បញ្ហា (The Problem)៖ ការសិក្សានេះដោះស្រាយបញ្ហាដែនកំណត់នៃថាមពលថ្មនៅក្នុងឧបករណ៍ IoT និងភាពស្មុគស្មាញក្នុងការសម្រេចចិត្តថាគួរធ្វើការគណនានៅលើឧបករណ៍ផ្ទាល់ ឬបញ្ជូនទៅគែមបណ្តាញ (Edge Server) នៅក្នុងបរិយាកាសបណ្តាញដែលមានការប្រែប្រួលរហ័ស។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកនិពន្ធបានស្នើឡើងនូវក្របខ័ណ្ឌរួមបញ្ចូលគ្នានៃការសិក្សាបំប៉នស៊ីជម្រៅ (Deep Reinforcement Learning) និងវិធីសាស្ត្រស្វែងរក ដើម្បីបង្កើនប្រសិទ្ធភាពប្រព័ន្ធ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Proposed DRL Framework (CNN + 1D Search) ក្របខ័ណ្ឌស្នើឡើង (ការរៀនសូត្របំប៉នស៊ីជម្រៅ + ការស្វែងរកមួយវិមាត្រ) |
មានល្បឿនប្រតិបត្តិការលឿនបំផុតនៅក្នុងបណ្តាញដែលមានឧបករណ៍ច្រើន និងកាត់បន្ថយការរំខានរវាងឧបករណ៍តាមរយៈបច្ចេកវិទ្យា OFDMA ។ | ទាមទារការបណ្តុះបណ្តាល (Training) ម៉ូដែលជាមុន ដែលអាចប្រើប្រាស់ពេលវេលានៅដំណាក់កាលដំបូង។ | សម្រេចបានប្រសិទ្ធភាពប្រព័ន្ធ (WSSU) ៩៩,៧២% និងប្រើពេលត្រឹម ៣៧២,៣ ms សម្រាប់អ្នកប្រើប្រាស់ ៣០នាក់។ |
| Coordinate Descent (CD) វិធីសាស្ត្រ Coordinate Descent (ស្តង់ដារប្រៀបធៀប) |
ផ្តល់នូវដំណោះស្រាយដែលល្អបំផុត (Optimal Solution) ដោយសម្រេចបានប្រសិទ្ធភាពប្រព័ន្ធ ១០០%។ | មានល្បឿនយឺតខ្លាំងដោយសារត្រូវធ្វើការគណនាច្រើនសា (Iteration) មិនសមស្របសម្រាប់បណ្តាញដែលមានការប្រែប្រួលលឿន។ | ប្រើរយៈពេលប្រតិបត្តិរហូតដល់ ៣៦៤០,៥ ms សម្រាប់អ្នកប្រើប្រាស់ ៣០នាក់ (យឺតជាងវិធីសាស្ត្រស្នើឡើងប្រហែល ១០ដង)។ |
| DROO (Deep Reinforcement Learning for Online Offloading) វិធីសាស្ត្រ DROO |
មានប្រសិទ្ធភាពខ្ពស់ និងលឿនជាងវិធីសាស្ត្រ CD ឆ្ងាយណាស់។ | នៅតែមានល្បឿនយឺតជាងវិធីសាស្ត្រដែលស្នើឡើងបន្តិច នៅពេលចំនួនឧបករណ៍កើនឡើងដល់ ៣០។ | សម្រេចបានប្រសិទ្ធភាពប្រព័ន្ធ ៩៩,២៥% និងប្រើពេល ៣៩៨,៧ ms សម្រាប់អ្នកប្រើប្រាស់ ៣០នាក់។ |
| Pure Local / Pure Edge Computing ការគណនានៅលើឧបករណ៍ផ្ទាល់ / ការបញ្ជូនទៅ Edge ទាំងស្រុង |
មានភាពសាមញ្ញក្នុងការអនុវត្ត មិនត្រូវការក្បួនដោះស្រាយស្មុគស្មាញ។ | មិនអាចប្រើប្រាស់ធនធានបានពេញលេញ និងធ្វើឱ្យប្រសិទ្ធភាពថាមពលធ្លាក់ចុះយ៉ាងខ្លាំង។ | ប្រសិទ្ធភាពប្រព័ន្ធទាបជាងវិធីសាស្ត្រស្នើឡើងរហូតដល់ ៥៤% (សម្រាប់ Local) និង ១៩% (សម្រាប់ Edge)។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តវិធីសាស្ត្រនេះទាមទារធនធានកុំព្យូទ័រមធ្យមសម្រាប់ការបណ្តុះបណ្តាល (Training) និងធនធានតិចតួចសម្រាប់ការអនុវត្តជាក់ស្តែង (Inference)។
ការសិក្សានេះប្រើប្រាស់ទិន្នន័យដែលបង្កើតឡើងដោយការពិសោធន៍ (Simulation) ផ្អែកលើគំរូគណិតវិទ្យានៃបណ្តាញឥតខ្សែ (Rayleigh fading channels) មិនមែនទិន្នន័យជាក់ស្តែងពីអ្នកប្រើប្រាស់ទេ។ នេះជាស្តង់ដារក្នុងការស្រាវជ្រាវ ប៉ុន្តែការអនុវត្តនៅកម្ពុជាអាចជួបប្រទះបញ្ហាជាក់ស្តែងដូចជាការរំខានសេវា ឬល្បឿនអ៊ីនធឺណិតមិនស្ថិតស្ថេរដែលមិនមានក្នុងគំរូពិសោធន៍។
វិធីសាស្ត្រនេះមានសារៈសំខាន់ខ្លាំងសម្រាប់កម្ពុជា ជាពិសេសក្នុងបរិបទនៃការអភិវឌ្ឍន៍ហេដ្ឋារចនាសម្ព័ន្ធ 5G និង Smart City។
បច្ចេកវិទ្យានេះគឺជាដំណោះស្រាយដ៏មានសក្តានុពលសម្រាប់ឧបករណ៍ IoT ដែលមានថាមពលកំណត់ ដោយជួយពង្រីកអាយុកាលថ្ម និងបង្កើនល្បឿនប្រតិបត្តិការ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Mobile Edge Computing (MEC) | ជាបច្ចេកវិទ្យាដែលនាំយកសមត្ថភាពនៃការគណានិងការផ្ទុកទិន្នន័យ (Server) មកដាក់ឱ្យជិតអ្នកប្រើប្រាស់បំផុត (ឧទាហរណ៍៖ នៅបង្គោលអង់តែនទូរស័ព្ទ) ដើម្បីកាត់បន្ថយភាពយឺតយ៉ាវ (Latency) ក្នុងការឆ្លើយតប។ | ប្រៀបដូចជាការមានបណ្ណាល័យតូចមួយនៅក្បែរផ្ទះរបស់អ្នក ជំនួសឱ្យការធ្វើដំណើរទៅបណ្ណាល័យជាតិដ៏ធំដែលនៅឆ្ងាយ ដើម្បីស្វែងរកព័ត៌មានបានលឿនជាង។ |
| Wireless Power Transfer (WPT) | ជាបច្ចេកវិទ្យាបញ្ជូនថាមពលអគ្គិសនីតាមរយៈរលកធាតុអាកាស (Radio Frequency) ដើម្បីសាកថ្មឧបករណ៍អេឡិចត្រូនិកតូចៗដោយមិនចាំបាច់ប្រើខ្សែដោតផ្ទាល់។ | ដូចជាការប្រើប្រាស់ Wi-Fi សម្រាប់បញ្ជូនអ៊ីនធឺណិត ប៉ុន្តែបច្ចេកវិទ្យានេះប្រើសម្រាប់បញ្ជូនភ្លើងដើម្បីសាកថ្មទូរស័ព្ទ ឬឧបករណ៍ចាប់សញ្ញា។ |
| Computation Offloading | ជាដំណើរការនៃការផ្ទេរភារកិច្ចគណនាដែលស្មុគស្មាញពីឧបករណ៍ចល័ត (ដែលមានសមត្ថភាពខ្សោយ) ទៅឱ្យកុំព្យូទ័រមេ (Edge Server) ធ្វើជំនួស ដើម្បីសន្សំសំចៃថ្ម និងបង្កើនល្បឿន។ | ប្រៀបដូចជាសិស្សម្នាក់សុំឱ្យសិស្សពូកែគណិតវិទ្យា ជួយដោះស្រាយលំហាត់ពិបាកៗជំនួសខ្លួន ដើម្បីឆាប់បានចម្លើយ និងមិនសូវហត់។ |
| Deep Reinforcement Learning (DRL) | ជាផ្នែកមួយនៃបញ្ញាសិប្បនិម្មិត (AI) ដែលរៀនធ្វើការសម្រេចចិត្តដោយឆ្លងកាត់ការសាកល្បងខុស និងត្រូវ (Trial and Error) ហើយកែតម្រូវខ្លួនឯងដោយផ្អែកលើពិន្ទុរង្វាន់ (Reward) ដែលទទួលបាន។ | ដូចជាការបង្ហាត់សត្វឆ្កែឱ្យចេះធ្វើតាមបញ្ជា ដោយផ្តល់ចំណីជារង្វាន់នៅពេលវាធ្វើត្រូវ និងមិនឱ្យចំណីនៅពេលវាធ្វើខុស។ |
| Orthogonal Frequency Division Multiple Access (OFDMA) | ជាបច្ចេកវិទ្យាបែងចែកប្រេកង់សេវាជាចំណែកតូចៗ (Subcarriers) ដើម្បីអនុញ្ញាតឱ្យឧបករណ៍ច្រើនអាចបញ្ជូនទិន្នន័យព្រមគ្នាដោយមិនរំខានគ្នា (Interference)។ | ប្រៀបដូចជាការបែងចែកផ្លូវថ្នល់ជាច្រើនគន្លង (Lanes) ដើម្បីឱ្យឡានច្រើនគ្រឿងអាចបើកបរទន្ទឹមគ្នាបានក្នុងពេលតែមួយ ដោយមិនបុកគ្នា។ |
| Binary Offloading | ជាយុទ្ធសាស្ត្រនៃការសម្រេចចិត្តថាត្រូវធ្វើការងារគណនាទាំងអស់នៅលើឧបករណ៍ផ្ទាល់ ឬបញ្ជូនទៅ Server ទាំងអស់ ដោយមិនអាចបំបែកការងារជាពីរចំណែកបានឡើយ។ | ដូចជាការសម្រេចចិត្តថាត្រូវញ៉ាំបាយនៅផ្ទះ ឬទៅហាងអាហារទាំងស្រុង មិនមែនញ៉ាំពាក់កណ្តាលនៅផ្ទះហើយពាក់កណ្តាលទៀតទៅហាងទេ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
