Giải bài toán phân lớp không có giám sát liên quan tới điều khiển chuyển vùng

Bài báo này đề xuất một thuật toán phân lớp không có giám sát để nhận dạng đối tượng (MT) có liên quan đến yêu cầu chuyển vùng nhằm làm cơ sở ra quyết định lựa chọn hệ thống tối ưu quản lý MT. Mời các bạn cùng tham khảo!

Giải Bài Tốn Phân Lớp Khơng Có Giám Sát Liên Quan Tới Điều Khiển Chuyển Vùng Nguyễn Hồng Thủy1,2, Hồ Văn Canh1, Lê Danh Cường1, Lê Nhật Thăng2 1Bộ Công an viện Cơng nghệ Bưu Viễn thơng Email: thaisontsc@gmail.com, hovancanh@gmail.com, lenhatthang@gmail.com 2Học quan an ninh Nhiều ứng dụng mạng xã hội, điện toán đám mây (cloud computing), IoTs (Internet of Things) mở mơ hình kiến trúc hạ tầng mới, đối tượng bao gồm đầu cuối, dịch vụ, mạng, nội dung, tính tốn, bảo mật tất di động Các đối tượng an ninh Quốc gia ứng dụng tính di động trao đổi thông tin nhằm tránh khả “định vị” quan an ninh Quốc gia Trong nhiều năm qua, kỹ thuật xử lý chuyển vùng liên mạng (ISHO) phức tạp nghiên cứu triển khai để quản lý việc đăng ký, xác thực, di chuyển v.v thiết bị đầu cuối di động - MT (Mobile Terminal) Tuy nhiên, kỹ thuật áp dụng mạng có cơng nghệ tương tự Do đó, việc đáp ứng viễn cảnh nêu vấn đề cần nghiên cứu giải [10] với lý đây: - Hiện cịn nhiều ứng dụng mơ hình truyền tin ứng dụng làm cho hạ tầng mạng thêm đa dạng phức tạp Nhiều giải pháp quản lý di động có ứng dụng cho mạng cụ thể mà chưa đáp ứng yêu cầu dự phòng khả xử lý mạng hỗn hợp, phức tạp - Đang tồn nhiều mạng truy cập vơ tuyến có cơng nghệ khác - Nhiều kỹ thuật xử lý chuyển vùng liên mạng (ISHO) triển khai Bài báo đề xuất giải pháp phân lớp khơng có giám sát (un-supervision) liên quan đến điều khiển chuyển vùng để ứng dụng vào Abstract— Hiện giới bắt đầu ứng dụng thành Cách mạng Công nghiệp 4.0 Đặc tính “di động” (moving) trở thành đặc trưng mạng truyền thơng tương lai Đã có nhiều hình thức truyền thông đời phát triển mạnh mẽ, mạng xã hội, điện toán đám mây di động (moving cloud computing); IoTs (Internet of Things) làm đa dạng hóa loại hình dịch vụ làm tăng độ phức tạp phạm vi hoạt động mạng truyền thống Vì định vị đối tượng, ví dụ thiết bị đầu cuối di động - MT (Mobile Terminal) đó, cần tính đến tính chất “di động” đối tượng Vấn đề đặt cần xây dựng phương án lựa chọn hệ thống chuyển vùng tối ưu nhằm đạt yêu cầu đặt Bài báo đề xuất thuật tốn phân lớp khơng có giám sát để nhận dạng đối tượng (MT) có liên quan đến yêu cầu chuyển vùng nhằm làm sở định lựa chọn hệ thống tối ưu quản lý MT Keywords- Phân lớp, Nhận dạng, Khơng có giám sát I GIỚI THIỆU CHUNG Ngày thiết bị ứng dụng di động phát triển nhanh chóng, theo nhu cầu sử dụng dịch vụ di động tăng lên không ngừng Các đối tượng tận dụng vào mục đích thơng tin liên lạc di động nhằm tránh phát định vị 67 MT (i ) MT (i ) định trạm phát thứ j (j = 1, 2, …, n) nếu: V j(i ) = max { Vl(i ) } (1) việc nhận biết đối tượng tương ứng với thiết bị đầu cuối di động - MT Ví dụ: Giả sử có đối tượng MT Mỗi vùng có số Cell Khi q trình phân lớp tương đương với việc lựa chọn Cell có khả cung cấp dịch vụ tốt cho MT Có số thuật tốn phân lớp quy định vùng không gian đặc trưng không chồng lấn lên [2] Theo đó, MT thuộc lớp (Cell) Việc phân lớp không phù hợp với hệ thống thông tin di động, việc chồng lấn làm tăng vùng phủ sóng làm cho q trình chuyển vùng phức tạp Mặt khác, thực tế phải giải tốn phân lớp khơng có giám sát (un-supervision) tức không cho trước thông tin đối tượng phân lớp Bài toán phức tạp so với tốn phân lớp có giám sát (supervision) trình bày báo [12] 1l  n 2.2 Đề xuất giải pháp giải toán phân lớp dựa học khơng có giám sát Thuật tốn phân lớp mờ (Fuzzy), thuật toán phân lớp khoảng cách, phân lớp theo véc tơ đồng dạng trình bày [14] Các thuật tốn cho kết thực nghiệm tốt Song thuật tốn khơng tính đến sai số q trình phân lớp Mục tiêu báo nghiên cứu đề xuất giải pháp giải tốn phân lớp khơng có giám sát dựa khoảng cách Hamming 2.2.1 Đặt toán Bài toán tổng quát đặt sau: Cho tập hợp hữu hạn đối tượng tùy ý gọi tập tổng quát (Universe) đươc ký hiệu  , phần tử  gọi đối tượng (object) Mỗi phần tử thuộc  tương ứng 1-1 với phần tử x  G  R n (không gian thực n chiều) Như việc phân lớp không gian  tương đương với việc phân lớp tập hữu hạn G Mỗi x  G coi véc tơ n chiều Để đơn giản không tính tổng quát, giả thiết G = {0,1} n Như x  G véc tơ nhị phân n thành phần ký hiệu là: x = (x , x , …, x n ) với x i  {0, 1}, i = 1, 2, 3, …, n Từ toán phân lớp đặt sau: Hãy phân hoạch (partition) tập G thành k tập khác rỗng G ,G ,…, G k (k  2) cho thỏa mãn yêu cầu sau đây: i/ G i  G j =  , với cặp (i, j), i  j, i, j = II MƠ HÌNH HỆ THỐNG 2.1 Khái qt Thực tế cho thấy nhiều trường hợp, việc xác định xác vị trí th bao khó Vì vậy, thơng qua kỹ thuật nhận biết, phân tích giá trị cường độ tín hiệu thu được, góp phần làm giảm thiểu định chuyển vùng khơng xác Mỗi MT (i ) (thuê bao thứ i) đặc trưng véc tơ (gọi véc tơ đặc trưng – characteristic vector) V (i ) = [ V1(i ) , V2(i ) ,…, Vn(i ) ] khơng gian véc tơ n chiều Trong V j(i ) biểu diễn cường độ tín hiệu thu từ trạm phát BTS thứ j thuê bao thứ i, n biểu diễn số trạm phát BTS cung cấp dịch vụ cho MT (i ) Quá trình chuyển vùng tương đương với việc xác định vị trí véc tơ đặc trưng miền (vùng) định trước Điều thực thông qua véc tơ thành phần V j(i ) gán cho 1, 2,…, k k ii/  G i = G i1 iii/ Sai số trung bình trình phân hoạch bé 68 n =  ( xi  zi )  ( zi  yi ) (vì a  a n i 1 a không âm) Từ ta có: n n n d(x,y)   xi  zi +  zi  yi =  ( xi  zi ) n i 1 n i 1 n i 1 n +  ( zi  yi ) =d(x,z) + d(z,y) n i 1 Định nghĩa 2: Cho trước k tập hợp hữu hạn, khác rỗng G , G ,…, G k (k  2) Ta định nghĩa khoảng cách tập hợp G i , G j là:  (G i ,G j )=   d ( x, y ) (3), gọi ni n j xGi yG j 2.2.2 Một số khái niệm Việc xây dựng thuật toán phân lớp thỏa mãn yêu cầu (i) (ii) dễ dàng Tuy nhiên việc phân lớp thỏa mãn yêu cầu (iii) khó khăn Hơn lại tốn phân lớp khơng có giám sát, tức chưa cho trước thông tin tiên nghiệm (prior information) mà G tập hữu hạn liệu (dạng véc tơ) Do đó, để giải tốn này, ta cần đưa khái niệm: khoảng cách véc tơ (nhị phân), gần gũi tập hợp (tức độ đo khác (giống nhau) tập hợp? Ta có định nghĩa sau: Định nghĩa 1: Cho X tập hợp khác rỗng tùy ý, khoảng cách hai phần tử x, y  X ánh xạ: d: X  X  R=(  ,  ) thỏa mãn tiên đề sau đây: Tiên đề 1: d(x,y)  0, x, y  X Tiên đề 2: d(x,y) = d(y,x) Tiên đề 3: d(x,y)  d(x,z) + d(z,y), x, y, z  X Có số độ đo khoảng cách định nghĩa [4] Trong báo cáo này, tác giả đưa độ đo khoảng cách gọi khoảng cách Hamming [5] sau: Lấy X = G xác định: d(x,y)= n  ( x  yi ) (2), x = (x , x , …, x n ), n i 1 i y = (y , y , …, y n ), với x i , y i  {0, 1}, i = 1, 2, 3, …, n Định nghĩa khoảng cách rõ ràng thỏa mãn tiên đề Ta cần chứng minh thỏa mãn với tiên đề Thật vậy, giả sử cho x, y, z  G, ta có theo định nghĩa: n d(x,y)=  ( xi  yi ) n i 1 n =  [( xi  yi )  ( zi  zi )] n i 1 n =  [( xi  zi )  ( zi  yi )] n i 1 khoảng cách trung bình tập khác Trong ni  Gi số phần tử tập hợp G i , với i = 1, 2,…, k Nếu i  j  (G i ,G j ) gọi giá trị tập hợp G i , G Trường hợp i = j, ta định nghĩa:  (G i ,G i )=   d ( x, y ) (4) gọi giá ni ( ni  1) xGi yGi trị tập hợp G i (tức  (G i , G i ) khoảng cách trung bình điểm tập hợp G i , với i = 1, 2,…, k Ví dụ: Cho trước tập hợp hữu hạn, khác rỗng G , G gồm véc tơ nhị phân sau: G ={x (1) , x (2) }, x (i ) {0,1} n , i = 1, G ={y (1) , y (2) , y (3) }, y (i ) {0,1} n , i = 1, 2,3 Trong đó, giả sử khoảng cách Hamming véc tơ là: d(x (1) ,x (2) ) = 1, d(x (1) ,y (1) ) = 1, d(x (1) ,y (2) ) = 3, d(x (1) ,y (3) ) = 2; d(x (2) ,y (1) ) = 2, d(x (2) ,y (2) ) = 4, d(x (2) ,y (3) ) = 2; d(y (1) ,y (2) ) = 2, d(y (1) ,y (3) ) = 1, d(y (2) , y (3) ) = Ta tính tốn giá trị ngồi tập hợp G G (tức  (G ,G )) giá trị tập hợp (  (G ,G ))  (G ,G )) j 69 x (1) Bước 6: Đi đến bước Như từ tập G, ta tách làm k tập rời nhau, mà ta ký hiệu G , G ,…,G k Thuật toán thỏa mãn bổ đề sau Bổ đề: Điều kiện đủ để thuật toán phân lớp tối ưu là: max  (G i ,G i )   (G i ,G j ) (5) y (1) 1 y (2) x (2) y (3) Điều có nghĩa là: max   d ( x, y ) 1i  k n ( n  1) xG yG i i i i    d ( x, y ) 1i  j  k n n xG yG i j i j Hình 1: Khoảng cách Hamming véc tơ nhị phân x (1) , x (2) , y (1) , y (2) , y (3) Ta có  (G ,G )=   d ( x, y ) = 2.3 xG1 yG2 14  2,333 (1      4) = 6  (G ,G )=  2.(2  1) 10  (G ,G )= (1   2)   1, 666 3.(3  1) 1i  j  m với cặp (i, j), i  j, i, j = 1, 2,…, k Trong đó,  (G i ,G i )  (G i ,G j ) cho (3) (4) Giả sử bất đẳng thức (5) không đúng, tức là: (7) max  (G i ,G i ) >  (G i ,G j ) 1i  j  k 1i  k Điều có nghĩa có tồn cặp ( i0 , j0 ), với i0 ≠ j0 cho  (G i , G j ) =  (G i ,G j ) i1 1i  j  k cho  (G i ,G i ) = max  (G i ,G i ) 1 1i  k (8) Để đơn giản mà khơng tính tổng qt, ta giả sử i0 = 1, j0 = i1 = Từ (7) (8), ta suy rằng: ρ(G , G ) ≤  (G i ,G j ) ρ(G , G ) < ρ(G ) 0 1i  j  k 1i  k Bước Cho i = 1, 2,…, k Đặt G i = {G i ,G j (6) Chứng minh Thật vậy, giả sử ta có tập hợp G hữu hạn khác rỗng gồm m phần tử phân hoạch thành k lớp G , G ,…,G k thuật toán đề xuất Ở đây, k số cố định cho trước (1 < k < m) Ta chứng minh rằng: max  (G i ,G i )   (G i ,G j ) III THUẬT TỐN ĐƯỢC ĐỀ XUẤT Chúng tơi đề xuất thuật tốn giải tốn phân lớp khơng có giám sát sau: Cho trước G = {x (1) , x (2) , …, x ( m) }  {0,1} n Hãy phân hoạch (partition) tập G thành k tập cho sai số trung bình nhỏ Thuật toán Bước Đặt G ={x (1) }, G ={x (2) }, …, G ( m) } m ={x Bước Tính  (G i ,G j ) =  (G i ,G j 1i  j  k 1i  k } 3, Bước i:= i+1 tính l ,m  (i , j ) 0 G ) (9) i, j Từ (9), theo thuật toán phân lớp đề xuất, ta lại ghép hai tập G1 G2 thành lớp k -1 tập Cứ tiếp tục q trình k = k tập G i , i = 1, 2,…, k lại gộp lại thành tập hợp G ban  (G l ,G m ) =  (G l ,G m ) = G i 0 Bước 5: Nếu i  k thuật tốn dừng 70 đầu Điều vơ lý trái với thuật toán phân lớp đề xuất Bổ đề chứng minh Với G , G ,…, G ta tiếp tục thực mục 1/ Ta nhận được: G ={x (2) , x (4) }, G ={x (6) , x (7) }, G ={x (1) }, G ={x (3) }, G ={x (5) } Ta có ,  (G i ,G j ) =  (G ,G ) = {x IV PHÂN TÍCH KẾT QUẢ 4.1 Kết thực nghiệm Cho số liệu: x (1) = 01000 00110 00001 11100 00011 01001 10100 00110 00011 11111 x (2) = 10100 01011 10100 00110 00001 10000 01011 10100 00001 10100 x (3) = 01100 01011 11010 01111 10100 00100 10101 11011 01000 10101 x (4) = 11100 01011 11100 01110 00011 10101 10001 01110 00011 11110 x (5) = 00110 11000 00000 11111 10001 01110 10101 11000 10001 01110 x (6) =10000 01110 10001 01110 00011 11000 01010 00001 10101 01010 x (7) =10111 01010 00001 01011 10000 01111 01010 00001 10100 01010 1/ Đặt G ={x (1) }, G ={x (2) }, G ={x (3) }, …, 1i  j 5 (3) (5) , x } Từ ta có: 3/ G ={x (2) , x (4) }, G ={x (6) , x (7) }, G ={x (3) , x (5) } G ={x (1) } Tính tốn tương tự, ta nhận được: G ={x (2) , x (3) , x (4) , x (5) }; G ={x (6) , x (7) }, G ={x (1) } Đây kết cuối phân lớp Vậy tập hợp G ={x (1) , x (2) , x (3) , …, x (7) } phân hoạch thành lớp: G ={x (2) , x (3) , x (4) , x (5) }; G ={x (6) , x (7) }, G ={x (1) } 4.2 Đánh giá kết Việc đánh giá kết phân lớp thực thông qua kiểm tra điều kiện đủ Bổ đề max  (G i ,G i )   (G i ,G j ) G ={x (7) } Ta có:  (G ,G ) = 0,54;  (G ,G ) = 0,58;  (G ,G ) = 0,4;  (G ,G ) = 0,48;  (G ,G ) = 0,4;  (G ,G ) = 0,6 (G ,G ) = 0,46;  (G ,G ) = 0,3;  (G ,G ) = 0,5;  (G ,G ) = 0,36;  (G ,G ) = 0,54 (G ,G ) = 0,4;  (G ,G ) = 0,4;  (G ,G ) = 0,66;  (G ,G ) = 0,6 (G ,G ) = 0,48;  (G ,G ) = 0,46;  (G ,G ) = 0,6  (G ,G ) = 0,48;  (G ,G ) = 0,4  (G ,G ) = 0,32 Từ đó,  (G i ,G j ) =  (G ,G ) = 0,3 1i  j 3 1i 3 Áp dụng định nghĩa 2.2.2, ta có: 2 (0,46  (G , G )=   d ( x, y ) = n1 ( n  1) xG1 yG1 4.3 + 0,3 + 0,5 + 0,4 + 0,4 + 0,48) = 0,42 Tương tự ta có:  (G ,G ) = 0,32;  (G ,G ) = Vậy, max  (G i , G i ) = 0,42 (10) 1i 3 Trong lúc đó:  (G ,G )=   d ( x, y ) n1.n2 xG1 yG2 = (0,36 + 0,54 + 0,66 + 0,6 + 0,46 + 0,6 +0,48 + 0,4) = 0,572 Tương tự:  (G ,G ) = 0,5;  (G ,G ) = 0,5 Vậy  (G i , G j ) = 0,5 (11) 1i  j 7 1i  j 3 Do đó: 2/ Đặt G ={x (2) , x (4) }, G ={x (1) }, G ={x (3) }, So sánh (10) (11) ta suy ra: max  (G i , G i )   (G i , G j ) G ={x (5) }, G ={x (6) }, G ={x (7) } Từ ta khẳng định rằng: phân lớp tối ưu 1i 3 1i  j 3 71 [10] Shanzhichen, Yanshi, Bohee Ming Ai, “Mobility – Driven Networks: From Evolution to Vision of Mobility Management”, IEEE, 8/2014 [11] Stephan B Wicken, “Error control systems for digital communication and storage”, Prentice Hall – New Jersey, 1999 [12] Nguyễn Hồng Thủy, Hồ Văn Canh, Lê Nhật Thăng, “Một phương pháp định vị đối tượng dựa phân lớp có giám sát”, Tạp chí nghiên cứu Khoa học Công nghệ Quân sự, 8/2018 [13] Z Sanaci et.al, “Heterogengeneity in Mobile Cloud Computing: Taxonomy and Open Challenges”, IEEE Commun Survey & Tutorial, Vol 16, No.1, 2014 [14] S K Pal, D K Dutta, “Fuzzy Mathematic approach to pattern recognition”, New York, Willey 1986 [15] Z Sanaci et.al, “Heterogengeneity in Mobile Cloud Computing: Taxonomy and Open Challenges”, IEEE Commun Survey & Tutorial, vol 16, no.1, 2014 V KẾT LUẬN Kết báo đưa thuật tốn phân lớp khơng có giám sát cho sai số phân lớp nhỏ mà không phụ thuộc vào việc điều khiển chuyển vùng Đồng thời đưa ví dụ số nhằm làm sáng tỏ thêm thuật toán Trên sở liệu phân lớp, thuật toán định vị đối tượng liên quan đến việc điều khiển chuyển vùng đề xuất nghiên cứu TÀI LIỆU THAM KHẢO [1] D Raychaudhuri, K Nagaraja and A Venkataramani, “Mobility first: A Robust and Trustworthy Mobility-centic Architecture for future Internet”, ACM SIGMOBILE Mobile computing and communications Reviews, Vol.16, No 3, July, 2012 [2] G L Stuber, “Propagation modelling”, Principles of Mobile Communication, 2012 [3] H Li, B Ma, C H Lee, “Avector space modelling approach to spoken Language Identification”, IEEE Trans Audio Speech Lang Process.15 (1), pp.271-284, 2007 [4] Hồ Văn Canh, Nguyễn Viết Thế, “Phần Nhập mơn: Phân tích thơng tin có bảo mật’’, Nhà xuất Hà Nội T&T, 2010 [5] J Madaan, I Kashyap, “Vertical Hoandoff with Predictive Received Signal Strength in next Generation Wireless Network”, Computer Network and Information Security, 2016 [6] K J Bye, “Handover criteria and control in cellular and microcellular systems”, In Proc 15th Int Conf Mobile, Radio and Personal communications, U.K Dec., 1998 [7] Phạm Anh Phương, Quách Hải Thọ, "Một phương pháp quản lý liệu tham gia phân lớp mơ hình học bán giám sát", Kỷ yếu Hội nghị FAIR Đà Nẵng, 8/2017, DOI: 10 15625/vap, 2017, 00059 [8] S M Sinisealchi, J Reed, T Svendsen, and C.H lee, “Universal attribute characterization of Spoken, Languages for automatic Spoken Language Recognition”, Comput Speech Lang ,27(1), 2013 [9] S Banks, “Signal Processing, Image Processing and pattern Recognition”, Englewood Cliffs, Nj: Prentice Hall, 1990 ABSTRACT SOLVING PROBLEM OF UN-SUPERVISED CLASSIFICATION RELATING TO HANDOVER MANAGEMENT Nowadays, The Industrial Revolution 4.0 is applied over the world: “Mobility” has been becoming a key feature of current and future Telecommunication Networks Novel forms of media and fast development such as social network, mobile cloud computing, IoTs and so on: are becoming more and more available, diversifying the types of service and then increasing the complexity and active sphere of Telecommunication Network To monitor an object (MT), we have to pay attention to “mobility feature” of this object So, the problem is to propose a solution for optimal system selection according to some constraints This paper proposes an algorithm of unsupervised classification interested in handover management, marking basic to optimal decision Keywords: Classification, pattern of recognition, un- supervision 72 ... tốn phân lớp khơng có giám sát cho sai số phân lớp nhỏ mà không phụ thuộc vào việc điều khiển chuyển vùng Đồng thời đưa ví dụ số nhằm làm sáng tỏ thêm thuật toán Trên sở liệu phân lớp, thuật toán. .. báo [12] 1l  n 2.2 Đề xuất giải pháp giải toán phân lớp dựa học khơng có giám sát Thuật tốn phân lớp mờ (Fuzzy), thuật toán phân lớp khoảng cách, phân lớp theo véc tơ đồng dạng trình bày [14]... khơng có giám sát (un-supervision) tức không cho trước thông tin đối tượng phân lớp Bài toán phức tạp so với tốn phân lớp có giám sát (supervision) trình bày báo [12] 1l  n 2.2 Đề xuất giải