បញ្ហា (The Problem)៖ រចនាសម្ព័ន្ធ Mobile Edge Computing (MEC) បែបប្រពៃណីដែលមានទីតាំងថេរ មិនអាចធ្វើការសម្រេចចិត្តបានទាន់ពេលវេលា និងមានប្រសិទ្ធភាពក្នុងបរិស្ថានដែលមានការផ្លាស់ប្តូរខ្លាំង (Dynamic Environment) ដូចជាការប្រែប្រួលចំនួន និងទីតាំងរបស់អ្នកប្រើប្រាស់នោះទេ។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកនិពន្ធបានស្នើឡើងនូវរចនាសម្ព័ន្ធ Heterogeneous MEC (H-MEC) ដែលរួមបញ្ចូលស្ថានីយដី និងយានចល័ត ដោយប្រើប្រាស់ក្របខណ្ឌ ARE ដែលផ្អែកលើបច្ចេកវិទ្យា AI ដើម្បីគ្រប់គ្រងធនធាន។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| DNN-based ARE (Deep Neural Network with Incremental Learning) ការរៀបចំកាលវិភាគធនធានដោយផ្អែកលើបណ្តាញសរសៃប្រសាទជ្រៅ (DNN) ជាមួយនឹងការរៀនបន្ថែម |
មានសមត្ថភាពស្វែងរកដំណោះស្រាយសកល (Global Optimizer) និងផ្តល់នូវដំណើរការល្អបំផុតនៅពេលបរិស្ថានប្រែប្រួលយឺតៗ។ | ត្រូវការពេលវេលាហ្វឹកហាត់ (Training time) យូរជាងវិធីសាស្ត្រ DRL និងទាមទារទិន្នន័យប្រវត្តិសាស្រ្តច្រើន។ | ប្រើពេលសរុប ១២៣.៥៦ វិនាទីក្នុងការពិសោធន៍ និងមានកម្រិតបាត់បង់ (Loss) ទាបបំផុត។ |
| DRL-based ARE (Deep Reinforcement Learning with Action Refinement) ការរៀបចំកាលវិភាគធនធានដោយផ្អែកលើការរៀនពង្រឹងជ្រៅ (DRL) ជាមួយនឹងការកែលម្អសកម្មភាព |
មានល្បឿនលឿនក្នុងការធ្វើបច្ចុប្បន្នភាពគោលនយោបាយ (Online Policy Updating) និងស័ក្តិសមសម្រាប់បរិស្ថានដែលប្រែប្រួលលឿន។ | ប្រសិទ្ធភាពអាចថយចុះនៅពេលដែលទំហំនៃសកម្មភាព (Action Space) កើនឡើងខ្លាំង ហើយអាចជាប់គាំងនៅដំណោះស្រាយមិនល្អឥតខ្ចោះ (Sub-optimal)។ | ប្រើពេលសរុបត្រឹមតែ ៤៣.៣២ វិនាទី និងមានល្បឿននៃការបង្រួបបង្រួម (Convergence speed) លឿន។ |
| Baseline Methods (Greedy, Random, Local Execution) វិធីសាស្ត្រមូលដ្ឋាន (Greedy, ការជ្រើសរើសចៃដន្យ, និងការគណនាក្នុងឧបករណ៍ផ្ទាល់) |
ងាយស្រួលក្នុងការអនុវត្ត និងមិនទាមទារការគណនាស្មុគស្មាញខ្លាំង។ | មិនអាចបត់បែនតាមបរិស្ថានដែលមានការផ្លាស់ប្តូរ និងមានកម្រិត Latency ខ្ពស់ជាងគេ។ | មានកម្រិត Latency ខ្ពស់ជាងវិធីសាស្ត្រ ARE យ៉ាងខ្លាំងនៅក្នុងគ្រប់សេណារីយ៉ូ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះប្រើប្រាស់ធនធានកុំព្យូទ័រកម្រិតមធ្យមសម្រាប់ការពិសោធន៍ ប៉ុន្តែការអនុវត្តជាក់ស្តែងអាចទាមទារឧបករណ៍ដែលមានសមត្ថភាពខ្ពស់ជាងនេះនៅស្ថានីយ៍មេ។
ការសិក្សានេះត្រូវបានធ្វើឡើងដោយផ្អែកលើទិន្នន័យពិសោធន៍ (Simulation data) នៅក្នុងតំបន់កំណត់ទំហំ ៥០x៥០ ម៉ែត្រ ដោយមិនទាន់បានប្រើប្រាស់ទិន្នន័យជាក់ស្តែងពីបណ្តាញទូរគមនាគមន៍ពិតប្រាកដទេ។ សម្រាប់កម្ពុជា នេះមានន័យថាម៉ូដែល AI ត្រូវតែមានការហ្វឹកហាត់សារជាថ្មីជាមួយនឹងទិន្នន័យចរាចរណ៍អ៊ីនធឺណិត និងភូមិសាស្ត្រក្នុងស្រុក ដើម្បីធានាបាននូវប្រសិទ្ធភាព។
វិធីសាស្ត្រនេះមានប្រយោជន៍យ៉ាងខ្លាំងសម្រាប់កម្ពុជា ជាពិសេសក្នុងការដោះស្រាយបញ្ហាតំបន់ដែលខ្វះខាតហេដ្ឋារចនាសម្ព័ន្ធបណ្តាញថេរ។
បច្ចេកវិទ្យានេះគឺជាដំណោះស្រាយដ៏មានសក្តានុពលសម្រាប់ពង្រីកវិសាលភាពនៃសេដ្ឋកិច្ចឌីជីថលនៅកម្ពុជាទៅកាន់តំបន់ជនបទ និងដោះស្រាយបញ្ហាកកស្ទះបណ្តាញក្នុងទីក្រុង។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Heterogeneous MEC (H-MEC) | រចនាសម្ព័ន្ធកុំព្យូទ័រគែមបណ្តាញ (Edge Computing) ដែលមិនប្រើតែឧបករណ៍មួយប្រភេទទេ ប៉ុន្តែប្រើប្រាស់ឧបករណ៍ចម្រុះរួមគ្នា ដូចជាស្ថានីយដី (GS) យានជំនិះដី (GV) និងដ្រូន (UAV) ដើម្បីផ្តល់សេវាឱ្យកាន់តែមានប្រសិទ្ធភាព និងបត់បែន។ | ដូចជាក្រុមការងារមួយដែលមានមនុស្សខ្លាំងផ្នែកផ្សេងៗគ្នា (អ្នករត់លឿន អ្នកខ្លាំងកម្លាំង) សហការគ្នាដើម្បីធ្វើការងារឱ្យបានសម្រេច។ |
| Task Offloading | ដំណើរការនៃការផ្ទេរការងារគណនាធ្ងន់ៗ (ដូចជាការកាត់តវីដេអូ ឬដំណើរការ AI) ពីឧបករណ៍ចល័តរបស់អ្នកប្រើប្រាស់ (ទូរស័ព្ទ) ទៅឱ្យកុំព្យូទ័រនៅគែមបណ្តាញ (Edge Node) ធ្វើជំនួស ដើម្បីសន្សំសំចៃថ្ម និងបង្កើនល្បឿន។ | ដូចជាការសុំឱ្យមិត្តភក្តិដែលពូកែគណិតវិទ្យា ជួយធ្វើលំហាត់ពិបាកៗជំនួសយើង ជំនួសឱ្យការអង្គុយគិតខ្លួនឯងយូរ។ |
| Deep Reinforcement Learning (DRL) | បច្ចេកវិទ្យា AI ដែលរៀនធ្វើការសម្រេចចិត្តដ៏ល្អបំផុតតាមរយៈការសាកល្បង និងកែតម្រូវកំហុស (Trial and Error) ដោយខ្លួនឯង ដើម្បីទទួលបានពិន្ទុ ឬរង្វាន់ខ្ពស់បំផុតនៅក្នុងបរិស្ថានជាក់លាក់មួយ។ | ដូចជាការបង្ហាត់សត្វឱ្យចេះធ្វើអ្វីមួយ ដោយផ្តល់ចំណី (រង្វាន់) នៅពេលវាធ្វើត្រូវ និងមិនផ្តល់នៅពេលវាធ្វើខុស។ |
| Incremental Learning | វិធីសាស្ត្របង្រៀន AI ឱ្យចេះធ្វើបច្ចុប្បន្នភាពចំណេះដឹងជាបន្តបន្ទាប់នៅពេលមានទិន្នន័យថ្មីៗចូលមក ដោយមិនចាំបាច់រៀនអ្វីៗទាំងអស់ឡើងវិញពីចំណុចចាប់ផ្តើមនោះទេ។ | ដូចជាការរៀនមេរៀនថ្មីបន្ថែមនៅសាលារាល់ថ្ងៃ ដោយមិនចាំបាច់ត្រឡប់ទៅរៀនថ្នាក់ទី ១ ឡើងវិញរាល់ពេលនោះទេ។ |
| 3C resources | ពាក្យបច្ចេកទេសដែលសំដៅលើធនធានសំខាន់ៗបីយ៉ាងដែលត្រូវគ្រប់គ្រងក្នុងប្រព័ន្ធនេះគឺ៖ ការគណនា (Computing), ការទំនាក់ទំនង (Communication), និងការផ្ទុកទិន្នន័យបណ្តោះអាសន្ន (Caching)។ | ប្រៀបដូចជាមនុស្សម្នាក់ដែលត្រូវការ ខួរក្បាលគិត (Computing) មាត់និយាយ (Communication) និងសៀវភៅកត់ត្រា (Caching) ដើម្បីធ្វើការងារឱ្យបានល្អ។ |
| User Association | ការសម្រេចចិត្តក្នុងប្រព័ន្ធបណ្តាញថាតើអ្នកប្រើប្រាស់ម្នាក់ៗគួរភ្ជាប់សេវាទៅកាន់ស្ថានីយ៍ ឬដ្រូនមួយណា (UAV) ដើម្បីទទួលបានសេវាលឿនបំផុត និងកាត់បន្ថយការកកស្ទះ។ | ដូចជាការជ្រើសរើសចូលតម្រង់ជួរនៅកន្លែងគិតលុយណាដែលមានមនុស្សតិចជាងគេនៅក្នុងផ្សារទំនើប។ |
| Latency | រយៈពេលដែលទិន្នន័យធ្វើដំណើរពីប្រភពទៅកាន់គោលដៅ។ នៅក្នុងបរិបទនេះ គឺជារយៈពេលរង់ចាំចាប់ពីពេលអ្នកប្រើប្រាស់បញ្ជូនសំណើ រហូតដល់ទទួលបានលទ្ធផលមកវិញ។ | ដូចជាពេលដែលយើងស្រែកសួរនរណាម្នាក់ ហើយរង់ចាំស្តាប់ចម្លើយពីគេ (រយៈពេលរង់ចាំនោះហៅថា Latency)។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
