Mạng cảm biến không dây
Khái niệm
Mạng cảm biến không dây (WSN) bao gồm nhiều nút cảm biến được triển khai trong một khu vực mục tiêu, kết nối và trao đổi dữ liệu qua sóng vô tuyến Các cảm biến thu thập thông tin từ môi trường và định tuyến dữ liệu đến trạm cơ sở (Base Station - BS) một cách trực tiếp hoặc qua các nút lân cận Tại trạm cơ sở, thông tin được phân tích và xử lý để hỗ trợ người sử dụng đưa ra quyết định.
Hình 1-1 Mạng cảm biến không dây
Cấu trúc nút cảm biến
Mỗi nút cảm biến bao gồm bốn thành phần chính: đơn vị cảm biến, đơn vị xử lý, đơn vị truyền dẫn và bộ nguồn Đơn vị cảm biến chứa các cảm biến và bộ chuyển đổi tín hiệu số (ADC), chuyển đổi thông tin từ môi trường thành tín hiệu số Tín hiệu số này sau đó được gửi đến đơn vị xử lý, nơi có bộ xử lý và bộ nhớ thực hiện các chức năng xử lý dữ liệu Cuối cùng, đơn vị truyền dẫn, bao gồm các bộ thu phát sóng, có nhiệm vụ truyền và nhận dữ liệu từ các nút cảm biến khác trong mạng.
Hệ thống định vị cung cấp thông tin chính xác về vị trí của thiết bị cảm biến trên địa hình, cho phép bộ xử lý gửi tín hiệu thông tin vị trí đến mạng cảm biến.
Bộ phận di động cho phép thiết bị cảm biến di chuyển đến các vị trí cụ thể, được điều khiển bởi đơn vị xử lý khi cần thiết.
Bộ nguồn cung cấp năng lượng cho tất cả các thành phần của nút cảm biến, thường sử dụng pin do các cảm biến kết nối vào hệ thống mạng bằng sóng vô tuyến.
Khác với mạng truyền thống, mạng cảm biến không dây có các nút cảm biến nhỏ gọn, với khả năng năng lượng, tính toán và bộ nhớ hạn chế, dẫn đến cấu trúc mạng thường xuyên thay đổi do nút cảm biến có thể hết năng lượng Cấu trúc của mạng cảm biến cũng có những đặc điểm riêng biệt so với mạng truyền thống.
- Khả năng chịu lỗi: Mạng vẫn hoạt động bình thường và duy trì những chức năng của nó ngay cả khi một số nút mạng không còn hoạt động
Khả năng mở rộng của mạng cảm biến không dây là yếu tố quan trọng trong các ứng dụng có số lượng lớn nút cảm biến Cấu trúc này được thiết kế để hỗ trợ hiệu quả việc triển khai nhiều cảm biến, đảm bảo hoạt động mượt mà ngay cả khi số lượng cảm biến tăng cao.
- Giá thành sản xuất : Do mỗi nút cảm biến có kích thước nhỏ, năng lượng ít, nên chi phí sản xuất cảm biến có giá thành thấp
Các nút cảm biến được triển khai rộng rãi trong nhiều môi trường khác nhau, bao gồm các khu vực hẻo lánh, bên trong máy móc lớn, dưới đáy đại dương, cũng như trong các khu vực ô nhiễm hóa học hoặc sinh học, tại các hộ gia đình và trong các tòa nhà lớn.
Các cảm biến được phân loại dựa trên khả năng cảm nhận của chúng, thường được so sánh với các giác quan của con người, như thể hiện trong Bảng 1-1 [82].
Bảng 1-1 Phân loại cảm biến theo khả năng cảm nhận
Giác quan Môi trường Thiết bị cảm biến
Thị giác Ánh sáng , hình dạng, kích thước, vị trí xa gần, màu sắc
Cảm biến thu hình, cảm biến quang
Xúc giác Áp suất, nhiệt độ, cơn đau, ẩm, khô Nhiệt trở, cảm biến độ rung động
Vị giác Ngọt, mặn, chua cay,… Đo lượng đường trong máu Thính giác Sóng âm, âm lƣợng,… Cảm biến sóng siêu âm
Khứu giác Mùi của chất khí, chất lỏng Đo độ cồn, thiết bị cảm nhận khí ga
Mặc dù có nhiều loại cảm biến nhƣ trên, nhƣng luận án này chỉ quan tâm đến loại cảm biến đầu tiên đó là cảm biến ―thị giác‖.
Cấu trúc mạng cảm biến không dây
Cấu trúc mạng cảm biến, hay còn gọi là topo của mạng cảm biến, là hình thức bố trí và liên kết các cảm biến trong mạng Các nút trong mạng cảm biến không dây thường được tổ chức theo ba loại cấu trúc liên kết chính: cấu trúc hình sao, cấu trúc phân cấp và cấu trúc mạng tập trung.
Trong cấu trúc hình sao, mỗi cảm biến được kết nối trực tiếp đến trạm cơ sở, với vai trò và chức năng tương đồng Các cảm biến hợp tác để thu thập thông tin từ môi trường và truyền về trạm cơ sở Tuy nhiên, cấu trúc này dẫn đến việc tiêu thụ năng lượng cao hơn do khoảng cách lớn đến trạm cơ sở, đồng thời yêu cầu trạm cơ sở phải nằm trong phạm vi truyền thông của tất cả các nút cảm biến trong mạng.
Hình 1-3 Mô hình cấu trúc hình sao
Trong cấu trúc phân cấp, mỗi nút cảm biến kết nối trực tiếp với nút ở cấp cao hơn nếu nằm trong phạm vi truyền thông, tạo thành hệ thống truyền thông đa hop Các nút cấp cao hơn sẽ kết nối với trạm cơ sở, cho phép mở rộng hệ thống; nếu một nút gặp sự cố, các nút xa vẫn có thể kết nối với nhau để truyền dữ liệu về trạm cơ sở Tuy nhiên, nhược điểm của cấu trúc này là các nút gần trạm cơ sở tiêu tốn năng lượng nhiều hơn vì phải chuyển tiếp dữ liệu từ các nút xa.
Hình 1-4 Mô hình cấu trúc phân cấp
Trong cấu trúc tập trung, các cảm biến được tổ chức thành cụm với một nút chủ (Cluster Head - CH) và các nút thành viên (non-CH) kết nối trực tiếp đến nút CH Nhiệm vụ của các nút non-CH là thu thập thông tin từ môi trường và chuyển đến nút CH khi cần thiết, trong khi nút CH tổng hợp, phân tích và loại bỏ thông tin dư thừa trước khi chuyển tiếp đến trạm cơ sở Để kéo dài tuổi thọ mạng, các nút trong cụm sẽ thay phiên nhau làm nút CH, giúp cân bằng năng lượng tiêu thụ giữa các cảm biến Việc loại bỏ thông tin dư thừa từ các nút CH cũng giúp giảm đáng kể năng lượng tiêu thụ và tránh quá tải trong quá trình chuyển dữ liệu đến trạm cơ sở.
Trong các cấu trúc liên kết mạng trên, cấu trúc tập trung đƣợc các nhà nghiên cứu quan tâm nhiều nhất
Hình 1-5 Mô hình cấu trúc tập trung
Mạng cảm biến trong môi trường 3 chiều
Môi trường 3 chiều được mô hình hóa thông qua mô hình độ cao số (Digital Elevation Model - DEM), thể hiện độ cao của bề mặt đất, tầng đất và mực nước ngầm so với mực nước biển Bản đồ DEM là một công cụ mô phỏng địa hình, với độ phân giải thể hiện qua diện tích ô vuông tương ứng với một pixel Ví dụ, bản đồ DEM có độ phân giải 25m/pixel nghĩa là mỗi điểm ảnh đại diện cho một khu vực 25m x 25m, cho thấy rằng độ phân giải càng cao thì càng có nhiều giá trị độ cao được thể hiện trên cùng một đơn vị diện tích bề mặt đất.
Bản đồ độ cao số thường được lưu trữ dưới hai dạng raster và véc tơ
Mô hình độ cao số dạng raster là dữ liệu được lưu trữ trong ma trận với các ô lưới vuông, bao gồm hàng và cột, trong đó mỗi ô chứa giá trị độ cao của bề mặt đất tương ứng.
Mô hình độ cao số dạng véc tơ lưu trữ giá trị độ cao dưới dạng các đỉnh của tam giác, tạo thành một mạng lưới các tam giác liên kết với nhau.
Các phương pháp xây dựng bản đồ độ cao số phổ biến hiện nay là: phương pháp chụp ảnh lập thể, phương pháp đường đồng mức
Phương pháp chụp ảnh lập thể sử dụng các công cụ chuyên dụng để thu thập dữ liệu không gian 3 chiều với các giá trị tọa độ chính xác Phương pháp này yêu cầu kiểm soát nhiều điểm và áp dụng các kỹ thuật xử lý ảnh tiên tiến Hiện nay, các công cụ chụp ảnh phổ biến thường được sử dụng là từ các vệ tinh như Aster và Spot.
Phương pháp đường đồng mức sử dụng bản đồ độ cao số được xây dựng từ quan trắc địa số hóa, với mỗi đường đồng mức thể hiện một giá trị độ cao cụ thể trong địa hình Kết hợp công nghệ hệ thống thông tin địa lý GIS với các bản đồ địa hình dạng đường đồng mức, người dùng có thể tạo ra bản đồ độ cao số thông qua các phần mềm như Mapinfo, ArcGis, và EarthExplore.
Hình 1-6 Hai mô hình DEM thông dụng
Hố mạng và vật cản
Một thách thức lớn trong hoạt động của mạng cảm biến là sự xuất hiện của các "hố mạng", tức là những khu vực không có nút mạng cảm biến hoặc nếu có thì chúng không còn khả năng hoạt động Các loại hố mạng này thường được nghiên cứu và quan tâm đặc biệt.
Hố mạng vật lý là những khu vực mà việc lắp đặt cảm biến gặp khó khăn do đặc điểm địa hình, hoặc nếu cảm biến được lắp đặt, chúng không thể thu thập thông tin từ môi trường xung quanh.
Hố định tuyến : Là khu vực trong mạng cảm biến mà không thể tham gia vào việc truyền dữ liệu [3]
Hố nhiễu sóng là hiện tượng xảy ra trong các ứng dụng theo dõi đối tượng khi chúng được trang bị thiết bị gây nhiễu tần số giao tiếp giữa các nút cảm biến Mặc dù các nút cảm biến vẫn có khả năng phát hiện sự hiện diện của đối tượng trong khu vực, nhưng chúng không thể gửi dữ liệu về trạm cơ sở do bị nhiễu Kết quả là, những nút cảm biến này trong mạng sẽ hình thành nên các hố nhiễu sóng.
Hố đen trong mạng cảm biến không dây là một vấn đề nghiêm trọng do tính chất dễ bị tấn công từ chối dịch vụ Các nút trong mạng thường có khả năng tính toán thấp, bộ nhớ hạn chế và băng thông truyền thông dữ liệu không an toàn Khi một nút bị nhiễm độc bởi virus hoặc sâu, nó sẽ quảng bá để thu hút lưu lượng dữ liệu, trong khi các nút lân cận lại tạo ra các đường dẫn chất lượng cao đến các nút khác Kết quả là, hầu hết lưu lượng sẽ bị dẫn dắt về nút nhiễm độc, cho phép nó có khả năng hủy bỏ, sửa đổi hoặc chọn lọc thông tin trước khi chuyển tiếp Điều này dẫn đến việc nút nhiễm độc hình thành một hố dữ liệu, hoạt động như một trạm cơ sở, và các nút như vậy được gọi là hố đen.
Trong bốn loại hố mạng, ba loại hố mạng thường được xem xét trong định tuyến mạng cảm biến không dây Hố mạng vật lý liên quan đến việc triển khai cảm biến, và luận án này tập trung vào hố mạng vật lý cho việc triển khai cảm biến trong môi trường ba chiều.
Trong môi trường ba chiều, các cảm biến có thể gặp khó khăn trong việc thu thập thông tin từ điểm mục tiêu do bị cản trở bởi các vật thể như tòa nhà và núi cao Nghiên cứu trong luận án này giả định rằng những vật cản này, tức là những vật có độ cao vượt quá đường thẳng nối giữa cảm biến và điểm mục tiêu, gây trở ngại cho khả năng cảm nhận của cảm biến.
Việc xác định vị trí cảm biến cho mạng cảm biến không dây trong môi trường 2 chiều không còn phù hợp thực tế, dẫn đến sự quan tâm nghiên cứu cho môi trường 3 chiều Mô hình cảm biến trong không gian 3 chiều tương tự như trong 2 chiều nhưng cần bổ sung các tham số như phạm vi cảm biến và góc của cảm biến Tuy nhiên, các thuật toán xác định vị trí cảm biến hiện tại thường không hiệu quả trong môi trường 3 chiều do sự tồn tại của vật cản và hố mạng vật lý, tạo ra những thách thức lớn cho việc tối ưu hóa phủ sóng.
Một giải pháp để xác định số vật cản giữa cảm biến và điểm cần phủ sóng trên địa hình đã được trình bày trong nghiên cứu [34] Phương pháp này cho phép tính toán khả năng tầm nhìn giữa cảm biến và điểm mục tiêu, với các yếu tố ảnh hưởng chủ yếu là độ cao của tất cả các điểm nằm trên đường thẳng nối giữa chúng Thông tin về độ cao được cung cấp bởi ma trận DEM, trong đó mỗi tọa độ điểm lưới lưu trữ độ cao của điểm tương ứng trong môi trường thực tế.
Phương pháp LoS (Line-of-Sight) được sử dụng để xác định khả năng tầm nhìn giữa cảm biến và điểm mục tiêu bằng cách chia đoạn thẳng nối giữa chúng thành nhiều đoạn nhỏ tương ứng với kích thước ô lưới Một danh sách các điểm lưới trên đường thẳng này được xác định, sau đó mỗi điểm trong danh sách sẽ được kiểm tra với ô lưới chứa nó Nếu độ cao của điểm nhỏ hơn độ cao của ô lưới, số lượng vật cản sẽ tăng lên Hình 1-7 minh họa khả năng tầm nhìn giữa cảm biến s j và điểm mục tiêu e i.
(a) Không có vật cản, (b) Có vật cản Hình 1-7 Cách xác định vật cản trong địa hình
Hai bài toán quan trọng trong mạng cảm biến không dây và các nghiên cứu liên quan
Bài toán tối ƣu năng lƣợng mạng
Chương 1 đã trình bày khái quát về mạng cảm biến không dây và hai bài toán quan trọng nhất trong liên quan đến việc triển khai trong thực tế, đó là tối ƣu hóa vùng phủ sóng và tối ƣu hóa năng lƣợng Trong bài toán tối ƣu hóa vùng phủ sóng, các yếu tố phức tạp có trong địa hình 3 chiều nhƣ vật cản, hố mạng cũng đƣợc chỉ ra Từ những khảo sát trên, luận án đặt ra các mục tiêu nghiên cứu sau:
Giải pháp xác định hố mạng và nâng cao tốc độ nhận diện vật cản giữa cảm biến và điểm mục tiêu được nghiên cứu, đồng thời áp dụng thuật toán tối ưu bầy đàn nhằm tăng cường khả năng phủ sóng của mạng cảm biến.
Nghiên cứu về tối ưu năng lượng tiêu thụ trong mạng cảm biến tập trung vào các giải pháp phân cụm nhằm giảm thiểu năng lượng trong quá trình truyền dữ liệu từ các nút CH đến BS Mục tiêu chính là cân bằng năng lượng tiêu thụ giữa các cụm cảm biến, từ đó kéo dài tuổi thọ của mạng.
Đề xuất mô hình mạng cảm biến trong môi trường 3 chiều
Trong một khu vực mục tiêu cần theo dõi, việc sử dụng một mạng cảm biến không dây với N cảm biến là rất quan trọng để đảm bảo khu vực này được phủ sóng hoàn toàn Để xác định tính hiệu quả của mạng cảm biến, khu vực mục tiêu trong môi trường 3 chiều sẽ được chia thành các ô lưới có kích thước đồng đều Nếu tất cả các điểm trong lưới được cảm biến phủ sóng, điều này có nghĩa là toàn bộ khu vực mục tiêu đã được đảm bảo sự phủ sóng.
Mô hình mạng cảm biến 3 chiều đƣợc đề xuất nhƣ sau Giả sử chúng ta có:
T là một địa hình trong mô hình độ cao số DEM, được thể hiện dưới dạng ma trận với các giá trị phản ánh độ cao của các điểm lưới.
- WSN= {s 1, s 2, …, s N} là mạng cảm biến trong đó:
N là số cảm biến, x j , y j là tọa độ s j trong mặt phẳng Oxy, h j x j , y j là chiều cao của s j tại tọa độ x j , y j , r bán kính cảm biến của s j ,
Trong phạm vi truyền thông của cảm biến s j, góc mở θ j được xác định theo phương Ox, trong khi α j cho phép xác định hướng của cảm biến dọc theo phương này với 0 ≤ α j ≤ 2π Ngoài ra, góc nghiêng ξ j của cảm biến s j theo phương Oz và β j xác định hướng của cảm biến dọc theo phương Oz, cũng với giới hạn 0 ≤ β j ≤ 2π (Hình 2-1).
Hình 2-1 Biểu diễn các góc của cảm biến trong môi trường 3 chiều
- R={r 1 , r 2 ,…, r H } là tập các hố mạng vật lý mà tại đây không thể đặt cảm biến
Mỗi hố mạng đại diện là một hình chữ nhật nhƣ Hình 2-2, trong đó
i t t i y x , là độ góc trên bên trái hình chữ nhật, i d d i y x , là tọa độ góc dưới bên phải hình chữ nhật
Tập hợp E = { e1, e2, …, eM } bao gồm các điểm mẫu trong địa hình, với mỗi điểm e i được xác định bởi tọa độ (x e i , y e i) và chiều cao h e i Số lượng điểm mẫu M không nằm trong hố vậy lý, và tọa độ của mỗi điểm e i nằm trong mặt phẳng Oxy.
Hình 2-2 Đại diện hố mạng trong địa hình
- Một điểm e i đƣợc cho là phủ sóng bởi s j khi và chỉ khi các điều kiện sau đây đƣợc đồng thời đảm bảo:
Khoảng cách Euclide giữa cảm biến s j và điểm e i nhỏ hơn hoặc bằng bán kín phủ sóng của s j
Góc giữa cảm biến s j và điểm e i dọc theo phương Ox nhỏ hơn hoặc bằng góc mở θ j của s j
Góc giữa cảm biến s j và điểm e i dọc theo phương Oz nhỏ hơn hoặc bằng góc nghiêng ξ j của s j
Tầm nhìn từ cảm biến s j tới điểm e i lớn hơn một ngưỡng cho trước
- Như vậy, mô hình cảm biến chủ yếu phụ thuộc vào khoảng cách, hướng, và tầm nhìn đƣợc định nghĩa nhƣ sau:
Hàm f d kiểm tra xem điểm mục tiêu e i có nằm trong vùng phủ sóng của cảm biến s j
Hàm f p đo khả năng bao phủ của cảm biến s j đến điểm e i bởi góc của cảm biến theo phương Ox
j i j i s e s e x x y y arctan là góc giữa cảm biến s j và điểm e i theo phương Ox
Hàm f t đo khả năng bao phủ của cảm biến s j đến điểm e i bởi góc của cảm biến theo phương Oz
(2.6) trong đó j i s e e s d h h i j arctan , là góc giữa cảm biến s j và điểm e i theo trục Oz
Hàm v ji (s j ,e i ) đo khả năng tầm nhìn giữa cảm biến s j và điểm e i
0 i j t p d ji e s Obstacles num f f f v (2.7) trong đó, num_Obstacles(s j , e i ) là số vật cản giữa cảm biến s j và điểm e i và đƣợc tính bằng phương pháp LoS
Các hàm f d, f p và f t là các hàm nhị phân dùng để kiểm tra xem các điểm mục tiêu có nằm trong phạm vi phủ sóng của cảm biến hay không, nhưng không cung cấp độ đo khả năng phủ sóng cụ thể Để đáp ứng nhu cầu của một số ứng dụng yêu cầu độ đo này, các hàm được đề xuất để tính toán khả năng phủ sóng sẽ được trình bày sau đây [5].
Trong đó λ d giá trị thực nghiệm có thể là 1, 3, 6 t d đƣợc giả sử bằng 5 tức có 50% cảm biến phủ sóng tối đa điểm mục tiêu
Trong đó λ p là độ dốc có giá trị 0.1 hoặc 0.3 hoặc 0.6 t p đƣợc giả sử bằng 60
Trong đó λ t đƣợc đề xuất bằng 30 và t t bằng 1
- Phạm vi phủ sóng C(s j , e i ) của cảm biến s j tới điểm e i đƣợc xác định bởi hàm khoảng cách f d (s j , e i ), góc xoay f p (s j , e i ), góc nghiêng f t(s j ,e i ) và tầm nhìn v ji (s j ,e i )
Một điểm có thể được phủ sóng bởi một hoặc nhiều cảm biến C(s j , e i ) biểu thị khả năng phủ sóng của cảm biến s j tới điểm mục tiêu e i Khi có hai hoặc nhiều cảm biến cùng phủ sóng đến một điểm mục tiêu, khả năng phủ sóng của mạng cảm biến đến điểm đó được tính bằng tích khả năng phủ sóng của các cảm biến trong mạng, theo công thức (2.12).
Nhƣ vậy khả năng phủ sóng của mạng cảm biến đến khu vực mục tiêu đƣợc tính nhƣ sau:
Bài toán tối ưu vùng phủ sóng trong môi trường 3 chiều
Nội suy độ cao của một điểm trong địa hình
Trong địa hình ba chiều, để xác định độ cao của một điểm có tọa độ (x,y), ta sử dụng kích thước ô lưới cellsize trong mô hình địa hình DEM, thường là 30m Phương pháp nội suy tuyến tính được áp dụng với các bước tính toán cụ thể để đạt được kết quả chính xác.
Để nội suy độ cao tại điểm p, bước đầu tiên là xác định tọa độ của bốn điểm lưới bao quanh Cách xác định bốn điểm này như sau: Tính x1 và y1 bằng cách sử dụng công thức x1 = floor(x / cellsize) * cellsize và y1 = floor(y / cellsize) * cellsize Tiếp theo, xác định các tọa độ còn lại: x2 = x1 + cellsize, y2 = y1; x3 = x2, y3 = y1 + cellsize; và x4 = x1 + cellsize, y4 = y1 + cellsize Trong đó, hàm floor(a) sẽ trả về giá trị nguyên lớn nhất không vượt quá a.
Bước 2: Giả sử h1, h2, h3, h4 là độ cao của bốn điểm lưới trong địa hình DEM Để xác định độ cao hi tại tọa độ (x, y), độ cao tại y theo phương Oy của ô lưới có thể được nội suy tuyến tính giữa h1 và h3, tạo ra độ cao ha, và giữa h2 và h4, tạo ra độ cao hb.
Bước 3: Độ cao tại (x, y) đƣợc nội suy tiếp từ h a và h b
Phương pháp xác định vật cản LoS cải tiến
Để xác định sự tồn tại của vật cản giữa cảm biến và các điểm mục tiêu, phương pháp LoS được áp dụng, nhưng gặp khó khăn về độ phức tạp tính toán do cần kiểm tra nhiều điểm chia trên đường thẳng nối Để giảm số lượng điểm chia cần kiểm tra mà vẫn đảm bảo độ chính xác, chúng tôi đề xuất sử dụng độ dài thích nghi giữa các điểm chia Phương pháp này dựa trên quan sát rằng nếu không có vật cản tại một điểm chia, có thể không có vật cản ở điểm chia tiếp theo, khi xem xét độ cao chênh lệch giữa điểm lưới và các điểm chia Một phương pháp hồi quy tuyến tính được áp dụng để dự đoán vật cản trong đường đi giữa cảm biến và điểm mục tiêu Chi tiết thuật toán được mô tả trong Bảng 2-1, với các biến h(cellPoint) và h(splitPoint) đại diện cho độ cao của điểm lưới và điểm chia, tương ứng, trong khi numberOfPoints là số điểm chia cần kiểm tra và d_ij là khoảng cách giữa cảm biến và điểm mục tiêu.
Bảng 2-1 Thuật toán LoS cải tiến Input: Tọa độ điểm i đặt cảm biến, điểm j là điểm mục tiêu; k 1 , k 2
Output: Số điểm có vật cản
Xác định hố mạng vật lý cho mô hình
Trong môi trường 3 chiều phức tạp, hố mạng vật lý là những vùng không thể đặt cảm biến, ảnh hưởng đến việc tối ưu vị trí cảm biến để đảm bảo vùng phủ sóng tối đa Việc xác định các hố mạng vật lý là yếu tố quan trọng cho việc triển khai mạng cảm biến không dây Chúng tôi đề xuất phương pháp xác định các hố mạng vật lý trên địa hình DEM đã được mô hình hóa trong phần 2.1.
Để xác định hố mạng vật lý, bài viết đề xuất kết hợp chiến lược tham lam với cơ chế tính toán phân tán Cụ thể, trong địa hình DEM, mỗi ô lưới đại diện cho độ cao của điểm Quá trình bắt đầu bằng việc xem xét từng ô lưới và xác định điểm cao nhất, nơi cảm biến được đặt Tiếp theo, các điểm lân cận sẽ được kiểm tra khả năng phủ sóng của cảm biến Nếu khả năng này thấp hơn ngưỡng phủ sóng (κ), điểm lân cận được coi là không được phủ Cuối cùng, nếu số lượng ô lưới không được phủ lớn hơn ngưỡng xác định (∆), ô lưới chứa cảm biến sẽ được xem là hố mạng vật lý.
Việc xác định hố mạng vật lý dựa trên việc chọn điểm lưới cao nhất để đặt cảm biến, từ đó kiểm tra khả năng phủ sóng của nó đến các điểm lân cận Nếu điểm lưới cao nhất không thể phủ sóng các điểm xung quanh, thì các điểm còn lại cũng không thể Để tăng tốc độ tính toán, giải pháp tính toán phân tán được áp dụng, trong đó mỗi ô lưới kiểm tra khả năng phủ sóng đến tối đa 8 điểm lân cận Hệ thống này phân phối 9 ô lưới cho mỗi nút, giúp xác định liệu ô lưới có phải là hố mạng vật lý hay không Hình 2-3 minh họa ý tưởng này và Bảng 2-2 trình bày thuật toán liên quan.
Hình 2-3 Xác định hố mạng vật lý
Bảng 2-2 Thuật toán xác định hố mạng vật lý Input: Các tham số cảm biến, P nút, các giá trị ,
Output: Danh sách hố mạng vật lý
17C Gởi thông tin hố mạng đến tiến trình chủ
M: Xử lý tại tiến trình chủ
C: Xử lý tại tiến trình con Đối với một ô lưới, chúng ta phải so sánh với 8 điểm lưới lân cận và số ô lưới cần phải kiểm tra là là nrows x ncols, trong đó nrows là số hàng, ncols là số cột của ma trận DEM Quá trình này thực hiện song song trên P nút Do đó, độ phức tạp thuật toán là O(nrows x ncols / P).
Thuật toán PSO cho bài toán tối ưu vùng phủ sóng trong môi trường 3 chiều
Thuật toán PSO cho bài toán tối ƣu hóavùng phủ sóng
9 Tính Cei(WSN, ei) theo công thức (2.12)
10 Tính Cg(WSN, E) theo công thức (2.13)
Đánh giá độ phức tạp của thuật toán PSO_3WSN
Thuật toán PSO_3WSN bao gồm các bước tính toán và mỗi bước độ phức tạp đƣợc tính nhƣ sau:
Khởi tạo một quần thể với N các thể, trong đó mỗi thể hoạt động như một cảm biến và không được đặt trong hố mạng Do đó, độ phức tạp của bước này được tính toán là T1 = O(N × H).
H là số hố mạng, và độ phức tạp của thuật toán tính giá trị độ thích nghi cùng với việc cập nhật các trị pBest và gBest được xác định bởi công thức T 2 = O(M × N × k), trong đó M là số điểm lấy mẫu và k là số thế hệ.
Vậy độ phức tạp thuật toán PSO_3WSN là:
Kết quả thực nghiệm
Đánh giá thuật toán xác định hố mạng vật lý
Các thí nghiệm đã được tiến hành để cài đặt thuật toán phát hiện hố mạng vật lý bằng ngôn ngữ C trên hệ thống cụm máy tính Linux 1350, bao gồm 8 nút với tổng công suất 512 Gflops Mỗi nút được trang bị 2 CPU Intel Xeon dual core 3.2GHz và 2GB RAM.
Bộ dữ liệu thực nghiệm được trình bày trong phụ lục A, bao gồm các địa hình đa dạng Các tham số quan trọng được thiết lập bao gồm bán kính phủ sóng của cảm biến là 30m, cùng với góc nghiêng và góc xoay lần lượt là 90 độ.
180 o Các giá trị ngƣỡng κ và ∆ lần lƣợt là 380 và 5 Số nút xử lý song song P là 4
Trong Bảng 2-6 cho thấy kết quả thực nghiệm thuật toán phát hiện hố mạng vật lý
Bảng 2-6 Kết quả thực nghiệm thuật toán phát hiện hố mạng vật lý Địa hình Số ô lưới Số hố mạng Thời gian tính
Một số nhận xét đƣợc ra từ Bảng 2-6
Các địa hình T2 và T10 có số lượng hố mạng vật lý thấp, với tỷ lệ lần lượt là 1.09% và 1.26% Điều này cho thấy rằng những khu vực bằng phẳng và ít đồi núi thường có tỷ lệ hố mạng vật lý thấp hơn.
Tương tự như vậy, các địa hình T4 và T7 có nhiều hố mạng vậy lý, tỉ lệ hố mạng vật lý tương ứng là 49.4% và 29.9%
Cơ chế tính toán song song hỗ trợ đáng kể trong việc giảm chi phí tính toán của thuật toán, với thời gian tính toán tối đa chỉ đạt 0.38 giây, như thể hiện trong Bảng 2-6.
Trong phần tiếp theo, thực nghiệm được thực hiện với các giá trị khác nhau của κ, cụ thể là κ70, và kết quả được trình bày trong Bảng 2-7 Bảng 2-8 mô tả kết quả thực nghiệm với ∆=6, cho thấy số hố mạng vật lý giảm đáng kể, với mức giảm lần lượt là 11.8% (Bảng 2-7) và 18.9% (Bảng 2-8) đối với địa hình T4 Kết quả này chứng tỏ rằng các giá trị tham số trong Bảng 2-6 chính xác hơn so với các giá trị tham số trong Bảng 2-7 và Bảng 2-8.
Bảng 2-7 Kết quả thuật toán phát hiện hố mạng vật lý với κ70 Địa hình Số ô lưới Số hố mạng Thời gian tính
Một số địa hình đƣợc thuật toán phát hiện hố mạng vật lý nhƣ Hình 2-4
Hình 2-4 Hố mạng vậy lý được phát hiện trên một số địa hình
Bảng 2-8 Kết quả thuật toán phát hiện hố mạng vật lý với ∆=6 Địa hình Số ô lưới Số hố mạng Thời gian tính
2.5.2 Đánh giá thuật toán tối ƣu phủ sóng PSO_3WSN
Trong phần này, các thực nghiệm được thực hiện nhằm phân tích hiệu quả của thuật toán PSO_3WSN trên các loại địa hình khác nhau Cụ thể, nghiên cứu trả lời các câu hỏi về loại địa hình nào mang lại hiệu quả tốt nhất cho thuật toán, cách mà việc phân bố các điểm lấy mẫu ảnh hưởng đến hiệu suất của nó, và các giá trị tham số địa hình nào là phù hợp nhất cho việc thực hiện thuật toán Phân tích này sẽ hỗ trợ việc áp dụng hiệu quả thuật toán trong các ứng dụng thực tế trong môi trường ba chiều.
Trong thực nghiệm đầu tiên, chúng tôi đã xác định hiệu năng của thuật toán trên các địa hình khác nhau, với các tham số được thiết lập cố định.
Số điểm lưới lấy mẫu chiếm 5% tổng số điểm lưới trên địa hình, trong khi số lượng cảm biến là 25% số điểm lưới đã lấy mẫu Mỗi cảm biến có bán kính phủ sóng 30m, với các góc nghiêng và xoay lần lượt là 90 độ và 180 độ Tham số đầu vào được mô tả chi tiết trong Bảng 2-9.
Bảng 2-9 Mô tả các tham số đầu vào Địa hình Số điểm mẫu Số hố Số cảm biến
Trong thử nghiệm thứ hai, mục đích là kiểm tra ảnh hưởng của các phân phối khác nhau của các điểm lưới lấy mẫu đến hiệu suất của thuật toán Năm phân phối được sử dụng trong thử nghiệm này bao gồm Gaussian, Poisson, Uniform, Gamma và Beta, như được thể hiện trong Hình 2-5.
Hình 2-5 Các phân phối điểm lưới lấy mẫu trong địa hình
Trong thực nghiệm thứ ba, chúng tôi đã kiểm tra tác động của các giá trị khác nhau của c1, c2 và c3 đến hiệu năng của thuật toán Cụ thể, các trường hợp được thực hiện bao gồm: c1=2, c2=2, c3=1; c1=2, c2=2, c3=2; c1=1, c2=2, c3=2; và c1=2, c2=1, c3=2.
Trong thực nghiệm cuối cùng, chúng tôi đã tiến hành kiểm tra tác động của các tỷ lệ mẫu điểm lưới khác nhau, bao gồm 1%, 2%, 3% và 4% so với tổng số điểm lưới trên địa hình.
Một số nhận xét đƣợc rút ra từ các thực nghiệm trên nhƣ sau:
Bảng 2-10 trình bày khả năng phủ sóng của thuật toán trên 10 địa hình, bao gồm giá trị tối đa, tối thiểu và trung bình Kết quả thực nghiệm cho thấy khả năng phủ sóng tương tự nhau trên các địa hình khác nhau, đặc biệt là trên địa hình T2 và T10 với nhiều đảo, dẫn đến khả năng phủ sóng WSN cao hơn Trong khi đó, địa hình T5, với nhiều kênh rạch dày đặc, chỉ đạt 731 điểm ô lưới lấy mẫu và 182 cảm biến, cho thấy khả năng phủ sóng rất thấp do sự hiện diện của nhiều hố mạng vật lý và số lượng cảm biến cùng bán kính phủ sóng không đủ lớn để bao quát toàn bộ các điểm ô lưới.
Bảng 2-10 chỉ ra rằng T1 có khả năng phủ sóng thấp thứ hai, cho thấy rằng các địa hình như thành phố với nhiều nhà cao tầng và hố vật lý gây khó khăn cho việc phủ sóng của WSN Ngược lại, T5 và T6, mặc dù có địa hình đồi núi với độ dốc tăng dần, lại đạt được khả năng phủ sóng gần với giá trị trung bình của tất cả các địa hình.
Bảng 2-10 Khả năng phủ sóng của thuật toán Địa hình Giá trị nhỏ nhất Giá trị lớn nhất Giá trị trung bình
* : Giá trị tồi nhất theo cột
**: Giá trị tốt nhất theo cột
Trong thực nghiệm thứ hai, giá trị phủ sóng của WSN trong Bảng 2-11 tương đương với giá trị phủ sóng trong phân phối Gaussian; tuy nhiên, việc sử dụng phân phối Poisson cho các địa hình cho kết quả tốt hơn Đặc biệt, chỉ có giá trị phủ sóng của T2 và T10 giảm theo phân bố Gaussian do các cảm biến tập trung ở trung tâm địa hình, không phải tại các điểm lưới lấy mẫu.
Phân bố Poisson tỏ ra hiệu quả hơn trong các địa hình có nhiều hố mạng vật lý, trong khi phân bố Gaussian mang lại kết quả phủ sóng tốt hơn so với phân phối ngẫu nhiên Các giá trị phủ sóng cao được ghi nhận ở T2 và T3 với các phân bố Poisson, Uniform, Gamma và Beta Hình 2-6 minh họa kết quả phủ sóng của mạng cảm biến không dây (WSN) với các phân bố điểm lưới lấy mẫu khác nhau.
Bảng 2-11 Khả năng phủ sóng của thuật toán với các phân phối khác nhau Địa hình Gaussian Poisson Uniform Gamma Beta
* : Giá trị tồi nhất theo cột
**: Giá trị tốt nhất theo cột
Hình 2-6 Khả năng phủ sóng với các phân bố khác nhau
Đánh giá thuật toán tối ƣu phủ sóng PSO_3WSN
Các địa hình có hình thái T2 và T10 với sự phân bố đồng đều của các điểm lưới lấy mẫu và hố mạng vật lý là môi trường lý tưởng cho việc triển khai thuật toán mạng cảm biến không dây Ngược lại, địa hình giống T5, nơi có nhiều hố mạng vật lý tập trung tại các điểm lưới lấy mẫu với độ cao dao động, thường dẫn đến kết quả không khả quan Để cải thiện kết quả trong trường hợp này, cần tăng cường số lượng điểm lưới lấy mẫu và số cảm biến trong địa hình.
Phân bố Poisson hợp lý đƣợc áp dụng cho các địa hình
Bộ tham số (c1 = 2, c2 = 2, c3 = 2) đƣợc sử dụng trong thuật toán PSO
Tăng số điểm lưới lấy mẫu sẽ cải thiện khả năng phủ sóng của mạng cảm biến không dây (WSN), trong khi giảm số điểm lưới sẽ giúp tiết kiệm thời gian tính toán.
Lý tưởng nhất số điểm lưới lấy mẫu bằng 5% số điểm lưới trên địa hình.
Mô hình hóa việc tiêu thụ năng lượng cho mạng cảm biến trong môi trường
Trong mạng cảm biến không dây, năng lượng tiêu thụ chủ yếu cho các thành phần như cảm nhận thông số môi trường, tổng hợp và truyền nhận dữ liệu Luận án này phân tích mô hình tổn thất năng lượng trong quá trình truyền dữ liệu, bao gồm tổn thất năng lượng ở khoảng cách xa (tổn thất d^4) và khoảng cách gần (tổn thất d^2) Năng lượng tiêu thụ cho một nút CH trong việc nhận, tổng hợp dữ liệu và chuyển tiếp đến BS được tính toán chi tiết.
Trong nghiên cứu này, l là số bit của mỗi gói dữ liệu, E DA đại diện cho năng lượng tiêu tốn để tổng hợp dữ liệu, được đề xuất là 5 pJ/bit Khoảng cách từ nút CH đến BS trong môi trường 3 chiều được ký hiệu là d toBS, trong khi E elec là năng lượng tiêu thụ cho việc truyền và nhận mỗi bit dữ liệu, được khuyến nghị là 50 nJ/bit Hệ số khuếch đại ε mp áp dụng cho quá trình truyền dữ liệu đường dài từ cảm biến CH đến BS, và ε fs cho quá trình truyền dữ liệu đường gần từ cảm biến non-CH đến CH, với các giá trị đề xuất lần lượt là 0.0013 pJ/bit/m4 và 10 pJ/bit/m2 Từ đó, năng lượng tiêu thụ của các nút non-CH được tính toán dựa trên các thông số này.
2 toCH fs elec CH non lE l d
Trong đó: d toCH là khoảng cách của nút cảm biến trong cụm đến CH và tổng năng lƣợng tiêu thụ của mạng cho mỗi vòng là:
Kết hợp (3.1), (3.2) và (3.3) chúng ta đƣợc:
2 elec DA mp toBS 4 ( ) fs toCH 2
Giả sử chúng ta chọn cảm biến từ N ban đầu làm trung tâm CH, nhiệm vụ tiếp theo là phân bố các cảm biến còn lại vào C cụm Mục tiêu của việc phân bố này là tối thiểu hóa tổng năng lượng tiêu thụ.
Mờ hóa hàm năng lƣợng (3.5) chúng ta đƣợc một hàm mục tiêu mới nhƣ sau:
Trong đó X BS là tọa độ của BS Với việc giới hạn bán kính truyền thông của các cảm biến, chúng tôi tích hợp các ràng buộc sau:
Giả sử bán kính truyền thông của BS gấp 8 lần bán kính truyền thông của các cảm biến, thì khoảng cách tối đa giữa một cảm biến và CH phải nhỏ hơn hoặc bằng 2Tr Đồng thời, CH chỉ có thể kết nối với BS nếu khoảng cách giữa chúng nhỏ hơn hoặc bằng 9Tr Định lý 1 chỉ ra rằng giải pháp tối ưu cho mô hình từ (3.6-3.9) là
(3.11) trong đó, A và B là các hệ số cố định có giá trị khác nhau trong các giai đoại khác nhau
(3.12) với a 0, d 0, s, ρ và k là các tham số điều khiển tốc độ và hình dáng của hàm a 0, d 0 nằm trong khoảng [0, 1] a 0 + d 0 < 1, s > 0, k ≤ C là hệ số biến dạng, ρ j là một hằng số cụ thể [53]
Chúng ta chuyển đổi các ràng buộc bất đẳng thức thành ràng buộc đẳng thức bằng cách thêm các tham số tương ứng Cụ thể, ràng buộc bất đẳng thức (3.8) và (3.9) sẽ được chuyển thành các ràng buộc đẳng thức g_ij + Y_ij^2 và h_j + Z_j^2, với việc bổ sung các giá trị tổng quát Z_j ∈ R và Y_ij ∈ R.
Từ đó tối thiểu địa phương điều kiện
J m đối với Y, Z tại điểm cực trị nhƣ trong [54]
Hàm Lagrangian J m * là hàm vô hướng với gradient J m *
Chúng ta sử dụng tìm kiếm toàn cục để xác định V j [54] Đặc trƣng của mỗi giai đoạn tìm kiếm toàn cục đƣợc tính hƣ sau
Chúng ta giải quyết vấn đề tối ưu hóa bằng phương pháp nhân tử Lagrange
Lấy đạo hàm J m * theo V j thì đƣợc:
N i j ij ij ij j j i j i m ij fs V g g
Lấy đạo hàm J m * theo à ij thỡ đƣợc: ij ij ij ij m u g u u
(3.21) Lấy đạo hàm J m * theo ξ j thì đƣợc: j j j ij m h
Lấy đạo hàm J m * theo à ij và giải ij
Thiết kế giải pháp tối ƣu năng lƣợng mạng cảm biến
Ý tưởng
Các thuật toán phân cụm trong mạng cảm biến không dây (WSN) hiện tại chưa tích hợp năng lượng tiêu thụ vào hàm mục tiêu và không kiểm tra các ràng buộc về khoảng cách truyền thông giữa các nút không phải CH với CH và giữa các CH với BS Hơn nữa, các thuật toán này chủ yếu được thiết kế cho mô hình 2 chiều, thiếu khả năng áp dụng cho địa hình 3 chiều Để khắc phục những hạn chế này, bài viết đề xuất một mô hình toán học mới cho WSN, kết hợp phương pháp phân cụm mờ (FCM) với thuật toán tối ưu bầy đàn (PSO) trong việc lựa chọn nút làm CH, cùng với một quy trình cân bằng số lượng cảm biến giữa các cụm trong môi trường 3 chiều.
Thuật toán
Thuật toán FCM cải tiến tương tự như thuật toán FCM truyền thống, nhưng có thêm hàm mục tiêu nhằm tối ưu hóa năng lượng tiêu thụ Độ thuộc của cảm biến vào các cụm và tâm cụm được tính toán theo các công thức (3.10) và (3.11) Chi tiết về thuật toán được trình bày trong Bảng 3-1.
Bảng 3-1 Thuật toán FCM cải tiến gọi FCM-3WSN
Input: Số cụm C , tham số mờ m; số lần lặp tối đa maxSteps > 0 Các tham số
A, B, a 0, d 0, s, k, ρ j Output: Matr trận à và cỏc tõm cụm V;
2 Khởi tạo ngẫu nhiờn à kj
5 While V j không là điểm cực trị hoặc số lần lặp tối đa chƣa thỏa do
6 Cập nhật V j theo công thức (3.11)
7 If điều kiện cập nhật u ij , ζ j thỏa then
8 Cập nhật u ij theo công thức (3.21)
9 Cập nhật ζ j theo công thức (3.22)
Thiết kế giải pháp tối ƣu năng lƣợng kết hợp chọn nút CH
Ý tưởng
Sau khi phân cụm các cảm biến, bước tiếp theo là lựa chọn cảm biến làm nút CH cho cụm Thuật toán PSO được áp dụng để chọn các nút CH tối ưu từ các cụm được hình thành bởi thuật toán phân cụm FCM-3WSN Đầu tiên, cần xây dựng hàm mục tiêu nhằm tối thiểu hóa số lượng cảm biến không thể kết nối với nút CH của chúng.
Trong cụm thứ j, cảm biến s i không thể kết nối với tâm cụm nếu khoảng cách giữa chúng lớn hơn hai lần bán kính truyền thông, tức là d toCH ij > 2Tr Khả năng này được mô hình hóa như sau:
Nhƣ vậy tổng số cảm biến không đƣợc kết nối đến tâm cụm j là num j đƣợc tính bằng công thức sau:
Trong đó d toCH là khoảng cách của cảm biến s i đến tâm cụm thứ j
Do đó hàm mục tiêu sẽ làm giảm thiểu số cảm biến không kết nối đến tâm cụm trong mỗi cụm nhƣ sau: min
Thuật toán
Chi tiết thuật toán FCM-PSO chọn nút cảm biến làm CH đƣợc trình bày trong Bảng 3-2
Bảng 3-2 Thuật toán PSO chọn CH gọi là FCM-PSO Input: Cụm các cảm biến sen i (i=1, m), m số cảm biến trong cụm
2 Khởi tạo ngẫu nhiên cá thể part i =(part 1i , ,part ni ) with
6 Tính giá trị fitness theo công thức (3.24)
7 If fitness(part i ) > fitness(pbest i ) then
13 If fitness(gbest) < fitness(pbest i ) then
Thiết kế giải pháp tối ƣu năng lƣợng kết hợp cân bằng năng lƣợng
Ý tưởng
Sau khi áp dụng thuật toán FCM-3WSN và sử dụng PSO để chọn nút CH, một số cụm có thể chứa nhiều nút cảm biến hơn các cụm khác, dẫn đến việc nút CH nhanh chóng cạn kiệt năng lượng và giảm tuổi thọ mạng Để giải quyết vấn đề này, chúng tôi đề xuất thuật toán FCM-PSOEB nhằm cân bằng lực lượng giữa các cụm và kết hợp với phân cụm mờ, đảm bảo năng lượng tiêu thụ ở mức tối thiểu.
Khi phân cụm các cảm biến, có thể xảy ra tình trạng một số cảm biến thuộc về nhiều cụm, trong khi một số cụm lại chứa quá nhiều cảm biến Do đó, việc xây dựng hàm mục tiêu để cân bằng mật độ giữa các cụm là rất cần thiết.
Trong đó N(CH j ) là số cảm biến trong cụm j Hàm mục tiêu thứ hai đảm bảo khoảng cách giữa các non-CH và CH của chúng ngắn nhất
Khoảng cách d toCHj giữa cảm biến i và tâm cụm j trong môi trường 3 chiều là yếu tố quan trọng Do đó, việc phân bổ lại cảm biến vào một cụm phù hợp trong phạm vi truyền thông được xác định bởi hàm mục tiêu.
ij ij ij Force dofsen dofclust (3.27)
Thuật toán FCM- PSOEB
Chi tiết thuật toán cân bằng mật độ cảm biến hay năng lƣợng tiêu thụ giữa các cụm đƣợc trình bày trong Bảng 3-3
Bảng 3-3 Thuật toán cân bằng năng lượng giữa các cụm FCM-PSOEB
Input: Danh sách các cụm CH j (j=1,…, C)
Output: Các cụm được cân bằng
3 If distance(sensor[i], CH[j] < 2Tr) then
9 Tính dofclust ij theo công thức (3.27)
13 If doclust ij min then
14 Cảm biến i thuộc về cụm j
Kết quả và đánh giá thực nghiệm
Môi trường thực nghiệm
Thực nghiệm cài đặt và so sánh kết quả của các thuật toán LEACH, LEACH-C, SCEEP, H-LEACH, K-Means, FCM và FCM-PSOEB đã được thực hiện với các tham số như trong Bảng 3-4 Thí nghiệm được tiến hành trên máy tính có cấu hình CPU Intel Core i5 3.1GHz và 4GB bộ nhớ Các địa hình thực tế được trình bày chi tiết trong phụ lục.
Bảng 3-4 Các tham số của thuật toán
EDA 5 pJ/ bit εmp 0.0013 pJ/bit/ m 4 fs 10 pJ /bit/ m 2
3.6.2 Đánh giá giải pháp tối ƣu năng lƣợng bằng phân cụm mờ
Trong các thí nghiệm, khi một nút cảm biến hết năng lượng, mạng cảm biến được coi là kết thúc Các nghiên cứu tiến hành bao gồm: a) So sánh mức tiêu thụ năng lượng và thời gian chạy của thuật toán trên các địa hình khác nhau (T1 T10); b) So sánh các thuật toán với số lượng cảm biến khác nhau trong cùng một địa hình; c) So sánh các thuật toán với các phân phối cảm biến khác nhau; d) So sánh các thuật toán với tỷ lệ số cụm khác nhau, chẳng hạn như 20%, 30% và 40% số cảm biến.
Trong nghiên cứu về phân phối cảm biến, chúng tôi đã so sánh mức tiêu thụ năng lượng và thời gian chạy của các thuật toán trên các địa hình khác nhau (T1 T10) Kết quả cho thấy thuật toán FCM-3WSN tiêu thụ ít năng lượng nhất, đặc biệt trên địa hình T1 với mức tiêu thụ chỉ 30,3 Mặc dù trên địa hình phẳng T4 và thưa thớt T10, mức tiêu thụ năng lượng của FCM-3WSN tăng cao hơn do cần cân bằng khoảng cách giữa các cụm cảm biến, nhưng nhìn chung, FCM-3WSN vẫn cho kết quả tốt hơn so với các thuật toán khác Trung bình, mức tiêu thụ năng lượng của FCM-3WSN chỉ khoảng 17,2% so với Leach, 9,74% (Leach-C), 17,4% (SCEEP), 24,8% (H-Leach), 23,1% (K-Means) và 86,5% (FCM), chứng minh rằng FCM-3WSN là giải pháp tiết kiệm năng lượng hơn hẳn.
Bảng 3-5 Năng lượng tiêu thụ của mạng với các thuật toán khác nhau (joule) Địa hình
LEACH LEACH-C SCEEP H-LEACH K-Means FCM FCM-
Thời gian chạy của thuật toán FCM-3WSN lớn hơn so với các thuật toán khác, với thời gian chạy trung bình được trình bày trong Bảng 3-6.
Thuật toán FCM mất 1847 giây, trong khi phương pháp mới chỉ mất 152 giây, cho thấy hiệu suất vượt trội Mặc dù một số thuật toán khác có thời gian chạy nhanh khoảng 0,5 giây, nhưng chúng lại tiêu tốn năng lượng cao và có hiệu suất thấp, như được thể hiện trong Bảng 3-5 Điều này là một nhược điểm của các thuật toán phân cụm mờ và FCM-3WSN.
Bảng 3-6 Thời gian chạy của thuật toán Địa hình LEACH LEACH-C SCEEP H-LEACH K-Means FCM FCM-
Thực nghiệm so sánh các thuật toán với số lượng cảm biến khác nhau trên các địa hình từ T1 đến T10 đã được tiến hành Chúng tôi tính toán mức tiêu thụ năng lượng và thời gian chạy của tất cả các thuật toán cho bốn trường hợp (500, 1000, 1500, và 2000 cảm biến) Kết quả được nhóm theo địa hình để xác định mức tiêu thụ năng lượng trung bình và thời gian chạy cho từng trường hợp Mục tiêu là quan sát sự thay đổi của mức tiêu thụ năng lượng và thời gian chạy khi số lượng cảm biến tăng lên Các kết quả thí nghiệm được trình bày trong Hình 3-3 và Bảng 3-7.
Hình 3-3 Năng lượng tiêu thụ trung bình với các số cảm biến khác nhau (joule)
Mức tiêu thụ năng lượng trung bình của thuật toán FCM-3WSN với 500 cảm biến là 27,7%, thấp hơn so với các giao thức phân cụm truyền thống như Leach (17,2%), LEACH-C (26,4%), H-LEACH (38,5%), K-Means (41,4%) và FCM (74,3%) Điều này cho thấy FCM-3WSN tiết kiệm năng lượng hiệu quả hơn so với LEACH và LEACH-C, đồng thời cũng vượt trội hơn so với K-Means và FCM, mặc dù tỷ lệ tiết kiệm năng lượng không đáng kể so với các thuật toán khác.
Khi thử nghiệm với 1000 cảm biến, mức tiêu thụ năng lượng của FCM-3WSN được so sánh với các thuật toán khác như sau: 18,5% (Leach), 8,97% (LEACH-C), 16,7% (SCEEP), 24,6% (H-LEACH), 22,7% (K-Means) và 87,5% (FCM) FCM-3WSN cho thấy khả năng tiết kiệm năng lượng tốt hơn khi số lượng cảm biến tăng lên Tuy nhiên, trong trường hợp 500 cảm biến, tất cả các thuật toán, bao gồm cả FCM-3WSN, đều tiêu thụ năng lượng nhiều hơn Khi thử nghiệm với 1500 cảm biến, mức tiêu thụ năng lượng của FCM-3WSN là 13,3% (LEACH), 6,28% (LEACH-C), 12,5% (SCEEP), 18,4% (H-LEACH), 16,9% (K-Means) và 84,7% (FCM).
Trong nghiên cứu, 2000 bộ cảm biến được triển khai cho thấy mức tiêu thụ năng lượng lần lượt là 7,21% (LEACH), 4,99% (LEACH-C), 10% (SCEEP), 16,4% (H-LEACH), 12,8% (K-Means) và 74% (FCM) Kết quả này chứng minh rằng thuật toán FCM-3WSN tỏ ra hiệu quả hơn khi áp dụng cho mạng lưới với số lượng lớn cảm biến.
Thời gian chạy của FCM-3WSN trong Bảng 3-7 cho thấy rõ ràng rằng nó lớn hơn so với các thuật toán khác, tương tự như kết quả trong Bảng 3-6 Điều này cho thấy rằng khi số lượng cảm biến tăng lên, thời gian thực hiện của các thuật toán cũng tăng theo Cụ thể, thời gian chạy của FCM-3WSN với 500, 1000, 1500 và 2000 cảm biến lần lượt là 12,5 giây.
152, 811, và 2704,51 giây Nhƣ vậy nếu chọn 1000 cảm biến thì sẽ cân bằng giữa thời gian chạy và mức tiêu thụ năng lƣợng
Bảng 3-7 Thời gian chạy trung bình của các thuật toán với số cảm biến khác nhau
LEACH LEACH-C SCEEP H-LEACH K-Means FCM FCM-
Trong bài viết này, chúng ta sẽ so sánh các thuật toán dựa trên các cách phân phối cảm biến khác nhau như Gaussian, Poisson, Uniform, Gamma và Beta Việc tính toán tiêu thụ năng lượng và thời gian chạy của từng thuật toán được thực hiện trên các địa hình từ T1 đến T10 Kết quả được tóm tắt qua giá trị trung bình của các địa hình, được trình bày trong Hình 3-4 và Bảng 3-8.
Hình 3-4 Năng lượng tiêu thụ trung bình với các phân phối cảm biến khác nhau (joule)
Kết quả thí nghiệm trong Hình 3-4 cho thấy FCM-3WSN tiêu thụ năng lượng thấp hơn so với các thuật toán khác nhờ vào cách phân phối cảm biến khác nhau Cụ thể, năng lượng tiêu thụ trung bình của FCM-3WSN với phân phối Gaussian chỉ là 20,7, trong khi các thuật toán như Leach và LEACH-C tiêu thụ lần lượt 387 và 860.
Trong nghiên cứu về tiêu thụ năng lượng của các thuật toán, SCEEP đạt 394, H-LEACH 384, K-Means 309 và FCM chỉ 29,6 Đáng chú ý, trong hai trường hợp cụ thể (địa hình T5 và T10), mức tiêu thụ năng lượng của FCM-3WSN không phải là thấp nhất Các thuật toán còn lại đều tiêu thụ nhiều năng lượng hơn so với FCM-3WSN trong cách phân phối này.
Tuy nhiên, khi thực hiện thuật toán FCM-3WSN trên phân phối Poisson, Uniform và Gamma, mức tiêu thụ năng lƣợng trung bình tăng lên đến 47,9, 46,3 và
FCM-3WSN thể hiện hiệu quả tiêu thụ năng lượng ấn tượng, giảm xuống còn 19,3 trong phân phối Beta, cho thấy khả năng hoạt động tốt với các phân phối cảm biến như Gaussian và Beta Ngay cả với các phân phối đặc biệt như Poisson, Uniform và Gamma, mức tiêu thụ năng lượng trung bình của FCM-3WSN vẫn vượt trội so với các thuật toán khác Cụ thể, trong phân phối Poisson, năng lượng tiêu thụ của FCM-3WSN chỉ bằng 10,2% (LEACH), 31,1% (LEACH-C), 10% (SCEEP), 11% (H-LEACH), 15,5% (K-Means) và 70% (FCM) Tương tự, với phân phối Uniform, FCM-3WSN tiêu thụ 16,8% (LEACH), 16,6% (SCEEP), 17,9% (H-LEACH) và 24,3% (K-Means), mặc dù Leach-C và FCM có hiệu suất tốt hơn Đối với phân phối Gamma, mức tiêu thụ năng lượng của FCM-3WSN là 18,8% (Leach), 19,3% (SCEEP), 20,3% (H-LEACH) và 26,4% (K-Means) Cuối cùng, trong phân phối Beta, FCM-3WSN tiêu thụ năng lượng chỉ bằng 9,68% (LEACH), 2,23% (LEACH-C), 9,98% (SCEEP), 9,97% (H-LEACH), 12,4% (K-Means) và 65,3% (FCM).
Trong các phân phối Uniform và Gamma, mức tiêu thụ năng lượng của thuật toán FCM-3WSN không phải là thấp nhất Tuy nhiên, sự biến động của mức tiêu thụ năng lượng trong FCM-3WSN khi so sánh với các phân phối cảm biến khác là tương đối nhỏ.
Đánh giá giải pháp tối ƣu năng lƣợng kết hợp cân bằng năng lƣợng
Trong chương này, chúng tôi đề xuất giải pháp tối ưu hóa năng lượng tiêu thụ nhằm kéo dài tuổi thọ mạng cảm biến thông qua việc xây dựng topo mạng cảm biến với phương pháp phân cụm Phương pháp phân cụm mờ được giới thiệu với mục tiêu giảm thiểu năng lượng tiêu thụ, cho kết quả tốt hơn so với các phương pháp phân cụm khác như LEACH, LEACH-C, SCEEP, H-LEACH, K-Means và phân cụm mờ truyền thống Tuy nhiên, khả năng kết nối giữa non-CH với CH và giữa các CH với BS vẫn chưa cao, do đó, chúng tôi đề xuất sử dụng thuật toán bầy để lựa chọn các nút CH nhằm cải thiện khả năng kết nối này Bên cạnh đó, sự không đồng đều trong lực lượng các cụm có thể dẫn đến tình trạng một số cụm bị cạn kiệt năng lượng nhanh chóng, gây ra hiện tượng "chết" mạng cảm biến Để khắc phục vấn đề này, giải pháp đề xuất là cân bằng lại năng lượng tiêu thụ giữa các cụm nhằm kéo dài tuổi thọ của mạng cảm biến.