## Tổng quan nghiên cứu

Mạng cảm biến không dây (Wireless Sensor Network - WSN) đã trở thành một công nghệ quan trọng trong nhiều lĩnh vực như công nghiệp, nông nghiệp, y tế, quân sự và giao thông. Theo ước tính, số lượng nút cảm biến trong một mạng có thể lên đến hàng trăm hoặc hàng ngàn, tùy thuộc vào diện tích khu vực giám sát. Tuy nhiên, một trong những thách thức lớn nhất của WSN là thời gian sống hạn chế do năng lượng pin của các nút cảm biến bị giới hạn và khó có thể thay thế hoặc nạp lại. Việc tiêu thụ năng lượng không đồng đều giữa các nút dẫn đến hiện tượng một số nút nhanh chóng hết năng lượng, ảnh hưởng đến hiệu quả thu thập và truyền dữ liệu, từ đó làm giảm tuổi thọ mạng.

Mục tiêu của nghiên cứu là đề xuất một thuật toán định tuyến dựa trên logic mờ tích hợp học máy nhằm cải tiến thời gian sống của mạng cảm biến không dây. Thuật toán này hướng tới việc tối ưu hóa việc lựa chọn nút trưởng cụm và phân cụm nhằm tiết kiệm năng lượng, kéo dài tuổi thọ mạng. Phạm vi nghiên cứu tập trung vào các thuật toán phân cụm LEACH và các biến thể, cùng với việc ứng dụng logic mờ và học máy trong môi trường mạng cảm biến không dây tại Việt Nam trong giai đoạn 2020-2023. Nghiên cứu có ý nghĩa quan trọng trong việc nâng cao hiệu quả sử dụng năng lượng, giảm chi phí vận hành và tăng độ tin cậy của các hệ thống WSN trong thực tế.

## Cơ sở lý thuyết và phương pháp nghiên cứu

### Khung lý thuyết áp dụng

Nghiên cứu dựa trên hai lý thuyết chính: 

- **Logic mờ (Fuzzy Logic - FL):** Đây là phương pháp xử lý thông tin không chắc chắn, cho phép các biến có giá trị thuộc về nhiều tập mờ với mức độ khác nhau từ 0 đến 1. Hệ thống suy luận mờ (Fuzzy Inference System - FIS) theo phương pháp Mamdani được sử dụng để đánh giá và lựa chọn nút trưởng cụm dựa trên các biến như năng lượng còn lại và khoảng cách đến trạm gốc. Các quy tắc IF-THEN mờ giúp mô hình hóa các quyết định phức tạp trong môi trường không chắc chắn.

- **Học máy (Machine Learning - ML):** Ứng dụng các thuật toán học máy để phân tích dữ liệu thu thập từ mạng, hỗ trợ tối ưu hóa việc phân cụm và lựa chọn nút trưởng cụm. Các phương pháp học có giám sát, học không giám sát và học tăng cường được xem xét để cải thiện hiệu suất mạng, đặc biệt là trong việc dự đoán và điều chỉnh lịch hoạt động của các nút nhằm tiết kiệm năng lượng.

Các khái niệm chính bao gồm: mạng cảm biến không dây (WSN), thuật toán phân cụm LEACH và các biến thể (LEACH-C, LEACH-CD), logic mờ, hệ thống suy luận mờ (FIS), thuật toán k-Means trong phân cụm, và mô hình tiêu thụ năng lượng trong truyền thông vô tuyến.

### Phương pháp nghiên cứu

Nguồn dữ liệu chính là các mô phỏng mạng cảm biến không dây được thực hiện trên phần mềm Matlab và Python, với cỡ mẫu khoảng vài trăm nút cảm biến được triển khai ngẫu nhiên trong khu vực nghiên cứu. Phương pháp chọn mẫu là ngẫu nhiên có kiểm soát nhằm đảm bảo tính đại diện cho các điều kiện thực tế.

Phân tích dữ liệu sử dụng các thuật toán logic mờ để xác định các nút có khả năng làm trưởng cụm, kết hợp với thuật toán phân cụm k-Means để tối ưu hóa vị trí và phân bố các cụm. Học máy được tích hợp để điều chỉnh lịch hoạt động nghỉ/nghỉ của các nút nhằm cân bằng tiêu thụ năng lượng. Timeline nghiên cứu kéo dài trong 12 tháng, bao gồm các giai đoạn: tổng quan lý thuyết, phát triển thuật toán, mô phỏng và đánh giá kết quả.

## Kết quả nghiên cứu và thảo luận

### Những phát hiện chính

1. **Tăng thời gian sống mạng:** Thuật toán đề xuất dựa trên logic mờ tích hợp học máy đã kéo dài thời gian sống của mạng cảm biến lên khoảng 25% so với thuật toán LEACH truyền thống và 15% so với LEACH-C, dựa trên số lượng nút còn hoạt động sau 1000 vòng truyền dữ liệu.

2. **Tiết kiệm năng lượng:** Mức tiêu thụ năng lượng trung bình của các nút giảm khoảng 20% so với các thuật toán phân cụm không sử dụng logic mờ, nhờ vào việc lựa chọn nút trưởng cụm hiệu quả và lịch hoạt động nghỉ hợp lý.

3. **Cân bằng tải năng lượng:** Việc phân bố các nút trưởng cụm đều hơn giúp giảm hiện tượng quá tải năng lượng tại một số nút, tăng độ ổn định của mạng với sự chênh lệch năng lượng còn lại giữa các nút giảm xuống dưới 10%.

4. **Hiệu quả truyền dữ liệu:** Thuật toán cải thiện tỷ lệ thành công trong truyền dữ liệu lên đến 95%, cao hơn khoảng 8% so với các thuật toán truyền thống, nhờ vào việc giảm thiểu xung đột và tối ưu hóa đường truyền.

### Thảo luận kết quả

Nguyên nhân chính của sự cải tiến là do việc áp dụng logic mờ giúp đánh giá chính xác hơn các yếu tố như năng lượng còn lại và khoảng cách, từ đó lựa chọn nút trưởng cụm phù hợp hơn. Học máy hỗ trợ điều chỉnh lịch hoạt động của các nút, giảm thiểu thời gian hoạt động không cần thiết, tiết kiệm năng lượng hiệu quả.

So với các nghiên cứu trước đây, kết quả này cho thấy sự kết hợp giữa logic mờ và học máy mang lại hiệu quả vượt trội trong việc kéo dài tuổi thọ mạng và cân bằng năng lượng. Dữ liệu có thể được trình bày qua biểu đồ so sánh tuổi thọ mạng và biểu đồ phân bố năng lượng còn lại của các nút, giúp minh họa rõ ràng sự khác biệt giữa các thuật toán.

## Đề xuất và khuyến nghị

1. **Triển khai thuật toán định tuyến mới:** Áp dụng thuật toán logic mờ tích hợp học máy trong các hệ thống WSN thực tế để nâng cao thời gian sống mạng, với mục tiêu tăng ít nhất 20% tuổi thọ mạng trong vòng 12 tháng, do các nhà phát triển và kỹ sư mạng thực hiện.

2. **Tối ưu hóa lịch hoạt động nút:** Thiết kế lịch nghỉ/nghỉ dựa trên kết quả học máy để giảm tiêu thụ năng lượng, áp dụng trong vòng 6 tháng đầu triển khai, do nhóm nghiên cứu và kỹ thuật viên vận hành đảm nhiệm.

3. **Đào tạo và nâng cao nhận thức:** Tổ chức các khóa đào tạo cho kỹ thuật viên và quản lý mạng về ứng dụng logic mờ và học máy trong WSN, nhằm đảm bảo vận hành hiệu quả và bảo trì hệ thống.

4. **Mở rộng nghiên cứu:** Khuyến khích nghiên cứu tiếp tục phát triển các thuật toán tích hợp trí tuệ nhân tạo khác như mạng nơ-ron nhân tạo (ANN) và học tăng cường để cải thiện hơn nữa hiệu suất mạng, với kế hoạch nghiên cứu trong 2 năm tới.

## Đối tượng nên tham khảo luận văn

1. **Nhà nghiên cứu và sinh viên ngành công nghệ thông tin, viễn thông:** Có thể sử dụng luận văn để hiểu sâu về các thuật toán định tuyến tiên tiến trong WSN, phục vụ cho các đề tài nghiên cứu và luận văn.

2. **Kỹ sư phát triển hệ thống mạng cảm biến:** Áp dụng các giải pháp tối ưu năng lượng và phân cụm trong thiết kế và triển khai hệ thống thực tế, nâng cao hiệu quả và tuổi thọ mạng.

3. **Doanh nghiệp công nghệ và IoT:** Tham khảo để phát triển các sản phẩm và dịch vụ dựa trên WSN, đặc biệt trong các lĩnh vực nông nghiệp thông minh, giám sát môi trường và nhà thông minh.

4. **Cơ quan quản lý và hoạch định chính sách:** Sử dụng kết quả nghiên cứu để xây dựng các tiêu chuẩn và hướng dẫn phát triển công nghệ mạng cảm biến không dây, góp phần thúc đẩy ứng dụng công nghệ trong phát triển kinh tế - xã hội.

## Câu hỏi thường gặp

1. **Thuật toán đề xuất có thể áp dụng cho loại mạng cảm biến nào?**  
Thuật toán phù hợp với các mạng cảm biến không dây có số lượng nút từ vài trăm đến hàng ngàn, đặc biệt trong các môi trường có yêu cầu tiết kiệm năng lượng cao như nông nghiệp, công nghiệp và giám sát môi trường.

2. **Logic mờ giúp cải thiện hiệu quả mạng như thế nào?**  
Logic mờ cho phép xử lý các thông tin không chắc chắn và đa dạng về trạng thái nút, giúp lựa chọn nút trưởng cụm chính xác hơn dựa trên năng lượng và khoảng cách, từ đó giảm tiêu thụ năng lượng và kéo dài tuổi thọ mạng.

3. **Học máy được tích hợp ra sao trong thuật toán?**  
Học máy được sử dụng để phân tích dữ liệu thu thập, dự đoán trạng thái năng lượng và điều chỉnh lịch hoạt động nghỉ/nghỉ của các nút nhằm cân bằng tải và tiết kiệm năng lượng hiệu quả.

4. **Thuật toán có thể áp dụng trong môi trường thực tế không?**  
Có, với các mô phỏng và thử nghiệm thực tế cho thấy thuật toán có khả năng cải thiện đáng kể thời gian sống mạng và hiệu suất truyền dữ liệu, phù hợp để triển khai trong các hệ thống WSN thực tế.

5. **Làm thế nào để mô phỏng thuật toán này?**  
Có thể sử dụng phần mềm Matlab hoặc Python với các thư viện hỗ trợ mô phỏng mạng cảm biến không dây, kết hợp các mô hình logic mờ và học máy để đánh giá hiệu suất thuật toán trong các kịch bản khác nhau.

## Kết luận

- Đề xuất thuật toán định tuyến dựa trên logic mờ tích hợp học máy đã cải thiện đáng kể thời gian sống và hiệu quả năng lượng của mạng cảm biến không dây.  
- Thuật toán kết hợp ưu điểm của phân cụm k-Means và hệ thống suy luận mờ để lựa chọn nút trưởng cụm tối ưu.  
- Kết quả mô phỏng cho thấy tăng khoảng 25% tuổi thọ mạng và giảm 20% tiêu thụ năng lượng so với các thuật toán truyền thống.  
- Nghiên cứu mở ra hướng phát triển các giải pháp trí tuệ nhân tạo trong quản lý và tối ưu mạng cảm biến không dây.  
- Khuyến nghị triển khai thực tế và tiếp tục nghiên cứu mở rộng các thuật toán học máy nâng cao trong WSN để đáp ứng các yêu cầu ngày càng cao của ứng dụng công nghiệp và xã hội.

Hành động tiếp theo là áp dụng thuật toán trong các dự án thực tế và phát triển các công cụ hỗ trợ triển khai, đồng thời đào tạo nhân lực chuyên môn để khai thác hiệu quả công nghệ này.