បញ្ហា (The Problem)៖ និក្ខេបបទនេះដោះស្រាយបញ្ហាប្រឈមក្នុងការធ្វើគំរូសមត្ថភាពធ្វើមាត្រដ្ឋាន (Scalability) និងដំណើរការប្រតិបត្តិការនៃបណ្តាញ LoRaWAN ព្រមទាំងអភិវឌ្ឍវិធីសាស្ត្រត្រួតពិនិត្យកំហុសបណ្តាញដោយអកម្មសម្រាប់ឧបករណ៍ IoT ចំនួនច្រើនសន្ធឹកសន្ធាប់។
វិធីសាស្ត្រ (The Methodology)៖ ការស្រាវជ្រាវនេះប្រើប្រាស់ការវិភាគតាមគំរូគណិតវិទ្យាសម្រាប់បណ្តាញ LoRaWAN និងអភិវឌ្ឍក្បួនដោះស្រាយតាមបែប Machine Learning ដើម្បីត្រួតពិនិត្យចរាចរណ៍ទិន្នន័យ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Naïve Monitoring Method វិធីសាស្ត្រត្រួតពិនិត្យបែបសាមញ្ញ |
មានល្បឿនលឿនខ្លាំងក្នុងការគណនា និងដំណើរការបានល្អប្រសើរបំផុតនៅពេលបណ្តាញមិនមានការរអាក់រអួលឬដាច់ទាល់តែសោះ។ | អត្រាកំហុសកើនឡើងយ៉ាងឆាប់រហ័សនៅពេលអត្រាដាច់បណ្តាញកើនឡើង និងមិនអាចដោះស្រាយទិន្នន័យដែលមានភាពមិនច្បាស់លាស់ខ្ពស់បានឡើយ។ | មានកំហុសខ្ពស់ក្នុងការប៉ាន់ស្មានការដាច់បណ្តាញ នៅពេលដែលអត្រាដាច់ជាក់ស្តែងកើនលើសពី ២០%។ |
| Normalised Harmonics Mean (NHM) វិធីសាស្ត្រមធ្យមអាម៉ូនិកធ្វើឱ្យមានលក្ខណៈធម្មតា |
មានល្បឿនលឿនសម្រាប់ការវិភាគទិន្នន័យផ្ទាល់ (Online) ប្រើប្រាស់ថាមពលគណនាតិច និងមានកំហុសទាបទោះបីជាបណ្តាញមានការដាច់ញឹកញាប់ក៏ដោយ។ | ទាមទារឱ្យទិន្នន័យមានភ្ជាប់ជាមួយស្លាកបញ្ជាក់ប្រភព (Labeled data) ជាមុនសិន។ | កំហុសនៃការប៉ាន់ស្មានមានកម្រិតតិចជាង ៥% នៅពេលអត្រាដាច់បណ្តាញស្មើ ៣០% សម្រាប់គំរូទិន្នន័យចំនួន ៥០។ |
| Greedy Online Clustering (GOC) វិធីសាស្ត្រចង្កោមទិន្នន័យតាមអ៊ីនធឺណិត Greedy |
មិនត្រូវការទិន្នន័យដែលមានស្លាកពីមុនទេ ហើយអាចវាយតម្លៃឧបករណ៍ដែលដំណើរការកម្មវិធីច្រើនមុខព្រមគ្នា (Thick clients) បានយ៉ាងសុក្រឹតក្នុងពេលវេលាជាក់ស្តែង។ | ទាមទារថាមពលគណនា (Computational cost) ខ្ពស់ជាងវិធីសាស្ត្រ NHM និងវិធីសាស្ត្រសាមញ្ញ។ | អាចកំណត់អត្តសញ្ញាណឧបករណ៍ដែលដាច់ការតភ្ជាប់ (Offline) យ៉ាងច្បាស់ និងអាចទ្រទ្រង់ឧបករណ៍ចំនួនជាង ១២,២៤០ លើ CPU តែមួយ។ |
| Successive Periodicity Clustering (SPC) វិធីសាស្ត្រចង្កោមទិន្នន័យតាមកាលកំណត់បន្តបន្ទាប់ |
ល្អបំផុតសម្រាប់ការវិភាគទិន្នន័យជាដុំ (Batch processing) និងមានប្រសិទ្ធភាពខ្ពស់ជាងវិធីសាមញ្ញនៅពេលបណ្តាញមានបញ្ហាដាច់ច្រើន។ | ការដំណើរការទិន្នន័យជាដុំមានភាពយឺតយ៉ាវ និងអាចមានកំហុសតរហូត (Error propagation) ប្រសិនបើការដាក់ស្លាកដំបូងខុស។ | មានភាពសុក្រឹតខ្ពស់ ប៉ុន្តែប្រសិទ្ធភាពអាចធ្លាក់ចុះបន្តិចបើប្រើទំហំគំរូច្រើនពេក (១០០) ដោយសារបាតុភូត Labeling drift។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការស្រាវជ្រាវនេះទាមទារធនធានកុំព្យូទ័រមធ្យមទៅខ្ពស់សម្រាប់ដំណើរការក្បួនដោះស្រាយ និងទាមទារសំណុំទិន្នន័យជាក់ស្តែងដ៏ធំពីបណ្តាញ IoT ដើម្បីផ្ទៀងផ្ទាត់ប្រសិទ្ធភាព។
ការសិក្សានេះពឹងផ្អែកយ៉ាងខ្លាំងទៅលើបទប្បញ្ញត្តិរលកសញ្ញាអឺរ៉ុប (EU863-870 MHz ISM band) ជាពិសេសការកំណត់រង្វិលជុំការងារ (Duty-cycle) កម្រិត ១%។ ទិន្នន័យជាក់ស្តែងត្រូវបានប្រមូលពីតំបន់អឺរ៉ុបដែលមិនមានបញ្ជាក់ទីតាំងច្បាស់លាស់។ នេះជារឿងគួរពិចារណាសម្រាប់ប្រទេសកម្ពុជា ពីព្រោះកម្ពុជាប្រើប្រាស់ស្តង់ដាររលកសញ្ញាខុសគ្នា (ដូចជា AS923) ដែលមិនមានការរឹតបន្តឹង Duty-cycle ដូចគ្នា ដែលធ្វើឲ្យលទ្ធផលនៃការតម្រង់ជួរ (Queuing) និងការកកស្ទះទិន្នន័យមានភាពខុសប្លែកពីលទ្ធផលក្នុងឯកសារនេះ។
ទោះបីជាមានភាពខុសគ្នានៃបទប្បញ្ញត្តិក៏ដោយ វិធីសាស្ត្រត្រួតពិនិត្យបណ្តាញតាមបែប Machine Learning នេះមានប្រយោជន៍យ៉ាងខ្លាំងសម្រាប់ការរៀបចំបណ្តាញ IoT ទ្រង់ទ្រាយធំនៅក្នុងប្រទេសកម្ពុជា។
ជារួម ការអនុវត្តវិធីសាស្ត្រត្រួតពិនិត្យបណ្តាញអកម្ម (Passive Monitoring) នេះ នឹងជួយកាត់បន្ថយថ្លៃដើមប្រតិបត្តិការ និងការថែទាំយ៉ាងច្រើនសន្ធឹកសន្ធាប់សម្រាប់គម្រោង IoT នានានៅកម្ពុជា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Capture Effect | បាតុភូតនៅក្នុងបណ្តាញទូរគមនាគមន៍ឥតខ្សែ ដែលអង់តែនទទួល (Receiver) អាចចាប់យកនិងបកប្រែសញ្ញាដែលមានកម្លាំងខ្លាំងជាងគេបានដោយជោគជ័យ ទោះបីជាមានសញ្ញាផ្សេងទៀតកំពុងឆ្លងកាត់ ឬបុកគ្នាក្នុងពេលតែមួយក៏ដោយ។ | ដូចជាពេលអ្នកអាចស្តាប់យល់ពីមិត្តភក្តិម្នាក់ដែលនិយាយខ្លាំងៗ ទោះបីជាមានមនុស្សច្រើនកំពុងនិយាយរអ៊ូៗជុំវិញអ្នកក្នុងបន្ទប់តែមួយក៏ដោយ។ |
| Spreading Factor | រង្វាស់នៃការបញ្ជូនសញ្ញាក្នុងបច្ចេកវិទ្យា LoRa ដែលកំណត់អំពីល្បឿននៃការបញ្ជូនទិន្នន័យ និងចម្ងាយកាំសេវា។ SF កាន់តែធំ ធ្វើឲ្យការបញ្ជូនបានឆ្ងាយតែយឺត ហើយងាយរងការរំខាន ចំណែក SF តូចបញ្ជូនបានលឿនតែជិត។ | ដូចជាការបើកបរឡានដោយប្រើលេខ (Gear)៖ លេខទាបទៅបានយឺតតែមានកម្លាំងរុញឡើងចំណោតបាន ចំណែកលេខខ្ពស់ទៅបានលឿនតែអត់សូវមានកម្លាំង។ |
| Duty Cycling | ច្បាប់នៃការគ្រប់គ្រងបណ្តាញដែលកម្រិតពេលវេលាអនុញ្ញាតឲ្យឧបករណ៍មួយបញ្ជូនទិន្នន័យ (ឧទាហរណ៍៖ អនុញ្ញាតឲ្យបញ្ជូនតែ ១% នៃពេលវេលាសរុប ដើម្បីកុំឲ្យស្ទះសេវាឧបករណ៍ដទៃក្នុងរលកសញ្ញាតែមួយ)។ | ដូចជាច្បាប់និយាយក្នុងអង្គប្រជុំ ដែលមនុស្សម្នាក់ៗត្រូវបានអនុញ្ញាតឲ្យនិយាយតែ ១ នាទី ហើយត្រូវរង់ចាំ ៩៩ នាទីទៀតទើបអាចនិយាយម្តងទៀតបាន។ |
| Lomb-Scargle Periodogram | ក្បួនដោះស្រាយគណិតវិទ្យាដែលប្រើសម្រាប់ស្វែងរកវដ្តឬលំនាំពេលវេលាបញ្ជូនទិន្នន័យ (Frequencies) សូម្បីតែទិន្នន័យនោះត្រូវបានកត់ត្រាក្នុងចន្លោះពេលមិនស្មើគ្នាក៏ដោយ។ ក្នុងឯកសារនេះ វាត្រូវបានប្រើដើម្បីរាវរកឧបករណ៍ដែលខូច។ | ដូចជាការព្យាយាមគណនាថាតើឡានក្រុងរត់រៀងរាល់ប៉ុន្មានម៉ោងម្តង ដោយគ្រាន់តែមានកំណត់ត្រាពេលខ្លះៗដែលឡានក្រុងមកដល់ចំណត (មិនមែនមានកំណត់ត្រាគ្រប់ពេលទាំងអស់នោះទេ)។ |
| Queuing Theory | ទ្រឹស្តីគណិតវិទ្យាដែលសិក្សាអំពីការរង់ចាំក្នុងជួរ ដើម្បីប្រើប្រាស់វាយតម្លៃនិងព្យាករណ៍ពីការពន្យារពេល (Latency) និងការកកស្ទះនៅក្នុងប្រព័ន្ធបណ្តាញ ពេលដែលមានទិន្នន័យច្រើនសន្ធឹកសន្ធាប់មកដល់ព្រមៗគ្នា។ | ដូចជាការគណនាជាមុនថាតើត្រូវបើកបញ្ជរបង់លុយនៅផ្សារទំនើបចំនួនប៉ុន្មាន ទើបអតិថិជនមិនចាំយូរ នៅពេលមានមនុស្សមកទិញទំនិញច្រើន។ |
| Demodulation Path | សមត្ថភាពផ្នែករឹង (Hardware) របស់ម៉ាស៊ីនទទួល (Gateway Receiver) ក្នុងការចាប់យក និងបំប្លែងរលកសញ្ញាទៅជាទិន្នន័យកុំព្យូទ័រក្នុងពេលតែមួយ។ ប្រសិនបើច្រកនេះពេញ ទិន្នន័យថ្មីដែលមកដល់នឹងត្រូវបាត់បង់ (Dropped)។ | ដូចជាចំនួនបុគ្គលិកបម្រើសេវានៅធនាគារ បើមានបុគ្គលិក ៨ នាក់ នោះគេអាចបម្រើអតិថិជនបានតែ ៨ នាក់ក្នុងពេលតែមួយ បើមានអ្នកទី ៩ មក គាត់នឹងត្រូវរង់ចាំ ឬត្រូវដើរចេញ។ |
| Quasi-periodic Traffic | លំនាំទិន្នន័យដែលត្រូវបានបង្កើតឡើងដោយឧបករណ៍សេនស័រក្នុងចន្លោះពេលប្រហាក់ប្រហែលគ្នាជារឿយៗ ប៉ុន្តែមកដល់ម៉ាស៊ីនមេ (Server) មិនទៀងទាត់ពេលវេលា ១០០% នោះទេ ដោយសារការពន្យារពេល ឬការកកស្ទះតាមផ្លូវបណ្តាញទូរគមនាគមន៍។ | ដូចជាការកំណត់ម៉ោងរោទ៍ទូរស័ព្ទឲ្យក្រោកពីគេងរៀងរាល់ម៉ោង ៦ ព្រឹកជារៀងរាល់ថ្ងៃ ប៉ុន្តែពេលខ្លះអ្នកអាចក្រោកនៅម៉ោង ៦:០៥ ឬ ៦:១០ នាទី ដោយសារភាពនឿយហត់ខុសៗគ្នា។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
