Original Title: A Comparative Analysis of Communication Protocols and Edge Intelligence Strategies for Remote Infrastructure Monitoring: Taxonomy, Benchmarks, and Design Guidelines
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

ការវិភាគប្រៀបធៀបនៃពិធីសារទំនាក់ទំនង និងយុទ្ធសាស្ត្របញ្ញានៅគែមសម្រាប់ការត្រួតពិនិត្យហេដ្ឋារចនាសម្ព័ន្ធពីចម្ងាយ៖ ចំណាត់ថ្នាក់វិទ្យា គោលការណ៍វាស់វែង និងគោលការណ៍ណែនាំរចនា

ចំណងជើងដើម៖ A Comparative Analysis of Communication Protocols and Edge Intelligence Strategies for Remote Infrastructure Monitoring: Taxonomy, Benchmarks, and Design Guidelines

អ្នកនិពន្ធ៖ Hafiz Muhammad Waseem, Syed Taha Zaman, Amna Riaz, Zeeshan Ahmed Bhatti, Saad Ahmed Qazi, Waqar Mahmood

ឆ្នាំបោះពុម្ព៖ N/A

វិស័យសិក្សា៖ Internet of Things (IoT)

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ ឯកសារនេះដោះស្រាយបញ្ហាប្រឈមក្នុងការជ្រើសរើសបច្ចេកវិទ្យា (Technology selection) សមស្របសម្រាប់ការត្រួតពិនិត្យហេដ្ឋារចនាសម្ព័ន្ធពីចម្ងាយតាមរយៈឧបករណ៍ IoT នៅក្នុងបរិស្ថានដែលខ្វះខាតធនធាន និងមានការតភ្ជាប់បណ្តាញមានកម្រិត។

វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានបង្កើតក្របខ័ណ្ឌវាស់វែងរួមមួយ និងបានធ្វើតេស្តទាំងនៅក្នុងមន្ទីរពិសោធន៍ និងនៅទីតាំងជាក់ស្តែងចំនួន ៨ កន្លែងនៅប្រទេសប៉ាគីស្ថាន ដោយវាយតម្លៃលើទម្រង់ចំនួន ៦០ ផ្សេងៗគ្នា។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method) គុណសម្បត្តិ (Pros) គុណវិបត្តិ (Cons) លទ្ធផលគន្លឹះ (Key Result)
LoRaWAN (with Statistical Edge Intelligence)
បណ្តាញ LoRaWAN (ជាមួយនឹងបញ្ញាគែមបែបស្ថិតិ)
ស៊ីភ្លើងតិចបំផុត (៤២ mJ ក្នុងមួយសារ) គ្មានការចំណាយប្រចាំខែ និងស័ក្តិសមបំផុតសម្រាប់ឧបករណ៍ប្រើថ្មនៅតំបន់ដាច់ស្រយាល។ ល្បឿនបញ្ជូនទិន្នន័យយឺតខ្លាំង (៥.៤ kbps) និងមានការលំបាកក្នុងការដំឡើង Gateway ផ្ទាល់ខ្លួនឯង។ ផ្តល់នូវប្រសិទ្ធភាពថាមពលល្អជាងប្រព័ន្ធ GSM ដល់ទៅ ២៩ដង និងកាត់បន្ថយថ្លៃដើមសរុបបាន ៨៥% សម្រាប់ប្រតិបត្តិការប្រចាំឆ្នាំ។
GSM/NB-IoT (with Cloud-based Deep Learning)
បណ្តាញ GSM/NB-IoT (ជាមួយនឹងការសិក្សាស៊ីជម្រៅលើ Cloud)
មានវិសាលភាពគ្របដណ្តប់ធំទូលាយបំផុត (៩៧.៨%) និងអាចវិភាគរកភាពមិនប្រក្រតីបានច្បាស់លាស់ខ្ពស់តាមរយៈកម្លាំងកុំព្យូទ័រលើ Cloud។ ប្រើប្រាស់ថាមពលខ្លាំង (១២៤០ mJ សម្រាប់ GSM) មានចំណាយប្រចាំខែខ្ពស់ និងមានភាពយឺតយ៉ាវ (Latency) ក្នុងការបញ្ជូនទិន្នន័យ។ សម្រេចបានភាពត្រឹមត្រូវខ្ពស់បំផុត (F1-score ៨៩.៥% តាមរយៈ TCN-AE) ប៉ុន្តែទាមទារធនធានច្រើនក្នុងការប្រតិបត្តិការ។
Wi-Fi HaLow
បណ្តាញ Wi-Fi HaLow (802.11ah)
មានល្បឿនបញ្ជូនទិន្នន័យលឿនបំផុត (២១៥ kbps) និងមានភាពយឺតយ៉ាវទាបបំផុត (៤៥ ms)។ ចម្ងាយតភ្ជាប់មានកម្រិតខ្លី (ត្រឹម ០.៨ គ.ម) និងតម្រូវឱ្យទីតាំងគ្មានរបាំងបាំង (Line-of-sight)។ ជាជម្រើសល្អបំផុតសម្រាប់ការដាក់ពង្រាយក្នុងតំបន់មានកំណត់ ដូចជាផ្ទះកញ្ចក់កសិកម្ម។

ការចំណាយលើធនធាន (Resource Cost)៖ ការដាក់ពង្រាយប្រព័ន្ធនេះទាមទារនូវឧបករណ៍ចាប់សញ្ញាដែលមានកម្រិតថាមពលទាប ម៉ូឌុលបណ្តាញទំនាក់ទំនងឥតខ្សែ និងហេដ្ឋារចនាសម្ព័ន្ធ Cloud សម្រាប់ការវិភាគទិន្នន័យកម្រិតខ្ពស់។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះត្រូវបានធ្វើឡើងនៅទីតាំងចំនួន ៨ ក្នុងប្រទេសប៉ាគីស្ថាន (តំបន់ទីក្រុង ជាយក្រុង និងជនបទ) ដែលមានហេដ្ឋារចនាសម្ព័ន្ធបណ្តាញខុសពីកម្ពុជា។ ដោយសារគុណភាពសេវាទូរស័ព្ទ (Cellular coverage) និងអាកាសធាតុនៅប្រទេសកម្ពុជាមានលក្ខណៈខុសប្លែកពីនេះ វាទាមទារឱ្យមានការសាកល្បងជាក់ស្តែងមុននឹងដាក់ពង្រាយ ជាពិសេសនៅតំបន់កសិកម្មដាច់ស្រយាល។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

ការរកឃើញពីការស្រាវជ្រាវនេះមានតម្លៃយ៉ាងខ្លាំង និងអាចអនុវត្តបានយ៉ាងមានប្រសិទ្ធភាពសម្រាប់ការអភិវឌ្ឍប្រព័ន្ធហេដ្ឋារចនាសម្ព័ន្ធឆ្លាតវៃ (Smart Infrastructure) នៅប្រទេសកម្ពុជា។

សរុបមក ការជ្រើសរើសប្រើប្រាស់បច្ចេកវិទ្យា LoRaWAN រួមបញ្ចូលជាមួយបញ្ញាគែម (Edge Intelligence) នឹងជួយដល់ស្ថាប័នរដ្ឋ និងឯកជននៅកម្ពុជា ក្នុងការកាត់បន្ថយចំណាយលើប្រតិបត្តិការ IoT បានយ៉ាងច្រើន ខណៈពេលដែលនៅតែរក្សាបាននូវប្រសិទ្ធភាពតាមដានខ្ពស់។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

  1. វាយតម្លៃនិងជ្រើសរើសបណ្តាញទំនាក់ទំនង (Assess Communication Protocols): ធ្វើការសាកល្បងប្រៀបធៀបគុណភាពសេវារវាង LoRaWAN និង NB-IoT នៅតាមទីតាំងគោលដៅជាក់ស្តែងក្នុងប្រទេសកម្ពុជា ដើម្បីកំណត់ពីកម្រិតគ្របដណ្តប់នៃសេវា និងការប្រើប្រាស់ថាមពលថ្ម។
  2. រៀបចំឧបករណ៍បញ្ជាខ្នាតតូច (Set up Microcontrollers): ចាប់ផ្តើមអភិវឌ្ឍប្រព័ន្ធគំរូដោយប្រើប្រាស់បន្ទះ STM32L476ESP32 ដែលមានតម្លៃសមរម្យ និងមានអង្គចងចាំគ្រប់គ្រាន់សម្រាប់ដំណើរការ Edge Computing កម្រិតស្រាល។
  3. អភិវឌ្ឍម៉ូដែលបញ្ញាគែម (Develop Edge Intelligence Models): សរសេរកម្មវិធីបញ្ចូលវិធីសាស្ត្រស្ថិតិដូចជា CUSUMEWMA ទៅក្នុងឧបករណ៍ផ្ទាល់ ដើម្បីរកមើលភាពមិនប្រក្រតីភ្លាមៗដោយមិនបាច់រង់ចាំបញ្ជូនទិន្នន័យទៅ Cloud ជួយសន្សំសំចៃថាមពលបានច្រើន។
  4. រៀបចំស្ថាបត្យកម្មកូនកាត់ (Deploy Hybrid Architecture): បង្កើតប្រព័ន្ធដែលធ្វើការច្រោះទិន្នន័យនៅនឹងកន្លែង (Edge) ហើយបញ្ជូនតែព័ត៌មាននៃការជូនដំណឹងសំខាន់ៗទៅកាន់ Cloud Platform (ឧទាហរណ៍ ThingsBoardAWS IoT) សម្រាប់ការវិភាគទិន្នន័យធំៗបន្ថែមដោយប្រើ Deep Learning
  5. សាកល្បងទីលានពិត និងពង្រីកទំហំ (Field Testing & Scaling): ដាក់ពង្រាយប្រព័ន្ធសាកល្បងនេះនៅស្ថានីយអគ្គិសនី ឬកសិដ្ឋានជាក់ស្តែងយ៉ាងហោចណាស់ ៣០ ថ្ងៃ ដើម្បីប្រមូលទិន្នន័យ Baseline និងវាយតម្លៃរង្វាស់ F1-score មុននឹងសម្រេចចិត្តពង្រីកការដាក់ពង្រាយទៅកាន់តំបន់ផ្សេងទៀត។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
LoRaWAN ជាបណ្តាញទំនាក់ទំនងឥតខ្សែប្រភេទ LPWAN (Low-Power Wide-Area Network) ដែលអនុញ្ញាតឱ្យឧបករណ៍បញ្ជូនទិន្នន័យបានចម្ងាយឆ្ងាយ (គិតជាគីឡូម៉ែត្រ) ដោយប្រើប្រាស់ថាមពលថ្មតិចតួចបំផុត ប៉ុន្តែមានកម្រិតល្បឿនបញ្ជូនទិន្នន័យតូច (Bandwidth ទាប)។ ដូចជាការស្រែកប្រាប់សារខ្លីៗទៅកាន់មិត្តភ័ក្តិដែលនៅឆ្ងាយដោយប្រើសំឡេងខ្សឹបៗ ដើម្បីសន្សំកម្លាំង តែមិនអាចនិយាយរឿងវែងឆ្ងាយបានឡើយ។
Edge Intelligence ជាការបំពាក់សមត្ថភាពគិតវិភាគ (បញ្ញាសិប្បនិម្មិត ឬក្បួនស្ថិតិ) ទៅលើឧបករណ៍ប្រតិបត្តិការផ្ទាល់ (នៅទីតាំង ឬ "គែម" នៃបណ្តាញ) ជាជាងការបញ្ជូនទិន្នន័យឆៅទាំងអស់ទៅវិភាគនៅលើម៉ាស៊ីនមេ (Cloud) ដើម្បីកាត់បន្ថយការពន្យារពេល និងសន្សំសំចៃថាមពល។ ដូចជាការផ្តល់សិទ្ធិឱ្យសន្តិសុខសម្រេចចិត្តដោះស្រាយបញ្ហាភ្លាមៗនៅច្រកទ្វាររោងចក្រ ជំនួសឱ្យការទូរស័ព្ទសួរមេកងរាល់ពេលមានរឿងកើតឡើង។
Anomaly Detection ជាបច្ចេកទេសក្នុងវិទ្យាសាស្ត្រទិន្នន័យដែលប្រើសម្រាប់ស្វែងរកលំនាំ ឬព្រឹត្តិការណ៍ខុសប្រក្រតីដែលកើតឡើងចំពោះប្រព័ន្ធ (ឧទាហរណ៍៖ ម៉ាស៊ីនឡើងកម្តៅខុសធម្មតា ឬមានការលួចបូមសាំង) ធៀបនឹងទិន្នន័យកាលពីពេលដំណើរការធម្មតា។ ដូចជាគ្រូពេទ្យពិនិត្យស្តាប់ចង្វាក់បេះដូងអ្នកជំងឺ ដើម្បីរកមើលកន្លែងដែលលោតខុសចង្វាក់ធម្មតា។
F1-score ជារង្វាស់ស្ថិតិមួយសម្រាប់វាយតម្លៃភាពត្រឹមត្រូវនៃម៉ូដែលកុំព្យូទ័រ (ជាពិសេសក្នុងការរកមើលភាពមិនប្រក្រតី) ដោយធ្វើតុល្យភាពរវាងភាពជាក់លាក់ (Precision - ភាពត្រឹមត្រូវពេលទាយថាមានបញ្ហា) និងភាពគ្របដណ្តប់ (Recall - សមត្ថភាពក្នុងការរកឃើញបញ្ហាទាំងអស់)។ ដូចជាការវាយតម្លៃអ្នកចាប់ត្រីម្នាក់ ដោយមើលទាំងលើចំនួនត្រីដែលគាត់ចាប់បាន (មិនឱ្យរបូត) និងការមិនចាប់យកកាកសំណល់ផ្សេងៗមកជាមួយដោយច្រឡំថាជាត្រី។
Hybrid Architecture ជាការរៀបចំប្រព័ន្ធកុំព្យូទ័រដែលរួមបញ្ចូលគ្នារវាងឧបករណ៍គែម (Edge) និង Cloud ដោយឱ្យឧបករណ៍គែមធ្វើការច្រោះ និងវិភាគបឋម រួចបញ្ជូនតែព័ត៌មាននៃការជូនដំណឹងសំខាន់ៗទៅកាន់ Cloud ដើម្បីធ្វើការវិភាគស៊ីជម្រៅ ឬរក្សាទុក។ ដូចជាការធ្វើការក្នុងក្រុមហ៊ុន ដែលបុគ្គលិកថ្នាក់ក្រោមរៀបចំសង្ខេបរបាយការណ៍បឋម រួចទើបបញ្ជូនតែចំណុចសំខាន់ៗទៅឱ្យប្រធានក្រុមហ៊ុនសម្រេចចិត្តចុងក្រោយ។
CUSUM មកពីពាក្យ Cumulative Sum ជាវិធីសាស្ត្រគ្រប់គ្រងគុណភាពតាមបែបស្ថិតិ ដែលបូកបញ្ចូលការប្រែប្រួលតូចៗជាបន្តបន្ទាប់ ដើម្បីរាវរកការផ្លាស់ប្តូរខុសប្រក្រតីណាមួយចេញពីសភាពដើម ទោះបីជាការប្រែប្រួលនោះមានទំហំតូចក៏ដោយ។ ដូចជាការសន្សំលុយរាយរាល់ថ្ងៃ បើមើលមួយថ្ងៃមិនដឹងថាច្រើនទេ តែពេលបូកបញ្ចូលគ្នាពេញមួយខែ ទើបដឹងថាបាត់បង់លុយអស់ច្រើនប៉ុនណា។
Throughput ជាបរិមាណនៃទិន្នន័យសរុបពិតប្រាកដ ដែលអាចបញ្ជូនដោយជោគជ័យពីចំណុចមួយ (ឧទាហរណ៍ ឧបករណ៍វាស់ស្ទង់) ទៅចំណុចមួយទៀត (ម៉ាស៊ីនមេ) ក្នុងរយៈពេលជាក់លាក់ណាមួយ (ជាទូទៅគិតជា kbps ឬ Mbps)។ ដូចជាទំហំមុខកាត់នៃទុយោទឹក ដែលកំណត់ថាតើទឹកអាចហូរចេញបានប៉ុន្មានលីត្រក្នុងមួយនាទី។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖