Hiệu quả tiết kiệm năng lƣợng đối với 55 nút ở trên khi áp dụng ATTS- DF và việc s dụng năng lƣợng của các nút đó hi áp ụng LEACH, kết quả
đến
tƣơng ứng khi áp dụng LEACH. Biểu đồ tiêu thụ năng lƣợng của các nút áp dụng thuật toán ATTS-DF và LEACH ở Hình 2.16.
2.2.5. K t uậ về ả p áp ATTS-DF
Giải pháp ATTS- F đề xuất đƣợc một phƣơng pháp th o i mục tiêu th o thời gian, th ch nghi với iến động của mục tiêu; đề xuất đƣợc hái niệm: Điểm đo iến động, trạng thái ổn định đo lƣờng, thời gian đo th ch ứng và phƣơng pháp ự đoán giá trị đo mục tiêu th o xác suất (đã iết trƣớc). Hiệu quả của ATTS-DF so với LEACH gồm: thứ nhất, đo lƣờng mục tiêu hông th o chu ỳ cố định mà có điều chỉnh th o mục tiêu đã hạn chế đƣợc ung lƣợng dữ liệu đo lƣờng giống nhau và tiết kiệm đƣợc năng lƣợng do không g i dữ liệu ƣ thừa (vì có cùng thông tin) này đến CH, BS; thứ hai, đề xuất việc chuyển trạng thái đo lƣờng của nút cảm iến từ idle (hoặc sleep) sang active đúng vào thời điểm nút cảm biến có thể đo lƣờng ở trạng thái bình thƣờng, điều này đã hạn chế tối đa thời gian nút cảm biến đƣợc bật khi chƣa đạt trạng thái đo đƣợc tốt nhất g y tổn hao năng lƣợng vô ch.
Giải thuật của ATTS-DF gồm các phép đơn giản, phù hợp với khả năng tính toán của nút cảm biến nên chỉ độ phức tạp tuyến tính O(n). Ngoài ra, giải pháp có xu hƣớng tối ƣu hóa về độ trễ và đảm bảo độ hội tụ về thời gian (đáp ứng đo lƣờng càng nhanh càng tốt).
Kết quả nghiên cứu này đã đƣợc công bố với Công trình số 7: "ATTS- DF: Adaptive tracking solution to the target for data fusion in wireless sensor networks”, Hội nghị ICSSE 2017 tại Thành phố Hồ Chí Minh, Việt Nam, tháng 7 năm 2017; đƣợc lựa chọn vào cơ sở dữ liệu Scopus, IEEE Xplore.
Trong tƣơng lai, có thể nghiên cứu thêm mối quan hệ giữa năng lƣợng của nút, giá trị đo lƣờng và ngƣỡng δ, tình huống mục tiêu thay đổi đột ngột dẫn đến kết quả đo vƣợt ngƣỡng trƣớc lúc nút đạt trạng thái ổn định.
C ươ 3. TI T KIỆM NĂNG LƯỢNG CỤM NÚT CẢM BI N BẰNG ỨNG DỤNG L THUY T TẬP THÔ
L ý thuyết tập thô - RST (Rough Set Theory) đƣợc Z zisaw Pawla đề xuất năm 1982 [64] là công cụ toán học hữu hiệu có thể phân tích dữ liệu mơ hồ hoặc không chắc chắn để hỗ trợ quyết định bằng cách có thể bỏ qua sự hông ch nh xác đó ở mức độ chấp nhận đƣợc. Các ứng dụng bởi lý thuyết tập thô chủ yếu dựa trên việc phân bổ dữ liệu bằng cách xấp xỉ giới hạn trên và giới hạn ƣới. an đầu, lý thuyết tập thô chủ yếu đƣợc s dụng trong quá trình khai phá dữ liệu, bao gồm tiền x lý số liệu, x lý số liệu.
Đầu vào cho việc ứng dụng RST là mạng cảm biến đƣợc hệ thống hóa thông tin thành một bảng, mỗi hàng là một đối tƣợng, mỗi cột là một thuộc tính. Tùy theo yêu cầu đầu ra cho mỗi loại ứng dụng để lựa chọn giải pháp phù hợp, hƣớng đến việc cân bằng giữa độ phức tạp phƣơng pháp đó và khả năng x lý của nút cảm biến, tài nguyên của mạng.
Nhƣ ph n t ch ở Mục 1.5, hƣớng nghiên cứu ứng dụng RST để tổng hợp dữ liệu chủ yếu kết hợp với trí tuệ nhân tạo (nhƣ mạng nơ-ron) để huấn luyện dữ liệu một bộ dữ liệu đầu vào th o tiêu ch ƣới dạng quy tắc/luật nào đó của phƣơng pháp đề xuất 82, 84, 85, 96, 97, 99 . Hƣớng nghiên cứu tiền x lý dữ liệu cũng ết hợp với mạng nơ-ron để xác định và x lý lỗi [83, 86, 87]. Các đề xuất nêu trên phần lớn phù hợp với các ứng dụng đặc thù với số lƣợng ít nút cảm biến cũng nhƣ năng lƣợng dự trữ của nút khá lớn để đáp ứng nhu cầu t nh toán độ phức tạp lớn. Thực tế, các đề xuất nêu trên hông đánh giá độ phức tạp tính toán của giải pháp đã đề xuất.
Chƣơng 3, nội dung luận án th o hai hƣớng nghiên cứu nêu trên nhƣng tiếp cận theo chiều thuận, tối ƣu hóa độ phức tạp tính toán bằng cách s dụng tối đa các phép t nh toán cổ điển của RST. an đầu, mạng cảm biến
đƣợc hệ thống hóa thành bảng thông tin có số hàng là số nút cảm biến, số cột là các thuộc t nh điều kiện theo thực tế của mạng và yêu cầu của ứng dụng. Quy trình ứng dụng RTS để tổng hợp dữ liệu với đầu ra là tập luật để CH đƣa ra quyết định về dữ liệu đƣợc trình bày ở Mục 3.1. Quy trình ứng dụng RST để tiền x lý dữ liệu thô mà nút trong cụm thu đƣợc để tạo bộ dữ liệu đầu vào CH thực hiện tổng hợp, nội ung này đƣợc trình bày ở Mục 3.2.
3.1. Ứ ụ L t u t tập t tạ CH đ t ợp u
Sự phù h p ể chọn RST làm gi i pháp tổng h p dữ liệu nhiều c m biến thể hiện ở những quan iểm sau:
Tính chất rời rạc và liên tục của dữ liệu đo lƣờng của nút cảm biến: Giao thức IEEE 802.15.4 khi áp dụng cho mạng WSN sẽ điều khiển việc lấy dữ liệu theo chu kỳ thức-ngủ (active-sleep) nên dữ liệu CH thu đƣợc từ nút cảm biến sẽ rời rạc. Khi nút cảm biến ở trạng thái thức (active), dữ liệu đo là liên tục (nằm trong khoảng giá trị đo của nhà sản xuất), việc x lý và truyền dữ liệu đó đến nút cảm biến tiếp theo trên tuyến thì dữ liệu đó là liên tục.
Hỗ trợ để x lý mô tả không chắc chắn: Khi sensor cảm nhận về đối tƣợng, tín hiệu có thể bị nhiễu dẫn đến tính đúng đắn của dữ liệu truyền đi hông đƣợc bảo toàn. Dựa trên dữ liệu thuộc tính, CH có thể xác định lại sự đúng đắn của dữ liệu cảm nhận bằng cách loại bỏ thông tin nhiễu, giữ lại thông tin hữu ích, ít bị nhiễu phục vụ tổng hợp dữ liệu.
Hỗ trợ x lý vấn đề mất dữ liệu: Dữ liệu thu thập đƣợc từ các nút cảm biến khi truyền đến CH có thể hông đầy đủ, nghĩa là CH không nhận đủ dữ liệu từ một hoặc nhiều nút trong nhóm để làm dữ kiện cho quá trình DF. Tình huống để mất dữ liệu có thể là: Lúc cần cảm nhận thì nút cảm biến đang trạng thái ngủ, lúc đang truyền dữ liệu đến CH thì nút cảm biến hết năng lƣợng, đang truyền thì đến chu kỳ ngủ của nút cảm biến, gói tin bị lỗi…
Hỗ trợ để x lý vấn đề ƣ thừa dữ liệu: Đ y là một vấn đề rất quan trọng trong bài toán tổng hợp dữ liệu. Khi các nút cảm biến cùng cảm nhận về một đối tƣợng và cùng truyền một loại thông tin đó trực tiếp đến BS hoặc qua nút cảm biến trung gian (là CH nếu mạng có phân cụm) để truyền đến BS thì việc loại bỏ các dữ liệu ƣ thừa này là điều rất cần thiết.
RST hỗ trợ tổng hợp dữ liệu đƣợc ch nh xác hơn thông qua ngữ nghĩa, "tri thức" của thông tin chứ không thông qua x lý trực tiếp toàn bộ dữ liệu "kiến thức" của thông tin. Trên thực thế, rất hó để có thể tổng hợp đƣợc dữ liệu đúng tuyệt đối (100%) với tình huống diễn ra ở thực địa o đặc tính phần cứng của s nsor hó định lƣợng chính xác giá trị của đại lƣợng đặc trƣng cho sự kiện cần giám sát. o đó, đôi hi phải t nh định lƣợng thông qua ngữ nghĩa của dữ liệu thay vì định lƣợng giá trị đo của từng loại tham số cụ thể.
Tóm lại, s dụng tổng hợp dữ liệu để tăng độ chính xác của kết luận đồng thời đạt hiệu quả về năng lƣợng. Thực tế trong điều kiện l tƣởng, chỉ cần một nút cảm biến là đủ để có kết luận chính xác nhất, tuy nhiên điều này bị ràng buộc bởi các công nghệ phần cứng, t nh năng đƣợc tích hợp vào nút cảm biến của nhà sản xuất. Tổng hợp dữ liệu có nghĩa trong trƣờng hợp muốn tăng độ ch nh xác hơn hi suy đoán hông chắc chắn và ứng dụng RST trong vấn đề tổng hợp dữ liệu của WSNs là một lựa chọn phù hợp.
3.1.1. M tả t á DF ều út cả
Các nút cảm biến (S0, S1,... S7) theo dõi sự kiện diễn ra ở mục tiêu (target) và truyền dữ liệu cảm nhận sự kiện đó đến một nút cụm trƣởng - CH có trách nhiệm DF. Nút CH áp dụng thuật toán tiền x lý (data preprocessing) để giao tiếp, tách các thuộc tính của dữ liệu (feature extraction), sau đó áp ụng RST để tổng hợp dữ liệu (data fusion) và quyết định. Nhƣ vậy, đầu vào của CH là dữ liệu cảm biến về mục tiêu và thông tin của các nút cảm biến trong nhóm;
đầu ra là quyết định lựa chọn nút cảm biến và nội dung dữ liệu cảm biến để truyền tiếp. ài toán đƣợc mô tả ở Hình 3.1.
3.1.2. Qu tr ứ ụ RST đ t ợp u
Với WSNs, nhiều lớp ài toán đã đƣợc đặt ra nhƣ: điều khiển chu kỳ cảm nhận dữ liệu, lấy mẫu cảm biến, phân nhóm, chọn nút cụm trƣởng, định tuyến, tổng hợp... Không mất tính tổng quát có thể giả s những ài toán đó đã đƣợc giải quyết. Riêng bài toán tổng hợp dữ liệu, mục tiêu chính chỉ tập trung vào vấn đề (điều khiển) tính toán trên nút CH. Nhƣ vậy, ứng dụng lý thuyết tập thô để tổng hợp dữ liệu nhiều cảm biến sẽ đƣợc thực hiện ở Lớp 3.
Hình 3.1.Mô tả bài toán tổng hợp ữ liệu có s dụng RST.
Đề xuất quy trình ứng dụng RST để tổng hợp dữ liệu nhƣ sau:
ƣớc 1: Tiền x lý, tách thuộc tính từng nút cảm biến (của dữ liệu cảm nhận và của nút cảm biến), giả s đƣợc m thuộc tính;
ƣớc 2: Lập bảng, nếu có n nút cảm biến thì bảng sẽ có n hàng, (m + 1) cột; ƣớc 3: Tìm lớp con tƣơng đƣơng th o giá trị thuộc tính quyết định;
ƣớc 4: Tìm tập các lớp con tƣơng đƣơng của các tập con thuộc t nh điều kiện; ƣớc 5: Tìm tập các tập thuộc tính rút gọn; Multi - Sensor Target (mục tiêu) Tiền x lý Tách thuộc tính CH Tổng hợp dữ liệu Quyết định S1 S2 S3 S4 S5 S6 S7 S0 Công đoạn ứng dụng RST để tổng hợp dữ liệu nhiều cả m biến tại nút CH
Lớp 2
Lớp 1 Lớp 3
ƣớc 6: Tìm tập thuộc tính lõi;
ƣớc 7: Xác định các luật quyết định, độ chắc chắn của mỗi luật để làm cơ sở tri thức; ƣớc 8: Quyết định.
Đề xuất mô hình xử lý dữ liệu tại CH nhƣ sau (x m Hình 3.2):
Hình 3.2. Mô hình x lý, tổng hợp dữ liệu tại nút CH
Giải thích:
+ Tiếp nh n dữ liệu c m biến: Nút CH nhận dữ liệu cảm biến của tất cả
các nút trong cụm g i về.
+ Tách thuộc tính từng nút c m biến: Tín hiệu cảm nhận và thông tin về
nút sẽ đƣợc lƣợng hóa thành các mức giá trị. Các thuộc tính này phù hợp với mục đ ch, phƣơng pháp đề xuất của từng ài toán và đƣợc định nghĩa trƣớc.
+ Ghi dữ liệu thuộc tính vào b ng: Nếu nhóm có n nút cảm biến, dữ liệu
mỗi nút cảm biến có m thuộc t nh điều kiện thì bảng thông tin (hay hệ quyết định) này có dạng ma trận ch thƣớc n hàng, (m+1) cột (vì thêm 1 cột thuộc tính quyết định), lập bảng theo công thức CT 1.2. Thuộc tính quyết định sẽ đƣợc định nghĩa trƣớc theo thuộc t nh điều kiện.
+ Tìm lớp con tương ương: Áp dụng công thức CT 1.3 để phân hoạch
bảng thông tin thành các lớp con tƣơng đƣơng (của m thuộc tính) theo giá trị Tiếp nhận tất cả dữ liệu cảm biến Tách thuộc tính từng sensor Tìm lớp con tƣơng đƣơng. Ghi dữ liệu thuộc tính vào bảng. Tìm tập các lớp con tƣơng đƣơng
của các tập con thuộc t nh điều kiện Tìm các tập thuộc tính rút gọn. Tìm tập thuộc tính lõi Xác định các luật quyết định Độ chắc chắn của luật quyết định Cơ sở tri thức Quyết định Dữ liệu các Sensor g i về nút CH Nút CH
của thuộc tính quyết định. Với bài toán tổng hợp dữ liệu, giá trị thuộc tính quyết định có thể là "Có"/"Không" (nếu nút cảm biến đó đƣợc/ hông đƣợc CH chọn để tổng hợp). Tập con tƣơng đƣơng với thuộc tính quyết định giá trị "Có" sẽ đƣợc s dụng làm đầu vào cho việc áp dụng RST.
+ Tìm t p các lớp con tương ương của các t p con thuộc t nh iều kiện:
S dụng công thức CT 1.3 để tiếp tục phân hoạch các lớp con tƣơng đƣơng (đã có ở ƣớc trƣớc đó) thành các lớp con tƣơng đƣơng nhỏ hơn gồm các nút cảm biến có cùng giá trị thuộc t nh điều kiện.
+ Tìm các t p thuộc tính rút gọn: Đƣợc tính theo công thức CT 1.7. Việc
tìm tập thuộc tính rút gọn có nghĩa quyết định đối với vấn đề ứng dụng RST để DF. Tối ƣu hóa các cột trong bảng thông tin là một ài toán hó, có độ phức tạp hàm mũ của thuộc t nh điều kiện. Do vậy, tùy trƣờng hợp cụ thể để chọn phƣơng pháp rút gọn phù hợp, tốt nhất. Thực tế, hông đòi hỏi tìm tất cả các tập thuộc tính rút gọn mà chỉ cần tìm tập rút gọn tốt nhất theo một nghĩa nào đó o ngƣời đề xuất phƣơng pháp rút gọn đó đề ra.
Để xác định độ "tốt nhất" này, cần phải định nghĩa đƣợc hai khái niệm: "Tập rút gọn" và "Độ quan trọng của thuộc tính" của phƣơng pháp đó. Hiện nay, hầu hết các nghiên cứu (quốc tế và Việt Nam) đã đƣa ra 5 cơ sở (phƣơng pháp) để rút gọn thuộc t nh nhƣ sau 5 :
* Dựa trên miền ƣơng;
* S dụng các phép toán trong đại số quan hệ; * S dụng ma trận phân biệt;
* S dụng các độ đo trong t nh toán hạt; * S dụng entropy thông tin.
+ Tìm t p thuộc tính lõi: Áp dụng công thức CT 1.5, CT 1.6. Có thể có
các phần t giao nhau của các tập thuộc tính rút gọn. Thuộc tính lõi không thể bỏ đƣợc đối với quá trình suy luận.
+ X c ịnh các lu t quyết ịnh: Theo công thức CT 1.11, CT 1.12.
+ X c ịnh ộ chắc chắn của lu t quyết ịnh: Theo công thức CT 1.13.
+ Cơ sở tri thức: Dựa vào các luật quyết định và độ chắc chắn của các
luật quyết định đó để lọc "kiến thức" thành "tri thức", hỗ trợ quyết định.
3.1.3. Ứ ụ L t u t tập t đ qu t đ t ợp u
Việc ứng dụng lý thuyết tập thô để hỗ trợ CH trong các quyết định tổng hợp dữ liệu dựa trên quy trình ứng dụng lý thuyết tập thô ở Mục 3.1.2 và các khái niệm, định nghĩa của lý thuyết tập thô (ở Mục 1.5.1) .
Giả s có một mạng cảm biến không dây với 9 nút cảm biến, đƣợc phân bố ngẫu nhiên trong vùng cần giám sát. Không mất tính tổng quát, giả s 9 nút cảm biến này thuộc một cụm, đã chọn đƣợc một nút cảm biến làm CH. Tại thời điểm xét để thực hiện tổng hợp dữ liệu, năng lư ng còn lại của các nút cảm biến có thể khác nhau; kho ng cách từ các nút cảm biến đến CH có thể khác nhau; số gói tin còn lại mà nút c m biến cần ph i truyền đến CH để hoàn tất việc truyền thông tin cảm nhận về mục tiêu có thể khác nhau; tín hiệu có thể bị nhiễu (hay dữ liệu cảm biến không chắc chắn) khi nút cảm biến truyền dữ liệu cảm nhận đến CH. Cần ứng dụng lý thuyết tập thô để tổng hợp dữ liệu (tại nút CH) sao cho đảm bảo tính tối ƣu trong việc giảm số gói tin đi ra từ CH đồng thời giữ đƣợc t nh đúng đắn của dữ liệu cảm nhận.
Các tình huống, giả thiết của bài toán đã đặt ra phù hợp với thực tế của nút cảm biến và WSNs. Ứng dụng lý thuyết tập thô để tổng hợp dữ liệu nhiều nút cảm biến trong WSNs sẽ phải giải quyết hai vấn đề:
Thứ nhất: Xây dựng bài toán tổng hợp dữ liệu bằng "ngôn ngữ" của RST. Việc xây dựng này dựa trên sự phù hợp của các khái niệm trong RST (ở Mục