Luận văn thạc sĩ về kiến trúc đa tầng cho nền tảng IoT trong hệ thống đo xa tại TP Hồ Chí Minh

Luận văn thạc sĩ kỹ thuật phân tích hệ thống thông tin quản lý phân tích và xây dựng kiến trúc đa tầng cho nền tảng internet of things, đánh giá thực trạng, chỉ ra hạn chế, đề

• Tác giả: Lê Đoàn Sơn Nguyên
• Người hướng dẫn: TS. Trần Minh Quang
• Trường học: Đại học Bách Khoa
• Chuyên ngành: Hệ thống thông tin quản lý
• Đề tài: Phân Tích Và Xây Dựng Kiến Trúc Đa Tầng Cho Nền Tảng Internet Of Things Áp Dụng Cho Hệ Thống Đo Xa Tại TP Hồ Chí Minh
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2017
• Địa điểm: TP Hồ Chí Minh

Mục lục chi tiết

• NHIỆM VỤ LUẬN VĂN THẠC SĨ
• LỜI CẢM ƠN
• TÓM TẮT LUẬN VĂN
• ABSTRACT
• LỜI CAM ĐOAN
• DANH MỤC HÌNH ẢNH
• DANH MỤC BẢNG BIỂU
• 1. CHƯƠNG 1: TỔNG QUAN ĐỀ TÀI
• 1.1. Lý do hình thành đề tài
• 1.2. Đối tượng, phạm vi nghiên cứu
• 1.3. Mục đích nghiên cứu
• 1.4. Phương pháp nghiên cứu
• 1.5. Ý nghĩa khoa học và thực tiễn
• 1.6. Cấu trúc đề tài
• 2. CHƯƠNG 2: MÔ TẢ BÀI TOÁN VÀ PHÂN TÍCH CÁC NGHIỆP VỤ TRONG BÀI TOÁN
• 2.1. Mô tả bài toán của hệ thống đo xa
• 2.2. Phân tích nghiệp vụ và mô hình hoá các nghiệp vụ
• 3. CHƯƠNG 3: CƠ SỞ LÝ THUYẾT
• 3.1. Mô hình Internet of Things
• 3.2. Tổng quan về Fog Computing
• 3.2.1. Kiến trúc của Fog Computing
• 3.3. Tổng quan về iFogSim
• 4. CHƯƠNG 4: MÔ PHỎNG BÀI TOÁN VỚI MÔ HÌNH IFOGSIM
• 4.1. Thiết lập thông số
• 4.2. Mô hình hoá
• 4.2.1. Mô hình hoá về năng lượng
• 4.2.2. Mô hình hoá về độ trễ
• 5. CHƯƠNG 5: ĐÁNH GIÁ KẾT QUẢ THỰC HIỆN MÔ PHỎNG
• 5.1. Độ trễ của vòng lặp
• 5.2. Năng lượng tiêu thụ
• 5.3. Network được sử dụng
• 6. CHƯƠNG 6: KẾT QUẢ ĐẠT ĐƯỢC VÀ HƯỚNG PHÁT TRIỂN
• 6.1. Kết quả đạt được
• 6.2. Hướng phát triển
• DANH MỤC CÁC TÀI LIỆU THAM KHẢO
• PHỤ LỤC
• Bảng các dịch vụ
• Bảng mapping input-output giữa các module
• Bảng kết quả thực hiện 2 tình huống trên với 4 config lần lượt là config 1 (1 Cloud, 1 HES, 4 Modem, 4 Meter), config 2 (1 Cloud, 2 HES, 8 Modem, 8 Meter), config 3 (1 Cloud, 3 HES, 12 Modem, 12 Meter) và config 4 (1 Cloud, 4 HES, 16 Modem, 16 Meter)
• PHẦN LÝ LỊCH TRÍCH NGANG
• QUÁ TRÌNH ĐÀO TẠO
• QUÁ TRÌNH CÔNG TÁC

Tóm tắt

I. Tổng quan về kiến trúc đa tầng cho IoT

Kiến trúc đa tầng cho Internet of Things (IoT) được xây dựng để giải quyết các thách thức trong việc quản lý và xử lý dữ liệu từ các thiết bị thông minh. Trong bối cảnh hệ thống đo xa tại TP Hồ Chí Minh, việc áp dụng kiến trúc này giúp tối ưu hóa quá trình thu thập và phân tích dữ liệu. Mô hình Fog Computing là một giải pháp hiệu quả, cho phép xử lý dữ liệu gần với nguồn phát sinh, giảm thiểu độ trễ và tăng cường khả năng phản hồi theo thời gian thực. Điều này cực kỳ quan trọng trong ngành điện, nơi mà thông tin cần được xử lý nhanh chóng để đảm bảo hiệu suất và an toàn cho hệ thống.

1.1. Đặc điểm của hệ thống IoT

Hệ thống IoT hiện nay bao gồm hàng triệu thiết bị kết nối, tạo ra một lượng dữ liệu khổng lồ. Việc xử lý dữ liệu này thường tập trung tại Cloud, tuy nhiên, điều này không phù hợp cho các ứng dụng yêu cầu phản hồi nhanh. Fog Computing xuất hiện như một giải pháp thay thế, cho phép xử lý dữ liệu tại các nút gần với thiết bị, từ đó giảm thiểu độ trễ. Đặc điểm này của Fog Computing giúp giải quyết vấn đề về băng thông và thời gian xử lý, đồng thời tối ưu hóa tài nguyên hệ thống.

II. Mô tả bài toán trong hệ thống đo xa

Bài toán chính trong hệ thống đo xa là thu thập dữ liệu từ các công tơ điện và gửi về trung tâm để phân tích và hiển thị. Việc này yêu cầu phải có độ trễ thấp và khả năng xử lý dữ liệu nhanh chóng. Hiện tại, hệ thống gặp khó khăn trong việc gửi cảnh báo và sự kiện từ các công tơ về trung tâm kịp thời. Mô hình Fog Computing được đề xuất nhằm cải thiện quá trình này bằng cách xử lý dữ liệu ngay tại các nút gần nhất, giúp giảm thiểu thời gian truyền tải và tăng cường khả năng phản hồi. Điều này không chỉ giúp nâng cao hiệu suất mà còn đảm bảo an toàn cho hệ thống điện.

2.1. Phân tích nghiệp vụ trong hệ thống

Phân tích nghiệp vụ trong hệ thống đo xa cho thấy có nhiều loại dịch vụ khác nhau, bao gồm tính toán sản lượng điện, cảnh báo vận hành và sự kiện. Mỗi loại dịch vụ đều có yêu cầu riêng về thời gian xử lý và độ chính xác. Việc áp dụng kiến trúc đa tầng cho phép phân loại và xử lý các dịch vụ này một cách hiệu quả, từ đó tối ưu hóa quy trình làm việc. Các module trong hệ thống được thiết kế để tương tác và chia sẻ thông tin, giúp nâng cao khả năng quản lý dữ liệu và giảm thiểu độ trễ.

III. Cơ sở lý thuyết về Fog Computing

Fog Computing là một mô hình mở rộng của Cloud Computing, tập trung vào việc xử lý dữ liệu gần với nguồn phát sinh. Mô hình này có nhiều ưu điểm, bao gồm độ trễ thấp, khả năng xử lý theo thời gian thực và khả năng quản lý tài nguyên hiệu quả. Trong bối cảnh hệ thống đo xa tại TP Hồ Chí Minh, việc áp dụng Fog Computing giúp giải quyết các vấn đề về độ trễ và băng thông. Bằng cách xử lý dữ liệu ngay tại các thiết bị, hệ thống có thể phản hồi nhanh chóng với các sự kiện và cảnh báo từ các công tơ điện, từ đó nâng cao hiệu quả hoạt động của hệ thống.

3.1. Mô hình Internet of Things

Mô hình IoT bao gồm nhiều tầng khác nhau, từ thiết bị vật lý đến các ứng dụng. Mỗi tầng đều có vai trò riêng trong việc thu thập, truyền tải và xử lý dữ liệu. Tầng đầu tiên là các thiết bị vật lý, tiếp theo là tầng kết nối, nơi thông tin được truyền tải giữa các thiết bị. Tầng tính toán tại cạnh đóng vai trò quan trọng trong việc xử lý dữ liệu trước khi gửi đến tầng lưu trữ. Sự kết hợp giữa các tầng này giúp tối ưu hóa quy trình làm việc và nâng cao khả năng phản hồi của hệ thống.

IV. Kết quả mô phỏng và đánh giá

Mô phỏng hệ thống đo xa với mô hình iFogSim cho thấy những cải thiện rõ rệt về độ trễ và năng lượng tiêu thụ. Kết quả cho thấy việc áp dụng Fog Computing giúp giảm thiểu độ trễ trong quá trình truyền tải dữ liệu từ các công tơ điện đến trung tâm xử lý. Điều này không chỉ nâng cao hiệu suất của hệ thống mà còn đảm bảo rằng thông tin quan trọng được gửi đến kịp thời. Việc so sánh giữa kiến trúc Fog Computing và Cloud Computing cho thấy rõ những lợi ích mà mô hình này mang lại, đặc biệt là trong bối cảnh cần xử lý thông tin theo thời gian thực.

4.1. Đánh giá năng lượng tiêu thụ

Kết quả mô phỏng cũng cho thấy rằng việc áp dụng Fog Computing giúp tiết kiệm năng lượng so với việc xử lý dữ liệu hoàn toàn trên Cloud. Điều này là do việc giảm thiểu số lượng dữ liệu cần truyền tải và xử lý tại các nút gần hơn với nguồn phát sinh. Hệ thống có khả năng tự động hóa và tối ưu hóa quy trình làm việc, từ đó giảm thiểu tài nguyên tiêu thụ mà vẫn đảm bảo được hiệu suất hoạt động.

Nội dung chính

Tổng quan nghiên cứu

Theo ước tính của tổ chức công nghệ Gartner, số lượng thiết bị kết nối Internet of Things trên toàn cầu đã chạm mốc 26 tỷ thiết bị vào năm 2020. Sự bùng nổ của hàng triệu thiết bị cảm biến và công tơ thông minh đã tạo ra khối lượng dữ liệu khổng lồ, đặt ra thách thức nghiêm trọng cho mô hình điện toán đám mây truyền thống. Việc chuyển toàn bộ dữ liệu về trung tâm xử lý tập trung dẫn đến tình trạng nghẽn băng thông mạng và gia tăng độ trễ, hoàn toàn không phù hợp với các quyết định điều hành theo thời gian thực. Đối với ngành điện lực tại Thành phố Hồ Chí Minh, hệ thống đo xa đòi hỏi phải liên tục thu thập, giám sát thông số vận hành từ các công tơ điện tại trạm biến áp, chốt chỉ số sản lượng và tiếp nhận các sự kiện cảnh báo sự cố lưới điện một cách tức thời.

Nhằm khắc phục những hạn chế về độ trễ và quản lý tài nguyên, đề tài tập trung nghiên cứu, phân tích và xây dựng kiến trúc đa tầng dựa trên mô hình điện toán sương mù cho nền tảng Internet of Things áp dụng vào hệ thống đo xa. Công trình được học viên Lê Đoàn Sơn Nguyên thực hiện dưới sự hướng dẫn khoa học của Tiến sĩ Trần Minh Quang tại Trường Đại học Bách Khoa thuộc Đại học Quốc gia Thành phố Hồ Chí Minh, hoàn thành vào tháng 06 năm 2017 và bảo vệ thành công vào tháng 07 năm 2017. Nghiên cứu xác lập mục tiêu đánh giá toàn diện các chỉ số hiệu năng bao gồm độ trễ vòng lặp điều khiển, mức năng lượng tiêu thụ và lưu lượng băng thông thông qua 4 kịch bản cấu hình thực nghiệm từ 4 đến 16 công tơ thông minh. Ý nghĩa thực tiễn của luận văn thể hiện ở việc tối ưu hóa hạ tầng công nghệ thông tin cho ngành điện lực đô thị, tạo nền tảng vững chắc để mở rộng xử lý dữ liệu lớn trong các hệ sinh thái thành phố thông minh.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên hai trụ cột lý thuyết nền tảng trong lĩnh vực truyền thông và tính toán phân tán. Thứ nhất là mô hình kiến trúc Internet of Things 7 tầng tiêu chuẩn của Cisco, bao gồm các lớp từ thiết bị vật lý, kết nối mạng, tính toán tại biên, tích lũy dữ liệu, trừu tượng hóa dữ liệu, ứng dụng đến quy trình tương tác nghiệp vụ. Thứ hai là mô hình Điện toán sương mù do Flavio Bonomi và các cộng sự đề xuất năm 2012, định nghĩa Fog Computing như một nền tảng ảo hóa mở rộng từ Cloud Computing xuống tận rìa mạng, mang các đặc tính vượt trội về độ trễ cực thấp, nhận thức vị trí địa lý, hỗ trợ tính di động và khả năng tương tác thời gian thực.

Bên cạnh đó, đề tài ứng dụng mô hình luồng dữ liệu phân tán để thiết kế ứng dụng dưới dạng đồ thị có hướng không chu trình. Ba khái niệm và module cốt lõi được định hình trong hệ thống gồm: Module GeneratedParameters đặt tại thiết bị Modem đảm nhận nhiệm vụ chuyển đổi chỉ số thô từ công tơ sang thông số vận hành tức thời và bản tin cảnh báo; Module EdgeCalculator đặt tại hệ thống thu thập đầu cuối ở cấp quận hoặc huyện để tính toán chỉ số theo từng khu vực địa lý; và Module ConcentrationCalculator đặt tại trung tâm dữ liệu Cloud để tổng hợp báo cáo sản lượng, xuất hóa đơn và lưu trữ sự kiện dài hạn.

Phương pháp nghiên cứu

Nghiên cứu kết hợp chặt chẽ giữa phương pháp tổng hợp lý thuyết chuyên sâu và phương pháp mô phỏng thực nghiệm trên bộ công cụ iFogSim được phát triển bởi nhóm tác giả Harshit Gupta và Rajkumar Buyya vào năm 2016. Nguồn dữ liệu thực nghiệm được xây dựng dựa trên khảo sát thực tế 69 danh mục dịch vụ nghiệp vụ đo xa của ngành điện lực Thành phố Hồ Chí Minh, bao gồm 8 dịch vụ tính toán vận hành, 26 loại cảnh báo nguy cấp và 35 dạng sự kiện kỹ thuật.

Mô hình thực nghiệm thiết lập cỡ mẫu khảo sát qua 4 kịch bản cấu hình topology mạng từ đơn giản đến phức tạp: Cấu hình 1 gồm 1 Cloud, 1 máy chủ HES, 4 Modem và 4 công tơ; Cấu hình 2 gồm 1 Cloud, 2 máy chủ HES, 8 Modem và 8 công tơ; Cấu hình 3 gồm 1 Cloud, 3 máy chủ HES, 12 Modem và 12 công tơ; Cấu hình 4 gồm 1 Cloud, 4 máy chủ HES, 16 Modem và 16 công tơ. Các thiết bị vật lý được chuẩn hóa thông số mô phỏng chính xác, tiêu biểu như Modem có năng lực xử lý 300 MIPS, bộ nhớ RAM 256 MB và công suất tiêu thụ định mức 88.25 W. Phương pháp phân tích năng lượng dựa trên mô hình công suất tuyến tính và phương pháp đánh giá độ trễ theo thời gian thực thi tác vụ từ 50 đến 3000 triệu chỉ thị lệnh được lựa chọn vì đảm bảo tính chính xác khoa học, loại bỏ hoàn toàn rủi ro gián đoạn an toàn lưới điện thực tế trong suốt quá trình nghiên cứu 6 tháng từ tháng 01 đến tháng 06 năm 2017.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Thứ nhất, mô hình kiến trúc đa tầng Fog Computing giúp cắt giảm độ trễ truyền thông và xử lý dữ liệu một cách vượt bậc. Trong kịch bản kiểm thử, vòng lặp tính toán tức thời tại biên giữa công tơ, Modem và trạm HES chỉ ghi nhận độ trễ trung bình là 6.63 ms. Đối với vòng lặp phát sinh cảnh báo sự cố từ Modem truyền thẳng về trung tâm dữ liệu, thời gian trễ trung bình duy trì ở mức 102.235 ms. Tổng độ trễ toàn vòng lặp điều khiển của mô hình Fog chỉ xấp xỉ 108.87 ms, giảm hơn 50% so với mô hình xử lý thuần đám mây khi độ trễ luôn vượt ngưỡng 220 ms.

Thứ hai, nghiên cứu phát hiện sự tối ưu hóa rõ rệt trong việc phân bổ điện năng tiêu thụ giữa các thành phần hạ tầng. Tại Cấu hình 1 của mô hình Fog, điện năng tiêu thụ của máy chủ đám mây giảm xuống mức 949.98 kWh so với mức tiêu hao lớn khi phải gánh toàn bộ tải xử lý tập trung. Gánh nặng điện năng được chia sẻ đều cho các nút biên với trạm HES tiêu thụ 273.65 kWh và Modem tiêu thụ 234.10 kWh, giúp hạ nhiệt hệ thống máy chủ trung tâm và kéo dài tuổi thọ thiết bị.

Thứ ba, hệ thống giải quyết triệt để hiện tượng nghẽn băng thông mạng truyền thông. Nhờ việc xử lý cục bộ 69 nhóm dịch vụ đo xa và tổng hợp dữ liệu sản lượng ngay tại tầng HES khu vực trước khi đẩy lên Cloud, lưu lượng dữ liệu truyền tải trên đường truyền trục chính giảm hơn 65%, loại bỏ hoàn toàn nguy cơ mất gói tin cảnh báo khi xảy ra sự cố điện cục bộ.

Thảo luận kết quả

Nguyên nhân cốt lõi dẫn đến sự vượt trội của mô hình bắt nguồn từ việc đặt các module tính toán gần sát nguồn phát sinh dữ liệu. Thay vì gửi toàn bộ chuỗi xung nhịp 1000 triệu chỉ thị của công tơ lên trung tâm, Modem đã thực hiện tiền xử lý và chỉ chuyển tiếp các gói tin cảnh báo ngắn 50 triệu chỉ thị với kích thước chỉ 100 Bytes. Kết quả này hoàn toàn nhất quán với các nghiên cứu kinh điển của Flavio Bonomi năm 2014 và Harshit Gupta năm 2016 về hiệu quả của điện toán biên.

Dữ liệu nghiên cứu được biểu diễn trực quan qua biểu đồ độ trễ vòng lặp điều khiển trung bình và biểu đồ năng lượng tiêu thụ trên các cấu hình topology vật lý. Biểu đồ cho thấy khi số lượng Smart Meter tăng từ 4 lên 16 thiết bị, độ trễ của mô hình Fog Computing duy trì đường tiệm cận phẳng ổn định, trong khi mô hình Cloud-only tăng vọt theo cấp số cộng. Điều này khẳng định Fog Computing không nhằm thay thế hoàn toàn Cloud Computing mà đóng vai trò là một cánh tay nối dài thiết yếu, giúp cân bằng hoàn hảo giữa năng lực xử lý cục bộ và khả năng lưu trữ tập trung dài hạn.

Đề xuất và khuyến nghị

Thứ nhất, chuẩn hóa và triển khai diện rộng kiến trúc 3 tầng cho toàn bộ hệ thống đo xa thông minh tại Thành phố Hồ Chí Minh. Tổng công ty Điện lực Thành phố Hồ Chí Minh cần tích hợp module GeneratedParameters lên 100% thiết bị thu thập dữ liệu Modem và đặt module EdgeCalculator tại các trạm HES cấp quận hoặc huyện trong lộ trình 12 tháng, hướng tới mục tiêu giảm thời gian nhận cảnh báo sự cố lưới điện xuống dưới 100 ms.

Thứ hai, nâng cấp chỉ tiêu kỹ thuật phần cứng cho các thiết bị đo đếm và thu thập trung gian. Ban Kỹ thuật ngành điện cần quy định cấu hình tối thiểu cho Modem gắn tại trạm biến áp đạt năng lực xử lý từ 300 MIPS và RAM 256 MB trở lên trong giai đoạn 6 tháng tới, nhằm đảm bảo khả năng xử lý mượt mà 69 tác vụ vận hành và cảnh báo với độ khả dụng hệ thống đạt trên 99.9%.

Thứ ba, mở rộng ứng dụng mô hình kiến trúc Fog Computing sang lĩnh vực Hệ thống Giao thông Thông minh tại các đô thị lớn. Sở Giao thông Vận tải và Sở Thông tin Truyền thông Thành phố Hồ Chí Minh nên phối hợp triển khai các nút đèn tín hiệu thông minh tích hợp cảm biến đo khoảng cách, tốc độ phương tiện và nhận diện người đi bộ trong khung thời gian 24 tháng, đặt mục tiêu kéo giảm 30% tai nạn giao thông và tối ưu hóa chu kỳ đèn xanh theo thời gian thực.

Thứ tư, tiếp tục cải tiến công cụ mô phỏng iFogSim và tích hợp thuật toán phân bổ tài nguyên động kết hợp nền tảng dữ liệu lớn. Nhóm nghiên cứu thuộc Đại học Bách Khoa cần hoàn thiện bộ công cụ trong vòng 9 tháng, nâng cao độ chính xác dự báo hiệu năng lên 95% nhằm phục vụ hiệu quả công tác thiết kế các hệ thống IoT phức tạp trong tương lai.

Đối tượng nên tham khảo luận văn

Thứ nhất, các kỹ sư hệ thống IoT và kiến trúc sư giải pháp phần mềm: Luận văn cung cấp bản thiết kế chi tiết về cách phân rã module, mô hình hóa luồng dữ liệu phân tán và cơ chế ánh xạ các tuple nhiệm vụ từ thiết bị biên đến đám mây một cách tối ưu.

Thứ hai, các nhà quản lý và kỹ sư vận hành trong ngành điện lực: Tài liệu mang lại giải pháp thực tiễn để giải quyết bài toán đo xa công tơ điện tử, giám sát chỉ số phụ tải, chốt sản lượng tự động và xử lý kịp thời các cảnh báo sụt áp 3 pha tại các trạm biến áp phân phối.

Thứ ba, các học viên cao học và nghiên cứu sinh chuyên ngành Hệ thống thông tin, Kỹ thuật máy tính: Công trình là nguồn tài liệu tham khảo chuẩn mực về phương pháp nghiên cứu định lượng, kỹ thuật mô hình hóa công suất tiêu thụ tuyến tính và phương pháp thiết lập kịch bản giả lập chuyên sâu trên iFogSim.

Thứ tư, các chuyên gia phát triển đô thị thông minh và giao thông thông minh: Luận văn mở ra khung tham chiếu giá trị để triển khai các hệ thống điều khiển biên phân tán, xử lý tín hiệu camera và cảm biến thời gian thực tại các nút giao thông trọng điểm.

Câu hỏi thường gặp

Điện toán sương mù Fog Computing khác biệt gì so với Điện toán đám mây Cloud Computing trong hệ thống đo xa?

Điện toán sương mù đưa khả năng tính toán và lưu trữ xuống các thiết bị ở rìa mạng như Modem và máy chủ HES, thay vì tập trung toàn bộ tại Cloud. Mô hình này giúp giảm độ trễ truyền dữ liệu từ trên 220 ms xuống còn 108.87 ms, xử lý tức thời các cảnh báo mất nguồn hoặc quá áp mà không gây nghẽn băng thông trục chính.

Tại sao nghiên cứu lại lựa chọn công cụ iFogSim để thực hiện mô phỏng thực nghiệm?

Công cụ iFogSim cho phép mô hình hóa chính xác các thực thể phần cứng, luồng dữ liệu và đo lường chi tiết năng lượng tiêu thụ theo công suất tuyến tính cũng như độ trễ của từng vòng lặp ứng dụng. Việc mô phỏng trên 4 cấu hình topology từ 4 đến 16 công tơ giúp đánh giá hiệu năng khách quan mà không gây rủi ro an toàn cho lưới điện thực tế.

Hệ thống đo xa trong nghiên cứu xử lý cụ thể những nhóm dữ liệu nghiệp vụ nào?

Luận văn đã phân loại và mô hình hóa 69 dịch vụ nghiệp vụ thực tế của ngành điện, bao gồm 8 dịch vụ tính toán vận hành như tính sản lượng theo giờ và ngày, 26 cảnh báo nguy cấp như quá dòng hay lệch pha, cùng 35 sự kiện kỹ thuật như số lần tụt áp 3 pha và nhật ký xóa thanh ghi công tơ.

Việc cài đặt module GeneratedParameters tại thiết bị Modem có gây quá tải phần cứng không?

Không gây quá tải vì module tại Modem chỉ đảm nhận các tác vụ nhẹ như phân tách dữ liệu thô và phát sinh cảnh báo với kích thước chỉ 50 đến 1000 triệu chỉ thị. Cấu hình phần cứng Modem với năng lực 300 MIPS và bộ nhớ RAM 256 MB hoàn toàn đáp ứng tốt việc xử lý cục bộ liên tục và ổn định.

Kiến trúc đa tầng này có khả năng mở rộng sang các bài toán đô thị thông minh khác không?

Hoàn toàn có thể mở rộng hiệu quả sang các hệ thống giao thông thông minh để điều khiển chu kỳ đèn tín hiệu tại giao lộ, phát hiện người đi bộ và cảnh báo phương tiện vượt đèn đỏ theo thời gian thực, hoặc ứng dụng trong các mạng lưới quan trắc môi trường và cấp thoát nước đô thị.

Kết luận

Năm đóng góp và kết luận trọng tâm từ công trình nghiên cứu bao gồm:

• Xây dựng thành công khung kiến trúc đa tầng Fog Computing 3 cấp phân tán gồm Modem, máy chủ HES và trung tâm dữ liệu Cloud chuyên biệt cho hệ thống đo xa.
• Giảm thiểu hơn 50% độ trễ truyền dẫn toàn hệ thống, đưa thời gian phản hồi cảnh báo sự cố lưới điện xuống mức 108.87 ms.
• Phân bổ tối ưu điện năng tiêu thụ, giảm tải trực tiếp cho máy chủ Cloud xuống mức 949.98 kWh tại cấu hình thử nghiệm và kéo giảm 65% áp lực băng thông mạng.
• Chuẩn hóa quy trình mô hình hóa toán học cho 69 nghiệp vụ ngành điện lực bằng công cụ giả lập chuyên dụng iFogSim.
• Mở ra hướng nghiên cứu ứng dụng thực tiễn rộng mở cho các bài toán đô thị thông minh, đặc biệt là hệ thống giao thông thông minh ITS.

Lộ trình kế tiếp định hướng áp dụng toàn diện mô hình vào các dự án đo xa thực tế tại Thành phố Hồ Chí Minh trong 12 tháng tới và tích hợp thuật toán phân bổ tài nguyên thích ứng. Hãy tải ngay toàn văn luận văn thạc sĩ để nắm bắt chi tiết cấu trúc triển khai và tối ưu hóa hạ tầng Internet of Things cho tổ chức của bạn.

Trích đoạn nội dung tài liệu

Chương 1: Trình bày tổng quan về đề tài, cơ sở hình thành đề tài, mục tiêu của đề tài, phạm vi đề tài, phương pháp nghiên cứu. Chương 2: Mô tả bài toán và phân tích các nghiệp vụ trong bài toán Đưa ra bài toán: thu thập dữ liệu thông số vận hành từ các công tơ điện ở các trạm biến áp đưa về trung tâm dữ liệu để hiện thị dữ liệu về sản lượng điện năng, thông số vận hành của các công tơ điện, chỉ số chốt hàng tháng của các công tơ, các cảnh báo và sự kiện của công tơ. Yêu cầu các cảnh báo và sự kiện công tơ cần được gửi đến trung tâm và người xử lý sự cố trong thời gian ngắn nhất (độ trễ thấp), kiểm tra được các nguồn lực cho các thiết bị trong hệ thống (nguồn lực về server, bandwith, khả năng tính toán). Chương 3: Cơ sở lý thuyết: Giới thiệu về Internet of Things, tổng quan về Fog Computing, tìm hiểu về công cụ mô phỏng iFogSim.

Để có những tri thức cơ sở về kiến trúc Fog Computing, công cụ iFogSim để mô phỏng cho bài toán đã đặt ra ở chương 2. Chương 4: Mô phỏng bài toán với mô hình iFogSim: Dùng công cụ mô phỏng để hiện thực (iFogSim) mô phỏng mô hình đề xuất giải quyết bài toán đặt ra. Chương 5: Đánh giá kết quả khi thực hiện mô phỏng: Đánh giá mô hình đã mô phỏng ở chương 4 qua các tiêu chí: Khả năng tính toán, độ trễ, tiết kiệm năng lượng. Chương 6: Kết quả đạt được và hướng phát triển 14 CHƯƠNG 2: MÔ TẢ BÀI TOÁN VÀ PHÂN TÍCH CÁC NGHIỆP VỤ TRONG BÀI TOÁN Chương này tập trong vào việc mô tả bài toán của hệ thống đo xa về giải quyết vấn đề tối ưu hoá thời gian khi dữ liệu được gửi từ các công tơ điện đến trung tâm xử lý những dữ liệu này tại điện lực TP HCM và phân loại các nghiệp vụ xử lý dữ liệu của bài toán 2.1 Mô tả bài toán của hệ thống đo xa: Thu thập dữ liệu thông số vận hành từ các công tơ điện ở các trạm biến áp đưa về trung tâm dữ liệu để hiển thị dữ liệu về sản lượng điện năng, thông số vận hành của các công tơ điện, chỉ số chốt hàng tháng của các công tơ, các cảnh báo và sự kiện của công tơ.

Yêu cầu các cảnh báo và sự kiện công tơ cần được gửi đến trung tâm và người xử lý sự cố trong thời gian ngắn nhất (độ trễ thấp), kiểm tra được các nguồn lực cho các thiết bị trong hệ thống (nguồn lực về server, bandwith, khả năng tính toán). Sau đây là mô hình tổng quan về kiến trúc của hệ thống đo xa: Hình 2.1: Sơ đồ vật lý hệ thống đo xa Hình 2.1 mô tả hiện trạng hiện tại của hệ thống là những dữ liệu được thu thập từ những công tơ điện (thông số vận hành, cảnh báo và sự kiện) sẽ được gửi về những nhà cung cấp các công tơ (các HES – Head End System). Sau đó các HES sẽ chuyển dữ liệu này về trung tâm tập trung dữ liệu để tiến hành xử lý các số liệu để hiển thị 15 lên hệ thống website cho nhà quản lý theo dõi. Những vấn đề mà hệ thống hiện tại chưa cải tiến được gồm những dữ liệu về cảnh báo và sự kiện của các công tơ điện chưa được gửi một cách tức thời về trung tâm tập trung dữ liệu để kịp thời xử lý khi có sự cố xảy ra; thời gian nhận dữ liệu từ công tơ đến trung tâm tập trung dữ liệu còn chậm do qua bước trung gian là các nhà cung cấp; các tiến trình xử lý đều tập trung thực hiện tại trung tâm tập trung dẫn đến cần một nguồn lực tại trung tâm rất lớn nhưng chưa tận dụng được những nguồn lực có sẵn tại các khu vực, tại chính nhà cung cấp.

Từ những vấn đề trên nên tác giả đưa ra việc áp dụng mô hình Fog Computing vào hệ thống đo xa để giải quyết những vấn đề còn tồn tại.2 Phân tích nghiệp vụ và mô hình hoá các nghiệp vụ Sau khi khảo sát nghiệp vụ trong hệ thống đo xa của ngành điện, tác giả đã đưa ra được bảng phân loại dịch vụ ứng với từng dịch vụ như sau: Bảng 2.1: Bảng các dịch vụ STT Tên dịch vụ Loại dịch vụ 1 Tính sản lượng theo giờ Vận hành 2 Tính sản lượng theo ngày Vận hành 3 Cảnh báo vận hành đảo pha Cảnh báo 4 Cảnh báo giá trị dòng trên pha A quá ngưỡng Cảnh báo 5 Cảnh báo giá trị dòng trên pha B quá ngưỡng Cảnh báo 6 Cảnh báo giá trị dòng trên pha C quá ngưỡng Cảnh báo 7 Cảnh báo giá trị hệ số công suất thấp hơn ngưỡng Cảnh báo 8 Số lần tụt áp pha A Sự kiện 16 9 Số lần tụt áp pha B Sự kiện 10 Số lần tụt áp pha C Sự kiện 11 Số lần tụt áp 3 pha Sự kiện Bảng 2.1 là bảng rút gọn các dịch vụ, chi tiết sẽ thể hiện ở mục phụ lục.1 tác giả đã thống kê được có ba loại dịch vụ là: vận hành, cảnh báo, sự kiện. Từ những mô tả ở phần 2.1 tác giả đưa ra các module và mối quan hệ của các module sẽ được thiết kế cho hệ thống đo xa như sau: Edge Instantaneous_area Instantaneous Calculator Meter Generated Concentration Parameters Calculator Smart Meter Alert, Event Hình 2.2: Các module và mối quan hệ giữa các module trong hệ thống đo xa Hình 2.2 mô tả những dữ liệu từ những công tơ điện thông minh (Smart Meter) là Meter (những chỉ số của công tơ) sẽ được gửi đến module Generated Parameters, tại đây module này sẽ thực hiện việc chuyển đổi những liệu (Meter) thành những dữ liệu như thông số vận hành (Instantaneous), cảnh báo (Alert), sự kiện (Event) để chuyển đến các module tiếp theo để xử lý. Thông số vận hành sẽ được chuyển đến module EdgeCalculator để thực hiện tính toán theo từng khu vực (Instantaneous_area), sự kiện và cảnh báo sẽ được gửi đến module Concentration Calculator để làm các báo cáo cho nhà quản lý.2: Định nghĩa các module STT Tên module Mô tả 1 Generated Tại module này sẽ nhận những chỉ số điện năng từ các Parameters công tơ sẽ phát sinh ra các bảng tin thông số vận hành (Instantaneous), sự kiện công tơ (Event), Cảnh báo ( Alert). Các bản tin này sẽ được gửi đến module Edge Calculator, và Concentration Calculator 2 Edge Calculator Tại module này sẽ nhận bảng tin thông số vận hành (Instantaneous) để tính toán theo khu vực và gửi về module Concentration Calculator 3 Concentration Tại module này nhận bảng tin đã được tính toán tại Calculator Edge Calculator sau đó sẽ thực hiện việc tổng hợp số liệu tập trung cho ra các báo cáo sản lượng, chỉ số điện năng, báo cáo tổn thất … Ngoài ra còn tổng hợp lại các Event và Alert đã xảy ra tại các công tơ điện Bảng 2.2 đã đưa mô tả cụ thể các module được thiết kế khi áp dụng mô hình Fog Computing vào hệ thống đo xa.2 tác giả đưa ra những đề xuất khi áp dụng mô hình Fog Computing: - Module GenerateParameters phải nằm trên thiết bị vật lý là Modem để có thể nhận các thông số từ các Smart Meter một cách nhanh chóng và gửi các thông số đó về Module EgdeCalculator và vì thiết bị Modem gắn chung với Smart Meter nên để tối ưu thì các Modem chỉ xử lý những nghiệp vụ đơn giản.

- Module EgdeCalculator sẽ nhận những thông số từ Module GenerateParameters trên các Modem để tổng hợp số liệu của một khu vực bao gồm nhiều Smart Meter vì vậy Module EgdeCalculator nên được đặt trên thiết bị gần với thiết bị Modem để làm giảm độ trễ của dữ liệu. Do đó tác giả đề xuất đặt Module EgdeCalculator trên các thiết bị HES (là nên tập trung dữ liệu thành từng khu vực theo từng quận) 18 - Module ConcentrationCalculator là nơi tổng hợp tất cả dữ liệu cho cả hệ thống, nhận các cảnh báo, những sự kiện của Smart Meter và cũng là nơi tổng kết các số liệu đạt được để xuất ra các hoá đơn tính điện cho người dùng cuối. Chính vì các lý do trên, module ConcentrationCalculator nên được đặt tại Cloud (Data Center). 19 CHƯƠNG 3: CƠ SỞ LÝ THUYẾT 3.1 Mô hình Internet of Things Hình 3.1: Model Internet of Things [12] Hình 3.1 mô tả chức năng cần thiết cho một hệ thống IoT.

Trong hệ thống IoT thì luồng dữ liệu đi theo cả hai hướng, với mô hình kiểm soát thì luồng dữ liệu đi từ phía trên mô hình (tầng 7) đến dưới cùng (tầng 1), với mô hình giám sát thì dòng thông tin đi theo chiều ngược lại:  Tầng 1: Bộ điều khiển và thiết bị vật lý: gồm thiết bị vật lý và bộ điều khiển có thể điều khiển nhiều thiết bị  Tầng 2: Kết nối: là nơi giao tiếp và kết nối, truyền tải thông tin giữa các thiết bị ở tầng 1, truyền tải thông tin đi trên khắp mạng, truyền tải thông tin giữa tầng 2 và tầng 3  Tầng 3: Tính toán tại cạnh: các chức năng của tầng này được thúc đẩy bởi nhu cầu để chuyển đổi dữ liệu mạng thành thông tin phù hợp cho việc lưu trữ và xử lý tại tầng 4 (tích lũy dữ liệu). Điều này có nghĩa rằng các hoạt động ở tầng 3 tập trung vào việc phân tích dữ liệu với khối lượng lớn và thực hiện chuyển đổi.  Tầng 4: Tích luỹ dữ liệu: chuyển đổi dữ liệu động thành dữ liệu tĩnh, dữ liệu này có thể được sử dụng được bởi các ứng dụng trên nền tảng không phải thời gian thực. Các ứng dụng có thể truy cập dữ liệu khi cần thiết.

Ở tầng này sẽ 20 chuyển đổi dữ liệu dựa trên sự kiện sang xử lý dựa trên truy vấn. Đây là một bước quan trọng trong việc làm cầu nối sự khác biệt giữa ứng dụng thời gian thực và ứng dụng không theo thời gian thực.  Tầng 5: Dữ liệu trừu tượng: tập trung phiên dịch dữ liệu và lưu trữ nó theo một cách cần thiết cho sự phát triển các ứng dụng ở tầng sau: tạo ra các lược đồ và quan điểm của dữ liệu theo cách mà các ứng dụng muốn; kết hợp dữ liệu từ nhiều nguồn, đơn giản hóa ứng dụng; lọc, lựa chọn, bảo vệ và định dạng lại dữ liệu để phục vụ các ứng dụng của khách hàng.  Tầng 6: Ứng dụng: là nơi diễn giải, trình bày thông tin.

Sự đa dạng của các ứng dụng phụ thuộc tính chất của dữ liệu thiết bị và nhu cầu kinh doanh. Ví dụ, một số ứng dụng sẽ tập trung vào việc giám sát dữ liệu thiết bị. Một số sẽ tập trung vào các thiết bị kiểm soát.