បញ្ហា (The Problem)៖ ប្រព័ន្ធ LoRaWAN បច្ចុប្បន្នគាំទ្រតែការបញ្ជូនទិន្នន័យជាកញ្ចប់តូចៗនិងឆ្លងកាត់តែមួយដំណាក់កាល (Single-hop) ដែលធ្វើឱ្យមានការលំបាកក្នុងការបញ្ជូនឯកសារធំៗដូចជារូបភាពសម្រាប់ការតាមដានកសិកម្មលើផ្ទៃដីធំទូលាយ។
វិធីសាស្ត្រ (The Methodology)៖ ការស្រាវជ្រាវនេះបានបង្កើត និងធ្វើតេស្តសាកល្បងនូវប្រូតូកូលថ្មីចំនួនពីរនៅក្នុងមន្ទីរពិសោធន៍ និងទីតាំងជាក់ស្តែង ដើម្បីពង្រីកសមត្ថភាពរបស់ប្រព័ន្ធ LoRa ក្នុងការបញ្ជូនរូបភាពពីចម្ងាយ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| MPLR + Channel Reservation ប្រូតូកូល MPLR រួមជាមួយយន្តការបម្រុងទុកប៉ុស្តិ៍បញ្ជូនទិន្នន័យ |
កាត់បន្ថយពេលវេលាបញ្ជូនបានយ៉ាងច្រើន និងកាត់បន្ថយការប៉ះទង្គិចកញ្ចប់ទិន្នន័យ (Packet Collisions) យ៉ាងមានប្រសិទ្ធភាពនៅពេលមានឧបករណ៍ច្រើនបញ្ជូនទិន្នន័យព្រមគ្នា។ | ទាមទារឱ្យមានការរៀបចំប្រព័ន្ធគ្រប់គ្រងប៉ុស្តិ៍ទិន្នន័យ និងប៉ុស្តិ៍បញ្ជាដាច់ដោយឡែកពីគ្នា ដែលបង្កើនភាពស្មុគស្មាញក្នុងការសរសេរកូដ។ | កាត់បន្ថយពេលវេលាបញ្ជូនជាមធ្យម ២៤% ធៀបនឹងវិធីចាស់ និងអាចបញ្ជូនរូបភាពបានជោគជ័យចំនួន ៣៥៣ រូបភាព ធៀបនឹង ១២៣ រូបភាពរបស់វិធីចាស់ នៅក្នុងបណ្តាញដែលមានឧបករណ៍ ២០។ |
| Stop-and-Wait + ALOHA វិធីសាស្ត្រ Stop-and-Wait រួមជាមួយ ALOHA (វិធីសាស្ត្រមូលដ្ឋាន) |
មានភាពសាមញ្ញ ងាយស្រួលក្នុងការអនុវត្ត និងមិនទាមទារការកំណត់ស្មុគស្មាញលើឧបករណ៍សេនស័រ។ | ចំណាយពេលយូរក្នុងការរង់ចាំការបញ្ជាក់ (ACK) ម្តងមួយៗ ហើយងាយរងការរំខាន ឬបាត់បង់ទិន្នន័យនៅពេលបណ្តាញមានចរាចរណ៍ច្រើន។ | នៅពេលមានការបាត់បង់ទិន្នន័យកម្រិត ១០% វិធីសាស្ត្រនេះយឺតជាង MPLR ដល់ទៅ ៤៩% ហើយប្រសិទ្ធភាពធ្លាក់ចុះខ្លាំងនៅពេលមានឧបករណ៍ចាប់ពី ១០ ឡើងទៅ។ |
| MHLR with MLP (Multi-Layer Perceptron) ការកំណត់ផ្លូវ MHLR ដោយប្រើម៉ូដែល Machine Learning ប្រភេទ MLP |
មានសមត្ថភាពខ្ពស់ក្នុងការរៀនសូត្រពីទិន្នន័យប្រវត្តិបញ្ជូន និងអាចទស្សន៍ទាយផ្លូវបញ្ជូនដែលលឿនបំផុតបានយ៉ាងជាក់លាក់។ | ម៉ូដែលតម្រូវឱ្យមានការបង្វឹក (Training) នៅលើម៉ាស៊ីនកុំព្យូទ័រធំៗជាមុន មុននឹងបញ្ជូនម៉ូដែលដែលបានបង្វឹករួចទៅកាន់ឧបករណ៍សេនស័រតូចៗ។ | សម្រេចបានភាពត្រឹមត្រូវចន្លោះពី ៩០.២% ទៅ ៩៥.៣% ក្នុងការទស្សន៍ទាយផ្លូវបញ្ជូនទិន្នន័យល្អបំផុត ទាំងនៅក្នុងមន្ទីរពិសោធន៍ និងការសាកល្បងជាក់ស្តែង។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការរៀបចំប្រព័ន្ធនេះតម្រូវឱ្យមានឧបករណ៍ផ្នែករឹងដែលមានតម្លៃសមរម្យ និងថាមពលកុំព្យូទ័រខ្លះៗសម្រាប់ការបង្វឹកម៉ូដែល Machine Learning ដំបូង។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងមន្ទីរពិសោធន៍ និងតំបន់លំនៅដ្ឋានដែលមានដង់ស៊ីតេទាបក្បែរសាកលវិទ្យាល័យ Saskatchewan ក្នុងប្រទេសកាណាដា ជាមួយនឹងឧបករណ៍ត្រឹមតែ ២០ ប៉ុណ្ណោះ។ សម្រាប់ប្រទេសកម្ពុជា ការអនុវត្តជាក់ស្តែងនៅតាមវាលស្រែ ឬចម្ការធំៗ អាចប្រឈមនឹងបញ្ហាអាកាសធាតុ (ភ្លៀងធ្លាក់ខ្លាំង សំណើមខ្ពស់) ឬការរាំងស្ទះដោយសារព្រៃឈើក្រាស់ៗ ដែលអាចធ្វើឱ្យការបាត់បង់កញ្ចប់ទិន្នន័យ (Packet loss) មានកម្រិតខ្ពស់ជាងនេះ។
ទោះបីជាមានដែនកំណត់ទាក់ទងនឹងបរិស្ថានភូមិសាស្ត្រក៏ដោយ បច្ចេកវិទ្យា LoRa សម្រាប់ការបញ្ជូនរូបភាពនេះមានសក្តានុពលខ្ពស់ណាស់សម្រាប់ប្រទេសកម្ពុជា ជាពិសេសនៅតំបន់ដាច់ស្រយាល។
ជារួម បច្ចេកវិទ្យា MPLR និង MHLR នេះផ្តល់នូវដំណោះស្រាយចំណាយតិច ស៊ីភ្លើងតិច និងអាចជួយជំរុញការអភិវឌ្ឍប្រព័ន្ធតាមដាន IoT ពីចម្ងាយនៅក្នុងប្រទេសកម្ពុជាប្រកបដោយប្រសិទ្ធភាពខ្ពស់។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Chirp Spread Spectrum (CSS) | ជាបច្ចេកទេសបំប្លែងរលកសញ្ញាបញ្ជូនទិន្នន័យ ដែលពង្រីកសញ្ញាទៅក្នុងកម្រិតបញ្ជូន (bandwidth) កាន់តែទូលាយ ដើម្បីធានាថាការបញ្ជូនទិន្នន័យអាចធ្វើទៅបានឆ្ងាយ និងធន់នឹងការរំខានពីសញ្ញាផ្សេងៗក្នុងបរិយាកាស។ | ដូចជាការប្តូរសម្លេងពីទាបទៅខ្ពស់ (ដូចសម្លេងសត្វចាបយំ) ដែលធ្វើឱ្យអ្នកស្តាប់ងាយចំណាំ និងលឺច្បាស់ទោះបីជាមានសំឡេងរំខាននៅជុំវិញក៏ដោយ។ |
| Spreading Factor (SF) | ជារង្វាស់កំណត់កម្រិតនៃការទាញពង្រីករលកសញ្ញា។ កាលណា SF កាន់តែធំ (ឧទាហរណ៍ SF12) ឧបករណ៍អាចបញ្ជូនទិន្នន័យទៅបានកាន់តែឆ្ងាយ និងឆ្លងកាត់ឧបសគ្គបានល្អ ប៉ុន្តែវាបន្ថយល្បឿននៃការបញ្ជូនទិន្នន័យ។ | ដូចជាការនិយាយមួយម៉ាត់ៗយឺតៗនិងច្បាស់ៗ ដើម្បីឱ្យអ្នកស្តាប់នៅឆ្ងាយអាចស្តាប់បានច្បាស់ ប៉ុន្តែវាធ្វើឱ្យខាតពេលយូរក្នុងការនិយាយបញ្ជូនសារឱ្យចប់។ |
| Bit Vector Acknowledgement (BVACK) | ជាយន្តការឆ្លើយតបបញ្ជាក់ការទទួលបានទិន្នន័យ ដោយប្រើកូដប៊ីតតំណាងឱ្យកញ្ចប់ទិន្នន័យនីមួយៗ ដើម្បីរាយការណ៍ប្រាប់ឧបករណ៍បញ្ជូនពីស្ថានភាពនៃកញ្ចប់ទិន្នន័យជាច្រើនក្នុងពេលតែមួយ ជំនួសឱ្យការឆ្លើយតបម្តងមួយៗ។ | ដូចជាគ្រូបង្រៀនអានបញ្ជីវត្តមានរួចសរុបប្រាប់តែម្តងថា (សិស្សលេខ ៣ និងលេខ ៥ អត់មក) ជាជាងសួរសិស្សម្នាក់ៗថាមកឬអត់។ |
| Stop-and-wait ARQ | ជាវិធីសាស្ត្រគ្រប់គ្រងការបញ្ជូនទិន្នន័យ ដែលតម្រូវឱ្យឧបករណ៍បញ្ជូនត្រូវរង់ចាំសារបញ្ជាក់ (ACK) ពីអ្នកទទួលសិន ទើបវាអាចអនុញ្ញាតឱ្យបញ្ជូនកញ្ចប់ទិន្នន័យបន្ទាប់ទៀតបាន។ | ដូចជាការហុចឥដ្ឋតាមដៃឱ្យជាងសំណង់ ដោយអ្នកហុចត្រូវរង់ចាំទាល់តែជាងចាប់ឥដ្ឋបានជាប់សិន ទើបអាចលូកយកឥដ្ឋមួយដុំទៀតមកហុចឱ្យបន្តទៀត។ |
| Pipeline Transmission | ជាដំណើរការបញ្ជូនទិន្នន័យបន្តបន្ទាប់គ្នាឆ្លងកាត់ឧបករណ៍កណ្តាល (Relay) ជាច្រើន ដោយឧបករណ៍កណ្តាលទទួលកញ្ចប់ទិន្នន័យខ្លះហើយបញ្ជូនបន្តភ្លាមៗ ដោយមិនរង់ចាំឱ្យកញ្ចប់ទិន្នន័យទំហំធំទាំងមូលមកដល់គ្រប់ចំនួនទើបបញ្ជូននោះទេ។ | ដូចជាក្រុមមនុស្សឈរជាជួរហុចធុងទឹកពន្លត់អគ្គិភ័យ អ្នកកណ្តាលទទួលធុងទឹកភ្លាមហុចបន្តភ្លាមៗ ដោយមិនបាច់រង់ចាំប្រមូលធុងទឹកឱ្យបានច្រើនសិនទើបហុចនោះទេ។ |
| Multi-Layer Perceptron (MLP) | ជាប្រភេទបណ្តាញសរសៃប្រសាទសិប្បនិម្មិត (Neural Network) ក្នុងម៉ាស៊ីនរៀនសូត្រ (Machine Learning) ដែលមានស្រទាប់កណ្តាល (Hidden Layers) សម្រាប់វិភាគនិងស្វែងរកទម្រង់ទិន្នន័យស្មុគស្មាញ ដើម្បីទស្សន៍ទាយថាតើផ្លូវណាអាចបញ្ជូនទិន្នន័យបានលឿនជាងគេ។ | ដូចជាក្រុមអ្នកជំនាញដែលបែងចែកការងារគ្នាជាតំណាក់កាល ដោយអ្នកទី១មើលលើអាកាសធាតុ អ្នកទី២មើលលើស្ថានភាពផ្លូវ ដើម្បីសម្រេចចិត្តរួមគ្នាថាគួរជ្រើសរើសផ្លូវណាដើម្បីដឹកជញ្ជូនឱ្យលឿនបំផុត។ |
| Packet Collisions | ជាបាតុភូតរំខានដែលកើតឡើងនៅពេលឧបករណ៍ជាច្រើនព្យាយាមបញ្ជូនកញ្ចប់ទិន្នន័យទៅកាន់ប៉ុស្តិ៍ (Channel) តែមួយក្នុងពេលដំណាលគ្នា ធ្វើឱ្យរលកសញ្ញាបុកទង្គិចគ្នា និងបាត់បង់ទិន្នន័យក្នុងពេលបញ្ជូន។ | ដូចជាមនុស្សពីរនាក់និយាយប្រជែងគ្នាក្នុងពេលតែមួយ ធ្វើឱ្យអ្នកស្តាប់ស្តាប់មិនបានន័យ និងត្រូវប្រាប់ឱ្យពួកគេនិយាយឡើងវិញម្តងម្នាក់។ |
| Channel Reservation | ជាយន្តការរៀបចំប្រព័ន្ធបញ្ជូន ដោយបំបែកប៉ុស្តិ៍បញ្ជា (Control Channel) និងប៉ុស្តិ៍ទិន្នន័យ (Data Channel) ដាច់ពីគ្នា ដើម្បីជៀសវាងការដណ្តើមខ្សែយបញ្ជូនរវាងឧបករណ៍សេនស័រជាច្រើននៅពេលពួកវាចង់បញ្ជូនឯកសារធំៗ។ | ដូចជាការតម្រូវឱ្យភ្ញៀវសុំការអនុញ្ញាតពីអ្នកយាមទ្វារ (ប៉ុស្តិ៍បញ្ជា) ជាមុនសិន ទើបអាចចូលទៅប្រើប្រាស់បន្ទប់ប្រជុំផ្ទាល់ខ្លួន (ប៉ុស្តិ៍ទិន្នន័យ) ដើម្បីកុំឱ្យជាន់គ្នា។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
