Khóa luận tốt nghiệp Mạng máy tính và truyền thông: Giải pháp tái cấu hình thiết bị libelium dựa trên việc điều chỉnh tần suất đọc dữ liệu cảm biến để tiết kiệm năng lượng

có khá nhiều giải thuật được phát triển nhằm giảm thiểu dữ liệu thu thập khi các thiết bị IoT hoạt động, đồng thời tiết kiệm năng lượng cho thiết bị nhằm duy trì thời gian tồn tại của nó

ĐẠI HỌC QUOC GIA TP HO CHÍ MINH

TRUONG DAI HQC CONG NGHE THONG TIN KHOA MANG MAY TINH VA TRUYEN THONG

PHAN TRUNG PHAT NGUYEN HOANG PHUC

KHOA LUAN TOT NGHIEP

GIẢI PHAP TAI CÁU HÌNH THIET BỊ LIBELIUM DỰA

TREN VIỆC DIEU CHỈNH TAN SUÁT ĐỌC DU LIEU

CAM BIEN DE TIET KIEM NANG LUQNG

ĐẠI HỌC QUỐC GIA TP HÒ CHÍ MINH

TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN KHOA MẠNG MAY TÍNH VÀ TRUYEN THONG

PHAN TRUNG PHAT - 16520916 NGUYEN HOANG PHUC - 16520950

KHOA LUAN TOT NGHIEP

GIẢI PHAP TAI CAU HÌNH THIẾT BỊ LIBELIUM DỰA TREN VIỆC DIEU CHỈNH TAN SUÁT ĐỌC DU LIEU

CAM BIEN DE TIET KIEM NANG LUQNG

DEVELOPMENT OF ADAPTIVE-SAMPLING-BASED

RECONFIGURATION SOLUTION ON LIBELIUM

PLATFORMS FOR THE ENERGY EFFICIENCY

KY SU NGANH TRUYEN THONG VA MẠNG MAY TÍNH

GIANG VIEN HUONG DAN PGS TS LE TRUNG QUAN

TP HO CHÍ MINH, 2021

THONG TIN HOI DONG CHAM KHÓA LUẬN TOT NGHIỆP

Hội đồng chấm khóa luận tốt nghiệp, thành lập theo Quyết định số

-NYAY của Hiệu trưởng Trường Đại học Công nghệ Thông tin.

— Chủ tịch.

P— — Thư ký.

3 EEZ72777?: ungŠ ~— Ủy viên.

A .4§t À ~ Ủy viên.

LỜI CẢM ƠN

Lời đầu tiên, nhóm xin gửi lời cảm ơn chân thành đến toàn thể quý Thầy/Cô Giảng viên trường Đại học Công nghệ thông tin - Đại học quốc gia TP Hồ Chí Minh, đặc biệt là quý Thầy Cô của khoa Mạng máy tính và truyền thông - Thầy

Cô đã trực tiếp giảng dạy, cung cấp nền tảng kiến thức từ cơ bản đến nâng cao Những kiến thức ấy sẽ luôn là hành trang quý báu mà chúng tôi sẽ mang theo trong suốt khoảng thời gian học tập và công tác sau này.

Đặc biệt, chúng tôi xin gửi lời cảm ơn chân thành nhất nhất đến Giảng viên hướng dẫn Thầy PGS TS Lê Trung Quân — người đã tận tâm hướng dẫn, nhiệt tình hỗ trợ, hết lòng giúp đỡ và tạo điều kiện tốt nhất cho chúng tôi hoàn thành khóa luận Những định hướng, bé sung, góp ý của Thay là nguồn cảm hứng và nền tảng cơ sở góp phần giúp chúng tôi có những nghiên cứu đúng đắn, đạt được kết quả tốt nhất ở khóa luận này Một lần nữa, xin trân trọng cảm ơn Thay.

Ngoài ra, chúng tôi xin đặc biệt cảm ơn anh ThS Huỳnh Văn Đặng, ThS.

Nguyễn Khánh Thuật, KS Nguyễn Văn Bảo đã hỗ trợ hết mình trong quá trình thực hiện khóa luận Xin chân thành cảm ơn Thầy và các anh.

Mặc dù nhóm tác giả đã nỗ lực, cố gắng rất nhiều trong việc hoàn thành khóa luận nhưng do sự hạn chế về kiến thức, kinh phí cũng như thời gian thực hiện,

khóa luận này không tránh khỏi những thiếu sót và khuyết điểm Nhóm tác giả

kính mong nhận được sự cảm thông cũng như những ý kiến đóng góp từ quý Thay/C6 và các bạn sinh viên để nhóm tác giả có thể hoàn thiện và phát triển

hơn nữa khóa luận này.

Xin chân thành cảm ơn !

Nhóm tác giả.

Chương 1 GIỚI THIỆU

1.1 Tổng quan -c+-222V2V22++2222E22E2222222211121.222121112 2121111 re 2

1.1.1 Tổng quan về xu hướng IoT

1.1.2 Vấn đề tiết kiệm năng lượng trên các thiết bị IoT -c + 5

1.2 Phát biểu vấn dé và mục tiêu hướng đến

1.2.1 _ Phát biểu vấn đề 2222 c222EErtEEErerrrrrrrrtrrerres 6 1.2.2 Mục tiêu hướng đến

1.3 Phương pháp luận và kết quả 22:+++22EEvvvrretrtrtrkrrrrrrtrrrrrvree 8 1.4, Pham vi và giới hạn của đề tai ccccssccsssssesssssseessssseessssssessssssseesssseessessseeees 8

1.4.1 Pham vi và đối tượng nghiên cứu -c ccccz+:cc++ §

1.4.2 — Giới hạn của đề tài c22ccc2CEecEEEEEEEEE.Eerrecrree § 1.5 Cấu trúc của luận văn e 2¿- 5+2 2 EE21121112111211211111 11121121111 ce, 9

Chương 2 CÁC NGHIÊN CỨU VA CÔNG NGHỆ LIÊN QUAN 1

2.1 Tình hình nghiên cứu các công trình liên quan ‹-+-s + <+++s=+ 1

2.1.1 _ Lấy mẫu thích ứng cccc+++222cvvvcrrrtrrrrrrrrrrrrre 3

2.1.2 Lập lịch tác vụ tối ưu : -c++++222vvvrrrrrrrrrrrrrrrrrrrr 4

2.1.3 Tối ưu hóa chức năng mạng - - ++222++++2cvvzrrrrrsvee 6

2.1.4 Tối ưu hóa cảm biến ccccccccccc2222222EEEEEktrrtrrrrrrrrrrree 7

2.2 Cơ sở lý thuyết và hướng tiếp cận đề tài ¿-2cccccvvzreecrvrcrrrrrr 8

2.2.1 Libelium 8

2.2.1.1 Bo mạch cảm biÊn s63 E#vEskEkkEEskrksskrrkrrreree 8

2.2.1.2 Các module giao tiSp cccccccssesssssssesssssseesssssesesssseessssseesessessssseeeeees 9

2.2.2 Các công thức va định nghĩa liên quan - - + =+5<++ 24

2.2.2.1 Độ lệch tuyệt đối (TUNE VỊ 252225 tt nghe, 24

2.2.2.2 Phép nội suy tuyến tính

2.2.2.3 Hàm sigmoid 5:55 3+2 2tr 25

2.2.2.4 Lỗi trung bình chuẩn hóa -¿£222vvvv+ztttrvrvercee 25

2.2.2.5, Phần lẫy mẫu 2-©2©2++222E+2E222111222211222111 222212 tre 26

2.2.2.6 Lỗi tuyệt đối trung bình cc+2222cvvvcrrrrrrrrrxeecee 26

2.2.4.1 Ưu điểm và ứng dụng của MQTT ¿-cc+22+sc+cze+ 30

2.2.5 Một số thư viện và Framework liên QUANH 5-5-5 55+c+cec++ 32

2.2.5.1 ata vel TS 7ố“ 32

2.2.5.2 ReactS 22.222 22 211 ri 33

2.2.5.3 Redux và Redux-Saga cc Set She re 35

Chương 3 PHƯƠNG PHÁP LUẬN, NGHIÊN CỨU -:: 2 38 3.1 Phân tích, thiết kế hệ thống 2 ©+2¿+2EE++++2EE++zt2EEEEvrtrrkrerrrrkk 38

3.1.1 Mô hình phân rã hệ thống -c22222c++++2c2vvvvrrrerrr 38

3.1.1.1 Phân rã thành phần đám mây -2¿222++++2cvxserrrres 40

3.1.1.2 Phân ra thành phần xử lý gateway c.ccc ccccccccccee 41

3.1.1.3 Phân rã thành phan thiết Di ccccccccsssecscsssecssssessssseecsssseesssssnecess 42

3.1.2 Ý tưởng giải thuật lấy mẫu thích ứng -c -+ 42

3.1.2.1 Lấy mẫu định kỳ -22:¿+22222vxvertttttrrkrrrrrrrrrrrrrerree 42

3.1.2.2 Lay mẫu thích ứng -cc+++++++2222vvvrrrrrrrrrrerrcee 44

3.1.3 Các định nghĩa liên quan

3.1.4 Định nghĩa thuật toán User-Driven Adaptive Sampling 46

3.1.5 Phân tích UDA SA ¿6c 1 1 S1 2H HH HH rệt 47

3.1.6 Mô phỏng thuật toán UDASA - series 50

E UV 5

Chương 4 HIỆN THỰC, TRIEN KHAI HỆ THÓNG - 53

4.1 Tổng quan mối liên hệ giữa các thành phần -. : + 53

4.2 Hiện thực thành phần đám mây ¿-©++++++t2EEvrrrrrrtrrrrrrrrree 55 4.2.1 _ Triển khai cấu trúc App - Backend API .-: + 55

4.2.4.3 Hiện thực che 65

4.2.5 Triển khai các dịch vụ Docker

4.2.5.1 Nhiệm vụ 222222222222 tt ceccrrrree 66 4.2.5.2 Công nghỆ -Ặ Sen H122 re 67

4.4 Hiện thực thành phần thiết bị - -:¿©+z£©5+z++22++eevcvvzrecrsscee 71

AAD Nhiệm vụ cccccccSEESEEEEEEEEErtrrrrrrrrrrrrrrrrrrrree 7I

5.3.3 Kết quả thử nghiệm cccccc52222vvvcrrrrrrcrrverrrrrrrr 78

Chương 6 KET LUẬN VÀ HƯỚNG PHAT TRIÊN -c2 91

AỶA c an - AqdDH,H 91 6.1.1 Các kết quả dat được -ccccccccccsccverrrrrrvererrrrcee 91 6.1.2 Một số vẫn đề -22222 2222222222122 91

6.2 Hướng phat triỀn -222++222++2t222E12222111227111 22211 re 92

TÀI LIỆU THAM KHẢO 93

DANH MỤC HÌNH

Hình 1.1 Minh họa về Internet of Things 3

Hình 1.2 Biểu đồ thé hiện sự tăng trưởng của thiết bị loT wd

Hình 1.3 Biéu đồ dự đoán thị trường IoT -+22vc+++tt22vvvverrrrrrrrx 5 Hình 2.1 Các thành phần của node cảm biến -¿£222c+zz222vzvzccee 11

Hình 2.2 Logo của libe]iuim ¿- ¿óc St 11 12121 1131101111 1H10 00t tư 18

Hình 2.3 Mô ta các kênh của Xbee 802.15.4 5S St St SEsekerrrreeee 19

Hình 2.4 Waspmote IIDE - - 5c 5+5 1 E1 2 S3 12111131111 211101 11 11011 g1 re 20

Hình 2.5 Mô hình kết nối hình sao các waspmote -c¿-+2vcvccc+2 20 Hình 2.6 Cấu trúc frame ASCII c2 SE EEEEEE11271127112111211121111111111XE 22 Hình 2.7 Cấu trúc frame Binary -¿-+++22V+++t222E+++t2EEEErtstrkrrrrrrrrrcrrr 22

Hình 2.8 Bao mật trong Xbee 802 Ì5.4 ¿-¿-¿- 6 S2 St re 24

Hình 2.9 Biểu đồ mô tả hàm sigmoid 22-2-2222222++2222ESYvvvrtrtrrrrrrrrrrre 25 Hình 2.10 Kiến trúc của Dokker 2c s9 E9 EE118711271157112711211111111 111122 27

Hình 2.11 Mô hình hoạt động của MQTTT -¿¿++22222+e+zttztzvxvseerrrre 30

Hình 2.12 Mô hình hoạt động cua Redux và Redux-Saga trong ReactJS 37

Hình 3.1 Mô hình phân rã hệ thống -:¿¿£©V22++++t22EEvvz+rttrrrrvercee 39 Hình 3.2 Sơ đồ phân rã thành phần xử lý đám mâyy -:¿-+ccc+2 40

Hình 3.3 Sơ đồ phân rã thành phần xử lý gateway -cccz+cccvvvcccez 4I Hình 3.4 Sơ đồ phân ra thành phần thiết bị - 2 ©2¿+22++++t2z+zzrzrrxeee 42 Hình 3.5 Biểu đồ mô tả dữ liệu gốc -22¿+++2222+++t2EEEE+rtEEEErrrrrrrecree 43 Hình 3.6 Biểu đồ sự bat lợi khi tốc độ lấy mẫu lớn - -: ccc+ 44 Hình 3.7 Biểu đồ mô phỏng việc sử dụng lay mẫu thích ứng :- 44

Hình 3.8 Mô tả thuật toán UDASA 2222222+2222222EEvrrrtEEEEErrrrrrrrrrrrrrree 48

Hình 3.9 Minh họa chức năng của ham sigmoid nâng cao ‹ - ++5«+ 49

Hình 3.10 Sơ dd Usecase - 22: 22222+2EE21222E1121271112221112127111 2.111 cee 51 Hình 4.1 Tổng quan mối liên hệ giữa các thành phần -2 54 Hình 4.2 Sơ đồ thành phan đám mây -2 ©++++2EEE+z++E2EEEtrtrrkrrrrrrrxee 55

Hình 4.3 Luông xử lý giữa các thành phần ứng dụng Laravel - 56

Hình 4.4 Repository Design Pattern trong Laravel - - - + +5++s+s+s+c++ 58

Hình 4.5 Cấu trúc ứng dung ReactS ccccccsscscsssssessssssessssssessssssecessssvesessssesssssseseessses 6l Hình 4.6 Cấu trúc cơ sở dữ liệu của hệ thống 2 2¿¿+2222+++tczvzzrrrrreee 64

Hình 4.7 Quá trình Deploy MQTT Broker với Emqx - s5 «+se<<++ 65

Hình 4.8 Luồng hoạt động của các phương thức Client Paho - 66

Hình 4.9 Mô hình triển khai các Service với Doeker cc©zz+cczsscz 67 Hình 4.10 Sơ đồ hiện thực thành phan gateway cccccssscscssssecssssseecssssseecssseesessseeees 69 Hình 4.11 Cấu trúc kết nối giữa gateway và thiết bị :-cccccccccvccccrrscee 69 Hình 4.12 Hiện thực cấu trúc code của thành phan gateway - 70

Hình 4.13 Mô tả luồng hoạt động của thành phan gateway - 70

Hình 4.14 Sơ đồ hiện thực thành phần thiết bị ¿2©2z522s+cee+z 71 Hình 4.15 Cau trúc Waspmote IDE c ccccccssssessssssscssssssscssssecsssssecessseesesssseeesssisees 72 Hình 5.1 Biểu đồ mô tả thuật toán với bộ dữ liệu DO với các giá trị n khác nhau 76

Hình 5.2 Biểu đồ chồng thể hiện sự tương quan của các tập dữ liệu DO 76

Hình 5.3 Kết quả thực nghiệm với cảm biến ánh sáng ( n = 3, N = 30) 79

.79 80 Hình 5.4 Kết quả thực nghiệm với cảm biến ánh sáng (n=5,N=30)

Hình 5.5 Kết quả thực nghiệm với cảm biến ánh sáng (n = 10, N = 30) Hình 5.6 Đánh giá kết quả thực nghiệm trên dữ liệu ánh sáng Hình 5.7 Kết quả thực nghiệm với cảm biến nhiệt độ (n = 3, N =30) 83

Hình 5.8 Kết quả thực nghiệm với cảm biến độ ẩm ( n = 3, N = 30) 84

Hình 5.9 Kết quả thực nghiệm với cảm biến áp suất ( n = 3, N = 30) 84

Hình 5.10 Kết quả thực nghiệm với cảm biến nhiệt độ ( n = 5, N = 30) 85

Hình 5.11 Kết quả thực nghiệm với cảm biến độ âm ( n = 5, N = 30) 85

Hình 5.12 Kết quả thực nghiệm với cảm biến áp suất (n = 5, N = 30) 86

Hinh 5.13 Két qua thực nghiệm với cam biến nhiệt độ (n= 10, N =30) 86

Hình 5.14 Kết quả thực nghiệm với cảm biến độ âm (n= 10, N = 30) 87

Hình 5.15 Kết qua thực nghiệm với cảm biến áp suất ( n = 10, N = 30) 87

Hinh 5.16 Danh gia két quả thực nghiệm trên dữ liệu nhiệt độ 88

Hình 5.17 Sự tương quan dé liệu độ âm giữa việc sử dụng và không sử dụng

DANH MỤC BANG

Bang 2.1 Bảng thé hiện payload tối đa - 2-2-2552 £+E£2EE+EE£EEeEEerEzErrrkersers 21

Bang 2.2 Bảng thông tin khi nhận được 261 tin 25 5255 * S2 ++sveeseeess 22

Bang 3.1 Tổng hop ký hiệu sử dụng trong UDASA -2- 2 +ccsccscreczxecrs 45Bảng 4.1 Nhiệm vụ các thành phần API Backend -¿ s¿©2+2s+5cxz+: 56

Bang 4.2 Các phương thức được sử dụng trong các module Backend API 59

Bảng 4.3 Đặc ta thư mục Backend APÌ - c6 + 19 33 E9 E9 1 1 1k, 61 Bảng 4.4 Đặc ta các trang của W€SIK€ sgk 62

Bang 4.5 Đặc trưng của các COIIfA1TI€T -.- «s13 1v vn ng nret 67

Bang 5.1 Tổng hợp các kịch bản thực nghiệm ccsccsccsccessessesseessessessessesseeseesessen 74Bảng 5.2 So sánh sự khác biệt của các thông số khi hiện thực UDASA của nhóm và

Bảng 5.3 Tổng kết kết quả thu được khi sử dụng UDASA tại kịch bản 2 81Bảng 5.4 Tổng kết kết qua thu được khi sử dụng UDASA tại kịch ban 3 89

DANH MỤC TỪ VIET TAT

Từ viết tắt Thuật ngữ

loT Internet of Things

MAD Median Absolute Deviation (độ lệch tuyệt đôi

trung vi)

MAE Mean Absolute Error (lỗi tuyệt đối trung bình)

NME Normalized Mean Error (lỗi trung bình chuân

hóa)

NOAA National Oceanic And Atmospheric

Administration

SF Sampling fraction

UDASA User-Driven Adaptive Sampling Algorithm

Tir tiéng Anh Việt hóa

Adaptive Sampling Lấy mẫu thích ứng

Cloud Trung tâm dữ liệu đám mây

Gateway Đơn vị xử lý giữa thiết bị và trung tâm

đám mây Cloud

Optimized Networking Functions Tối ưu hóa chức năng mạng

Optimum Sensing Tôi ưu hóa cảm biên

Optimum Task Scheduling Lập lịch tác vụ tối ưu

Server Máy chủ

TÓM TÁT KHÓA LUẬN

Ngày nay, thuật ngữ Internet of Things (IoT) đang ngày cảng trở nên quen thuộc

ở Việt Nam cũng như phát triển trên phạm vi toàn thé giới, ta có thé thay rằng IoT

có mặt trên tat cả các lĩnh vực, từ y học, kinh tế, nông nghiệp đến giao thông vận tải Sự bùng nỗ của các thiết bị thu thập cảm biến đã và đang đặt ra nhiều thách

thức cho năng lượng rời của các thiết bị IoT trong tương lai Dé giải quyết vấn đề

đó, đã có rất nhiều giải pháp được đặc ra như cung cấp thêm nguồn năng lượng từ

tự nhiên cho các thiết bị IoT, giảm năng lượng truyền tải, lập lịch trình cho việc thu thập cảm biến, có khá nhiều giải thuật được phát triển nhằm giảm thiểu dữ liệu thu thập khi các thiết bị IoT hoạt động, đồng thời tiết kiệm năng lượng cho thiết bị nhằm duy trì thời gian tồn tại của nó một cách lâu nhất Hướng phát triển này ngày càng được các nhà nghiên cứu chú trọng Ở đề tài luận văn nay, nhóm sinh viên tập

trung nghiên cứu User-Driven Adaptive Sampling Algorithm (UDASA) — một trong

những thuật toán được nghiên cứu và xuất ban tai IEEE Access năm 2020 với độ tin cậy cao Thuật toán đáp ứng việc phát hiện được sự biến động trong dữ liệu từ đó có

thể thay đổi thời gian lấy mẫu, làm giảm dữ liệu thu thập được đồng thời đảm bảo

độ chính xác của tập dữ liệu Nhóm tác giả áp dụng thuật toán này vào thiết bị libelium — một thiết bị loT hiện đại, giúp giảm đáng kề lượng năng lượng tiêu thụ

của thiết bị, mở ra hướng phát triển cho lĩnh vực nghiên cứu năng lượng của các thiết bị IoT.

Chương 1 GIỚI THIỆU

Chương 1 sẽ giới thiệu tổng quan tình hình, xu hướng IoT trên thế giới, các van

đề xoay quanh việc tiết kiệm năng lượng trong Internet vạn vật Đồng thời, nhóm

tác giả cũng đưa ra mục tiêu hướng đến cũng như giới hạn, phạm vi nghiên cứu của

đề tài

1.1 Tổng quan

1.1.1 Tổng quan về xu hướng IoT

ToT là ký hiệu viết tắt của cụm từ Internet of Things hay còn được giới thiệu với

cái tên khác là Internet of Everything Nó là một ý tưởng kết nối tất cả các vật thê

xung quanh chúng ta thông qua Internet và giúp chúng trở nên chủ động và thông

minh hơn Các “vật thể” ở đây có thê hiểu đơn giản là các thiết bị vật lý, thiết bịnhúng, điện tử, cảm biến, phan mềm chúng có thé kết nối mạng giúp cho cácthiết bị này có thé thu thập, giao tiếp với nhau và truyền tải dữ liệu Một “vật thê

chết” tưởng chừng như bình thường trong cuộc sống hàng ngày của chúng ta thông

qua IoT nó có thê trở thành một “vat thê sống” với khả năng giao tiếp được với

nhau, khả năng điều khiển từ xa, làm những việc “thông minh” hơn Với sự phát

triển của các thiết bị nhúng như hiện nay, các thiết bị IoT có thé biến đổi từ một

thiết bị có kích thước nhỏ như hạt đậu đến một thiết bị lớn như một chiếc máy bay

phục vụ từng mục đích khác nhau Đề có cái nhìn cu thé hơn về IoT thì ta có thé kếđến một ví dụ điển hình như Nhà thông minh — nơi có thể trang bị nhiều loại cảmbiến, thiết bị khác nhau nhằm điều khiển mọi thứ trong căn nhà, hướng tới việcthông minh hơn là tự điều hành

Tóm lại, bât kỳ đôi tượng nào thỏa mãn các các vân đê trên thì có thê gọi là cácthiết bị IoT

Dựa vào báo cáo của “IoT Analytics Research”, hiện tại đã có khoảng 11.7 tỷ

điện thoại thông minh, máy tính, máy tính xách tay và các thiết bị khác được kết

nối Báo cáo này dự đoán sẽ có khoảng 30.9 tỷ thiết bị có thé kết nỗi đến năm 2025,Tổng số thiết bị có thé đạt đến 41.2 tỷ (bao gồm IoT và Non-IoT) Chi tiết ta xemtại Hình 1.2.

! http://www.vincenzomusumeci.com/digital-economics/impact-iot-digital-economy/

° Ri Ri THE Insights that empower you to understand loT markets

= Compound Annual Growth Rate (CAGR)

Note: Non-loT includes all mobile phones, tablets, PCs, laptops, and fixed line phones loT includes all consumer and B2B devices connected — see loT break-down

for further details Source(s): loT Analytics - Cellular loT & LPWA Connectivity Market Tracker 2010-25

Hình 1.2 Biéu đồ thé hiện sự tăng trưởng của thiết bi IoT?

Ta có thé thay, thị trường IoT ngày càng tăng trưởng, từ năm 2010 đến cuối năm

2019, tỷ lệ tăng trưởng kép hàng năm đạt 10% Dự đoán từ năm 2020 đến năm

2025, tỷ lệ này có thể đạt đến 13% Dựa vào lợi thế đó, các phần mềm cũng như là

các nên tảng xoay quanh van đê nay cũng ngày cảng nhộn nhịp.

Cũng theo tô chức này, thị trường IoT trên toàn cầu cũng vô cing năng động Từnăm 2018 đến năm 2025 sẽ tăng từ 151 tỷ đô la đến 1,567 tỷ đô la

?

https://iot-analytics.com/state-of-the-iot-2020-12-billion-iot-connections-surpassing-non-iot-for-the-first-time/

of IOT ANALYTICS August 2018 Insights that empower you to understand loT markets

Global loT Market Forecast

Global loT Market in $B

1,600¬

Note: Market defined as total spend of end-users on loT solutions Source: loT Analytics Research 2018

Hình 1.3 Biéu đồ dự đoán thị trường IoT?

1.1.2 Vấn đề tiết kiệm năng lượng trên các thiết bị IoT

Ngày nay, với số lượng đang ngày càng tăng và thậm chí tăng lên theo cấp số

nhân của các thiết bị IoT dé cập tại 1.1.1 và các thiết bị cảm biến dan đã trở thành

một phần không thể thiếu và được ví như “xương sống” đối với một hệ thống IoT

Các thiết bị này ngày càng gan liền với đời sống và xuất hiện xung quanh chúng ta,

có thé kế đến như cảm biến thông minh, RFIDs, máy ảnh, điện thoại thông minh,

đồng hồ thông minh

Sự đa dạng về thiết bi cũng như tiềm năng tăng về số lượng trong tương lai, IoT

cũng đặt ra thách thức cho nguồn năng lượng tiêu thụ của các thiết bị cảm biến Ví

như trong quá khứ, một hệ thống dự báo thời tiết với các thiết bị cảm biến gọn nhẹ

như nhiệt độ, độ 4m, áp suất, dé dự đoán về thời tiết trong thời gian sắp tới, thì

3 https://iot-analytics.com/state-of-the-iot-update-q1-g2-2018-number-of-iot-devices-now-7b/

nay sự đa dạng thiết bị để thu thập các giá trị khác như nồng độ khí, bụi, hướng gió,

lượng mưa, được tích hợp thêm trong các cảm biến mới giúp việc dự báo thời tiếtđược thực hiện một cách chính xác hơn và đánh giá thời tiết, khí hậu một cách trựcquan, nhiều khía cạnh hơn Tuy nhiên, số lượng các thiết tăng lên cũng đồng nghĩavới việc năng lượng cần dé cung cấp cho hệ thống tăng lên, tuổi thọ pin của các

thiết bị có thé giảm

Thông thường, các thiết bị thu thập cảm biến nếu muốn thu thập các giá trị có ý

nghĩa cao như tại cái vị trí địa lý đặt biệt (rừng rậm, Bắc Cực, Nam Cực, ) thì

chúng phải được trang bị thêm nguồn pin bên ngoài để cung cấp năng lượng cho

chúng Nếu trường hợp các thiết bị thu thập cảm biến sử dụng nguồn năng lượng

quá nhiều để phục vụ cho các chip thu thập dẫn đến việc điểm thu thập dữ liệu bị

“chết” trước khi kip thu thập năng lượng để bé sung, làm điểm cung cấp dữ liệucảm biến tại vùng địa lý đó không hoạt động, ảnh hưởng trực tiếp đến độ tin cậy, độchính xác của bộ dữ liệu tổng quát

1.2 Phát biểu vấn đề và mục tiêu hướng đến

có phương pháp dé phòng chống bão lũ, giảm thiểu thiệt hại Nếu thiết bị này gặp

6

trục trac về van dé năng lượng dé duy trì hoạt động một cách liên tục của trạm thihiém họa của nó mang lại là khôn lường.

Hiện nay, các thiết bị cảm biến được nhà sản xuất tối ưu về mặt năng lượng détiết kiệm năng lượng, bên cạnh đó các giao thức, phương thức dé giao tiếp giữa cácthiết bị cũng dần được hoàn thiện, mang lại trải nghiệm ít tốn năng lượng hơn

Chính vì thế, việc sử dụng một thuật toán dé giảm thiêu số lượng dữ liệu có thé thu

thập được nhưng đồng thời đảm bảo độ chính xác của bộ dữ liệu đó, hướng đến việctiết kiệm năng lượng đã và đang trở thành một xu hướng mới để giải quyết các vấn

đề trên

1.2.2 Mục tiêu hướng đến

e Tìm hiểu, xây dựng một hệ thống thu thập dit liệu với các giá trị cảm biến là

môi trường thật tại Trường Dai học Công nghệ Thông tin - ĐHQG-HCM

dựa trên bộ thiết bị libelium

e Tìm hiểu, lập trình thuật toán lấy mẫu thích ứng UDASA tại gateway dé xử

lý dữ liệu cũng như đưa ra đề xuất tần suất lây mẫu đến thiết bị cảm biến,

giải quyết vấn đề thu thập giá trị cảm biến một cách liên tục và tạo ra luồng

dữ liệu cực kỳ lớn, gây áp lực lên cơ sở dữ liệu.

e_ Triển khai một hệ thống IoT thu thập các dữ liệu cảm biến môi trường như

nhiệt độ, độ âm đề từ đó áp dụng thuật toán vào và đánh giá Hệ thống sẽ thể

hiện một cách trực quan kết quả đạt được thông qua các biểu đồ, bảng dữliệu Các thành phan cơ bản của hệ thống sẽ bao gồm Cloud — trung tâm dữ

liệu đám mây dé xử lý và lưu trữ, gateway dé xử lý và chuyên tiếp và cuối

cùng là các thiết bi cảm biến thu thập dữ liệu

e So sánh, đánh giá bộ dữ liệu thời gian thực sử dụng và không sử dụng thuật

toán nhằm đánh giá độ chính xác của thuật, đánh giá trên nhiều kịch bản thựcnghiệm cụ thể từ đó đưa ra nhận xét đối với hệ thống cũng như khả năng ápdụng, tích hợp trong tương lai, tiềm năng phát triển của thuật toán

1.3 Phương pháp luận và kết quả

Phương pháp luận cho đề tài hướng đến áp dụng các nghiên cứu về giải thuật dé

áp dụng vào thực tế, triển khai và thử nghiệm các giải pháp Được thể hiện qua việcphân tích thiết kế mô hình phân rã cấu trúc hệ thống, thiết kế mô hình luồng dữ liệu

và sử dụng các thuật toán, giải thuật.

Kết quả là triển khai thuật toán trong lý thuyết vào thực tế các thiết bị, thông quacác đánh giá, kiểm định độ tin cậy của giải thuật khi hiện thực lại Kiểm thử hệthống với các kịch bản khác nhau, từ đó có thê chỉ ra độ chính xác khi sử dụng giải

thuật vào thực tiễn và đưa ra kết luận

1.4 Phạm vi và giới hạn của đề tài

1.4.1 Phạm vi và đối tượng nghiên cứuTrong phạm vi của đề tài này, đối tượng nghiên cứu bao gồm:

e Nghiên cứu các thiết bị libelium: waspmote, bo mạch cảm biến, module

truyền nhận dữ liệu, các cảm biến,

e Nền tảng điện toán đám mây

e_ Công nghệ ảo hóa và điều phối ảo hóa: Docker, Docker Compose

e Thuật toán UDASA.

e Nghiên cứu đánh giá bộ dữ liệu NOAA để tìm ra thuật toán đúng đắn, áp

dụng hiện thực vào dữ liệu tai Trường dé từ đó chỉ ra đánh giá từ lý thuyết

đến thực tế

1.4.2 Giới hạn của đề tài

Do giới hạn về thời gian và lượng kiến thức hạn hẹp về các thuật toán, giải thuật

và hệ thống vẫn đang trong giai đoạn xây dựng, phát triển nên còn có nhiều mặt hạn

h

A

chê:

e Giới hạn vê kiên thức toán học, các thuật toán sử dụng đê tài đa sô được xây

dung từ các công thức toán, nhóm đã cô găng dé tìm hiéu, đọc các bài báo

khác nhau dé so sánh cũng như tìm ra phương hướng đúng dan cho việc hiện

thực thuật toán.

e Kiến thức về hàm nội suy: Nhóm sử dụng hàm nội suy được phát triển sẵn

trong thư viện scipy.interpolate dé tính toán quá trình tái lập lại dữ liệu từ dữ

liệu đã qua xử lý từ thuật toán, góp phần vào việc tính toán tỉ lệ lỗi giữa hai

bộ dữ liệu nhưng có phần khác so với bài báo khoa học [1] sử dụng [2] để táilập dữ liệu Chính vì thế, tỉ lệ lỗi của đề tài có phần cao hơn so với kết quả

được nhắc đến trong bài báo

e Giới hạn về thiết bị IoT: Do hạn chế về thiết bị nên trong quá trình thực hiện

nhóm đã mat khá nhiều thời gian trong việc đo lường các giá trị dit liệu vàthay đổi giữa các kịch bản Các số liệu vẫn mang tính chất tham khảo donhiều yếu tố tác động như nơi đặt thiết bị, tình trạng thiết bị, môi trường

xung quanh tác động,

1.5 Câu trúc của luận văn

Chương 1: Giới thiệu Tổng quan tình hình, xu hướng IoT trên thế giới, các van đềxoay quanh việc tiết kiệm năng lượng trong Internet vạn vật Đồng thời đưa ra mục

tiêu hướng đên cũng như giới hạn, phạm vi nghiên cứu của đê tai.

Chương 2: Các nghiên cứu và công nghệ liên quan Trình bày các nghiên cứu về

việc tiết kiệm năng lượng va các van dé liên quan trên thế giới Qua đó phát biểu

các đối tượng sẽ thực nghiệm và nghiên cứu, cơ sở lý thuyết và các kỹ thuật, công

nghệ, hướng tiếp cận đề tài

Chương 3: Phương pháp luận, nghiên cứu Trong chương này trình bày về phươngpháp luận và quy trình phân tích các thuật toán được sử dụng dé giải quyết các van

dé ở Chương 1 Với mục tiêu là áp dụng các nghiên cứu về lay mẫu thích ứng dé ápdụng vào thực tế các thiết bị thu thập cảm biến, cụ thể ở đây là thiết bị của bộ

libelium.

Chương 4: Hiện thực, triển khai hệ thống Trong chương này nhóm sẽ trình bày

tong quan sự tương quan giữa các thành phan, triển khai các thành phần trong hệ

thống, hiện thực các thuật toán, giải thuật được nghiên cứu ở Chương 3.

Chương 5: Kết quả thử nghiệm và đánh giá Thực hiện các kịch bản thử nghiệm,

đánh giá các kết quả thực nghiệm Từ đó, đưa ra kết luận và hướng phát triển trong

chương tiếp theo

Chương 6: Kết luận và hướng phát triển Trình bày về kết quả đã đạt được trong

quá trình hiện thực hệ thống dé áp dụng thuật toán vào thực tiễn Kết quả đã hoàn

thành so với đề cương chi tiết, so sánh đánh giá và rút ra kết luận Mặc khác, đề

xuất hướng hướng nghiên cứu dé phát triển trong tương lai

10

Chương 2 CÁC NGHIÊN CỨU VÀ CÔNG NGHỆ LIÊN QUAN

Chương 2 trình bay các nghiên cứu vê việc tiêt kiệm năng lượng và các van đê

liên quan trên thê giới, cuôi cùng là các đôi tượng mà nhóm sẽ thực nghiệm và

nghiên cứu, cơ sở lý thuyết và các kỹ thuật, công nghệ, hướng tiếp cận đề tài

2.1 Tình hình nghiên cứu các công trình liên quan

Nghiên cứu vấn đề sử dụng năng lượng hiệu quả cho các thiết bị hạn chế là mộtchủ đề rất thú vị trong bối cảnh của IoT vì quan lý điện năng có thé liên quan đến

một số hoạt động của thiết bị, chăng hạn như cảm biến, xử lý và truyền Ví dụ,

trong kịch bản nông nghiệp nơi các thiết bị IoT được phân phối rộng rãi trong mộtkhu vực rộng lớn, việc tối ưu hóa mức tiêu thụ năng lượng có thé kéo dai vòng đời

của thiết bị và giảm đáng kể chi phí bảo trì

Các thiết bị trong một hệ thống IoT được xem như một node cảm biến và thường

sẽ có 4 thành phần chính: thành phần thu thập/cảm nhận, thành phần xử lý, thành

phần giao tiếp, thành phần năng lượng

biển xử ly giao tiến

" 7 +

Thanh phan nang lượng |

Hình 2.1 Các thành phần của node cảm biến

Đầu tiên là thành phần thu thập/cảm nhận, là thành phần trực tiếp tiếp xúc vớimôi trường cần để thu thập dữ liệu Tại đây, các giá trị cảm biến được tiếp nhận

thông qua các cảm biến Một số nghiên cứu về cuộc cách mạng công nghệ cảm

biến, phân tích chỉ tiết về các nền tảng và bo mạch được nhúng, chủ yếu chú trọng

vào các thành phần chính: khả năng xử lý và bộ nhớ, chi phí, hệ điều hành, nguồn

và đặt biệt là thời lượng pin [3], [4] mang lại cái nhìn tổng quan về các thiết bị ở cácphân khúc khác nhau từ đó lựa chọn thiết bi dé tích hợp một cách phù hợp Các

11

nghiên cứu về dòng điện [5], lập lịch chu kỳ ngủ của các thiết bị, tăng cường quản

lý điện năng, nghiên cứu chế độ nhàn rỗi của thiết bị nhằm tắt nguồn cảm biến và

bộ điều khiến khi cần [6], [7]

Tiếp theo là thành phan xử lý - bộ phận thực hiện các tác vụ như tổng hợp dữ liệu,tính toán, thực hiện việc tiền xử lý trước khi giao công việc cho thành phần giao

tiếp Tùy vào từng loại cảm biến thì giá trị có thể chuyền từ tín hiệu này sang tín

hiệu khác (Analog/Digital), năng lượng tiêu thụ cũng vi thế mà thay đổi ít nhiêu.Một khái niệm mới được đề xuất là cảm biến nén (Compressed Sensing) cho phépnén tín hiệu, nén giá tri cảm biến và tái tạo lại một cách chính xác [8], [9] Một

nghiên cứu khác về việc tiền xử lý như giám sát, lọc, dự đoán dữ liệu, tiền xử lý

trước khi thực hiện công đoạn tiếp theo

Tiếp đến là thành phan giao tiếp, là thành phan dùng dé truyền dữ liệu thu thậpđược Thành phần này bao gồm LAN, low power bluetooth, RFID, NFC, Wifi,Zigbee, Yếu tố ảnh hưởng trực tiếp và là nguyên nhân gây tiêu hao năng lượng

trong thành phan này là thời gian giao tiếp Dé giảm thiểu điều này, việc lựa chon

công nghệ dé sử dụng cũng là một cách dé tiết kiệm nặng lượng ở thành phan này

Nhiều vấn đề được nghiên cứu, đặt biệt là những thách thức như định danh, giao

tiếp giữa các thiết bị đặt biệt tiêu tốn năng lượng hơn nữa là giao tiếp không dây vàcuối cùng là tính di động [10], [11] với những thiết bị, giao thức, giao tiếp khácnhau Từ đó ta có thể thấy rõ được điểm mạnh, yếu khác nhau của chúng

Cuối cùng là thành phần năng lượng, là đơn vị cung cấp năng lượng cho toàn bộ

thành phan ở trên, thường là một bộ pin giới hạn Có thé sử dung dòng năng lượng

tự nhiên dé bố sung năng lượng cho thành phan này như gió, năng lượng mặt trời, Tuy nhiên, các nguồn năng lượng này cần thiết kế cho phù hợp dé dam bảo tính linh

động của thiết bị Năng lượng trong quá trình hoạt động có thể gặp trục trặc hoặc

giảm một cách đột ngột do các thiết bị ngén điện, ta có thé áp dụng một số phương

pháp như dựa vào nguồn điện còn lại để điều chỉnh việc thu thập thập dữ liệu, tranh

thủ thời gian để bồ sung năng lượng

12

Ngoài ra, còn có rất nhiều các tác nhân khác ảnh hưởng đến việc tiết kiệm năng

lượng, nó có thể phụ thuộc vào khoảng cách liên lạc, sự kiện được giám sát, yêu cầucủa hệ thống và hoạt déng, Đặt biệt có thé kế các trạng thái của điểm thu thậpcảm biến: hoạt động, nhàn rỗi, trạng thái ngủ Các nghiên cứu về các trạng thái củanode cảm biến, lập lịch trình cho thiết bị ngủ, dự đoán thời gian ngủ dựa vào lượng

pin còn lại, dựa vào luồng dit liệu, các nghiên cứu về chip dé áp dụng các nghiêncứu các trạng thái trên vào thiết bị thương mại [6], [12], [13] Trong trạng thái hoạt

động, mức độ tiêu thụ năng lượng là tối đa Thanh phan giao tiếp tiêu hao năng

lượng cao nhất do phải truyền và nhận dữ liệu Ở trang thái nhàn rỗi, điểm dit liệu

được đưa vào trạng thái lắng nghe, tại đây năng lượng có thể bị tiêu hao do phải chờmột thông điệp, dữ liệu từ một điểm khác Cuối cùng, ở trạng thái ngủ, năng lượng

ít bị tiêu tốn, điểm thu thập cảm biến không nhận bat kỳ tác vụ nào, thành phan giaotiếp tắt

Sau đây, một loạt các kỹ thuật và nên tảng dé đạt được sự hiệu quả năng lượng

được trình bày phía trên.

2.1.1 Lấy mẫu thích ứng

Kỹ thuật lay mẫu thích ứng xem xét rằng các hoạt động đánh thức, thu thập và xử

lý dữ liệu trước khi truyền tiêu thụ một tỷ lệ năng lượng tương tự so với quá trìnhtruyền dữ liệu, ý tưởng cơ bản của kỹ thuật này là điều chỉnh tốc độ lấy mẫu với cácthay đổi dựa trên các tiêu chí cụ thé và dam bảo độ chính xác của thông tin kết quả

Nhóm tác giả đã lập danh mục các phương pháp lấy mẫu thích ứng dựa trên các tiêuchí như vậy.

Send-on-delta sampling: được sử dụng phổ biến nhất trong mạng không dây

Nguyên bản của cách tiếp cận này là lấy mẫu level-crossing vào cuối những năm

1950 dựa trên ý tưởng “lây mẫu phù hợp nhất là chỉ truyền dit liệu quan trọng và giá

trị mới thu được dựa trên tín hiệu được thay đổi bởi một gia số nhất định” [14] Do

tính phổ biến của nó, có nhiều cách khác nhau đề thé hiện kỹ thuật này như

event-based sampling [15], magnitude-driven sampling [15] hoặc deadbands [16].

13

Integral Sampling sử dụng khái niệm tích phân hoặc năng lượng của sai số dé xử

lý các đao động nhỏ trong tín hiệu Thông báo được gửi nếu sai số tích lũy của việclay mau, ký hiệu là CES, lớn hơn ngưỡng được xác định trước & [17]

Predictor-based sampling sử dụng mô hình dé dự đoán biện pháp tiếp theo dựa

trên các giá trị trong quá khứ Thông điệp x(t) được gửi đi nếu nó khác biệt đáng kế

với giá trị dự đoán xˆ(t) Tiêu chí của sự khác biệt có thể sử dụng lại dựa vào việclấy mẫu trên dữ liệu hoặc lấy mẫu theo khoảng thời gian Mô hình được xây dựng

từ một thống kê đơn giản hóa sử dụng phép ngoại suy tuyến tính [18] Để duy trì

chất lượng thông tin cao, bộ dự báo được sử dung trong máy thu dé ngoại suy giá tri

tín hiệu cho đến khi nhận được bản tin mới Tuy nhiên, việc cập nhật bộ dự báo

máy thu yêu cầu ít nhất hai mẫu, điều này làm giảm hiệu quả của phương pháp này

Gradient-based integral sampling là một phan mở rộng của phương pháp lay mau

tích phân với việc tối ưu hóa mức tiêu thụ năng lượng khi đánh thức - phương pháp

này dựa trên thực tế là thiết bị đánh thức tiêu thụ lớn hơn đáng kể so với thu thập

thông báo Do đó, thời gian đánh thức tiếp theo sẽ tự động được điều chỉnh theo độ

dốc hiện tại của tín hiệu [19] Thời gian ngủ tối đa được xác định đề tránh giảm độ

doc tín hiệu xuông 0.

Sigmoid-based sampling sử dụng một hàm sigmoid dé ước tính những thay đổi

của tốc độ lay mau dua trén phương sai cua cửa s6 tin hiéu cudi cung [20], [21].Hãy biểu thi thông điệp cuối cùng là x(t) thuộc một cửa sô tín hiệu kích thước W,phương sai là sự khác biệt tuyệt đối giữa x(t) va x(t - 1) so với giá trị trung bìnhcủa W Tiếp theo, phương sai như vậy được so sánh với một ngưỡng được xác địnhtrước khi tính toán tốc độ lây mẫu mới là phép nhân của tốc độ hiện tại và hàm

sigmoid của phương sai đó Tỷ lệ mới được giới han từ 0 đến 2 do thuộc tính hàm

sigmoid.

2.1.2 Lap lich tác vụ tối ưu

Một số công trình nghiên cứu cho rằng có thé giảm thiểu tiêu thụ năng lượng

băng cách tối ưu hóa chính sách lập kế hoạch tác vụ Trong [22], Zhou et al đã giải

14

quyết vấn dé lập kế hoạch tuyến đường chung và phân công nhiệm vụ dé tối ưu hóa

năng lượng cho các phương tiện bay không người lái (UAVs) Bài toán tối ưu hóa

chung được xây dựng thành một bài toán chung với hai trạng thái hai bên Trong

giai đoạn đầu, lập trình động hoặc thuật toán di truyền được khai thác để giải bài

toán lập kế hoạch tuyến đường Sau đó, nhóm tác giả sử dụng thuật toán

Gale-Shapley dé giải bài toán phân công nhiệm vụ ở giai đoạn hai Hiệu quả của nó đượcthể hiện qua các kết quả phân tích lý thuyết và đánh giá thực tế Các công trình

tương tự đối với UAVs, [23] nhằm mục đích giảm thiểu tiêu thụ năng lượng bằngcách kết hợp lập trình động, lý thuyết dau giá và lý thuyết đối sánh Các tác giả xâydựng một bài toán tối thiểu hóa như một tối ưu hóa chung liên quan đến cả tối ưuhóa quy mô lớn và quy mô nhỏ Về tiêu thụ năng lượng, lập lịch quỹ đạo, điềukhién vận tốc, điều chỉnh tần số, lựa chon role và thuật toán phân bô công suất đượctối ưu hóa Các tác giả trong [24] chứng minh rằng việc tối ưu hóa lập lịch tác vụtrong các thiết bị IoT là một bài toán NP-hard được chạy trong pseudo-polynomialtime và đề xuất một thuật toán lập trình động dé đối phó với van đề này Nguyênmẫu thuật toán của họ được đánh giá trên ba nền tảng IoT phổ biến (TMote,

Raspberry PI và Arduino), áp dụng hiệu quả các thông số hệ thống với các điều kiện

pin thiết bị khác nhau [25] đề xuất phiên bản nâng cao của thuật toán Earliest

Deadline First (MEDF) dé giảm tiêu thụ năng lượng trong khi duy trì tỷ lệ mat mát

và độ trễ ở mức thấp Một nhiệm vụ mới được lên lịch dựa trên mức năng lượng

hiện tại của thiết bị trong siêu tụ điện và hang số thời gian của hệ thống Theo cáchtiếp cận tương tự, [26] sử dụng thuật toán Energy-aware lazy scheduling dé tối ưu

hóa việc lập lịch tác vụ Hiệu quả của nó được đánh giá trên cả các thiết bị thương

mại và thiết bị chi phí thấp trong các tình huống thực tế Trong [27], các tác giả giớithiệu một mô hình tối ưu hóa động dựa trên Markov Decision Process (MDP) Môhình đề xuất xem xét các mức độ ưu tiên, thời hạn của các nhiệm vụ và dung lượng

pm dé đưa ra bộ lập lịch tối ưu Tuy nhiên, bộ lập lịch dựa trên MDP này không đủ

cho các tác vụ thời gian thực, vì vậy các tác giả chỉ đề xuất một phiên bản thamkhảo của bộ lập lịch này cho các thiết bị thực Trong [28], vấn đề lập lịch tác vụ của

15

các ứng dụng giám sát được giải quyết bằng thuật toán dựa trên Q-learning Thuật

toán áp dụng Annealing Strategy dé cập nhật chính sách lên lịch nhằm duy tri mứcpin đủ cho các công việc chức năng của thiết bị Ngoài ra, nó cũng tạo các ràngbuộc cho việc gửi các giá trị trạng thái để giảm thông tin trao đổi giữa các nút trongMạng cảm biến không dây

2.1.3 Tối ưu hóa chức năng mạng

Hoạt động mạng được công nhận là một nguồn tiêu thụ năng lượng đáng kê Đã

có nhiều công trình hiện nghiên cứu cách tối ưu hóa chức năng mạng dé kéo dài

thời lượng pin của thiết bị Các tác giả trong [29] giới thiệu một thuật toán tối ưu

hóa chức năng mạng ngẫu nhiên dé kiểm soát truy cập và phân bồ tài nguyên bằng

cách khai thác Lyapunov optimization Không yêu cầu thông tin trạng thái kênh,

thuật toán được đề xuất nhằm mục đích tối ưu hóa việc kiểm soát tốc độ cảm biến,

phân bổ công suất và lựa chọn kênh trong cả lớp ứng dụng và lớp vật lý Dưới các

kết quả mô phỏng khác nhau, khả năng thực thi trực tuyến với độ phức tạp thấp của

nó đã được chứng thực Tương tự, [30] nghiên cứu hành vi truyền của nút để xây

dựng mô hình, cung cấp sự tôi ưu hóa chung cho hàng đợi dữ liệu Mô hình có thể

dự đoán cả kỳ hạn dài và ngắn hạn Bên cạnh đó, nghiên cứu trong [31] xem xét

việc tối ưu hóa lựa chọn kênh cho các thiết bị với loại máy giới hạn tài nguyên(MTD) khi thiếu thông tin trạng thái toàn cầu Bài toán tối ưu hóa được xây dựngdưới dạng kết hợp 1-1 giữa MTD và các kênh Kết hợp giữa học máy, Lyapunovoptimization và lý thuyết đối sánh, các tác giả đề xuất một framework lựa chọnkênh dựa trên matching-learning Hiệu quả và độ tin cậy của framework dé xuất đã

được xác nhận trong các kịch bản mô phỏng và cai đặt tham sô khác nhau.

[32] trình bày một lược đồ mẫu có thé thay đối, hỗ trợ máy thu thích ứng chu kỳlay mẫu với trạng thái năng lượng hiện tại và độ dài gói đến Một bit thông tin laymẫu được thêm vào tiêu đề bản tin yêu cầu để chỉ ra các mẫu hoàn chỉnh của gói

mạng Ngoài ra, các tác giả sử dụng Markov Decision Process để mô hình hóa hệ

thông truyên tải nhăm giảm thiêu công suât truyện Dé nâng cao hiệu quả, một so

16

đồ truyền tải lại tối ưu cũng được trình bày Trong [33], việc triển khai tối ưu các

thiết bị định tuyến dữ liệu trong WSN được xây dựng dưới dạng Mixed-integer

linear programming (MILP) Do độ phức tạp cao và bị ảnh hưởng mạnh bởi kích

thước mạng, một giải pháp k-connected đã được phát triển [34] giới thiệu mạngIoT tiết kiệm năng lượng cho hệ thống 5G tận dụng năng lượng RF từ lưu lượng di

động dé truyền dit liệu

2.1.4 Tối ưu hóa cảm biến

Một số công trình được dé xuất dé tối ưu hóa hoạt động cảm biến trên các thiết bịđược cung cấp bởi nguồn pin hạn chế Các tác giả trong [35] đã khai thác Mean

Squared Error estimation (MSE) để thê hiện mối tương quan trong tiêu thụ năng

lượng giữa các hoạt động của cảm biến và truyền Thông qua phân tích lý thuyết, họ

cho thấy rằng việc điều chỉnh tốc độ lay mẫu có thé đạt được mức tiêu thu năng

lượng tối ưu [36] giới thiệu một giải pháp tiệm cận tối ưu sử dụng hiệp phương sai

giảm dần theo luật lũy thừa cho các quá trình ngẫu nhiên Giả sử sự phân bố tiêu thụ

năng lượng tuân theo quy trình Poisson, các tác giả phát hiện ra một đặc tính

Markovian có thê được sử dụng để xác định giới hạn dưới của MSE cảm nhận

Thông thường, họ chia thời gian thành các khoảng thời gian cố định và ước tính

hiệu suất cảm biến tối ưu dựa trên mức pm hiện tại Trong các thử nghiệm của họ,

giá trị MSE của giải pháp được đề xuất thấp hơn chính sách lấy mẫu đồng nhất (tốc

độ lây mẫu cô định) [37] trình bày các chính sách phát hiện ngẫu nhiên tối ưu, chọn

ngẫu nhiên một tập hợp các trường hợp phát hiện ứng viên Công việc này giải

quyết việc lấy mẫu của một quy trình ngẫu nhiên thời gian liên tục không giới hạnbăng thông Các tác giả chứng minh rang có thé đạt được MSE tối thiêu băng cáchđiều chỉnh chu kỳ lay mẫu và năng lượng lay mau

Cuối cùng với những nền tảng được trình bài phía trên, trong dé tài này nhóm

sinh viên sẽ hướng đến việc ứng dụng thuật toán lay mẫu thích ứng cho hệ thống détiết kiệm năng lượng

17

2.2 Cơ sở lý thuyết và hướng tiếp cận đề tài

2.2.1 Libelium4

libelium

Hinh 2.2 Logo cua libelium

Libelium là một công ty đa quốc gia về công nghệ của Tay Ban Nha, được thành

lập vào năm 2006.

Với nhiệm vụ chính là thiết kế, sản xuất phần cứng và bộ công cụ phát triển phầnmềm hoàn chỉnh (SDK) cho mang cảm biến không dây dé các nhà phát triển tíchhợp hệ thống, kỹ thuật và tư vấn cho các giải pháp IoT, M2M va Smart Cities mộtcách đáng tin cậy trong khoảng thời gian ngắn, thương mại hóaŠ

Waspmote là vi mạch tiên tiền của Libelium cho IoT, là một thiết bi cảm biến dé

phát triển các dự án IoT®

2.2.1.1 Bo mạch cảm biến

Kiến trúc phần cứng waspmote đã được thiết kế đặc biệt để hoạt động với mức

tiêu thụ cực thấp Ba chế độ ngủ khác nhau khiến waspmote trở thành nên tảng IoT

tiêu thụ thấp nhất trên thị trường (7 pA) Có hơn 120 cảm biến có sẵn dé kết nối với

waspmote: CO, CO2, tốc độ gió, độ ầm, nhiệt độ, pH, ánh sang, Bo mạch cam

4 https://www.libelium.com/

Š https://es.wikipedia.org/wiki/Libelium

6 https://www.libelium.com/iot-products/waspmote/

18

biến cho phép các nhà phát triển dé dang sử dụng cảm biến trong waspmote Có 8

loại bo mạch cảm biến có thể sử dụng: Gases PRO, Events, Smart Agriculture,

Smart Water, Smart Water Ions, Smart Cities PRO, Smart Parking, Prototyping

Sensor Sự da dạng của các loại bo mạch cảm biến giúp người dùng có thé chọn chomình thiết bị phần cứng, các loại cảm biến phù hợp với dự án IoT của riêng mình để

tích hợp.

2.2.1.2 Các module giao tiếp

Waspmote tích hợp các module Digi’s XBee dé giao tiếp trong các băng tần ISM

(Industrial Scientific Medical) Các module này giao tiếp với vi điều khiển bằng

UARTO hoặc UARTI ở tốc độ 115200 bps Có một số module XBee có thể đượcphân phối bởi Libelium dé tích hợp trong waspmote

0x0B Ox0C 0x0D 0xDE OxOF 0x10 0x11 0x12 0x13 0x14 0x15 0x16 0x17 0x18 0x19 0x1AÁ

Hình 2.3 Mô tả các kênh của Xbee 802.15.4

Các module 802.15.4 tuân theo tiêu chuẩn IEEE 802.15.4 xác định mức vật lý vàmức liên kết (lớp MAC)

Thuật toán mã hóa được sử dụng ở day la AES 128 bit, cụ thể là loại AES-CTR

Xbee 802.15.4 cung cấp cho người dùng bộ thư viện mang tên Xbee802 Chúng

ta có thể tương tác với Xbee 802.15.4 thông qua bộ thư viện này trên IDE

Waspmote.

19

Hình 2.4 Waspmote IDE

— Các thông số của Xbee 802.15.4 bao gồm: địa chi MAC, dia chi mạng, PAN

ID, Node identifier, Channel.

— 802.15.4 cung cấp cau trúc liên kết hình sao dé tạo mạng:

o Nó có một node trung tâm, được liên kết với tất cả các node khác

trong mạng Nút trung tâm tập hợp tat cả dit liệu đến từ các nút mạng

(AD)| Gateway (Meshlium)

S Sensor Node (Waspmote)

=

20

— IEEE 802.15.4 hỗ trợ truyền unicast và broadcast:

le) Unicast: Chế độ unicast là chế độ duy nhất hỗ trợ xác nhận (ACK)

Khi một gói được gửi bằng chế độ unicast, module nhận sẽ gửi mộtphản hồi khăng định đến module gửi Nếu module gửi không nhận

được ACK, nó sẽ gửi lại gói tin có thé lên đến mười lần hoặc cho đến

khi nhận được ACK Cả địa chi 16 bit và địa chỉ 64 bit đều được hỗtrợ trong chế độ unicast

Broadcast: Dùng dé truyền tat cả các module trong cùng một mạng

Đề gửi một tin nhắn broadcast, địa chỉ người nhận phải được đặt

thành 0x000000000000EEFEE.

— Payloads tôi đa:

Bảng 2.1 Bảng thể hiện payload tối đa

@16bit Unicast @64bit Unicast Broadcast

Encrypted 98Bytes 94Bytes 95Bytes

Un-Encrypted 100Bytes 100Bytes 100Bytes

— Gui data:

o Hàm send() cho phép ta gửi một gói tin thông qua module Xbee.

O Đâu tiên cân xác định địa chỉ cân gửi đên thông qua tham sô:

char rx_address[] = ”0013A2004030F6BC”;

Dia chi unicast 64 bit (đây là địa chi MAC nguồn cần gửi đến)

Truong hop gui broadcast:

char rx_address[] = ’000000000000F FFF ”;

Có thé gửi dir liệu thông qua waspmote frame, nó được thiết kế dé tạo

ra các khung dit liệu cảm biến với một định dang cụ thé

Có 2 loại frame là ASCII và Binary.

21

<=> | Frame Num of | Serial | Waspmote | # | Sequence | Sensor_1 | Sensor_2 | | Sensor_nType bytes ID ID |

Hình 2.7 Cấu trúc frame Binary

o Tại đây ta có thé chú ý, đối với mỗi loại cảm biến của các bo mạch

khác nhau thì có tag tại frame khác nhau.

o_ Ví dụ cảm biến Anemometer trên Smart Agriculture Sensor Board có

tag là SENSOR_AGR_ANE, cảm biến Wind Vane trên Smart Cities

PRO v30 có tag là SENSOR_CITIES_PRO_LUXES Tham khảo

thêm tại 7.

— Nhận data:

o Hàm receivePacketTimeout() đợi một khoảng thời gian dé cố gắng

nhận một gói tin thông qua module Xbee Khoảng thời gian chờ được

chỉ định bằng đơn vị mili giây

o Các thông tin khi nhận được gói tin:

Bảng 2.2 Bảng thông tin khi nhận được gói tin

Giá trị Mô tả

uint8_t _payload[MAX_DATA] Bộ đệm để lưu trữ gói đã nhận

uintl6_t _length Chi định độ dài của nội dung bộ đệm

uint§_t _strcMAC[8] Chỉ định dia chi MAC nguồn khi nhận

= ‘0’ — OK: Lệnh đã được thực hiện không có lỗi

= ‘1? — Lỗi: hết thời gian chờ khi nhận được phản hồi

= ‘2’ — Lỗi: frame type không hợp lệ

= “3° —› Lỗi: Không có byte kiểm tra

» ‘4’ —, Lỗi: Checksum không đúng

= ‘5’ —› Lỗi: Lỗi ký tự thoát trong byte kiểm tra

= ‘6’ — Lỗi: Lỗi ký tự thoát trong byte nội dung

= ‘7’ —› Lỗi: Bộ đệm day không đủ dung lượng bộ nhớ

Chế độ ngủ đông giảm thiểu tiêu thụ điện năng (<10 uA) Ở chế độ này, module

sẽ kết thúc mọi hoạt động truyền, nhận hoặc liên kết, vào chế độ chờ, rồi chuyền

sang trạng thái ngủ.

2 Chế độ Pin Doze

Chế độ Pin Doze hoạt động như chế độ ngủ đông Tuy nhiên, Pin Doze có thời

gian đánh thức nhanh hon (2 ms so với 13.2ms) và tiêu thụ điện năng cao hơn (<50

uA).

e Bao mat IEEE 802.15.4 va mã hóa dữ liệu

23

Thuật toán mã hóa được sử dụng trong 802.15.4 là AES (Tiêu chuẩn mã hóa nâng

cao) với độ dài khóa 128 bit (16 Byte) Thuật toán AES không chỉ được sử dụng dé

mã hóa thông tin mà còn dé xác thực dữ liệu gửi đi

MAC có thé có các kích thước khác nhau: 32, 64, 128 bit, tuy nhiên nó luôn được

tạo bằng thuật toán 128 bit AES Kích thước của nó chỉ là độ dài bit được gắn vào

mỗi frame Càng lớn thì càng an toàn (mặc dù message kèm theo ít payload hơn).

Bao mật dữ liệu được thực hiện băng cách mã hóa payload băng khóa 128 bịt

Number Address Address Security Header

Hinh 2.8 Bao mat trong Xbee 802.15.4

e Ngoài ra còn có các module truyền nhận khác như: Xbee Zigbee, Xbee

868LP, Xbee-PRO 900HP,

2.2.2 Các công thức va định nghĩa liên quan

2.2.2.1 Độ lệch tuyệt đối trung vị

Độ lệch tuyệt đối trung vị (Median Absolute Deviation — MAD) là một thước đo

về sự trải rộng của một tập dữ liệu Phương sai và độ lệch chuẩn cũng là các thước

đo của sự trải rộng nhưng chúng bị ảnh hưởng nhiều bởi các giá trị cực cao hoặc

Cực thấp dẫn đến việc chuẩn đoán độ lệch không được chính xác MAD sẽ là một

lựa chọn tốt để tránh các giá trị nhiễu

Cho một tập dữ liệu đơn biến M bao gồm n điểm dit liệu M¡, Mạ, M, , Mn MADcủa dữ liệu Mi thu thập tại thời điểm ¡ được định nghĩa như sau:

A8(M,) = median(|M; — median(M)]) (1)

24

2.2.2.2 Phép nội suy tuyến tính

Phép nội suy tuyến tính là phương pháp ước tính giá trị của các điểm dữ liệu chưabiết trong phạm vi của một tập hợp rời rac chứa một số điểm dữ liệu đã biết Ví dụ

cho 2 điểm dit liệu A(o,yo), B(xi,y+), một điểm dữ liệu mới C(x,y) với x € (Xo, Xi)được định nghĩa như sau:

2.2.2.3 Hàm sigmoid

Ham sigmoid hay còn được gọi là “đường cong sigmoid là một hàm số có hạng

hình chữ “S” Sigmoid là một hàm phi tuyến với đầu vào là các số thực và cho kết

quả năm trong khoảng [0,1] và được xem là xác suất trong một số bài toán Trong

ham sigmoid, một sự thay đôi nhỏ trong input dẫn đến một kết qua output ko may

thay đổi Hàm được định nghĩa như sau:

Lỗi trung bình chuẩn hóa (Normalized Mean Error - NME) cho biết mức độ khớp

của dữ liệu gốc và dữ liệu sau khi được tái tạo lại thông qua thuật toán lay mau

thích ứng Nó được định nghĩa như sau:

25

1

NME = >3 #¡— x¡| * 100% (4)

ne

Với X; là dữ liệu da chuẩn hóa thứ i trong tập dữ liệu được tái tạo, x; là dữ liệu

thứ i trong tập dữ liệu ban đầu và cuối cùng là n là tổng số dit liệu

Giá trị NME càng thấp, bộ dữ liệu tái tạo được từ thuật toán càng chính xác.

2.2.2.5 Phan lấy mẫu

Phần lay mau (Sampling fraction — SF) cho biết tỉ lệ giảm của dữ liệu khi sử dụng

thuật toán, đồng thời cho biết tỉ lệ dit liệu cần phải truyền khi đã giảm số lượng dữ

liệu “dư thừa” Nó được định nghĩa như sau:

fn

n

SF = (5)

Trong đó, m là kích thước cua dữ liệu khi đã được tái tao.

Giá trị SF càng thấp, số lượng dữ liệu tiết kiệm được càng nhiều, nhưng đồng thời

cũng kéo theo độ chính xác suy giảm.

2.2.2.6 Lỗi tuyệt đối trung bình

Mean Absolute Error — MAE là một phương pháp đo lường sự khác biệt giữa hai

biến liên tục Ta có thể hình dung rằng MAE dùng dé thé hiện sự khác biệt của dữ

liệu tái tạo thông qua một phương thức đặt biệt nào đó và dữ liệu nguyên bản Nó

được định nghĩa như sau:

n

1

i=1

2.2.3 Docker

Docker là một nền tang cho developers va sysadmin dé develop, deploy và run

application với container Nó cho phép tạo các môi trường độc lập va tách biệt dé

26