បញ្ហា (The Problem)៖ កម្មវិធីដែលទាមទារភាពយឺតយ៉ាវទាបនៅក្នុងបរិស្ថាន Mobile Edge Computing (MEC) ជួបប្រទះនឹងបញ្ហាប្រឈមដោយសារភាពមិនច្បាស់លាស់នៃកិច្ចការ និងបណ្តាញឥតខ្សែដែលប្រែប្រួលតាមពេលវេលា ដែលធ្វើឱ្យឧបករណ៍ចល័តពិបាកក្នុងការសម្រេចចិត្តផ្ទេរការគណនាឱ្យបានល្អប្រសើរ ព្រមទាំងប្រឈមនឹងការលេចធ្លាយឯកជនភាពទិន្នន័យ។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានស្នើឡើងនូវវិធីសាស្ត្រ FDRT ដែលរួមបញ្ចូលគ្នានូវការរៀនសហព័ន្ធ (Federated Learning) និងការរៀនពង្រឹងស៊ីជម្រៅ (Deep Reinforcement Learning) ដោយប្រើប្រាស់ភ្នាក់ងារពីរប្រភេទដើម្បីធ្វើឱ្យប្រសើរឡើងនូវការផ្ទេរការគណនា និងការពារឯកជនភាពទិន្នន័យ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| FDRT (Proposed) ការបណ្តុះបណ្តាលដោយប្រើការរៀនសហព័ន្ធ (Federated Learning) លើភ្នាក់ងារពីរប្រភេទ |
ការពារឯកជនភាពទិន្នន័យ កាត់បន្ថយបន្ទុកបញ្ជូនទិន្នន័យក្នុងបណ្តាញ និងមានល្បឿននៃការបញ្ចូលគ្នាក្នុងការបណ្តុះបណ្តាល (Convergence) លឿន។ | ទាមទារឱ្យមានការរៀបចំរចនាសម្ព័ន្ធបណ្តាញ MEC ស្មុគស្មាញ និងការធ្វើសមកាលកម្មរវាងម៉ាស៊ីនមេ។ | កាត់បន្ថយពេលវេលាបណ្តុះបណ្តាលបាន ៦១.៧% (61.7%) និងកាត់បន្ថយការពន្យារពេលការអនុវត្តកិច្ចការបន្ថែម ២.៨% បើធៀបនឹង DRT។ |
| DRT (Proposed DRL) ការរៀនពង្រឹងស៊ីជម្រៅ (DRL) ដោយប្រើភ្នាក់ងារពីរប្រភេទ (DDQN និង D3QN) |
ស្វែងរកការសម្រេចចិត្តបានល្អបំផុតដោយពិចារណាលើធនធានម៉ាស៊ីនមេ MEC ទាំងអស់ ដែលជួយកាត់បន្ថយភាពយឺតយ៉ាវយ៉ាងមានប្រសិទ្ធភាព។ | ត្រូវការបញ្ជូនទិន្នន័យច្រើនសម្រាប់ការបណ្តុះបណ្តាល ដែលអាចបង្កឱ្យមានការយឺតយ៉ាវក្នុងការសម្រេចចិត្ត ប្រសិនបើមិនមានប្រើ FL។ | កាត់បន្ថយការពន្យារពេលការអនុវត្តកិច្ចការជាមធ្យមបានរហូតដល់ជាង ៥០% (50%) បើប្រៀបធៀបជាមួយវិធីសាស្ត្រទំនើបៗផ្សេងទៀត។ |
| SMDA / OMSA វិធីសាស្ត្រប្រើភ្នាក់ងារតែមួយ (Single Agent DRL) សម្រាប់ឧបករណ៍ចល័ត ឬម៉ាស៊ីនមេ MEC |
មានភាពសាមញ្ញជាងក្នុងការរៀបចំភ្នាក់ងារតែមួយនៅកន្លែងណាមួយជាក់លាក់។ | មិនអាចទាញយកអត្ថប្រយោជន៍ពេញលេញពីធនធានទាំងអស់នៅក្នុងប្រព័ន្ធ MEC ទាំងមូលបានទេ និងមានទំហំសកម្មភាព (Action space) ធំពេក។ | មានការពន្យារពេលយូរជាង DRT ចំនួន ៨.០% (សម្រាប់ SMDA) និង ៥០.៣% (សម្រាប់ OMSA)។ |
| MDL (Baseline) ការគណនានៅលើឧបករណ៍ចល័តផ្ទាល់ (Local Computing Only) |
មិនត្រូវការបញ្ជូនទិន្នន័យតាមបណ្តាញឥតខ្សែ ជៀសវាងការពន្យារពេលបញ្ជូន និងគ្មានហានិភ័យឯកជនភាព។ | ឧបករណ៍ចល័តមានកម្លាំងគណនាខ្សោយ ដែលធ្វើឱ្យការអនុវត្តកិច្ចការមានភាពយឺតយ៉ាវខ្លាំង។ | ទទួលបានលទ្ធផលអាក្រក់បំផុតដោយមានការពន្យារពេលការអនុវត្តកិច្ចការជាមធ្យម ៨.៤៤៥ មីលីវិនាទី (ms)។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះប្រើប្រាស់ការក្លែងធ្វើ (Simulation) តាមរយៈកុំព្យូទ័រម៉ាស៊ីនមេ (Server) ដែលមានសមត្ថភាពខ្ពស់ ដើម្បីដំណើរការម៉ូដែលបណ្តាញសរសៃប្រសាទ (Neural Networks) សម្រាប់ការរៀនពង្រឹងស៊ីជម្រៅ។
ការសិក្សានេះពឹងផ្អែកទាំងស្រុងលើបរិស្ថានក្លែងធ្វើ (Simulated Environment) ដោយប្រើប៉ារ៉ាម៉ែត្របណ្តាញ 5G និងគំរូចលនាអ្នកប្រើប្រាស់តាមទ្រឹស្តីនៅក្នុងតំបន់ទីក្រុងមានអគារច្រើន។ សម្រាប់ប្រទេសកម្ពុជា ការក្លែងធ្វើយ៉ាងល្អឥតខ្ចោះនេះអាចនឹងខុសពីការពិត ដោយសារហេដ្ឋារចនាសម្ព័ន្ធបណ្តាញ 5G មិនទាន់មានភាពទូលំទូលាយ និងល្បឿនអ៊ីនធឺណិតមានការប្រែប្រួលខ្លាំងរវាងតំបន់ទីក្រុងនិងជនបទ។
ទោះបីជាផ្អែកលើការក្លែងធ្វើក៏ដោយ វិធីសាស្ត្រនេះមានសក្តានុពលខ្ពស់សម្រាប់គម្រោងអភិវឌ្ឍន៍ទីក្រុងឆ្លាតវៃ (Smart City) និងប្រព័ន្ធទូរគមនាគមន៍ជំនាន់ថ្មីនៅកម្ពុជា។
ការទាញយកអត្ថប្រយោជន៍ពីក្របខ័ណ្ឌនេះនៅកម្ពុជាទាមទារឱ្យមានការវិនិយោគជាមុនលើហេដ្ឋារចនាសម្ព័ន្ធ 5G និងម៉ាស៊ីនមេ MEC ប៉ុន្តែវានឹងផ្តល់ផលចំណេញយ៉ាងធំធេងដល់គុណភាពសេវាកម្មឌីជីថល និងសុវត្ថិភាពទិន្នន័យក្នុងរយៈពេលវែង។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Mobile Edge Computing (MEC) | បច្ចេកវិទ្យានេះនាំយកសមត្ថភាពគណនា និងការស្តុកទិន្នន័យមកដាក់នៅក្បែរអ្នកប្រើប្រាស់ (ឧទាហរណ៍ នៅតាមស្ថានីយ៍បង្គោលអង់តែន) ជំនួសឱ្យការបញ្ជូនទិន្នន័យទាំងអស់ទៅកាន់ម៉ាស៊ីនមេកណ្តាលដ៏ឆ្ងាយ ដើម្បីកាត់បន្ថយការពន្យារពេល និងការកកស្ទះបណ្តាញ។ | ដូចជាការបើកសាខាផ្សារទំនើបនៅជិតផ្ទះរបស់អ្នក ដើម្បីឱ្យអ្នកអាចទិញទំនិញបានលឿន ដោយមិនបាច់ធ្វើដំណើរទៅកាន់ទីស្នាក់ការកណ្តាលដ៏ឆ្ងាយ។ |
| Computation Offloading | គឺជាដំណើរការនៃការបញ្ជូនកិច្ចការគណនាធំៗ ឬស្មុគស្មាញពីឧបករណ៍ចល័តដែលមានកម្លាំងខ្សោយ ទៅឱ្យម៉ាស៊ីនមេក្បែរនោះ ឬម៉ាស៊ីនមេលើក្លោដ (Cloud) ជាអ្នកគណនាជំនួស ដើម្បីសន្សំសំចៃថ្មទូរស័ព្ទ និងបង្កើនល្បឿនដំណើរការ។ | ដូចជាការជួលជាងជំនាញឱ្យជួសជុលរថយន្តរបស់អ្នក ជំនួសឱ្យការចំណាយពេលនិងកម្លាំងជួសជុលវាដោយខ្លួនឯងដែលមិនមានឧបករណ៍គ្រប់គ្រាន់។ |
| Federated Learning (FL) | វិធីសាស្ត្របណ្តុះបណ្តាលបញ្ញាសិប្បនិម្មិត (AI) ដោយអនុញ្ញាតឱ្យឧបករណ៍នីមួយៗរៀនពីទិន្នន័យផ្ទាល់ខ្លួន រួចបញ្ជូនតែលទ្ធផលនៃការរៀន (ប៉ារ៉ាម៉ែត្រម៉ូដែល) ទៅកាន់ម៉ាស៊ីនមេ ដើម្បីបូកបញ្ចូលគ្នា ដោយមិនចាំបាច់បញ្ជូនទិន្នន័យឯកជនឆៅចេញក្រៅឡើយ។ | ដូចជាសិស្សម្នាក់ៗធ្វើលំហាត់រៀងៗខ្លួននៅផ្ទះ ហើយប្រាប់តែចម្លើយសរុបទៅគ្រូ ដោយមិនបាច់ប្រគល់ក្រដាសព្រាងរបស់ពួកគេឡើយ ដើម្បីការពារការលួចមើល។ |
| Deep Reinforcement Learning (DRL) | ការបំពាក់ប្រព័ន្ធបណ្តាញសរសៃប្រសាទសិប្បនិម្មិតទៅក្នុងភ្នាក់ងារ AI ដើម្បីឱ្យវាចេះរៀនសម្រេចចិត្តតាមរយៈការសាកល្បង (ខុសនិងត្រូវ) ព្រមទាំងទទួលបានរង្វាន់នៅពេលធ្វើត្រូវ ដែលជួយឱ្យវាដោះស្រាយបញ្ហាប្រែប្រួលស្មុគស្មាញបានយ៉ាងល្អ។ | ដូចជាការបង្ហាត់សត្វឆ្កែឱ្យចេះចាប់បាល់ ដោយផ្តល់នំចំណីជារង្វាន់ដល់វារាល់ពេលដែលវាធ្វើបានល្អ។ |
| Double Deep Q-Network (DDQN) | ជាក្បួនរៀនពង្រឹងស៊ីជម្រៅ (DRL) ដែលប្រើប្រាស់បណ្តាញសរសៃប្រសាទពីរផ្សេងគ្នា (មួយសម្រាប់ជ្រើសរើសសកម្មភាព និងមួយទៀតសម្រាប់វាយតម្លៃ) ដើម្បីការពារកុំឱ្យភ្នាក់ងារធ្វើការវាយតម្លៃតម្លៃនៃសកម្មភាពណាមួយខ្ពស់ហួសពីការពិត។ | ដូចជាការមានទីប្រឹក្សាពីរនាក់គឺ ម្នាក់ជាអ្នកស្នើគម្រោង និងម្នាក់ទៀតជាអ្នកវាយតម្លៃគម្រោងនោះ ដើម្បីធានាថាមិនមានការយល់ច្រឡំ ឬវាយតម្លៃលើសពីការពិត។ |
| Dueling DDQN (D3QN) | ជាទម្រង់អភិវឌ្ឍន៍បន្តពី DDQN ដែលបំបែកការគណនាតម្លៃនៃស្ថានភាពបច្ចុប្បន្ន និងអត្ថប្រយោជន៍នៃសកម្មភាពនីមួយៗដាច់ពីគ្នា ដែលស័ក្តិសមបំផុតសម្រាប់ប្រព័ន្ធដែលមានជម្រើសសកម្មភាពច្រើនសន្ធឹកសន្ធាប់។ | ដូចជាការបែងចែកការគិតជាពីរផ្នែកគឺ មើលថាស្ថានភាពសេដ្ឋកិច្ចបច្ចុប្បន្នល្អកម្រិតណា ហើយការសម្រេចចិត្តវិនិយោគនីមួយៗនឹងផ្តល់ប្រាក់ចំណេញបន្ថែមប៉ុន្មាន។ |
| Markov Decision Process (MDP) | ជាក្របខ័ណ្ឌគណិតវិទ្យាដែលប្រើសម្រាប់រៀបចំទម្រង់នៃបញ្ហា ដើម្បីឱ្យភ្នាក់ងារ AI អាចរៀនសម្រេចចិត្តជាជំហានៗ អាស្រ័យលើស្ថានភាពបច្ចុប្បន្ន សកម្មភាព និងរង្វាន់ដែលទទួលបាន ដោយពុំចាំបាច់ពឹងផ្អែកលើប្រវត្តិអតីតកាល។ | ដូចជាការលេងអុក ដែលការដើរកូននីមួយៗពឹងផ្អែកតែលើទីតាំងកូនអុកបច្ចុប្បន្ននៅលើក្តារប៉ុណ្ណោះ មិនមែនពឹងផ្អែកលើទម្រង់ដើរពី១០វគ្គមុននោះទេ។ |
| Orthogonal Frequency Division Multiplexing (OFDM) | ជាបច្ចេកទេសបំបែករលកសញ្ញាបញ្ជូនទិន្នន័យជាប្រេកង់តូចៗដាច់ដោយឡែកពីគ្នា ដើម្បីចាត់តាំងឱ្យឧបករណ៍ផ្សេងៗគ្នាប្រើប្រាស់ ដែលជួយកាត់បន្ថយការជ្រៀតជ្រែករលកសញ្ញាគ្នាទៅវិញទៅមកក្នុងបណ្តាញឥតខ្សែ (ដូចជា 5G)។ | ដូចជាការគូសគំនូសបែងចែកគន្លងផ្លូវ (Lanes) នៅលើមហាវិថីដ៏ធំមួយ ដើម្បីឱ្យរថយន្តជាច្រើនបើកបរស្របគ្នាដោយមិនប៉ះទង្គិចគ្នា។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
