Original Title: Multi-layer Fog Computing Framework for Constrained LoRa Networks Intended for Water Quality Monitoring and Precision Agriculture Systems
Source: doi.org/10.5220/0010618300460055
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

ក្របខ័ណ្ឌកុំព្យូទ័រអ័ព្ទពហុស្រទាប់សម្រាប់បណ្តាញ LoRa ដែលមានកម្រិត ក្នុងគោលបំណងសម្រាប់ការត្រួតពិនិត្យគុណភាពទឹក និងប្រព័ន្ធកសិកម្មច្បាស់លាស់

ចំណងជើងដើម៖ Multi-layer Fog Computing Framework for Constrained LoRa Networks Intended for Water Quality Monitoring and Precision Agriculture Systems

អ្នកនិពន្ធ៖ Laura García (Universitat Politècnica de València), Jose M. Jimenez (Universitat Politècnica de València), Sandra Sendra (Universitat Politècnica de València), Jaime Lloret (Universitat Politècnica de València), Pascal Lorenz (University of Haute Alsace)

ឆ្នាំបោះពុម្ព៖ 2021 WINSYS

វិស័យសិក្សា៖ Internet of Things (IoT)

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ ការប្រើប្រាស់ឧបករណ៍ IoT ក្នុងវិស័យកសិកម្មប្រឈមនឹងបញ្ហាថាមពល និងកម្រិតបញ្ជូនទិន្នន័យ ជាពិសេសនៅតំបន់ដាច់ស្រយាលដែលប្រើប្រាស់បណ្តាញ LoRa ដែលមានកម្រិតការបញ្ជូនសារ។

វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានស្នើឡើងនូវក្របខ័ណ្ឌកុំព្យូទ័រអ័ព្ទ (Fog Computing Framework) ចំនួន ៥ ស្រទាប់ ដោយរួមបញ្ចូលក្បួនដោះស្រាយសម្រាប់ការប្រមូលផ្តុំទិន្នន័យ និងការសម្រេចចិត្តនៅមូលដ្ឋានសម្រាប់ប្រព័ន្ធកសិកម្មច្បាស់លាស់។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method) គុណសម្បត្តិ (Pros) គុណវិបត្តិ (Cons) លទ្ធផលគន្លឹះ (Key Result)
Regular Farmer Mode with Data Aggregation
របៀបកសិករទូទៅដែលមានការប្រមូលផ្តុំទិន្នន័យ
សន្សំសំចៃថាមពលនិងកម្រិតបញ្ជូនបានច្រើនបំផុត កាត់បន្ថយការបញ្ជូនសារបានយ៉ាងច្រើន សមស្របសម្រាប់តំបន់ដាច់ស្រយាល។ ការប្រមូលទិន្នន័យមានល្បឿនយឺត (១ម៉ោងម្តង) មិនស័ក្តិសមសម្រាប់ការតាមដានដែលត្រូវការទិន្នន័យប្រែប្រួលភ្លាមៗ។ កាត់បន្ថយទិន្នន័យបញ្ជូនបាន ៨០% និងកាត់បន្ថយចំនួនសារបាន ៨៥.៣៣%។
Advanced Farmer Mode with Data Aggregation
របៀបកសិករកម្រិតខ្ពស់ដែលមានការប្រមូលផ្តុំទិន្នន័យ
ផ្តល់ទិន្នន័យលម្អិតជាងរបៀបទូទៅ (៣០នាទីម្តង) ប៉ុន្តែនៅតែរក្សាបាននូវការសន្សំសំចៃថាមពលគួរសម ដោយធ្វើការសម្រេចចិត្តនៅមូលដ្ឋាន។ ប្រើប្រាស់ថាមពល និងកម្រិតបញ្ជូនច្រើនជាងរបៀបកសិករទូទៅបន្តិច។ កាត់បន្ថយទិន្នន័យបញ្ជូនបាន ៦០% និងកាត់បន្ថយចំនួនសារបញ្ជូនបាន ៦៨.៦៧%។
Research Mode with Data Aggregation
របៀបស្រាវជ្រាវដែលមានការប្រមូលផ្តុំទិន្នន័យ
ទទួលបានទិន្នន័យញឹកញាប់បំផុត (១០នាទីម្តង) ល្អបំផុតសម្រាប់ការវិភាគលម្អិត និងការស្រាវជ្រាវវិទ្យាសាស្ត្រ។ ប្រើប្រាស់ថាមពលខ្ពស់ បង្កើតទិន្នន័យច្រើនដែលអាចធ្វើឱ្យបណ្តាញ LoRa ស្ទះ (Collisions) ប្រសិនបើអនុវត្តក្នុងទ្រង់ទ្រាយធំ។ កាត់បន្ថយទិន្នន័យបញ្ជូនបានត្រឹមតែ ៣៥% ប៉ុណ្ណោះធៀបនឹងការមិនមានប្រមូលផ្តុំទិន្នន័យទាល់តែសោះ។
Baseline (Without Data Aggregation)
ការបញ្ជូនទិន្នន័យដោយគ្មានការប្រមូលផ្តុំ (Baseline)
មិនតម្រូវឱ្យមានការគណនាស្មុគស្មាញនៅតាមថ្នាំង (Edge/Fog Nodes) នីមួយៗទេ។ ប្រើប្រាស់ថាមពលខ្លាំង បញ្ជូនទិន្នន័យច្រើនលើសលុប ងាយប្រឈមនឹងការខូចខាតប្រព័ន្ធពេលគ្មានការតភ្ជាប់ទៅកាន់ម៉ាស៊ីនមេកណ្តាល។ ជាកម្រិតគោលសម្រាប់ប្រៀបធៀប បញ្ជូនទិន្នន័យ ១០០% ទៅកាន់ម៉ាស៊ីនមេ។

ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តប្រព័ន្ធនេះទាមទារឱ្យមានឧបករណ៍ចាប់សញ្ញា កុំព្យូទ័រខ្នាតតូចសម្រាប់ដំណើរការទិន្នន័យ និងហេដ្ឋារចនាសម្ព័ន្ធបណ្តាញដែលស៊ីថាមពលតិច។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះពឹងផ្អែកលើការក្លែងធ្វើ (Simulation) សម្រាប់បរិបទប្រព័ន្ធធារាសាស្ត្រ និងគុណភាពទឹក ដោយមិនមានការបញ្ជាក់ពីទីតាំងភូមិសាស្ត្រជាក់លាក់ទេ។ ម្យ៉ាងវិញទៀត ការសិក្សានេះប្រើប្រាស់ស្តង់ដារប្រេកង់ LoRa របស់សហភាពអឺរ៉ុប (EU 863-870 MHz) ដែលតម្រូវឱ្យមានការកែសម្រួលប្រេកង់ (ឧទាហរណ៍ប្រើប្រេកង់ AS923 សម្រាប់តំបន់អាស៊ី) មុនពេលយកមកប្រើប្រាស់ជាក់ស្តែងនៅប្រទេសកម្ពុជា។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

ក្របខ័ណ្ឌនេះមានសក្តានុពលខ្ពស់ណាស់សម្រាប់ការអភិវឌ្ឍវិស័យកសិកម្មឆ្លាតវៃនៅប្រទេសកម្ពុជា ជាពិសេសនៅតំបន់ដែលមិនមានបណ្តាញអគ្គិសនី និងអ៊ីនធឺណិតគ្រប់គ្រាន់។

ការរួមបញ្ចូលគ្នានៃបច្ចេកវិទ្យា Fog Computing និង LoRa អាចជួយឱ្យកម្ពុជាពង្រីកប្រព័ន្ធកសិកម្មច្បាស់លាស់ទៅកាន់តំបន់ជនបទដាច់ស្រយាលបានប្រកបដោយប្រសិទ្ធភាពចំណាយ និងមាននិរន្តរភាពខ្ពស់។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

  1. សិក្សាពីមូលដ្ឋានគ្រឹះនៃ IoT និងរចនាសម្ព័ន្ធ LoRaWAN: ចាប់ផ្តើមដោយការស្វែងយល់ពីបច្ចេកវិទ្យា LoRa និង LoRaWAN តាមរយៈធនធានដូចជា The Things Network ព្រមទាំងកំណត់ប្រេកង់ដែលអនុញ្ញាតឱ្យប្រើនៅអាស៊ីអាគ្នេយ៍ (AS923)។
  2. រៀបចំឧបករណ៍កុំព្យូទ័រអ័ព្ទ និងសេនស័រកសិកម្ម: សាកល្បងដំឡើងប្រព័ន្ធខ្នាតតូចដោយប្រើប្រាស់ Raspberry Pi ជាថ្នាំងអ័ព្ទ (Fog Node) និងភ្ជាប់ជាមួយសេនស័រវាស់សំណើមដីតាមរយៈ Microcontrollers ដូចជា ESP32 រួមជាមួយម៉ូឌុល LoRa (SX1276)
  3. សរសេរកូដសម្រាប់ក្បួនដោះស្រាយការប្រមូលផ្តុំទិន្នន័យ (Data Aggregation): ប្រើប្រាស់ភាសា PythonC++ ដើម្បីអនុវត្តក្បួនដោះស្រាយច្រោះទិន្នន័យនៅលើថ្នាំងអ័ព្ទ ដោយសរសេរលក្ខខណ្ឌ (Thresholds) ដូចដែលបានរៀបរាប់ក្នុងឯកសារស្រាវជ្រាវ ដើម្បីលុបទិន្នន័យដែលស្ទួន ឬមិនចាំបាច់។
  4. ក្លែងធ្វើប្រព័ន្ធ (Simulation) និងវិភាគលទ្ធផល: ប្រើប្រាស់កម្មវិធីក្លែងធ្វើបណ្តាញដូចជា NS-3OMNeT++ ដើម្បីសាកល្បងមើលលំហូរទិន្នន័យ ការប្រើប្រាស់ថាមពល និងភាពធន់របស់ប្រព័ន្ធ មុនពេលអនុវត្តលើឧបករណ៍ពិតប្រាកដ។
  5. ដាក់ឱ្យដំណើរការសាកល្បងនៅទីតាំងជាក់ស្តែង (Pilot Testing): សហការជាមួយសហគមន៍កសិកម្ម ដើម្បីដាក់ពង្រាយប្រព័ន្ធនេះនៅតាមកសិដ្ឋានខ្នាតតូច ដោយប្រើប្រាស់ GrafanaThingsBoard សម្រាប់បង្ហាញទិន្នន័យ (Dashboard) និងកែលម្អប្រព័ន្ធគ្រប់គ្រងការស្រោចស្រព។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
Fog Computing ជាស្ថាបត្យកម្មបណ្តាញដែលនាំយកសមត្ថភាពគណនា និងផ្ទុកទិន្នន័យឱ្យមកនៅជិតប្រភពទិន្នន័យ (ដូចជាសេនស័រនៅតាមមូលដ្ឋាន) ជាជាងបញ្ជូនវាទៅកាន់ Cloud ទាំងអស់។ នេះជួយកាត់បន្ថយពេលវេលាឆ្លើយតប និងសន្សំសំចៃកម្រិតបញ្ជូនអ៊ីនធឺណិត។ ដូចជាការមានប្រធានភូមិជួយដោះស្រាយបញ្ហាតូចតាចក្នុងមូលដ្ឋាន ជាជាងរុញរាល់បញ្ហាទាំងអស់ទៅឱ្យអភិបាលខេត្តជាអ្នកដោះស្រាយផ្ទាល់។
LoRa ជាបច្ចេកវិទ្យាទំនាក់ទំនងឥតខ្សែដែលអាចបញ្ជូនទិន្នន័យបានចម្ងាយឆ្ងាយ ដោយប្រើប្រាស់ថាមពលតិចតួចបំផុត ប៉ុន្តែវាមានកម្រិតល្បឿនបញ្ជូនទិន្នន័យទាប ស័ក្តិសមបំផុតសម្រាប់ឧបករណ៍ IoT ដែលដើរដោយថាមពលថ្ម។ ដូចជាការផ្ញើសំបុត្រតាមព្រាបសំបុត្រដែលអាចហោះបានឆ្ងាយនិងស៊ីចំណីតិច ប៉ុន្តែមិនអាចនាំយកអីវ៉ាន់ធំៗ ឬធ្ងន់ៗបានទេ។
Data Aggregation ជាដំណើរការនៃការប្រមូលផ្តុំ និងសង្ខេបទិន្នន័យពីប្រភពច្រើនបញ្ចូលគ្នា (ឧទាហរណ៍ ការគណនាមធ្យមភាគ ឬច្រោះទិន្នន័យស្ទួនចេញ) មុននឹងបញ្ជូនបន្តរទៅកម្រិតបន្ទាប់ ដើម្បីកាត់បន្ថយទំហំទិន្នន័យ និងសន្សំសំចៃថាមពល។ ដូចជាការសរសេររបាយការណ៍សង្ខេបរួមមួយពីមតិរបស់សិស្ស ៥០ នាក់ ជាជាងការបញ្ជូនក្រដាសមតិទាំង ៥០ សន្លឹកទៅកាន់នាយកសាលាដោយផ្ទាល់។
LPWAN ជាប្រភេទបណ្តាញទូរគមនាគមន៍ឥតខ្សែដែលរចនាឡើងដើម្បីអនុញ្ញាតឱ្យឧបករណ៍បញ្ជូនទិន្នន័យក្នុងល្បឿនទាប ក្នុងចម្ងាយឆ្ងាយ និងប្រើប្រាស់ថាមពលថ្មតិចបំផុត ដែលអាចឱ្យឧបករណ៍ខ្លះដំណើរការបានច្រើនឆ្នាំដោយមិនបាច់ប្តូរថ្ម។ ដូចជាប្រព័ន្ធវិទ្យុទាក់ទងឆ្លងខេត្ត ដែលអ្នកប្រើប្រាស់អាចនិយាយឆ្លើយឆ្លងគ្នាបានចម្ងាយឆ្ងាយដោយប្រើត្រឹមតែថ្មពិលតូចប៉ុណ្ណោះ។
Cluster Head ជាថ្នាំង (Node) ចម្បងមួយនៅក្នុងបណ្តាញដែលដើរតួនាទីជាអ្នកប្រមូល និងចាត់ចែងទិន្នន័យពីថ្នាំងសេនស័រផ្សេងៗទៀតនៅក្នុងក្រុមក្បែរៗខ្លួន មុននឹងបញ្ជូនបន្តទៅកាន់មជ្ឈមណ្ឌលទិន្នន័យកម្រិតបន្ទាប់។ ដូចជាប្រធានក្រុមសិស្សដែលទទួលបន្ទុកប្រមូលកិច្ចការពីសមាជិកក្នុងក្រុម រួចយកទៅប្រគល់ជូនគ្រូបង្រៀនតែម្តង។
Time on air ជារយៈពេលសរុបដែលរលកសញ្ញាវិទ្យុត្រូវបានប្រើប្រាស់ដើម្បីបញ្ជូនទិន្នន័យពីឧបករណ៍មួយទៅឧបករណ៍មួយទៀត។ ការកាត់បន្ថយរយៈពេលនេះជួយសន្សំសំចៃថាមពលរបស់ឧបករណ៍ និងកាត់បន្ថយការស្ទះបណ្តាញពេលមានអ្នកប្រើប្រាស់ច្រើន។ ដូចជារយៈពេលដែលអ្នកកាន់ក្បាលមេក្រូនិយាយ ប្រសិនបើអ្នកនិយាយយូរពេក អ្នកផ្សេងនឹងគ្មានឱកាសបាននិយាយ។
Fault-tolerance ជាសមត្ថភាពរបស់ប្រព័ន្ធក្នុងការបន្តប្រតិបត្តិការការងាររបស់ខ្លួនដោយស្វ័យប្រវត្តិ ទោះបីជាមានផ្នែកណាមួយនៃប្រព័ន្ធ (ដូចជាការដាច់តភ្ជាប់អ៊ីនធឺណិតទៅកាន់ Data Center) ជួបបញ្ហាឬខូចខាតក៏ដោយ។ ដូចជារថយន្តដែលមានកង់សាគួរនៅតាមខ្លួន ពេលបែកកង់មួយនៅតាមផ្លូវ វានៅតែអាចបន្តដំណើរទៅមុខទៀតបាន។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖