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 một chủ 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 một khu 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 với môi 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 các phân 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 phép nén 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 thập được. 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 và cuối cùng là tính di động [10], [11] với những thiết bị, giao thức, giao tiếp khác nhau. 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 cầu của hệ thống và hoạt déng,... Đặt biệt có thé kế các trạng thái của điểm thu thập cảm biến: hoạt động, nhàn rỗi, trạng thái ngủ. Các nghiên cứu về các trạng thái của node 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 nghiên cứu 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 chờ một 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 giao tiếp 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 trình truyền dữ liệu, ý tưởng cơ bản của kỹ thuật này là điều chỉnh tốc độ lấy mẫu với các thay 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 tiêu
chí 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 việc lay 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 việc lấy 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 bình của W. Tiếp theo, phương sai như vậy được so sánh với một ngưỡng được xác định trước 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 được thể 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 bằng cách kết hợp lập trình động, lý thuyết dau giá và lý thuyết đối sánh. Các tác giả xây dựng một bài toán tối thiểu hóa như một tối ưu hóa chung liên quan đến cả tối ưu hóa quy mô lớn và quy mô nhỏ. Về tiêu thụ năng lượng, lập lịch quỹ đạo, điều khién vận tốc, điều chỉnh tần số, lựa chon role và thuật toán phân bô công suất được tối ưu hóa. Các tác giả trong [24] chứng minh rằng việc tối ưu hóa lập lịch tác vụ trong các thiết bị IoT là một bài toán NP-hard được chạy trong pseudo-polynomial time và đề xuất một thuật toán lập trình động dé đối phó với van đề này. Nguyên mẫu 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 cách tiếp 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 giới thiệu một mô hình tối ưu hóa động dựa trên Markov Decision Process (MDP). Mô hình 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 tham khảo 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 mức pin đủ cho các công việc chức năng của thiết bị. Ngoài ra, nó cũng tạo các ràng buộc cho việc gửi các giá trị trạng thái để giảm thông tin trao đổi giữa các nút trong Mạng 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 dựng dưới dạng kết hợp 1-1 giữa MTD và các kênh. Kết hợp giữa học máy, Lyapunov optimization và lý thuyết đối sánh, các tác giả đề xuất một framework lựa chọn kênh 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 kỳ lay mẫu với trạng thái năng lượng hiện tại và độ dài gói đến. Một bit thông tin lay mẫu 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 mạng IoT 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 bị được 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 hạn băng thông. Các tác giả chứng minh rang có thé đạt được MSE tối thiêu băng cách điều 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 dé tiết kiệm năng lượng.
17