Original Title: Federated Deep Reinforcement Learning for Energy-Efficient Edge Computing Offloading and Resource Allocation in Industrial Internet
Source: doi.org/10.3390/app13116708
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

ការរៀនស៊ីជម្រៅដោយពង្រឹងបែបសហព័ន្ធសម្រាប់ការផ្ទេរការគណនាជាយបណ្ដាញប្រកបដោយប្រសិទ្ធភាពថាមពល និងការបែងចែកធនធានក្នុងអ៊ីនធឺណិតឧស្សាហកម្ម

ចំណងជើងដើម៖ Federated Deep Reinforcement Learning for Energy-Efficient Edge Computing Offloading and Resource Allocation in Industrial Internet

អ្នកនិពន្ធ៖ Xuehua Li (Beijing Information Science and Technology University), Jiuchuan Zhang (Beijing Information Science and Technology University), Chunyu Pan (Beijing Information Science and Technology University)

ឆ្នាំបោះពុម្ព៖ 2023, Applied Sciences

វិស័យសិក្សា៖ Computer Science

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ ឯកសារនេះដោះស្រាយបញ្ហាការប្រើប្រាស់ថាមពលខ្ពស់នៅក្នុងប្រព័ន្ធទូរស័ព្ទចល័តជាយបណ្ដាញ (Mobile Edge Computing - MEC) នៃរោងចក្រឆ្លាតវៃក្នុងយុគសម័យអ៊ីនធឺណិតឧស្សាហកម្ម ដែលឧបករណ៍ចុងទីមានថាមពលថ្ម និងសមត្ថភាពគណនាមានកម្រិត ហើយត្រូវការដំណោះស្រាយកាត់បន្ថយការចំណាយថាមពលរួមដោយធានាបាននូវភាពសម្ងាត់នៃទិន្នន័យ។

វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានស្នើឡើងនូវក្បួនដោះស្រាយថ្មីមួយឈ្មោះថា IF-DDPG ដែលរួមបញ្ចូលគ្នារវាងការរៀនបែបសហព័ន្ធ (Federated Learning - FL) និងការរៀនស៊ីជម្រៅដោយពង្រឹង (Deep Reinforcement Learning - DRL) ដើម្បីធ្វើឱ្យប្រសើរឡើងនូវការផ្ទេរការគណនា និងការបែងចែកធនធាន។

ការធ្វើគំរូប្រព័ន្ធ និងបញ្ហា (System and Problem Modeling): បង្កើតគំរូគណិតវិទ្យាសម្រាប់ការប្រើប្រាស់ថាមពល ការពន្យារពេល (Delay) ការផ្ទេរទិន្នន័យ និងការគណនាដោយផ្អែកលើដំណើរការសម្រេចចិត្តម៉ាកូវ (Markov Decision Process - MDP)។
ក្បួនដោះស្រាយ IF-DDPG (Industrial Federated Deep Deterministic Policy Gradient): រួមបញ្ចូល DDPG ជាមួយ FL ដើម្បីស្វែងរកយុទ្ធសាស្ត្រផ្ទេរការគណនាល្អបំផុតជាបន្តបន្ទាប់ (Continuous Action Spaces) ដោយរក្សាការសម្ងាត់ទិន្នន័យមូលដ្ឋានរបស់ឧបករណ៍នីមួយៗ។
ការធ្វើមធ្យមភាគសហព័ន្ធ (Federated Averaging): ប្រើប្រាស់ម៉ាស៊ីនមេពពក (Cloud Node) ដើម្បីធ្វើមធ្យមភាគប៉ារ៉ាម៉ែត្របណ្ដាញសរសៃប្រសាទកម្រិតមូលដ្ឋានពីឧបករណ៍ផ្សេងៗគ្នា រួចចែកចាយទៅវិញដើម្បីបង្កើនល្បឿននៃការជួបប្រសព្វ (Convergence)។
ការក្លែងធ្វើ និងការវិភាគ (Simulation and Analysis): វាយតម្លៃដំណើរការនៃក្បួនដោះស្រាយថ្មីដោយប្រើប្រាស់ TensorFlow 2 ប្រៀបធៀបជាមួយក្បួនដោះស្រាយមូលដ្ឋានផ្សេងៗដូចជា DQN, AC, DDQN, និង DDPG ដើម។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

ក្បួនដោះស្រាយ IF-DDPG ដែលបានស្នើឡើងបង្ហាញពីល្បឿននៃការជួបប្រសព្វ (Convergence Speed) លឿនជាង និងមានស្ថិរភាពខ្ពស់ជាងក្បួនដោះស្រាយប្រៀបធៀបផ្សេងទៀត។
បើប្រៀបធៀបជាមួយក្បួនដោះស្រាយ DDPG បែបប្រពៃណី ការប្រើប្រាស់ក្បួន IF-DDPG អាចកាត់បន្ថយការប្រើប្រាស់ថាមពលអប្បបរមាបាន ១៥.២% បើធៀបនឹង DDQN កាត់បន្ថយបាន ៣១.៧% ធៀបនឹង DQN កាត់បន្ថយបាន ៣៨.៧% និងបើធៀបជាមួយ AC គឺកាត់បន្ថយបានដល់ទៅ ៥០.៥%។
ប្រព័ន្ធនេះបង្ហាញពីប្រសិទ្ធភាពខ្ពស់ក្នុងការគ្រប់គ្រងធនធានចម្រុះជាច្រើនវិមាត្រ និងនៅតែរក្សាបានលទ្ធផលល្អប្រសើរ ទោះបីជាមានការកើនឡើងនៃចំនួនម៉ាស៊ីនមេជាយបណ្ដាញ (Edge Servers) ចំនួនឧបករណ៍ចុងទី និងចំនួនខួរក្បាលគណនា (CPU Cores) ក៏ដោយ។

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method)	គុណសម្បត្តិ (Pros)	គុណវិបត្តិ (Cons)	លទ្ធផលគន្លឹះ (Key Result)
IF-DDPG (Industrial Federated Deep Deterministic Policy Gradient) ក្បួនដោះស្រាយ IF-DDPG (វិធីសាស្ត្រស្នើឡើង)	មានល្បឿននៃការជួបប្រសព្វ (Convergence) លឿន និងប្រើប្រាស់ធនធានថាមពលរួមបានយ៉ាងមានប្រសិទ្ធភាពខ្ពស់ទោះបីជាមានការកើនឡើងនៃចំនួនឧបករណ៍ក៏ដោយ។ ទិន្នន័យមានសុវត្ថិភាពតាមរយៈ Federated Learning។	ទោះជាប្រើថាមពលតិច ប៉ុន្តែមិនទាន់អាចឈានដល់កម្រិតល្អបំផុតដាច់ខាត (Global Optimal) ដូចវិធីសាស្ត្រស្វែងរកទាំងស្រុង (Exhaustive Search) នោះទេ។	ប្រើប្រាស់ថាមពលត្រឹមតែ 0.219 J និងចំណាយពេលរត់ក្បួនដោះស្រាយត្រឹម ២៨៣ វិនាទី កាត់បន្ថយការប្រើប្រាស់ថាមពលបាន ១៥.២% បើធៀបនឹង DDPG ប្រពៃណី។
Exhaustive Search Method វិធីសាស្ត្រស្វែងរកទាំងស្រុង	អាចផ្តល់នូវដំណោះស្រាយល្អបំផុតដាច់ខាត (Optimal Solution) ដែលស៊ីថាមពលតិចបំផុតសម្រាប់ប្រព័ន្ធទាំងមូល។	ចំណាយពេលវេលាគណនាយូរខ្លាំងមែនទែន ដែលមិនអាចយកទៅអនុវត្តជាក់ស្តែងបាននៅក្នុងរោងចក្រឆ្លាតវៃឡើយ។	ប្រើប្រាស់ថាមពលតិចបំផុតគឺ 0.178 J ប៉ុន្តែត្រូវចំណាយពេលរត់រហូតដល់ ៣៩៨,០៤៩ វិនាទី។
DDPG (Deep Deterministic Policy Gradient) ក្បួនដោះស្រាយ DDPG ប្រពៃណី	អាចដោះស្រាយបញ្ហាក្នុងលំហសកម្មភាពបន្ត (Continuous Action Space) បានល្អ និងមានយន្តការចងចាំបទពិសោធន៍ (Experience Replay)។	រៀនផ្តាច់មុខដោយឡែកៗពីគ្នា មិនមានការចែករំលែកប៉ារ៉ាម៉ែត្រគ្នាឡើយ ដែលធ្វើឱ្យល្បឿនជួបប្រសព្វយឺត និងប្រសិទ្ធភាពថាមពលទាបជាង IF-DDPG។	ស៊ីថាមពលច្រើនជាង IF-DDPG ប្រមាណ ១៥.២% ក្នុងអំឡុងពេលតេស្តសាកល្បង។
DDQN, DQN, and AC Algorithms ក្បួនដោះស្រាយ DDQN, DQN និង AC	ជាក្បួនដោះស្រាយមូលដ្ឋានងាយស្រួលយល់ និងអនុវត្តសម្រាប់ដោះស្រាយបញ្ហាទូទៅ។	ដំណើរការមិនសូវល្អជាមួយលំហសកម្មភាពបន្ត និងស្មុគស្មាញ (Continuous and Massive Action Spaces) និងជួបបញ្ហាលំបាកក្នុងការបែងចែកធនធាន។	ស៊ីថាមពលច្រើនជាង IF-DDPG រហូតដល់ ៣១.៧% (DDQN), ៣៨.៧% (DQN), និង ៥០.៥% (AC)។

ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះពឹងផ្អែកលើការក្លែងធ្វើ (Simulation) លើកុំព្យូទ័រ PC ទូទៅ ប៉ុន្តែការអនុវត្តជាក់ស្តែងទាមទារនូវហេដ្ឋារចនាសម្ព័ន្ធ Edge Server ពិតប្រាកដ។

Hardware: សម្រាប់ការក្លែងធ្វើ ប្រើប្រាស់កុំព្យូទ័រដែលមាន CPU: AMD Ryzen 7 6800H និង RAM 16 GB។ ការអនុវត្តពិតត្រូវការ Edge Servers និងឧបករណ៍ Industrial Smart Terminals ដែលមាន Multi-core CPU។
Software: ប្រើប្រាស់ TensorFlow 2 សម្រាប់ធ្វើការអភិវឌ្ឍនក្បួនដោះស្រាយបណ្តាញសរសៃប្រសាទសិប្បនិម្មិត (Deep Neural Networks)។
Network Resources: ត្រូវការប្រព័ន្ធទំនាក់ទំនងឥតខ្សែ ដែលមាន Subcarrier Bandwidth ទំហំ 1 MHz និងថាមពលបញ្ជូនពី 1W ដល់ 10W។
Expertise: ទាមទារចំណេះដឹងស៊ីជម្រៅលើ Machine Learning (ជាពិសេស Federated Learning និង Deep Reinforcement Learning) និងចំណេះដឹងផ្នែកគមនាគមន៍ឥតខ្សែ (Wireless Communications)។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះត្រូវបានធ្វើឡើងដោយពឹងផ្អែកទាំងស្រុងលើទិន្នន័យក្លែងធ្វើ (Simulated Data) នៅក្នុងបរិយាកាសទំហំ ១០០x១០០ ម៉ែត្រការ៉េ ដោយកំណត់ប៉ារ៉ាម៉ែត្របណ្តាញរួចជាស្រេច មិនមែនជាទិន្នន័យជាក់ស្តែងពីរោងចក្រពិតនោះទេ។ នេះជាចំណុចខ្វះខាតមួយនៅពេលយកមកអនុវត្តក្នុងបរិយាកាសរោងចក្រពិតនៅកម្ពុជា ដែលអាចមានរចនាសម្ព័ន្ធស្មុគស្មាញ និងបណ្តាញអ៊ីនធឺណិតមិនសូវមានស្ថិរភាព។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

ទោះបីជាបច្ចេកវិទ្យានេះទំនើបខ្លាំង ប៉ុន្តែវាមានសក្តានុពលក្នុងការជួយសន្សំសំចៃថាមពល និងបង្កើនស្វ័យប្រវត្តិកម្មសម្រាប់វិស័យឧស្សាហកម្មនៅកម្ពុជានាពេលអនាគត។

Phnom Penh Special Economic Zone (PPSEZ): អាចប្រើប្រាស់គំរូ Mobile Edge Computing នេះក្នុងរោងចក្រផលិតគ្រឿងអេឡិចត្រូនិក ឬរោងចក្រឆ្លាតវៃ ដើម្បីកាត់បន្ថយការចំណាយលើថាមពលអគ្គិសនីដែលជាកង្វល់ចម្បង។
Garment and Footwear Manufacturing: អាចជួយដល់ខ្សែសង្វាក់ផលិតកម្មដែលប្រើប្រាស់រ៉ូបូតស្វ័យប្រវត្តិ ឬប្រព័ន្ធត្រួតពិនិត្យគុណភាព (QC) ដោយកាមេរ៉ាឆ្លាតវៃ ឱ្យដំណើរការទិន្នន័យបានលឿននិងរក្សាការសម្ងាត់បានល្អ។
Telecom Providers (e.g., Cellcard, Smart Axiata): អាចសិក្សាពីការរៀបចំបែងចែកធនធាន (Resource Allocation) នេះ ដើម្បីពង្រីកសេវាកម្ម 5G សម្រាប់សហគ្រាសឧស្សាហកម្មពាណិជ្ជកម្ម (B2B) នៅកម្ពុជា។

សរុបមក បច្ចេកវិទ្យានេះជាមូលដ្ឋានគ្រឹះដ៏សំខាន់សម្រាប់ប្រទេសកម្ពុជាក្នុងការត្រៀមខ្លួនផ្លាស់ប្តូរទៅកាន់យុគសម័យឧស្សាហកម្ម ៤.០ (Industry 4.0) តាមរយៈការប្រើប្រាស់ធនធានឌីជីថលនិងថាមពលប្រកបដោយប្រសិទ្ធភាព។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

សិក្សាមូលដ្ឋានគ្រឹះនៃ Reinforcement Learning: ចាប់ផ្តើមរៀនពីទ្រឹស្តី Markov Decision Process (MDP) និងសាកល្បងសរសេរកូដក្បួនដោះស្រាយ Q-Learning ជាមូលដ្ឋានដោយប្រើប្រាស់ Python និង OpenAI Gym។
ស្វែងយល់ពីចំណុចស្នូលនៃ DDPG: ចូលទៅកាន់ការសិក្សាពី Deep Deterministic Policy Gradient សម្រាប់ដោះស្រាយបញ្ហា Continuous Action Space ដោយប្រើប្រាស់បណ្ណាល័យ TensorFlow 2 ឬ PyTorch។
អនុវត្តគំរូយន្តការ Federated Learning (FL): សិក្សាពីរបៀបដែលម៉ាស៊ីនច្រើនអាចរៀនរួមគ្នា (Collaborative Learning) ដោយមិនចាំបាច់បញ្ជូនទិន្នន័យផ្ទៃក្នុង តាមរយៈការសាកល្បងប្រើប្រាស់ TensorFlow Federated (TFF)។
បង្កើតបរិស្ថានក្លែងធ្វើ (Simulation Environment): សាកល្បងបង្កើតបរិស្ថានក្លែងធ្វើធនធានបណ្តាញ និងការផ្ទេរការគណនា (Computation Offloading) ដោយប្រើប្រាស់ SimPy ឬ EdgeCloudSim ដើម្បីរៀបចំប៉ារ៉ាម៉ែត្រដូចជា Bandwidth និង Delay។
រួមបញ្ចូល និងអភិវឌ្ឍក្បួនដោះស្រាយ IF-DDPG: អនុវត្តការបញ្ចូលគ្នាវាង DDPG ជាមួយយន្តការ Federated Averaging ដើម្បីបង្កើតជាក្បួន IF-DDPG រួចប្រៀបធៀបប្រសិទ្ធភាពថាមពលរបស់វាជាមួយនឹង Baseline Models នៅក្នុងបរិស្ថានដែលបានក្លែងធ្វើ។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស	ការពន្យល់ជាខេមរភាសា (Khmer Explanation)	និយមន័យសាមញ្ញ (Simple Definition)
Mobile Edge Computing (MEC)	គឺជាការនាំយកសមត្ថភាពផ្ទុក និងគណនាទិន្នន័យឱ្យមកនៅកៀកនឹងឧបករណ៍ប្រើប្រាស់ (ឧទាហរណ៍៖ ដំឡើងម៉ាស៊ីនមេនៅតាមបង្គោលអង់តែន) ដើម្បីជួយកាត់បន្ថយពេលវេលារង់ចាំ (Latency) និងសន្សំសំចៃថាមពលក្នុងការបញ្ជូនទិន្នន័យទៅកាន់ម៉ាស៊ីនមេ Cloud ដែលនៅឆ្ងាយៗ។	ដូចជាការបើកសាខាផ្សារទំនើបតូចៗនៅក្បែរផ្ទះអ្នក ដើម្បីឱ្យអ្នកអាចទិញអីវ៉ាន់បានលឿននិងមិនអស់សោហ៊ុយធ្វើដំណើរឆ្ងាយ ជំនួសឱ្យការធ្វើដំណើរទៅផ្សារធំនៅកណ្តាលក្រុង។
Federated Learning (FL)	ជាយន្តការបណ្តុះបណ្តាលបញ្ញាសិប្បនិម្មិត (AI) បែបវិមជ្ឈការ ដែលអនុញ្ញាតឱ្យឧបករណ៍នីមួយៗរៀនពីទិន្នន័យមូលដ្ឋានដោយខ្លួនឯង រួចបញ្ជូនតែលទ្ធផលនៃការរៀនសូត្រ (ប៉ារ៉ាម៉ែត្រម៉ូដែល) ទៅកាន់ម៉ាស៊ីនមេកណ្តាលដោយមិនចាំបាច់បញ្ជូនទិន្នន័យផ្ទាល់ខ្លួនឡើយ ដែលជួយធានាសុវត្ថិភាពនិងឯកជនភាព។	ដូចជាសិស្សជាច្រើននាក់រៀនមេរៀនរៀងៗខ្លួននៅផ្ទះ រួចយកតែចំណេះដឹងឬរូបមន្តដែលរកឃើញមកចែករំលែកគ្នាធ្វើជាសៀវភៅរួមមួយ ដោយមិនចាំបាច់ប្រាប់ពីសៀវភៅកំណត់ហេតុផ្ទាល់ខ្លួនឡើយ។
Computation Offloading	គឺជាដំណើរការនៃការរុញបញ្ជូនការងារ ឬកិច្ចការគណនាស្មុគស្មាញពីឧបករណ៍ចុងទី (Terminal Devices) ដែលមានថាមពលថ្មនិងកម្លាំងម៉ាស៊ីនខ្សោយ ទៅឱ្យម៉ាស៊ីនមេជាយបណ្តាញ (Edge Server) ដែលមានកម្លាំងខ្លាំងជាងជួយធ្វើជំនួស។	ដូចជាពេលអ្នកមានលំហាត់គណិតវិទ្យាពិបាកខ្លាំង អ្នកសម្រេចចិត្តពឹងលោកគ្រូ ឬមិត្តភក្តិដែលរៀនពូកែជាងឱ្យជួយគិតជំនួស ដើម្បីសន្សំកម្លាំងខួរក្បាល និងពេលវេលារបស់អ្នក។
Deep Deterministic Policy Gradient (DDPG)	ជាក្បួនដោះស្រាយនៃម៉ាស៊ីនរៀន (Machine Learning) ដែលប្រើប្រាស់បណ្តាញសរសៃប្រសាទសិប្បនិម្មិតពីរទន្ទឹមគ្នា (មួយជាតួអង្គប្រតិបត្តិ និងមួយទៀតជាអ្នកវាយតម្លៃ) ដើម្បីជួយប្រព័ន្ធកុំព្យូទ័រឱ្យចេះសម្រេចចិត្តបានល្អបំផុតនៅក្នុងស្ថានភាពដែលមានជម្រើសមិនដាច់ (Continuous Action Spaces) ។	ដូចជាការហ្វឹកហាត់កីឡាករ (តួអង្គប្រតិបត្តិ) ដោយមានគ្រូបង្វឹក (អ្នកវាយតម្លៃ) តាមរិះគន់និងកែតម្រូវរាល់សកម្មភាពជានិច្ច រហូតទាល់តែកីឡាករនោះអាចលេងបានល្អឥតខ្ចោះ។
Markov Decision Process (MDP)	ជាទម្រង់គណិតវិទ្យាសម្រាប់ធ្វើគំរូពីការសម្រេចចិត្តជាជំហានៗ ដែលកុំព្យូទ័រត្រូវសង្កេតមើលស្ថានភាពបច្ចុប្បន្ន (State) ជ្រើសរើសសកម្មភាព (Action) និងទទួលបានរង្វាន់ (Reward) ដើម្បីស្វែងរកយុទ្ធសាស្ត្រដែលចំណេញបំផុត។	ដូចជាការលេងអុក ដែលការដើរគ្រាប់អុកនីមួយៗធ្វើឱ្យទម្រង់ក្តារអុកប្រែប្រួល ហើយបើអ្នកស៊ីខ្នែងគេបាន អ្នកនឹងបានពិន្ទុ ដែលជំរុញឱ្យអ្នកចេះរៀបចំយុទ្ធសាស្ត្រដើរលើកក្រោយទៀត។
Deep Reinforcement Learning (DRL)	គឺជាការរួមបញ្ចូលគ្នារវាងការរៀនស៊ីជម្រៅ (Deep Learning) និងការរៀនដោយពង្រឹង (Reinforcement Learning) ដែលអនុញ្ញាតឱ្យប្រព័ន្ធកុំព្យូទ័ររៀនធ្វើការសម្រេចចិត្តឆ្លាតវៃដោយខ្លួនឯង តាមរយៈការសាកល្បងចុះឡើង និងការទទួលបានរង្វាន់លើកទឹកចិត្តក្នុងបរិស្ថានស្មុគស្មាញ។	ដូចជាការបង្ហាត់សត្វឆ្កែឱ្យចេះធ្វើសៀក ដោយឱ្យចំណីវារាល់ពេលវាធ្វើត្រូវ និងឱ្យវាសាកល្បងរហូតទាល់តែវាចាំទម្លាប់នោះដោយខ្លួនឯង។
Experience Replay	ជាយន្តការបណ្តុះបណ្តាលដែលប្រព័ន្ធ AI ធ្វើការរក្សាទុកបទពិសោធន៍ចាស់ៗ (ស្ថានភាព សកម្មភាព និងលទ្ធផល) ទៅក្នុងឃ្លាំងផ្ទុកទិន្នន័យ រួចទាញយកវាមកអានឬរៀនឡើងវិញដោយចៃដន្យ ដើម្បីជៀសវាងការរៀនទន្ទេញតែទិន្នន័យជាប់ៗគ្នា និងបង្កើនស្ថិរភាពនៃម៉ូដែល។	ដូចជាការកត់ត្រាកំហុសនិងភាពជោគជ័យពីអតីតកាលចូលក្នុងសៀវភៅកំណត់ហេតុ រួចឧស្សាហ៍បើកអានទំព័រចៃដន្យឡើងវិញជារឿយៗ ដើម្បីរំលឹកខ្លួនឯងកុំឱ្យធ្វើខុសម្តងទៀត។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖