បញ្ហា (The Problem)៖ ការស្រាវជ្រាវនេះដោះស្រាយបញ្ហាប្រឈមនៃការតភ្ជាប់ខ្សោយ ការប្រើប្រាស់ថាមពលខ្ពស់ និងអាយុកាលថ្មមានកំណត់នៅក្នុងបណ្តាញឥតខ្សែដែលដំណើរការដោយយន្តហោះគ្មានមនុស្សបើក (UAVs) និង Mobile Edge Computing (MEC) ក្នុងបរិយាកាសដែលមានភាពប្រែប្រួលខ្ពស់។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកនិពន្ធស្នើឡើងនូវគម្រោង JO-TADP ដែលជាការបង្កើនប្រសិទ្ធភាពរួមគ្នានៃគន្លងហោះហើរ កម្ពស់ ការពន្យារពេល និងថាមពល ដោយប្រើប្រាស់បច្ចេកវិទ្យាបញ្ញាសិប្បនិម្មិត (AI) និងក្បួនដោះស្រាយ Federated Learning។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| JO-TADP (Proposed Method) ការបង្កើនប្រសិទ្ធភាពរួមគ្នានៃគន្លង កម្ពស់ និងថាមពល (Joint Optimization) |
មានសមត្ថភាពខ្ពស់ក្នុងការគ្រប់គ្រងថាមពល និងផ្តល់ការតភ្ជាប់បានល្អប្រសើរ ដោយប្រើប្រាស់បច្ចេកវិទ្យា AI (SSIA-LSTM & EDQN)។ | មានភាពស្មុគស្មាញក្នុងការគណនាខ្ពស់ជាងវិធីសាស្ត្រធម្មតា ដោយសារការប្រើប្រាស់ក្បួនដោះស្រាយច្រើនបញ្ចូលគ្នា។ | សម្រេចបានការតភ្ជាប់ (Connectivity) ដល់ ១៤០ និងប្រើប្រាស់ថាមពលត្រឹម ២៤០ J (ទាបបំផុតក្នុងចំណោមវិធីសាស្ត្រដែលបានតេស្ត)។ |
| JO-PUARA វិធីសាស្ត្របែងចែកធនធានដែលមានស្រាប់ (Baseline) |
មានរចនាសម្ព័ន្ធសាមញ្ញជាងក្នុងការអនុវត្តការបែងចែកធនធាន។ | មានអត្រាការតភ្ជាប់ទាប និងការប្រើប្រាស់ថាមពលខ្ពស់ ដោយសារមិនបានគិតគូរពីការបង្កើនប្រសិទ្ធភាពគន្លងហោះហើររួមគ្នា។ | សម្រេចបានការតភ្ជាប់ត្រឹម ៧០ និងប្រើប្រាស់ថាមពលខ្ពស់ដល់ ២៩០ J។ |
| EdgeUAV ប្រព័ន្ធកុំព្យូទ័រគែមដោយប្រើ UAV (Edge Computing with UAV) |
ល្អសម្រាប់ការដោះស្រាយការគណនានៅគែមបណ្តាញ (Edge)។ | មានបញ្ហាជាមួយនឹងការដាក់ពង្រាយ UAV ដោយចៃដន្យ ដែលនាំឱ្យមានការប្រើប្រាស់ថាមពលដែលមិនចាំបាច់។ | សម្រេចបានការតភ្ជាប់ ៩០ និងប្រើប្រាស់ថាមពល ២៧០ J។ |
| Multi-UAV ប្រព័ន្ធប្រើប្រាស់ UAV ច្រើនគ្រឿង (Multi-UAV System) |
ផ្តល់នូវការតភ្ជាប់បានទូលំទូលាយជាងការប្រើ UAV តែមួយ។ | ខ្វះការបង្កើនប្រសិទ្ធភាពគន្លងហោះហើរ និងកម្ពស់ ដែលនាំឱ្យមានអត្រាបុកគ្នានិងការពន្យារពេលខ្ពស់។ | សម្រេចបានការតភ្ជាប់ ១២០ ប៉ុន្តែមានការពន្យារពេល (Delay) ខ្ពស់ជាង JO-TADP។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះគឺជាការពិសោធន៍តាមរយៈការក្លែងធ្វើ (Simulation) ហេតុនេះតម្រូវការធនធានផ្តោតលើឧបករណ៍កុំព្យូទ័រដែលមានសមត្ថភាព និងកម្មវិធីជាក់លាក់។
ការសិក្សានេះប្រើប្រាស់ទិន្នន័យដែលបង្កើតឡើងដោយកម្មវិធីក្លែងធ្វើ (Synthetic Data) នៅក្នុងបរិយាកាស NS-3 ដោយប្រើគំរូអ្នកប្រើប្រាស់ចល័ត (Random Waypoint Mobility Model)។ នេះមានន័យថា លទ្ធផលអាចនឹងប្រែប្រួលនៅពេលអនុវត្តក្នុងបរិយាកាសជាក់ស្តែងនៃប្រទេសកម្ពុជា ដែលមានអាកាសធាតុ (ភ្លៀង ឬកំដៅ) ប៉ះពាល់ដល់ថាមពលថ្មរបស់ UAV។
វិធីសាស្ត្រនេះមានប្រយោជន៍យ៉ាងខ្លាំងសម្រាប់ប្រទេសកម្ពុជា ជាពិសេសក្នុងបរិបទនៃការផ្តល់សេវាអ៊ិនធឺណិតបន្ទាន់ ឬនៅតំបន់ដាច់ស្រយាល។
បច្ចេកវិទ្យានេះអាចជួយដោះស្រាយគម្លាតឌីជីថល (Digital Divide) នៅតំបន់ជនបទកម្ពុជា ប៉ុន្តែត្រូវការការកែសម្រួលលើបញ្ហាអាកាសធាតុ និងការថែទាំឧបករណ៍។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Mobile Edge Computing (MEC) | គឺជាបច្ចេកវិទ្យាដែលអនុញ្ញាតឱ្យការគណនានិងការរក្សាទុកទិន្នន័យធ្វើឡើងនៅជិតអ្នកប្រើប្រាស់ (ឧទាហរណ៍នៅលើដ្រូនផ្ទាល់) ជាជាងបញ្ជូនទៅកុំព្យូទ័រមេ (Cloud) ដែលនៅឆ្ងាយ។ នេះជួយកាត់បន្ថយពេលវេលារង់ចាំ (Latency) និងសន្សំសំចៃអ៊ីនធឺណិត។ | ដូចជាមានចុងភៅមកធ្វើម្ហូបឱ្យនៅក្បែរតុរបស់អ្នក ជំនួសឱ្យការកុម្ម៉ង់ពីហាងដែលនៅឆ្ងាយ។ |
| Anarchic Federated Learning (AFL) | គឺជាវិធីសាស្ត្របង្រៀនកុំព្យូទ័រ (Machine Learning) ដែលអនុញ្ញាតឱ្យឧបករណ៍នីមួយៗ (ដូចជាទូរស័ព្ទ ឬដ្រូន) រៀនពីទិន្នន័យរបស់ខ្លួន ហើយសម្រេចចិត្តដោយខ្លួនឯងថាតើត្រូវចែករំលែកចំណេះដឹងនោះនៅពេលណា ដោយមិនចាំបាច់រង់ចាំបញ្ជាពីកុំព្យូទ័រមេ (Central Server) ឡើយ។ | ដូចជាសិស្សមួយក្រុមដែលរៀនដោយខ្លួនឯង ហើយចែករំលែកមេរៀនគ្នាទៅវិញទៅមកនៅពេលទំនេរ ដោយមិនចាំបាច់គ្រូកោះហៅប្រជុំគ្រប់ពេល។ |
| Beluga Whale Optimization (BLWO) | គឺជាក្បួនដោះស្រាយគណិតវិទ្យាដែលយកគំរូតាមឥរិយាបថរបស់ត្រីបាឡែន Beluga (ដូចជាការហែល ការមុជទឹក និងការធ្លាក់ខ្លួន) ដើម្បីស្វែងរកទីតាំងល្អបំផុតសម្រាប់ដាក់ពង្រាយដ្រូន (UAVs) នៅក្នុងបណ្តាញ ដើម្បីទទួលបានប្រសិទ្ធភាពខ្ពស់។ | ដូចជាការស្វែងរកកន្លែងដែលមានត្រីច្រើនដោយសង្កេតមើលចលនារបស់ហ្វូងត្រី ជំនួសឱ្យការបោះសំណាញ់ដោយចៃដន្យ។ |
| Triple-Mode Density Peak Clustering (TM-DPC) | គឺជាក្បួនដោះស្រាយសម្រាប់ដាក់ក្រុមអ្នកប្រើប្រាស់ (Users) ដោយផ្អែកលើការចល័ត ល្បឿន និងដង់ស៊ីតេរបស់ពួកគេ ដើម្បីឱ្យដ្រូនអាចបម្រើសេវាបានចំគោលដៅ និងមិនខ្ជះខ្ជាយថាមពល។ | ដូចជាការបែងចែកសិស្សជាក្រុមតូចៗតាមកម្រិតចំណេះដឹង និងចំណូលចិត្ត ដើម្បីឱ្យគ្រូអាចបង្រៀនបានចំគោលដៅ។ |
| Enhanced Deep Q-Learning (EDQN) | គឺជាបច្ចេកវិទ្យា AI ដែលរៀនធ្វើការសម្រេចចិត្ត (ដូចជាការបែងចែកធនធានអ៊ីនធឺណិត) តាមរយៈការសាកល្បងខុសត្រូវ (Trial and Error)។ នៅក្នុងការសិក្សានេះ វាត្រូវបានប្រើដើម្បីបង្កើតប្រព័ន្ធដេញថ្លៃ (Auction) សម្រាប់បែងចែកធនធាន។ | ដូចជាការបង្ហាត់សត្វឆ្កែអញ្ចឹង វាចេះធ្វើតាមបញ្ជាព្រោះវាដឹងថាធ្វើត្រូវនឹងបានចំណី (រង្វាន់)។ |
| SSIA-LSTM | គឺជាគំរូបញ្ញាសិប្បនិម្មិតកម្រិតខ្ពស់ដែលប្រើដើម្បីព្យាករណ៍ទិសដៅ កម្ពស់ និងពេលវេលាហោះហើររបស់ដ្រូន ដោយវិភាគលើទិន្នន័យអតីតកាល ដូចជាអាកាសធាតុ និងល្បឿន ដើម្បីចៀសវាងការប៉ះទង្គិច។ | ដូចជាអ្នកបើកបរដែលមានបទពិសោធន៍ ចេះប៉ាន់ស្មានថាត្រូវជាន់ហ្វ្រាំងនៅពេលណា ដោយគ្រាន់តែមើលស្ថានភាពផ្លូវខាងមុខ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
