Tổ chức hợp dữ liệu hiệu quả trong mạng không dây

• Trường học: Đại học Quốc gia Hà Nội
• Đề tài: Tổ chức hợp dữ liệu hiệu quả trong mạng không dây
• Loại tài liệu: luận văn
• Năm xuất bản: 2019
• Địa điểm: Hà Nội

• LỜI CAM ĐOAN
• LỜI MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN VẤN ĐỀ NGHIÊN CỨU
• 1.1. MẠNG CẢM BIẾN KHÔNG DÂY
• 1.2. TỔNG QUAN MÔ PHỎNG MẠNG CẢM BIẾN
• 1.3. MÔ HÌNH TỔNG HỢP DỮ LIỆU VÀ BÀI TOÁN THÀNH PHẦN
• 1.4. THEO DÕI MỤC TIÊU VÀ LỰA CHỌN DỮ LIỆU
• 1.5. ỨNG DỤNG LÝ THUYẾT TẬP THÔ TRONG TỔNG HỢP DỮ LIỆU
• 1.6. TỔNG HỢP DỮ LIỆU TẠI NÚT MẠNG
• 2. CHƯƠNG 2: DANH MỤC CÁC PHƯƠNG PHÁP VÀ TÀI LIỆU THAM KHẢO
• 3. CHƯƠNG 3: MÔ HÌNH VÀ PHƯƠNG PHÁP NGHIÊN CỨU
• 4. CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN
• DANH MỤC BẢNG
• TÀI LIỆU THAM KHẢO

I. Tổng Quan Về Hợp Dữ Liệu Trong Mạng Không Dây

Sự xuất hiện của mạng cảm biến không dây (WSNs) và các ứng dụng của chúng là một trong những xu hướng công nghệ chiếm ưu thế, phù hợp với xu thế phát triển của cuộc cách mạng công nghiệp lần thứ 4 hiện nay và trong những thập kỷ tới. Các mạng này được thiết kế bởi số lượng nút cảm biến, nhỏ và có chức năng tùy thuộc vào từng ứng dụng cụ thể, chúng có thể hoạt động độc lập hoặc theo nhóm. Trong nhiều trường hợp, các nút cảm biến chỉ sử dụng nguồn năng lượng dự trữ là pin mà chưa sử dụng nguồn năng lượng tái tạo. Vì vậy khi năng lượng lưu trữ của nút thấp hơn ngưỡng nào đó, nút sẽ không hoạt động và không thể tham gia với tư cách là một nút trong mạng. Các nút hoạt động có nhiệm vụ theo dõi mục tiêu, mỗi nút có thể thu thập được nhiều tham số và gửi (trực tiếp hoặc thông qua các nút trung gian) kết quả này đến trạm thu thập dữ liệu - BS (Base Station).

1.1. Lịch Sử Phát Triển Của Mạng Cảm Biến Không Dây

Giống như nhiều công nghệ khác, WSNs ra đời nhằm phục vụ mục đích quân sự và các ứng dụng của nền công nghiệp nặng. Một trong những mạng WSNs đầu tiên là hệ thống giám sát âm thanh - SOSUS (Sound Surveillance System). Năm 1949, hải quân Hoa Kỳ nghiên cứu tác chiến chống tàu ngầm Liên Xô bằng cách ghi lại chuỗi âm thanh thu được dưới nước ở các điểm khác nhau của Thái Bình Dương và Đại Tây Dương. Các hạm đội tàu ngầm Liên Xô sử dụng nhiên liệu hạt nhân nên quân đội Mỹ phát triển hệ thống giám sát âm thanh tần số thấp trong kênh SOFAR (Sound Fixing and Ranging channel).

1.2. Ứng Dụng Tiềm Năng Của Mạng Cảm Biến Trong IoT

WSNs ngày càng được ứng dụng rộng rãi trong nhiều lĩnh vực khác nhau, từ giám sát môi trường, nông nghiệp thông minh, đến y tế và tự động hóa công nghiệp. Sự phát triển của IoT (Internet of Things) đã thúc đẩy mạnh mẽ nhu cầu sử dụng WSNs để thu thập và truyền tải dữ liệu từ các thiết bị cảm biến đến các hệ thống xử lý trung tâm. Điều này mở ra nhiều cơ hội mới cho việc phát triển các ứng dụng thông minh và hiệu quả hơn.

II. Thách Thức Trong Quản Lý Dữ Liệu Hiệu Quả Ở Mạng Không Dây

Khi nhiều nút cùng theo dõi một mục tiêu và cùng gửi bằng sóng vô tuyến kết quả này đến BS sẽ có hiện tượng dư thừa dữ liệu gây lãng phí năng lượng dự trữ của nút đồng thời tăng nguy cơ nghẽn mạng. Hợp dữ liệu (data fusion) trên đường truyền từ các nút cảm biến trực tiếp theo dõi mục tiêu đến BS là một trong những giải pháp khắc phục các nhược điểm nêu trên. Cho đến nay, việc hợp dữ liệu thông qua mạng có phân cụm được nhiều nhóm lựa chọn để nghiên cứu bởi ưu điểm như sau: Phù hợp với mạng cảm biến tĩnh với việc các nút cảm biến được rải ngẫu nhiên và vị trí không thay đổi trong quá trình hoạt động cho đến lúc hết năng lượng, nút cảm biến sẽ ngừng hoạt động (trạng thái “die”); Thuận tiện trong kiểm soát định tuyến nhằm tiết kiệm năng lượng truyền dữ liệu đến điểm thu thập dữ liệu; phân bố tiêu hao năng lượng trên toàn mạng bằng việc thiết lập lại cụm (cluster) và nút cụm trưởng – CH (cluster head).

2.1. Vấn Đề Tiêu Thụ Năng Lượng Của Nút Cảm Biến

Một trong những thách thức lớn nhất trong mạng cảm biến không dây là vấn đề tiêu thụ năng lượng của các nút cảm biến. Các nút này thường hoạt động bằng pin và có nguồn năng lượng hạn chế. Việc truyền tải dữ liệu, xử lý thông tin và duy trì kết nối mạng đều tiêu tốn năng lượng. Do đó, cần có các giải pháp hiệu quả để giảm thiểu tiêu thụ năng lượng và kéo dài tuổi thọ của mạng.

2.2. Nguy Cơ Nghẽn Mạng Do Dữ Liệu Dư Thừa

Khi nhiều nút cảm biến cùng thu thập dữ liệu về một sự kiện hoặc mục tiêu, lượng dữ liệu truyền về trung tâm có thể tăng lên đáng kể, gây ra tình trạng nghẽn mạng. Điều này làm giảm hiệu suất của mạng và có thể dẫn đến mất mát dữ liệu. Cần có các cơ chế quản lý dữ liệu thông minh để giảm thiểu lượng dữ liệu dư thừa và đảm bảo truyền tải dữ liệu hiệu quả.

2.3. Yêu Cầu Về Bảo Mật Dữ Liệu Trong Mạng Không Dây

Trong nhiều ứng dụng, dữ liệu thu thập bởi mạng cảm biến không dây có thể chứa thông tin nhạy cảm. Do đó, bảo mật dữ liệu là một yêu cầu quan trọng. Cần có các giải pháp mã hóa và xác thực mạnh mẽ để bảo vệ dữ liệu khỏi các cuộc tấn công và truy cập trái phép.

III. Phương Pháp Hợp Dữ Liệu Tiết Kiệm Năng Lượng Hiệu Quả

Nút CH được lựa chọn theo một giải thuật nhất định, có thể được chỉ định bởi BS hoặc được bầu bởi các nút trong cụm. CH sẽ chịu trách nhiệm tổng hợp dữ liệu từ các nút trong cụm và gửi trực tiếp kết quả này đến BS hoặc gửi gián tiếp đến BS thông qua CH (hoặc nút) khác trên tuyến truyền. Trên thế giới, đã có nhiều trường đại học, công ty xây dựng các phòng thí nghiệm chuyên nghiên cứu về WSNs. Dự án OpenWSN của trường đại học Berkeley là một điển hình với việc tạo ra hệ điều hành (mã nguồn mở) TinyOS dành cho các sensor node của WSNs hoạt động trên nhiều nền tảng (platform) phần cứng và phần mềm khác nhau [11]. Các hãng chuyên sản xuất chip vi xử lý sử dụng cho các hệ thống nhúng trong đó có WSNs như Atmel, TI, Intel đã sản xuất các board mạch chứa cả một hệ thống nhúng có chức năng của một nút cảm biến đầy đủ, ví dụ các board của Telos, Mica, Imote.

3.1. Kiến Trúc Mạng Phân Cụm Cho Hợp Dữ Liệu

Sử dụng kiến trúc mạng phân cụm là một phương pháp phổ biến để hợp dữ liệu trong mạng không dây. Trong phương pháp này, các nút cảm biến được chia thành các cụm, mỗi cụm có một nút trưởng cụm (CH). Các nút thành viên trong cụm gửi dữ liệu của chúng đến CH, và CH sẽ hợp dữ liệu và gửi kết quả đến trạm gốc (BS). Điều này giúp giảm lượng dữ liệu truyền trên mạng và tiết kiệm năng lượng.

3.2. Giao Thức Hợp Dữ Liệu Dựa Trên Điện Toán Biên

Sử dụng điện toán biên (edge computing) là một phương pháp mới nổi để hợp dữ liệu trong mạng không dây. Trong phương pháp này, một số nút cảm biến được trang bị khả năng tính toán và lưu trữ. Các nút này có thể hợp dữ liệu cục bộ và chỉ gửi kết quả quan trọng đến trạm gốc. Điều này giúp giảm độ trễ và tiết kiệm băng thông.

3.3. Thuật Toán Hợp Dữ Liệu Tối Ưu Hóa Băng Thông

Phát triển các thuật toán hợp dữ liệu hiệu quả là rất quan trọng để giảm lượng dữ liệu truyền trên mạng và tiết kiệm băng thông. Các thuật toán này có thể sử dụng các kỹ thuật như nén dữ liệu, loại bỏ dữ liệu dư thừa và chỉ truyền dữ liệu quan trọng.

IV. Ứng Dụng Học Máy Trong Hợp Dữ Liệu Ở Mạng Không Dây

Nhiều công trình nghiên cứu về chủ đề tổng hợp dữ liệu (data fusion): tập sách “Handbook of Multisensor Data Fusion” [12] với 32 nghiên cứu (gần 900 trang) lý thuyết và ứng dụng; tập sách “Multi-sensor data fusion with MATLAB” [13] với 570 trang nội dung chủ yếu về các kỹ thuật tổng hợp dữ liệu được mô phỏng bằng MATLAB. Hội nghị IEEE năm 2013 có bài “A Data Fusion Technique for Wireless Ranging Performance Improvement” của nhóm tác giả David Maiii [14], bài báo “Multi-sensor data fusion in wireless seпsor network for target detection” về theo dõi mục tiêu [15], sử dụng trí tuệ nhân tạo như mạng nơ-ron để tổng hợp dữ liệu ở bài “Large-scale mobile wireless sensor network data fusion algorithm” [16. 20], xử lý giao thoa và nhiễu tần số như ở bài báo “Data Tracking Using Frequency Offset and SINR for Physical Wireless Conversion Sensor Networks” [17].

4.1. Sử Dụng Học Sâu Để Phân Cụm Dữ Liệu

Học sâu (deep learning) có thể được sử dụng để phân cụm dữ liệu từ các nút cảm biến và xác định các mẫu và mối quan hệ ẩn trong dữ liệu. Điều này có thể giúp cải thiện độ chính xác và hiệu quả của hợp dữ liệu.

4.2. Học Tăng Cường Để Tối Ưu Hóa Quá Trình Hợp Dữ Liệu

Học tăng cường (reinforcement learning) có thể được sử dụng để tối ưu hóa quá trình hợp dữ liệu bằng cách học cách lựa chọn các thuật toán hợp dữ liệu phù hợp nhất cho từng tình huống cụ thể. Điều này có thể giúp cải thiện hiệu suất của mạng và tiết kiệm năng lượng.

4.3. Trí Tuệ Nhân Tạo Để Phát Hiện Dữ Liệu Bất Thường

Trí tuệ nhân tạo (AI) có thể được sử dụng để phát hiện dữ liệu bất thường trong mạng cảm biến không dây. Điều này có thể giúp xác định các sự kiện quan trọng và cải thiện độ tin cậy của dữ liệu.

V. Nghiên Cứu Phát Triển Hợp Dữ Liệu Tại Việt Nam

Việt Nam, một số trường đại học như: Đại học Công nghệ, Đại học Quốc gia Hà Nội, Đại học Quốc gia Thành phố Hồ Chí Minh, Đại học Bách khoa Hà Nội, Viện Công nghệ thông tin, Viện Hàn lâm khoa học và công nghệ Việt Nam, Học viện Kỹ thuật Quân sự, Học viện Công nghệ Bưu chính Viễn thông và một số nơi khác cũng đang nghiên cứu về lĩnh vực WSNs để phát triển thành các ứng dụng cho xã hội. Các hướng nghiên cứu chuyên sâu đã được thực hiện tại các cơ sở đào tạo chủ yếu nghiên cứu về các kỹ thuật phân nhóm WSNs [2]; Mức tiêu thụ công suất khi sử dụng giao thức của WSNs [3]; Các nghiên cứu mô phỏng và cải tiến giao thức định tuyến PEGASIS, LEACH cho WSNs dựa vào vị trí [6, 7], định tuyến trên cơ sở nhận thức về năng lượng [1, 8], cảm biến cho kỹ thuật dẫn đường các robot di động [9], định tuyến tiết kiệm năng lượng [10] và một số nghiên cứu khác.

5.1. Các Hướng Nghiên Cứu Chính Về Mạng Cảm Biến

Các hướng nghiên cứu chính ở trong và ngoài nước chủ yếu hướng đến các mục tiêu chính sau: Sử dụng hiệu quả năng lượng trên từng nút mạng nhằm kéo dài tuổi thọ của nút đồng nghĩa với việc kéo dài “thời gian sống” của WSNs. Giải pháp đồng bộ hóa giữa các nút cảm biến nhằm chia sẻ vai trò của mỗi nút trong việc theo dõi về mục tiêu và truyền dữ liệu đó đến điểm thu thập dữ liệu. Việc đồng bộ hóa có thể là điều khiển nút thức – ngủ một cách thông minh hay đo lường mục tiêu khi có sự biến động mà không theo chu kỳ cố định.

5.2. Đánh Giá Chất Lượng Dữ Liệu Trong Mạng Cảm Biến

Các yếu tố dữ liệu được xem xét như: Tính bảo mật, tính toàn vẹn, tính xác thực, tính sẵn sàng và tính tươi mới của dữ liệu. Như vậy, hầu hết các nghiên cứu đó chưa đề xuất được một giải pháp tổng thể nhằm tiệm cận giá trị đo tối ưu của WSNs (trường hợp mạng lý tưởng, dữ liệu được truyền như với mạng có dây trong điều kiện lý tưởng) hoặc chỉ áp dụng thuật toán để giải quyết một công đoạn nào đó trong ứng dụng cụ thể.

VI. Kết Luận Hướng Phát Triển Hợp Dữ Liệu Tương Lai

Tóm lại, các hướng nghiên cứu ở trong và ngoài nước chủ yếu hướng đến các mục tiêu chính sau: - Sử dụng hiệu quả năng lượng trên từng nút mạng nhằm kéo dài tuổi thọ của nút đồng nghĩa với việc kéo dài “thời gian sống” của WSNs. - Giải pháp đồng bộ hóa giữa các nút cảm biến nhằm chia sẻ vai trò của mỗi nút trong việc theo dõi về mục tiêu và truyền dữ liệu đó đến điểm thu thập dữ liệu. Việc đồng bộ hóa có thể là điều khiển nút thức – ngủ một cách thông minh hay đo lường mục tiêu khi có sự biến động mà không theo chu kỳ cố định. Các yếu tố dữ liệu được xem xét như: Tính bảo mật, tính toàn vẹn, tính xác thực, tính sẵn sàng và tính tươi mới của dữ liệu.

6.1. Hợp Dữ Liệu Dựa Trên Điện Toán Đám Mây

Trong tương lai, hợp dữ liệu có thể được thực hiện trên điện toán đám mây (cloud computing). Điều này cho phép xử lý lượng lớn dữ liệu từ mạng cảm biến không dây và cung cấp các dịch vụ phân tích dữ liệu nâng cao.

6.2. Hợp Dữ Liệu An Toàn Bảo Mật

Phát triển các giải pháp hợp dữ liệu an toàn và bảo mật là rất quan trọng để bảo vệ dữ liệu khỏi các cuộc tấn công và truy cập trái phép. Các giải pháp này có thể sử dụng các kỹ thuật mã hóa, xác thực và kiểm soát truy cập.

6.3. Hợp Dữ Liệu Thích Ứng Với Môi Trường Thay Đổi

Các giải pháp hợp dữ liệu cần có khả năng thích ứng với môi trường thay đổi, chẳng hạn như sự thay đổi về mật độ nút cảm biến, điều kiện thời tiết và các sự kiện bất thường. Điều này đòi hỏi các thuật toán hợp dữ liệu linh hoạt và có khả năng học hỏi.