បញ្ហា (The Problem)៖ ការស្រាវជ្រាវនេះផ្តោតលើការដោះស្រាយបញ្ហាការបែងចែកថាមពលបញ្ជូន (Transmission Power Allocation) និងបញ្ហាការសម្រេចចិត្តរួមគ្នានៃការទម្លាក់សំណើ និងការរៀបចំកាលវិភាគធនធានកុំព្យូទ័រ (JRORS) សម្រាប់ការរៀនសូត្របែបសហព័ន្ធ (Federated Learning) នៅក្នុងប្រព័ន្ធកុំព្យូទ័រ MEC (Mobile Edge Computing) ច្រើនអ្នកប្រើប្រាស់។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានស្នើឡើងនូវក្បួនដោះស្រាយប្រភេទកែលម្អថ្មីចំនួនពីរ ដើម្បីដោះស្រាយបញ្ហាបែងចែកធនធាន និងបញ្ហាកាលវិភាគការងារ ដោយធ្វើការបញ្ជាក់តាមរយៈការក្លែងធ្វើពិសោធន៍ (Simulation) កុំព្យូទ័រ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| BSSA (Binary Salp Swarm Algorithm) ក្បួនដោះស្រាយ BSSA សម្រាប់រៀបចំកាលវិភាគធនធាន |
មានសមត្ថភាពខ្ពស់ក្នុងការបង្កើនសុខុមាលភាពប្រព័ន្ធ (System Welfare) រក្សាបាននូវអត្រាឆ្លើយតបរហ័ស និងមានភាពយុត្តិធម៌ល្អសម្រាប់ការបែងចែកធនធានកុំព្យូទ័រ។ | ទាមទារការគណនាស្មុគស្មាញនៅពេលចំនួនអ្នកប្រើប្រាស់កើនឡើងច្រើន ហើយអាចលះបង់ភាពយុត្តិធម៌បន្តិចបន្តួចនៅពេលប្រព័ន្ធមានផ្ទុកទិន្នន័យលើសកម្រិត។ | បង្កើន System Welfare បានរហូតដល់ ១០០% នៅពេលមានអ្នកប្រើប្រាស់ ១២នាក់ និង ២០% សម្រាប់អ្នកប្រើប្រាស់ ១០០នាក់ ធៀបនឹងក្បួនដោះស្រាយ GA។ |
| GA (Genetic Algorithm) ក្បួនដោះស្រាយពន្ធុវិទ្យា (GA) |
ដំណើរការបានល្អក្នុងការដោះស្រាយបញ្ហាថេរ (Discrete Problems) និងអាចរក្សាបាននូវភាពយុត្តិធម៌ (Fairness) ក្នុងកម្រិតដែលអាចទទួលយកបាន។ | ផ្តល់នូវតម្លៃសុខុមាលភាពប្រព័ន្ធ (System Welfare) និងអត្រាឆ្លើយតប (Response Rate) ទាបជាង BSSA និងងាយនឹងយឺតយ៉ាវនៅពេលទិន្នន័យច្រើន។ | មានភាពយុត្តិធម៌ល្អ (SSD ខ្ពស់) ប៉ុន្តែអត្រាឆ្លើយតប និងទិន្នផលទូទៅទាបជាង BSSA យ៉ាងច្បាស់។ |
| AGDOA (Adaptive-Greedy Dingo Optimization Algorithm) ក្បួនដោះស្រាយ AGDOA សម្រាប់ការបែងចែកថាមពលបញ្ជូន |
មានល្បឿនជួបប្រសព្វ (Convergence Speed) លឿន សន្សំសំចៃថាមពលខ្ពស់ និងមានយន្តការការពារកុំឱ្យធ្លាក់ចូលទៅក្នុងចំណុច Local Optima។ | ទាមទារការកំណត់ប៉ារ៉ាម៉ែត្របន្សាំ (Adaptive Parameters) ឱ្យបានត្រឹមត្រូវដើម្បីទទួលបានលទ្ធផលល្អបំផុត។ | កាត់បន្ថយការប្រើប្រាស់ថាមពលពី ៨.៣% ទៅ ១៦៣.៩% និងប្រើត្រឹមតែ ៦១ ជុំ (Iterations) ដើម្បីស្វែងរកចម្លើយ ធៀបនឹង ២០០ ជុំរបស់ GPSO។ |
| GPSO (Greedy Particle Swarm Optimization) ក្បួនដោះស្រាយ GPSO |
មានភាពងាយស្រួលក្នុងការអនុវត្ត និងស័ក្តិសមសម្រាប់បញ្ហាដែលមានអថេរច្រើនក្នុងការបែងចែកថាមពល។ | មានល្បឿនយឺតក្នុងការស្វែងរកចម្លើយ និងប្រើប្រាស់ថាមពលប្រព័ន្ធច្រើនជាងក្បួនដោះស្រាយជំនាន់ថ្មី។ | ត្រូវការរហូតដល់ ២០០ ទៅ ២២៩ ជុំ (Iterations) ទើបអាចស្វែងរកចម្លើយបាន និងស៊ីថាមពលខ្ពស់បំផុតក្នុងចំណោមក្បួនដោះស្រាយដែលបានប្រៀបធៀប។ |
| NCGG (Non-cooperative game model) ម៉ូដែលហ្គេមមិនសហការ (NCGG) |
មានប្រសិទ្ធភាពក្នុងការសម្រេចចិត្តបែបវិមជ្ឈការ (Decentralized) សម្រាប់អ្នកប្រើប្រាស់ម្នាក់ៗ។ | ខ្វះការសម្របសម្រួលជាសកល (Global Coordination) ដែលធ្វើឱ្យប្រព័ន្ធទាំងមូលមិនអាចដំណើរការបានក្នុងកម្រិតអតិបរមា។ | ដំណើរការបានលឿនជាង GPSO បន្តិច ប៉ុន្តែនៅតែប្រើប្រាស់ថាមពលច្រើនជាង AGDOA យ៉ាងខ្លាំង។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះប្រើប្រាស់ការក្លែងធ្វើ (Simulation) តាមរយៈកុំព្យូទ័រធម្មតា ដែលមិនទាមទារធនធានផ្នែករឹង (Hardware) ធំដុំ ឬម៉ាស៊ីនសេវើថ្លៃៗសម្រាប់ដំណើរការសាកល្បងនោះទេ។
ការស្រាវជ្រាវនេះពឹងផ្អែកទាំងស្រុងទៅលើទិន្នន័យក្លែងធ្វើ (Simulated Data) ដែលបង្កើតឡើងដោយកុំព្យូទ័រ ដូចជាការសន្មត់ពីកម្លាំងកុំព្យូទ័រ ល្បឿនអ៊ីនធឺណិត និងទំហំទិន្នន័យ ដោយមិនមានការសាកល្បងក្នុងបរិស្ថានជាក់ស្តែង។ សម្រាប់ប្រទេសកម្ពុជា នេះជាចំណុចខ្វះខាតមួយ ដោយសារកត្តាជាក់ស្តែងដូចជា ភាពមិនប្រក្រតីនៃបណ្តាញអ៊ីនធឺណិត ការដាច់ភ្លើង និងកម្រិតបញ្ជូន (Bandwidth) ទាបនៅតំបន់ជាយក្រុង មិនត្រូវបានគិតបញ្ចូលក្នុងទិន្នន័យក្លែងធ្វើនេះទេ។
ទោះបីជាយ៉ាងណាក៏ដោយ ក្បួនដោះស្រាយនេះមានសក្តានុពលខ្ពស់ក្នុងការជួយអភិវឌ្ឍប្រព័ន្ធហេដ្ឋារចនាសម្ព័ន្ធបច្ចេកវិទ្យានៅកម្ពុជា ពិសេសក្នុងគម្រោងទីក្រុងឆ្លាតវៃ និងការគ្រប់គ្រងទិន្នន័យ។
សរុបមក ការអនុវត្តក្បួនដោះស្រាយ AGDOA និង BSSA អាចជួយកម្ពុជាក្នុងការសន្សំសំចៃថ្លៃដើមប្រតិបត្តិការអ៊ីនធឺណិត និងពន្លឿនដំណើរការបច្ចេកវិទ្យា IoT ឱ្យកាន់តែមានប្រសិទ្ធភាព និងឆ្លើយតបទាន់ពេលវេលា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Federated Learning (FL) | ជាវិធីសាស្ត្របង្វឹកម៉ូដែលបញ្ញាសិប្បនិម្មិត (AI) ដោយឱ្យឧបករណ៍នីមួយៗ (ដូចជាទូរស័ព្ទដៃ) ធ្វើការរៀនពីទិន្នន័យដោយខ្លួនឯង រួចបញ្ជូនតែលទ្ធផលនៃការរៀនសូត្រទៅកាន់សេវើកណ្តាល ដោយមិនចាំបាច់បញ្ជូនទិន្នន័យដើម ឬព័ត៌មានឯកជនរបស់អ្នកប្រើប្រាស់នោះទេ។ | ដូចជាសិស្សរៀនធ្វើលំហាត់នៅផ្ទះរៀងៗខ្លួន រួចយកតែចម្លើយដែលរកឃើញទៅប្រាប់គ្រូ ដោយមិនបាច់យកសៀវភៅព្រាង ឬក្រដាសស្មៅទៅឱ្យគ្រូមើលឡើយ ដើម្បីការពារអាថ៌កំបាំងផ្ទាល់ខ្លួន។ |
| Mobile Edge Computing (MEC) | ជាការនាំយកសមត្ថភាពគណនា និងរក្សាទុកទិន្នន័យឱ្យមកនៅកៀកនឹងអ្នកប្រើប្រាស់បំផុត (ឧទាហរណ៍៖ ដំឡើងសេវើនៅតាមបង្គោលអង់តែនទូរស័ព្ទ) ដើម្បីកាត់បន្ថយការពន្យារពេលក្នុងការបញ្ជូនទិន្នន័យទៅកាន់សេវើធំនៅឆ្ងាយៗ (Cloud)។ | ដូចជាការបើកសាខាធនាគារ ឬទូអេធីអឹម (ATM) នៅជិតផ្ទះអ្នក ដើម្បីឱ្យអ្នកដកប្រាក់បានលឿន ដោយមិនចាំបាច់ធ្វើដំណើរទៅកាន់ទីស្នាក់ការកណ្តាលនៅឯទីក្រុងឡើយ។ |
| Transmission Power Allocation (PA) | គឺជាដំណើរការនៃការបែងចែកកម្រិតថាមពល (សេវា) ក្នុងការបញ្ជូនទិន្នន័យរវាងឧបករណ៍ចល័ត និងអង់តែនសេវើ ដើម្បីធានាថាការទំនាក់ទំនងមានភាពរលូន និងសន្សំសំចៃថ្មទូរស័ព្ទរបស់អ្នកប្រើប្រាស់បានច្រើនបំផុត។ | ដូចជាការគ្រប់គ្រងកម្លាំងទឹកដែលបាញ់ចេញពីទុយោទៅកាន់រុក្ខជាតិផ្សេងៗគ្នា ដោយផ្តល់ទឹកខ្លាំងទៅដើមឈើធំ និងទឹកតិចតួចទៅកូនរុក្ខជាតិ ដើម្បីកុំឱ្យខ្ជះខ្ជាយទឹក។ |
| Joint Request Offloading and Computational Resource Scheduling (JRORS) | ជាដំណើរការសម្រេចចិត្តរួមគ្នាលើបញ្ហាពីរក្នុងពេលតែមួយ៖ ទីមួយ សម្រេចថាតើត្រូវបញ្ជូនការងារពីទូរស័ព្ទទៅឱ្យសេវើណាមួយជួយគណនា និងទីពីរ ត្រូវបែងចែកធនធានម៉ាស៊ីន (CPU/RAM) យ៉ាងដូចម្តេចដើម្បីឱ្យការងារនោះរួចរាល់ទាន់ពេលកំណត់។ | ដូចជាអ្នកគ្រប់គ្រងភោជនីយដ្ឋានម្នាក់ ដែលត្រូវសម្រេចចិត្តក្នុងពេលតែមួយថា តើត្រូវបញ្ជូនមុខម្ហូបណាទៅឱ្យចុងភៅណាធ្វើ ហើយត្រូវបែងចែកចង្ក្រានប៉ុន្មានសម្រាប់ចុងភៅម្នាក់ៗ ដើម្បីឱ្យភ្ញៀវទទួលបានម្ហូបលឿន។ |
| Salp Swarm Algorithm (SSA) | ជាក្បួនដោះស្រាយគណិតវិទ្យាដែលយកគំរូតាមការផ្លាស់ទីជាហ្វូងរបស់សត្វសមុទ្រម្យ៉ាង (Salp) ដោយមានមេហ្វូងជាអ្នកដឹកនាំ និងអ្នកតាម ដើម្បីស្វែងរកចំណុចល្អបំផុត (Optimal Solution) ក្នុងការដោះស្រាយបញ្ហាបែងចែកធនធានដ៏ស្មុគស្មាញ។ | ដូចជាហ្វូងស្រមោចដែលដើរតាមគ្នាជាជួរដើម្បីទៅរកដុំស្ករ ដោយមេហ្វូងជាអ្នករកផ្លូវខ្លីបំផុត ហើយស្រមោចផ្សេងទៀតដើរតាម ដើម្បីសន្សំកម្លាំងនិងពេលវេលា។ |
| Dingo Optimization Algorithm (DOA) | ជាក្បួនដោះស្រាយបញ្ហាដែលបង្កើតឡើងដោយត្រាប់តាមយុទ្ធសាស្ត្រប្រមាញ់ចំណីរបស់សត្វឆ្កែព្រៃអូស្ត្រាលី (Dingo) ដូចជាការវាយប្រហារជាក្រុម ឬការវាយប្រហារឯកត្តជន ដើម្បីស្វែងរកចម្លើយដ៏មានប្រសិទ្ធភាពបំផុតសម្រាប់បញ្ហាបែងចែកថាមពលបញ្ជូន (PA problem)។ | ដូចជាក្រុមអ្នកស៊ើបអង្កេតដែលប្រើប្រាស់យុទ្ធសាស្ត្រផ្សេងៗគ្នា (ធ្វើការជាក្រុមខ្លះ ចុះអង្កេតតែឯងខ្លះ) ដើម្បីស្វែងរកភស្តុតាង និងបំបែកសំណុំរឿងដ៏ស្មុគស្មាញមួយ។ |
| System Welfare | ជារង្វាស់ដែលប្រើដើម្បីវាយតម្លៃពីកម្រិតនៃភាពជោគជ័យ និងតុល្យភាពនៃប្រព័ន្ធទាំងមូល ដោយគិតបញ្ចូលទាំងល្បឿននៃការឆ្លើយតប ការចំណាយថាមពល តម្លៃសេវើ និងភាពយុត្តិធម៌សម្រាប់អ្នកប្រើប្រាស់ម្នាក់ៗ។ | ដូចជាពិន្ទុវាយតម្លៃសេវាកម្មរបស់សណ្ឋាគារមួយ ដែលឆ្លុះបញ្ចាំងពីការពេញចិត្តរួមរបស់ភ្ញៀវទាំងអស់ ផ្អែកលើតម្លៃ ភាពស្អាតបាត និងល្បឿននៃការបម្រើសេវាកម្ម។ |
| Scheduling Dominance Degree (SDD) | ជាសូចនាករសម្រាប់វាស់ស្ទង់កម្រិតនៃភាពយុត្តិធម៌ក្នុងការបែងចែកធនធានកុំព្យូទ័រដល់អ្នកប្រើប្រាស់។ បើតម្លៃ SDD កាន់តែខ្ពស់ មានន័យថាអ្នកប្រើប្រាស់គ្រប់រូបទទួលបានចំណែកសេវាកម្មកាន់តែស្មើភាពគ្នា (មិនលម្អៀង)។ | ដូចជាការកាត់នំខេកចែកក្មេងៗ បើក្មេងគ្រប់គ្នាទទួលបាននំប៉ុនៗគ្នា នោះភាពយុត្តិធម៌ (SDD) គឺមានកម្រិតខ្ពស់ ប៉ុន្តែបើមានក្មេងម្នាក់បាននំធំជាងគេ នោះកម្រិត SDD នឹងធ្លាក់ចុះ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
