បញ្ហា (The Problem)៖ កំណើននៃការប្រើប្រាស់ទិន្នន័យ និងសេវាកម្មអ៊ីនធឺណិតទាមទារសមត្ថភាពគណនាខ្ពស់ ប៉ុន្តែធនធាននៅតំបន់គែមបណ្តាញ (Edge Network) មានកម្រិត ដែលទាមទារឱ្យមានការគ្រប់គ្រងប្រកបដោយភាពឆ្លាតវៃដើម្បីកាត់បន្ថយការប្រើប្រាស់ថាមពល និងពង្រឹងគុណភាពសេវាកម្ម។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានស្នើឡើងនូវគំរូនៃបណ្តាញគែមនិម្មិត (Virtualized Edge Network) ដោយប្រើប្រាស់ក្បួនដោះស្រាយ Reinforcement Learning ដើម្បីរៀន និងបែងចែកធនធានដោយស្វ័យប្រវត្តិ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Non-cache Edge Network បណ្តាញគែមដែលគ្មានការរក្សាទុកទិន្នន័យ (រាល់សំណើត្រូវបានបញ្ជូនទៅ Cloud) |
ងាយស្រួលក្នុងការអនុវត្តដោយមិនទាមទារឱ្យមានឧបករណ៍ផ្ទុកទិន្នន័យនៅតាមថ្នាំង (Edge Nodes)។ | ប្រើប្រាស់ថាមពលច្រើនសម្រាប់ការបញ្ជូនទិន្នន័យ និងមានរយៈពេលរង់ចាំ (Latency) យូរ។ | មានប្រសិទ្ធភាពថាមពលទាបបំផុត និងចំណាយពេលបញ្ជូនទិន្នន័យយូរបំផុត។ |
| Prediction-based Cache Policy គោលនយោបាយរក្សាទុកទិន្នន័យដោយផ្អែកលើការទស្សន៍ទាយ (ប្រើប្រាស់ស្ថិតិប្រជាប្រិយភាព) |
មានប្រសិទ្ធភាពជាងការមិនមាន Cache ដោយកាត់បន្ថយការបញ្ជូនទៅ Cloud សម្រាប់មាតិកាពេញនិយម។ | មិនអាចបត់បែនតាមស្ថានភាពជាក់ស្តែងបានល្អដូច Q-learning ជាពិសេសនៅពេលឥរិយាបថអ្នកប្រើប្រាស់ផ្លាស់ប្តូរលឿន។ | មានប្រសិទ្ធភាពថាមពលទាបជាងវិធីសាស្ត្រ Q-learning នៅពេលដែលចំនួនថ្នាំងបញ្ជូនបន្ត (Relay Nodes) មានលើសពី ២។ |
| Q-learning Cache Policy (Proposed) គោលនយោបាយរក្សាទុកទិន្នន័យដោយប្រើប្រាស់ Q-learning (Reinforcement Learning) |
អាចរៀននិងសម្របខ្លួនដោយស្វ័យប្រវត្តិទៅនឹងបរិយាកាសបណ្តាញ ដើម្បីបែងចែកធនធានប្រកបដោយប្រសិទ្ធភាព។ | ទាមទារការបណ្តុះបណ្តាលម៉ូដែល (Training) នៅលើ Cloud និងត្រូវការពេលវេលាដើម្បីឱ្យម៉ូដែលរៀនពីស្ថានភាពបណ្តាញ។ | ផ្តល់ប្រសិទ្ធភាពថាមពលខ្ពស់បំផុត និងបង្កើន Throughput នៅពេលបណ្តាញមានភាពស្មុគស្មាញ (Relays > 2)។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តវិធីសាស្ត្រនេះទាមទារឱ្យមានការសហការគ្នារវាង Cloud (សម្រាប់ការបណ្តុះបណ្តាលម៉ូដែលធំៗ) និង Edge Nodes (សម្រាប់ការអនុវត្តជាក់ស្តែង)។
ការសិក្សានេះប្រើប្រាស់ការធ្វើពិសោធន៍បែប Simulation ជាមួយនឹងអ្នកប្រើប្រាស់ចំនួន ២០នាក់ និងថ្នាំងបណ្តាញមួយចំនួនតូច ដោយមិនបានប្រើប្រាស់ទិន្នន័យចរាចរណ៍ជាក់ស្តែងពីបណ្តាញទូរគមនាគមន៍ពិតប្រាកដទេ។ សម្រាប់កម្ពុជា នេះជាចំណុចសំខាន់ព្រោះហេដ្ឋារចនាសម្ព័ន្ធជាក់ស្តែងអាចមានភាពរអាក់រអួល ឬកម្រិតថាមពលមិនដូចក្នុងលក្ខខណ្ឌពិសោធន៍។
វិធីសាស្ត្រនេះមានសារៈប្រយោជន៍ខ្ពស់សម្រាប់ប្រតិបត្តិករទូរគមនាគមន៍នៅកម្ពុជាក្នុងការកាត់បន្ថយថ្លៃដើមប្រតិបត្តិការ និងបង្កើនល្បឿនអ៊ីនធឺណិត។
វាជាយុទ្ធសាស្ត្រដ៏ល្អសម្រាប់អនាគតនៃបណ្តាញ 5G នៅកម្ពុជា ប៉ុន្តែទាមទារឱ្យមានការវិនិយោគលើហេដ្ឋារចនាសម្ព័ន្ធ Edge Computing និង SDN ជាមុនសិន។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Mobile Edge Computing (MEC) | ជាបច្ចេកវិទ្យាដែលនាំយកសមត្ថភាពគណនា និងការផ្ទុកទិន្នន័យពី Cloud (ដែលនៅឆ្ងាយ) មកដាក់នៅជិតអ្នកប្រើប្រាស់បំផុត (ដូចជាបង្គោលអង់តែន) ដើម្បីកាត់បន្ថយពេលវេលារង់ចាំ (Latency) និងសន្សំសំចៃ Bandwidth។ | ដូចជាការមានបណ្ណាល័យតូចមួយនៅក្នុងភូមិរបស់អ្នក ជំនួសឱ្យការធ្វើដំណើរទៅបណ្ណាល័យជាតិនៅរាជធានីរាល់ពេលដែលអ្នកចង់ខ្ចីសៀវភៅ។ |
| Reinforcement Learning (RL) | ជាប្រភេទនៃបញ្ញាសិប្បនិម្មិត (AI) ដែលកម្មវិធីកុំព្យូទ័ររៀនធ្វើការសម្រេចចិត្តដោយខ្លួនឯងតាមរយៈការសាកល្បងត្រូវ និងខុស (Trial and Error) ដោយទទួលបានពិន្ទុរង្វាន់នៅពេលធ្វើត្រូវ និងពិន្ទុពិន័យនៅពេលធ្វើខុស។ | ដូចជាការបង្វឹកសត្វចិញ្ចឹម ដោយផ្តល់ចំណីនៅពេលវាធ្វើត្រូវ និងមិនផ្តល់អ្វីសោះនៅពេលវាធ្វើខុស រហូតទាល់តែវាចេះធ្វើតាមបញ្ជា។ |
| Edge Caching | ជាយុទ្ធសាស្ត្ររក្សាទុកទិន្នន័យដែលអ្នកប្រើប្រាស់ឧស្សាហ៍ត្រូវការ (ដូចជាវីដេអូពេញនិយម) នៅលើឧបករណ៍គែមបណ្តាញ ដើម្បីឱ្យអ្នកប្រើប្រាស់អាចទាញយកបានភ្លាមៗដោយមិនចាំបាច់ទៅយកពី Server ដើមដែលនៅឆ្ងាយ។ | ដូចជាហាងលក់ចាប់ហួយដែលដាក់ភេសជ្ជៈលក់ដាច់បំផុតនៅក្នុងទូទឹកកកខាងមុខ ដើម្បីឱ្យអតិថិជនងាយយក ដោយមិនបាច់ចូលទៅយកក្នុងឃ្លាំងក្រោយហាងរាល់ពេល។ |
| Software-Defined Networks (SDN) | ជាការគ្រប់គ្រងបណ្តាញដោយបំបែកផ្នែកបញ្ជា (Control Plane - ខួរក្បាល) ចេញពីផ្នែកបញ្ជូនទិន្នន័យ (Data Plane - សាច់ដុំ) ដែលអនុញ្ញាតឱ្យអ្នកគ្រប់គ្រងអាចកំណត់ផ្លូវទិន្នន័យយ៉ាងបត់បែនតាមរយៈកម្មវិធីកុំព្យូទ័រ។ | ដូចជាប៉ូលិសចរាចរណ៍ដែលបញ្ជាភ្លើងស្តុបពីមជ្ឈមណ្ឌលបញ្ជាតែមួយ ជំនួសឱ្យការដើរទៅកែភ្លើងស្តុបនៅគ្រប់ផ្លូវបំបែកដោយផ្ទាល់។ |
| Network Function Virtualization (NFV) | ជាបច្ចេកវិទ្យាដែលអនុញ្ញាតឱ្យមុខងារបណ្តាញ (ដូចជា Firewall ឬ Router) ដំណើរការជាកម្មវិធី (Software) នៅលើកុំព្យូទ័រធម្មតា ជំនួសឱ្យការប្រើប្រាស់ឧបករណ៍រឹង (Hardware) ថ្លៃៗដាច់ដោយឡែក។ | ដូចជាការដំឡើងកម្មវិធីម៉ាស៊ីនគិតលេខ កាមេរ៉ា និងវិទ្យុនៅលើទូរស័ព្ទដៃតែមួយ ជំនួសឱ្យការដាក់តាមខ្លួននូវឧបករណ៍ទាំងបីដាច់ដោយឡែកពីគ្នា។ |
| Q-learning | ជាក្បួនដោះស្រាយមួយរបស់ Reinforcement Learning ដែលភ្នាក់ងារ (Agent) រៀនពីតម្លៃនៃសកម្មភាពនីមួយៗក្នុងស្ថានភាពជាក់លាក់ ដើម្បីបង្កើតជាតារាងមួយ (Q-table) សម្រាប់ជ្រើសរើសផ្លូវដែលល្អបំផុតនៅពេលក្រោយ។ | ដូចជាការលេងហ្គេមហើយកត់ត្រាទុកក្នុងសៀវភៅថា តើដើរផ្លូវណាបានពិន្ទុច្រើនជាងគេ ដើម្បីទុកលេងឱ្យឈ្នះនៅវគ្គក្រោយ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
