បញ្ហា (The Problem)៖ បណ្តាញឥតខ្សែ (Wi-Fi) ប្រើប្រាស់ក្បួនដោះស្រាយ BEB ប្រពៃណីសម្រាប់ការជៀសវាងការប៉ះទង្គិចគ្នា (Collision avoidance) ដែលមិនមានប្រសិទ្ធភាពខ្ពស់ និងធ្វើឱ្យខ្ជះខ្ជាយកម្រិតបញ្ជូននៅក្នុងបណ្តាញដែលមានស្ថានីយភ្ជាប់ច្រើននិងប្រែប្រួល។
វិធីសាស្ត្រ (The Methodology)៖ ការស្រាវជ្រាវនេះស្នើឡើងនូវដំណោះស្រាយបែបវិមជ្ឈការដោយប្រើប្រាស់ក្បួនដោះស្រាយការរៀនពង្រឹងស៊ីជម្រៅ (DRL) ដើម្បីធ្វើឱ្យប្រសើរឡើងនូវតម្លៃនៃផ្ទាំងការប្រកួតប្រជែង (Contention Window) ដោយស្វ័យប្រវត្តិសម្រាប់ស្ថានីយនីមួយៗ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| BEB (Binary Exponential Back-off) ក្បួនដោះស្រាយ BEB ប្រពៃណី |
ងាយស្រួលអនុវត្ត និងជាស្តង់ដារដែលមានស្រាប់នៅក្នុងឧបករណ៍ Wi-Fi ទូទៅជាច្រើន។ | មិនមានប្រសិទ្ធភាពខ្ពស់ក្នុងការគ្រប់គ្រងការប៉ះទង្គិចគ្នា ខ្ជះខ្ជាយកម្រិតបញ្ជូន និងមិនអាចសម្របខ្លួនបានល្អក្នុងបណ្តាញដែលមានស្ថានីយច្រើន។ | លំហូរទិន្នន័យ (Throughput) ធ្លាក់ចុះមកនៅត្រឹមប្រហែល 26 Mbps នៅពេលមានស្ថានីយភ្ជាប់ដល់ចំនួន 50។ |
| Decentralized DQN អភិក្រម DRL បែបវិមជ្ឈការដោយប្រើប្រាស់ DQN |
បង្កើនលំហូរទិន្នន័យបានយ៉ាងល្អ និងមានលទ្ធភាពសម្របខ្លួនទៅនឹងការផ្លាស់ប្តូរនៃបណ្តាញតាមពេលវេលាជាក់ស្តែង។ | ជម្រើសសកម្មភាព (Action space) មានលក្ខណៈដាច់ៗ (Discrete) ដែលធ្វើឱ្យមានភាពបត់បែនតិចតួចបើប្រៀបធៀបទៅនឹង DDPG ហើយមានបម្រែបម្រួលខ្ពស់នៅដំណាក់កាលហ្វឹកហាត់ដំបូង។ | បង្កើនលំហូរទិន្នន័យរហូតដល់ 27.10% ធៀបនឹង BEB សម្រាប់សេណារីយ៉ូថេរដែលមានស្ថានីយចំនួន 50។ |
| Decentralized DDPG អភិក្រម DRL បែបវិមជ្ឈការដោយប្រើប្រាស់ DDPG |
អាចជ្រើសរើសតម្លៃ CW ជាក់ស្តែងណាមួយ (Continuous) ដែលជួយឱ្យការតាមដានសក្ដានុពលបណ្តាញមានភាពប្រសើរជាងមុន និងរក្សាស្ថិរភាពបានល្អ។ | មានស្ថាបត្យកម្ម Actor-Critic ដែលមានភាពស្មុគស្មាញខ្ពស់ និងទាមទារការពិន័យ ឬការគណនាច្រើនជាង DQN បន្តិច។ | បង្កើនលំហូរទិន្នន័យរហូតដល់ 27.78% (ក្នុងសេណារីយ៉ូថេរ) និងចូលរួមចំណែកធ្វើឱ្យប្រសើរឡើងសរុបរហូតដល់ 37.16% ក្នុងបណ្តាញ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ឯកសារនេះបានបញ្ជាក់យ៉ាងច្បាស់អំពីធនធានផ្នែករឹងនិងផ្នែកទន់ដែលត្រូវបានប្រើប្រាស់សម្រាប់ការធ្វើក្លែងបន្លំ និងការហ្វឹកហាត់ក្បួនដោះស្រាយម៉ាស៊ីន។
ការសិក្សានេះពឹងផ្អែកទាំងស្រុងលើទិន្នន័យក្លែងបន្លំ (Simulation) ដែលបង្កើតឡើងដោយកម្មវិធី NS-3 ក្រោមបរិយាកាសដ៏ល្អឥតខ្ចោះនៃស្តង់ដារ IEEE 802.11ax ជាមួយនឹងការតំរូវគំរូផ្សាយសញ្ញាស្តង់ដារ (ConstantSpeedPropagationDelayModel)។ កត្តានេះមានសារៈសំខាន់ណាស់សម្រាប់ប្រទេសកម្ពុជា ពីព្រោះនៅក្នុងស្ថានភាពជាក់ស្តែង បណ្តាញ Wi-Fi ក្នុងស្រុកតែងតែប្រឈមមុខនឹងឧបសគ្គរូបវន្ត (ជញ្ជាំង ការរចនាអគារ) ការជ្រៀតជ្រែករលកសញ្ញាឥតសណ្តាប់ធ្នាប់ និងការប្រើប្រាស់ឧបករណ៍ជំនាន់ចាស់ ដែលអាចធ្វើឱ្យលទ្ធផលនៃការអនុវត្តជាក់ស្តែងខុសពីការធ្វើក្លែងបន្លំ។
ទោះបីជាផ្អែកលើការធ្វើក្លែងបន្លំក៏ដោយ ក៏អភិក្រមវិមជ្ឈការនេះមានសក្តានុពលខ្ពស់ក្នុងការដោះស្រាយបញ្ហាកកស្ទះបណ្តាញ Wi-Fi នៅតាមទីតាំងជាក់លាក់ក្នុងប្រទេសកម្ពុជា។
សរុបមក ការអនុវត្តក្បួនដោះស្រាយប្រភេទនេះនឹងផ្តល់នូវដំណោះស្រាយដ៏រឹងមាំសម្រាប់ពង្រឹងគុណភាពសេវាអ៊ីនធឺណិតឥតខ្សែនៅតាមទីតាំងដែលមានដង់ស៊ីតេមនុស្សច្រើន ស្របតាមការរីកចម្រើននៃទីក្រុងឆ្លាតវៃនៅកម្ពុជា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Deep Reinforcement Learning (DRL) | ជាក្បួនដោះស្រាយដែលរួមបញ្ចូលបណ្ដាញសរសៃប្រសាទសិប្បនិម្មិត (Deep Learning) ជាមួយការរៀនតាមរយៈប្រព័ន្ធរង្វាន់និងការពិន័យ (Reinforcement Learning) ដើម្បីឱ្យកម្មវិធីកុំព្យូទ័រអាចរៀននិងធ្វើការសម្រេចចិត្តដ៏ស្មុគស្មាញដោយស្វ័យប្រវត្តិក្នុងបរិស្ថានដែលផ្លាស់ប្តូរ។ | ដូចជាការបង្ហាត់សត្វសុនខឱ្យចេះធ្វើតាមបញ្ជា ដោយផ្តល់ចំណីនៅពេលវាធ្វើត្រូវ និងមិនឱ្យនៅពេលវាធ្វើខុស រហូតដល់វាចេះគិតនិងធ្វើដោយខ្លួនឯង។ |
| Contention Window (CW) | ជាចន្លោះពេលរង់ចាំដោយចៃដន្យដែលឧបករណ៍នីមួយៗ (ដូចជាទូរស័ព្ទ ឬកុំព្យូទ័រ) ត្រូវរង់ចាំមុនពេលបញ្ជូនទិន្នន័យទៅកាន់បណ្តាញ Wi-Fi គោលបំណងគឺដើម្បីជៀសវាងការបញ្ជូនទិន្នន័យព្រមគ្នាដែលបណ្តាលឱ្យមានការប៉ះទង្គិច។ | ដូចជាការចាប់ឆ្នោតយករៀងដើម្បីនិយាយក្នុងចំណោមមនុស្សច្រើននាក់ ដើម្បីកុំឱ្យមានការនិយាយកាត់គ្នា។ |
| Binary Exponential Back-off (BEB) | ជាយន្តការស្តង់ដារមួយនៅក្នុងបណ្តាញ Wi-Fi ដែលបង្កើនពេលវេលារង់ចាំ (CW) ទ្វេដងដោយស្វ័យប្រវត្តិ រាល់ពេលដែលមានការប៉ះទង្គិចទិន្នន័យកើតឡើង ដើម្បីបន្ថយការកកស្ទះ។ | ដូចជាពេលយើងហៅទូរស័ព្ទទៅនរណាម្នាក់ហើយរវល់ យើងរង់ចាំ ១នាទីសិនទើបហៅម្តងទៀត បើនៅតែរវល់ យើងរង់ចាំ ២នាទី ៤នាទី ទ្វេដងរហូតទាល់តែចូល។ |
| Deep Q-Network (DQN) | ជាក្បួនដោះស្រាយ DRL មួយប្រភេទដែលរៀនវាយតម្លៃនិងជ្រើសរើសសកម្មភាពល្អបំផុតពីជម្រើសដែលមានចំនួនកំណត់ (Discrete action spaces) ដោយប្រើប្រាស់បណ្តាញសរសៃប្រសាទសិប្បនិម្មិត។ | ដូចជាអ្នកលេងហ្គេមដែលរៀនពីបទពិសោធន៍ថាត្រូវចុចប៊ូតុងមួយណា (ឆ្វេង ស្ដាំ លើ ក្រោម) នៅពេលណា ទើបទទួលបានពិន្ទុខ្ពស់បំផុត។ |
| Deep Deterministic Policy Gradient (DDPG) | ជាក្បួនដោះស្រាយ DRL មួយទៀតដែលស្រដៀងនឹង DQN ដែរ ប៉ុន្តែវាអាចដោះស្រាយជាមួយជម្រើសសកម្មភាពដែលជាលេខជាក់ស្តែងណាមួយបន្តបន្ទាប់គ្នា (Continuous action spaces) ធ្វើឱ្យវាមានភាពបត់បែនខ្ពស់សម្រាប់ការគ្រប់គ្រងបញ្ហាដែលមានភាពល្អិតល្អន់។ | បើប្រៀបធៀបនឹងការបើកបរ DQN គ្រាន់តែអាចប្រាប់ឱ្យបត់ឆ្វេងឬស្តាំ តែ DDPG អាចប្រាប់បានយ៉ាងលម្អិតថាត្រូវបត់ចង្កូតប៉ុន្មានដឺក្រេ។ |
| CSMA/CA | តំណាងឲ្យ Carrier Sense Multiple Access with Collision Avoidance ដែលជាប្រូតូកូលតម្រូវឱ្យឧបករណ៍ពិនិត្យមើលថាតើមានរលកសញ្ញាផ្សេងកំពុងបញ្ជូនឬទេ មុននឹងចាប់ផ្តើមបញ្ជូនទិន្នន័យរបស់ខ្លួន ដើម្បីជៀសវាងការប៉ះទង្គិច។ | ដូចជាការមើលឆ្វេងស្តាំមុនពេលឆ្លងថ្នល់ បើឃើញមានឡានមក យើងឈប់រង់ចាំសិន ទើបអាចដើរឆ្លងបានដោយសុវត្ថិភាព។ |
| Partially Observable Markov Decision Process (POMDP) | ជាគំរូគណិតវិទ្យាសម្រាប់ដំណើរការសម្រេចចិត្ត ដែលភ្នាក់ងារ (Agent) មិនអាចដឹងពីស្ថានភាពទាំងស្រុងនៃបណ្តាញរួមនោះទេ វាត្រូវធ្វើការសម្រេចចិត្តផ្អែកលើព័ត៌មានដែលវាអាចសង្កេតបានត្រឹមមួយផ្នែកប៉ុណ្ណោះ។ | ដូចជាការលេងបិទពួនដែលយើងត្រូវរាវរកមនុស្សដោយពឹងផ្អែកតែលើសំឡេងជើង ឬការស្ទាប ព្រោះយើងមិនអាចមើលឃើញអ្វីទាំងអស់នៅជុំវិញខ្លួន។ |
| Throughput | បរិមាណទិន្នន័យសរុបដែលត្រូវបានបញ្ជូនដោយជោគជ័យពីឧបករណ៍មួយទៅឧបករណ៍មួយទៀតក្នុងរយៈពេលជាក់លាក់ណាមួយ (ជាទូទៅគិតជា Mbps) នៅក្នុងបណ្តាញទំនាក់ទំនង។ | ដូចជាបរិមាណទឹកដែលអាចហូរឆ្លងកាត់បំពង់មួយក្នុងរយៈពេលមួយនាទី បើបំពង់ធំហើយគ្មានការកកស្ទះ ទឹកក៏ហូរបានច្រើន។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
