Nâng cao hiệu năng mạng truyền thông phân cấp sử dụng thuật toán xếp lịch áp dụng kỹ thuật học máy trên nền tsch mac ở mạng cảm biến không dây

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI LUẬN VĂN THẠC SĨ Nâng cao Hiệu Mạng truyền thông phân cấp sử dụng thuật toán xếp lịch áp dụng kỹ thuật Học máy TSCHMAC Mạng Cảm biến Không dây NGƠ QUANG TRÍ romanovnqt@gmail.com Ngành Khoa học Máy tính Giảng viên hướng dẫn: PGS TS Trương Thị Diệu Linh Viện: Công nghệ thông tin Truyền thông HÀ NỘI, 2020 TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI LUẬN VĂN THẠC SĨ Nâng cao Hiệu Mạng truyền thông phân cấp sử dụng thuật toán xếp lịch áp dụng kỹ thuật Học máy TSCHMAC Mạng Cảm biến Khơng dây NGƠ QUANG TRÍ romanovnqt@gmail.com Ngành Khoa học Máy tính Giảng viên hướng dẫn: PGS TS Trương Thị Diệu Linh Chữ ký Viện: Công nghệ thông tin Truyền thơng HÀ NỘI, 202 GVHD CỘNG HỊA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc BẢN XÁC NHẬN CHỈNH SỬA LUẬN VĂN THẠC SĨ Họ tên tác giả luận văn : Ngô Quang Trí Đề tài luận văn: Nâng cao Hiệu Mạng truyền thơng phân cấp sử dụng thuật tốn xếp lịch áp dụng kỹ thuật Học máy TSCH-MAC Mạng Cảm biến Không dây Chuyên ngành: Khoa học máy tính Mã số SV: CA190049 Tác giả, Người hướng dẫn khoa học Hội đồng chấm luận văn xác nhận tác giả sửa chữa, bổ sung luận văn theo biên họp Hội đồng ngày 30/10/2020 với nội dung sau: - Đã bỏ hoàn toàn phần Phụ lục bỏ phần lý thuyết tổng quan liên quan đến trọng tâm luận văn giữ lại phần lý thuyết liên quan trực tiếp đến cải tiến tác giả Tổng số trang luận văn sau rút gọn (khơng tính trang bìa tóm tắt) 46 trang so với trước rút gọn 104 trang - Đã thêm Mục danh sách từ viết tắt đầu Luận văn Ngày 08 tháng 11 năm 2020 Giáo viên hướng dẫn Tác giả luận văn CHỦ TỊCH HỘI ĐỒNG ĐỀ TÀI LUẬN VĂN Họ tên giáo viên hướng dẫn chính: PGS TS Trương Thị Diệu Linh Cơ quan: Viện Công nghệ thông tin truyền thông – Trường Đại học Bách Khoa Hà Nội Email: linhtd@soict.hust.edu.vn Nội dung: Đề tài chuyên ngành: Khoa học máy tính Tên đề tài: Nâng cao Hiệu Mạng truyền thông phân cấp sử dụng thuật toán xếp lịch áp dụng kỹ thuật Học máy TSCH-MAC Mạng Cảm biến Không dây Hà Nội, ngày 08 tháng 11 năm 2020 Giáo viên hướng dẫn Ký ghi rõ họ tên Lời cảm ơn Đầu tiên, cho em xin phép gửi lời cảm ơn chân thành tới tất thầy cô tham gia giảng dạy học phần môn học năm theo học chương trình thạc sĩ Khoa học Trường Đại học Bách Khoa Hà Nội, cung cấp kiến thức kỹ cần thiết để em đủ khả đáp ứng yêu cầu khắt khe luận văn tốt nghiệp công việc tương lai Sau đó, em xin dành lời cảm ơn đến giảng viên hướng dẫn cô Trương Thị Diệu Linh hai giảng viên cố vấn cô Bành Thị Quỳnh Mai cô Phùng Kiều Hà cung cấp kỹ kiến thức cần thiết để giúp em hồn thành luận văn tốt nghiệp Tóm tắt nội dung luận văn Hiện nay, Internet Vạn vật Mạng Cảm biến Không dây ứng dụng nhiều kinh tế kỹ thuật sống người Ngày nhiều ứng dụng thực tế mơ hình hóa triển khai tự động Mạng Cảm biến Khơng dây, số chế truyền thông phân cấp chẳng hạn vừa đảm bảo mục tiêu liệu băng thông cao, đỗ trễ thấp, vừa đảm bảo mục tiêu liệu có độ tin cậy cao Qua trình nghiên cứu giao thức Mạng Cảm biến Không dây giao thức định tuyến RPL giao thức TSCH-MAC với thuật toán xếp lịch Orchestra, em đề xuất cải tiến giao thức nhằm thực chế truyền thông phân cấp Trong số cải tiến đó, em xây dựng thuật tốn xếp lịch thay thuật toán xếp lịch Orchestra Thuật toán sử dụng kỹ thuật Học máy để thu thập kinh nghiệm từ khứ từ xếp lịch để đảm bảo hiệu mạng đạt hiệu cao với tác vụ thích nghi dễ dàng với mơi trường truyền thơng mạng Sau q trình đề xuất lý thuyết, em thực thi toàn cải tiến Mạng mô hệ điều hành Contiki cài máy ảo VMWare để tiến hành thí nghiệm chứng minh Thí nghiệm chứng minh so sánh mạng cải tiến hoàn toàn cải tiến tồn áp dụng thuật tốn xếp lịch với mạng bình thường khác Thơng qua phân tích số liệu từ kết thí nghiệm, em chứng minh hiệu cải tiến giao thức Định tuyến RPL, giao thức TSCH thuật toán xếp lịch áp dụng học máy HỌC VIÊN Ký ghi rõ họ tên MỤC LỤC CHƯƠNG XÂY DỰNG CƠ CHẾ TRUYỀN THÔNG ĐA MỤC TIÊU TRÊN TSCH-MAC 1.1 1.2 1.3 1.4 Truyền thông đa mục tiêu Mạng cảm biến Không dây 1.1.1 Mạng cảm biến không dây 1.1.2 Bài tốn truyền thơng phân cấp 1.1.3 Cơ chế truyền thông đa mục tiêu Xây dựng chế định tuyến hai đường truyền với RPL 1.2.1 Khái quát RPL 1.2.2 Đề xuất chế truyền thông phân cấp Xây dựng chế truyền thông tách biệt TSCH-MAC 1.3.1 Khái quát TSCH-MAC 1.3.2 Đề xuất chế truyền thông tách biệt TSCH-MAC Xây dựng Thuật toán xếp lịch Khe thời gian Tối ưu dựa Học máy 10 1.4.1 Thuật toán xếp lịch Orchestra 10 1.4.2 Tiêu chí đánh giá hiệu mạng 12 1.4.3 Tiền đề áp dụng học máy xây dựng thuật toán xếp lịch 14 1.4.4 Đề xuất thuật toán xếp lịch TOML 15 CHƯƠNG THÍ NGHIỆM MƠ PHỎNG 21 2.1 Mục tiêu thí nghiệm 21 2.2 Giới thiệu Hệ điều hành Contiki môi trường Cooja 22 2.3 Thực thi cải biên giao thức RPL TSCH 24 2.4 2.5 2.6 2.3.1 Tạo lập chế định truyến thứ cấp 25 2.3.2 Định hướng tin vào tuyến đường 26 2.3.3 Phân chia định tuyến đường truyền 28 Thực thi cải biên giao thức TSCH 30 2.4.1 Xây dựng hàm đánh giá 30 2.4.2 Phân chia giai đoạn học máy áp dụng 31 Thực thi xây dựng công cụ đo hiệu 33 2.5.1 Biến đổi sơ cấp Cooja 33 2.5.1 Biến đổi thứ cấp Excel 34 Kiến trúc kịch tham gia thí nghiệm 34 2.6.1 Kiến trúc chuẩn nút mạng mô 34 2.6.2 Thiết kế thí nghiệm mơ 36 2.7 Kết phân tích 39 2.7.1 So sánh chênh lệch hiệu hai loại tin 39 2.7.2 So sánh hiệu trung bình WSNs 43 CHƯƠNG KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 45 3.1 Kết luận 45 3.2 Hướng phát triển 46 TÀI LIỆU THAM KHẢO 47 DANH MỤC BẢNG BIỂU Bảng 1.1 Thống kê thiết bị giá thành Bảng 1.2 So sánh Sender-based Receiver-based 11 Bảng 2.1 Định nghĩa tác vụ thành công thất bại RL-MAC 17 Bảng 2.1 Thông số VMWare cấp tối đa 24 Bảng 2.2 Mức tối thiểu nút mạng mô 35 Bảng 2.3 Mã kịch thí nghiệm 37 Bảng 2.4 Các thông số thiết lập cho thuật toán xếp lịch 38 Bảng 2.5 Các tham số phục vụ thí nghiệm với kịch 39 Bảng 2.6 Kết thí nghiệm so sánh chênh lệch hai loại truyền thơng 40 Bảng 2.7: Kết thí nghiệm so sánh hiệu chung loại kịch 43 DANH MỤC HÌNH VẼ Hình 1.1: Cây DAG dựa mạng WSNs Hình 1.2: Sự khác biệt phân chia định tuyến kênh truyền Hình 1.3: Mơ hình hoạt động giao thức TSCH Hình 1.4: Cơ chế Truyền thơng tách biệt theo loại liệu với hai loại tác vụ Hình 1.5: Biểu diễn dài khe thời gian khung khe Hình 1.6: Cơ chế Sender-based chế Receivered-base 10 Hình 1.7: Quá trình định tác vụ tối ưu 20 Hình 2.1: Các tham chiếu liên quan đến RPL “contiki-master” 25 Hình 2.2: Các tham chiếu liên quan đến xử lý gói tin “contiki-master” 27 Hình 2.3: Thuật tốn tính instance khe thời gian cụ thể 29 Hình 2.4: Biều đổ Class biểu thị đối tượng lưu trữ tác vụ 31 Hình 2.5: Sơ đồ khối trình Phân chia giai đoạn học máy 33 Hình 2.6: Quy trình đo đạc hiệu 33 Hình 2.7: Mạng lưới tham gia thí nghiệm 35 Hình 2.8: Biểu đồ biểu thị chênh lệch hiệu hai loại truyền thơng thuật tốn xếp lịch 42 DANH MỤC TỪ VIẾT TẮT - WSNs: Mạng Cảm biến Không dây (Wireless Sensors Network) - IoTs: Internet Vạn vật (Internet of Things) nút Sink: nút mạng Tập hợp liệu - nút Sensor: nút mạng Cảm biến Thu thập liệu CD: Dữ liệu Quan trọng (Critical Data) - RD: Dữ liệu Phổ thông (Regular Data) instance: Mã loại tin - Thuật toán xếp lịch TOML: Thuật toán xếp lịch Tối ưu Khe thời gian áp dụng Học máy (Timeslot Optimization applying Machine Learning) RPL: Giao thức Định tuyến cho Mạng Năng lượng Mất mát thấp (Routing Protocol for Low Power and Lossy Network) DAG: Đồ thị Có hướng Khơng Tuần hồn (Directed Acyclic Graph) - - Thuật tốn OF0: Hàm mục tiêu Trị số khơng (Objective Function Zero) Thuật toán MRHOF: Hàm mục tiêu Độ trễ (Hysteresis Objective Function) ETX: Giá trị ước lượng chi phí truyền tải TSCH – MAC: Giao thức Phân khe Nhảy kênh tầng Điều khiển Truy cập Dữ liệu (Time Sloted Channel Hop Protocol in Media Access Control Layer) Tác vụ Tx: Tác vụ gửi tin (Transmit) Tác vụ Rx: Tác vụ nghe nhận tin (Receive) - Tác vụ S: Tác vụ ngủ (Sleep) Sender-based: Hướng gửi tin Receiver-based: Hướng nhận tin PDR: Tỉ lệ truyền nhận thành cơng (Packet Delivery Ratio) PLR: Tỉ lệ gói tin (Packet Loss Ratio) Latency: Độ trễ chế RL – MAC: Cơ chế học máy tăng cường tầng Điều khiển Truy cập Dữ liệu (Reforcement Learning in Media Access Control Layer) VMWare: Phần mềm mô Hệ điều hành VMWare Workstation - Chuẩn Z1: Chuẩn Zolertia ASN: số Khe thời gian Tuyệt đối (Absolute Slot Number) CHƯƠNG XÂY DỰNG CƠ CHẾ TRUYỀN THÔNG ĐA MỤC TIÊU TRÊN TSCH-MAC Trong chương này, em đề cập chi tiết tới cải tiến RPL, giao thức TSCH xây dựng thuật toán lập lịch áp dụng kỹ thuật học máy để thực mục tiêu trình bày Chương dựa sở lý thuyết trình bày chương 1.1 Truyền thông đa mục tiêu Mạng cảm biến Không dây 1.1.1 Mạng cảm biến không dây Mạng Cảm biến Không dây (WSNs) mạng Internet nội mà chứa đơn vị gửi nhận tin nằm vị trí địa lý khác Đơn vị gọi mote, node nút mạng thiết bị cảm biến sử dụng liên kết không dây (vô tuyến, hồng ngoại quang học) để phối hợp thực nhiệm vụ thu thập thông tin liệu phân tán với quy mô lớn Trong WSNs thơng thường, có nút gọi nút Sink có vai trị tập hợp liệu gửi tới đơn vị quản lý giám sát trực tiếp hay gián tiếp [1] Các nút gửi liệu cho nút Sink gọi nút Sensor WSNs có nhược điểm khả xử lý, lưu trữ tương tác nút mạng bị giới hạn tài nguyên nút mạng thường biệt lập bị giới hạn lượng Chính lý đó, nhà khoa học ln muốn cải tiến chế hoạt động bên WSNs nhằm giúp chúng hoạt động hiệu thực nhiều tác vụ điều kiện bị giới hạn ngặt nghèo luận văn giải vấn đề gia tăng hiệu nút mạng WSNs [2] 1.1.2 Bài tốn truyền thơng phân cấp Theo thời gian, việc truyền thông ngày phức tạp với ngày nhiều thành phần tham gia trao đổi liệu WSNs [7] Vai trò tầm quan trọng thành phần có khác biệt đỏi hỏi phân chia tài ưu tiên cho liệu bên vai trò quan trọng toán mà đơn vụ sử dụng mạng IoTs cần giải nhiều tài nguyên Chẳng hạn, toán ứng dụng IoTs phổ biến tốn y tế thơng minh Đây tốn mà u cầu truyền thơng phân cấp sớm đóng vai trò quan trọng hoạt động hệ thống y tế [7] Cụ thể, liệu y tế có hai loại hình liệu liệu tình trạng khẩn cấp sử dụng tình cấp cứu liệu tình bình thường Do diễn tiến ca cấp cứu thường diễn nhanh ảnh hưởng lớn tới tính mạng người bệnh, yêu cẩu truyền tải nhanh chóng liệu tình trạng khẩn cấp trở nên sống với mạng IoTs hệ thống y tế thông minh [7] Tuy nhiên, tài nguyên mạng IoTs có hạn, nên nhiều trường hợp, hệ thống phải phân phối tài nguyên có phân cấp mà truyền thơng liệu tình trạng khẩn cấp phải đảm bảo ưu tiên nhận đủ tải nguyên cần thiết để phát huy hết công suất truyền tải mình, giảm độ trễ mát gói tin, nhằm giúp bên liên quan đến ca cấp cứu có thơng tin nhanh xác nhất, đưa định kịp thời cứu sống sinh mạng bệnh Bảng 2.4 Các thông số thiết lập cho thuật toán xếp lịch STT 10 11 Thông số Số liệu Đơn vị Thông số liên quan chung cho giao thức TSCH Số khe thời gian khung khe 64 khe thời gian Số kênh tần số kênh tần số Thông số liên quan đến luật TOML Số khe thời gian dải kênh instance khe thời gian Số khe thời gian dải kênh instance 2 khe thời gian Số khe thời gian chu kỳ instance khe thời gian Số khung khe giai đoạn học 30 khung khe Số khung khe giai đoạn áp dụng 270 khung khe Số khung khe chu kỳ học máy 300 khung khe Số khe thời gian giai đoạn học 1920 khe thời gian Số khe thời gian giai đoạn áp dụng 17280 khe thời gian Số khe thời gian chu kỳ học máy 19200 khe thời gian Trong thư viện “contiki-master”, độ dài thời gian khe thời gian thiết lập mặc định 15 ms vậy, đối chiếu với Bảng 2.4, chu kỳ học máy kéo dài 288 giây (4.8 phút) đó, 18 giây dành cho giai đoạn học 162 giây dành cho giai đoạn áp dụng Ngoài ra, thuật toán xếp lịch Orchestra, tùy theo Sender-based Receiver-based mà tác vụ gán đề cập Phần 1.4.1 Tuy vậy, kịch sử dụng Orchestra, với số nút 16, số khe thời gian 64 việc bố trí tác vụ mục tiêu nằm gọn hồn tồn khung khe, khơng khe thời gian bị thừa dụng chế CSMA/CD, gây tốn lượng định c) Cấu hình quy định tham số phục vụ thí nghiệm: Ngồi thuật tốn xếp lịch mơi trường mạng đặc điểm cấu hình khác với kịch khác nhau, tham số khác liên quan trực tiếp đến thí nghiệm cấu hình khác giống tất kịch để đảm bảo tính cơng tiện so sánh Các tham số trình bày Bảng 3.8: 38 Bảng 2.5 Các tham số phục vụ thí nghiệm với kịch STT Thơng số Số liệu Đơn vị Số lần thí nghiệm kịch 30 lần Thời gian thí nghiệm 30 phút Thời gian giãn cách hai lần gửi giây thông điệp tầng Ứng dụng Tổng số thông điệp tầng Ứng dụng 718 Thông điệp gửi nút Sensor Số kết PDR thu kịch 100 số liệu Số kết độ trễ thu kịch 50 số liệu Tổng số kết thu kịch 175 số liệu Từ Bảng 2.5, với 24 phút thí nghiệm thời gian chu kỳ học máy 2.4 phút, thí nghiệm học máy với thuật tốn xếp lịch TOML có 25 chu kỳ học máy, đủ dài để giúp thuật toán theo dõi hết diễn biến xảy WSNs thí nghiệm Ngồi ra, số lần thí nghiệm kịch 30 lần nhằm mục đích tạo khơng gian mẫu kết đủ lớn, giảm ảnh hưởng nhiễu kết có độ lệch chuẩn lớn, giảm tính thuyết phục việc chứng minh sở lý thuyết Có tất 12 thí nghiệm, thí nghiệm làm 30 lần, lần 24 phút, tổng cộng, số kịch thí nghiệm 360 kịch số phút thí nghiệm Cooja 624 phút (144 thí nghiệm), số kết thu cần xử lý 37 800 số liệu cần xử lý Đây công việc đỏi hỏi tiêu tốn thời gian cơng sức cần thiết để đảm bảo tính thuyết phục cho sở lý thuyết thuật toán xếp lịch TOML 2.7 Kết phân tích Như trình bày, số kết cần thu thập 37 800 số liệu, chưa tính số liệu phát sinh q trình phân tích số lớn để trình bày luận văn Khơng vậy, việc liệt kê nhiều liệu Luận văn khơng cần thiết nhiều liệu có nội dung tương đồng lấy từ lần thí nghiệm khác từ kịch Chính vậy, liệu trình bày luận văn giá trị trung bình tiêu chí liệu tương tự kịch với 30 lần đo đạc độ lệch chuẩn giá trị Ngồi ra, mục đích thí nghiệm là theo dõi WSNs tồn mạng thay nút, nên việc trình bày hiệu 15 nút hồn tồn khơng cần thiết Ví lý đó, luận văn trình bày hiệu trung bình 15 nút với loại tin hiệu toàn mạng so sánh hiệu với thuật toán Orchestra 2.7.1 So sánh chênh lệch hiệu hai loại tin Như trình bày Phần Error! Reference source not found., hai mục tiêu thuật tốn TOML phục vụ truyền thơng phân cấp kết thí nghiệm thiết phải có so sánh hiệu instance instance thí nghiệm thuật tốn xếp lịch khác Kết kỳ vọng chênh lệch instance instance WSNs cài đặt thuật toán xếp lịch 39 TOML phải lớn so với chênh lệch hai WSNs cài đặt thuật tốn xếp lịch Orchestra Kết trình bày Bảng 2.6: Bảng 2.6 Kết thí nghiệm so sánh chênh lệch hai loại truyền thông a So sánh Orchestra Sender-based TOML, tiêu chí PDR 0% PDR (%) Orchestra Sender-based i1 i2 |i2 – i1| 91.92 91.20 0.72 i1 98.92 TOML i2 |i2 – i1| 90.94 7.99 10% 86.37 85.92 0.45 89.53 85.39 4.14 25% 72.66 71.72 0.95 74.30 70.12 4.18 Tỉ lệ gói 49.79 48.86 0.93 54.65 48.77 5.89 45% b So sánh Orchestra Receivered-based TOML, tiêu chí PDR PDR (%) Orchestra Receivered-based Tỉ lệ gói i1 i2 |i2 – i1| 91.44 90.84 0.59 0% 85.87 85.35 0.52 10% 25% 70.71 70.03 0.69 i1 98.92 TOML i2 |i2 – i1| 90.94 7.99 89.53 85.39 4.14 74.30 70.12 4.18 49.69 48.71 0.98 54.65 48.77 5.89 45% c So sánh Orchestra Sender-based TOML, tiêu chí Độ trễ Tỉ lệ gói 0% 10% 25% 45% Độ trễ (ms) Orchestra Sender-based i1 i2 |i2 – i1| 4226.60 5327.72 6000.91 7365.86 13169.58 14735.44 35587.03 38257.17 i1 TOML i2 1101.12 3861.88 5436.21 1364.95 5445.27 7462.77 1565.86 11635.45 14782.83 2670.14 33987.61 37825.16 |i2 – i1| 1574.33 2017.50 3147.38 3837.55 d So sánh Orchestra Receivered-based TOML, tiêu chí Độ trễ Tỉ lệ gói 0% 10% 25% 45% Độ trễ (ms) Orchestra Receivered-based i1 i2 |i2 – i1| 4378.95 5530.41 6146.66 7547.67 13333.11 14846.64 36055.96 37908.95 i1 TOML i2 1151.46 3861.88 5436.21 1401.01 5445.27 7462.77 1513.53 11635.45 14782.83 1852.99 33987.61 37825.16 |i2 – i1| 1574.33 2017.05 3147.38 3837.55 Lý giải chút ký hiệu Bảng 2.6: - i1 đại diện cho truyền thông instance truyền thông Dữ liệu Ưu tiên - i2 đại diện cho truyền thông instance truyền thông Dữ liệu Phổ thông - |i1 – i2| trị tuyệt đối hiệu i1 i2, đại diện cho chênh lệch hiệu truyền thông Dữ liệu Ưu tiên truyền thông Dữ liệu Phổ 40 thông Lưu ý hiệu phải lấy trị tuyệt đối để phản ánh chất chênh lệch không giá trị âm ý nghĩa so sánh PDR Độ trễ có khác biệt trình bày Phần mục a) mục b) Ở PDR, giá trị lớn chứng tỏ hiệu WSNs tốt với tiêu chí Độ trễ giá trị lớn chứng tỏ hiệu WSNs Trong số dự kiện từ Bảng 2.6, kiện cần quan tâm chênh lệch truyền thơng Dữ liệu Ưu tiên truyền thông Dữ liệu Phổ thông, đồng nghĩa với thông số |i1 – i2| Để mô tả trực quan tồn kiện chênh lệch mơ tả biểu đồ Hình 2.8: a Chênh lệch hiệu hai loại truyền thông – tiêu chí PDR b Chênh lệch hiệu hai loại truyền thơng – tiêu chí Độ trễ 41 c Chú thích cho hai đồ thị (%) Hình 2.8: Biểu đồ biểu thị chênh lệch hiệu hai loại truyền thơng thuật tốn xếp lịch Lưu ý Hình 2.8, thích Hình c áp dụng hai đồ thị hình a hình b Ngồi ra, thay tách riêng việc so sánh cặp TOML với Orchestra Sender-based cặp TOML với Orchestra Receivered-based để tăng thêm trực quan so sánh Tương tự, hai giá trị hai instance tất bảng không đưa vào biểu đồ để phục vụ mục đích Cũng từ kết thí nghiệm trình bày Bảng 3.9 Hình 3.9, ta rút số nhận xét sau: - Sự chênh lệch truyền thông Dữ liệu ưu tiên Dữ liệu Phổ thông gia tăng đáng kể WSNs áp dụng thuật toán xếp lịch TOML: Sự gia tăng bất chấp độ mát gói tin khác Đặc biệt tiêu chí PDR, chênh lệch instance instance mức 4% WSNs áp dụng thuật tốn xếp lịch TOML cịn WSNs áp dụng thuật tốn xếp lịch Orchestra, chênh lệch khơng q 1% Cịn tiêu chí Độ trễ giá trị đại diện chênh lệch instance WSNs có tỉ lệ mát gói tin khác lớn nên khơng thể tìm ngưỡng chênh lệch WSNs áp dụng thuật toán xếp lịch TOML với WSNs áp dụng thuật toán xếp lịch Orchestra bản, chênh lệch Độ trễ WSNs áp dụng thuật toán xếp lịch TOML cao tương đối nhiều so với hai WSNs áp dụng thuật toán xếp lịch Orchestra - Thuật toán xếp lịch TOML cải thiện đáng kể hiệu truyền thông Dữ liệu ưu tiên không làm giảm nhiều hiệu truyền thơng Dữ liệu Phổ thơng: Khi phân tích sâu chênh lệch này, ta nhận thấy nới rộng chênh lệch hai instance WSNs áp dụng thuật tốn xếp lịch TOML thơng qua việc cải thiện đáng kể hiệu truyền thông instance ưu tiên PDR instance WSNs áp dụng thuật tốn xếp lịch TOML ln ln cao PDR WSNs áp dụng thuật toán xếp lịch Orchestra từ đến 7% Độ trễ thấp từ 100 đến 1500 ms tùy vào độ mát gói tin PDR WSNs áp dụng thuật toán xếp lịch TOML chí gần tới mức PDR tối đa Ở chiều ngược lại, hiệu truyền thông Dữ liệu Phổ thơng WSNs áp dụng thuật tốn xếp lịch TOML có thấp WSNs áp dụng thuật toán xếp lịch Orchestra Sender-based cao WSNs áp dụng thuật toán xếp lịch Orchestra Receiver-based hai tiêu chí PDR Độ trễ Như vậy, suy luận hiệu tồn mạng WSNs áp dụng thuật toán xếp lịch TOML tốt WSNs áp dụng thuật toán xếp lịch Orchestra Điều phân tích Phần So sánh hiệu trung bình phía sau 42 - Độ trễ Dữ liệu Phổ thông luôn lớn Dữ liệu Quan trọng tương đối lớn: Ở tất WSNs, ta nhận thấy Độ trễ Dữ liệu Phổ thông luôn lớn Dữ liệu Quan trọng từ 1000 ms trở lên, kết việc tin Dữ liệu Phổ thông phải chờ nhiều thời gian thực truyền thông tách biệt giao thức TSCH so với Dữ liệu Quan trọng - Tỉ lệ mát gói tin lớn, chênh lệch độ trễ hai loại tin cao Ở tất WSNs, ta nhận thấy chênh lệch Độ trễ tăng dần theo tỉ lệ mát gói tin Hiện tượng hợp lý đường truyền định tuyến thuật tốn OF0 có chi phí cao đường truyền định tuyến thuật tốn MRHOF, điều có nghĩa tốc độ truyền tin đường truyền định tuyến thuật toán OF0 chậm lý tắc nghẽn xung đột đường truyền Việc chậm lại chịu cộng hưởng từ mơi trường mạng khó khăn tỉ lệ mát gói tin lớn nên làm giảm tốc độ hệ làm gia tăng chênh lệch tốc độ hai loại tin từ gia tăng chênh lệch độ trễ Như vậy, qua thí nghiệm mục tiêu thuật tốn xếp lịch WSNs chứng minh hiệu hỗ trợ truyền thông phân cấp thông qua giá trị chênh lệch hiệu hai instance WSNs áp dụng thuật toán xếp lịch TOML cao nhiều WSNs áp dụng thuật toán xếp lịch Orchestra Độ trễ instance có tăng khoảng lớn so với instance hai instance sử dụng hai thuật toán định tuyến khác 2.7.2 So sánh hiệu trung bình WSNs Một hai mục tiêu thuật toán TOML áp dụng học máy nhằm nâng cao hiệu toàn mạng kết thí nghiệm thiết phải có so sánh hiệu toàn mạng (lấy giá trị trung bình truyền thơng CD truyền thơng RD) thí nghiệm thuật tốn xếp lịch khác Bảng 2.7: Kết thí nghiệm so sánh hiệu chung loại kịch a Hiệu tồn mạng thuật tốn xếp lịch – tiêu chí PDR PDR (%) Orchestra Orchestra Sender-based Reiceivered-based 91.56 91.14 Tỉ lệ gói 0% PDR tối đa 100% 10% 90% 86.15 85.61 87.46 25% 75% 72.19 70.37 72.21 TOML 94.93 55% 49.32 49.20 51.71 45% b Hiệu toàn mạng thuật tốn xếp lịch – tiêu chí Độ trễ 43 Tỉ lệ gói 0% 10% 25% 45% PDR tối đa 100% 90% 75% 55% Độ trễ (ms) Orchestra Orchestra Sender-based Reiceivered-based 4954.68 4777.16 6847.16 6683.38 13952.51 14089.88 36922.10 36982.45 TOML 4649.05 6454.02 13209.14 35906.39 Đối với Bảng 2.7, giá trị hiệu đại diện cho thuật toán xếp lịch nằm cạnh nên việc so sánh tiến hành trực quan, việc vẽ biểu đồ khơng cần thiết chí cịn phản tác dụng chênh lệch giá trị theo tỉ lệ gói lớn gây nhiều khó khăn việc thu hẹp thang đo – công đoạn cần thiết để dễ dàng theo dõi khác biệt Cũng từ kết thí nghiệm Bảng 2.7 ta dễ dàng nhận hiệu ba tiêu chí PDR độ trễ WSNs áp dụng thuật toán xếp lịch TOML cao hai WSNs áp dụng thuật toán xếp lịch Orchestra Cụ thể, tiêu chí PDR Độ trễ, hiệu WSNs áp dụng thuật toán xếp lịch TOML cao nhất, sau WSNs áp dụng thuật toán xếp lịch Orchestra Sender-based cuối thuật toán xếp lịch Orchestra Reiceivered-based Hiện tượng phù hợp với nguyên lý thuật toán xếp lịch Orchestra trình bày Bảng 1.2 So sánh Senderbased Receiver-based, Phần 1.4.1 chế Sender-based sử dụng để tăng hiệu mạng đổi lại tăng tiêu thụ lượng chế Receivered-based sử dụng để tiết kiệm lượng đổi lại giảm hiệu mạng Mặc dù thuật toán xếp lịch TOML, với tham gia chế học máy việc phân tác vụ phù hợp với giai đoạn tận dụng đáp ứng tốt tiết kiệm lượng nâng cao hiệu tồn mạng Qua thí nghiệm, mục tiêu gán tác vụ tối ưu khe thời gian dựa kỹ thuật học máy thuật toán xếp lịch TOML thành công 44 CHƯƠNG KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 3.1 Kết luận Với tất nội dung em trình bày luận văn, thầy cô người đọc cung cấp nhìn tổng quan tình hình phát triển cơng nghệ IoTs có nhìn khái qt toán đa mục tiêu cần giải tốn truyền thơng phân cấp với việc tập trung tài nguyên vào truyền thông CD thông qua cải tiến giao thức WSNs RPL TSCH – MAC thiết kế thuật toán xếp lịch TOML TSCH – MAC để đảm bảo tác vụ tối ưu Trước cải tiến, người đọc nhắc lại số kiến thức RPL với hai thuật toán định tuyến thuật toán MRHOF thuật tốn OF0 Trong đó, TSCH – MAC quản lý hoạt động dạng chia thời gian thành khung khe mức khe thời gian gán tác vụ cho khe thời gian dựa thuật toán xếp lịch phổ biến Orchestra Cuối kiến thức kỹ thuật học máy toán phân loại đa lớp Mục tiêu hỗ trợ truyền thông phân cấp thực thi truyền thông tách biệt tạo lập chế đa định tuyến Việc truyền thông tách biệt khe thời gian phép truyền loại liệu cụ thể từ chối truyền thơng loại liệu cịn lại Tiếp đến chia khung khe thành chu kỳ instance với chu kỳ instace dành nhiều khe thời gian để truyền thơng liệu CD khe thời gian để truyền thông liệu RD Cùng với đó, chế đa định tuyến xây dựng, với thuật toán MRHOF hiệu sử dụng cho truyền thơng tin CD thuật tốn OF0 hiệu sử dụng cho truyền thông tin RD nhằm tạo tuyến đường khác cho tin RD từ đó, giảm thiểu tải cho tin CD Đề xuất thuật tốn TOML có mục tiêu tìm tác vụ tối ưu với khe thời gian dựa thực tế truyền thơng mạng Thuật tốn sử dụng hàm đánh giá kế thừa chế RL-MAC, cách định hình tác vụ thành cơng, từ tính tỉ lệ thành cơng tác vụ cuối cùng, thuật toán lựa chọn so sánh lựa chọn tác vụ tối ưu nút khe thời gian Sau trình bày sở lý thuyết thuật tốn xếp lịch TOML lập luận xây dựng lý thuyết chứng minh ưu điểm thuật tốn xếp lịch TOML, việc thí nghiệm WSNs để chứng minh tính đắn, tính thực tiễn tính khả thi thuật toán xếp lịch TOML cần thiết trước triển khai thực tế Em chọn giải pháp thí nghiệm mạng mơ WSNs thông qua hệ điều hành Contiki công cụ mô Cooja phương án tối ưu phù hợp với hồn cảnh thực tế mục đích thí nghiệm, độ tin cậy cao bám sát thực tế hệ điều hành Contiki thẩm định Vì mục đích luận văn chứng minh ưu điểm thuật toán TOML với thuật tốn Orchestra, mục đích thí nghiệm so sánh kịch WSNs cài thuật toán TOML với kịch WSNs cài thuật toán xếp lịch Orchestra cấu hình khác Ngồi ra, với mục đích chứng minh kỹ thuật học máy giúp việc gán tác vụ thuật toán TOML giúp bám sát thực tế truyền thơng mạng, việc thực thí nghiệm với nhiều loại mơi trường truyền tin có độ khó khác cần thiết đề đánh giá độ thích nghi thuật toán học máy WSNs Các 45 kịch mơ mạng WSNs có kiến trúc dạng lưới Có tổng cộng kịch với tập thuật toán xếp lịch Orchestra Sender-based, Orchestra Receiver-based TOML mơi trường có tỉ lệ gói tin 0%, 10%, 25% 45% Kết thí nghiệm chứng minh thành cơng cải tiến việc hoàn thành hai mục tiêu hỗ trợ truyền thông phân cấp tối ưu tác vụ Thứ nhất, khoảng cách chênh lệch hiệu hai loại liệu (truyền thông CD cao so với RD) WSNs sử dụng thuật toán xếp lịch TOML cao nhiều hai WSNs sử dụng thuật toán xếp lịch Orchestra chứng tỏ thuật toán xếp lịch TOML dành nhiều tài nguyên cho truyền thông CD từ hạn chế truyền thơng RD Thứ hai, so sánh WSNs áp dụng thuật toán xếp lịch TOML với Orchestra, ta thấy hiệu trung bình tồn mạng WSNs áp dụng TOML cao chứng tỏ thuật tốn xếp lịch TOML hồn thành nhiệm vụ Tổng kết lại, luận văn đề xuất thuật toán xếp lịch TOML cho giao thức TSCH áp dụng kỹ thuật học máy biến đổi định truyến chia khe thời gian việc để gán tác vụ tối ưu hỗ trợ truyền thơng phân cấp Thí nghiệm WSNs mơ Hệ điều hành Contiki chứng minh tính đắn thực tiễn sở lý thuyết 3.2 Hướng phát triển Sau sở lý thuyết chứng minh tính đắn thơng qua thí nghiệm mơ tình bày luận văn, việc triển khai với thiết bị thực tế cần thiết để gia tăng tính thuyết phục thuật tốn xếp lịch TOML Ngồi ra, có thơng qua thí nghiệm với thiết bị thực tế phát vấn đề mà môi trường mơ máy tính khó thực lỗi ngẫu nhiên từ nhà sản xuất, nhiễu khí hậu hay hoạt động người, hao mòn thiết bị, hay tương tranh tích hợp thiết bị từ nguồn gốc khác nhau,… Chính lẽ đó, cơng việc cần làm tương lai xây dựng WSNs thực tế thiết bị Adrunio, cài đặt thuật toán TOML dựa mã nguồn xây dựng từ mô xây dựng nhiều kịch mô khác Ngồi mơi trường với độ mát gói tin mô phỏng, cần quan tâm đến yếu tố khác mà xuất mô máy móc thời tiết khí hâu, nhiều từ thiết bị xung quanh độ hao mòn sinh học, hao mịn hóa học thiết bị IoTs Cần phải lên kế hoạch ứng phó với biến số từ mơi trường thực tế để đảm bảo thí nghiệm triển khai hướng Cuối sau mô thiết bị thực tế đạt yêu cầu, cần thiết xây dựng tiêu chuẩn phù hợp thống dành cho thuật toán xếp lịch TOML trước lên kế hoạch thương mại hóa 46 TÀI LIỆU THAM KHẢO [1] Hani Al Zaid, Ernest Foo, Juan Gonzalez Nieto, Secure data aggregation in wireless sensor network: a survey, Brisbane, Australia: Queenland University of Technology, 2008 [2] Sohraby K Minoli, D Znati, Wireless sensor networks: technology, protocols, and applications, John Wiley and Sons, 2007 [3] Tim Winter, RPL: IPv6 Routing Protocol for Low-Power and Lossy Networks, Internet Engineering Task Force, 2009 [4] Beck M, Moore T, Plank J, Swany M, Logistical Networking, Springer, United States of America: Active Middleware Services, 2000 [5] Shuguang Chen, Tingting Sun, Jingjing Yuan, Xiaoyan Geng, Changle Li, Sana Ullah, Mohammed Abdullah Alnuem, Performance Analysis of IEEE 802.15.4e Time Slotted Channel Hopping for Low-Rate Wireless Networks, KSII Transactions on Internet and Information Systems, 2013 [6] Simon Duquennoy, Beshr Al Nahas, Olaf Landsiede, Thomas Watteyne, Orchestra: Robust Mesh Networks Through Autonomously Scheduled TSCH, Chalmers University of Technology, 2016 [7] Shuo Tian, WenboYang, Jehane Michael LeGrange, Peng Wang, Wei Huang, Zhewei Ye, Smart healthcare: making medical care more intelligent, Global Health Journal, 2019 [8] Thân Quang Khốt, Giáo trình Học máy với liệu lớn, Hà Nội: Viện Công nghệ Thông tin Truyền thông, Trường Đại học Bách Khoa Hà Nội, 2019 [9] Berrin A Yanikoglu, Multi-Label Networks for Face Attributes Classification, Sabanci University, Faculty of Engineering and Natural Sciences, 2018 [10] Martin James, Programming Real-time Computer Systems, New Jersey: Prentice-Hall Inc, 1965 [11] Pierre Simon de Laplace, Analytical Theory of Probability, 1812 [12] Tống Đình Quỳ, Giáo trình xác suất thống kê, Hà Nội: Nhà xuất Giáo dục, 2000 [13] Culler D, Estrin D, Srivastava M, Guest Editors’ introduction: overview of sensor networks, 2004 [14] Mansfield K C, Antonakos J L, Computer Networking from LANs to WANs: Hardware, Software, and Security, Boston: Boston Cengage Learning, 2010 [15] Panasonic Team, Panasonic NI-MH Handbook, Panasonic Industrial Company, 2020 [16] Hồng Xn Sính, Đại số đại cương, Hà Nội: Nhà xuất Giáo dục, 1972 47 [17] Vũ Đức Vượng, Bài giảng Kỹ thuật lập trình, Hà Nội: Nhà xuất Đại học Bách Khoa Hà Nội, 2005 [18] Adam Dunkels, Contiki: Bringing IP to Sensor, ERCIM News Magazine, 2009 [19] Dunkels Adam, Contiki – a lightweight and flexible operating system for tiny networked sensors, the 29th Annual IEEE International Conference on Local Computer Networks, 2004 [20] M Stehlik, Comparison of Simulators for Wireless Sensor Networks, Brno, Czech Republic: PhD thesis, Masaryk University, 2011 [21] Tayyab Mehmood, COOJA Network Simulator: Exploring the Infinite Possible Ways to Compute the Performance Metrics of IOT Based Smart Devices to Understand the Working of IOT Based Compression & Routing Protocols, Islamabad: National University of Sciences and Technology, Pakistan, 2008 [22] VMWare Team, "VMware Reports Fourth Quarter and Full Year 2015 Results," VMWare Inc, 2016 [23] David Brumbaugh, "Object-Oriented Programming In C," 1990 [24] Cheever, Eric, "Representation of numbers," Swarthmore College, 2011 [25] Solveig Osborg Ose, "Using Excel and Word to Structure Qualitative Data," Journal of Applied Social Science, 2016 [26] Yuanyuan Hong, Dan Zhang, Bing Yang, Guang Chen, Yang Wang, Qiman Chen, Xuezhi Hong, Jiajia Chen, "A Multi-Floor Arrayed Waveguide Grating Based Architecture With Grid Topology for Datacenter Networks," IEEE Xplore, 2020 [27] W Sierpinski, Pythagorean triangles, New York: Dover Publications, 2003 [28] Phung Thi Kieu Ha, Kris Steenhaut, Tran Thi Ngoc Lan, Schedule-based Multi-channel Wireless Sensor Networks – Protocol Design and Evaluation, Brussel: Vrije Universiteit Brussel, 2014 48 TÓM TẮT LUẬN VĂN THẠC SĨ Đề tài: Nâng cao Hiệu Mạng truyền thông phân cấp sử dụng thuật toán xếp lịch áp dụng kỹ thuật Học máy TSCH-MAC Mạng Cảm biến Không dây Tác giả luận văn: Ngơ Quang Trí Khóa: 2019A Người hướng dẫn: PGS TS Trương Thị Diệu Linh Từ khóa (Keyword): Internet vạn vật (IoTs), Mạng Cảm biến Không dây (WSNs), RPL, TSCH – MAC, Thuật toán xếp lịch Orchestra, kỹ thuật học máy, thuật toán xếp lịch Khe thời gian Tối ưu áp dụng Học máy (thuật toán xếp lịch TOML), Dữ liệu Quan trọng (CD), Dữ liệu Phổ thông (RD), mã loại tin (instance) Nội dung tóm tắt: a) Lý chọn đề tài Sự phổ quát áp dụng IoTs đặt yêu cầu giải số tốn truyền thơng ứng dụng IoTs, số toán tốn truyền thơng phân cấp với hai loại liệu hai độ ưu tiên khác mã hóa instance CD RD, hệ thống phải ưu tiên tài nguyên cho truyền thông CD chấp nhận giảm hiệu truyền thông RD mức chấp nhận Trong hầu hết lĩnh vực kinh tế số lĩnh vực đặc thù y tế cấp cứu hay tìm kiếm cứu nạn, tốn truyền thơng phân cấp có vai trị quan trọng chưa thể áp dụng truyền thông phân cấp IoTs cản trở việc ứng dụng IoTs vào lĩnh vực đặc thù Cùng với phát triển IoTs, lĩnh vực công nghệ thông tin khác đạt bước tiến lớn trí tuệ nhân tạo với phát triển kỹ thuật học máy học máy có giám sát toán phân loại đa lớp Trước cấp thiết tốn truyền thơng phân cấp trước tiềm kỹ thuật học máy Em chọn đề tài nghiên cứu việc áp dụng kỹ thuật này, với số kỹ thuật cải tiến khác RPL TSCH – MAC nhằm áp dụng truyền thông phân cấp IoTs dạng thuật toán xếp lịch thay thuật toán xếp lịch Orchestra b) Mục đích nghiên cứu luận văn, đối tượng, phạm vi nghiên cứu Mục đích nghiên cứu luận văn: - Thực đa định tuyến RPL: loại liệu truyền đường truyền riêng biệt xây dựng thuật tốn định tuyến riêng biệt - Thực truyền thơng phân cấp giao thức TSCH – MAC: cho phép loại liệu truyền khoảng thời gian cụ thể - Xây dựng thuật toán xếp lịch TOML thay thuật toán xếp lịch Orchestra TSCH – MAC áp dụng lý thuyết học máy phân loại đa lớp: đảm bảo tác vụ gán từ thuật toán xếp lịch tối ưu thể hết ưu điểm khe thời gian gán tùy theo thực tế truyền thông WSNs 49 Đối tượng nghiên cứu: TSCH-MAC, RPL, thuật toán xếp lịch Orchestra, kỹ thuật học máy xây dựng thuật toán xếp lịch Phạm vi nghiên cứu: sở lý thuyết TSCH-MAC, RPL, thuật toán xếp lịch Orchestra, kỹ thuật học máy, mô WSNs hệ điều hành Contiki c) Tóm tắt đọng nội dung đóng góp tác giả Luận văn bao gồm Chương - Chương 1: Xây dựng chế truyền thông đa mục tiêu TSCH-MAC bao gồm xây dựng sở lý thuyết, cải tiến tác giả bao gồm hạng mục: o Thực đa định tuyến RPL với việc triển khai hai định tuyến xây dựng hai thuật toán định tuyến khác WSNs: thuật toán MRHOF sử dụng để truyền tin CD ưu tiên thuật toán OF0 sử dụng để truyền RD không ưu tiên o Cơ chế truyền thông tách biệt TSCH-MAC với việc cho phép thực tác vụ với loại cụ thể khe thời gian từ chối thực tác vụ loại tin lại o Xây dựng thuật tốn TOML áp dụng kỹ thuật học máy, có khả học từ lần thử khứ, từ định tác vụ tối ưu khe thời gian nút khung khe thực tác vụ suốt thời gian dài - Chương 2: Thí nghiệm mơ phỏng: Với mục đính chứng minh tính ưu việt thuật toán xếp lịch TOML so với thuật tốn xếp lịch Orchestra, kịch mơ hệ điều hành Contiki xây dựng WSNs có 16 nút mạng: kịch áp dụng cải tiến triển khai thuật toán xếp lịch TOML, kịch cịn lại khơng áp dụng cải tiến triển khai thuật toán xếp lịch Orchestra với cấu hình khác Ngồi ra, để chứng minh tính ổn định nhiều môi trường mạng khác nhau, ba kịch cài môi trường mạng có độ tỉ lệ gói tin khác 0%, 10%, 25% 45% Các cải tiến thực thi thư viện mã nguồn “contiki-master” ngôn ngữ lập trình hệ C cịn thí nghiệm chạy Bộ cơng cụ Cooja Thí nghiệm diễn thành cơng số liệu chứng minh chênh lệch giá trị hiệu CD RD gia tăng đáng kể WSNs có thực cải tiến Trong đó, giá trị trung bình hiệu tồn mạng WSNs cài thuật toán xếp lịch TOML cao WSNs cài thuật toán xếp lịch Orchestra - Chương 3: Kết luận Hướng phát triển nêu kết luận kết đạt sau q trình đề xuất lý thuyết thí nghiện chứng minh đưa phương hướng tới đề tài thí nghiệm mạng thực tế sử dụng cảm biến hãng Arduino 50 d) Phương pháp nghiên cứu Cơng việc nghiên cứu để hồn thành luận văn em thực với phương pháp kết hợp lập luận lý thuyết thực nghiệm phần mềm Lập luận lý thuyết dựa sở lý luận giao thức RPL, TSCH kỹ thuật học máy để tìm cải tiến phù hợp cho giao thức RPL, TSCH, áp dụng kỹ thuật học máy xây dựng thuật toán lập lịch Trong đó, thí nghiệm mơ giả lập hoạt động WSNs hệ điều hành Contiki máy ảo VMWare, thư viện mã nguồn uy tín để mơ hoạt động WSNs hỗ trợ giao thức RPL, TSCH với thuật tốn xếp lịch Orchestra mơ tương đối xác hoạt động loại nút mạng thực tế với chuẩn Zolertia, Sky,… tận dụng Sau trình tìm hiểu cấu trúc mã nguồn chế hoạt động thực tế giao thức RPL, TSCH với thuật toán xếp lịch Orchestra, từ có cải tiến phù hợp xác với sở lý thuyết đề xuất Sau hoàn thành cải tiến, việc xây dựng kịch thiết lập cấu hình thơng số mơi trường thí nghiệm tiến hành Qua phân tích mục đích thí nghiệm so sánh WSNs thuật toán xếp lịch TOML chế đa định tuyến với thuật tốn xếp lịch Orchestra, từ đó, cơng việc cần làm xây dựng WSNs cài TOML cài thuật toán xếp lịch Orchestra với hai cấu hình khác Sender-based Receivered-based thơng số khác phải giống Tiếp đến, để chứng minh ưu việt thuật toán xếp lịch TOML nhiều môi trường mạng khác nhau, em tiến hành thiết lập tham số nhiều môi trường mạng mà phổ biến mơi trường mạng khó truyền tin, mơ hình hóa tham số tỉ lệ gói tin Từ kết thu thập được, việc suy luận diễn để liên hệ đến sở lý thuyết trình bày chứng minh đắn cải tiến e) Kết luận Luận văn gồm hai phần xây dựng sở lý thuyết thí nghiệm mô Cơ sở lý thuyết với ba cải tiến lớn thực đa định tuyến RPL, thực truyền thông phân cấp TSCH-MAC xây dựng thuật toán xếp lịch TOML áp dụng kỹ thuật học máy Với chế đa định tuyến giao thức RPL truyền thông CD dành nhiều tài nguyên hơn, truyền đường truyền ngắn tranh thông lượng với truyền thông RD định hướng đường truyền khác Trong đó, với truyền thơng tách biệt, xung đột tin CD RD bị loại bỏ khe thời gian chấp nhận truyền thông liệu instance cụ thể thời gian chờ tin CD thấp RD số khe thời gian chấp nhận truyền thông liệu CD nhiều RD Với việc xây dựng thuật toán xếp lịch TOML áp dụng kỹ thuật học máy toán phân loại đa lớp nút mạng gán tác vụ ngẫu nhiên khe thời gian, sau tính tốn tỉ lệ thành công tác vụ định tác vụ tối ưu khe thời gian khung khe gán tác vụ tối ưu suốt thời gian dài, đảm bảo mạng hoạt động tốt phạm vi thuật tốn xếp lịch TOML 51 Thí nghiêm mơ hệ điều hành Contiki thư viện mã nguồn “contikimaster” Thí nghiệm so sánh WSNs áp dụng thuật toán xếp lịch TOML phân chia instance với WSNs áp dụng cấu hình Orchestra nhiều mơi trường có độ khó truyền tin khác Kết thí nghiệm chứng minh tính đắn sở lý thuyết: chênh lệch hiệu Dữ liệu Quan trọng Dữ liệu Phổ thơng WSNs cài đặt thuật tốn xếp lịch TOML cao đáng kể so với hai WSNs cài đặt thuật toán xếp lịch Orchestra với việc hiệu Dữ liệu Quan trọng cải thiện tương đối nhiều cịn Dữ liệu Phổ thơng có giảm khơng đáng kể, dấu hiệu cải thiện hiệu tồn WSNs áp dụng thuật tốn xếp lịch TOML Như vậy, đề xuất cải tiến phân chia định tuyến giao thức RPL, truyền thông tách biệt giao thức TSCH thuật toán xếp lịch TOML chứng minh đắn 52 ... Tiền đề áp dụng học máy xây dựng thuật toán xếp lịch a) Bài toán phân loại áp dụng học máy: Bài toán phân loại học máy việc áp dụng kỹ thuật học máy toán phân loại Bài toán phân loại toán gán...TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI LUẬN VĂN THẠC SĨ Nâng cao Hiệu Mạng truyền thông phân cấp sử dụng thuật toán xếp lịch áp dụng kỹ thuật Học máy TSCHMAC Mạng Cảm biến Không dây NGƠ QUANG TRÍ... CHỈNH SỬA LUẬN VĂN THẠC SĨ Họ tên tác giả luận văn : Ngô Quang Trí Đề tài luận văn: Nâng cao Hiệu Mạng truyền thơng phân cấp sử dụng thuật tốn xếp lịch áp dụng kỹ thuật Học máy TSCH-MAC Mạng Cảm biến