực quân sự, cảm biến được triển khai để giám sát chiến trường, theo dõi lực lượng, phát hiện tấn công hạt nhân, sinh học và hóa học, và trinh sát. Trong các ứng dụng môi trường, WSN có thể được triển khai trong rừng để phát hiện hỏa hoạn, phát hiện lũ lụt, theo dõi động vật, lập bản đồ sinh học của môi trường và nông nghiệp chính xác. Trong các ứng dụng sức khỏe, cảm biến có thể được sử dụng để theo dõi bác sĩ và bệnh nhân trong bệnh viện hoặc gửi hành vi của bệnh nhân để được giúp đỡ nếu cần thiết. Các ứng dụng gia đình của cảm biến thu hút rất nhiều sự chú ý với ngôi nhà thông minh hoặc tự động hóa. Hầu hết các thiết bị điện tử trong nhà đều có thể được điều khiển/điều chỉnh với các giải pháp tối ưu.

1.2. Thách Thức trong Thiết Kế Phương Pháp Thu Thập Dữ Liệu WSN

Tiết kiệm năng lượng là một vấn đề quan trọng đối với bất kỳ WSN nào. Nhiều giao thức định tuyến, quản lý năng lượng và phổ biến dữ liệu đã được đề xuất để giảm mức tiêu thụ điện cho các mạng đó. Thông thường, WSN chứa hàng trăm hoặc hàng nghìn cảm biến. Các cảm biến thường được triển khai dày đặc trong một khu vực cảm biến cần được quan sát. Số lượng cảm biến càng lớn, độ chính xác của thông tin quan sát được càng lớn. Chi phí cho mỗi cảm biến thường rất nhỏ do các hạn chế, chẳng hạn như nguồn cung cấp năng lượng hạn chế, sức mạnh tính toán hạn chế và băng thông hạn chế của các liên kết không dây kết nối các sensor node.

II. Giới Thiệu về Cảm Biến Nén Compressed Sensing trong WSN

Cảm biến nén (Compressed Sensing - CS) là một kỹ thuật toán học trong xử lý tín hiệu, tập trung vào việc biểu diễn và tái tạo tín hiệu thông qua lấy mẫu thiếu và tối ưu hóa. CS cho phép lấy mẫu và khôi phục tín hiệu ở tốc độ lấy mẫu thấp hơn so với định lý lấy mẫu Nyquist-Shannon cho phép dựa trên kiến thức về độ thưa thớt của tín hiệu. Vì các số đọc cảm biến trong WSN thường có mối tương quan cao, CS có thể được coi là một khuôn khổ tiềm năng cho việc thu thập dữ liệu trong các mạng đó. Với CS, BS chỉ cần một số lượng nhỏ các phép đo CS được thu thập từ các mạng so với tổng số cảm biến để tái tạo tất cả dữ liệu từ khu vực cảm biến. Các phương pháp thu thập dữ liệu dựa trên CS trong WSN đã được chứng minh là tiết kiệm năng lượng.

2.1. Ưu Điểm của Cảm Biến Nén CS trong Mạng Cảm Biến Không Dây

Cảm biến nén (CS) mang lại nhiều ưu điểm cho mạng cảm biến không dây (WSN). Nó cho phép giảm đáng kể số lượng dữ liệu cần truyền từ các sensor node đến sink node, do đó giảm tiêu thụ năng lượng và kéo dài tuổi thọ mạng. CS cũng có thể cải thiện khả năng phục hồi dữ liệu trong trường hợp mất gói tin, vì nó chỉ cần một số lượng nhỏ phép đo để tái tạo lại toàn bộ tín hiệu. Việc áp dụng CS giúp giải quyết các vấn đề liên quan đến bandwidth hạn chế và hiệu quả năng lượng trong WSN.

2.2. Điều Kiện Ứng Dụng Cảm Biến Nén Hiệu Quả trong WSN

Để cảm biến nén (CS) hoạt động hiệu quả trong WSN, cần đáp ứng một số điều kiện. Dữ liệu cảm biến phải có tính thưa thớt, nghĩa là nó có thể được biểu diễn bằng một số lượng nhỏ các hệ số khác không trong một cơ sở phù hợp (ví dụ: wavelet, DCT). Ngoài ra, cần có một sensing matrix (hoặc measurement matrix) phù hợp để lấy mẫu dữ liệu một cách hiệu quả. Các thuật toán reconstruction algorithms cần phải được thiết kế để tái tạo dữ liệu từ các phép đo CS một cách chính xác và nhanh chóng.

III. Phương Pháp Thu Thập Dữ Liệu Dựa Trên Bước Ngẫu Nhiên CSR

Một trong những phương pháp thu thập dữ liệu dựa trên CS trong WSN là phương pháp dựa trên bước ngẫu nhiên (CS based random walk - CSR). Phương pháp này khai thác tính kết nối ngẫu nhiên giữa các cảm biến trong mạng. Các sensor node thực hiện bước ngẫu nhiên trong mạng, thu thập các phép đo CS dọc theo đường đi của chúng. Các phép đo này sau đó được gửi đến BS để tái tạo lại dữ liệu. CSR có thể cung cấp sự cân bằng tốt giữa hiệu quả năng lượng và độ trễ, nhưng nó cũng có thể gặp phải các vấn đề về độ tin cậy dữ liệu và độ phủ mạng.

3.1. Phân Tích Hiệu Suất Phục Hồi và Độ Phủ Mạng của CSR

Hiệu suất phục hồi của thuật toán CSR phụ thuộc vào nhiều yếu tố, bao gồm độ thưa thớt của dữ liệu, thuộc tính của measurement matrix và độ dài của các bước ngẫu nhiên. Độ phủ mạng cũng là một yếu tố quan trọng, vì nó ảnh hưởng đến số lượng cảm biến được lấy mẫu và do đó ảnh hưởng đến độ chính xác của dữ liệu được phục hồi. Bài báo gốc trình bày phân tích về sự đánh đổi giữa phạm vi truyền dẫn và độ dài bước ngẫu nhiên.

3.2. Ưu và Nhược Điểm của CSR khi Chuyển Tiếp Dữ Liệu Trực Tiếp D CSR

Trong phương pháp chuyển tiếp dữ liệu trực tiếp (Directly Forwarding the CS Measurements to the Base-station - D-CSR), các phép đo CS được thu thập bởi các bước ngẫu nhiên được gửi trực tiếp đến BS. Điều này có thể đơn giản hóa giao thức và giảm độ trễ, nhưng nó cũng có thể tiêu thụ nhiều năng lượng hơn, đặc biệt là đối với các cảm biến ở xa BS. Phân tích mức tiêu thụ năng lượng của D-CSR được cung cấp trong tài liệu gốc, cùng với kết quả mô phỏng.

3.3. Ưu và Nhược Điểm của CSR khi Chuyển Tiếp Dữ Liệu Đa Chặng M CSR

Trong phương pháp chuyển tiếp dữ liệu đa chặng (Multi-hop Relaying Data from Random Walks to the Base-station - M-CSR), các phép đo CS được thu thập bởi các bước ngẫu nhiên được chuyển tiếp đến BS thông qua các sensor node trung gian. Điều này có thể tiết kiệm năng lượng, nhưng nó cũng có thể làm tăng độ trễ và độ phức tạp của giao thức. Phân tích mức tiêu thụ năng lượng và kết quả mô phỏng cho M-CSR cũng được trình bày trong tài liệu gốc.

IV. Thu Thập Dữ Liệu Dựa Trên Cụm Cluster Based Compressive Sensing

Một phương pháp khác là Cluster-Based Compressive Sensing (CCS). Mạng được chia thành các cụm, và một cluster head được chọn trong mỗi cụm. Các sensor node trong cụm gửi dữ liệu của chúng đến cluster head, và cluster head thực hiện nén dữ liệu bằng CS và gửi các phép đo nén đến BS. CCS có thể cải thiện hiệu quả năng lượng bằng cách giảm số lượng truyền dữ liệu trong mạng. Việc chia cụm mạng có thể cải thiện khả năng mở rộng và quản lý.

4.1. Phân Tích Tiêu Thụ Điện Năng trong CCS với Truyền Trực Tiếp DCCS

Trong phương pháp DCCS (Directly Send CS Measurements to the BS), các cluster head gửi trực tiếp các phép đo CS của chúng đến BS. Phân tích mức tiêu thụ điện năng cho DCCS được cung cấp trong tài liệu gốc, cùng với kết quả mô phỏng. Điều này có thể đơn giản hóa giao thức, nhưng có thể dẫn đến việc các cluster head xa BS tiêu thụ nhiều năng lượng hơn.

4.2. Hiệu Quả Truyền Dữ Liệu Đa Chặng Giữa Các Cụm ICCS

Phương pháp ICCS (Inter-cluster Multi-hop Routing in CCS) sử dụng định tuyến đa chặng giữa các cụm để chuyển tiếp dữ liệu đến BS. Phân tích mức tiêu thụ điện năng và kết quả mô phỏng cho ICCS được trình bày trong tài liệu gốc. Việc này có thể cải thiện hiệu quả năng lượng bằng cách giảm khoảng cách truyền dữ liệu trung bình, nhưng sẽ làm tăng độ trễ và độ phức tạp của giao thức.

4.3. Sử Dụng DCT Compression trong Thu Thập Dữ Liệu Cụm

Một phương pháp khác là sử dụng DCT compression và chỉ truyền các hệ số lớn. Hiệu suất của phương pháp này phụ thuộc vào số lượng hệ số được truyền và mức độ nhiễu trong dữ liệu cảm biến. Sử dụng DCT có thể giảm lượng dữ liệu truyền nhưng có thể cần điều chỉnh số lượng hệ số DCT dựa trên điều kiện mạng cảm biến.

V. Phương Pháp Thu Thập Dữ Liệu Dựa Trên Cây Tree Based Data Gathering

Phương pháp thu thập dữ liệu dựa trên cây (Tree-based data gathering - TCS) xây dựng một cây định tuyến trong mạng. Các sensor node gửi dữ liệu của chúng dọc theo cây đến BS, và nén dữ liệu có thể được thực hiện tại các nút trung gian bằng cách sử dụng CS. TCS có thể cung cấp một cách hiệu quả để thu thập dữ liệu từ toàn bộ mạng, nhưng nó cũng có thể gặp phải các vấn đề về độ tin cậy nếu một trong các nút trên cây bị lỗi.

5.1. TCS Thu Thập Dữ Liệu Tiết Kiệm Năng Lượng Dựa Trên Cây

TCS (Tree-base Energy-Efficient Data Gathering) là một thuật toán thu thập dữ liệu tiết kiệm năng lượng. Nó phân tích mức tiêu thụ điện năng, cung cấp các gợi ý để giảm thiểu mức tiêu thụ điện năng để kéo dài tuổi thọ mạng. Bằng cách tổ chức mạng thành cấu trúc cây, TCS giúp giảm số lượng truyền dữ liệu và tập trung vào việc tối ưu hóa việc sử dụng năng lượng của các sensor node.

5.2. Phân Tích Mức Tiêu Thụ Điện Năng của Tree Based Data Gathering

Việc phân tích mức tiêu thụ điện năng là rất quan trọng để đánh giá hiệu quả của thuật toán thu thập dữ liệu dựa trên cây. Các yếu tố chính cần xem xét bao gồm năng lượng tiêu thụ để truyền dữ liệu, năng lượng tiêu thụ để xử lý tín hiệu và năng lượng tiêu thụ để duy trì cấu trúc cây. Bằng cách phân tích cẩn thận các yếu tố này, có thể tối ưu hóa thuật toán thu thập dữ liệu dựa trên cây để đạt được hiệu quả năng lượng tối đa.

5.3. Kết Luận và Hướng Phát Triển cho Tree Based Data Gathering

Việc áp dụng các phương pháp thu thập dữ liệu dựa trên cây mang lại nhiều lợi ích cho WSN, bao gồm hiệu quả năng lượng được cải thiện, độ trễ giảm và độ tin cậy được nâng cao. Tuy nhiên, vẫn còn những thách thức cần giải quyết, chẳng hạn như duy trì cấu trúc cây trong môi trường động và xử lý lỗi nút. Các hướng phát triển trong tương lai bao gồm khám phá các thuật toán xây dựng cây phân tán và kết hợp các kỹ thuật sensor fusion để cải thiện độ chính xác của dữ liệu.

VI. Thu Thập Dữ Liệu Dựa Trên Lân Cận Neighborhood Based Collection

Phương pháp thu thập dữ liệu dựa trên vùng lân cận (Neighborhood-based data collection (NeiCS)) khai thác tính lân cận của các cảm biến. Trong phương pháp này, các cảm biến thu thập dữ liệu từ các vùng lân cận của chúng và truyền dữ liệu đến BS trực tiếp hoặc thông qua các nút trung gian. Bằng cách thu thập dữ liệu lân cận, NeiCS có thể giảm số lượng truyền thông và tăng hiệu quả năng lượng của WSN.

6.1. Thuật Toán Thu Thập Dữ Liệu Dựa Trên Lân Cận NeiCS

Thuật toán NeiCS bao gồm việc lấy mẫu các vùng lân cận ngẫu nhiên trong mạng cảm biến, trong đó phạm vi truyền dẫn xác định các vùng lân cận. Dữ liệu được thu thập từ các vùng lân cận này được sử dụng để tái tạo lại toàn bộ dữ liệu từ khu vực cảm biến. Bằng cách tận dụng tính lân cận của các cảm biến, thuật toán NeiCS có thể giảm số lượng truyền dữ liệu và tăng hiệu quả năng lượng của mạng cảm biến.

6.2. Phân Tích Mức Tiêu Thụ Điện Năng của NeiCS

Việc phân tích mức tiêu thụ điện năng là rất quan trọng để đánh giá hiệu quả của thuật toán NeiCS. Điều này bao gồm việc xem xét mức tiêu thụ điện năng để lấy mẫu các vùng lân cận, truyền dữ liệu đến BS và duy trì cấu trúc lân cận. Bằng cách tối ưu hóa các yếu tố này, có thể giảm thiểu mức tiêu thụ điện năng và kéo dài tuổi thọ của mạng cảm biến.

6.3. Kết Luận và Hướng Phát Triển của NeiCS

Phương pháp NeiCS mang lại một cách đầy hứa hẹn để thu thập dữ liệu trong mạng cảm biến, cung cấp khả năng hiệu quả năng lượng được cải thiện và giảm độ trễ. Các hướng phát triển trong tương lai bao gồm việc kết hợp các kỹ thuật sensor fusion để cải thiện độ chính xác của dữ liệu và khám phá các thuật toán phân phối để duy trì cấu trúc lân cận trong các mạng động.

Nội dung chính

Tổng quan luận án

Luận án tiến sĩ kỹ thuật điện và máy tính với tiêu đề "Data Collection Algorithms in Wireless Sensor Networks Employing Compressive Sensing" (Các thuật toán thu thập dữ liệu trong mạng cảm biến không dây ứng dụng kỹ thuật nén cảm nhận) do nghiên cứu sinh Minh Tuấn Nguyễn thực hiện tại Trường Kỹ thuật Điện và Máy tính thuộc Oklahoma State University (Hoa Kỳ), dưới sự hướng dẫn của TS. Keith A. Teague, hoàn thành và bảo vệ vào tháng 12 năm 2015.

Tính cấp thiết và khoảng trống nghiên cứu

Mạng cảm biến không dây (Wireless Sensor Networks - WSN) bao gồm số lượng lớn các nút cảm biến kích thước nhỏ, giá thành thấp, được triển khai mật độ cao trong các khu vực địa lý xác định nhằm phục vụ quan trắc môi trường, giám sát quân sự, y tế và tự động hóa. Tuy nhiên, các nút cảm biến hoạt động dựa trên nguồn năng lượng pin hạn chế và khó thay thế. Trong các phương thức thu thập dữ liệu truyền thống, mạng phải chuyển toàn bộ các giá trị đọc được từ từng cảm biến về trạm gốc (Base-station - BS). Quy trình này dẫn đến sự tiêu hao năng lượng lớn và tình trạng mất cân bằng năng lượng nghiêm trọng giữa các nút, đặc biệt là các nút trung gian nằm gần BS chịu tải chuyển tiếp dữ liệu lớn, làm suy giảm nhanh chóng tuổi thọ của toàn mạng.

Kỹ thuật nén cảm nhận (Compressive Sensing - CS) cho phép lấy mẫu và khôi phục tín hiệu chính xác từ số lượng phép đo $M$ nhỏ hơn rất nhiều so với kích thước tín hiệu gốc $N$ ($M \ll N$), dựa trên tính chất thưa (sparsity) hoặc khả năng nén được của dữ liệu. Do dữ liệu quan trắc trong mạng WSN thường có tính tương quan không gian cao (spatially correlated), việc ứng dụng CS vào thu thập dữ liệu mở ra khả năng cắt giảm đáng kể số lần truyền gói tin. Tuy nhiên, các nghiên cứu trước đây thường áp dụng ma trận đo ngẫu nhiên dày đặc (dense matrix) mà không gắn kết chặt chẽ với cấu trúc liên kết mạng thực tế, dẫn đến chi phí truyền thông định tuyến phức tạp và chưa tối ưu hóa mức tiêu thụ năng lượng.

Mục tiêu và câu hỏi nghiên cứu

Mục tiêu tổng quát của luận án là phát triển các thuật toán thu thập dữ liệu mới trong WSN bằng cách tích hợp kỹ thuật nén cảm nhận với các cấu trúc hình học mạng và giao thức định tuyến khác nhau, nhằm giảm thiểu tổng năng lượng tiêu thụ và kéo dài thời gian hoạt động của mạng. Luận án tập trung giải quyết các mục tiêu và nhiệm vụ cụ thể:

1. Xây dựng thuật toán thu thập dữ liệu dựa trên bước đi ngẫu nhiên kết hợp nén cảm nhận (Compressive Sensing Based Random Walk - CSR), phân tích mô hình truyền trực tiếp (D-CSR) và truyền đa chặng (M-CSR).
2. Xây dựng thuật toán thu thập dữ liệu phân cụm kết hợp nén cảm nhận (Cluster-Based Compressive Sensing - CCS), khai thác cấu trúc ma trận khối đường chéo (block diagonal matrices) với hai cơ chế truyền trực tiếp (DCCS) và chuyển tiếp đa chặng liên cụm (ICCS), cùng kỹ thuật nén hệ số biến đổi cosin rời rạc (DCT).
3. Xây dựng thuật toán thu thập dữ liệu dựa trên cấu trúc cây kết hợp nén cảm nhận (Tree-Based Energy-Efficient Data Gathering - TCS).
4. Xây dựng thuật toán thu thập dữ liệu dựa trên cấu trúc lân cận kết hợp nén cảm nhận (Neighborhood-Based Data Collection - NeiCS).
5. Thiết lập mô hình giải tích toán học tính toán tổng năng lượng tiêu thụ, xác định các điểm vận hành tối ưu (bán kính truyền dẫn, độ dài bước đi, số lượng cụm, số lượng phép đo) tương ứng với từng cấu hình vị trí của trạm gốc.

Đối tượng và phạm vi nghiên cứu

• Đối tượng nghiên cứu: Các thuật toán định tuyến, cấu trúc ma trận đo thưa (sparse measurement matrix), cơ chế lấy mẫu nén và mô hình suy hao năng lượng truyền nhận trong mạng cảm biến không dây.
• Phạm vi không gian và topo: Mạng WSN đẳng hướng hoặc tùy biến với số lượng nút cảm biến từ 500 đến 2000 nút, phân bố ngẫu nhiên trong vùng quan sát hình vuông ($100 \times 100$) hoặc hình tròn (bán kính $R_0 = 50$). Vị trí trạm gốc (BS) được khảo sát ở cả hai trường hợp: đặt tại trung tâm vùng cảm nhận ($L_i = 0$) và đặt bên ngoài vùng cảm nhận với khoảng cách từ $L_i = 0.5L$ đến $L_i = 5L$.
• Phạm vi cơ sở biểu diễn thưa: Khảo sát tính thưa trên cơ sở chính tắc (canonical basis), biến đổi Wavelet và biến đổi cosin rời rạc (DCT).

---

Tổng quan tài liệu và vị trí của luận án

Luận án tiến hành tổng hợp có hệ thống các công trình nghiên cứu thuộc hai nhánh chính: các giao thức thu thập dữ liệu trong WSN và lý thuyết nén cảm nhận.

Các hướng nghiên cứu mạng cảm biến không dây

1. Giao thức định tuyến phân cấp / phân cụm (Hierarchical / Clustered Routing):

   • Thuật toán phân cụm K-means và Fuzzy C-means (FCM) phân chia $N$ nút thành $N_c$ cụm dựa trên khoảng cách tối thiểu đến tâm cụm.
   • Giao thức LEACH (Heinzelman et al., 2000, 2002) áp dụng cơ chế luân phiên vai trò nút trưởng cụm (Cluster Head - CH) theo xác suất ngẫu nhiên $P_i(t)$ hoặc theo tỷ lệ năng lượng dư thừa $E_i(t)/E_{total}(t)$.
   • Giao thức EEHC (Bandyopadhyay & Coyle, 2003) xây dựng cấu trúc cụm phân cấp đa mức (multi-level clustering) dựa trên thuật toán Max-Min $d$-cluster.
   • Giao thức FLOC (2001) sử dụng mô hình vô tuyến hai băng tần (inner-band và outer-band) tạo cụm không chồng lấn có bán kính xấp xỉ bằng nhau.
   • Giao thức HEED (Younis & Fahmy, 2004) lựa chọn CH dựa trên sự kết hợp giữa năng lượng dư $E_{residual}/E_{max}$ và chi phí truyền thông nội cụm.
   • Các cơ chế phân cụm không đều (Unequal Clustering) như EEUC (Li et al., 2005), MRPUC (Chen et al., 2008), S-Web (2006) và HEECH (2012) thiết lập kích thước cụm nhỏ hơn ở gần trạm gốc để cân bằng năng lượng truyền tiếp dữ liệu liên cụm.
   • Giao thức PEACH (Yi et al., 2007) hạn chế tình trạng lắng nghe thừa (overheard) thông qua nhận biết vị trí và lịch trình phát gói tin.

2. Giao thức định tuyến phẳng (Flat Routing):

   • Các phương pháp truyền ngập lụt (Flooding) và tán gẫu (Gossiping).
   • Giao thức đàm phán thông tin SPIN (Kulik et al., 2002) sử dụng siêu dữ liệu (meta-data) để loại bỏ gói tin dư thừa.
   • Cơ chế Directed Diffusion (Intanagonwiwat et al., 2000, 2003) thiết lập trường độ dốc (gradients) và gom tụ dữ liệu theo yêu cầu (interests).
   • Định tuyến tin đồn Rumor Routing (Braginsky & Estrin, 2002), MCFA (Ye et al., 2001), GBR (Schurgers & Srivastava, 2001, 2002), CADR/IDSQ (Chu et al., 2002), ACQUIRE (Sadagopan et al., 2003, 2005) và Energy-Aware Routing (Shah & Rabaey, 2002).
   • Định tuyến dựa trên bước đi ngẫu nhiên (Random Walk routing) (2007, 2011) với ma trận chuyển trạng thái $P = [P_{ij}]_{N \times N}$, phân phối đều tải truyền thông trên toàn mạng mà không cần thông tin định tuyến toàn cục.

3. Giao thức định tuyến dựa trên vị trí (Location-Based Routing):

   • MECN (Rodoplu & Meng, 1999) và SMECN (Li & Halpern, 2001) tối ưu hóa vùng chuyển tiếp dựa trên tọa độ.
   • GAF (Xu et al., 2001) chia vùng quan sát thành lưới ảo, luân chuyển các trạng thái khám phá (discovery), hoạt động (active) và ngủ (sleep).
   • GEAR (Yu et al., 2001), MFR, DIR, GEDIR (Stojmenovic & Lin, 2001), GOAFR (Kuhn et al., 2003) và giao thức điều phối SPAN (Chen et al., 2002).

4. Nén cảm nhận trong mạng cảm biến không dây:

   • Lý thuyết nén cảm nhận nền tảng của Candès, Romberg, Tao (2006) và Donoho (2006).
   • Các nghiên cứu ứng dụng CS trong WSN (Quer et al., 2012; Xiang et al., 2011; Luo et al., 2009) chứng minh tiềm năng tái tạo dữ liệu với số lượng phép đo hạn chế.

Khoảng trống nghiên cứu được lựa chọn giải quyết

Phần lớn các nghiên cứu WSN kết hợp CS trước đây tập trung vào khía cạnh xử lý tín hiệu với giả định ma trận đo ngẫu nhiên phân phối Gauss đầy đủ. Trên thực tế, việc tạo ra các phép đo ngẫu nhiên dày đặc đòi hỏi từng nút phải truyền dữ liệu đi khắp mạng, làm phát sinh chi phí năng lượng truyền thông rất lớn. Luận án giải quyết khoảng trống này bằng cách:

• Thiết kế ma trận đo thưa nhị phân phù hợp trực tiếp với các topo mạng WSN tự nhiên (bước đi ngẫu nhiên, phân cụm, cây, đồ thị lân cận).
• Xây dựng mô hình toán học giải tích tính toán chi phí năng lượng chính xác cho cả truyền thông nội bộ và chuyển tiếp về trạm gốc, từ đó tối ưu hóa các tham số hoạt động mạng.

---

Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở lý thuyết về nén cảm nhận (Compressive Sensing)

Một tín hiệu thực $x \in \mathbb{R}^N$ được gọi là thưa bậc $k$ ($k$-sparse) nếu nó có thể biểu diễn chính xác qua một cơ sở biến đổi $\Psi = [\psi_1, \psi_2, \dots, \psi_N]$ với chỉ $k$ hệ số khác không: $$x = \sum_{i=1}^N \theta_i \psi_i = \Psi \theta$$ trong đó $\theta \in \mathbb{R}^N$ là vector hệ số với $|\theta|_0 = k \ll N$.

Hệ thống thu thập $M$ phép đo tuyến tính ($M < N$) thông qua ma trận đo $\Phi \in \mathbb{R}^{M \times N}$: $$y = \Phi x = \Phi \Psi \theta = A \theta$$ Để khôi phục chính xác tín hiệu $x$ từ $y$, ma trận đo $\Phi$ và ma trận cơ sở $\Psi$ cần thỏa mãn điều kiện đẳng cự hạn chế (Restricted Isometry Property - RIP) hoặc có độ kết hợp tương hỗ (mutual coherence) thấp. Tín hiệu được khôi phục thông qua bài toán tối ưu hóa chuẩn $\ell_1$: $$\hat{\theta} = \arg\min |\theta|_1 \quad \text{subject to} \quad y = \Phi \Psi \theta$$ và tín hiệu tái tạo là $\hat{x} = \Psi \hat{\theta}$.

Khung phân tích năng lượng truyền thông

Luận án áp dụng mô hình tiêu thụ năng lượng vô tuyến tiêu chuẩn trong WSN. Năng lượng để truyền một gói tin dữ liệu qua khoảng cách $d$ và năng lượng để nhận gói tin được xác định theo mô hình:

• Năng lượng truyền dẫn: $E_{Tx}(d) = E_{elec} \cdot k_{bit} + \epsilon_{amp} \cdot k_{bit} \cdot d^\alpha$
• Năng lượng thu nhận: $E_{Rx} = E_{elec} \cdot k_{bit}$ trong đó $E_{elec}$ là năng lượng tiêu hao trên mạch vô tuyến, $\epsilon_{amp}$ là hệ số khuếch đại phát sóng, $\alpha$ là số mũ suy hao đường truyền ($\alpha = 2$ cho không gian tự do, $\alpha = 4$ cho mô hình đa đường), và $k_{bit}$ là độ dài gói tin.

Phương pháp nghiên cứu

Luận án sử dụng phương pháp nghiên cứu định lượng kết hợp giữa mô hình hóa toán học và mô phỏng số học:

1. Thiết kế thuật toán: Xây dựng thuật toán tạo ma trận đo $\Phi$ thưa dựa trên các cơ chế định tuyến (Random Walk, Cluster, Tree, Neighborhood).
2. Thiết lập mô hình giải tích: Rút ra các công thức toán học tính toán kỳ vọng tổng năng lượng tiêu thụ $E_{total}$, kỳ vọng bình phương khoảng cách $E[d^2_{toBS}]$ từ các nút/chặng đến BS.
3. Mô phỏng số học: Thực hiện mô phỏng mạng trên máy tính với dữ liệu tổng hợp và tín hiệu biến đổi trên các cơ sở Canonical, Wavelet, DCT. Đánh giá sai số tái tạo tín hiệu (Reconstruction Error) theo tỷ số: $$\text{Error} = \frac{|x - \hat{x}|_2}{|x|_2}$$ đối chiếu mức tiêu thụ năng lượng qua các kịch bản thay đổi bán kính truyền sóng $R$, số phép đo $M$, độ dài bước đi $\tau$, và số cụm $N_c$.

---

Nội dung chính theo từng chương

Chương 1: Introduction (Mở đầu)

Chương 1 trình bày tổng quan bối cảnh phát triển của mạng cảm biến không dây, các hạn chế về tài nguyên năng lượng và thách thức trong việc thu thập dữ liệu quan trắc. Tác giả giới thiệu khái niệm nén cảm nhận (CS) như một giải pháp giảm thiểu khối lượng dữ liệu truyền dẫn. Chương này tóm tắt mục tiêu nghiên cứu, bốn phương pháp đề xuất (CSR, CCS, TCS, NeiCS) và bố cục tổng thể của toàn bộ luận án.

Chương 2: Background and Literature Review (Cơ sở lý thuyết và tổng quan tài liệu)

Chương 2 cung cấp nền tảng lý thuyết chi tiết về:

• Cấu trúc mạng WSN, các thách thức thiết kế: triển khai nút, cân bằng năng lượng, phương thức báo cáo dữ liệu, khả năng chịu lỗi, độ bao phủ và chất lượng dịch vụ (QoS).
• Tổng quan và phân loại toàn diện các giao thức định tuyến WSN hiện hữu: phân cấp (K-means, FCM, LEACH, EEHC, FLOC, HEED, EEUC, PEACH, MRPUC, S-Web, HEECH), định tuyến phẳng (Flooding, Gossiping, SPIN, Directed Diffusion, Rumor Routing, MCFA, GBR, IDSQ/CADR, ACQUIRE, Energy-Aware Routing, Random Walk) và định tuyến dựa trên vị trí (MECN, SMECN, GAF, GEAR, MFR, DIR, GEDIR, GOAFR, SPAN).
• Lý thuyết không gian vector, chuẩn không gian ($\ell_0, \ell_1, \ell_2, \ell_\infty$), các định nghĩa toán học về span, cơ sở, số chiều, tích vô hướng.
• Lý thuyết nén cảm nhận: điều kiện RIP, tính thưa của tín hiệu, ma trận chiếu ngẫu nhiên và các thuật toán khôi phục tín hiệu.

Chương 3: Random Walk Based Data Gathering in Wireless Sensor Networks (Thu thập dữ liệu dựa trên bước đi ngẫu nhiên - CSR)

Chương 3 đề xuất thuật toán thu thập dữ liệu CSR (Compressive Sensing based Random Walk). Mỗi phép đo CS được tích lũy dọc theo một tuyến bước đi ngẫu nhiên có độ dài $\tau$ qua các nút lân cận trong đồ thị mạng:

• Ma trận đo: Mỗi hàng của ma trận $\Phi$ tương ứng với một tuyến bước đi ngẫu nhiên, các phần tử tương ứng với các nút được đi qua nhận giá trị khác không (ma trận nhị phân thưa).
• Hai cơ chế truyền dữ liệu:
  1. D-CSR (Directly Forwarding): Nút cuối cùng của chuỗi bước đi ngẫu nhiên gửi trực tiếp phép đo tích lũy về BS trong một chặng.
  2. M-CSR (Multi-hop Relaying): Phép đo được chuyển tiếp đa chặng từ nút kết thúc bước đi về BS qua cây định tuyến ngắn nhất.
• Phân tích và kết quả mô phỏng:
  • Tồn tại sự đánh đổi (trade-off) giữa bán kính truyền sóng $R$ và độ dài bước đi ngẫu nhiên $\tau$. Khi $R$ tăng, số nút lân cận tăng làm giảm thời gian hòa trộn (mixing time) của bước đi ngẫu nhiên.
  • Thiết lập mối quan hệ giữa độ bao phủ mạng (sampling coverage) và số phép đo với độ dài $\tau = 48$.
  • Xác định bán kính truyền tối ưu: Trong mạng 500 nút, khi BS đặt tại trung tâm, bán kính tối ưu của D-CSR là $R^* = 14$ (với $M = 90$), và đối với M-CSR là $R^* = 12$.
  • Ma trận nhị phân thưa tạo bởi CSR cho hiệu năng tái tạo tương đương ma trận Gauss đầy đủ nhưng giảm thiểu đáng kể năng lượng tiêu thụ của toàn mạng.

Chương 4: Cluster Based Data Collection in Wireless Sensor Networks (Thu thập dữ liệu dựa trên phân cụm - CCS)

Chương 4 nghiên cứu thuật toán CCS (Cluster-Based Compressive Sensing) khai thác cấu trúc phân cụm mạng WSN:

• Cấu trúc ma trận khối đường chéo (Block Diagonal Matrices): Mạng được chia thành $N_c$ cụm. Các phép đo CS được thực hiện độc lập bên trong từng cụm, tạo ra ma trận đo $\Phi$ có dạng khối đường chéo: $$\Phi = \begin{bmatrix} \Phi_1 & 0 & \dots & 0 \ 0 & \Phi_2 & \dots & 0 \ \vdots & \vdots & \ddots & \vdots \ 0 & 0 & \dots & \Phi_{N_c} \end{bmatrix}$$
• Hai phương thức truyền phép đo:
  1. DCCS (Direct Cluster-based CS): Các trưởng cụm (CH) gửi trực tiếp các phép đo CS của cụm mình về BS.
  2. ICCS (Inter-cluster Multi-hop Routing in CCS): Các CH định tuyến chuyển tiếp các phép đo qua các CH trung gian về BS.
• Phân tích tỷ lệ phép đo tối ưu: Sai số tái tạo đạt cực tiểu khi tỷ lệ phép đo phân bổ cho mỗi cụm $T = M_i/M$ đúng bằng tỷ lệ số nút trong cụm đó so với toàn mạng ($N_i/N$).
• Số lượng cụm tối ưu: Khi BS ở xa vùng cảm nhận ($L_i = 3L$), số lượng cụm tối ưu được xác định là $N_c^* = 2$ hoặc $3$ tùy theo thuật toán phân cụm (K-means hoặc LEACH).
• Phương pháp nén DCT truyền $k$ hệ số lớn nhất: So sánh giữa nén CS và nén DCT truyền $k$ hệ số lớn nhất sau khi sắp xếp, chứng minh tính ổn định của nén CS khi có nhiễu (noisy channel).

Chương 5: Tree-Based Data Gathering in Wireless Sensor Networks (Thu thập dữ liệu dựa trên cấu trúc cây - TCS)

Chương 5 phát triển thuật toán TCS (Tree-Based Energy-Efficient Data Gathering) ứng dụng cấu trúc cây trong WSN:

• Thuật toán tạo ma trận đo thưa với xác suất các phần tử khác không là $p = 1/3$.
• So sánh hiệu quả tiêu thụ năng lượng giữa TCS và thuật toán cây truyền thống MTT (Minimum Spanning Tree / Minimum Transmission Tree).
• Kết quả mô phỏng trên các cấu hình mạng tùy biến quy mô lớn ($N = 1000$ và $N = 2000$ cảm biến, $M = 500$ phép đo, $p = 1/3$) chứng minh TCS giảm thiểu đáng kể số lượng chặng truyền dẫn và tỷ lệ tiêu thụ năng lượng so với MTT khi thay đổi bán kính truyền $R$.
• Đánh giá sai số tái tạo khi giảm dần mật độ các phần tử khác không trong ma trận đo thưa.

Chương 6: Neighborhood Based Data Collection in Wireless Sensor Networks (Thu thập dữ liệu dựa trên cấu trúc lân cận - NeiCS)

Chương 6 đề xuất thuật toán NeiCS (Neighborhood-Based Data Collection):

• Cơ chế hoạt động: Trong đồ thị mạng $G(V,E)$ xác định bởi bán kính truyền $R$, thuật toán lấy mẫu ngẫu nhiên $M$ vùng lân cận (neighborhoods). Mỗi phép đo là sự kết hợp tuyến tính của các nút trong cùng một vùng lân cận.
• Mô hình định tuyến và truyền dẫn:
  1. Truyền trực tiếp các phép đo lân cận về BS (One-hop NeiCS).
  2. Chuyển tiếp đa chặng $M$ phép đo qua cây định tuyến tham lam (Greedy Tree) được tạo bởi các nút trung gian về BS.
• Kết quả thực nghiệm số: Trong mạng 500 nút ($R_0 = 50, R = 9$), ma trận đo do NeiCS sinh ra cho chất lượng khôi phục tín hiệu bám sát ma trận Gauss đầy đủ trong khi giảm thiểu vượt bậc năng lượng tiêu hao nhờ việc nội địa hóa phạm vi thu thập phép đo.

Chương 7: Conclusions (Kết luận)

Chương 7 tổng kết toàn bộ các đóng góp của luận án về bốn thuật toán thu thập dữ liệu (CSR, CCS, TCS, NeiCS), tóm tắt các mô hình giải tích năng lượng và định hướng các nghiên cứu phát triển tiếp theo.

---

Bảng tổng hợp so sánh các phương pháp đề xuất trong luận án

Thuật toán	Cấu trúc topo mạng áp dụng	Dạng ma trận đo ($\Phi$)	Cơ chế truyền về BS	Tham số tối ưu được xác định	Điểm nổi bật về hiệu năng
CSR	Tuyến bước đi ngẫu nhiên (Random Walk)	Ma trận nhị phân thưa (Sparse Binary Matrix)	D-CSR (trực tiếp) hoặc M-CSR (đa chặng)	$R^* = 14$ (D-CSR), $R^* = 12$ (M-CSR), $\tau = 48$ ($N=500, M=90$)	Cân bằng tải thống kê tự nhiên, không cần định tuyến toàn cục
CCS	Phân cụm (K-means, LEACH, FCM)	Ma trận khối đường chéo (Block Diagonal Matrix)	DCCS (CH gửi trực tiếp) hoặc ICCS (đa chặng liên cụm)	Tỷ lệ $M_i/M = N_i/N$; $N_c^* = 2 \div 3$ khi $L_i = 3L$	Cho phép lấy mẫu và tái tạo song song độc lập tại từng cụm
TCS	Cấu trúc cây (Spanning / Routing Tree)	Ma trận thưa với xác suất $p = 1/3$	Chuyển tiếp dọc theo các nhánh cây về gốc	Mật độ phần tử khác không $p$, bán kính $R$	Giảm mạnh số chặng truyền và tổng năng lượng so với MTT
NeiCS	Vùng lân cận trên đồ thị $G(V, E)$	Ma trận thưa theo cụm lân cận địa phương	Truyền 1 chặng hoặc cây chuyển tiếp tham lam (Greedy Tree)	Bán kính lân cận $R = 9 \div 14$ ($N=500, R_0=50$)	Nội địa hóa hoàn toàn quá trình tạo phép đo, tái tạo tương đương Gauss

---

Kết quả và những đóng góp mới

Luận án tự công bố các đóng góp mới về mặt lý luận giải tích và thực tiễn kỹ thuật:

Đóng góp về mặt lý thuyết và giải tích

1. Khung lý thuyết kết hợp Topo mạng và Nén cảm nhận: Thiết lập mô hình chuyển hóa các cấu trúc kết nối thực tế trong mạng WSN (bước đi ngẫu nhiên, phân cụm, cây, vùng lân cận) thành các ma trận đo nén thưa có cấu trúc toán học chặt chẽ.
2. Mô hình giải tích năng lượng toàn diện: Xây dựng thành công các công thức đóng tính toán kỳ vọng tổng năng lượng tiêu thụ cho cả mạng, bao gồm năng lượng tạo phép đo nội bộ và năng lượng chuyển tiếp về trạm gốc, áp dụng cho cả trường hợp trạm gốc nằm trong và nằm ngoài vùng cảm nhận ($L_i \ge 0.5L$ đến $5L$).
3. Chứng minh điều kiện phân bổ phép đo tối ưu trong phân cụm: Chứng minh bằng giải tích và mô phỏng rằng sai số tái tạo trong mô hình ma trận khối đường chéo đạt giá trị tối ưu khi tỷ lệ số phép đo tại mỗi cụm bằng đúng tỷ lệ số nút của cụm đó ($M_i/M = N_i/N$).

Đóng góp về mặt thực tiễn và thiết kế mạng

1. Bộ tham số tối ưu hóa cho mạng WSN: Cung cấp các giá trị tham số tối ưu định lượng (bán kính truyền sóng $R^$, độ dài bước đi $\tau$, số lượng cụm $N_c^$) giúp các nhà thiết kế mạng giảm thiểu năng lượng tiêu hao mà vẫn duy trì sai số khôi phục dữ liệu dưới ngưỡng cho phép.
2. Khả năng thay thế ma trận Gauss đầy đủ bằng ma trận thưa thực tế: Chứng minh trên thực nghiệm mô phỏng rằng các ma trận thưa sinh ra từ các thuật toán CSR, CCS, TCS và NeiCS đạt chất lượng tái tạo tín hiệu tương đương ma trận ngẫu nhiên Gauss chuẩn nhưng loại bỏ được gánh nặng truyền thông phức tạp.
3. Đề xuất giải pháp nén dữ liệu chịu lỗi: Phân tích so sánh và chỉ ra ưu thế vượt trội của nén cảm nhận so với phương pháp nén truyền thống (như DCT truyền $k$ hệ số lớn) trong môi trường kênh truyền vô tuyến có nhiễu.

---

Hạn chế và hướng nghiên cứu tiếp

Dựa trên nội dung và phạm vi nghiên cứu được tác giả trình bày:

• Hạn chế:
  • Các đánh giá hiệu năng chủ yếu được thực hiện thông qua mô phỏng số học (numerical simulation) trên mô hình kênh truyền lý thuyết, chưa triển khai thử nghiệm trên phần cứng nút cảm biến thực tế trong môi trường vật lý phức tạp.
  • Các nút cảm biến trong phần lớn các kịch bản được giả định là cố định (static nodes) và đồng nhất về mặt năng lượng ban đầu.
  • Tín hiệu đo đạc được giả định có tính thưa hoặc nén được trên các cơ sở cố định (Canonical, Wavelet, DCT) mà chưa xét đến các mô hình cơ sở từ điển thích nghi theo thời gian thực.
• Hướng nghiên cứu tiếp theo:
  • Mở rộng các thuật toán CSR, CCS, TCS và NeiCS cho mạng cảm biến di động (Mobile WSNs) với các hiện tượng quan sát chuyển động.
  • Nghiên cứu cơ chế nén cảm nhận phân tán thích nghi khi tín hiệu quan sát biến đổi động theo thời gian và không gian.
  • Khảo sát ảnh hưởng của lỗi kênh truyền, mất gói tin ngẫu nhiên và suy hao fading sâu đến chất lượng khôi phục của các ma trận đo thưa.

---

Giá trị tham khảo

Luận án là tài liệu tham khảo có giá trị chuyên môn cao cho:

• Nghiên cứu sinh và học viên cao học ngành Kỹ thuật Điện tử, Kỹ thuật Viễn thông, Khoa học Máy tính và Xử lý Tín hiệu: Tham khảo phương pháp xây dựng mô hình giải tích năng lượng mạng và kỹ thuật thiết kế ma trận đo thưa trong lý thuyết nén cảm nhận.
• Giảng viên và nhà nghiên cứu: Sử dụng Chương 2 như một tài liệu tổng quan toàn diện về các giao thức định tuyến trong WSN (phân cụm, định tuyến phẳng, định tuyến vị trí) và nền tảng đại số tuyến tính/nén cảm nhận.
• Kỹ sư thiết kế hệ thống IoT và WSN: Ứng dụng các phân tích định lượng về sự đánh đổi giữa bán kính phát sóng $R$, độ dài bước đi ngẫu nhiên $\tau$, số cụm tối ưu $N_c^*$ và cơ chế chuyển tiếp đa chặng để tối ưu hóa thời lượng pin cho các mạng cảm biến triển khai trong thực tế.

---

Câu hỏi thường gặp

1. Tại sao ma trận đo nhị phân thưa trong thuật toán CSR lại tiết kiệm năng lượng hơn ma trận Gauss đầy đủ?

Ma trận Gauss đầy đủ yêu cầu hầu như tất cả các nút cảm biến trong mạng phải tham gia vào việc tạo ra từng phép đo, dẫn đến số lượng bản tin truyền thông khổng lồ phân tán khắp mạng. Ngược lại, ma trận nhị phân thưa trong CSR được hình thành trực tiếp dọc theo một tuyến bước đi ngẫu nhiên có độ dài $\tau \ll N$, chỉ yêu cầu các nút trên tuyến đó truyền tin cho nhau, qua đó cắt giảm tối đa số lần truyền vô tuyến và cân bằng tải tiêu thụ năng lượng giữa các nút.

2. Tỷ lệ phân bổ phép đo giữa các cụm trong thuật toán CCS được tối ưu hóa như thế nào?

Theo kết quả phân tích và mô phỏng ở Chương 4, sai số tái tạo tín hiệu toàn mạng đạt giá trị nhỏ nhất khi tỷ lệ số phép đo thu thập từ cụm thứ nhất $T = M_1/M$ bằng đúng tỷ lệ số lượng nút cảm biến thuộc cụm đó so với tổng số nút của toàn mạng ($N_1/N$).

3. Vị trí của trạm gốc (BS) ảnh hưởng như thế nào đến số lượng cụm tối ưu ($N_c^*$) trong CCS?

Khi trạm gốc đặt ở xa bên ngoài vùng cảm nhận ($L_i = 3L$ hoặc $5L$), năng lượng truyền dữ liệu từ các trưởng cụm (CH) về trạm gốc chiếm tỷ trọng chi phối. Do đó, mạng cần số lượng cụm ít hơn ($N_c^* = 2$ hoặc $3$) để giảm bớt số lượng CH phải phát sóng khoảng cách xa, giúp giảm tổng năng lượng tiêu thụ của toàn mạng.

4. Thuật toán TCS khác biệt như thế nào so với thuật toán cây truyền thống MTT?

Thuật toán MTT truyền thống phải thu thập toàn bộ dữ liệu từ mọi nút lá lên nút gốc dọc theo cây, gây tắc nghẽn và cạn kiệt năng lượng nhanh ở các nút gần gốc. Thuật toán TCS kết hợp cấu trúc cây với ma trận đo nén cảm nhận thưa ($p = 1/3$), chỉ thu thập $M$ phép đo ($M < N$), giúp giảm đáng kể tổng số chặng truyền dẫn và giảm tỷ lệ tiêu hao năng lượng khi số lượng cảm biến tăng lên đến 2000 nút.

5. Thuật toán NeiCS thu thập dữ liệu dựa trên nguyên lý nào?

NeiCS lấy mẫu ngẫu nhiên $M$ vùng lân cận trên đồ thị mạng $G(V,E)$ được định nghĩa bởi bán kính truyền $R$. Mỗi phép đo CS được tích lũy cục bộ từ các cảm biến nằm trong cùng một vùng lân cận, sau đó được gửi về BS thông qua truyền trực tiếp 1 chặng hoặc qua cây chuyển tiếp tham lam (Greedy Tree).

---

Kết luận

Luận án "Data Collection Algorithms in Wireless Sensor Networks Employing Compressive Sensing" của tác giả Minh Tuấn Nguyễn đã giải quyết vấn đề tối ưu hóa năng lượng trong mạng cảm biến không dây thông qua việc tích hợp lý thuyết nén cảm nhận với bốn cấu trúc mạng đặc trưng: bước đi ngẫu nhiên (CSR), phân cụm (CCS), cây (TCS) và vùng lân cận (NeiCS). Bằng việc kết hợp chặt chẽ giữa mô hình giải tích toán học và mô phỏng số học chi tiết, công trình đã xác lập các tham số vận hành tối ưu nhằm giảm thiểu số lượng phép đo và mức tiêu hao năng lượng truyền thông. Kết quả nghiên cứu cung cấp cơ sở lý thuyết và giải pháp kỹ thuật hữu ích cho việc thiết kế các hệ thống mạng cảm biến thu thập dữ liệu tiết kiệm năng lượng.

Trích đoạn nội dung tài liệu

DATA COLLECTION ALGORITHMS IN WIRELESS SENSOR NETWORKS EMPLOYING COMPRESSIVE SENSING By MINH TUAN NGUYEN Bachelor of Electrical Engineering University of Transport and Communications Hanoi, Vietnam 2001 Master of Electrical Engineering Military Technical Academy Hanoi, Vietnam 2007 Submitted to the Faculty of the Graduate College of Oklahoma State University in partial fulfillment of the requirements for the Degree of DOCTOR OF PHILOSOPHY December, 2015 COPYRIGHT ⃝ c By MINH TUAN NGUYEN December, 2015 DATA COLLECTION ALGORITHMS IN WIRELESS SENSOR NETWORKS EMPLOYING COMPRESSIVE SENSING Dissertation Approved: Dr. Teague Dissertation Advisor Committee Member: Dr. George Scheets Committee Member: Dr. Qi Cheng Committee Member: Dr.

Johnson Thomas Dr. Sheryl Tucker Dean of the Graduate College iii ACKNOWLEDGMENTS Firstly, I would like to express my sincere gratitude to my advisor Prof. Teague for the continuous support of my Ph.D study and related research, for his patience, motivation, and immense knowledge. His guidance helped me in all the time of research and writing of this thesis.

I could not have imagined having a better advisor and mentor for my Ph. I also would like to thank his wife, Mrs. Sherry Teague for everything she did for my family and myself. Thank you both very much for helping our colleagues from TNUT to visit OSU.

Besides my advisor, I would like to thank the rest of my thesis committee: Prof. George Scheets, Prof. Qi Cheng from School of Electrical and Computer Engineering and Prof. Johnson Thomas from Computer Science department for their insightful comments and encouragement, but also for the hard question which incented me to widen my research from various perspectives.

I also would like to thank some professors from Electrical and Computer engineer- ing (ECE), Dr. Martin Hagan, Dr. James West, Dr. Guoliang Fan and Dr.

Weihua Sheng for their classes and their knowledge they shared with me. I really appreciate that. Being far away from my home country and my institute has been given me a big gap of culture. I would like to thank the department staffs, Hellen Daggs, Brian Ritthaler, especially Lory Ferguson for being supportive all the time.

I thank my fellow labmates, Ali Talari, Behzad Shahrasbi, Sheng Wang from CWN lab for the stimulating discussions, for the tough time we were working together, and for all the fun we have had in the last few years. iv My sincere thanks to all my Vietnamese families and friends here in Stillwater, Oklahoma. ”chu Xuong”, ”chu Loi”, ”chu Nho”, ”em Dinh”, ”em Loan”, Ha Do, Son Bui, Hung La, Hoa Nguyen, etc. You all have made us the second family here in the US.

I am grateful to the Vietnamese Student Association (VSA) with useful activities that brought us, our Vietnamese students at OSU close together. Last but not the least, I would like to thank my little family, Ally Nguyen, Hang Nguyen and Thuong Nguyen for being with me, going together through tough time and enjoying happiness together. Without you, I would not have done this far with effort and succeed. I am very grateful to my big family, my parents, my brother, my nephew and niece for supporting me spiritually throughout writing this dissertation and my life in general.

I would like to thank the big family in Ha Noi, especially grandpa Khien Trong Nguyen, for being supportive me while I was preparing to study abroad. Thank you all very much!!! Thanks the others I did not list their names here. Five years generally may not be considered as a long time, but for me, we do not have many this five years in our lives. So, it is precious.

Thanks Stillwater, the very peaceful land and suitable for studying. I may not see You again but I appreciate every moment here in Oklahoma, USA. Thank You! v TABLE OF CONTENTS Chapter Page 1 INTRODUCTION 1 2 BACKGROUND AND LITERATURE REVIEW 3 2.1 Wireless Sensor Network Overview .2 Challenges for Data Collection Method Design in WSNs .3 Data Collection Method Protocols in WSNs .2 Introduction to Compressive Sensing .1 CS Based Data Collection Algorithm in WSNs .2 Minimizing the Number of CS Measurements. 51 3 RANDOM WALK BASED DATA GATHERING IN WIRELESS SENSOR NETWORKS 53 3.2 Background and Problem Formulation .3 Compressive Sensing Based Random Walk Data Collection Algorithm (CSR) .2 The CSR Algorithm .3 Analysis of the Measurement Matrix: CS Recovery Perfor- mance and Network Coverage .4 Analysis of the Trade-off between the Transmission Range and the Random Walk Length .4 Directly Forwarding the CS Measurements to the Base-station (D-CSR) 63 3.2 D-CSR Power Consumption Analysis .3 D-CSR Simulation Results .5 Multi-hop Relaying Data from Random Walks to the Base-station (M- CSR) .2 Multi-hop Relaying Data Algorithm .3 M-CSR Power Consumption Analysis .4 M-CSR Simulation Results .6 Conclusion and Future Work.

79 4 CLUSTER BASED DATA COLLECTION IN WIRELESS SENSOR NETWORKS 81 4.2 Block Diagonal Matrices .3 CCS: Cluster-Based Compressive Sensing for Data Collection in WSNs 88 4.4 Directly Send CS Measurements to the BS (DCCS) .2 Power Consumption Analysis for DCCS .3 Simulation Results for DCCS .5 Inter-cluster Multi-hop Routing in CCS (ICCS) .2 ICCS Power Consumption Analysis .3 ICCS Simulation Results .6 DCT Compression Transmitting only k Large Coefficients .2 Communication Power Consumption. 120 5 TREE-BASED DATA GATHERING IN WIRELESS SENSOR NET- WORKS 122 5.2 Tree-base Energy-Efficient Data Gathering (TCS) .3 Power Consumption Analysis .4 Conclusions and Future Work. 137 6 NEIGHBORHOOD BASED DATA COLLECTION IN WIRELESS SENSOR NETWORKS 138 6.2 Neighborhood Based Data Collection Algorithm (NeiCS) .3 Power Consumption Analysis .4 Conclusion and Future Work. 151 7 CONCLUSIONS 152 BIBLIOGRAPHY 154 A RANDOM WALK BASED DATA GATHERING IN WIRELESS SENSOR NETWORKS 174 A.1 Additional Analysis for D-CSR to calculate EdtoBS in order to compare with M-CSR.

174 ix LIST OF TABLES Table Page 4.1 Comparison between the existing data collection methods and CCS. 85 x LIST OF FIGURES Figure Page 2.1 K-means clustering algorithm with k = 10 clusters .2 EEHC algorithm with single level of clustering .3 FLOC program consists of 6 actions .4 Unequal size clusters in EEUC clustering algorithm .5 Packet transmission and global transmission schedule on location-aware in PEACH .6 Cluster structure of a network with MRPUC .7 S-Web clustering algorithm .8 HEECH divides WSN into six tracks with the same width .9 An illustration of Directed Diffusion in WSN .10 State transitions in GAF .11 Some common normed vectors .12 Random projection matrix .13 Restricted Isometric Constant Function .14 Sparsifying signals in a proper domain with ψ matrix .15 Compare four Compressive Sensing reconstruction schemes .1 Illustration of a simple RW routing in a WSN with 8 nodes and the projection matrix created from each RW.2 Sensor neighborhoods defined by the sensor transmission range R .3 An illustration of RWs collecting data when BS at the center .4 RWs collecting data when the BS is outside the sensing area at (Li , L2 ).5 The average number of neighbors of each sensor when changing the sensor transmission range R .6 The mixing time reduces as the sensor transmission range R increases 69 3.7 Sampling coverage the network with different number of random walks length 48 (τ = 48) .8 The average square distance (E[d2toBS ]) between RWs and the BS at different positions Li ≥ 0.5L up to Li = 5L .9 Total power consumption of the network versus sensor transmission ranges when BS at the center of the sensing area .10 Comparison between the full dense Gaussian and the sparse binary matrix collected different number of RWs: random walk length τ = 48 with different number of measurements .11 Total power consumption through all data collection processes with M = 90 measurements, transmission range R* = 14 in different RW’s lengths when the BS at the center of the sensing area .12 Tree-based relaying measurements after each RW to the base-station formed with 500 nodes and transmission range R = 14.13 Total number of hops from all sensor nodes to the BS as we increase the transmission range R .14 The total power consumption applied M-CSR versus different trans- mission ranges R when BS at the center; R* = 12 .15 Compare the total power consumption in two random walk routing method when BS at the center and R = 14.1 Average reconstruction error versus the fraction of the measurements collected from the first cluster (T = M1 /M ). The error is minimize when T is equal to the fraction of the nodes in the first cluster (N1 /N = 0.2 A clustered WSN with BS outside the sensing area (Li > L).3 Histogram of number of sensors in each cluster for K-means and LEACH.4 Number of measurements required to satisfy target error = 0.1 for a 100-sparse signal (sparse in canonical basis).5 Total power consumption when BS at the center of the sensing area.6 Total power consumption when BS at 1L (Li = L).7 Total power consumption when BS at 2L (Li = 2L).8 Total power consumption when BS at 3L (Li = 3L).9 Number of measurements required when Wavelet is considered as the sparsifying basis.10 Total power consumption when the BS is at the center of the sensing area.11 Total power consumption when Li = L.12 Total power consumption when Li = 3L. Here, Nc∗ = 2 or 3 (depend- ing on the clustering scheme).13 Total power consumption when Li = 5 × L.14 Number of measurements required when DCT is considered as the sparsifying basis.15 Total power consumption when the BS at the center of the sensing area.16 Total power consumption when the BS outside the sensing area at Li = 3L.17 All transmissions in the clustered network with inter-cluster multi-hop routing when the BS at the center.18 Total number of hops routing when changing the broadcasting radius R 110 4.19 The total power consumption when change the broadcast radius R .20 Intra-cluster power consumption when BS at the center in a circle sensing area .21 Inter-cluster power consumption when BS at the center in a circular sensing area .22 Total power consumption for ICCS and DCCS in a circular area net- work with R0 = 50 .23 Unsorted sensory readings from 2000 sensors and the DCT transformed coefficients .24 Descending sorted readings from 2000 sensors and the DCT trans- formed coefficients .25 Reconstruction error versus number of measurements with different of clusters .26 Reconstruction error versus number of clusters with different of mea- surements .27 CS reconstruction error versus measurements with noise .28 DCT compression reconstruction error versus measurements with noise and noiseless .1 An example of a tree formed by MTT algorithm with 1000 nodes de- ployed in a arbitrary network when BS at the center .2 A simple example illustrates TCS algorithm with 8 sensors .3 Compare total numbers of transmissions between three algorithms in different lattice topology networks .4 Total energy consumption in arbitrary networks with different numbers of nodes with M = 500, p = 1/3 .5 The reduction ratio of power consumption of TCS over MTT in ar- bitrary networks versus the various number of sensors(M = 500, p = 1/3) .6 Total number of transmission hops in various transmission range (N = 2000; M = 500; p = 1/3) .7 Power consumption affected by increasing transmission range (N = 2000; M = 500; p = 1/3) .8 Power consumption reduced with sparser projection matrices in both MTT and TCS in arbitrary networks (N = 2000; M = 500) .9 CS reconstruction error when reducing the probability of non-zero el- ements in sparse measurement matrices .1 M random neighborhoods are sampled in an arbitrary network with 500 sensors; transmission range R = 9 defines N neighborhoods in the graph G(V, E).2 Tree formed by the greedy algorithm with 500 nodes and transmission range R = 14 to relay measurements from random sensors to the BS.3 Comparison between full Gaussian measurement matrix and the one created by NeiCS .