បញ្ហា (The Problem)៖ ប្រព័ន្ធអ៊ីនធឺណិតនៃវត្ថុ (IoT) ដែលប្រើប្រាស់សម្រាប់ចាប់យករូបភាពទូរកម្មសញ្ញា (Remote sensing) ងាយរងគ្រោះពីការវាយប្រហារនិងការលេចធ្លាយឯកជនភាព ខណៈដែលវិធីសាស្ត្រកូដនីយកម្មបែបប្រពៃណីស៊ីថាមពលនិងស្មុគស្មាញពេកសម្រាប់ឧបករណ៍ដែលមានធនធានកំណត់។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានស្នើឡើងនូវក្របខណ្ឌការពារភាពឯកជនដែលមានទម្ងន់ស្រាល ដោយប្រើប្រាស់បច្ចេកវិទ្យាគ្រីបតូក្រាហ្វីរូបភាព (Visual Cryptography) រួមបញ្ចូលជាមួយបណ្ដាញសរសៃប្រសាទបំបាត់សំឡេងរំខាន (Denoising Neural Networks)។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Proposed Framework (Improved EVCS + CBDnet Denoising + ResNet) ក្របខណ្ឌដែលបានស្នើឡើង (EVCS ដែលបានកែលម្អ + បណ្ដាញបំបាត់សំឡេងរំខាន CBDnet) |
ស៊ីថាមពលតិច លឿនជាងមុន ការពារឯកជនភាពបានល្អ និងមានភាពសុក្រឹតខ្ពស់ក្នុងការសម្គាល់រូបភាពទោះបីជាទិន្នន័យមានផ្ទុកសំឡេងរំខាន។ | ទាមទារឱ្យមានការប្រើប្រាស់ម៉ូដែល Deep Learning នៅផ្នែកខាងម៉ាស៊ីនមេ (Server) ដើម្បីស្ដារនិងសម្គាល់រូបភាព ដែលទាមទារធនធានគណនាបន្ថែមនៅទីនោះ។ | ល្បឿនបញ្ជូនលឿនជាង TLS ៨ដង និងទទួលបានភាពសុក្រឹត (AUC) ០.៩៦ លើសំណុំទិន្នន័យ UCMerced។ |
| Traditional Public-Key Encryption (TLS/HTTPS) ការអ៊ិនគ្រីបបែបប្រពៃណី (TLS) |
មានសុវត្ថិភាពខ្ពស់ និងជាស្តង់ដារដែលគេប្រើប្រាស់ទូទៅបំផុតសម្រាប់ការការពារទិន្នន័យបញ្ជូន។ | ស៊ីថាមពលខ្លាំង ត្រូវការកម្លាំងគណនាខ្ពស់ និងប្រើពេលយូរសម្រាប់ដំណើរការ Handshake ដែលមិនស័ក្តិសមសម្រាប់ឧបករណ៍ IoT តូចៗ។ | យឺតជាងប្រព័ន្ធដែលបានស្នើឡើងប្រមាណ ៨ ដងក្នុងការបញ្ជូនទិន្នន័យ និងស៊ីថាមពលថ្មច្រើនជាង។ |
| Wu's and Ren's EVCS Methods វិធីសាស្ត្រ EVCS របស់ Wu និង Ren |
អាចជួយការពារឯកជនភាពរូបភាពដោយប្រើ Visual Cryptography ដោយមិនចាំបាច់ពង្រីកទំហំភីកសែល។ | វិធីសាស្ត្រទាំងនេះបោះបង់ព័ត៌មានភីកសែលច្រើនពេក ធ្វើឱ្យគុណភាពរូបភាពដែលដោះកូដរួចបាត់បង់ព័ត៌មានលម្អិតច្រើន។ | ទទួលបានពិន្ទុ SSIM ទាបជាងវិធីសាស្ត្រដែលបានស្នើឡើងច្រើន (ភាពច្បាស់នៃរូបភាពមានកម្រិតទាប)។ |
| Traditional Denoising (BM3D) ការបំបាត់សំឡេងរំខានតាមវិធីសាស្ត្រស្ថិតិ (BM3D) |
ជាវិធីសាស្ត្រស្ថិតិបែបប្រពៃណីដែលអាចកាត់បន្ថយសំឡេងរំខានបានមួយកម្រិតដោយមិនពឹងផ្អែកលើការបង្ហាត់ AI ។ | មិនមានសមត្ថភាពខ្ពស់ក្នុងការស្ដាររូបភាពដែលខូចទ្រង់ទ្រាយខ្លាំងពីការធ្វើកូដនីយកម្ម Visual Cryptography នោះទេ។ | ជួយបង្កើនភាពសុក្រឹតក្នុងការសម្គាល់រូបភាពត្រឹមតែ ០.៩៤ បើធៀបនឹងម៉ូដែល Deep Learning (CBDnet) ដែលបាន ០.៩៦។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តប្រព័ន្ធនេះទាមទារធនធានចម្រុះ ដោយរួមបញ្ចូលឧបករណ៍ IoT កម្រិតទាបសម្រាប់ការចាប់យករូបភាពនិងបញ្ជូន និងម៉ាស៊ីនមេ (Cloud/Server) ដែលមានសមត្ថភាពខ្ពស់សម្រាប់ដំណើរការបណ្ដាញសរសៃប្រសាទ។
ការសិក្សានេះប្រើប្រាស់សំណុំទិន្នន័យ UCMerced និង RSSCN7 ដែលភាគច្រើនផ្តោតលើតំបន់ទីក្រុង និងទេសភាពនៃប្រទេសលោកខាងលិច។ សម្រាប់ប្រទេសកម្ពុជា រូបភាពទូរកម្មសញ្ញាពីផ្កាយរណបឬដ្រូន ភាគច្រើនជាតំបន់កសិកម្ម ព្រៃឈើ ឬតំបន់លិចទឹក ដែលមានលក្ខណៈភូមិសាស្ត្រខុសគ្នា ដែលទាមទារឱ្យមានការបង្ហាត់ម៉ូដែលបន្ថែមដោយប្រើទិន្នន័យក្នុងស្រុក។
ប្រព័ន្ធនេះមានសក្តានុពលខ្លាំងក្នុងការយកមកអនុវត្តនៅប្រទេសកម្ពុជា ពិសេសសម្រាប់ការប្រើប្រាស់ដ្រូន និងឧបករណ៍តូចៗ ដើម្បីប្រមូលទិន្នន័យរសើបពីចម្ងាយប្រកបដោយសុវត្ថិភាពខ្ពស់និងស៊ីថាមពលតិច។
ជារួម បច្ចេកវិទ្យានេះផ្តល់នូវដំណោះស្រាយដ៏ប្រសើរសម្រាប់កម្ពុជា ក្នុងការធ្វើទំនើបកម្មប្រព័ន្ធតាមដានភូមិសាស្ត្រ តាមរយៈការសន្សំសំចៃថាមពលឧបករណ៍ IoT ខណៈដែលនៅតែធានាបាននូវឯកជនភាពទិន្នន័យកម្រិតខ្ពស់។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Extended Visual Cryptography Scheme (EVCS) | ជាបច្ចេកទេសកូដនីយកម្ម (អ៊ិនគ្រីប) ដែលបំបាំងរូបភាពសម្ងាត់ដោយបំបែកវាជាផ្ទាំងរូបភាពតូចៗ (Shares) ជាច្រើន។ អ្វីដែលពិសេសនោះគឺ ផ្ទាំងរូបភាពនីមួយៗមើលទៅជារូបភាពធម្មតាមានន័យ ដើម្បីបន្លំភ្នែកអ្នកលួចមើល ហើយមានតែការយកផ្ទាំងទាំងនោះមកត្រួតស៊ីគ្នាទើបអាចបង្ហាញរូបភាពសម្ងាត់ដើម។ | ដូចជាការសរសេរសារសម្ងាត់លើកញ្ចក់ថ្លាពីរផ្ទាំង ដែលផ្ទាំងនីមួយៗមើលមិនយល់ តែពេលយកកញ្ចក់ទាំងពីរមកដាក់ត្រួតលើគ្នាទើបអាចអានអត្ថន័យបាន។ |
| Error diffusion algorithm (ED) | ជាអាល់កូរីតបំប្លែងរូបភាពដែលជួយកាត់បន្ថយការបាត់បង់គុណភាពនៅពេលប្ដូររូបភាពមានពណ៌ច្រើនទៅជារូបភាពសខ្មៅ (Binary) ដោយវាយកកំហុសនៃការកាត់ពណ៌ (Quantization error) ទៅចែកចាយដល់ភីកសែល (Pixels) ដែលនៅក្បែរៗនោះ ដើម្បីរក្សាទម្រង់ដើមនៃរូបភាព។ | ដូចជាការចាក់ទឹកចូលកែវដែលពេញហៀរ ហើយទឹកដែលហៀរនោះមិនត្រូវបានចាក់ចោលទេ តែត្រូវបានបង្ហូរទៅដាក់កែវទទេរដែលនៅក្បែរនោះបន្តិចម្តងៗដើម្បីកុំឱ្យខាតបង់។ |
| Denoising Neural Network | ជាប្រព័ន្ធបញ្ញាសិប្បនិម្មិត (AI) ប្រភេទ Deep Learning ដែលត្រូវបានបង្ហាត់ឱ្យស្គាល់ និងលុបបំបាត់ចំណុចអុជៗ ឬភាពព្រិលៗ (Noise) ចេញពីរូបភាព ដើម្បីធ្វើឱ្យរូបភាពមានភាពច្បាស់ និងងាយស្រួលក្នុងការទាញយកទិន្នន័យដើម្បីសម្គាល់។ | ដូចជាការពាក់វ៉ែនតាវេទមន្តដែលអាចជម្រះធូលីឬស្នាមប្រឡាក់ចេញពីរូបថតចាស់ៗ ធ្វើឱ្យយើងអាចមើលឃើញមុខមនុស្សក្នុងរូបនោះបានច្បាស់ត្រឹមត្រូវម្តងទៀត។ |
| Transfer Learning | ជាវិធីសាស្ត្រក្នុងការបង្ហាត់ម៉ូដែល AI ដោយយកចំណេះដឹងដែលវាធ្លាប់រៀនពីសំណុំទិន្នន័យខ្នាតធំពីមុន មកអនុវត្តផ្ទាល់លើការងារថ្មី ឬសំណុំទិន្នន័យផ្សេងទៀត ដើម្បីសន្សំពេលវេលា និងមិនបាច់ត្រូវការថាមពលកុំព្យូទ័រធំដើម្បីបង្ហាត់ពីសូន្យឡើងវិញ។ | ដូចជាមនុស្សដែលចេះជិះកង់ស្ទាត់ជំនាញស្រាប់ ពេលប្តូរទៅរៀនជិះម៉ូតូគឺឆាប់ចេះជាងអ្នកដែលមិនធ្លាប់ជិះអ្វីសោះ ព្រោះគាត់មានលំនឹងពីការជិះកង់រួចហើយ។ |
| Boolean operations | ជាប្រមាណវិធីគណិតវិទ្យាគោលពីរ (0 និង 1) ដ៏សាមញ្ញបំផុត (ដូចជាការប្រើប្រាស់ AND, OR, XOR) ដែលកុំព្យូទ័រ ឬឧបករណ៍ IoT អាចដំណើរការបានយ៉ាងលឿនបំផុតដោយមិនស៊ីថាមពលថ្មច្រើន ជំនួសឱ្យការគណនាលេខធំៗស្មុគស្មាញ។ | ដូចជាការប្រើកុងតាក់ភ្លើងបិទនិងបើក ដើម្បីបញ្ជាឧបករណ៍អគ្គិសនី ជាជាងការប្រើប្រាស់ប្រព័ន្ធកុំព្យូទ័រដ៏ស្មុគស្មាញដើម្បីចុចបញ្ជា។ |
| Pixel expansion | ជាបញ្ហាមួយនៅក្នុង Visual Cryptography បែបប្រពៃណី ដែលការបំបែករូបភាពសម្ងាត់មួយភីកសែល (Pixel) ទាមទារឱ្យបង្កើតជាភីកសែលតូចៗជាច្រើនទៀត ធ្វើឱ្យរូបភាពដែលបានអ៊ិនគ្រីបរួចមានទំហំធំជាងរូបភាពដើមខ្លាំង និងស៊ីទំហំផ្ទុក។ | ដូចជាការប្តូរប្រាក់ក្រដាស ១០០ ដុល្លារមួយសន្លឹក ទៅជាក្រដាស ១ ដុល្លារចំនួន ១០០ សន្លឹក ដែលធ្វើឱ្យកាបូបរបស់អ្នកឡើងប៉ោងនិងពិបាកទុកដាក់ ទោះបីជាតម្លៃលុយនៅដដែលក៏ដោយ។ |
| Resource-constrained IoT | សំដៅលើឧបករណ៍ឆ្លាតវៃតូចៗ (ដូចជា សេនស័រតាមដានអាកាសធាតុ កាមេរ៉ាដ្រូនតូចៗ) ដែលអាចភ្ជាប់អ៊ីនធឺណិតបាន ប៉ុន្តែវាមានកម្លាំងដំណើរការទាប អង្គចងចាំតិច និងថាមពលថ្មមានកំណត់ ដែលមិនអាចដំណើរការកម្មវិធីធំៗ ឬប្រព័ន្ធសុវត្ថិភាពស្មុគស្មាញបាន។ | ដូចជារថយន្តស៊ីឡាំងតូចដែលអាចរត់បានត្រឹមផ្លូវរាបស្មើ និងដឹកឥវ៉ាន់ស្រាលៗ មិនអាចយកទៅអូសរ៉ឺម៉ក ឬរត់ផ្លូវឡើងភ្នំដូចរថយន្តកុងតឺន័របានទេ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
