bt tuần 8

BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƢỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI
NGUYỄN TRUNG DŨNG
NGHIÊN CỨU PHÁT TRIỂN ĐỊNH TUYẾN TIẾT KIỆM NĂNG

LƢỢNG CHO MẠNG CẢM BIẾN KHÔNG DÂY
LUẬN ÁN TIẾN SĨ KỸ THUẬT VIỄN THÔNG
Hà Nội -2014
BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƢỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI
NGUYỄN TRUNG DŨNG
NGHIÊN CỨU PHÁT TRIỂN ĐỊNH TUYẾN TIẾT KIỆM NĂNG

LƢỢNG CHO MẠNG CẢM BIẾN KHÔNG DÂY
LUẬN ÁN TIẾN SĨ KỸ THUẬT VIỄN THÔNG
Ngƣời hƣớng dẫn khoa học:
PGS.TS Nguyễn Văn Đức
Hà Nội -2014
Lời cam đoan
Tác giả xin cam đoan đây là công trình nghiên cứu của tác giả, không sao chép của bất kỳ
người nào. Các số liệu kết quả nêu trong luận án là hoàn toàn trung thực và chưa từng được
công bố bởi bất kỳ ai.
Tác giả
Nguyễn Trung Dũng

Lời cảm ơn
Tôi xin chân thành cảm ơn PGS.TS Nguyễn Văn Đức đã nhiệt tình hướng dẫn và giúp đỡ
tôi rất nhiều trong quá trình nghiên cứu và hoàn thành Luận án.
Cũng xin chân thành cảm ơn Viện sau Đại học, Bộ môn Kỹ thuật thông tin - Viện Điện tử
Viễn thông - Trường Đại học Bách khoa Hà Nội đã tạo điều kiện thuận lợi để tôi hoàn thành
nhiệm vụ nghiên cứu của mình.
Tôi cũng bày tỏ lòng biết ơn đến Gia đình tôi cùng Bố mẹ, các anh chị em và bạn bè những
người đã ủng hộ và động viên giúp đỡ tôi trong thời gian làm Luận án.
Nguyễn Trung Dũng

MỤCLỤC
Trang
MỞ ĐẦU 1
CHƢƠNG 1. TỔNG QUAN VỀ MẠNG CẢM BIẾN KHÔNG DÂY 10
1.1 Cấu trúc mạng cảm biến không dây 10
1.1.1 Các yếu tố ảnh hưởng đến cấu trúc mạng cảm biến không dây 10
1.1.2 Đặc điểm của cấu trúc mạng cảm biến 13
1.1.3 Kiến trúc giao thức mạng 14
1.1.4 Hai cấu trúc đặc trưng của mạng cảm biến 16
1.1.4.1 Cấu trúc phẳng 16
1.1.4.2 Cấu trúc phân tầng 17
1.2 Ứng dụng mạng cảm biến không dây 19
1.2.1 Ứng dụng trong quân đội 20
1.2.2 Ứng dụng trong môi trường 21
1.2.3 Ứng dụng trong chăm sóc sức khỏe 22
1.2.4 Ứng dụng trong gia đình 22
1.3 Một số vấn đề thách thức kỹ thuật 22
1.3.1 Vấn đề lớp MAC 22
1.3.2 Vấn đề định tuyến 23
1.3.3 Vấn đề năng lượng 23
CHƢƠNG 2.TỐI ƢU ĐỊNH TUYẾN ĐA CHẶNG TIẾT KIỆM NĂNG 25

LƢỢNG
2.1 Các phương pháp định tuyến tiết kiệm năng lượng dựa trên kỹ thuật giảm
25
thiểu các gói tin dư thừa
2.1.1 Phương pháp định tuyến mở rộng vòng Expanding Ring Search –
26
ERS
2.1.2 Đề xuất phương pháp định tuyến mở rộng vòng giảm thiểu số nút
30
tham gia định tuyến – Efficient Expanding Ring Search (EERS)
2.1.2.1 Kỹ thuật xác định thông tin nút lân cận cách hai bước nhảy
30
mạng
2.1.2.2 Làm tràn bản tin tìm đường hiệu quả 32
2.1.2.3 Tiết kiệm năng lượng tìm kiếm mở rộng vòng 35
2.1.2.4 Lưu đồ thuật toán EERS 38
2.1.2.5 Mô phỏng và đánh giá 38
2.2 Các phương pháp định tuyến dựa vào năng lượng của nút cảm biến nhằm
43
nâng cao thời gian sống của mạng
2.2.1 Đề xuất phương pháp định tuyến dựa vào mức năng lượng các nút
43
cảm biến để loại bỏ tuyến đường có năng lượng thấp
2.2.2 Đề xuất phương pháp định tuyến dựa vào hai điều kiện để chọn
49
đường đi tốt nhất - Routing Dual Criterion (RDC)
2.2.3 Mô phỏng kết quả 51
2.3 Phương pháp định tuyến tiết kiệm năng lượng dựa trên điều khiển công
56
suất
2.3.1 Kỹ thuật điều khiển công suất 56
2.3.2 Đề xuất phương pháp định tuyến dựa trên điều khiển công suất 57
2.3.3 Mô phỏng và đánh giá kết quả 58
i
2.4 Kết luận 65
CHƢƠNG 3.TIẾT KIỆM NĂNG LƢỢNG TRONG MẠNG CẢM BIẾN 66
KHÔNG DÂY ĐA CHẶNG SỬ DỤNG PHƢƠNG PHÁP
ƢỚC ĐOÁN VỊ TRÍ CỦA ĐỐI TƢỢNG
3.1 Cơ sở lý thuyết toán học 66
3.1.1 Định lý xác suất Bayes 67
3.1.2 Hàm phân bố xác suất và hàm mật độ xác suất của một biến ngẫu
67
nhiên
3.1.2.1 Hàm phân bố xác suất (Probability Distribution Function) 67
3.1.2.2 Hàm mật độ xác suất (Probability Density Function) 68
3.1.3 Kỳ vọng và phương sai của biến ngẫu nhiên 68
3.1.3.1 Kỳ vọng của biến ngẫu nhiên 68
3.1.3.2 Phương sai của biến ngẫu nhiên 69
3.1.4 Hàm phân phối xác suất Gaussian – Hàm phân phối chuẩn 69
3.1.5 Tiến trình Markov 70
3.1.6 Mô hình hóa hệ thống không gian trạng thái động 70
3.1.7 Tiếp cận Bayes 71
3.1.8 Một số thuật toán theo vết dựa trên tiếp cận Bayes 73
3.2 Sơ lược về một số thuật toán dự đoán vị trí 73
3.2.1 Bộ lọc Kalman 74
3.2.2 Bộ lọc Kalman mở rộng 78
3.2.2.1 Những giới hạn của mô hình tuyến tính 78
3.2.2.2 Khai triển chuỗi Taylor 79
3.2.3 Kết luận 80
3.3 Thuật toán bộ lọc chất điểm (Particle Filter) 81
3.3.1 Các điều kiện rằng buộc của thuật toán bộ lọc chất điểm 81
3.3.2 Hướng tiếp cận của bộ lọc thuật toán bộ lọc chất điểm 82
3.3.3 Lấy mẫu quan trọng (Importance Sampling) 83
3.3.4 Lấy mẫu quan trọng tuần tự (Sequential Importance Sampling –
84
SIS)
3.3.5 Vấn đề lựa chọn hàm mật độ đề xuất 88
3.3.6 Vấn đề thoái hóa mẫu và giải pháp lấy mẫu lại (Resampling) 89
3.3.7 Thuật toán bộ lọc chất điểm tổng quát (Generic Particle Filter –
90
GPF)
3.3.8 Thuật toán lấy mẫu lại quan trọng tuần tự (Sequential Importance
91
Resampling – SIR)
3.3.9 Mô phỏng thuật toán SIR 92
3.4 Ứng dụng giám sát đối tượng trong mạng cảm biến không dây sử dụng
99
bộ lọc chất điểm PF
3.4.1 Mô hình hóa bài toán 99
3.4.2 Đề xuất phương pháp thực hiện bộ lọc chất điểm 100
3.4.2.1 Pha khởi tạo N chất điểm 100
3.4.2.2 Pha lan truyền chất điểm 101
3.4.2.3 Pha tính toán trọng số 102
3.4.2.4 Kết quả mô phỏng 103
3.5 Đề xuất mô hình giám sát theo vùng 105
ii
3.6 Mô hình giám sát toàn mạng 108
3.7 Mô phỏng và đánh giá kết quả 110
3.8 Kết luận 116
KẾT LUẬN CHUNG 117
TÀI LIỆU THAM KHẢO 124
DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ LI N QUAN 132

TRỰC TIẾP CỦA LUẬN ÁN
DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ LIÊN QUAN GIÁN 133
TIẾP CỦA LUẬN ÁN
iii
DANH MỤC CÁC CHỮ VIẾT TẮT
ABR Avoid Bad Route Định tuyến loại bỏ tuyến đường xấu
ADC Analog-to-Digital Bộ chuyển đổi tương tự số
AODV Adhoc On-demand Distance Vector Định tuyến vector khoảng cách theo
yêu cầu
AOMDV Adhoc On-demand Multipath Distance Định tuyến vector khoảng cách đa
Vector đường theo yêu cầu
BS Base Station Trạm gốc
CNI Collecting Neighbors’ Information Pha thu thập thông tin nút lân cận
trong giao thức định tuyến EERS
CSMA/CA Carrier Sense Multiple Access/ Cảm biến sóng mang đa truy cập/
Collision Avoidance tránh xung đột
DSR Dynamic Source Routing Định tuyến theo nguồn
EERS Efficient Expanding Ring Search Định tuyến tìm kiếm mở rộng vòng
tối ưu
EKF Extended Kalman Filter Bộ lọc Kalman mở rộng
ERS Expanding Ring Search Định tuyến tìm kiếm mở rộng vòng
GPF Generic Particle Filter Bộ lọc chất điểm tổng quát
KF Kalman Filter Bộ lọc Kalman
LEACH Low Energy Adaptive Clustering Định tuyến phân vùng tiết kiệm
Hierarchy năng lượng
MAC Media Access Control Điều khiển truy nhập đường truyền
NS2 Network Simulator 2 Phần mềm mô phỏng mạng
PDR Packet Delivery Ratio Tỷ lệ truyền gói tin thành công
PF Particle Filter Bộ lọc chất điểm
PRP Power Control Combined with Routing Định tuyến dựa trên điều khiển công
Protocol suất
RDC Routing dual criterion Định tuyến hai điều kiện
RF Radio Frequency Sóng vô tuyến
RMS Root-Mean-Square Độ lệch căn phương trung bình
ROF Reducing the Overhead of Flooding Pha giảm thiểu bản tin dư thừa trong
giao thức định tuyến EERS
RREP Route Reply Bản tin trả lời chứa thông tin tuyến
đường trong định tuyến
RREQ Route Request Bản tin tìm đường
SIR Sequential Importance Resampling Lây mẫu lại quan trọng tuần tự
SIS Sequential Importance Sampling Lấy mẫu quan trọng tuần tự
TTL Time to Live Thời gian sống
WSN Wireless Sensor Network Mạng cảm biến không dây
iv
DANH MỤC CÁC KÝ HIỆU
Tham số của hàm phân phối xác suất Gaussian – giá trị kỳ vọng của biến ngẫu
nhiên X
Tham số của hàm phân phối xác suất Gaussian – giá trị phương sai của biến
ngẫu nhiên X
δi Hàm xung Delta
ck Trạng thái của hệ thống tại thời điểm k
xt Trạng thái của hệ thộng tại thời điểm t
yt Tín hiệu đo đạc của hệ thống tại thời điểm t
gt Hàm chuyển tại thời điểm t
ht Hàm quan sát tại thời điểm t
wt Nhiễu xử lý tại thời điểm t
vt Nhiễu quan sát tại thời điểm t
ut Đầu vào của hệ thống tại thời điểm t
xˆ Ước lượng hậu nghiệm của xt

t
xˆ Ước lượng tiên nghiệm của xt

t
Hiệp phương sai của lỗi ước lượng của xˆt 
Pt 
Hiệp phương sai của lỗi ước lượng của xˆ 
Pt  t
Kt Ma trận hệ số khuếch đại Kalman

X Biến ngẫu nhiên của hàm phân bố xác suất
F(X) Hàm phân bố xác suất của biến ngẫu nhiên X
f(x) Hàm mật độ xác suất của biến ngẫu nhiên X
pi Xác suất tương ứng của các giá trị xi của biến ngẫu nhiên X
E(X) Kỳ vọng của biến ngẫu nhiên X
V(X) Phương sai của biến ngẫu nhiên X
M Chi phí tuyến đường
Ploss Công suất tiêu hao
Ptx_max Công suất truyền lớn nhất
Psen Công suât nhạy thu
Pmar Công suất dự trữ
Ptx Công suất truyền
LPsent Năng lượng còn lại của nút cảm biến trong thuật toán PRP
LPthr Ngưỡng năng lượng còn lạicủa nút cảm biến trong thuật toán PRP
Tc Thời gian đợi bản tin trả lời
n Số nút cảm biến trong mạng
K Độ tăng của giá trị TTL giữa hai lần tìm kiếm trong thuật toán tìm đường mở
rộng vòng
t Thời gian hiện tại
T Mốc thời gian trong tương lai
N Số chất điểm
v
DANH MỤC CÁC BẢNG
Trang
Bảng 2.1. Các thông số mô phỏng chung 39
Bảng 2.2. Các thông số mô phỏng AODV và PRP 59
Bảng 3.1. Ví dụ về kết quả khai triển Taylor 80
Bảng 3.2. Thông số mô phỏng ứng dụng giám sát theo vùng 111
vi
DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ
Trang
Hình 1.1. Một mạng cảm biến không dây đơn giản 11
Hình 1.2. Cấu tạo nút cảm biến 12
Hình 1.3. Kiến trúc giao thức mạng cảm biến 15
Hình 1.4. Cấu trúc phẳng của mạng cảm biến 17
Hình 1.5. Cấu trúc tầng của mạng cảm biến 17
Hình 1.6. Cấu trúc mạng phân cấp chức năng theo lớp 18
Hình 2.1. Lưu đồ thuật toán của nút nguồn gửi gói tin RREQ 27
Hình 2.2. Lưu đồ thuật toán xử lí ở nút trung gian 28
Hình 2.3. Ví dụ cơ chế tìm kiếm mở rộng vòng (Expanding Ring Search) 29
Hình 2.4. Ví dụ quá trình xác định thông tin nút lân cận cách 2 bước nhảy 31
Hình 2.5. Đề xuất phương pháp làm tràn hiệu quả dựa trên kĩ thuật nghe ngóng 34
Hình 2.6. Lưu đồ thuật toán EERS 37
Hình 2.7. So sánh thời gian sống của mạng giữa AODV, ERS và EERS 40
Hình 2.8. So sánh tỷ lệ truyền gói thành công PDR giữa EERS, ERS và AODV 41
Hình 2.9. So sánh về thông lượng mạng khi sử dụng định tuyến EERS, ERS và 42
AODV
Hình 2.10. Ví dụ hoạt động của ABR 44
Hình 2.11. Thuật toán ABR thực hiện tại nút nguồn 45
Hình 2.12. Thuật toán ABR thực hiện tại nút trung gian 46
Hình 2.13. Thuật toán ABR tại nút đích 47
Hình 2.14. Sự thay đổi giá trị của biến rq_min_energy và rp_energy trong thuật 49
toán RDC
Hình 2.15. Ví dụ về hoạt động của thuật toán RDC 50
Hình 2.16. Quá trình duy trì update thông tin định tuyến trong thuật toán RDC 51
Hình 2.17. So sánh thời gian sống của mạng giữa AODV, ERS, EERS, ABR và 52
RDC mô phỏng 1
Hình 2.18. So sánh tỷ lệ gửi gói tin thành công giữa AODV, ERS, EERS, ABR 53
và RDC mô phỏng 1
Hình 2.19. So sánh thông lượng Throughput giữa AODV, ERS, EERS, ABR và 53
RDC mô phỏng 1
Hình 2.20. So sánh thời gian sống của mạng giữa AODV, ERS, EERS, ABR và 54
RDC mô phỏng 2
Hình 2.21. So sánh tỷ lệ gửi gói tin thành công giữa AODV, ERS, EERS, ABR 55
và RDC mô phỏng 2
Hình 2.22. So sánh thông lượng của mạng giữa AODV, ERS, EERS, ABR và 56
RDC mô phỏng 2
Hình 2.23. So sánh thời gian sống của mạng khi sử dụng AODV và PRP 60
Hình 2.24. So sánh thông lượng của mạng khi sử dụng AODV và PRP 60
Hình 2.25. So sánh tỷ lệ truyền gói tin thành công khi sử dụng PRP và AODV 61
Hình 2.26. Năng lượng toàn mạng còn lại khi sử dụng AODV và PRP với mô 61
phỏng 60 nút mạng
vii
viii
Hình 3.1. Sơ đồ tiếp cận Bayes 73
Hình 3.2. Đường đặc tuyến Von-Ampe 79
Hình 3.3. Kết quả của thuật toán SIS ứng với N = 100 mẫu 87
Hình 3.6. Kết quả thuật toán SIR ứng với N = 100, t = 50s 92
Hình 3.12. So sánh mức độ sai lệch trong việc giải quyết bài toán theo vết của 96
hai thuật toán SIS và SIR
Hình 3.13. So sánh lỗi RMS của thuật toán Kalman và bộ lọc chất điểm với 96
N=100
N=1000
N=5000
Hình 3.16. So sánh lỗi của thuật toán bộ lọc chất điểm khi N = 100 và N = 1000 98
Hình 3.17. So sánh lỗi của thuật toán bộ lọc chất điểm khi N = 1000 và N = 5000 98
Hình 3.18. Ví dụ về lan truyền đám mây chất điểm 102
Hình 3.19. Ước lượng đường đi của đối tượng thực hiện với các thuật tóan SIS, 104
GPF, SIR, SIS-Dis
Hình 3.20.Trễ đầu cuối khi mô phỏng các thuật toán theo thời gian 104
Hình 3.21.Độ chính xác ước lượng của các thuật toán SIS, GPF, SIR và SIS-Dis 105
khi mô phỏng theo thời gian
Hình 3.22. Ví dụ ứng dụng giám sát theo vùng 107
Hình 3.23. Ví dụ ứng dụng giám sát theo toàn bộ mạng 109
Hình 3.24. Mô hình mô phỏng ứng dụng giám sát vùng và giám sát toàn mạng 110
Hình 3.25. Đồ thị so sánh thời gian sống của mạng khi sử dụng mô hình giám sát 111
toàn mạng và giám sát theo vùng với các giao thức định tuyến khác nhau
mô phỏng 1
Hình 3.26. Đồ thị so sánh lượng dữ liệu gửi về trạm trong mạng khi sử dụng mô 112
hình giám sát toàn mạng và giám sát theo vùng với các giao thức định
tuyến khác nhau mô phỏng 1
mô phỏng 2
ix
x
mô phỏng 3
Hình 3.31.Đồ thị so sánh thời gian sống của mạng khi sử dụng mô hình giám sát 114
mô phỏng 4
xi
MỞ ĐẦU
1.1. Mục đích nghiên cứu
Trong các mạng viễn thông và mạng nội bộ không dây, các nút di động giao tiếp trực tiếp
với trạm gốc. Các mạng này có thể gọi là mạng đơn chặng. Trong một số mạng không dây đặc
biệt khác, xuất hiện một hoặc một số nút trung gian tham gia vào việc truyền dữ liệu từ một
nút di động về trạm gốc. Những mạng này thường được gọi là mạng không dây đa chặng. Khi
so sánh với mạng đơn chặng, mạng không dây đa chặng có một số lợi ích như khả năng mở
rộng vùng hoạt động của mạng, tăng cường khả năng kết nối và truyền dữ liệu từ các nút ở xa
về trạm gốc. Hơn nữa, khi truyền đa chặng, khoảng cách truyền sẽ được thu ngắn và do đó
công suất cũng như năng lượng truyền có thể ít hơn các kết nối ở xa đồng thời cho kết quả tốt
hơn về tốc độ truyền dữ liệu. Mạng không dây đa chặng loại bỏ được việc triển khai hệ thống
hạ tầng thiết bị và đường dây, giúp giảm thiểu chi phí triển khai. Trong trường hợp các mạng
đa chặng được triển khai dày đặc, sẽ có nhiều đường đi được lựa chọn, điều đó làm tăng khả
năng đáp ứng của hệ thống mạng.
Có nhiều ứng dụng mô hình mạng không dây đa chặng đã được nghiên cứu trong nhiều
năm qua. Ban đầu mạng không dây đa chặng được đề xuất để thực hiện mở rộng vùng bao phủ
trong hệ thống mạng viễn thông bằng cách chuyển tiếp các gói tin. Hiện nay, các lưới mạng
không dây đa chặng đã được đề xuất cho các dịch vụ Internet băng rộng không cần triển khai
hệ thống đường dây hạ tầng tốn kém. Lưới mạng không dây bao gồm các nút mạng không
dây. Chúng sử dụng các công nghệ mạng không dây như 802.11, 802.16… để tạo kết nối. Một
ví dụ của mô hình này là mạng thông tin trong hệ thống giao thông vehicle-to-vehicle. Trong
hệ thống này, nút mạng là các trạm bên đường và các thiết bị tham gia giao thông như ô tô, xe
máy. Các thiết bị này có giao tiếp không dây, chúng tự tạo kết nối và chia sẻ thông tin với
nhau. Mạng thông tin trong giao thông vehicle-to-vehicle là một trường hợp đặc biệt của mạng
không dây đặc biệt adhoc. Bên cạnh adhoc, mạng cảm biến không dây cũng là một dạng của
mạng không dây đa chặng. Mạng cảm biến bao gồm nhiều nút cảm biến được cài đặt trong
một phạm vi rộng, chúng thu thập thông tin, tự thiết lập kết nối không dây với nhau và truyền
thông tin về trạm gốc. Các mạng cảm biến không dây đa chặng được áp dụng trong rất nhiều
ứng dụng của đời sống như trong xây dựng nhà thông minh, theo dõi đối tượng, cảnh báo cháy
rừng, cảnh báo mực nước sông, cảm biến nhiệt độ, khám phá tài nguyên thiên nhiên nơi mà
1
con người không thể đặt chân đến được, chế tạo các sản phẩm y tế nhân tạo… Chính vì những
ứng dụng phổ biến trên tất cả các mặt đời sống xã hội mà mạng cảm biến không dây được
nhiều nhà khoa học quan tâm và nghiên cứu. Và mạng cảm biến không dây cũng là mô hình
mạng không dây đa chặng được sử dụng nghiên cứu trong luận án này.
Các mạng cảm biến đã có nhiều ứng dụng trong đời sống nhưng chúng vẫn còn phải đối
mặt với một số thách thức mà các mạng không dây khác không có như vấn đề bảo mật thông
tin, vấn đề nhiễu kênh truyền, vấn đề bị che khuất do địa hình, vấn đề năng lượng… Như ta đã
biết, mạng cảm biến không dây được tạo thành bởi các nút cảm biến, chúng tự thiết lập kết nối
với nhau thông qua hình thức không dây. Nguồn nuôi của các nút cảm biến này là pin với
dung lượng hạn chế. Tuổi thọ của các nút cảm biến nói riêng và của toàn mạng cảm biến nói
chung phụ thuộc vào việc sử dụng nguồn năng lượng này. Do đó, các thuật toán khi thiết kế
cho mạng cảm biến không dây cần chú trọng nhiều đến vấn đề năng lượng.
Có rất nhiều khía cạnh của kiến trúc mạng có thể được thiết kế để có năng lượng hiệu quả
như thiết kế ứng dụng tiết kiệm năng lượng, thiết kế giao thức điều khiển các chế độ hoạt động
của nút cảm biến, tắt tạm thời các nút cảm biến khi không cần thiết, thiết kế các giao thức định
tuyến tiết kiệm năng lượng… Trong các hướng tiếp cận đó thì thiết kế giao thức định tuyến
tiếp kiệm năng lượng là một hướng tiếp cận hiệu quả. Bởi vì, trong mạng cảm biến không dây,
dữ liệu truyền thông chiếm phần lớn nguồn tài nguyên năng lượng của mạng. Tối ưu được
giao thức định tuyến tức là tối ưu được việc truyền thông dữ liệu này. Do đó luận án tập trung
chủ yếu vào việc thiết kế các giao thức định tuyến tối ưu năng lượng đồng thời xây dựng mô
hình ứng dụng tổng hợp có thể ứng dụng vào thực tế.
Giao thức định tuyến trong mạng cảm biến không dây có thể được chia thành hai loại: các
giao thức tập trung dữ liệu và các giao thức truyền đa chặng về trạm. Giao thức tập trung dữ
liệu thể hiện cách thức các nút cảm biến không dây truyền dữ liệu thu thập được về trạm như
thế nào. Chúng có thể truyền trực tiếp về trạm hoặc truyền tới một nút cảm biến khác đóng vai
trò trung tâm của vùng cảm biến đó, nút này thường được gọi là clusterhead, sau đó các nút
clusterhead này sẽ tổng hợp dữ liệu và truyền về trạm. Một số giao thức thuộc loại này kể đến
là LEACH [1], LEACH-C [2], PEGASIS [3]… Bên cạnh các giao thức tập trung dữ liệu là các
giao thức truyền đa chặng. Khi các nút cảm biến truyền dữ liệu về trạm hay truyền đến các
clusterhead hay các nút clusterhead truyền về trạm chúng có thể truyền đơn chặng hoặc đa
2
chặng về trạm. Như đã phân tích ở trên thì truyền đa chặng sẽ cho khả năng mở rộng và hiệu
quảtốt hơn. Một số giao thức truyền đa chặng đã được phát triển như DSR [4], AODV [5],…
Với hai hướng tiếp cận định tuyến trong mạng cảm biến không dây này, các giao thức định
tuyến đa chặng sẽ quyết định dữ liệu được gửi về trạm theo đường nào do đó có ý nghĩa to lớn
trong việc chọn đường tiết kiệm năng lượng, cân bằng năng lượng giữa các nút cảm biến. Do
đó luận án tập trung vào việc nghiên cứu và phát triển các giao thức định tuyến truyền đa
chặng trong mạng cảm biến không dây nhằm đạt được mục tiêu tiết kiệm năng lượng của
mình.
Tình hình nghiên cứu trong và ngoài nƣớc
Tình hình trong nước:
Các nghiên cứu về sử dụng hiệu quả năng lượng trong mạng cảm biến không dây được đề
cập trong [6-9]. Trong [6, 7], các tác giả đã đề xuất các giao thức định tuyến đa chặng tiết
kiệm năng lượng, kéo dài thời gian sống của mạng cảm biến dựa vào năng lượng còn lại của
tất cả các nút cảm biến, năng lượng tiêu tốn của các nút lân cận, thực hiện thông báo để các
nút lân cận dừng hoạt động khi không cần thiết. Với các kỹ thuật này, các giao thức định tuyến
mà tác giả đề xuất đã thu được kết quả sử dụng năng lượng hiệu quả hơn so với các giao thức
trước đây.
Trong [8], tác giả đã trình bày phương pháp điều khiển công suất trong mạng cảm biến
không dây đa chặng, sau đó đề xuất giao thức định tuyến mới tiết kiệm năng lượng dựa trên
điều khiển công suất và chất lượng kênh truyền. Các kết quả mô phỏng trong [8] đã chỉ ra
thuật toán mới cho kết quả về năng lượng cũng như chất lượng đường truyền tốt hơn thuật
toán truyền thống AOMDV.
Trong [9], tác giả đã trình bày một giải pháp tối ưu giao định tuyến phân cấp (theo cluster)
cho mạng cảm biến không dây. Giao thức định tuyến phân cấp thường giải quyết vấn đề quy
mô lớn và truyền thông hiệu quả trong mạng không dây. Phương pháp này cũng có thể được
sử dụng để thực hiện hiệu quả năng lượng trong mạng cảm biến không dây đa chặng.Theo báo
cáo khoa học này, có nhiều thuật toán định tuyến cluster tiết kiệm năng lượng đã được đề xuất.
Nhưng phần lớn các thuật toán đó đều thực hiện qua mô phỏng (dạng heuristic), chưa có mô
3
hình hóa và phân tích bằng toán học. Lợi ích của các thuật toán này là đơn giản, tuy nhiên
chúng không đảm bảo các giải pháp tối ưu. Vì lý do đó, tác giả đã trình bày một mô hình giải
tích tối ưu để phân tích, đánh giávà thu được các giải pháp tối ưu cho các giao thức định tuyến
cluster trong mạng cảm biến.
Bên cạnh các kết quả đạt được về mặt học thuật, các nhà khoa học Việt Nam cũng đã có
các dự án hợp tác ứng dụng mạng cảm biến không dây vào thực tế như [10, 11, 89].
Từ những kết quả khảo sát trên ta thấy mạng cảm biến không dây đa chặng được khá nhiều
nhà khoa học trong nước quan tâm nghiên cứu và đã có những đóng góp nhất định về mặt
khoa học cũng như ứng dụng thực tiễn. Tuy nhiên các kết quả nghiên cứu và ứng dụng trong
nước vẫn còn khá hạn chế cả về số lượng và chất lượng.
Tình hình ngoài nước:
Với giao thức định tuyến đa chặng, trên thế giới đã có nhiều nghiên cứu về tối ưu năng
lượng như trong [5, 12 -18].Trong [5], tác giả đề cập giao thức định tuyến AODV được thiết
kế đặc biệt cho mạng không dây đa chặng, sử dụng kỹ thuật mở rộng vòng ERS nhằm giảm
bớt bản tin dư thừa. Tuy nhiên khi sử dụng ERS thì hiệu quả về năng lượng thu được vẫn chưa
tốt. Tác giả tối ưu nhằm thu được hiệu quả sử dụng năng lượng bằng cách loại bỏ các bản tin
tìm đường dư thừa. Và bằng mô phỏng trên nhiều phần mềm mô phỏng khác nhau, tác giả đã
thu được kết quả khá tốt khi sử dụng năng lượng.
Trong [18], tác giả đã chỉ rõ, hầu hết các thiết bị không dây ngày nay hoạt động dựa vào
pin. Do đó vấn đề sử dụng năng lượng là cực kỳ quan trọng. Để kéo dài thời gian sống của
mạng, việc sử dụng năng lượng của mỗi nút phải được phân chia ngang bằng nhau và công
suất truyền cho mỗi kết nối phải là nhỏ nhất. Với mục đích đó, tác giả đã đề xuất giao thức
định tuyến mới vừa thực hiện cân bằng năng lượng giữa các nút mạng đồng thời chọn đường
với mức tiêu hao năng lượng ít nhất.
Ngoài ra một số tác giả đã nghiên cứu và đề xuất các ứng dụng của mạng cảm biến không
dây trong giám sát đối tượng như trong các tài liệu [19 -23].
4
Qua những khảo sát trên ta thấy, các nghiên cứu về lĩnh vực mạng cảm biến không dây đa
chặng ngoài nước đã đạt được nhiều thành tựu đáng kể về cả ý nghĩa khoa học và ứng dụng
thực tế. Tuy nhiên do ưu điểm và những ứng dụng trong mọi mặt đời sống mà mạng cảm biến
vẫn đang được các nhà khoa học tiếp tục nghiên cứu và thử nghiệm. Đặc biệt là ở Việt Nam,
khi các trang thiết bị còn yếu, các hệ thống tự động còn hạn chế thì mạng cảm biến không dây
vẫn là một đề tài đầy thách thức với các nhà khoa học.
Mục tiêu nghiên cứu của luận án
Mục tiêu thứ nhất của luận án là nghiên cứu và tối ưu các giao thức định tuyến đa chặng
trong mạng cảm biến không dây nhằm tiết kiệm năng lượng nhưng vẫn đảm bảo các thông số
truyền khác như băng thông, tỷ lệ truyền gói thành công. Các kỹ thuật định tuyến mới trình
bày trong luận án được thiết kế dựa trên giao thức định tuyến phổ biến trong mạng không dây
đa chặng là AODV. Giao thức này đã được trình bày chi tiết trong [24].
Định tuyến không dây đa chặng thường được chia thành 2 loại: định tuyến lại (reactive) và
định tuyến trước (proactive). Trong định tuyến reactive, một nút sẽ không lưu giữ một bảng
định tuyến hoàn chỉnh về toàn bộ thông tin đường đi của mạng, thay vào đó, khi muốn kết nối
đến một nút khác, nó sẽ phải thực hiện quá trình tìm đường đến đích. Một ví dụ điển hình của
định tuyến reactive là định tuyến Dynamic Source Routing (DSR). DSR được nghiên cứu và
phát triển bởi Johnson và Maltz [4]. Ngược lại với định tuyến reactive, định tuyến proactive
lưu thông tin về đường đi toàn mạng trong bảng định tuyến và bảng định tuyến này thường
xuyên được cập nhật. Ví dụ tiêu biểu của kiểu định tuyến này là định tuyến Optimized Link-
State Routing (OLSR) đã được trình bày trong [25]. Với các đặc điểm hoạt động này, định
tuyến proactive thường được sử dụng cho các mạng có các nút mạng cố định, định tuyến
reactive thường được sử dụng với các kiểu mạng có các nút di chuyển, thường xuyên thay đổi
vị trí. Mặt khác, trong định tuyến proactive, các nút ngoài việc sử dụng bộ nhớ để lưu trữ
thông tin đường đi toàn mạng, chúng còn phải thường xuyên gửi bản tin để trao đổi duy trì
thông tin toàn mạng. Hoạt động này gây tốn tài nguyên mạng (tài nguyên băng thông, xử lý,
năng lượng mạng) do đó không thực sự thuận lợi khi triển khai cho mạng cảm biến không dây.
Trong mô hình mạng không dây đa chăng mà luận án nghiên cứu, các nút mạng là các thiết bị
cảm biến đứng yên. Với đặc điểm của nút mạng cảm biến và tính chất không thay đổi mô hình
mạng cần thiết phải có một giao thức định tuyến đáp ứng được cả 2 tiêu chí trên. Các giao
5
thức thuần reactive hay proactive đều không thực sự hiệu quả. Giao thức AODV được phát
triển từ giao thức DSR bằng cách duy trì thêm bảng định tuyến tại các nút giống như các định
tuyến proactive. Do đó giao thức AODV có các đặc điểm định tuyến theo yêu cầu như DSR,
không tiêu tốn tài nguyên hệ thống đồng thời không thường xuyên trao đổi bản tin duy trì định
tuyến như proactive nhưng vẫn có bảng thông tin đường đi sau mỗi lần tìm kiếm phù hợp cho
mạng có đặc điểm ít biến động. Chính vì những đặc điểm này mà luận án đã chọn AODV làm
cơ sở để phát triển các nghiên cứu của mình.
Mục tiêu thứ hai của luận án là nghiên cứu các thuật toán dự đoán vị trí đối tượng. Xây
dựng ứng dụng giám sát đối tượng theo vùng tiết kiệm năng lượng bằng cách tích hợp thuật
toán dự đoán vị trí đối tượng và các thuật toán định tuyến đề xuất.
Các vấn đề cần giải quyết của luận án
- Bằng cách sử dụng phương pháp làm tràn bản tin tìm kiếm, giao thức định tuyến AODV đã
cho kết quả tìm kiếm nhanh chính xác. Tuy nhiên với phương pháp này, số lượng các gói
tin dư thừa nhiều, dẫn đến hoạt động xử lý của các nút nhiều khi không cần thiết. Điều này
gây tiêu tốn tài nguyên hệ thống. Do đó, đưa ra một phương pháp định tuyến giảm thiểu
bản tin dư thừa, hạn chế số nút mạng tham gia định tuyến là một vấn đề cần giải quyết.
- Trong thuật toán định tuyến truyền thống, tuyến đường tốt nhất thường được chọn dựa trên
tiêu chí bước nhảy mạng. Các tiêu chí khác như băng thông, năng lượng, độ trễ chưa được
quan tâm. Điều đó dẫn đến tuyến đường được chọn có thể ngắn nhất về mặt bước nhảy
nhưng lại không được tối ưu về mặt năng lượng hay băng thông. Do đó, việc nghiên cứu đề
xuất giao thức kết hợp các tiêu chí kể trên để chọn đường tốt nhất là cần thiết.
- Trong quá trình định tuyến, tuyến đường tốt nhất thường là tuyến đường ngắn và đi qua
trung tâm của hệ thống mạng. Điều đó làm cho các nút nằm ở trung tâm thường xuyên
được chọn để chuyển tiếp bản tin, dẫn đến chúng nhanh chóng bị hết năng lượng và dừng
hoạt động. Khi một nút dừng hoạt động sẽ làm ảnh hưởng đến hoạt động của toàn mạng.
Đây là điều mà người quản trị không mong muốn. Do đó luận án cần nghiên cứu và đề xuất
phương pháp định tuyến mới để loại bỏ những tuyến đường có mức năng lượng không đảm
bảo nhằm mục đích cân bằng mức độ hoạt động của tất cả các nút mạng, kéo dài thời gian
sống của mạng.
6
- Trong mạng cảm biến không dây, khoảng cách giữa các nút cảm biến là không giống nhau.
Có những nút cách xa nhau hàng trăm mét, có nút chỉ cách nhau vài mét. Do đặc điểm dễ
triển khai nên các kết nối này đều dùng chung một mức công suất truyền, không quan tâm
tới khoảng cách giữa các nút cảm biến. Điều này gây tiêu tốn năng lượng không cần thiết.
Với mục tiêu tiết kiệm năng lượng trong mạng cảm biến thì điều khiển công suất truyền dữ
liệu, kết hợp điều khiển công suất vào định tuyến là một nhiệm vụ của luận án.
- Với các kết quả thu được từ việc tối ưu các giao thức định tuyến, luận án tiếp tục đặt mục
tiêu đề xuất ứng dụng giám sát đối tượng theo vùng. Tức là điều khiển bật các nút cảm biến
quanh đối tượng cần theo dõi, tắt các nút cảm biến khác nhằm tiết kiệm năng lượng toàn
mạng. Nhưng bật nút nào, tắt nút nào là một vấn đề cần làm rõ. Để làm được điều này, luận
án cần nghiên cứu các thuật toán dự đoán vị trí đối tượng đã có như Kalman, Kalman mở
rộng, Particle Filter. Xác định thuật toán nào là tốt và phù hợp cho mô hình. Từ đó xây
dựng mô hình ứng dụng giám sát đối tượng theo vùng kết hợp giữa thuật toán dự đoán và
các thuật toán định tuyến đã đề xuất.
Phạm vi nghiên cứu của luận án
- Tập trung nghiên cứu các giao thức định tuyến đa chặng trong mạng cảm biến không dây.
- Tập trung nghiên cứu các kỹ thuật điều khiển công suất trong mạng cảm biến không dây đa
chặng.
- Tập trung nghiên cứu các thuật toán dự đoán vị trí đối tượng. Đặc biệt là thuật toán bộ lọc
chất điểm.
- Tập trung nghiên cứu ứng dụng giám sát đối tượng sử dụng mạng cảm biến không dây.
Phƣơng pháp nghiên cứu
- Mô hình hóa giải tích các bài toán truyền thống, tiết kiệm năng lượng và điều khiển cấp
phát tài nguyên để đưa ra thuật giải khả thi.
- Tiến hành thiết kế, đề xuất thuật toán tối ưu, kiểm chứng bằng mô phỏng.
7
Các đóng góp của luận án
- Đề xuất giao thức định tuyến tiết kiệm năng lượng:

 Định tuyến tiết kiệm năng lượng dựa trên kỹ thuật giảm thiểu các gói tin dư thừa
Efficient Expanding Ring Search (EERS): Giao thức EERS được phát triển mở rộng từ
giao thức tìm kiếm mở rộng vòng Expanding Ring Search (ERS). Bằng cách sử dụng
thông tin từ các lần tìm kiếm mở rộng vòng trước, giao thức EERS đã điều khiển tắt
hoạt động tham gia tìm kiếm đường của một số nút cảm biến trong lần tìm đường tiếp
theo, từ đó tiết kiệm năng lượng tìm kiếm, giảm thiểu gói tin dư thừa. Các kết quả mô
phỏng đã chỉ ra những ưu điểm này của thuật toán mới.
 Định tuyến tiết kiệm năng lượng tối ưu chi phí tìm đường và cân bằng năng lượng
Routing Dual Criterion (RDC) và Avoid Bad Route (ABR): Thuật toán RDC xây dựng
một công thức tính chi phí đường đi mới gồm cả bước nhảy mạng và năng lượng còn
lại của nút cảm biến. Trong khi đó thuật toán ABR sử dụng năng lượng còn lại của nút
cảm biến như là một điều kiện để lọc các tuyến đường có chứa nút cảm biến có mức
năng lượng còn lại thấp, không đảm bảo truyền dữ liệu. Tuyến đường được chọn trong
ABR phải đảm bảo vừa có chi phí đường đi bé nhất đồng thời chứa các nút cảm biến
có năng lượng còn lại lớn hơn ngưỡng năng lượng yêu cầu để đường được chọn có
năng lượng đảm bảo hoạt động. Cả hai giao thức đều đạt được mục đích cân bằng sử
dụng năng lượng giữa các nút cảm biến, kéo dài thời gian sống của mạng.
 Định tuyến tiết kiệm năng lượng kết hợp điều khiển công suất Power Control
Combined with Routing Protocol (PRP): Trong thuật toán định tuyến này, các nút cảm
biến được điều khiển công suất truyền phù hợp với khoảng cách giữa chúng. Đồng thời
thông số công suất cũng được đưa vào công thức tính toán chi phí chọn đường. Các mô
phỏng cho thấy giao thức mới cho kết quả tốt hơn về năng lượng trong khi các thông
số khác vẫn đảm bảo.
- Xây dựng ứng dụng giám sát đối tượng theo vùng dựa trên thuật toán dự đoán vị trí đối
tượng Particle Filter và các thuật toán định tuyến đề xuất:
 Đề xuất phương thức thực hiện thuật toán bộ lọc chất điểm mới: Đề xuất phương pháp
lan truyền chất điểm theo đám mây và cách tính toán trọng số chất điểm mới. Các kết
quả mô phỏng cho thấy phương thức mới cho kết quả ước lượng chính xác hơn phương
pháp đã có trước đây.
8
 Đề xuất mô hình giám sát đối tượng theo vùng tiết kiệm năng lượng: Dựa trên ước
lượng vị trí đối tượng, ứng dụng giám sát đối tượng theo vùng bật các nút cảm biến
quanh vị trí dự đoán, tắt các nút cảm biến còn lại. Các kết quả mô phỏng cho thấy mô
hình ứng dụng giám sát đối tượng theo vùng cho kết quả tốt hơn trong sử dụng hiệu
quả năng lượng và giảm thiểu bản tin dư thừa trên mạng.
1.2. Cấu trúc luận án
Luận án được chia thành 4 chương với nội dung như sau:
- Chƣơng 1: Trình bày tổng quan về mạng cảm biến không dây. Trong chương này mô tả về
cấu trúc mạng cảm biến không dây, đặc điểm và cấu trúc của nút cảm biến. Những vấn đề
gặp phải của mạng cảm biến không dây như năng lượng, điều khiển truy nhập đường
truyền. Đồng thời chương này cũng chỉ ra các ứng dụng phong phú trong đời sống của
mạng cảm biến như các ứng dụng trong y tế, ứng dụng trong quân đội, ứng dụng trong gia
đình và trong môi trường.
- Chƣơng 2: Trình bày các giao thức định tuyền tiết kiệm năng lượng mới. Phần đầu chương
giới thiệu về các giao thức đã có: giao thức định tuyến kinh điển AODV, giao thức tìm
kiếm mở rộng vòng ERS. Phần sau là các giao thức định tuyến được để xuất: giao thức định
tuyến giảm thiểu các gói tin dư thừa EERS; giao thức định tuyến dựa vào hai điều kiện
bước nhảy mạng và năng lượng nút cảm biến để chọn đường RDC; giao thức định tuyến
dựa vào năng lượng nút cảm biến để loại bỏ tuyến đường không đảm bảo về năng lượng
ABR. Phần cuối của chương là kỹ thuật điều khiển công suất và đề xuất giao thức định
tuyến kết hợp với điều khiển công suất PRP.
- Chƣơng 3: Trình bày đề xuất mô hình ứng dụng giám sát theo vùng. Phần đầu chương tóm
lược những kiến thức toán học cơ bản về xác suất cần thiết cho mô hình ứng dụng. Tiếp
theo chương giới thiệu và mô phỏng đánh giá các thuật toán dự đoán vị trí đối tượng
Kalman, Kalman mở rộng, bộ lọc chất điểm Particle Filter. Đề xuất phương thức thực hiện
bộ lọc chất điểm mới. Phần cuối chương trình bày về mô hình ứng dụng giám sát theo vùng
kết hợp giữa thuật toán dự đoán vị trí đối tượng và các phương pháp định tuyến đã đề xuất.
- Chƣơng 4: Kết luận và hướng phát triển tiếp cho đề tài.
9
CHƯƠNG 1. TỔNG QUAN VỀ MẠNG CẢM BIẾN KHÔNG
DÂY
Mạng cảm biến không dây là một mạng bao gồm nhiều nút cảm biến giao tiếp thông qua
các kết nối không dây, các nút cảm biến này cảm nhận, tập trung dữ liệu, có thể phân tích tính
toán trên các dữ liệu thu thập được sau đó truyền trực tiếp hoặc đa chặng (multihop) về trạm
điều khiển để tiếp tục phân tích và đưa ra các quyết định toàn cục về môi trường xung quanh.
Các nút cảm biến bao gồm các thành phần cơ bản:
- Bộ vi xử lý.
- Bộ nhớ giới hạn.
- Bộ phận cảm biến.
- Bộ thu phát không dây.
- Nguồn.
- Kích thước thay đổi tùy thuộc vào từng ứng dụng.
Mạng cảm biến không dây thông thườngcó một số đặc điểm sau:
- Có khả năng tự tổ chức, yêu cầu ít hoặc không có sự can thiệp của con người.
- Truyền thông không tin cậy và quảng bá trong phạm vi hẹp, sử dụng định tuyến đa chặng.
- Triển khai dày đặc và có khả năng kết hợp giữa các nút cảm biến.
- Cấu hình mạng thường xuyên thay đổi phụ thuộc vào sự di chuyển, hao mòn và hư hỏng ở
các nút cảm biến.
- Bị giới hạn về mặt năng lượng, công suất phát, bộ nhớ và công suất tính toán.
Chính những đặc điểm này đã đưa ra những yêu cầu đặc biệt trong thiết kế mạng cảm biến.
Để tìm hiểu rõ hơn về mạng cảm biến, luận án tiếp tục trình bày về cấu trúc và ứng dụng của
mạng cảm biến.
1.1. Cấu trúc mạng cảm biến không dây

1.1.1. Các yếu tố ảnh hưởng đến cấu trúc mạng cảm biến không dây
Các cấu trúc hiện nay cho mạng Internet và mạng không dây đặc biệt (adhoc) không còn
phù hợp với mạng cảm biến không dây, do một số lý do sau:
10
- Số lượng các nút cảm biến trong mạng cảm biến có thể lớn gấp nhiều lần số lượng nút
trong mạng adhoc.
- Cấu trúc mạng cảm biến thay đổi khá thường xuyên.
- Các nút cảm biến bị giới hạn về năng lượng, khả năng tính toán và bộ nhớ.
- Các nút cảm biến có thể không có số nhận dạng toàn cầu (global- identification) vì có một
số lượng lớn nút cảm biến.
Do đó cấu trúc trong mạng mới sẽ:

- Kết hợp vấn đề năng lượng và khả năng định tuyến.
- Tích hợp dữ liệu và giao thức mạng.
- Truyền năng lượng hiệu quả qua các phương tiện không dây.
- Chia sẻ nhiệm vụ giữa các nút lân cận.
Các nút cảm biến được phân bố trong một trường cảm biến như hình 1.1. Mỗi một nút cảm
biến có khả năng thu thập dữ liệu và định tuyến lại đến các điểm xử lý tập trung gọi là nút
sink. Dữ liệu được định tuyến lại đến các điểm xử lý tập trung bởi một cấu trúc đa điểm như
hình vẽ. Các điểm xử lý tập trung có thể giao tiếp với các nút quản lý nhiệm vụ (task manager
node) qua mạng Internet hoặc vệ tinh.
Hình 1.1. Một mạng cảm biến không dây đơn giản [26]
Nút sink là một thực thể, tại đó thông tin được yêu cầu. Nút sink có thể là thực thể bên
trong mạng tức là một nút cảm biến hoặc ngoài mạng. Thực thể ngoài mạng có thể là một thiết
bị không cảm biến ví dụ như máy tính xách tay mà tương tác với mạng cảm biến, hoặc đơn
thuần chỉ là một điểm trung gian nối với mạng khác lớn hơn như Internet nơi mà có yêu cầu
11
thực sự đối với các thông tin lấy từ một vài nút cảm biến trong mạng.
Về mặt cấu trúc, nút cảm biến được cấu thành bởi bốn thành phần cơ bản như ở hình 1.2:
đơn vị cảm biến (sensing unit), đơn vị xử lý (processing unit), đơn vị truyền dẫn (transceiver
unit) và bộ nguồn (power unit). Ngoài ra có thể có thêm những thành phần khác tùy thuộc vào
từng ứng dụng như là hệ thống định vị (location finding system), bộ phát nguồn (power
generator) và bộ phận di động (mobilizer).
Hình 1.2. Cấu tạo nút cảm biến [26, 27]
Các đơn vị cảm biến bao gồm cảm biến và bộ chuyển đổi tương tự số. Dựa trên những hiện
tượng quan sát được, tín hiệu tương tự tạo ra bởi đơn vị cảm biến được chuyển sang tín hiệu
số bằng bộ ADC (Analog-to-Digital Converter), sau đó được đưa vào bộ xử lý.
Đơn vị xử lý thường được kết hợp với bộ lưu trữ nhỏ (storage unit), quyết định các thủ tục
làm cho các nút kết hợp với nhau để thực hiện các nhiệm vụ định sẵn. Phần thu phát vô tuyến
kết nối các nút vào mạng.
Một trong số các phần quan trọng nhất của một nút mạng cảm biến là bộ nguồn. Các bộ
nguồn thường được hỗ trợ bởi các bộ phận lọc như là tế bào năng lượng mặt trời. Ngoài ra
cũng có những thành phần phụ khác phụ thuộc vào từng ứng dụng. Hầu hết các kĩ thuật định
tuyến và các nhiệm vụ cảm biến của mạng đều yêu cầu có độ chính xác cao về vị trí. Các bộ
phận di động đôi lúc cần phải dịch chuyển các nút cảm biến khi cần thiết để thực hiện các
nhiệm vụ đã ấn định. Tất cả những thành phần này cần phải phù hợp với kích cỡ từng phần.
Ngoài kích cỡ ra các nút cảm biến còn một số ràng buộc nghiêm ngặt khác, như là phải tiêu
thụ rất ít năng lượng, hoạt động ở mật độ cao, có giá thành thấp, có thể tự hoạt động, và thích
biến với sự biến đổi của môi trường.
12
1.1.2. Đặc điểm của cấu trúc mạng cảm biến
Như trên ta đã biết đặc điểm của mạng cảm biến là bao gồm một số lượng lớn các nút cảm
biến, các nút cảm biến có giới hạn và ràng buộc về tài nguyên đặc biệt là năng lượng rất khắt
khe. Do đó, cấu trúc mạng mới có đặc điểm rất khác với các mạng truyền thống. Phần dưới
đây phân tích một số đặc điểm nổi bật trong mạng cảm biến [26].
Khả năng chịu lỗi: Một số các nút cảm biến có thể không hoạt động nữa do thiếu năng
lượng, do những hư hỏng vật lý hoặc do ảnh hưởng của môi trường. Khả năng chịu lỗi thể
hiện ở việc mạng vẫn hoạt động bình thường, duy trì những chức năng của nó ngay cả khi một
số nút mạng không hoạt động.
Khả năng mở rộng: Khi nghiên cứu một hiện tượng, số lượng các nút cảm biến được triển
khai có thể đến hàng trăm nghìn nút, phụ thuộc vào từng ứng dụng con số này có thể vượt quá
hàng triệu. Do đó cấu trúc mạng mới phải có khả năng mở rộng để có thể làm việc với số
lượng lớn các nút này.
Giá thành sản xuất: Vì các mạng cảm biến bao gồm một số lượng lớn các nút cảm biến nên
chi phí của mỗi nút rất quan trọng trong việc điều chỉnh chi phí của toàn mạng. Nếu chi phí
của toàn mạng đắt hơn việc triển khai sensor theo kiểu truyền thống, như vậy mạng không có
giá thành hợp lý. Do vậy, chi phí của mỗi nút cảm biến phải giữ ở mức thấp.
Ràng buộc về phần cứng: Ví số lượng các nút trong mạng rất nhiều nên các nút cảm biến
cần phải có các ràng buộc về phần cứng như sau:kích thước phải nhỏ, tiêu thụ năng lượng
thấp, có khả năng hoạt động ở những nơi có mật độ cao, chi phí sản xuất thấp, có khả năng tự
trị và hoạt động không cần có người kiểm soát, thích nghi với môi trường.
Môi trường hoạt động: Các nút cảm biến được thiết lập dày đặc, rất gần hoặc trực tiếp bên
trong các hiện tượng để quan sát. Vì thế, chúng thường làm việc mà không cần giám sát ở
những vùng xa xôi. Chúng có thể làm việc ở bên trong các máy móc lớn, ở dưới đáy biển,
hoặc trong những vùng ô nhiễm hóa học hoặc sinh học, ở gia đình hoặc những tòa nhà lớn.
Phương tiện truyền dẫn: Ở những mạng cảm biến đa chặng, các nút được kết nối bằng
những phương tiện không dây. Các đường kết nối này có thể tạo nên bởi sóng vô tuyến, hồng
ngoại hoặc những phương tiện quang học. Để thiết lập sự hoạt động thống nhất của những
13
mạng này, các phương tiện truyền dẫn phải được chọn phải phù hợp trên toàn thế giới. Hiện tại
nhiều phần cứng của các nút cảm biến dựa vào thiết kế mạch RF. Những thiết bị cảm biến
năng lượng thấp dùng bộ thu phát vô tuyến 1 kênh RF hoạt động ở tần số 916MHz. Một cách
khác mà các nút trong mạng giao tiếp với nhau là bằng hồng ngoại. Thiết kế máy thu phát vô
tuyến dùng hồng ngoại thì giá thành rẻ và dễ dàng hơn. Cả hai loại hồng ngoại và quang đều
yêu cầu bộ phát và thu nằm trong phạm vi nhìn thấy, tức là có thể truyền ánh sáng cho nhau
được.
Cấu hình mạng cảm biến: Trong mạng cảm biến, hàng trăm đến hàng nghìn nút được triển
khai trên trường cảm biến. Chúng được triển khai trong vòng hàng chục mét của mỗi nút. Do
số lượng các nút cảm biến rất lớn nên cần phải thiết lâp một cấu hình ổn định.
Sự tiêu thụ năng lượng: Nút cảm biến không dây, có thể coi là một thiết bị vi điện tử chỉ có
thể được trang bị nguồn năng lượng giới hạn. Trong một số ứng dụng, việc bổ sung nguồn
năng lượng không thể thực hiện được. Vì thế khoảng thời gian sống của các nút cảm biến phụ
thuộc mạnh vào thời gian sống của pin. Ở mạng cảm biến không dây đa chặng, mỗi một nút
đóng một vai trò kép vừa khởi tạo vừa định tuyến dữ liệu. Sự trục trặc của một vài nút cảm
biến có thể gây ra những thay đổi đáng kể trong cấu hình và yêu cầu định tuyến lại các gói và
tổ chức lại mạng. Vì vậy, việc duy trì và quản lý nguồn năng lượng đóng một vai trò quan
trọng. Đó là lý do vì sao mà hiện nay người ta đang tập trung nghiên cứu về các giải thuật và
giao thức để thiết kế nguồn cho mạng cảm biến. Nhiệm vụ chính của các nút cảm biến trong
trường cảm biến là phát hiện ra các sự kiện, thực hiện xử lý dữ liệu cục bộ nhanh chóng, và
sau đó truyền dữ liệu đi. Vì thế sự tiêu thụ năng lượng được chia ra làm ba vùng: cảm nhận
(sensing), giao tiếp (communicating), và xử lý dữ liệu (data processing).
1.1.3. Kiến trúc giao thức mạng
Kiến trúc giao thức áp dụng cho mạng cảm biến được trình bày trong hình 1.3. Kiến trúc
này bao gồm các lớp và các mặt phẳng quản lý. Các mặt phẳng quản lý này làm cho các nút có
thể làm việc cùng nhau theo cách có hiệu quả nhất, định tuyến dữ liệu trong mạng cảm biến di
động và chia sẻ tài nguyên giữa các nút cảm biến.
14
Phần quản lý nhiệm vụ
Phần quản lý di động
Phần quản lý năng lƣợng
Lớp ứng dụng
Lớp truyền tải
Lớp mạng
Lớp liên kết dữ

liệu
Lớp vật lý
Hình 1.3. Kiến trúc giao thức mạng cảm biến [26, 28]
Về chức năng chi tiết của từng thành phần trong kiến trúc giao thức mạng cảm biến:
Chức năng các mặt phẳng quản lý
Mặt phẳng quản lý năng lượng: Quản lý cách nút cảm biến sử dụng nguồn năng lượng của
nó. Ví dụ: nút cảm biến có thể tắt bộ thu sau khi nhận được một bản tin. Khi mức công suất
của thiết bị cảm biến thấp, nó sẽ gửi quảng bá sang các nút cảm biến bên cạnh thông báo rằng
mức năng lượng của nó thấp và nó không thể tham gia vào quá trình định tuyến.
Mặt phẳng quản lý di động: Có nhiệm vụ phát hiện và đăng ký sự chuyển động của các nút.
Các nút giữ việc theo dõi xem ai là nút lân cận của chúng.
Mặt phẳng quản lý nhiệm vụ: Cân bằng và sắp xếp nhiệm vụ cảm biến giữa các nút trong
một vùng quan tâm. Không phải tất cả các nút cảm biến đều thực hiện nhiệm vụ cảm nhận ở
cùng một thời điểm.
Chức năng các lớp giao thức
Lớp vật lý: Có nhiệm vụ lựa chọn tần số, tạo ra tần số sóng mang, phát hiện tín hiệu, điều
chế và mã hóa tín hiệu. Các băng tần 868MHz, 915MHzvà 2.45GHz thường được sử dụng
trong mạng cảm biến [27].
15
Lớp liên kết dữ liệu: Lớp này có nhiệm vụ ghép các luồng dữ liệu, phát hiện các khung dữ
liệu (frame), cách truy nhập đường truyền và điều khiển lỗi. Vì môi trường có tạp âm và các
nút cảm biến có thể di động, giao thức điều khiển truy nhập môi trường (MAC) phải xét đến
vấn đề công suất và phải có khả năng tối thiểu hoá việc xung đột với thông tin quảng bá của
các nút lân cận.
Lớp mạng: Lớp mạng có nhiệm vụ trao đổi thông tin về đường đi giữa các nút cảm biến và
tìm ra đường đi hiệu quả nhất trong mạng cảm biến.
Lớp truyền tải: Chỉ cần thiết khi hệ thống có kế hoạch được truy cập thông qua mạng
Internet hoặc các mạng bên ngoài khác.
Lớp ứng dụng: Tuỳ theo nhiệm vụ cảm biến, các loại phần mềm ứng dụng khác nhau có thể
được xây dựng và sử dụng ở lớp ứng dụng.
1.1.4. Hai cấu trúc đặc trong của mạng cảm biến
Trong mạng cảm biến không dây, các nút cảm biến thu tập dữ liệu sau đó gửi chúng về
điểm xử lý tập trung để xử lý, đưa ra kết quả và quyết định các hoạt động tiếp theo. Thông
thường, các nút sẽ tập trung dữ liệu và trạm xử lý tập trung theo hai hình thức [26]:
- Gửi trực tiếp dữ liệu một chặng hoặc đa chặng về điểm xử lý tập trung (Cấu trúc phẳng)
- Chia mạng cảm biến thành nhiều vùng nhỏ, tập trung dữ liệu từng vùng tại một điểm sau
đó truyền dữ liệu đã tập trung về điểm xử lý tập trung (Cấu trúc phân tầng)
Chi tiết của hai kiểu cấu trúc này được mô tả như sau:
1.1.4.1. Cấu trúc phẳng
Trong cấu trúc phẳng (hình 1.4), tất cả các nút đều ngang hàng và đồng nhất trong hình
dạng và chức năng. Các nút giao tiếp với điểm xử lý tập trung trực tiếp hoặc qua đa chặng sử
dụng các nút ngang hàng làm bộ tiếp sóng. Với phạm vi truyền cố định, các nút gần điểm xử
lý tập trung hơn sẽ đảm bảo vai trò của bộ tiếp sóng đối với một số lượng lớn nguồn. Giả thiết
rằng tất cả các nguồn đều dùng cùng một tần số để truyền dữ liệu, vì vậy có thể chia sẻ thời
gian. Tuy nhiên cách này chỉ có hiệu quả với điều kiện là có nguồn chia sẻ đơn lẻ, ví dụ như
thời gian, tần số…
16
Nút cảm biến
Điểm xử lý tập trung
Hình 1.4. Cấu trúc phẳng của mạng cảm biến [26]
1.1.4.2. Cấu trúc phân tầng
Trong cấu trúc phân tầng (hình 1.5), mạng cảm biến được chia thành các vùng được gọi là
cụm.
Nút chủ (Cluster Head)
Nút cảm biến
Điểm xử lý tập trung
Hình 1.5. Cấu trúc tầng của mạng cảm biến [26]
17
Internet
Nút cảm biến
Cấp 2: Phân phối
Cấp 1: Tính toán
Cấp 0: Cảm nhận

Hình 1.6. Cấu trúc mạng phân cấp chức năng theo lớp [26]
Các nút cảm biến trong cụm gửi dữ liệu đơn chặng hay đa chặng (tùy thuộc vào kích cỡ của
cụm) đến một nút định sẵn trong cụm, thường gọi là nút chủ (cluster head). Sau đó các nút chủ
sẽ gửi đơn chặng hoặc đa chặng dữ liệu tập trung được đến nút xử lý tập trung. Trong cấu trúc
này, các nút tạo thành một hệ thống cấp bậc mà ở đó mỗi nút ở một mức xác định thực hiện
các nhiệm vụ đã định sẵn. Trong cấu trúc tầng thì chức năng cảm nhận, tính toán và phân phối
dữ liệu không đồng đều giữa các nút. Những chức năng này có thể phân theo cấp, cấp thấp
nhất thực hiện tất cả nhiệm vụ cảm nhận, cấp giữa thực hiện tính toán, và cấp trên cùng thực
hiện phân phối dữ liệu (hình 1.6).
Mạng cảm biến xây dựng theo cấu trúc tầng hoạt động hiệu quả hơn cấu trúc phẳng, do các
lý do sau:
- Cấu trúc tầng có thể giảm chi phí mạng cảm biến bằng việc định vị các tài nguyên ở vị trí
mà chúng hoạt động hiệu quả nhất. Rõ ràng là nếu triển khai các phần cứng thống nhất, mỗi
nút chỉ cần một lượng tài nguyên tối thiểu để thực hiện tất cả các nhiệm vụ. Vì số lượng các
nút cần thiết phụ thuộc vào vùng phủ sóng xác định, chi phí của toàn mạng vì thế sẽ không
cao. Thay vào đó, nếu một số lượng lớn các nút có chi phí thấp được chỉ định làm nhiệm vụ
cảm nhận, một số lượng nhỏ hơn các nút có chi phí cao hơn được chỉ định để phân tích dữ
liệu, định vị và đồng bộ thời gian, chi phí cho toàn mạng sẽ giảm đi.
- Mạng cấu trúc tầng sẽ có tuổi thọ cao hơn cấu trúc mạng phẳng. Khi cần phải tính toán
nhiều thì một bộ xử lý nhanh sẽ hiệu quả hơn, phụ thuộc vào thời gian yêu cầu thực hiện
18
tính toán. Tuy nhiên, với các nhiệm vụ cảm nhận cần hoạt động trong khoảng thời gian dài,
các nút tiêu thụ ít năng lượng phù hợp với yêu cầu xử lý tối thiểu sẽ hoạt động hiệu quả
hơn. Do vậy với cấu trúc tầng mà các chức năng mạng phân chia giữa các phần cứng đã
được thiết kế riêng cho từng chức năng sẽ làm tăng tuổi thọ của mạng.
- Về độ tin cậy, mỗi mạng cảm biến phải phù hợp với số lượng các nút yêu cầu thỏa mãn
điều kiện về băng thông và thời gian sống. Với mạng cấu trúc phẳng, qua phân tích người
W
ta đã xác định thông lượng tối ưu của mỗi nút trong mạng có nút là , trong đó là độ
n
rộng băng tần của kênh chia sẻ [29]. Do đó khi kích cỡ mạng tăng lên thì thông lượng của
mỗi nút sẽ giảm về 0.
- Việc nghiên cứu các mạng cấu trúc tầng đem lại nhiều triển vọng để khắc phục vấn đề
thông lượng kể trên. Một cách tiếp cận là dùng một kênh đơn lẻ trong cấu trúc phân cấp,
trong đó các nút ở cấp thấp hơn tạo thành một cụm xung quanh trạm gốc. Mỗi một trạm
gốc đóng vai trò là cầu nối với cấp cao hơn, cấp này đảm bảo việc giao tiếp trong cụm
thông qua các bộ phận hữu tuyến. Trong trường hợp này, dung lượng của mạng tăng tuyến
tính với số lượng các cụm, với điều kiện là số lượng các cụm tăng ít nhất phải nhanh bằng
n . Các nghiên cứu khác đã thử cách dùng các kênh khác nhau ở các mức khác nhau của
cấu trúc phân cấp. Trong trường hợp này, dung lượng của mỗi lớp trong cấu trúc tầng và
dung lượng của mỗi cụm trong mỗi lớp xác định là độc lập với nhau.
Tóm lại, việc tương thích giữa các chức năng trong mạng có thể đạt được khi dùng cấu trúc
tầng. Đặc biệt người ta đang tập trung nghiên cứu các tiện ích về tìm địa chỉ. Những chức
năng như vậy có thể phân phối đến mọi nút, một phần phân bố đến tập con của các nút. Giả
thiết rằng các nút đều không cố định và phải thay đổi địa chỉ một cách định kì, sự cân bằng
giữa những lựa chọn này phụ thuộc vào tân số thích hợp của chức năng cập nhật và tìm kiếm.
Hiện nay cũng đang có rất nhiều mô hình tìm kiếm địa chỉ trong mạng cấu trúc tầng.
1.2. Ứng dụng mạng cảm biến không dây

Mạng cảm biến có thể bao gồm nhiều loại cảm biến khác nhau như cảm biến động đất, cảm
biến từ trường tốc độ lấy mẫu thấp, cảm biến thị giác, cảm biến hồng ngoại, cảm biến âm
thanh, radar… mà có thể quan sát vùng rộng các điều kiện xung quanh đa dạng bao gồm:
19
- Nhiệt độ
- Độ ẩm
- Sự chuyển động của xe cộ
- Điều kiện ánh sáng
- Áp suất
- Sự hình thành đất
- Mức nhiễu
- Sự có mặt hay vắng mặt của đối tượng nào đó
- Mức ứng suất trên các đối tượng bị gắn
- Đặc tính hiện tại như tốc độ,chiều và kích thước của đối tượng
Các nút cảm biến có thể được sử dụng để cảm biến liên tục hoặc là phát hiện sự kiện, số
nhận dạng sự kiện, cảm biến vị trí và điều khiển cục bộ bộ phận phát động. Khái niệm vi cảm
biến và kết nối không dây của những nút này hứa hẹn nhiều vùng ứng dụng mới. Chúng ta
phân loại các ứng dụng này trong quân đội, môi trường, sức khỏe, gia đình và các lĩnh vực
thương mại khác.
1.2.1. Ứng dụng trong quân đội
Mạng cảm biến không dây có thể là một phần tích hợp trong hệ thống điều khiển quân đội,
giám sát, giao tiếp, tính toán thông minh, trinh sát, theo dõi mục tiêu. Đặc tính triển khai
nhanh, tự tổ chức và có thể bị lỗi của mạng cảm biến làm cho chúng hứa hẹn kỹ thuật cảm
biến cho hệ thống trong quân đội. Vì mạng cảm biến dựa trên sự triển khai dày đặc của các nút
cảm biến có sẵn, chi phí thấp và sự phá hủy của một vài nút bởi quân địch không ảnh hưởng
đến hoạt động của quân đội cũng như sự phá hủy các cảm biến truyền thống làm cho khái
niệm mạng cảm biến là ứng dụng tốt đối với chiến trường. Một vài ứng dụng quân đội của
mạng cảm biến là quan sát lực lượng, trang thiết bị, đạn dược, theo dõi chiến trường do thám
địa hình và lực lượng quân địch, mục tiêu, việc đánh giá mức độ nguy hiểm của chiến trường,
phát hiện và do thám việc tấn công bằng hóa học, sinh học, hạt nhân.
Giám sát lực lượng, trang thiết bị và đạn dược: Các lãnh đạo, sĩ quan sẽ theo dõi liên tục
trạng thái lực lượng quân đội, điều kiện và sự có sẵn của các thiết bị và đạn dược trong chiến
trường bằng việc sử dụng mạng cảm biến. Quân đội, xe cộ, trang thiết bị và đạn dược có thể
gắn liền với các thiết bị cảm biến nhỏ để có thể thông báo về trạng thái. Những bản báo cáo
20
này được tập hợp lại tại các nút sink để gửi tới lãnh đạo trong quân đội. Dữ liệu cũng có thể
được chuyển tiếp đến các cấp cao hơn.
Giám sát chiến trường: Địa hình hiểm trở, các tuyến đường, đường mòn và các chỗ eo hẹp
có thể nhanh chóng được bao phủ bởi mạng cảm biến và gần như có thể theo dõi các hoạt
động của quân địch. Khi các hoạt động này được mở rộng và kế hoạch hoạt động mới được
chuẩn bị, một mạng mới có thể được triển khai bất cứ thời gian nào khi theo dõi chiến trường.
Giám sát địa hình và lực lượng quân địch: Mạng cảm biến có thể được triển khai ở những
địa hình then chốt và một vài nơi quan trọng, các nút cảm biến cần nhanh chóng cảm nhận các
dữ liệu và tập trung dữ liệu gửi về trong vài phút trước khi quân địch phát hiện và có thể chặn
lại chúng.
Đánh giá sự nguy hiểm của chiến trường: Trước và sau khi tấn công mạng cảm biến có thể
được triển khai ở những vùng mục tiêu để nắm được mức độ nguy hiểm của chiến trường.
Phát hiện và thăm dò các vụ tấn công bằng hóa học, sinh học và hạt nhân: Trong các cuộc
chiến tranh hóa học và sinh học đang gần kề, một điều rất quan trọng là sự phát hiện đúng lúc
và chính xác các tác nhân đó. Mạng cảm biến triển khai ở những vùng mà được sử dụng như
là hệ thống cảnh báo sinh học và hóa học có thể cung cấp các thông tin mang ý nghĩa quan
trọng đúng lúc nhằm tránh thương vong nghiêm trọng.
Hình0-1:ứng dụng trong quân đội

21
1.2.2. Ứng dụng trong môi trƣờng
Một vài ứng dụng môi trường của mạng cảm biến bao gồm theo dõi sự di cư của các loài
chim, các động vật nhỏ, các loại côn trùng, theo dõi điều kiện môi trường mà ảnh hưởng đến
mùa màng và vật nuôi; việc tưới tiêu, các thiết bị đo đạc lớn đối với việc quan sát diện tích lớn
trên trái đất, sự thăm dò các hành tinh, phát hiện sinhhóa, nông nghiệp chính xác, quan sát môi
trường, trái đất, môi trường vùng biển và bầu khí quyển, phát hiện cháy rừng, nghiên cứu khí
tượng học và địa lý, phát hiện lũ lụt, sắp đặt sự phức tạp về sinh học của môi trường và nghiên
cứu sự ô nhiễm.
Phát hiện cháy rừng: Vì các nút cảm biến có thể được triển khai một cách ngẫu nhiên, có
chiến lược với mật độ cao trong rừng, các nút cảm biến sẽ dò tìm nguồn gốc của lửa để thông
báo cho người sử dụng biết trước khi lửa lan rộng không kiểm soát được. Hàng triệu các nút
22
cảm biến có thể được triển khai và tích hợp sử dụng hệ thống tần số không dây hoặc quang
học. Cũng vậy, chúng có thể được trang bị cách thức sử dụng công suất có hiệu quả như là pin
mặt trời bởi vì các nút cảm biến bị bỏ lại không có chủ hàng tháng và hàng năm. Các nút cảm
biến sẽ cộng tác với nhau để thực hiện cảm biến phân bố và khắc phục khó khăn, như các cây
và đá mà ngăn trở tầm nhìn thẳng của cảm biến có dây.
Phát hiện lũ lụt: Một vài loại cảm biến được triển khai trong hệ thống cảm biến lượng mưa,
mức nước, thời tiết. Những cảm biến này cung cấp thông tin để tập trung hệ thống cơ sở dữ
liệu đã được định nghĩa trước.
Hình0-2:ứng dụng trong môi trường

1.2.3. Ứng dụng trong chăm sóc sức khỏe
Một vài ứng dụng về sức khỏe đối với mạng cảm biến là giám sát bệnh nhân, các triệu
chứng, quản lý thuốc trong bệnh viện, giám sát sự chuyển động và xử lý bên trong của côn
trùng hoặc các động vật nhỏ khác, theo dõi và kiểm tra bác sĩ và bệnh nhân trong bệnh viện.
Theo dõi bác sĩ và bệnh nhân trong bệnh viện: Mỗi bệnh nhân được gắn một nút cảm biến
nhỏ và nhẹ, mỗi một nút cảm biến này có nhiệm vụ riêng, ví dụ có nút cảm biến xác định nhịp
tim trong khi nút cảm biến khác phát hiện áp suất máu, bác sĩ cũng có thể mang nút cảm biến
để cho các bác sĩ khác xác định được vị trí của họ trong bệnh viện.
23
Hình0-3:ứng dụng trong chăm sóc sức khỏe
1.2.4. Ứng dụng trong gia đình
Trong lĩnh vực tự động hóa gia đình, các nút cảm biến được đặt ở các phòng để đo nhiệt độ.
Không những thế, chúng còn được dùng để phát hiện những sự dịch chuyển trong phòng và
thông báo lại thông tin này đến thiết bị báo động trong trường hợp không có ai ở nhà.
24
Hình0-4:ứng dụng trong gia đình
1.3. Một số vấn đề thách thức kỹ thuật

1.3.1. Vấn đề lớp MAC
Trong mạng cảm biến không dây, các nút cảm biến sử dụng chung đường truyền để truyền
dữ liệu. Nếu không có sự điều khiển, một thời điểm nào đó sẽ xuất hiện nhiều nút cũng sử
dụng đường truyền, dẫn đến hiện tượng xung đột trên đường truyền và làm mất kết nối. Để
tránh những xung đột xảy ra trên đường truyền chia sẻ như thế này, các giao thức lớp MAC
được sử dụng để điều khiển quá trình truyền nhận bản tin của thiết bị. Các giao thức này có
25
thể sử dụng kỹ thuật chia khe thời gian hay kỹ thuật phân kênh để tránh việc cùng sử dụng
đường truyền tại một thời điểm của nhiều thiết bị. Việc chia khe thời gian hay phân kênh đều
làm giảm băng thông và hiệu quả sử dụng đường truyền. Do đó việc nghiên cứu và đề xuất các
giao thức điều khiển truy cập để nâng cao chất lượng truyền là rất quan trọng trong mạng cảm
biến không dây.
1.3.2. Vấn đề định tuyến
Bản chất của mạng cảm biến không dây là mô hình mạng có thể thay đổi, điều này sẽ dẫn
tới những khó khăn nhất định cho định tuyến giữa các nút trong mạng. Các phương pháp định
tuyến cũ được dùng cho mạng có dây không phù hợp và do đó không thể áp dụng cho mạng
không dây đa chặng được. Việc nghiên cứu để đưa ra phương pháp định tuyến tối ưu trong
mạng là chủ đề rất được quan tâm. Trong những năm gần đây, đã có rất nhiều các phương
pháp định tuyến được đưa ra và hoạt động của những phương pháp này được đánh giá dưới
nhiều điều kiện khác nhau. Mục đích của việc nghiên cứu là cung cấp một hệ thống định tuyến
tiêu chuẩn với độ chính xác và hiệu quả thiết lập kết nối giữa hai nút bất kì là tối ưu nhất.
Một số vấn đề trong việc thiết kế phương pháp định tuyến mới:
- Đơn giản và dễ cài đặt.
- Không xảy ra vòng lặp đinh tuyến (routing loop).
- Băng thông, năng lượng và hiệu suất tính toán với lượng dư thừa định tuyến tối thiểu.
- Có khả năng mở rộng.
- Hội tụ tuyến nhanh – các tuyến có thể tối ưu, không bị lặp và có khả năng nhiều tuyến có
thể có sẵn giữa các cặp nút để tăng sức độ bền vững.
- Phân tán nhưng nhẹ về đặc tính – có thể đáp ứng nhanh chóng để thay đổi cấu trúc mô hình
mạng và mẫu chuyển động kết quả từ tính di động và điều kiện không thành; phản ứng của
giao thức cho kết quả trên mức tối thiểu điều khiển.
- Bảo mật, tin cậy và ổn định.
- Yêu cầu hỗ trợ chất lượng dịch vụ.
1.3.3. Vấn đề năng lƣợng
Các nút cảm biến không dây được cung cấp năng lượng từ pin. Các loại pin hiện nay có rất
nhiều hạn chế về công suất và thời gian sử dụng. Các nghiên cứu về năng lượng tập trung về
26
sự tiêu thụ năng lượng ở giao tiếp với mạng của các thiết bị, so sánh các giao thức định tuyến
trên quan điểm về tiêu thụ năng lượng. Để tiết kiệm năng lượng tiêu thụ, ta cần có các cơ chế
thích hợp để đưa các nút vào trạng thái gửi dữ liệu, nhận dữ liệu và trạng thái chờ. Mỗi trạng
thái yêu cầu một mức năng lượng tiêu thụ khác nhau. Cần có cơ chế để một nút nhận biết trạng
thái của mạng khi có một nút khác đang truyền và một nút đang nhận, nó sẽ rơi vào trạng thái
chờ để giảm năng lượng tiêu thụ; hay vấn đề tiêu thụ năng lượng của một nút chuyển tiếp khi
có nhiều đường định tuyến cùng đi qua nút đó.
27
CHƢƠNG 2. TỐI UƯ ĐỊNH TUYẾN ĐA CHẶNG TIẾT KIỆM
NĂNG LƯỢNG
Với mục tiêu tối ưu sử dụng năng lượng trong mạng cảm biến không dây, chương này trình
bày tổng quan các giao thức đã, đang được sử dụng và các giao thức định tuyến đề xuất mới.
Với mạng cảm biến không dây hiện nay, có rất nhiều giao thức định tuyến đã được phát
triển. Gồm các giao thức tập trung dữ liệu về trạm như LEACH [1], LEACH-C [2]… các giao
thức truyền đa chặng như DSR [4], AODV [24], AOMDV [30]… Trên cơ sở các giao thức cơ
bản này, một số nhà nghiên cứu đã cải tiến và đề xuất ra nhiều giao thức tối ưu về năng lượng,
băng thông, cũng như độ trễ. Sử dụng hiệu quả năng lượng cũng có nhiều hướng tiếp cận khác
nhau. Theo hướng điều khiển công suất truyền, một số nghiên cứu đã được trình bày trong [8,
31, 32, 33, 34]. Theo hướng điều khiển cân bằng tải giữa các nút trong hệ thống mạng nhằm
kéo dài thời gian sống của mạng được trình bày trong [12, 35, 36, 37, 38, 39]. Theo hướng
điều khiển chế độ hoạt động của nút cảm biến để thu được hiệu quả năng lượng tối ưu được
trình bày trong [13, 14, 40, 41]. Ngoài ra một số nghiên cứu còn dựa trên các lớp khác trong
mô hình giao thức để thực hiện tiết kiệm năng lượng và tối ưu như được trình bày trong một
số nghiên cứu như [15, 16, 42, 43].
Trên cơ sở giao thức AODV, luận án tập trung cải tiến kỹ thuật định tuyến, giảm bản tin dư
thừa kết hợp với điều khiển công suất để thu được các giao thức mới sử dụng hiệu quả năng
lượng hơn trong khi vẫn đảm bảo chất lượng truyền dữ liệu.
2.1. Các phương pháp định tuyến tiết kiệm năng lượng dựa trên kỹ
thuật giảm thiểu các gói tin dai thừa
Giao thức định tuyến AODV là giao thức thuộc nhóm định tuyến lại (reactive routing
protocol) có bổ sung bảng định tuyến lưu thông tin đường đi. Trong giao thức định tuyến lại
thuần túy, một nút sẽ không lưu giữ một bảng định tuyến hoàn chỉnh về toàn bộ thông tin
đường đi của mạng, thay vào đó khi muốn kết nối đến một nút khác, nút sẽ phải thực hiện quá
trình tìm đường đến đích.
Giao thức AODV sử dụng phương pháp làm tràn gói tin (flooding) để tìm đường [24]. Quá
trình flooding là quá trình một nút gửi thông tin đến toàn bộ mạng mà trong quá trình đó, các
28
gói tin trùng lặp có thể được gửi đi từ cùng một nút trung gian. Đây là một phương pháp đơn
giản vì nó không yêu cầu xử lý tính toán nhiều và mỗi nút không cần duy trì bảng định tuyến
của riêng mình. Phương pháp này cũng giảm thời gian trễ trong quá trình tìm đường đi, do
thông tin được gửi đi toàn mạng nên việc tìm kiếm có thể tìm được đường đi nhanh chóng.
Quá trình tìm đường đi diễn ra khi một nút muốn liên lạc với một nút khác nhưng không có
đường đi đến nút đó. Nút nguồn gửi thông tin tìm kiếm trong một gói tin gọi là Route Request
(RREQ) và toàn bộ các nút trong mạng sẽ nhận được thông tin này. Nút đích hoặc nút trung
gian có thông tin về nút đích sẽ gửi lại bản tin Route Reply (RREP) chứa thông tin nút đích về
nút nguồn. Qua bản tin trả lời RREP, nút nguồn sẽ có thông tin về nút đích và tiến hành truyền
dữ liệu tới đích. Trong quá trình này, gói tin tìm đường RREQ có thể được bị gửi lặp lại ở một
số nút. Như vậy, mỗi lần tìm kiếm đường đi, tất cả các nút trong mạng phải xử lí gói tin RREQ
và nhiều nút sẽ phải gửi đi các gói tin RREQ trùng lặp. Điều này dẫn đến việc các nút phải xử
lí một lượng thông tin dư thừa không cần thiết và tiêu tốn năng lượng xử lí. Như vậy, việc sử
dụng phương pháp flooding đơn thuần dẫn đến sử dụng năng lượng không hiệu quả trong
mạng.
2.1.1. Phương pháp định tuyến mở rộng vòng Expanding Ring Search – ERS
[17]
Để khắc phục hiện tượng sử dụng năng lượng không hiệu quả như đã trình bày ở phần trên,
tác giả trong tài liệu [17, 24] áp dụng một cơ chế đơn giản được gọi là Expanding Ring
Search: khi mỗi nút muốn tìm đường đi đến một nút khác, thay vì phải thực hiện flooding
ngay, nó sẽ quảng bá một gói tin RREQ trong phạm vi hop. Gói tin RREQ này có giá trị
thời gian sống (Time To Live - ) gán bằng , sau mỗi lần chuyển tiếp qua một nút, giá trị
này được giảm đi một đơn vị và bị hủy khi đạt giá trị bằng không. Các nút trung gian
nhận được gói tin RREQ này mà không có thông tin về nút đích nó sẽ chuyển tiếp gói tin
RREQ này sang các nút khác. Nếu nút trung gian có thông tin về nút đích, nó sẽ gửi trả lại một
gói tin Route Reply (RREP) để thông báo cho nút nguồn biết đường đi đến nút đích. Trong
quá trình gửi gói tin RREQ, các nút sẽ lưu gói tin RREQ này trong một bộ đệm trước khi
chuyển tiếp gói tin RREQ đi. Nếu nó nhận được một gói RREQ khác trùng với gói tin trong
bộ đệm, nó sẽ xóa gói tin đi mà không chuyển tiếp. Việc làm này tránh cho các nút phải gửi
các bản tin trùng lặp.
29
Nút nguồn sau khi gửi bản tin RREQ sẽ đợi trong một khoảng xác định. Nếu sau khoảng
thời gian này nút nguồn không nhận lại được bản tin RREP phản hồi, nó xác nhận là không
tìm thấy đường đi và thực hiện lại quá trình tìm đường nhưng tăng giá trị trong gói tin
RREQ lên đơn vị. Nếu sau nhiều lần tăng rồi gửi RREQnhưng không tìm được đường đi và
lớn hơn một giá trị xác định, nút nguồn sẽ thực hiện quá trình làm tràn cho toàn mạng.
Begin
TTL = N
T = t + Tc
No
Yes
TTL = TTL + K
T = t + Tc Broadcast RREQ
No
Yes
No
Yes
packet to
destination
limited TTL
End
Broadcast RREQ
Hình 2.1. Lưu đồ thuật toán của nút nguồn gửi gói tin RREQ
Hình 2.1 mô tả lưu đồ thuật toán của nút nguồn. Khi nút nguồn muốn tìm đường đến đích,
nó sinh ra bản tin RREQ với trường và thiết lập biến thời gian.....................Trong đó
là thời gian thực, là lượng thời gian chờ gói tin RREP trả về. Nếu hết thời gian chờ mà
không nhận được RREP, nút nguồn tăng giá trị thêm đơn vị và gửi RREQ ra các nút
xung quanh để tìm đường. Quá trình cứ tiếp tục như vậy đến khi giá trị lớn hơn ngưỡng
tìm kiếm, lúc đó sẽ được gán giá trị cao nhất và gửi ra toàn bộ mạng để tìm đường. Giá trị
30
ngưỡng đưa ra nhằm mục đích tránh việc mở rộng vòng quá nhiều lần mà vẫn không tìm được
đường gây tốn năng lượng trên mạng.
Đối với các nút trung gian, lưu đồ thuật toán như sau:
Begin
Receive RREQ
Yes
Source
No
Yes
Duplicate
No
Create Reverse route
Yes Have destination

information
No
Yes
TTL= 0 Delete RREQ
Send RREP
No
TTL = TTL -1
Broadcast RREQ
End
Hình 2.2. Lưu đồ thuật toán xử lí ở nút trung gian
Hình 2.2 mô tả hoạt động xử lý của nút trung gian. Khi nút trung gian nhận được gói tin
RREQ, nó sẽ kiểm tra xem có phải là nguồn của gói tin hay không. Nếu là nguồn của gói tin
nút sẽ hủy gói tin và kết thúc. Nếu không nút tiếp tục kiểm tra xem đã nhận được bản tin trước
31
đó hay chưa. Nếu nhận rồi nó cũng hủy bản tin và kết thúc. Nếu không, nó tạo tuyến đường đi
ngược về nguồn và lưu trong bộ nhớ đệm, sau đó kiểm tra xem có thông tin về đường đi đến
nút đích hay không. Nếu có, nó sẽ phát ra bản tin RREP về nguồn để thông báo về đường đi
đến nút đích. Nếu như không có, nó sẽ kiểm tra trường giá trị của gói tin RREQ. Nếu
bằng không, nó sẽ xóa bỏ gói tin. Nếu lớn hơn không, nó sẽ lưu gói tin RREQ trong
bộ đệm, giảm giá trị và chuyển tiếp gói tin này đi.
Việc áp dụng cơ chế tìm kiếm mở rộng vòng (Expanding Ring Search) này sẽ khoanh vùng
một số nút trong quá trình tìm kiếm đường đi. Các nút nằm ngoài vùng này sẽ không phải thực
hiện xử lí gói tin và do đó duy trì được năng lượng.
Hình 2.3.Ví dụ cơ chế tìm kiếm mở rộng vòng (Expanding Ring Search)
Hình 2.3 minh họa cho quá trình Expanding Ring Search với giá trị tăng dần. Các nút
trong vòng tròn sẽ tham gia vào quá trình tìm kiếm. Các nút nằm ngoài vòng tròn này sẽ
không nhận được gói tin RREQ. Ban đầu, vòng tìm kiếm sử dụng giá trị nên chỉ các
nút cách nút nguồn S một bước nhảy nhận được bản tin tìm đường. Sau đó vòng tìm kiếm
được mở rộng với nên các nút cách nút nguồn S hai bước nhảy mạng nhận được
thông tin tìm đường. Lúc này hai nút trung gian có thông tin nút đích. Chúng gửi bản tin
RREP về nút nguồn. Nút nguồn nhận được hai bản tin RREP và chọn đường đi ngắn nhất đến
nút đích D. Trong ví dụ này, nút S chỉ cần tìm mở rộng vòng 2 lần đã tìm thấy thông tin nút
đích nên số lượng nút tham gia tìm kiếm hạn chế, tiết kiệm năng lượng tìm đường. Với những
trường hợp phải mở rộng vòng nhiều lần, cơ chế ERS sẽ cho kết quả không tốt bằng giải pháp
làm tràn trước đây. Nhưng trong hầu hết các trường hợp đều cho kết quả tiết kiệm năng lượng
hơn và đã được trình bày đánh giá trong [17].
32
2.1.2. Đề xuất phương pháp định tuyến mở rộng vòng giảm thiểu số nút tham
gia định tuyến – Efficient Expanding Ring Search (EERS)
Cơ chế Expanding Ring Search gặp phải nhược điểm sau: nếu như mạng có bán kính lớn và
khi nút nguồn và nút đích cách nhau một khoảng tương đối lớn thì nút nguồn sẽ phải thực hiện
quá trình mở rộng vòng nhiều lần cho đến khi phải thực hiện lan tràn gói tin trong toàn mạng
để tìm đường. Điều này dẫn đến việc các nút trong vùng tìm kiếm sẽ phải tiêu tốn năng lượng
nhiều hơn. Ví dụ như trong hình 2.3, nút nguồn S mở ra một vòng tìm kiếm. Trong vòng đầu
tiên, không nút nào có thông tin về đích do đó nút S phải tăng bán kính của vòng và bắt đầu
tìm kiếm trở lại. Ở lần tìm thứ hai, các nút trong vòng đầu tiên phải chuyển tiếp các bản tin
RREQ để tìm đường tới đích lần thứ hai: một trong lần tìm kiếm đầu tiên và một cho lần tìm
kiếm thứ hai. Tương tự, nếu lần thứ ba diễn ra, các nút trong vòng một phải chuyển tiếp các
bản tin RREQ lần thứ ba; các nút trong vòng thứ hai phải chuyển tiếp RREQ lần thứ hai…
Một câu hỏi đặt ra là nếu nguồn sử dụng nhiều hơn một lần tìm kiếm, thì tại sao không tối
ưu lần tìm kiếm thứ hai dựa vào lần tìm kiếm đầu tiên, tối ưu lần thứ ba dựa vào lần thứ hai
v.v… Từ các phân tích đó, trong phần này, luận án chỉ ra một phương thức mới để tối ưu ERS
gọi là phương thức tìm kiếm mở rộng vòng tối ưu Efficient Expanding Ring Search (EERS).
Nghiên cứu này tăng cường ERS dựa trên kĩ thuật làm tràn gói tin tìm đường, nhằm giảm
bớt bản tin dư thừa, giảm bớt số nút tham gia định tuyến (overhead) của quá trình làm tràn để
thực hiện mở rộng vòng tiết kiệm năng lượng hơn. Đó là quá trình làm tràn hiệu quả dựa trên
sự nghe ngóng (Effcient Flooding Based on Overhearing). Kỹ thuật này cần thiết khi có nhiều
hơn hai sự kiện làm tràn xảy ra liên tục. Nó giúp giảm overhead của quá trình làm tràn sau dựa
vào thông tin thu nhặt được từ lần làm tràn trước. Chi tiết của kỹ thuật tối ưu mở rộng vòng
được trình bày như sau.
2.1.2.1. Kỹ thuật xác định thông tin nút lân cận cách hai bước nhảy mạng
Khi một nút gửi một bản tin ra toàn bộ mạng, trước tiên nó gửi quảng bá (broadcast) gói tin
tới các nút lân cận của nó. Trong kiểu làm tràn thuần túy, mọi nút lân cận phải chuyển tiếp bản
tin nhận được cho nút lân cận tiếp theo nếu nó nhận được bản tin lần đầu tiên. Nếu nút đã nhận
được bản tin này trước đó, nó sẽ hủy bản tin ngay lập tức. Tuy nhiên, nếu bản tin chứa thông
tin liên quan tới người gửi, như là định danh của nút, thì việc hủy các bản tin trùng làm lãng
phí các thông tin này. Do đó luận án đưa ra phương thức bao gồm việc giữ lại và sử dụng
33
thông tin của bản tin đến trước khi hủy bỏ nó. Dữ liệu đó giúp nút nhận ra thông tin nút lân
cận. Thông tin nút lân cận giúp xác định mô hình mạng nội bộ và hữu dụng cho việc giảm bớt
overhead của quá trình làm tràn. Với thông tin mô hình mạng nội bộ chúng ta có thể xác định
bản tin chuyển tiếp nào trong quá trình làm tràn là dư thừa và hủy nó.
Từ ý tưởng được mô tả bên trên, để tạo bản tin trùng nhau hữu dụng, ta sửa quá trình làm
tràn thuần túy bằng cách cho một nút trước khi gửi bản tin nó sẽ thêm địa chỉ nút trước nó
(Predecessor) vào bản tin dữ liệu. Khi một nút muốn gửi một bản tin ra toàn bộ mạng, nó gửi
bản tin tới tất cả nút lân cận của nó và các nút lân cận tiếp tục chuyển tiếp bản tin này ra toàn
bộ mạng (gửi theo kiểu quảng bá). Nút phía trước của một nút là nút đã gửi bản tin cho nó;
trong trường hợp đó, phần Predecessor cũng được gọi là nút phía trước hoặc người gửi. Trong
quá trình chuyển tiếp một bản tin, nút cũng gán địa chi của nút phía trước nó vào bản tin dữ
liệu trước khi gửi cho nút lân cận. Nhận được bản tin, các nút lân cận có thể thu nhặt địa chỉ
của nút gửi và cũng như địa chỉ nút phía trước nút gửi bằng cách trích thông tin từ gói tin dữ
liệu đến. Thông tin này có thể được gửi như là thông tin mô hình nội bộ của các nút lân cận
hai bước nhảy mạng (các nút lân cận trong hai hops). Hình 2.4 chỉ ra làm thế nào thông tin
mạng nội bộ được gán và thu thập từ bản tin làm tràn.
Hình 2.4. Ví dụ quá trình xác định thông tin nút lân cận cách 2 bước nhảy
Trong hình 2.4a, A và B gửi bản tin broadcast. D nhận một bản tin từ A, do đó A là phần
trước của D. Tương tự như vậy, B là phần trước của C. Khi C và D chuyển tiếp bản tin (hình
2.4b), chúng thêm địa chỉ phần trước (A và B) vào bản tin dữ liệu trước khi gửi nó đi. Cho
rằng E nhận một bản tin từ D trước tiên, do đó E biết rằng địa chỉ phía trước của D là A. Sau
đó, E nhận được một bản tin từ C. Nó là một bản tin trùng, nhưng thay vì hủy bản tin ngay lập
34
tức, E trích phần địa chỉ phía trước của C từ bản tin. Lúc đó, E biết phần phía trước của C và D
tương ứng. Bằng cách đó nó biết rằng D đã nhận bản tin từ A và C đã nhận bản tin từ B, E biết
thông tin về C, D, A và B, do đó nó biết nút lân cận 2 hops. Thông tin này được sử dụng để
giảm overhead của lần làm tràn tiếp theo bằng cách giảm số nút chuyển tiếp bản tin broadcast.
2.1.2.2. Làm tràn bản tin tìm đường hiệu quả
Phần này trình bày về kỹ thuật làm tràn hiệu quả dựa trên sự nghe ngóng trong mạng cảm
biến không dây đa chặng. Với giả thuyết rằng có ít nhất hai quá trình làm tràn xảy ra liên tiếp,
kỹ thuật đưa ra giảm bớt sự overhead của quá trình làm tràn dựa trên các thông tin nút lân cận
thu lượm được ở lần làm tràn trước theo như được trình bày trong phần trên. Trong quá trình
làm tràn, từ các bản tin đến, mỗi nút thu nhặt thông tin mô hình nội bộ và thông tin này được
sử dụng để giảm số nút chuyển tiếp bản tin trong lần làm tràn tiếp theo. Bởi vậy, kỹ thuật làm
tràn hiệu quả được chia thành hai phần: trước tiên là thu thập thông tin từ các nút lân cận và
sau đó là quá trình giảm dư thừa (overhead) của quá trình làm tràn.
Thông tin thu thập từ nút lân cận (Collecting Neighbors’ Information- CNI) cần một quá
trình làm tràn. Khi một quá trình làm tràn xảy ra, mọi nút thu thập thông tin của các nút lân
cận bằng cách nghe ngóng các bản tin gửi ra từ nút lân cận của nó. Mỗi nút có một biến được
gọi là relay để quyết định xem có chuyển tiếp (forward) bản tin hay không trong các lần làm
tràn tiếp theo. Nếu giá trị biến relay là đúng (true) và nút nhận bản tin này lần đầu tiên thì nó
sẽ forward bản tin, ngược lại giá trị của relay là sai (false) thì nút này không bao giờ chuyển
tiếp bản tin làm tràn, không cần quan tâm bản tin này nhận lần đầu hay không. Giá trị khởi tạo
của biến relay là sai và trong quá trình làm tràn lần đầu tiên (quá trình CNI), tất cả các nút
chuyển bản tin không cần xác định giá trị của biến này. Quá trình xử lý ở mỗi nút xảy ra theo
các bước sau:
- Khi nhận một bản tin làm tràn, nút chuyển tiếp bản tin nếu nó chưa nhận được bản tin này
trước đó. Trước khi gửi một bản tin ra, nút gán thêm địa chỉ nútđã gửi cho nó (Predecessor)
vào bản tin dữ liệu và sau đó gửi quảng bá bản tin. Thông tin về địa chỉ nút predecessor có
thể lấy ra một cách dễ dàng từ bản tin nhận được.
- Nếu nút đã nhận được bản tin làm tràn này trước đó, nó lấy ra địa chỉ nút predecessor trong
gói tin dữ liệu trước khi hủy bản tin. Khi địa chỉ predecessor đã được lấy ra, nút so sánh địa
35
chỉ này với địa chỉ của nó. Nếu hai địa chỉ trùng khớp, nút thiết lập giá trị biến relay là
đúng. Còn không, biến relay vẫn giữ nguyên giá trị sai.
Ví dụ như trong hình 2.5 chỉ ra một nút làm việc như thế nào. Hình 2.5a thể hiện mô hình
mạng. Mỗi nút có biến relay được khởi tạo là false. Cho rằng nút A muốn gửi một bản tin ra
toàn bộ mạng, nó gửi quảng bá bản tin này cho các nút lân cận của nó. Vì B và C trong vùng
truyền của A, chúng nhận được bản tin từ A. Nút A trở thành predecessor của B và C trong
đường dẫn bản tin truyền. Đó là lần đầu tiên B và C nhận một bản tin làm tràn do đó chúng
tham gia vào việc chuyển tiếp bản tin. Nhưng trước khi chuyển tiếp, B và C gán thêm địa chỉ
predecessor của chúng vào trong dữ liệu bản tin và gửi chúng đi.
Cho rằng B trước tiên chuyển tiếp bản tin nhận được từ A như là hình 2.5b. Nút A, C, D
nhận bản tin của B. Coi như đó là lần đầu tiên D nhận một bản tin, nó chuyển tiếp bản tin bằng
cách gán địa chỉ Predecessor vào dữ liệu bản tin. Nút A nhận bản tin lần thứ hai, nó tách địa
chỉ Predecessor trong dữ liệu bản tin và so sánh với địa chỉ của nó. Chúng giống nhau, do đó
A thiết lập biến relay của nó là true. Nút C cũng nhận bản tin lần hai, nhưng địa chỉ
Predecessor trong bản tin khác địa chỉ của nó, do đó C hủy bản tin mà không thực hiện hành
động nào khác.
Tương tự, O và C chuyển tiếp bản tin nhận từ A (hình 2.5c). Mỗi nút nhận bản tin từ O và
C hoàn thành đầy đủ tiến trình như A và B ở trên. Cuối cùng D chuyển tiếp bản tin nhận được
từ B (hình 2.5d). Nút B xem xét bản tin gửi ra của D, lấy địa chỉ Predecessor từ dữ liệu bản tin
và so sánh với địa chỉ của nó. Chúng giống nhau, do đó B thiết lập biến relay là true. Nút C
không làm gì cả vì địa chỉ Predecessor từ bản tin là khác của nó.
Sau khi làm tràn, trong mạng có một số nút có biến relay là true và một số có giá trị là
false. Từ nguyên tắc trên, chúng ta có với giá trị true của biến relay tức là một nút coi các nút
lân cận của nó tiếp tục chuyển tiếp bản tin nhận được từ nó và giá trị này false tức là không có
nút lân cận nào chuyển tiếp bản tin của nó. Do đó nếu bản tin không được chuyển tiếp bởi bất
cứ nút lân cận nào, sự truyền lại của nút là không cần thiết. Ví dụ trong hình 2.5, A và B có
relay được thiết lập là true và còn lại các nút có relay thiết lập là false.
36
Relay = False Relay = False
PreAdd = A PreAdd = A
Relay = False Relay = False Relay = False Relay = False
PreAdd = A B PreAdd = Null PreAdd = A B PreAdd = B
O A D O A D
Relay = False Relay = True

PreAdd = Null C PreAdd = B C

(a) (b)
Relay = False Relay = True

Relay = False Relay = False Relay = False Relay = False
PreAdd = A B PreAdd = B PreAdd = A B PreAdd = B
O A D O A D
Relay = True Relay = True

PreAdd = B C PreAdd = B C

(c) (d)
Relay = True
PreAdd = A
PreAdd = A B PreAdd = B
O A D
Relay = True
PreAdd = B C
Relay = False
PreAdd = A
(e)
Hình 2.5. Đề xuất phương pháp làm tràn hiệu quả dựa trên kĩ thuật nghe ngóng
Trong pha thứ hai, giảm bớt overhead của quá trình làm tràn (Reducing the Overhead of
Flooding - ROF), nếu quá trình làm tràn khác xảy ra thì sự overhead của quá trình làm tràn
này có thể được giảm bớt bằng cách sử dụng giá trị biến relay tại mỗi nút. Chỉ các nút có biến
relay thiết lập true có thể chuyển tiêp bản tin nhận từ nút lân cận của nó, các nút với relay có
giá trị false nhận một bản tin nhưng không chuyển tiếp. Các nút đó có thể bảo toàn năng lượng
37
bằng cách không chuyển tiếp gói tin và do đó giảm bớt sự dư thừa cũng như là xung đột trong
mạng.
Với mạng như trong hình 2.5, sau quá trình làm tràn của A, nếu O muốn gửi một bản tin tới
toàn bộ mạng như trong hình 2.5e, khi đó chỉ các nút có biến relay bằng true (nút A và B) có
thể chuyển tiếp bản tin cho O. Do đó, trong trường hợp này, chỉ có ba nút gửi quảng bá bản tin
ra toàn bộ mạng và bản tin đó được quảng bá tới tất cả các nút. C và D có biến relay thiết lập
là false, do đó chúng không phải chuyển tiếp bản tin, chúng có thể giữ yên lặng và bảo toàn
năng lượng.
2.1.2.3. Tiết kiệm năng lượng tìm kiếm mở rộng vòng
Kỹ thuật đưa ra là một cách hiệu quả để giảm bớt overhead của quá trình làm tràn dựa trên
quá trình làm tràn trước. Trong ERS dựa trên khám phá đường, nút nguồn sử dụng làm tràn
liên tục với một vùng tìm kiếm rộng để tìm thông tin về đích, phạm vi của mỗi quá trình làm
tràn xác định một vòng tìm kiếm. Nếu tìm kiếm trong vòng (được gọi ngắn gọn là tìm
kiếm ) không thể tìm được thông tin cần thiết, nút nguồn sẽ khởi tạo một tìm kiếm
Như ta thấy, kĩ thuật ERS làm thỏa mãn giả thiết mô hình đưa ra, do đó trong phần
này xem xét làm thế nào để áp dụng mô hình tiết kiệm trên để giảm bớt overhead của tìm kiếm
dựa trên thông tin từ tìm kiếm..................Cho rằng một nút nguồn yêu cầu tiến trình khám
phá đường để tìm một đường tới đích, kĩ thuật tiết kiệm năng lượng mở rộng vòng tìm kiếm -
ứng dụng của mô hình đưa ra trong ERS dựa vào khám phá đường - được tóm tắt như sau:
Trong lần tìm kiếm đầu tiên, nút nguồn gửi broadcast một bản tin request để tìm đường tới
đích với hops xung quanh nó. Mọi nút trong vòng tròn tìm kiếm thu thập thông tin mô hình
mạng nội bộ dựa trên việc làm tràn (sử dụng CNI). Chúng xác định giá trị của biến Relay qua
các bản tin được gửi từ các nút lân cận.
Nếu không có đường tới đích, nút nguồn tăng bán kính vòng tìm kiếm và khởi tạo lại quá
trình tìm kiếm (tìm kiếm lần hai). Một số nút tham gia lần tìm kiếm đầu tiên sẽ im lặng bằng
cách áp dụng ROF. Nút im lặng có biến relay thiết lập là sai (false). Các nút không nằm trong
cả hai vùng tìm kiếm đầu tiên và thứ hai phải thực hiện CNI để thay đổi giá trị của biến relay.
Tìm kiếm lần ba xảy ra nếu vẫn không tìm được đường đến đích, nút nguồn tiếp tục tăng
38
bán kính vòng tìm kiếm và bắt đầu tìm kiếm lần nữa. Giống như lần tìm kiếm thứ hai, một số
nút tham gia lần tìm kiếm thứ nhất và thứ hai có thể bị im lặng bởi ROF. Các nút không nằm
trong cả hai vùng tìm kiếm lần một và hai phải thực hiện CNI.
Tương tự như vậy, tiến trình xảy ra lần bốn, năm… nếu nút nguồn tiếp tục mở rộng vòng
tìm kiếm thông tin về đích.
Ưu điểm lớn của việc áp dụng các phương thức đưa ra trong ERS là có thể giảm bớt
overhead của quá trình tìm kiếm, nhưng các nút trong vùng trùng lặp luôn phải chuyển tiếp
các bản tin làm tràn trong ERS. Bằng cách áp dụng mô hình đưa ra, một số nút hủy các bản tin
trùng lặp không cần thiết và giữ im lặng; nó cho phép các nút bảo toàn được năng lượng. Tuy
nhiên, có một vấn đề cần xem xét khi áp dụng mô hình mớivào ERS. Đó là, giá trị của biến
Relay cho các nút ở biên của vòng sẽ không bao giờ thay đổi. Ở biên, giá trị là 0 và các
nút không truyền lại bản tin, do đó chúng không thể nghe các bản tin chuyển tiếp của nút lân
cận. Như vậy trong lần tìm kiếm tiếp theo giá trị biến Relay là false làm cho các nút đó im
lặng và không thể mở rộng vòng, phá hỏng quá trình tìm kiếm. Một giải pháp cho vấn đề này
là: nút chỉ sử dụng giá trị của biến relay khi giá trị trong bản tin nhận lớn hơn 2. Điều
kiện này đảm bảo các nút lân cận của nút có một sự thay đổi để chuyển tiếp bản tin và sau đó
nút có thể nghe các bản tin có thông tin phản hồi.
Sự xem xét khác, câu hỏi đặt ra khi xem xét việc áp dụng mô hình đưa ra với ERS là làm
thế nào để các nút không nằm trong cùng một vùng giữa các vòng tìm kiếm biết khi nào chúng
ở trạng thái CNI hay ROF. Chúng ta cần một bit cờ để giải quyết vấn đề này. Mỗi nút có một
cờ để biểu diễn lần đầu tiên nút đó chuyển bản tin cho nguồn và giá trị khởi tạo là 0. Sau lần
đầu tiên chuyển tiếp, nút thiết lập cờ bằng 1. Giá trị của bit cờ cho nút biết nó phải áp dụng
bước thứ hai (ROF) khi được chuyển tiếp lại bản tin từ nguồn (khi nguồn mở rộng vòng tìm
kiếm). Để tối ưu bộ nhớ sử dụng, chúng ta liên kết cờ này và biến relay làm một. Trong khi
thực hiện chúng ta sử dụng một byte (8bits) cho biến được liên kết. Relay đúng khi bit đầu tiên
là 1 và sai khi bit đầu tiên là 0. Tương tự như vậy, bit thứ hai biểu diễn cờ đã được đề cập ở
trên. Khi chúng ta cần giá trị của biến hoặc cờ, chúng ta lấy ra bit phù hợp trong biến kết hợp.
39
Begin
Relay= False; FTF= True; st_timeout= timeout + cur e
e RREQ
Yes
Source
No
Relay= True
Yes
cate
No No
Predecessor= index
Create Reverse route Yes
Relay= True
Yes
No
EQ
Yes
No
Relay= False; FTF= True
Yes
No
Delete RREQ
Send RREP
TTL=0
Yes
No
TTL = TTL - 1;
End
Broadcast RREQ;
If(FTF=true) then (FTF=false and set t
Hình 2.6. Lưu đồ thuật toán EERS
40
2.1.2.4. Lưu đồ thuật toán EERS
Trong lưu đồ thuật toán hinh 2.6, ban đầu các nút khởi tạo thêm ba biến Relay (xác định
trạng thái nút là chuyển tiếp bản tin (forward) hay là không (idle)); FTF (FirstTimeForward:
cho biết đang ở pha CNI hay ROF) và state_timeout (thời điểm khôi phục lại trạng thái của nút
về ban đầu). Với các khởi tạo Relay=false; FTF=true và state_timeout = timeout + current
(tổng thời gian duy trì trạng thái với thời gian hiện tại). Khi nhận bản tin, nút sẽ kiểm tra xem
nó có phải là nút nguồn hay không. Nếu là nút nguồn thì thiết lập Relay=true sau đó hủy bản
tin và kết thúc. Nếu không là nguồn thì kiểm tra xem bản tin đã nhận được trước đó hay chưa
thông qua ID của bản tin. Nếu đã nhận được trước đó thì so sánh Predecessor với địa chỉ của
nó (index) xem có trùng khớp không.
Nếu trùng thì thiết lập biến Relay =true sau đó hủy bản tin và kết thúc. Nếu chưa nhận
được bản tin này trước đó thì lưu lại đường quay về nguồn sau đó kiểm tra xem có thông tin
đích không. Nếu có thông tin đích thì gửi bản tin thông báo về đường tới đích và kết thúc. Nếu
không thì kiểm tra xem đã tới điểm reset trạng thái nút về mặc định chưa. Nếu đã tới hoặc
vượt quá thì reset lại các giá trị Relay và về lúc khởi tạo. Công việc này phải được thực
hiện vì sau một khoảng thời gian các nút di chuyển thì trạng thái forward của các nút cũng
phải thay đổi. Có thể chuyển từ im lặng sang forward hoặc ngược lại.
Nếu chưa tới thời điểm reset thì kiểm tra giá trị Relay, FTF và TTL trước khi chuyển tiếp.
TTL>2 đảm bảo các nút cận biên vẫn có thể forward trong khi Relay=false. Nếu thỏa mãn đề
chuyển tiếp thì gán địa chỉ predecessor, giảm TTL và thực hiện chuyển tiếp. Sau khi chuyển
tiếp kiểm tra giá trị FTF, nếu khác false thì gán bằng false và thiết lập mốc thời gian khôi phục
lại trạng thái.
2.1.2.5. Mô phỏng và đánh giá
Dựa trên các nghiên cứu lý thuyết như đã trình bày, ta mô phỏng phương pháp định tuyến
AODV, Expanding Ring Search (ERS) và, Energy Efficient Expanding Ring Search (EERS)
với các kịch bản 50 nút, 60 nút. 70 nút, 80 nút, 90 nút và 100 nút để so sánh với các thông số
như bảng sau:
41
Bảng 2.1. Các thông số mô phỏng
Thông số Giá trị

Mô hình truyền sóng Mô hình 2 tia (TwoRayGround) [7]
Giao thức lớp MAC IEEE 802.11
Kích thước mô phỏng 1000 m x 1000 m
Thời gian mô phỏng 150s
Loại ăng ten Ăng ten đẳng hướng Omni antenna
Độ tăng ích ăng ten 1 ( OmniAntenna )
Chiều cao ăng ten 1.5m
Loại hàng đợi PriQueue [15, 18]
Chiều dài hàng đợi 50 packet
Năng lượng khởi tạo mỗi nút 120 Joules
Công suấttiêu tốn khi phát 2.0 w
Công suấttiêu tốn khi nhận 1.5 w
Công suất tiêu tốn trạng thái tĩnh 0.5 w
Loại bản tin cbr (constant bit rate)
Cơ chế gửi gói tin UDP
Độ lớn một gói tin 512bytes.
Tốc độ gửi gói 4 packets/s
Mức năng lượng cảm nhận sóng mang 1.559e-11 w
Độ nhạy thu 3.6522e-10 w
Công suất phát 0.2818 w
Tần số sóng mang 914 Mhz
Các thông số sẽ được đánh giá trong mạng gồm có:

Thời gian sống của mạng: Là khoảng thời gian từ lúc mạng bắt đầu hoạt động cho tới khi
có một nút mạng bất kỳ dừng hoạt động do hết năng lượng. Đây là một tiêu chí quan trọng để
đánh giá mức độ sử dụng năng lượng và độ ổn định của mạng. Thời gian sống của mạng càng
cao chứng tỏ các nút sử dụng năng lượng càng hiệu quả và mạng hoạt động càng ổn định.
42
Tỷ lệ truyền gói tin thành công (Packet Delivery Ratio – PDR): Được xác định bằng tỷ lệ
giữa số gói tin dữ liệu đến đích trên tổng số gói tin dữ liệu được gửi đi. PDR càng cao chứng
tỏ hệ thống mạng càng ổn định, tỷ lệ gửi thành công cao.
Thông lượng mạng (Throughput): Được xác định bằng số bít dữ liệu được truyền trong một
đơn vị thời gian. Thông lượng mạng phụ thuộc vào lượng dữ liệu được truyền đi và thời gian
để thực hiện truyền (nói cách khác là độ trễ của mạng). Nếu số kết nối truyền dữ liệu được tạo
ra nhiều, khoảng thời gian để thực hiện các kết nối càng ngắn thì thông lượng thu được sẽ
càng cao.
Thực hiện mô phỏng ta có các kết quả như sau:
Về thời gian sống của mạng:
110
105
100
95
Thời gian (s)
90 AODV
ERS
85
EERS
80
75
70
65
60
50 60 70 80 90 100
Số nút mô phỏng (nút)
Hình 2.7. So sánh thời gian sống của mạng giữa AODV, ERS và EERS
Hình 2.7 biểu diễn thời gian sống của mạng khi sử dụng giao thức AODV, ERS và EERS.
Từ đồ thị ta thấy giao thức EERS duy trì thời gian hoạt động mạng tốt hơn so với ERS và
AODV. Kết quả cao hơn hẳn AODV và cao hơn một chút so với ERS. Điều này chứng tỏ khi
sử dụng EERS các nút đã sử dụng năng lượng hiệu quả hơn. Dù số nút mạng thay đổi nhiều
hay ít thì kết quả thu được vẫn là EERS đạt hiệu quả năng lượng tốt hơn, kéo dài tuổi thọ
mạng.
43
Về Packet Delivery Ratio:
Hình 2.8 là kết quả so sánh tỷ lệ truyền gói tin thành công giữa EERS, ERS và AODV.
Theo kết quả mô phỏng này, tỷ lệ truyền gói tin khi sử dụng giao thức định tuyến EERS gần
tương tự như ERS và cao hơn AODV.
Khi năng lượng các nút được bảo toàn, khả năng tìm đường và duy trì đường sẽ tốt hơn,
điều đó giúp hạn chế mất mát gói tin khi truyền, làm tăng tỷ lệ truyền gói tin thành công.
Trong các trường hợp mô phỏng trên ta đều thu được hiệu quả năng lượng tốt hơn, kéo theo tỷ
lệ truyền gói tin thành công tốt hơn khi sử dụng EERS. Với giao thức AODV gốc, nhờ việc
định tuyến lại phù hợp với mạng không dây, đồng thời kết hợp việc duy trì bảng thông tin
đường đi tạo sự ổn định của mạng đã thu được tỷ lệ truyền gói tin khá tốt. Trung bình trên
90%. Được xây dựng dựa trên AODV nên thuật toán EERS cũng thu được tỷ lệ này khá tốt.
100
98
96
AODV
94
ERS
92
PDR(%)
EERS
90
88
86
84
82
80
50 60 70 80 90 100
Hình 2.8. So sánh tỷ lệ truyền gói thành công PDR giữa EERS, ERS và AODV
Về Throughput:
Hình 2.9 cho ta thấy kết quả về thông lượng mạng khi sử dụng giao thức định tuyến EERS,
ERS và AODV. Từ đồ thị ta thấy thông lượng mạng khi sử dụng EERS và ERS tốt hơn
AODV. Với cùng một tình huống mô phỏng, cùng vị trí nút cảm biến, cùng số lượng kết nối
44
và bản tin truyền trên mạng, EERS và ERS thu được thông lượng tốt hơn do tỷ lệ truyền gói
tin thành công tốt hơn. Trong các mô phỏng này, khi số lượng nút tăng thì thông lượng mạng
cũng tăng, đó không phải là xu hướng của kết quả, đó đơn giản chỉ là do trong các mô phỏng
về sau, số lượng kết nối đã được tăng lên, kéo theo lượng dữ liệu truyền trên mạng nhiều hơn,
từ đó làm tăng thông lượng mạng.
200
180
160
Throughput (Kbps)
140
120
100 AODV
ERS
80
EERS
60
40
20
0
50 60 70 80 90 100
Hình 2.9. So sánh về thông lượng mạng khi sử dụng định tuyến EERS, ERS và AODV
Kết luận: Như vậy, sau khi so sánh các thông số nhờ mô phỏng, ta thấy rằng khi áp dụng
cơ chế EERS vào định tuyến, năng lượng tiêu thụ của mạng đã giảm đáng kể, kéo dài thời gian
hoạt động của mạng và tăng tỷ lệ gửi gói tin thành công.
Với cách thức xử lý định tuyến mới, giao thức EERS đã thu được hiệu quả sử dụng năng
lượng cao hơn giao thức ERS và AODV cũ. Nhưng với cách chọn đường này, những nút ở vị
trí trung tâm sẽ thường xuyên được chọn do đó là con đường ngắn nhất trên mạng. Điều đó
làm cho các nút trung tâm được sử dụng thường xuyên dẫn đến mất năng lượng nhanh chóng.
Và khi một nút nào đó hết năng lượng và dừng hoạt động sẽ ảnh hưởng đến hoạt động của
toàn bộ mạng. Do đó việc chọn đường đi chỉ dựa vào tiêu chí đường đi ngắn nhất chưa thực sự
hiệu quả. Với việc đưa thêm tiêu chí năng lượng để chọn đường đi dưới đây, chúng ta sẽ thấy
thời gian hoạt động của mạng sẽ được mở rộng và thu được hiệu quả tốt hơn.
45
2.2. Các phương pháp định tuyến dựa vào năng lượng của nút cảm
biến nhằm nâng cao thời gian sống của mạng
Nhằm giải quyết bài toán năng lượng trong mạng cảm biến không dây đa chặng, phần trên
luận án đã trình bày kỹ thuật giảm thiểu gói tin dư thừa trong quá trình định tuyến và thu được
kết quả khá tốt so với giao thức cũ. Tuy nhiên, giao thức mới đề xuất EERS vẫn còn hạn chế
khi chưa xem xét đến mức năng lượng còn lại của nút cảm biến để điều khiển quá trình chọn
đường sao cho cân bằng, nâng cao thời gian sống trong mạng. Với ý tưởng đó, phần luận án
tiếp theo trình bày các kỹ thuật phát triển mới từ EERS nhằm kéo dài thời gian sống của mạng.
Các kỹ thuật này dựa vào mức năng lượng còn lại của nút cảm biến và công suất phát của nút
cảm biến để thực hiện định tuyến.
2.2.1. Đề xuất phương pháp định tuyến dựa vào mức năng lượng các nút cảm
biến để loại bỏ tuyến đường có mức năng lượng thấp
Trong mạng không dây đặc biệt (WSAN) năng lượng của các nút giảm dần theo thời gian
và khi gửi, nhận bản tin. Năng lượng mất đi phụ thuộc vào số luồng dữ liệu và tốc độ luồng dữ
liệu qua nút. Và do quá trình chọn đường mà mức độ sử dụng năng lượng này là khác nhau
giữa các nút trong mạng. Các nút ở trung tâm mạng (thường có nhiều luồng dữ liệu đi qua) sẽ
tiêu tốn nhiều năng lượng hơn các nút khác dẫn đến việc cạn năng lượng nhanh hơn. Các nút
này thường là các nút ở giữa topo vật lý, phải tải nhiều luồng kết nối đi qua.
Mức năng lượng tại cùng một thời điểm của các nút khác nhau cũng khác nhau do nhiều lý
do như: dung lượng pin khác nhau, công suất khác nhau, tham gia vào mạng tại thời điểm
khác nhau dẫn đến các nút có năng lượng yếu trong mạng có thể dừng hoạt động sớm làm
giảm thời gian sống của mạng, giảm tỷ lệ gửi gói tin thành công (Packet Delivery Ratio –
PDR) và thông lượng (Throughput) của các kết nối đang đi qua nó. Nên việc cân bằng tải giữa
các nút dựa vào năng lượng sẽ giúp giảm tải cho các nút có năng lượng yếu trong mạng kéo
dài thời gian sống cho mạng, và tăng thoughput, PDR. Điều này được thực hiện bằng việc đưa
năng lượng các nút vào việc định tuyến trong giao thức EERS.
Để làm việc này, luận án đề xuất giao thức Avoid Bad Route – ABR là giao thức được phát
triển từ giao thức EERS với việc tìm đường dựa trên cả tiêu chí bước nhảy mạng hopcount và
năng lượng của nút cảm biến. Trong thuật toán ABR bản tin RREQ và RREP được bổ sung
thêm một trường lưu giá trị năng lượng: trường rq_min_energy trong bản tin RREQ và
46
rp_energy trong RREP. Trường rq_min_energy sẽ lưu giá trị năng lượng của nút có năng
lượng nhỏ nhất trên đường đi qua để nút đích có cơ sở lựa chọn. Trường rp_energy trong bản
tin RREP lưu thông số năng lượng của tuyến đường được chọn để các nút cập nhật vào bảng
định tuyến.
9
11
13
2J
6
11J
5 8 12
2
17 14
4 1 5J 5J 15 10J
12J
3
16 18
10 8J
6J
7
Hình 2.10. Ví dụ hoạt động của ABR
Ví dụ như trên hình 2.10, chúng ta cần tìm đường đi từ nút 1 đến nút 8. Như ta nhìn thấy,
khi gửi bản tin tìm đường, nút 8 sẽ nhận được 3 bản tin tìm đường với các thông số hopcount
khác nhau. Với các giao thức trước đây, nút 8 sẽ gửi bản tin trả lời theo cả 3 đường cho nút 1
sau đó nút 1 sẽ chọn đường có hopcount nhỏ nhất để đi. Như hình vẽ sẽ là đường 1-2-6-8.
Nhưng ta quan sát trên hình 2.10, đường 1-2-6-8 có nút 6 có năng lượng rất thấp, chỉ còn 2J.
Nếu chọn đường này, sau một thời gian ngắn nút 6 hết năng lượng dẫn đến đường này sẽ bị
mất và phải tiến hành chọn lại đường, ngoài ra khi nút 6 không hoạt động nữa, nó sẽ ảnh
hưởng đến toàn bộ mạng, ảnh hưởng đến thời gian sống của mạng. Vì vậy trong tiêu chí chọn
đường, tại nút 8 chúng tôi đặt thêm một ngưỡng năng lượng để đảm bảo đường được chọn sẽ
được đáp ứng được yêu cầu về năng lượng và các nút có năng lượng thấp sẽ ít được sử dụng
hơn. Trong ví dụ này ta chọn ngưỡng bằng 3J. Khi đó chỉ có 2 đường 1-2-17-14-8 và 1-3-16-
18-15-8 thỏa mãn. Với hai đường này chúng ta sẽ chọn đường có hopcount ngắn hơn và có kết
quả là 1-2-17-14. Trong trường hợp không có đường nào thỏa mãn, ngưỡng sẽ được tự gán
bằng hiệu của giá trị lớn nhất trong số các rq_min-energy nhận được trừ đi 1 lượng nào đó
được ước lượng dựa vào việc tiêu hao năng lượng của nút giữa 2 lần gửi bản tin tìm đường
liên tiếp để lần tìm đường sau sẽ có tuyển thỏa mãn điều kiện năng lượng. Trong ví dụ này nếu
47
cho ngưỡng tại nút 8 bằng 10J. Lúc này ta thấy cả 3 đường đều không thỏa mãn điều kiện
năng lượng. Đường 1-2-6-8 có năng lương bằng 2J; đường 1-2-17-14-8 có năng lượng bằng
5J; đường 1-3-16-18-15-8 có năng lượng bằng 6J. Lúc này ngưỡng sẽ tự giảm đi và bằng Max
(2J, 5J, 6J) trừ đi 3J và có kết quả là 3J. Nút 1 chưa tìm được đường tới nút 8 sẽ gửi lại bản tin
tìm đường và lúc này ngưỡng đã giảm xuống bằng 3J do đó đường 1-2-17-14-8 sẽ được chọn
vì năng lượng thỏa mãn lớn hơn ngưỡng và có đường đi ngắn nhất. Cụ thể hoạt động của thuật
toán được mô tả trong các lưu đồ thuật toán hình 2.11.
Begi
n
Create RREQ with

rq min_energy = limited
Create new RREQ
Broadcast RREQ
Yes
No
No
Yes
Add route i outing table

Send data packet to
destination
End
Hình 2.11. Thuật toán ABR thực hiện tại nút nguồn
Khi nút nguồn cần tìm đường đến đích, tương tự như giao thức EERS, nó sẽ sinh ra bản tin
tìm đường RREQ và gán thêm trường rq_min_energy vào bản tin. Trường này sẽ có giá trị
khởi tạo tại nút nguồn bằng vô cùng. Sau đó bản tin được nút nguồn gửi sang các nút lân cận.
Nút nguồn sinh ra một mốc thời gian . Nếu đến mốc thời gian này mà vẫn chưa nhận được
bản tin RREP thông báo về đường đi, nút nguồn sẽ sinh lại bản tin RREQ và gửi lại vòng 2.
48
Và cứ như vậy đến khi tìm được đường tới đích.
Begin
Receive RREQ
Yes
e destination
ation
No
Rq Route No
en hold
Yes
Rq_min_energy > Node_energy

Send RREP
Yes
Rq_min_energy =
Node_energy No
Forward RREQ
End
Hình 2.12. Thuật toán ABR thực hiện tại nút trung gian
Với nút trung gian được mô tả tại hình 2.12, khi nhận được bản tin RREQ nó sẽ kiểm tra
xem nó có thông tin về nút đích hay không. Nếu không có thông tin về nút đích, nó so sánh giá
trị năng lượng rq_min_energy trong bản tin RREQ với năng lượng của nó. Nếu giá trị
rq_min_energy nhỏ hơn giá trị năng lượng của nó. Nó sẽ forward bản tin RREQ sang nút tiếp
theo. Trong trường hợp giá trị rq_min_energy lớn hơn giá trị năng lượng của nó, nó sẽ gán
rq_min_energy bằng giá trị năng lượng của nó sau đó forward bản tin RREQ với
rq_min_energy mới. Nếu nút trung gian có thông tin nút đích và giá trị năng lượng
rq_min_energy lớn hơn thông tin ngưỡng của đường đi đến đích đã được lưu trong bảng định
tuyến, tức là đường đi thỏa mãn điều kiện năng lượng. Nút trung gian sẽ gửi bản tin reply. Còn
49
trong trường hợp nút trung gian có thông tin nút đích nhưng thông tin này không thỏa mãn
điều kiện năng lượng, nút trung gian sẽ xử lý bản tin RREQ như trường hợp nó không biết
thông tin về nút đích.
in
Destination_threshold_en
Temp_en
Receive R Q
No Yes
Broadcast ID = 0
or Broadcast ID = Old Broadcast
ID
Destination_threshold_energy =
Temp_energy_threshold – 3; Temp_energy_threshold =
Temp_energy_threshold = Rq_min_energy max(Temp_energy_threshold, Rq_min_energy
Rq_min_energy >=
Destiantion_Threshold_energy
No Rq_min_energy >= Yes
Destiantion_threshold_ene
Yes
No
D R
e Q Send
(R
Send RREP Desti
(RREP includes Rp_e
Destiantion_Thres
Hình 2.13. Thuật toán ABR tại nút đích
Tại nút đích được mô tả trong hình 2.13, nút đích có một giá trị ngưỡng năng lượng để xác
định đường nào sẽ thỏa mãn. Giá trị này là Destination_threshold_energy và được khởi tạo
bằng 20J. Việc khởi tạo giá trị này phụ thuộc vào mô hình mạng và năng lượng của các nút
trong mạng. Giá trị này khởi tạo càng lớn thì việc dùng ngưỡng để xác định đường đi sẽ được
sử dụng sớm. Và khi đó sẽ ảnh hưởng đến delay của mạng. Và chúng tôi cũng dùng một biến
gọi là Temp_energy_threshold được khởi tạo bằng 0J. Biến này sẽ dùng để lưu lại giá trị lớn
50
nhất của rq_min_energy từ các bản tin RREQ nhận được. Sau đó được sử dụng để điều chỉnh
lại ngưỡng năng lượng trên nút nếu ngưỡng quá cao so với giá trị năng lượng thực tế của các
nút trên mạng. Với lưu đồ mô tả trên hình 2.13, khi nút đích nhận được bản tin tìm đường
RREQ, nút đích sẽ kiểm tra xem bản tin đó được nhận lần đầu tiên hoặc là bản tin trùng lặp
hay không bằng cách sử dụng giá trị Broadcast-ID trong bản tin. Nếu bản tin RREQ nhận
được là bản tin lần đầu tiên hoặc là bản tin trùng lặp, giá trị trường rq_min_energy trong bản
tin đó sẽ được so sánh với biến Temp_energy_threshold. Nếu giá trị rq_min_energy lớn hơn
giá trị Temp_energy_threshold thì Temp_energy_threshold sẽ được update giá trị mới bằng
rq_min_energy. Sau đó nút đích sẽ kiểm tra xem tuyến đường có thỏa mãn điều kiện năng
lượng hay không bằng cách so sánh giá trị Rq_min_energy và Destination_threshold_energy.
Nếu giá trị Rq_min_energy lớn hơn Destination_threshold_energy tức là đường đi thỏa mãn
điều kiện năng lượng, nút đích sẽ gửi lại bản tin RREP thông báo về đường đi cho nút nguồn.
Trong trường hợp không thỏa mãn điều kiện năng lượng nút đích sẽ hủy bản tin RREQ và chờ
bản tin tiếp theo.
Nếu bản tin RREQ nhận được là bản tin thuộc vòng tìm kiếm tiếp theo, có nghĩa là vòng
tìm kiếm trước đó không tìm được đường nào thỏa mãn điều kiện năng lượng. Nút đích thực
hiện giảm giá trị ngưỡng thấp hơn giá trị Temp_energy_threshold. Ở đây
Destination_threshold_energy = Temp_energy_threshold- 3. Temp_energy_threshold với cách
tính ở trên sẽ là giá trị năng lượng lớn nhất của các rq_min_energy trong vòng tìm đường thất
bại trước. Và 3 là con số ước lượng năng lượng các nút bị giảm giữa hai lần gửi bản tin RREQ
từ nút nguồn. Lúc này nút đích đã có giá trị ngưỡng mới, nó sẽ so sánh với giá trị
rq_min_energy của bản tin RREQ nhận được và xác định tuyến đường thỏa mãn như trường
hợp trước. Nếu vẫn không có đường thỏa mãn, nút nguồn lại gửi tiếp bản tin RREQ và nút
đích lại tiếp tục giảm ngưỡng đến khi phù hợp.
Với cách làm này, các tuyến đường nút nguồn nhận được sẽ đảm bảo về năng lượng để hoạt
động, và các tuyến đường có nút năng lượng thấp sẽ hạn chế được sử dụng, do đó năng lượng
các nút trong mạng sẽ giảm đều hơn và thời gian sống của mạng được tăng cường. Khi tuyến
đường có mức năng lượng đảm bảo cũng sẽ ổn định hơn, giúp tăng tỷ lệ truyền gói tin thành
công và băng thông của hệ thống mạng. Việc tuyến đường bị lỗi do mất kết nối trong quá trình
đang truyền data cũng sẽ hạn chế hơn.
51
2.2.2. Đề xuất phương pháp định tuyến dựa vào hai điều kiện để chọn đường đi
tốt nhất - Routing Dual Criterion (RDC)
Như đã trình bày trong các phần trên, giao thức ERS và EERS sử dụng quá trình làm tràn
và sử dụng điều kiện bước nhảy mạng hopcount để tìm đường đi tốt nhất. Trong các thuật toán
này, các nút chỉ dùng thông số bước nhảy mạng – hopcount để tìm đường đi ngắn nhất từ
nguồn đến đích. Và như vậy sẽ gặp phải các vấn đề như đã được trình bày ở phần trên: các nút
trung tâm sẽ hết năng lượng sớm, thời gian sống của mạng bị hạn chế. Để giải quyết vấn đề
này, luận án đã đề xuất một phương án như phần trên. Bên cạnh đó cũng phát triển một
phương án khác đơn giản hơn để cân bằng mức độ sử dụng năng lượng các nút trong mạng,
kéo dài thời gian sống của mạng là thuật toán chọn đường dựa vào hai điều kiện RDC. Trong
thuật toán này, nút sẽ lựa chọn đường đi tốt nhất dựa vào hai tham số là hopcount và năng
lượng còn lại của nút. Để làm được việc đó, trường rp_min_energy được đưa và bản tin RREQ
và trường rp_energy được đưa vào bản tin RREP để thu được thông tin năng lượng còn lại nhỏ
nhất của các nút trên đường mà bản tin đó đi qua. Các trường này có giá trị khởi tạo bằng vô
cùng và sẽ được thay đổi khi đi qua các nút. Giá trị của biến này được trình bày rõ ràng hơn ở
trong ví dụ trên hình 2.14.
Hình 2.14. Sự thay đổi giá trị của biến rq_min_energy và rp_energy trong thuật toán RDC
Trong hình 2.14, giá trị của biến rq_min_energy trong bản tin RREQ hoặc rp_energy trong
bản tin RREP được nút S sinh ra và khởi tạo bằng vô cùng. Nút S gửi bản tin đến nút A. Nút A
so sánh năng lượng của nó với giá trị của biến rq_min_energy/ rp_energy. Theo mô hình, năng
lượng của nút A bằng 12 bé hơn giá trị của biến này. Biến này sẽ được gán bằng 12. Sau đó
nút A gửi bản tin tới nút B. Nút B tiếp tục so sánh giá trị của biến này với năng lượng của nó.
Năng lượng của B bằng 5, bé hơn giá trị của biến. Nút B gán giá trị của biến bằng 5 rồi gửi
bản tin tới nút C. Nút C có năng lượng bằng 12 lớn hơn 5. Nút C giữ nguyên giá trị của biến
bằng 5 và gửi bản tin tới nút D. Cứ tiếp tục như vậy, giá trị của biến rq_min_energy/
rp_energy là năng lượng bé nhất của các nút mà bản tin đi qua.
52
Với giá trị đó, thông số dùng lựa chọn đường đi tốt nhất lúc này sẽ là:
(2.1)
được gọi là chi phí (cost) của tuyến đường. Tuyến đường có bé nhất sẽ là tuyến đường
tốt nhất và được chọn. Để cụ thể hơn ta xét ví dụ như hình 2.15
A B C
12 5 11
S E
F G
9 23 D
15 11
H I N
K
35 19 27
Hình 2.15. Ví dụ về hoạt động của thuật toán RDC
Trong hình 2.15, chúng ta cần tìm đường từ nút S đến nút D. Chúng ta có 3 tuyến đường từ
S tới D. Đường 1: S-A-B-C-D có năng lượng nhỏ nhất bằng 5, hopcount bằng 4 nên M bằng
4/5. Đường 2: S-E-F-G-D có năng lượng nhỏ nhất bằng 9, hopcount bằng 4 nên M bằng 4/9.
Đường 3: S-H-I-K-N-D có năng lượng nhỏ nhất bằng 19, hopcount bằng 5 nên M bằng 5/19.
Nếu lựa chọn theo các phương pháp cũ, lựa chọn dựa vào hopcount lúc này tuyến đường 1 và
2 sẽ được lựa chọn do có hopcount bằng nhau và bé nhất. Và nút B sẽ nhanh chóng bị hết năng
lượng và dừng hoạt động, ảnh hưởng đến toàn mạng. Khi sử dụng RDC, đường 3 sẽ được lựa
chọn do có giá trị bé nhất. Nút B tiếp tục hoạt động, kéo dài thời gian sống của toàn bộ
mạng.
Về chi tiết cách thức gửi và xử lý bản tin RREQ và RREP thuật toán RDC hoạt động tương
tự EERS, chỉ khác ở thông số lựa chọn đường đi. EERS lựa chọn đường đi tốt nhất dựa vào
hopcount còn RDC dựa vào giá trị .
Quá trình duy trì cập nhật thông tin định tuyến của RDC được mô tả trong hình 2.16. Một
nút nhận bản tin RREQ hoặc bản tin RREP. Nút đó sẽ kiểm tra thông tin đường đi trong bản
tin đó mang. Nếu thông tin đường đi là mới, nút sẽ thêm thông tin đường đi đó vào bảng định
tuyến (routing table) để sử dụng. Nếu tuyến đường nhận được đã có trong bảng định tuyến
53
nhưng thông số chi phí cost tốt hơn (bé hơn), tuyến đướng sẽ được update thông tin mới.
Còn không, thông tin định tuyến trong bản tin RREQ hoặc RREP nhận được sẽ bị bỏ qua.
Receive RREQ or RREP
Yes
Add Rou New Route
No
New M < Old M
No Yes
Update Route
End
Hình 2.16. Quá trình duy trì update thông tin định tuyến trong thuật toán RDC
2.2.3. Mô phỏng kết quả
Sử dụng phần mềm NS2 để mô phỏng đánh giá hai thuật toán đề xuất ABR và RDC. Trong
mô phỏng thứ nhất ta tạo ra 5 mô hình mạng với 50 nút cảm biến trong vùng có diện tích
1000m x 1000m bằng cách thay đổi vị trí của 50 nút. Ta có 5 mô hình: topo1, topo2, topo3,
topo4, topo5. Các thông số mô phỏng chi tiết như bảng 2.1
Kết quả mô phỏng:
Hình 2.17 so sánh thời gian sống của mạng (lifetime) khi sử dụng AODV, ERS, EERS,
ABR và RDC.Thời gian sống của mạng là lượng thời gian mà mạng hoạt động từ khi bắt đầu
cho đến khi có một nút hết năng lượng và dừng hoạt động. Từ biểu đồ ta thấy thời gian sống
của mạng khi sử dụng ABR và RDC cao hơn khi sử dụng EERS, ERS và AODV. Điều này
cũng dễ hiểu bởi RDC và ABR đã cân bằng được mức sử dụng năng lượng giữa các nút. Khi
các nút đã gần hết năng lượng, nó sẽ không được chọn chuyển tiếp bản tin nữa, nó chỉ dừng lại
với nhiệm vụ cảm biến thông tin. Do đó mạng duy trì thời gian hoạt động được lâu hơn thông
thường. Và với các mô hình mạng khác nhau, thời gian hoạt động của mạng cũng khác nhau.
54
Do các vị trí các nút là ngẫu nhiên nên có trường hợp vị trí các nút thuận lợi cho việc tìm
đường và cân bằng năng lượng sẽ thu được kết quả tốt hơn trường hợp không thể lựa chọn
đường thay thế mặc dù nút đã gần hết năng lượng. Do đó trong mô phỏng này luận án thay đổi
vị trí các nút một cách ngẫu nhiên nhằm chỉ ra với vị trí các nút như thế nào thì giao thức ABR
và RDC vẫn duy trì được thời gian hoạt động của mạng được tốt hơn.
100
95
90
85
Thời gian (s)
80 AODV
75 ERS
70 EERS
65 ABR
60 RDC
55
50
Topo 1 Topo 2 Topo 3 Topo 4 Topo 5
Các Topo mô phỏng
Hình 2.17. So sánh thời gian sống của mạng giữaAODV, ERS, EERS, ABR và RDC mô phỏng 1
Tỷ lệ gửi gói tin thành công PDR là tỷ lệ giữa tổng số gói tin nhận được so với tổng số gói
tin được gửi đi. Hình 2.18 chỉ ra kết quả PDR mô phỏng thu được khi chạy với AODV, ERS,
EERS, RDC và ABR. Biểu đồ chỉ ra rằng tỷ lệ gửi gói tin thành công giữa EERS, ABR và
RDC là gần tương tự nhau và cao hơn AODV, ERS. Như vậy, mục đích thiết kế giao thức
ABR và RDC nhằm tiết kiệm năng lượng kéo dài thời gian hoạt động của mạng đã đạt được
đồng thời không làm ảnh hưởng nhiều đến tỷ lệ truyền gói tin thành công. Các giao thức mô
phỏng đều đạt mức truyền thành công trên 90%. Chứng tỏ độ ổn định trong tìm đường và hoạt
động của giao thức khá tốt.
55
110
105
100
PDR (%)
AODV
95 ERS
EERS
90 ABR
RDC
85
80
Hình 2.18. So sánh tỷ lệ gửi gói tin thành công giữa AODV, ERS, EERS, ABR và RDC mô phỏng 1
400
350
300
Throughput (Kbps)
250
AODV
200 ERS
EERS
150
ABR
RDC
100
50
0
Hình 2.19. So sánh thông lượng Throughput giữa AODV, ERS, EERS, ABR và RDC mô phỏng 1
Thông lượng throughput được xác định là tổng số dữ liệu truyền được trong một giây.
56
Thông lượng cao hay thấp phụ thuộc nhiều vào số kết nối và tỷ lệ truyền thành công. Nếu số
kết nối trong mạng càng nhiều và tỷ lệ truyền thành công cao thì thông lượng càng cao. Ngoài
ra còn phụ thuộc và độ trễ truyền dữ liệu, trễ trong quá trình tìm đường. Với các mô phỏng
này, số kết nối bằng nhau, tỷ lệ mất gói gần tương tự nhau nên ta thu được thông lượng cũng
gần tương tự nhau khi sử dụng các giao thức định tuyến khác nhau. Hình 2.19 chỉ ra
throughput của mô hình mạng khi chạy với AODV, ERS, EERS, ABR và RDC là gần như
tương tự nhau.
Trong mô phỏng thứ 2, chúng ta tạo các mô hình mạng với 50 nút cảm biến, 60 nút cảm
biến, 70 nút cảm biên, 80 nút cảm biến, 90 nút cảm biến và 100 nút cảm biến trong vùng có
diện tích 1000m x 1000m với số lượng kết nối khác nhau. Các thông số khác tương tự như mô
phỏng đầu tiên. Ta có kết quả như sau:
110
105
100
95
Thời gian (s)
90 AODV
85 ERS
80 EERS
75 ABR
70 RDC
65
60
50 60 70 80 90 100
Hình 2.20. So sánh thời gian sống của mạng giữa AODV, ERS, EERS, ABR và RDC mô phỏng 2
Hình 2.20 so sánh thời gian sống của mạng khi sử dụng AODV, ERS, EERS, ABR và RDC
với các mô hình với số lượng nút cảm biến khác nhau. Từ mô hình trên ta thấy với các mạng
có số lượng nút khác nhau đều thu được thời gian sống của mạng tốt hơn khi sử dụng ABR và
RDC so với sử dụng AODV, ERS và EERS. Với cùng một giao thức ví dụ như AODV, với
các mô hình có số nút khác nhau cũng sẽ thu được thời gian sống khác nhau như bằng 78s với
50 nút và trên 87s với 100 nút. Đó là bởi vì chúng có quy luật sắp xếp vị trí các nút ngẫu nhiên
57
khác nhau, dẫn đến khả năng tìm đường và cân bằng tải giữa các nút của các mô hình mô
phỏng là khác nhau. Do đó mức độ sử dụng năng lượng là khác nhau và thời gian sống của
mạng là khác nhau.
100
98
96
94
92 AODV
PDR(%)
90 ERS
EERS
88
ABR
86
RDC
84
82
80
50 60 70 80 90 100
Hình 2.21. So sánh tỷ lệ gửi gói tin thành công giữa AODV, ERS, EERS, ABR và RDC mô phỏng 2
Hình 2.21 so sánh tỷ lệ gửi gói tin thành công PDR trong mạng khi sử dụng giao thức định
tuyến AODV, ERS, EERS, ABR và RDC trong các mô hình có số lượng nút cảm biến khác
nhau. Kết quả chỉ ra rằng PDR khi sử dụng các giao thức này là gần tương đương nhau, đôi
khi ABR, RDC còn cho kết quả tốt hơn. Các kết quả mô phỏng đều trên 94% chứng tỏ mức độ
ổn định khá cao trong quá trình tìm và duy trì đường đi của các giao thức với các mạng có số
nút thay đổi.
Hình 2.22 so sánh thông lượng của mạng khi sử dụng giao thức định tuyến AODV, ERS,
EERS, ABR và RDC trong các mô hinh mạng có số lượng nút cảm biến khác nhau. Kết quả
chỉ ra rằng thông lượng mạng khi sử dụng các giao thức là gần tương tự nhau nhiều khi ABR
và RDC còn cho kết quả nhỉnh hơn một chút. Như vậy, khi mô hình mạng thay đổi hay số
lượng nút thay đổi thì ta đều thu được thông lượng mạng là gần như nhau với các giao thức
định tuyến.
58
200
180
160
Throughput (Kbps)
140
120 AODV
100 ERS
80 EERS
60 ABR
40 RDC
20
0
50 60 70 80 90 100
Hình 2.22. So sánh thông lượng của mạng giữa AODV, ERS, EERS, ABR và RDC mô phỏng 2
Từ các kết quả mô phỏng trên ta có thể khẳng định hai thuật toán định tuyến mới được đề
xuất thu được các kết quả tốt hơn thuật toán cũ. Tăng cường thời gian sống của mạng trong
khi các thông số khác của mạng như tỷ lệ gửi gói tin thành công, thông lượng mạng vẫn giữ
nguyên hoặc cho kết quả tốt hơn.
2.3. Phương pháp định tuyến tiết kiệm năng lượng dựa trên điều
khiển công suất
Bằng các kỹ thuật tối ưu mở rộng vòng, sử dụng yếu tố năng lượng để định tuyến, các giao
thức đề xuất đã thu được kết quả tiết kiệm năng lượng khá tốt. Tuy nhiên yếu tố công suất vẫn
chưa được chú ý trong các kỹ thuật đó. Với khoảng cách giữa các nút cảm biến gần hay xa thì
mức công suất truyền giữa các nút đều như nhau. Điều đó dẫn đến việc tiêu hao năng lượng
không cần thiết và còn gây nhiễu giữa các kết nối. Để giải quyết vấn đề này, phần tiếp theo
của luận án trình bày kỹ thuật định tuyến mới kết hợp với điều khiển công suất.
2.3.1. Các kỹ thuật điều khiển công suất
Kỹ thuật này được thực hiện nhờ quá trình tính toán suy hao và dự đoán công suất phát tại
từng nút. Các nút sử dụng bản tin Hello của giao thức định tuyến để trao đổi thông tin và xác
định công suất suy hao Ploss. Xét hai nút A và B. Nút A gửi bản tin Hello tới nút B sử dụng
59
công suất mặc định lớn nhất Ptx_max(dBm). Nút B nhận bản tin Hello, nó xác định công suất
nhận tại B Prx_B(dBm) và tính toán công suất suy hao từ A sang B theo công thức sau:
– (2.2)
Sau đó nút B xác định công suất phát từ A sang B theo công thức:
(2.3)
Trong đó, Psen (dBm) là mức công suất nhỏ nhất để nhận được bản tin thành công tại bên
thu (hay còn gọi là độ nhạy thu), Pmar (dBm) là giá trị dự trữ xác định trước cho liên kết tùy
thuộc vào sự di dộng của node và các ảnh hưởng nhiễu của nút xung quanh cũng như sự biến
động của môi trường truyền dẫn.
Sau khi tính toán xong, nút B gửi giá trị đó cho nút A qua bản tin Hello. Nút A lưu thông
tin đó trong bảng các nút lân cận tương ứng với nút B. Giá trị này sẽ được nút A sử dụng làm
công suất truyền các bản tin từ A đến B sau này.
Mức công suất này sẽ được cập nhật mỗi khi có bản tin Hello trao đổi giữa các node với
nhau. Trong quá trình truyền nhận theo thủ tục của giao thức định tuyến sự dự đoán và tính
toán công suất phát này được thực hiện liên tục.
2.3.2. Đề xuất phương pháp định tuyến dựa trên điều khiển công suất
Thuật toán mới được xây dựng dựa trên giao thức định tuyến AODV và điều khiển công
suất, được gọi là thuật toán định tuyến kết hợp với điều khiển công suất (Power Control
Combined with Routing Protocol (PRP)). Các quá trình gửi, nhận xà xử lý bản tin định tuyền
không có gì thay đổi. Giao thức định tuyền mới chỉ khác AODV ở công thức tính chi phí
đường đi metric và sử dụng điều khiển công suất khi truyền bản tin định tuyến và dữ liệu.
Xét kết nối giữa 2 nút A và B, nếu sử dụng giao thức AODV thì chi phí đường đi giữa 2 nút
này bằng 1 (sử dụng hopcount để tính metric) nhưng với giao thức PRP thì metric này được
tính theo công thức:
(2.4)
Với {
60
Trong đó, Ptx_AB là công suất truyền dữ liệu từ A sang B được xác định ở phần trên. là biến,
có giá trị bằng C hoặc 0 tùy thuộc vào giá trị LPsent. Ptx_max là giá trị công suất truyền lớn nhất
khi không có điều khiển công suất. LPsent là năng lượng còn lại của nút tại một thời điểm tính
toán. LPthr là ngưỡng năng lượng còn lại của nút cảm biến. C là một hằng số, được sử dụng với
mục đích loại bỏ những tuyến đường có mức năng lượng còn lại của nút thấp.
Trong công thức 2.4, khi năng lượng còn lại của nút vẫn đáp ứng được hoạt động tốt, có
giá trị bằng 0 và chi phí đường đi lúc này chỉ phụ thuộc vào công suất truyền. Nếu không có
điều khiển công suất, tức là công suất truyền bằng công suất cực đại thì chi phí đường đi sẽ
bằng 1 giống như trường hợp sử dụng AODV. Khi sử dụng điều khiển công suất, tuyến đường
với mức tiêu tốn công suất nhỏ nhất sẽ được lựa chọn. Trong trường hợp năng lượng còn lại
của nút thấp hơn ngưỡng năng lượng còn lại, giá trị C được cộng thêm vào chi phí đường đi.
Giá trị của C đưa ra đủ lớn để những tuyến đường có chứa nút với năng lượng còn lại nhỏ
không được lựa chọn. Điều này giúp cân bằng việc sử dụng năng lượng của các nút trên mạng
cảm biến, từ đó kéo dài tuổi thọ của mạng.
Giá trị ngưỡng năng lượng còn lại và C cần phải được tính toán và xác định. Chúng phụ
thuộc vào công suất truyền và năng lượng của từng mạng cảm biến xác định. Ví dụ như, nếu
một mạng có tuyến đường đi xấu nhất có chi phí đường đi bằng 10 thì giá trị của C nên được
thiết lập cao hơn 10. Ngưỡng năng lượng còn lại LPthr thì khó xác định hơn. Nếu ngưỡng năng
lượng để quá cao, việc áp dụng so sánh ngưỡng sẽ xảy ra sớm, lúc này những tuyến đường
ngắn chứa nút có năng lượng dưới ngưỡng sẽ không được chọn, thay vào đó là các tuyến
đường dài hơn được chọn. Điều này làm tiêu tốn năng lượng và tăng độ trễ trong mạng. Nếu
ngưỡng năng lượng quá nhỏ, thông số này sẽ được áp dụng muộn, nút với năng lượng thấp
tiếp tục hoạt động và sẽ nhanh chóng hết năng lượng, làm ảnh hưởng đến thời gian sống của
toàn mạng. Do đó, việc xác định ngưỡng năng lượng còn lại chính xác là một vấn đề quan
trọng. Chọn ngưỡng năng lượng chính xác sẽ giúp tiết kiệm năng lượng sử dụng và nâng cao
thời gian sống của mạng. Giá trị ngưỡng này phụ thuộc vào từng mô hình và kích thước mạng
cụ thể. Không có một giá trị chung của ngưỡng năng lượng cho tất cả các mô hình. Giá trị này
có thể được xác định dựa trên phương pháp thực nghiệm.
2.3.3. Mô phỏng và đánh giá kết quả
Sử dụng phần mềm NS2 để mô phỏng đánh giá thuật toán đề xuất PRP. Trong mô phỏng ta
61
tạo ra 7 mô hình mạng với số nút cảm biến thay đổi từ 60 đến 120 trong vùng có diện tích
1000m x 1000m. Các thông số mô phỏng chi tiết như sau:
Bảng 2.2. Các thông số mô phỏng AODV và PRP

Giao thức lớp PHY/MAC 802.15.4
Giao thức định tuyến AODV, PRP
Kích thước gói tin 70KB (CBR), 60KB (FTP)
Tốc độ tối đa 250Kbps
Số nút mô phỏng 60, 70, 80, 90, 100, 110, 120
Năng lượng khởi tạo ban đầu của nút 1J
Giá trị C chọn để mô phỏng 5
Ngưỡng năng lượng chọn để mô phỏng (LPthr) 0.3J
Công suất truyền tối đa Ptx_max 24.5dBm (0.2818W)
Mô phỏng lấy bốn thông số để so sánh giữa PRP và AODV là:
- Network lifetime (s): Thời gian sống của mạng, là lượng thời gian mạng cảm biến hoạt
động từ lúc bắt đầu cho đến khi có 1 nút cảm biến hết năng lượng.
- Throughput (Kbps): Thông lượng, là tổng dữ liệu truyền được trong một đơn vị thời gian.
- Packet Delivery Ratio (PDR): Tỷ lệ truyền gói thành công, là tỷ lệ giữa số gói tin truyền
thành công trên tổng số gói tin được gửi đi.
- Total energy of network: Tổng năng lượng còn lại của tất cả các nút trên mạng tại một thời
điểm xác định.
Các kết quả mô phỏng được biểu diễn trên các hình từ 2.23 đến 2.31. Ta có một số nhận xét
như sau.
Hình 2.23 so sách về thời gian sống của mạng khi sử dụng giao thức AODV và giao thức
PRP với các mô hình từ 60 đến 120 nút. Kết quả cho thấy thời gian sống của mạng được cải
thiện đáng kể khi sử dụng giao thức mới. Trong tất cả các trường hợp, từ số lượng nút nhỏ (60
nút) đến số lượng nút lớn hơn (120 nút) đều thu được kết quả tốt hơn. Khi số lượng nút nhiều
hơn thì hiệu quả càng rõ rệt do khả năng cân bằng tải được thực hiện tốt hơn.
62
90.000
80.000
70.000
Thời gian (s) 60.000 PRP
50.000 AODV
40.000
30.000
20.000
10.000
0.000
60 70 80 90 100 110 120
Số nút mạng (nút)
Hình 2.23. So sánh thời gian sống của mạng khi sử dụng AODV và PRP
8.000
7.000
6.000
Throughput (Kbps)
5.000
PRP
4.000
AODV
3.000
2.000
1.000
0.000
60 70 80 90 100 110 120
Số nút mạng
(nút)
Hình 2.24. So sánh thông lượng của mạng khi sử dụng AODV và PRP
63
100.000
90.000
80.000
70.000
PRP
60.000
PDR (%)
50.000 AODV
40.000
30.000
20.000
10.000
0.000
60 70 80 90 100 110 120
Số nút mạng (nút)
Hình 2.25. So sánh tỷ lệ truyền gói tin thành công khi sử dụng PRP và AODV
60
50
Năng lƣợng (J)
40
PRP
AODV
30
20
10
0
30 40 50 60 70 80 90
Thời gian (s)
Hình 2.26. Năng lượng toàn mạng còn lại khi sử dụng AODV và PRP với mô phỏng 60 nút mạng
64
80.000
70.000
60.000
PRP
Năng lƣợng (J)
50.000
AODV
40.000
30.000
20.000
10.000
0.000
30 40 50 60 70 80 90
Thời gian (s)
90.000
80.000
70.000
60.000 PRP
Năng lƣợng (J)
50.000 AODV
40.000
30.000
20.000
10.000
0.000
30 40 50 60 70 80 90
Thời gian (s)
65
100.000
90.000
80.000
70.000 PRP
Năng lƣợng (J)
60.000 AODV
50.000
40.000
30.000
20.000
10.000
0.000
30 40 50 60 70 80 90
Thời gian (s)
140.000
120.000
100.000
PRP
Năng lƣợng (J)
80.000
AODV
60.000
40.000
20.000
0.000
30 40 50 60 70 80 90
Thời gian (s)
66
160.000
140.000
120.000
PRP
100.000
Năng lƣợng (J)
AODV
80.000
60.000
40.000
20.000
0.000
30 40 50 60 70 80 90
Thời gian (s)
Hình 2.24 so sách thông lượng của mạng khi sử dụng giao thức AODV và PRP. Thông
lượng mạng phụ thuộc chủ yếu vào 2 yếu tố là số lượng các bản tin gửi đi và độ trễ của mạng.
Số lượng các bản tin gửi đi càng lớn, độ trễ mạng càng nhỏ thì thông lượng càng cao. Từ các
kết quả mô phỏng ta thấy trong phần lớn các trường hợp thông lượng của mạng khi sử dụng
PRP tốt hơn khi sử dụng AODV.
Hình 2.25 so sánh tỷ lệ truyền gói tin thành công khi sử dụng AODV và PRP. Các kết quả
chỉ ra rằng khi sử dụng giao thức định tuyến PRP tuyến đường tìm được ổn định hơn và cho
kết quả tỷ lệ truyền gói tin thành công tốt hơn so với khi sử dụng giao thức định tuyến AODV.
Các hình từ 2.26 đến 2.31 là kết quả về năng lượng còn lại của toàn mạng khi sử dụng giao
thức định tuyến PRP và AODV tại các thời điểm 30 giây, 40 giây, 50 giây, 60 giây, 70 giây,
80 giây và 90 giây tương ứng với từng mô hình mô phỏng. Các kết quả chỉ ra rằng tổng năng
lượng toàn mạng còn lại khi sử dụng PRP cao hơn AODV. Tại một số thời điểm như 70 giây,
80 giây, 90 giây trong hình 2.28, tổng năng lượng còn lại của mạng khi sử dụng AODV tốt
hơn. Đó là do các nút khi sử dụng AODV đã dừng gửi và nhận gói tin từ giây thứ 66 trong khi
67
các nút dùng PRP vẫn tiếp tục gửi và nhận bản tin đến giây thứ 90. Do đó, từ giây thứ 66 đến
giây thứ 90, năng lượng còn lại của mạng giảm nhiều hơn khi sử dụng PRP.
Trong mô phỏng 70 nút, thời gian sống của mạng khi sử dụng AODV kết thúc ở giây thứ
10, do đó năng lượng tiêu tốn khi sử dụng AODV hiển nhiên ít hơn PRP.
2.4. Kết luận

Bắt nguồn từ giao thức định tuyến kinh điển AODV, luận án thay đổi cách thức gửi bản tin
định tuyến, thay đổi các thông số chọn đường và áp dụng kỹ thuật điều khiển công suất đã tạo
ra các giao thức định tuyến mới nhằm sử dụng hiệu quả năng lượng trong mạng cảm biến
không dây đa chặng gồm EERS, ABR, RDC và PRP. Các kết quả mô phỏng trên phần mềm
NS2 đã chỉ ra rằng các giao thức đề xuất thu được kết quả sử dụng năng lượng tốt hơn giao
thức truyền thống AODV trong khi các thông số khác của mạng như băng thông (throughput),
độ trễ (delay), tỷ lệ truyền gói tin thành công (PDR) vẫn được đảm bảo.
68
CHƢƠNG 3. TIẾT KIỆM NĂNG LƯỢNG TRONG MẠNG CẢM
BIẾN KHÔNG DÂY ĐA CHẶNG SỬ DỤNG
PHƯƠNG PHÁP ƢỚC ĐOÁN VỊ TRÍ CỦA ĐỐI
TƯỢNG
Với các kỹ thuật định tuyến đã trình bày ở trên, mạng cảm biến không dây đã thu được hiệu
quả đáng kể trong sử dụng năng lượng. Tuy nhiên, để sử dụng năng lượng hiệu quả một cách
toàn diện, bên cạnh nghiên cứu phát triển các giao thức định tuyến, việc nghiên cứu phát triển
các ứng dụng tiết kiệm năng lượng trong mạng cảm biến là cần thiết. Trong ứng dụng giám sát
đối tượng của mạng cảm biến không dây, đối tượng di chuyển trong mạng cảm biến và tại một
thời điểm nhất định đối tượng sẽ ở một vị trí nào đó trong mạng cảm biến. Do đó việc tất cả
các nút cảm biến hoạt động tại một thời điểm là không cần thiết và gây tiêu tốn năng lượng
toàn mạng. Với ý tưởng dự đoán vị trí của đối tượng trong mạng cảm biến sau đó điều khiển
bật tắt các nút cảm biến quanh khu vực dự đoán luận án thu được mô hình giám sát theo vùng
sử dụng năng lượng hiệu quả hơn so với mô hình giám sát toàn mạng khi tất cả các nút cảm
biến đều bật. Trong phần này, luận án trình bày ứng dụng giám sát đối tượng theo vùng với
thuật toán được sử dụng để dự đoán vị trí và hướng di chuyển của đối tượng, sau đó điều khiển
bật các nút cảm biến quanh vị trí dự đoán để thu thập thông tin đối tượng, điều khiển tắt các
nút cảm biến còn lại để tiết kiệm năng lượng. Trong ứng dụng này, các nút cảm biến sau khi
thu thập thông tin đối tượng sẽ truyền dữ liệu về trạm điều khiển thông qua các giao thức định
tuyến đa chặng tiết kiệm năng lượng đã được đề xuất ở trên. Từ đó luận án đưa ra một mô
hình ứng dụng mạng cảm biến tiết kiệm năng lượng toàn diện về cả định tuyến lẫn ứng dụng,
kéo dài thời gian hoạt động của các nút cảm biến.
3.1. Cơ sở lý thuyết toán học

Để dễ dàng hơn trong quá trình tiếp cận với các thuật toán lọc được sử dụng để giải quyết
bài toán theo vết nói chung và bài toán theo vết trong mạng cảm biến không dây nói riêng,
việc đưa ra các cơ sở lý thuyết toán học là điều rất cần thiết. Chi tiết các lý thuyết này được
trình bày trong [19, 44,45, 46, 47, 48, 49]. Phần này tóm tắt một số lý thuyết cần thiết, giúp
69
chúng ta có thể dễ dàng hiểu được cách thức tiếp cận, cũng như hướng giải quyết của các bài
toán lọc hiện đang được sử dụng trong thực tế.
3.1.1. Định lý xác suất Bayes
Dưới con mắt của các nhà toán học, họ thường nhìn bài toán theo vết đối tượng như là một
quá trình nhằm giải quyết vấn đề ước lượng. Thông thường các thuật toán hoặc một tập các
câu lệnh sẽ được sử dụng để nhằm mục đích ước lượng được kết quả gần đúng nhất của thông
số được yêu cầu về đối tượng, và một trong số những nền tảng toán học đó chính là định lý
xác suất Bayes đã được trình bày chi tiết tại [45, 46].
Theo định lý Bayes, chúng ta có:
|
| (3.1)
Trong đó:
 | được gọi là xác suất hậu nghiệm (posterior probability) của tín hiệu B khi
biết tín hiệu A vì nó được rút ra hoặc phụ thuộc vào giá trị được cho của A
 | được gọi là xác suất khả dĩ (likelihood probability) của A khi biết tín
hiệu B
 được gọi là xác suất tiền nghiệm (prior probability) của B vì nó hoàn toán độc
lập với sự tồn tại của A, nói cách khác, việc đưa ra xác suất này hoàn toàn không phụ
thuộc vào sự có mặt của A
 xác suất của A, đại lượng này còn gọi là hằng số chuẩn hóa (normalising
constant), vì nó luôn giống nhau, không phụ thuộc vào sự kiện B đang muốn biết.
Khi giải quyết các bài toán theo vết đối tượng trong thực tế, mục đích của chúng ta chính là
việc tính toán, ước lượng để đưa ra được xác suất hậu nghiệm bằng cách sử dụng các hàm xác
suất tiên nghiệm và khả dĩ.
3.1.2. Hàm phân bố xác suất và hàm mật độ xác suất của một biến ngẫu nhiên
3.1.2.1. Hàm phân bố xác suất (Probability Distribution Function [19, 47])
Hàm phân bố xác suất của biến ngẫu nhiên , kí hiệu là , là xác suất để biến ngẫu
nhiên nhận giá trị nhỏ hơn , với là một số thực bất kỳ:
70
(3.2)
Đối với hàm phân bố xác suất, ta có 2 tính chất quan trọng sau:
(3.3)
(3.4)
Từ định nghĩa của hàm phân bố xác suất ta nhận thấy hàm phân bố xác
suất phản ánh mức độ tập trung xác suất ở phía bên trái của một số thực nào đó.
3.1.2.2. Hàm mật độ xác suất (Probability Density Function [19, 48, 49])
Hàm mật độ xác suất của một biến ngẫu nhiên liên tục , kí hiệu là , là đạo hàm bậc
nhất của hàm phân bố xác suất của biến ngẫu nhiên đó:
(3.5)
Một số tính chất quan trọng của hàm mật độ xác suất:
(3.6)
∫
(3.7)
∫
(3.8)
∫
(3.9)
3.1.3. Kỳ vọng và phương sai của biến ngẫu nhiên

3.1.3.1. Kỳ vọng của biến ngẫu nghiên [47]
Giả sử biến ngẫu nhiên rời rạc nhận một trong các giá trị có thể có với các xác
suất tương ứng.............................Kỳ vọng của biến ngẫu nhiên rời rạc , ký hiệu là tổng
các tích giữa các giá trị có thể có của biến ngẫu nhiên với các xác suất tương ứng:
∑
(3.10)
Nếu là biến ngẫu nhiên liên tục với hàm mật độ xác suất thì kỳ vọng được xác
định bằng biểu thức:
71
∫
(3.11)
Ta nhận thấy, kỳ vọng của một biến ngẫu nhiên phản ánh giá trị trung tâm của phân phối
xác suất của biến ngẫu nhiên.
3.1.3.2. Phương sai của biến ngẫu nhiên [47, 49]
Trong thực tế, đôi khi nếu chỉ biết giá trị kỳ vọng của một biến ngẫu nhiên ta chưa thể xác
định được biến ngẫu nhiên đó, bởi ta không thể biết được mức độ phân tán của các giá trị của
biến ngẫu nhiên xung quanh giá trị trung bình của nó. Từ đó chúng ta có khai niệm về phương
sai của một biến ngẫu nhiên
Phương sai của biến ngẫu nhiên , ký hiệu là là kỳ vọng của bình phương sai lệch
của biến ngẫu nhiên so với kỳ vọng của nó:
(3.12)
Nếu là biến ngẫu nhiên rời rạc thì phương sai của nó sẽ được xác định theo công thức:
∑ ∑ (3.13)
Nếu là biến ngẫu nhiên liên tục thì phương sai của nó sẽ được xác định theo công thức:
∫∫
(3.14)
Như vậy xuất phát từ định nghĩa của phương sai, ta thấy phương sai chính là trung bình số
học của bình phương các sai lệch giữa các giá trị có thể có của biến ngẫu nhiên so với giá trị
trung bình của các giá trị đó. Do đó nó phản ánh mức độ phân tán của các giá trị của biến ngẫu
nhiên xung quanh giá trị trung bình của nó là kỳ vọng.
3.1.4. Hàm phân phối xác suất Gauss – Hàm phân phối chuẩn [19, 47, 50]
Biến ngẫu nhiên liên tục nhận các giá trị trong khoảng gọi là phân phối chuẩn
với các tham số và , nếu hàm mật độ xác suất của nó có dạng:
√ (3.15)
72
Ta có hàm phân bố xác suất của biến ngẫu nhiên như sau:
73
∫ (3.16)
√
Một số chú ý:
 Khi và , hàm phân phối xác suất Gauss trở thành hàm phân phối chuẩn
hóa.
 Ta có thể dễ dàng chứng minh rằng và lần lượt chính là giá trị kỳ vọng và
phương sai của biến ngẫu nhiên .
3.1.5. Tiến trình Markov [47]
Quá trình Markov là một quá trình mang tính ngẫu nhiên với đặc tính như sau: trạng thái
tại thời điểm là một giá trị trong tập hữu hạn { }. Với giải thiết rằng quá trình chỉ diễn
ra từ thời điểm đến thời điểm và rằng trạng thái đầu tiên và cuối cùng là đã biết, chuỗi
trạng thái sẽ được biểu diễn bởi một vector hữu hạn .
Nếu | biểu diễn xác suất của trạng thái tại thời điểm khi đã trải qua mọi
trạng thái cho đến thời điểm . Giả sử trong quá trình đó thì chỉ phụ thuộc vào trạng thái
trước và độc lập với mọi trạng thái trước khác. Quá trình này được gọi là quá trình Markov
bậc 1. Có nghĩa là xác suất để trạng thái xảy ra tại thời điểm , khi biết trước mọi trạng thái
cho đến thời điểm chỉ phụ thuộc vào trạng thái tại thời điểm
Khi đó ta có công thức như sau:
| | (3.17)
Tổng quát hóa, chúng ta có quá trình Markov bậc n được biểu diễn thông qua công thức
sau:
| | (3.18)
3.1.6. Mô hinh hóa hệ thống không gian trạng thái động
Mô hình không gian trạng thái của hệ thống có thể được biểu diễn thông qua hai phương
trình [44]:
Phương trình trạng thái:
(3.19)
Phương trình quan sát:

74
(3.20)
Với:
 và lần lượt là trạng thái của hệ thống – đại lượng không thể quan sát được
(unobserved system state) và tín hiệu đo đạc – đại lượng có thể quan sát được
(observed measurement signal) ở thời điểm .
 và là lần lượt là hàm chuyển trạng thái (state transition function) và hàm quan
sát (observation function). Trong trường hợp tổng quát, và là các hàm phi tuyến
 và lần lượt là nhiễu xử lý (process noise) và nhiễu quan sát (observation
noise) với hàm phân phối xác suất đã biết. Trong trường hợp tổng quát, các nhiễu này
tuân theo hàm phân phối xác suất phi Gauss
 là đầu vào của hệ thống ở thời điểm .
Ta cũng kí hiệu rằng:
 { } tập các trạng thái của hệ thống từ thời điểm tới thời điểm
 { } tập các tín hiệu quan sát được từ thời điểm tới thời điểm
Ngoài ra, chúng ta hoàn toàn có thể biểu diễn mô hình không gian trạng thái động của đối
tượng thông qua các hàm mật độ xác suất như sau:
 Phương trình trạng thái: |
 Phương trình quan sát: |
3.1.7. Tiếp cận Bayes [44]

Để giải quyết bài toán theo vết đối tượng trong thực tế chúng ta thường phải thực hiện việc
ước lượng hàm mật độ xác suất hậu nghiệm | của toàn bộ quỹ đạo trạng thái của đối tượng
trong điều kiện có các đo đạc. Thông qua hàm mật độ xác suất này, ta có thể đưa ra giá trị kì
vọng của một hàm khả tích bất kỳ theo công thức sau:
E[ ft (x0:t )]   ft (x0:t )p(x0:t | y1:t (3.21)

)dx0:t
Hầu hết các trường hợp trong thực tế, chúng ta thường chỉ quan tâm tới việc ước lượng
trạng thái ở thời điểm ứng với các đo đạc . Khi đó, vấn đề của chúng ta là phải ước
75
lượng hàm phân phối lọc (filtering distribution) | . Hàm phân phối này có thể được ước
lượng một cách truy hồi thông qua 2 pha:
 Pha dự đoán - Pha truyền (Prediction phase – Propagation phase)
 Pha nâng cấp - Pha đo đạc (Update phase – Measurement phase)
Trong pha dự đoán, trạng thái hiện tại của hệ thống có thể được ước lượng bằng cách sử
dụng hàm mật độ xác suất dự đoán ở thời điểm là | . Hàm mật độ xác suất dự đoán
này hoàn toàn có thể được tính toán bằng cách sử dụng hàm mật độ xác suất hậu nghiệm trước
đó ở thời điểm và hàm mật độ xác suất tiên nghiệm chuyển trạng thái (transitional
prior) | được chỉ ra bằng cách sử dụng mô hình hệ thống độngnhư sau:
p(xt | y1:t1)   p(xt | xt1) p(xt1 | y1:t1)dxt1   p(xt , xt1 | (3.22)

y1:t1)dxt1
Trong pha nâng cấp, nhờ có các thông tin đo đạc từ thời điểm thứ đến thời điểm
kết hợp với thông tin đo đạc được ở thời điểm , cho phép ta tính ra hàm mật độ xác suất hậu
nghiệm ở thời điểm là | .
Giả sử rằng, đại lượng đo đạc là độc lập với các đại lượng đo đạc , tức là từ thời điểm
đến thời điểm trước đó. Khi đó hàm mật độ xác suất hậu nghiệm có thể được tính toán
thông qua lí thuyết Bayes như sau:
p(x | y p( yt | xt ) p(xt | y1:t1) (3.23)
t 1:t )
p( | y1:t1)
yt
Trong đó:
 p( yt | y1:t1)   p( yt | xt ) p(xt | là hệ số chuẩn hóa

y1:t1)dxt
 p( yt | xt
là hàm mật độ xác suất khả dĩ
)
Sau pha này, các quá trình dự đoán và update được lặp đi lặp lại một cách truy hồi. Sơ đồ
mô hình hóa hệ thống của bộ lọc này như sau:
76
System
Dynamics Measurement
p(xt-1|y1:t-1) p(xt|y1:t-1) p(xt|y1:t)
Hình 3.1. Sơ đồ tiếp cận Bayes [44]
Nhưng một vấn đề khó khăn gặp phải khi sử dụng phương pháp tiếp cận này đó là chính vì
quá trình tính toán là dãy truy hồi và đồng thời rất nhiều các hàm mật độ xác suất hậu nghiệm
thường không thể biểu diễn chính xác được dưới dạng các biểu thức toán học.
3.1.8. Một số thuật toán theo vết dựa trên tiếp cận Bayes
Hiện nay có một số phương pháp tiếp cận nhằm giải quyết bài toán theo vết đối tương dựa
trên tiếp cận Bayes là:
 Thuật toán lọc Kalman
 Thuật toán lọc Kalman mở rộng
 Thuật toán lọc chất điểm
3.2. Sơ lược về một số thuật toán dự đoán vị trí

Một trong các bài toán rất được quan tâm khi chúng ta nghiên cứu mạng cảm biến không
dây, đó là việc giải quyết bài toán theo vết đối tượng. Trước khi thuật toán bộ lọc chất điểm
được sử dụng như là phương pháp chính trong bài toán này thì một số các thuật toán dựa trên
nền tảng của tiếp cận Bayes như thuật toán bộ lọc Kalman (Kalman Filter)và thuật toán bộ lọc
Kalman mở rộng (Extended Kalman Filter) được coi như chìa khóa nhằm giải quyết bài toán
trên một cách tối ưu [19, 20, 21, 22, 23, 51, 52].
Về bản chất, thuật toán Kalman truyền thống được đưa ra với mục đích nhằm giải quyết
các bài toán trong mô hình tuyến tính và phân phối Gaussian. Và quả thực thuật toán này giải
quyết rất tốt các bài toán trong mô hình đó. Nhưng vấn đề bắt đầu nảy sinh khi các mô hình hệ
thống lúc này là phi tuyến hoặc tuân theo phân phối phi Gaussian. Các kết quả thu được từ
thuật toán Kalman truyền thống trở nên sai lệch nhiều so với giá trị thực tế. Nhiều thuật toán
được đưa ra nhằm cải tiến thuật toán Kalman truyền thống. Một trong số đó là thuật toán bộ
77
lọc Kalman mở rộng. Vẫn dựa trên cơ sở bộ lọc Kalman nhưng trước khi áp dụng các công
thức của bộ lọc Kalman, chúng ta tiến hành tuyến tính hóa các phương trình hệ thống nhờ
phương pháp khai triển Taylor để đưa một hàm phi tuyến trở thành một chuỗi các hàm tuyến
tính. Nhưng phương pháp này cũng gặp những hạn chế nhất định của nó, đó là vấn đề sai lệch
trong kết quả thu được do việc lấy xấp xỉ trong quá trình tuyến tính hóa hệ thống, đồng thời nó
đòi hỏi việc tính toán trở nên phức tạp hơn nhiều so với việc sử dụng thuật toán Kalman
truyền thống. Chỉ sau này khi thuật toán bộ lọc chât điểm được đưa vào sử dụng thì mới có thể
giải quyết được những nhược điểm trên.
Chương này sẽ trình bày một cái nhìn tổng quan về một số các thuật toán được sử dụng
trong các bài toán theo vết đối tượng được sử dụng trong mạng cảm biến trước khi thuật toán
bộ lọc chất điểm được đưa vào sử dụng cụ thể là thuật toán bộ lọc Kalman và thuật toán bộ lọc
Kalman mở rộng. Việc trình bày này sẽ là cơ sở cho việc phát triển lên bộ lọc chất điểm – bộ
lọc sẽ được trình bày trong chương sau của bài báo cáo này.
3.2.1. Bộ lọc Kalman
Lọc Kalman được biết đến như là một phương pháp cổ điển, nối tiếng được phát minh vào
năm 1960 bởi R.E.Kalman. Thuật toán được trình bày chi tiết trong [19, 52].
Bộ lọc Kalman cho phép chúng ta có thể tính ra một biểu thức chính xác của dãy các phân
bố xác suất hậu nghiệm. Nhược điểm của phương pháp này đó là dữ liệu phải được mô hình
hóa bằng cách sử dụng mô hình không gian trạng thái (state-space) Gaussian tuyến tính. Cũng
nhờ có việc tuân theo hàm phân bố Gaussian tuyến tính nên các hàm mật độ posterior có thể
được tham số hóa bởi một kỳ vọng và một phương sai.
Các điều kiện ràng buộc của thuật toán:
 gt (xt1, wt1,ut1) là hàm tuyến tính của x , w và u

t1 t1 t1
 ht (xt ,vt ) là hàm số tuyến tính của xt và vt
 Nhiễu xử lý và quan sát

wt1 và vt tuân theo hàm phân phối Gaussian.
Vậy khi đó (3.19) và (3.20) có thể được biểu diễn một hệ thống tuyến tính rời rạc theo thời
gian như sau:
78
xt  Ft1xt1  Gt1ut1  (3.24)
wt1
(3.25)
Trong đó: yt  H t xt  vt
 wt , vt là nhiễu trắng
 wt
tuân theo phân phối Gauss - N (0,Qt )
 vt
tuân theo phân phối Gauss - N (0, Rt )
 w , v là không tương quan hay E[v wT ]=0
t t t j
 E[w t wTj ]=Qt t j và E[vt vTj ]=Rt tj
Với t j là hàm xung Delta thỏa mãn:
 1;t  j (3.26)

t j

0;t  j
Mục đích của chúng ta là phải ước lượng được trạng thái của hệ thống xt dựa trên những
hiểu biết của chúng ta về hệ thống, đồng thời sử dụng các kết quả đo đạc yt .
Nếu chúng ta có tất cả các kết quả đo đạc của hệ thống tính đến thời điểm t và sử dụng
chúng để trong việc ước lượng xt , thì khi đó chúng ta có thể tạo ra một ước lượng hậu nghiệm,
được ký hiệu là xˆt  . Một cách thức để tạo ra ước lượng trạng thái hậu nghiệm là chúng ta đi
tính toán giá trị kỳ vọng có điều kiện của xt dựa trên các đo đạc, bao gồm cả thời điểm t như
sau:
xˆ   E[x | y , y ,..., y ] (3.27)
t t 1 2 t
Nếu chúng ta sử dụng tất cả đo đạc trước thời điểm t (không bao gồm các giá trị đo đạc
được ở thời điểm t) để ước lượng trạng thái của hệ thống xt
thì khi đó chúng ta tạo ra một ước
lượng tiên nghiệm, được ký hiệu là xˆ  . Tương tự một cách thức cho phép chúng ta tạo ra một
t
ước lượng trạng thái tiên nghiệm là chúng ta đi tính toán giá trị kỳ vọng có điều kiện của xt
dựa trên các đo đạc trước thời điểm t, không bao gồm thời điểm t như sau:
xˆ   E[x | y , y ,..., y ] (3.28)
t t 1 2 t1
79
Cần phải chú ý rằng mặc dù xˆ xˆ  đều là các ước lượng của chúng cho một đại xt ,
 , lượng
t t
tuy nhiên
xˆ  là giá trị ước lượng của chúng ta xt trước khi có giá trị đo đạc yt còn xˆ  là
về
t t
giá trị ước lượng của chúng ta về xt sau khi có giá trị đo đạc yt
Chúng ta gọi P là hiệp phương sai của lỗi ước lượng. P kí hiệu cho hiệp phương sai của
t
t
lỗi ước lượng của t t

xˆt  P kí hiệu cho hiệp phương sai của lỗi ước lượng của xˆ  . Khi đó
chúng ta có: và
P  E[(x  xˆ  )(x 
(3.29)
xˆt  )T ] tt t t
(3.30)
t  )(x
Pt   E[(xt  xˆ t 
xˆ  ) ]
T t
Để khởi tạo bộ lọc Kalman, chúng ta cần phải bắt đầu với một ước lượng x của trạng thái
ˆ0
ở thời điểm khởi tạo. Chúng ta cũng cần phải bắt đầu với một ma trận hiệp phương sai lỗi ước
lượng khởi tạo
P0 , nó biểu thị mức độ không chắc chắn trong việc ước lượng trạng thái khởi
tạo của chúng ta. Nếu giá trị ước lượng khởi tạo ban đầu
xˆ0 mang tính tin cậy cao P0 sẽ
thì
nhỏ, ngược lại nếu ước lượng khởi tạo
x của chúng ta là không chắc chắn thì giá trị của P0 sẽ
ˆ0
lớn. Nếu thời gian chạy mô phỏng của hệ thống bộ lọc lớn thì các giá trị khởi tạo này sẽ hầu
như không ảnh hưởng nhiều tới hiệu suất của bộ lọc
Chúng ta ký hiệu
xˆ  là giá trị giá trị ước lượng khởi tạo x0 trước khi có bất kỳ giá trị
của
0
quan sát đo đạc nào. Giá trị đo đạc đầu tiên ở thời điểm t=1. Giá trị xˆ  có thể được tính toán
0
thông qua việc tính giá trị kỳ vọng của trạng thái khởi tạo x như sau:
0
xˆ 0  E(x0 ) (3.31)
80
Bước 1: Dự đoán
Đầu tiên chúng ta sẽ tiến hành tính toán phương trình cập nhật theo thời gian đối với trạng
thái hệ thống
xˆ . Chúng ta sẽ bắt đầu quá trình ước lượng với xˆ  . Với giá trị xˆ  chúng ta
của
0 0
sẽ tiến hành tính toán ra giá trị của xˆ1  như sau:
Chúng ta biết rằng xˆ1   E(x

1 ) ; mà theo (3.21) chúng ta có:
81
xˆ   E(x )  E(F x  G u  w )  F xˆ  (3.32)
Gu
1 1 0 0 0 0 0 0 0 00
Từ công thức trên chúng ta nhận thấy rằng chúng ta có thể tính được giá trị xˆ1  xˆ0  . Tổng
từ
quát hóa chúng ta có công thức sau:
̂ ̂ (3.33)
Chú ý rằng vì ( gần bằng ) nên E(w j )  0;j  1,t
Tiếp theo chúng ta sẽ tiến hành tính toán phương trình cập nhật theo thời gian đối với đại
lượng hiệp phương sai của lỗi ước lượng P. Chúng ta cũng bắt đầu với P0 , hiệp phương sai
ước lượng ban đầu của x . Trong trường hợp lý tưởng, P  0 . Để tổng quát hóa, chúng ta biểu
0 0
diễn P0 như sau:
P  E[(x  xˆ  )(x  xˆ  )T ]=E[(x  xˆ  )(x (3.34)

 xˆ )T ]
0 0 0 0 0 0 0 0 0
Từ giá trị
P , chúng ta thực hiện tính toán P thông qua công thức sau:
0 1
P  F PFT  Q

(3.35)
1 0 0 0 0
Phương trình trên chỉ ra rằng chúng ta hoàn toàn có thể tính ra 
P1 dựa trên P
0
Tổng quát hóa chúng ta có phương trình sau:

P  F P FT  Q (3.36)
t t1 t t1 t1
1
Như vậy dựa vào 2 phương trình (3.33) và (3.36) chúng ta đã ước dự đoán ra trạng thái của
hệ thống cũng như hiệp phương sai của lỗi dự đoán.
Bước 2: Nâng cấp (Update)
Trong bước này chúng sẽ thực hiện việc hiệu chỉnh các kết quả thu được từ bước dự đoán
bên trên thông qua việc đo đạc và quan sát. Nhiệm vụ đầu tiên trong suốt quá trình cập nhật là
chúng ta đi tính ma trận hệ số khuếch đại “gain” Kalman Kt :
Kt  Pt  HtT (Ht Pt  Ht T  R )1 (3.37)

t
Sau khi tính được ma trận hệ số khuếch đại “gain” Kalman Kt , chúng ta có:
82
xˆ   xˆ   K ( y  (3.38)
H xˆ)
t t t t t t
83
Pt   (I  Kt Ht )P (3.39)
t
Nhận xét:
 Về mặt lý thuyết, thuật toán bộ lọc Kalman khá đơn giản.

 Qua quá trình thực nghiệm và nghiên cứu, kết quả theo vết của bộ lọc Kalman giải
quyết rất tốt trong các bài toán mà mô hình hệ thống là tuyến tính và nhiễu Gaussian..
 Nhược điểm lớn nhất của thuật toán bộ lọc Kalman đó chính là những rằng buộc về
mặt hệ thống, nó không được thiết kế để làm việc với các hệ thống phi tuyến mà có nhiễu tuân
theo phân phối phi Gaussian. Điều này đặc biệt nghiêm trọng bởi các mô hình trong thực tế
hầu hết đều là phi tuyến và nhiễu tuân theo phân phối phi Gaussian. Chính điều này gây ra
những hạn chế rất lớn trong việc ứng dụng và mở rộng thuật toán Kalman trong thực tế
 Để giải quyết nhược điểm này, đã có nhiều thuật toán lọc sau đó đã được đề xuất với ý
tưởng đưa thuật toán bộ lọc Kalman truyền thống vào sử dụng trong các hệ thống thực tế phi
tuyến và phi Gaussian. Phần tiếp theo sẽ trình bày về thuật toán bộ lọc Kalman mở rộng – một
trong số các bộ lọc với ý tưởng như thế.
3.2.2. Lọc Kalman mở rộng

3.2.2.1. Những giới hạn của mô hình tuyến tính
Chúng ta biết rằng, nhược điểm lớn nhất của bộ lọc Kalman đó là nó chỉ có thể áp dụng
được với các hệ thống tuyến tính. Mà điều này là gần như không có trong thực tế. Trong thực
tế, hầu hết các quá trình đều được biểu diễn bởi các phương trình phi tuyến. Ví dụ như ngay cả
mối quan hệ giữa điện áp và cường độ dòng điện trong phương trình định luật Ohm I  V / R .
Như trong hình 3.2, khi giá trị điện trở nằm dưới một giá trị nhất định, thì mối quan hệ giữa
điện áp và cường độ dòng điện là tuyến tính, nhưng khi giá trị điện trở này vượt quá một giá
trị nhất định nào đó thì mối quan hệ này là phi tuyến.
Điều này đặt ra yêu cầu cần phải sử dụng một bộ lọc phi tuyến nhằm mục đích ước lượng
trạng thái của đối tượng trong các hệ thống phi tuyến. Một trong số các bộ lọc phi tuyến
thường được sử dụng đó là bộ lọc Kalman mở rộng.
Vào năm 1979, Anderson và Moore đã đưa ra thuật toán bộ lọc Kalman mở rộng [19, 53].
Thuật toán này là một trong những thuật toán tốt nhất để giải quyết các bài toán phi tuyến và
phi Gaussian lúc bấy giờ.
84
Hình 3.2. Đường đặc tính Von-Ampe
Ý tưởng nền tảng của bộ lọc Kalman mở rộng đó là chúng ta thực hiện việc tuyến tính hóa
các phương trình trạng thái hệ thống phi tuyến nhờ phương pháp khai triển Taylor, sau đó
chúng ta có thể hoàn toàn áp dụng các công thức đã được xây dựng với bộ lọc Kalman ở phần
trước vào việc ước lượng trạng thái của hệ thống. Như vậy, có thể nói khai triển Taylor chính
là chìa khóa cho phép thuật toán Kalman được áp dụng vào trong các hệ thống phi tuyến và
phi Gaussian.
3.2.2.2. Khai triển chuỗi Taylor
Ta có chuỗi khai triển Taylor của một hàm phi tuyến như sau:
 (n)
f (x )xn
' '' 2
f (x)   f (x )  (x) )x  f (x /2 (3.40)

n! f )x ...
 n0
Trong đó:
 x là một vô cùng bé
 x  x  x
 f (n) (x ) là giá trị đạo hàm thứ n của hàm
f (x) được tính tại x  x
Ví dụ, ta khai triển hàm phi tuyến cos(x) với giá trị vô cùng nhỏ x  0 , khi đó ta được:
cos(x)  cos(0) sin(0).x  cos(0).x2 / 2 ... 1 x2 / 2 (3.41)

...
Lấy gần đúng tới bậc hai ta có:
(3.42)
85
Ta có kết quả bảng ước lượng như sau:
86
Bảng 3.1. Ví dụ về kết quả khai triển Taylor
x cos(x) 1 x2 / 2
0 1 1
0.25 0.969 0.969
0.5 0.878 0.875
0.75 0.732 0.719
1.00 0.540 0.500
1.25 0.315 0.219
1.50 0.071 -0.125
Ta nhận thấy rằng, khi x có giá trị nhỏ thì kết quả nhận được từ việc xấp xỉ khá tốt, nhưng
nếu ta tăng dần giá trị của x thì sai số giữa kết quả thực tế và kết quả của việc xấp xỉ là khá
lớn, và không tin cậy.
Nhận xét:
- Như vậy, sau quá trình tuyến tính hóa hệ thống, từ một hàm phi tuyến ta thu được một
chuỗi các hàm tuyến tính thỏa mãn các yêu cầu ràng buộc của thuật toán bộ lọc Kalman.
Lúc này việc áp dụng thuật toán bộ lọc Kalman chỉ còn là việc áp dụng các hàm tuyến tính
trong chuỗi khai triển Taylor.
- Độ chính xác và tin cậy của kết quả thu được từ thuật toán bộ lọc Kalman mở rộng phụ
thuộc rất lớn vào số lượng các hàm tuyến tính trong chuỗi khai triển Taylor mà chúng ta
quyết định sẽ sử dụng để xấp xỉ cho hàm phi tuyến thực tế. Chính điều này khiến việc sử
dụng thuật toán này gặp nhiều sai lệch lớn do phương sai lỗi được tích lũy qua quá trình
xấp xỉ không chính xác
3.2.3. Kết luận
Tóm lại, các bộ lọc kể trên đều hoạt động dựa vào nhiều giả định của hệ thống nhằm đảm
bảo về khả năng giải quyết bài toán bằng các phương trình giải tích. Tuy nhiên, dữ liệu thu
được trong thực tế rất phức tạp, thông thường bao gồm nhiều thành phần phi Gaussian, phi
tuyến và nhiều chiều. Chính điều này làm cho việc tìm ra một giải pháp hợp lý bằng phương
pháp giải tích là hầu như không thể. Trong chương tiếp theo, chúng ta sẽ trình bày về thuật
87
toán bộ lọc chất điểm, thuật toán rất mạnh khi áp dụng trong việc giải quyết các bài toán theo
vết đối tượng.
3.3. Thuật toán bộ lọc chất điểm (Particle Filter) [44]

Vào khoảng năm 1998, cùng với sự ra đời của thuật toán CONDENSATION [Blake 1998],
một loạt các thuật toán lọc tổng quát dựa trên phương pháp Monte Carlo tuần tự (Sequential
Monte Carlo - SMC) với nhiều tên gọi khác nhau như lọc Bootstrap (Bootstrap Filters), lọc
chất điểm (Particle Filters), lọc Monte Carlo ra đời đã giúp giải quyết bài toán lọc tổng quát
một cách triệt để.
Các phương pháp Sequential Monte Carlo, như bộ lọc chất điểm, cung cấp một lời giải hiệu
quả cho các bài toán lọc tổng quát, ngoài ra chúng còn rất linh động mềm dẻo và rất dễ cài đặt,
có khả năng mở rộng để thực hiện trong môi trường tính toán song song và đặc biệt là hoạt
động rất hiệu quả trong trường hợp bài toán tổng quát, đồng thời nó cũng giải quyết hiệu quả
vấn đề tiết kiệm năng lượng trong các mạng cảm biến
Bộ lọc chất điểm là một thuật toán được sử dụng để giải quyết các vấn đề ước lượng, như là
trong các ứng dụng theo vết đối tượng. Bộ lọc chất điểm cơ bản hoạt động dựa trên nguyên tắc
duy trì một tập các “chất điểm” – được coi như các điểm ứng viên trong việc miêu tả trạng thái
và vị trí của đối tượng, để từ đó ước lượng ra trạng thái của đối tượng.
Lọc chất điểm hiện đang được áp dụng trong rất nhiều lĩnh vực như mô hình hóa tài chính,
kinh tế lượng (Econometrics), theo vết đối tượng, dẫn đường cho tên lửa (Missle Guidance), di
chuyển dựa vào địa hình (Terrain Navigation), thị giác máy tính, mạng Noron, Robot, ...
Chương này nhằm mục đích tóm tắt lại thuật toán bộ lọc chất điểm một cách tổng quát, đề
xuất phương pháp thực hiện bộ lọc chất điểm mới. Các kết quả mô phỏng cho thấy phương
pháp đề xuất cho kết quả ước lượng tốt hơn trong khi vẫn đảm bảo về độ trễ của thuật toán.
Trên cơ sở của chương này, luận án sẽ áp dụng bộ lọc chất điểm vào trong các mô hình bài
toán thực tế sẽ được trình bày chi tiết trong các chương tiếp theo
3.3.1. Các điều kiện rằng buộc của thuật toán bộ lọc chất điểm
Không mất tính tổng quát, ta xét một hệ (hệ này có thể là một hệ tín hiệu, hệ cơ học,...) có
không gian trạng thái được mô hình hóa bởi một hàm phi tuyến và tuân theo phân phối phi
88
Gaussian thỏa mãn 2 giả định sau:
- Chuỗi trạng thái của hệ thỏa mãn giả định về hệ Markov bậc 1. Tức là:
p(xt | x0:t1)  p(xt | xt1) (3.43)
- Các giá trị đo có được tại một thời điểm bất kỳ chỉ phụ thuộc vào trạng thái của hệ tại thời
điểm đó. Tức là:
t
p( y1:t | x1:t )   p( yi | (3.44)

xi )
i0
3.3.2. Hƣớng tiếp cận của bộ lọc thuật toán bộ lọc chất điểm
Trong thực tế, mục tiêu của bài toán lọc thường là tìm được lời giải cho hàm mật độ xác
suất hậu nghiệm
p(x0:t | y1:t ) , và từ đó đưa ra kỳ vọng của một hàm ft (x0:t ) như sau:
E[ ft (x0:t )]   ft (x0:t )p(x0:t | y1:t (3.45)

)dx0:t
Không giống như các phương pháp lọc đã được trình bày trước đó – là các phương pháp
dựa trên các phép toán giải tích, các phương pháp Monte Carlo dựa trên sự mô phỏng và xấp
xỉ các hàm mật độ và các tích phân bằng một tập các mẫu dữ liệu được sinh ra bởi chính các
hàm mật độ và các tích phân đó. Nói cách khác, chúng ta có thể mô phỏng hàm mật độ xác
suất hậu nghiệm | bằng cách lấy N điểm ngẫu nhiên ̅ ̅ ̅ ̅. Các mẫu
này được tạo ra từ hàm mật độ xác suất | , chính vì vậy ta có thể đưa ra công thức thực
nghiệm sau:
N
p(dx0:t 1
| )   (x0:t  0:t
(i) 1N (dx0:t (3.46)
 (i)
N i1 
N
y1:t x) )
x0:t
i1
Khi đó có thể dễ dàng xấp xỉ được kỳ vọng như sau:

E[ f (x )] 
1
 N (i) (3.47)
ft (x0:t )
t 0:t
 f (x
t 0:t ) p(dx0:t | y1:t N i1
)
89
Ta có thể nhận thấy cách tiếp cận này khá dễ dàng trong việc tính toán và ước lượng hàm
phân bố hậu nghiệm. Nhưng trong thực tế, chúng ta thường không có cách nào để tạo ra một
tập các mẫu ngẫu nhiên từ phân phối xác suất p(x0:t | y1:t ) , vì p(x0:t | y1:t ) trong trường hợp
tổng quát thường là hàm đa biến và không có dạng chuẩn nhất định.
90
Nhiều phương pháp tiếp cận đã được phát triển nhằm giải quyết nhược điểm này như là:
- Phương pháp hàm tích lũy xác suất nghịch đảo (Inversed CDF)
- Phương pháp lấy mẫu loại trừ (Rejection Sampling)
- Thuật toán Metropolis – Hastings (Metropolis – Hastings Algorithm)
- Phương pháp lấy mẫu quan trọng (Importance Sampling - IS)
Trong số các phương pháp trên thì phương pháp lấy mẫu quan trọng là phương pháp được
sử dụng trong bộ lọc chất điểm.
3.3.3. Lấy mẫu quan trọng (Importance Sampling [44])
Như đã nói ở trên, thông thường chúng ta rất khó có thể lấy mẫu trực tiếp từ hàm phân phối
xác suất hậu nghiệm. Thay vào đó chúng ta sẽ đưa ra một hàm phân phối đề xuất (Proposal
Distribution)  (x0:t | y1:t ) thay thế. Khi đó phương trình (3.45) sẽ tương đương với:
E[ f (x
)]
 f (x ) p(x0:t | y1:t )  | y )dx  )
f (x )w(x (x | y )dx (3.48)
(x
t 0:t
 t  | y1:t 0:t 1:t 0:t
 t 0:t 0:t 1:t 0:t
0:t (x0:t ) 0:t
Trong đó
w(x0:t ) được biểu thị bằng công thức sau:
w(x p(x0:t | y1:t ) p( y1:t | x0:t ) p(x0:t (3.49)

) 
)
0:t
 (x0:t | y1:t p( y1:t ) (x0:t | y1:t )
)
Dựa trên phương pháp Monte Carlo, nếu chúng ta chọn ra N mẫu {x(i),i  1,..., N}từ hàm
0:
phân phối  (x0:t | y1:t ) , khi đó một ước lượng của hàm phân phối trạng thái là:
t
E[ f (x N
)]  1 f (x(i))w(x(i)) (3.50)
t 0:t 0: 0:t
N i1 t t
Giả sử chúng ta gọi

w(x0:t ) là trọng số chưa được chuẩn hóa. Khi đó w(x0:t ) có thể được
biểu diễn như sau:
w(x p( y1:t | x0:t ) p(x0:t ) (3.51)
K 
)
hi đó ta có:
91
0:t

(
x
0:
t|
y
1:
t
)
92
E[ f (x )]
 f (x ) w(x0:t )  | y )dx  ft (x0:t )w(x0:t ) (x0:t | y1:t
)dx
 0:t
(3.52)
(x
t
 t p( y1:t
0:t 1:t 0:t
w(x0: ) | )dx0:t
0:t
) 
Nên 0:t (x0:t y1:t
1 N t
f (x (i) )w(x (i) )
 i1 t 0:
t 0:t N
E[ f (x )]  N   f (x (i))w(x (i)) (3.53)
t 0:t t
1 0: 0:t

N
w(x0:(i) i1 t
N ) t
Trong đó:
i1
w(x (i))
w t(i) 0:t N (3.54)
 i1 w(x0: )
(i)
t
Là trọng số được chuẩn hóa. Và khi đó, ta có biểu thức tương đương như sau:
w(i) (i)
t =Nw t (3.55)
Chính vì vậy hàm mật độ xác suất hậu nghiệm p(x0:t | y1:t ) có thể được xấp xỉ như sau:
0:t 1:t 0:t 1:t

 N t x( i )
0:t
p(dx | yˆ )  |y) w (i) (dx ) (3.56)
p (dx

0:
i t
1
Và kỳ vọng có thể được biểu diễn bằng:
E[ ft (x0:t )]  Eˆ [ ft (x0:t )]   ft (x0:t ) pˆ (dx0:t | (3.57)

y1:t )
Về nguyên tắc, phương pháp này là phương pháp lấy mẫu từ một hàm đề xuất đã được biết
trước và được gọi là phương pháp lấy mẫu quan trọng (Important Sampling). Như chúng ta đã
thấy thì phương pháp lấy mẫu quan trọng giải quyết việc ước lượng hàm phân phối xác suất
hậu nghiệm trong điều kiện hàm này khó có thể được đánh giá. Tuy nhiên một vấn đề trở ngại
gặp phải khi chúng ta làm việc với phương pháp này đó chính là dữ liệu y1: phải được thu
t
thập trước khi ước lượng

p(x0:t | y1:t ) , như vậy các trọng số sẽ phải được tính toán lại toàn bộ
mỗi khi có dữ liệu

yt1 mới. Để giải quyết vấn đề này, người ta đưa ra phương pháp lấy mẫu
quan trọng tuần tự. Với phương pháp này, khối lượng tính toán sẽ được giảm đi rất nhiều so
với phương pháp lấy mẫu quan trọng.
93
3.3.4. Thuật toán lấy mẫu quan trọng tuần tự (Sequential Important Sampling –
SIS [44, 54])
Để thực hiện thuật toán này một cách nội suy, chúng ta có thể nhận thấy rằng:
94
 (x0:t | y1:t )   (x0:t1 | y1:t1) (xt | x0:t1, (3.58)
y1:t )
Như vậy theo tính chất đệ quy ta có:

t
 (x0:t | y1:t )   (x0 ) (xk | x0:k 1, y1:k (3.59)

)
k 1
Dựa trên tính chất trên, ta có thể sinh ra một mẫu

x(i) ~  | y ) thông qua thủ tục đơn
(x
0:t 0:t 1:t
giản sau:
 Bƣớc 1: Sinh ra một x(i) ~  (x | x , y ) mới

t t 0:t1 1:t
 Bƣớc 2: Đặt

x0:t(i)  x (i , x (i )
0:t t

)
1
Từ đó, giá trị của trọng số cũng được tính toán một cách đệ quy như sau:
(i) p( y | x(i)) p(x(i)) p( y | x(i) ) p(x(i) | x(i) ) p( (i)

| x(i) ) p(x )
y
wt  1:t 0: 0:t
t t t (3.60)
)
0:t1 1:t1 0:t1 0:t1
 (x(i) | x(i ) t
) | (i , ) (i | )
,  (xt | x0:t1
(i )
 (x0:t1 1:t1
t 0:t1
1:t (x(i) 0:t1
1:t1 y ) 1:t y ) y
y
Nhận thấy:
(i)
(i ) p( | x(i) ) p(x )
y
wt1 
 1:t1 0:t1 0:t1 (3.61)
 (x(i) | y )
0:t1 1:t1
Nên:
(i) (i) p( | x(i) ) p(x(i) | x(i) )

y
w t  w t1 t t t 0:t1 (3.62)
 (x(i) | x(i) , y )
t 0:t1 1:t
Trong thực tế, chúng ta thường không muốn lưu lại thông tin về các đo đạc đã có trước
y1:t
1
và các thông tin về trạng thái của hệ thống trước đó (i)
x0:t nên hàm phân bố đề xuất chỉ
1
95
phụ thuộc vào trạng thái của hệ thống tại thời điểm t-1 và quan sát của hệ thống tai thời điểm t.
Từ đó ta có:
p( (i) (i) (i)

w(i) =w(i) y |) x ) p(x | x (3.63)
t t t t1
t t1  (x(i) | x (i), y )
opt t t1 t
96
Phương pháp mà trong đó các chất điểm được sinh ra tại các thời điểm một cách truy hối
trên nền tảng của phương pháp lấy mẫu quan trọng được gọi là phương pháp lấy mẫu quan
trọng tuần tự
Như vậy nhờ công thức trên chúng ta đã có thể ước lượng được hàm phân bố xác suất hậu
nghiệm một cách đệ quy, điều này giúp giảm mức độ phức tạp trong quá trình tính toán và nhờ
đó tiêu tốn ít năng lượng của hệ thống vào việc tính toán, kéo dài tuổi thọ của mạng cảm biến
do không phải tiêu hao năng lượng cho việc tính toán lại từ đầu. Ta có thể đưa ra thuật toán
lấy mẫu quan trọng tuần tự (SIS) như sau:
Thuật toán lấy mẫu quan trọng tuần tự (SIS) [54]
[{ } ] [{ } ]
 FOR i=1:N
o Sinh ra x(i) ~  (x | x(i) , y )
t t t1 t
o Tính theo w (i) công thức w(i) =w(i) p( | xt(i) ) p(xt (i) | xt1(i) )
y t
t t t1  (x(i) | x (i) , y )
opt t t1 t
 END FOR
 FOR i=1:N, chuẩn hóa trọng số của các mẫu
w(x(i))
w t(i ) t

N
i
w(xt(i))
1
 END FOR
Giả sử chúng ta có thể mô tả không gian trạng thái của một hệ thống thông qua các phương
trình sau:
1 25xk 1
x x   8cos(1.2k)+w (3.64)
2 k
k
2
k 1
1 k 1
x 1
y 
k x2  (3.65)
v
k
20
Trong đó, wk và vk lần lượt là nhiễu xử lý và nhiễu quan sát trong quá trình ước lượng. Để
đơn giản, trong mô phỏng này chúng ta coi các nhiễu này là nhiễu trắng tuân theo phân phối
Gauss chuẩn N (0,1) . Dễ dàng nhận thấy các phương trình hệ thống trên đều là các phương
97
trình phi tuyến. Quá trình mô phỏng được thực hiện trên Matlab với thời gian mô phỏng là 50s
98
Kết quả mô phỏng như sau:
 Ứng với số chất điểm N = 100:
Hình 3.3. Kết quả của thuật toán SIS ứng với N = 100 mẫu
99
Nhận xét: Qua các kết quả mô phỏng tương ứng với số lượng chất điểm N lần lượt là 100,
1000 và 5000, ta có thể rút ra một số nhận xét sau:
- So với kết quả theo vết thu được thông qua bộ lọc Kalman mở rộng, thì kết quả theo vết thu
được từ thuật toán SIS chính xác hơn rất nhiều.
- Tuy nhiên, bên cạnh đó từ kết quả thu được của thuật toán SIS ta cũng dễ dàng nhận thấy
rằng: số lượng các vị trí mà thuật toán SIS đưa ra kết quả ước lượng chưa chính xác còn
khá cao. Nguyên nhân chủ yếu của hiện tượng này là do thuật toán SIS gặp phải vấn đề
thoái hóa của các giá trị trọng số trong quá trình hoạt động hoạt động của nó như đã được
trình bày chi tiết ở những phần tiếp theo.
3.3.5. Vấn đề lựa chọn hàm mật độ đề xuất

Ta có thể dễ dàng nhận thấy rằng, để thuật toán hội tụ, chúng ta cần phải có một số lượng
mẫu rất lớn N , trong khi các hệ thống thực tế lại bị giới hạn về khả năng xử lý, điều
này càng đáng phải lưu tâm khi chúng ta làm việc với các hệ thống mạng cảm biến – vốn là
các hệ thống mạng bị giới hạn về tài nguyên.
Bên cạnh đó chúng ta cũng biết rằng các mẫu trong thuật toán SIS không thực sự được
100
sinh ra bởi hàm mật độ xác suất
p(x | y) mà là từ hàm mật độ xác suất  (x | y) . Như vậy
một cách trực quan, ta nhận thấy vị trí của các mẫu được sinh ra có vai trò quan trọng, ảnh
hưởng tới kết quả ước lượng, hay nói cách khác, hàm mật độ đề xuất được lựa chọn càng tốt
bao nhiêu thì kết quả ước lượng mà chúng ta nhận được càng tốt bấy nhiêu
Trong [44], chúng ta thường chọn hàm phân bố đề xuất chính là hàm phân bố trước (prior
distribution). Như vậy chúng ta sẽ có:
t
 (x0:t | y1:t )  p(x0:t )  p(x0 ) p(xk | xk

) (3.66)
1
k 1
3.3.6. Vấn đề thoái hóa mẫu và giải pháp lấy mẫu lại (Resampling)
Như đã được đề cập ở trên, trong khi phương pháp lấy mẫu quan trọng tuần tự có thể loại
bỏ các vấn đề liên quan nhờ thực hiện việc tính toán truy hồi, nhưng nó lại phát sinh một
nhược điểm ảnh hưởng quan trọng tới kết quả tính toán. Từ thực nghiệm người ta nhận thấy
rằng, sau một số lần lặp, một số các chất điểm sẽ có trọng số với độ lớn không đáng kể. Điều
này xảy ra là bởi vì phương sai của các trọng số tăng một cách ngẫu nhiên theo thời gian. Để
giải quyết vấn đề này người ta đưa ra thuật toán lấy mẫu lại (resampling). Ý tưởng chính của
phương thức này chính là: các mẫu mà trọng số có giá trị nhỏ sẽ được thay thế bởi các trọng
số có giá trị lớn. Khi đó thuật toán SIS được thay thế bởi thuật toán GPF (Generic Particle
Filter) [54] và SIR (Sequential Importance Resampling) [44, 54].
Tuy nhiên làm sao chúng ta biết khi nào cần phải thực hiện việc tái chọn mẫu?
Để làm được điều này, chúng ta đưa ra một đại lượng đo mới, gọi là kích thước mẫu hiệu
dụng (Effective Sample Size) ̂ Độ đo này cho phép chúng ta biết được số mẫu trong
thuật
toán có ảnh hưởng chủ yếu tới kết quả ước lượng và từ đó chúng ta biết được khi nào cần phải
thực hiện việc tái chọn mẫu trong thuật toán của mình.
̂ (3.67)
∑ ( )
101
Chú ý rằng ̂ , chỉ số này nhỏ có nghĩa là nguy cơ xảy ra hiện tượng thoái hóa mẫu
cao.
102
Thuật toán lấy mẫu lại được trình bày như sau:
Thuật toán lấy mẫu lại (Resampling Algorithm) [54]
[{ } ]
] [{ }
 Bắt đầu thuật toán.

 Khởi tạo hàm CDF: c1 = 0
 FOR i = 2 : N
o Xây dựng hàm CDF:
 END FOR
 i=1
 Lấy một điểm ngẫu nhiên u1 theo
 FOR
o
o WHILE

o END WHILE
o Gán mẫu:
o Gán trọng số:

o Gán
 END FOR
 Kết thúc thuật toán.
3.3.7. Thuật toán bộ lọc chất điểm tổng quát Generic Particle Filter – GPF [54]
Thuật toán Generic Particle Filter thực hiện tương tự thuật toán SIS, nhưng sau khi trải qua
các bước của SIS, thuật toán này kiểm tra xem có hiện tượng thoái hóa mẫu không, nếu có
thuật toán này dùng thuật toán lấy mẫu lại như trình bày ở trên để tiến hành lấy mẫu lại. Chi
tiết như sau:
[{ } ] [{ } ]
103
 Bắt đầu thuật toán.
 FOR
o Lấy mẫu |
p( y
o Tính toán các trọng số mới, , | x(i) ) p(x(i) | x(i) )
t
(i) (i)
w =w t1
t
t t
 (x(i) | x (i), y )
t1
opt t t1 t
(i)
o Chuẩn hóa trọng số: w t(i ) t w(x
 )
 N w(xt(i))
i
1
 END FOR
 Tính ̂ theo 3.67
 IF ̂
[{ } ] [{ } ]
 END IF
 Kết thúc.
3.3.8. Thuật toánlấy mẫu lại tuần tự quan trọng Sequential Importance
Resampling –SIR [44, 54]
Cũng với mục đích là giảm sự ảnh hưởng của hiện tượng thoái hóa mẫu và tăng khả năng
áp dụng bộ lọc chất điểm PF cho các ứng dụng khác nhau. SIR có thể thu được từ SIS như
sau:
- Hàm mật độ quan trọng | được thay bằng |
- Thực hiện thuật toán RESAMPLE trong tất cả các chu kỳ

lặp. Như vậy, việc cập nhật trọng số được thực hiện đơn giản như
sau:
| (3.68)
Nhưng do thực hiện lấy mẫu lại tại tất cả các lần lặp, nên vì vậy:
| (3.69)
Với cách thiết đặt này thì có thể nói SIR là dạng đơn giản nhất của bộ lọc chất điểm PF.
Chi tiết thuật toán SIR như sau:
104
Thuật toán lấy mẫu lại tuần tự quan trọng (SIR) [44, 54]
   t1 
 xt(i) , wt (i) N   SIR  xt1(i) , w , ty 
N
(i)
 i1   i1 
105
 FOR i=1:N
o Sinh ngẫu nhiên |
o Tính |
 END FOR
 FOR , chuẩn hóa trọng số của các mẫu
(i )
t(i) t w
w  N (i )
 i w t
1
 END FOR
 Tiến hành lấy mẫu lại theo thuật toán RESAMPLE

[{ } ]
] [{ }
 Kết thúc thuật toán
3.3.9. Mô phỏng thuật toán SIR
Quay trở lại bài toán theo vết mà chúng ta đã tiếp cận trước đó trong phần trên. Quá trình
mô phỏng sẽ lần lượt được thực hiện trên Matlab với thời gian mô phỏng là 50s và 150s. Kết
quả mô phỏng như sau:
 Ứng với số chất điểm N = 100, thời gian mô phỏng t = 50s:
Hình 3.6. Kết quả thuật toán SIR ứng với N = 100, t = 50s
106
107
108
Nhận xét:
- Trong kết quả mô phỏng, các điểm màu đỏ biểu diễn vị trí thật của đối tượng tại thời điểm
t, kết quả theo vết sử dụng thuật toán bộ lọc chất điểm và thuật toán bộ lọc Kalman mở
rộng lần lượt có màu xanh dương và màu xanh lục
- So với thuật toán bộ lọc Kalman mở rộng – được sử dụng nhằm khắc phục những nhược
điểm của bộ lọc Kalman truyền thống trong việc giải quyết các bài toán mà hệ thống là phi
tuyến và nhiễu tuân theo hàm phân phối phi Gaussian – thì thuật toán bộ lọc chất điểm cho
kết quả tốt hơn rất nhiều, điều này thể hiện bằng việc: số lượng các điểm màu đỏ được bộ
lọc chất điểm bám theo khá chính xác
- Khi số chất điểm tăng dường như kết quả theo vết của bộ lọc chất điểm càng tốt hơn. Điều
này sẽ được chứng minh trong các kết quả mô phỏng tiếp theo
So sánh sai số căn quân phương RMS của SIS và SIR:
109
Hình 3.12. So sánh mức độ sai lệch trong việc giải quyết bài toán theo vết của hai thuật toán SIS và
SIR
Nhận xét:
- Trong bảng kết quả mô phỏng trên, đường với hình chữ nhật biểu diễn kết quả theo vết của
thuật toán SIR còn đường với hình thoi biểu diễn kết quả theo vết của thuật toán SIS
- Rõ ràng ta nhận thấy, kết quả theo vết của thuật toán SIR tốt hơn hẳn so với kết quả theo
vết của thuật toán SIS, điều này được thể hiện rõ ràng bởi tỷ lệ lỗi RMS của SIS cao hơi
SIR đáng kể
So sánh sai số căn quân phương RMS của thuật toán bộ lọc Kalman và bộ lọc chất điểm
Hình 3.13. So sánh lỗi RMS của thuật toán Kalman và bộ lọc chất điểm với N = 100
110
 Ứng với số chất điểm N = 1000
 Ứng với số chất điểm N = 5000
Nhận xét:
- Trong kết quả mô phỏng, cột để trắng biểu thị lỗi RMS của thuật toán bộ lọc chất điểm,
màu còn lại biểu thị lỗi RMS của thuật toán bộ lọc Kalman
- Kết quả theo vết sử dụng bộ lọc chất điểm đối với hệ thống phi tuyến này tỏ ra vượt trội
hơn hẳn về hiệu quả theo vết, điều này được chứng minh bằng sự cách biệt rất rõ về lỗi
RMS của 2 thuật toán này
111
So sánh sai số căn quân phương RMS của thuật toán bộ lọc chất điểm khi giá trị N thay
đổi:
 Ứng với số chất điểm

N1  100 N2  1000
và
Hình 3.16. So sánh lỗi của thuật toán bộ lọc chất điểm khi N1 = 100 và N2 = 1000
 Ứng với số chất điểm N  1000 N2  5000 :

1
và
Hình 3.17. So sánh lỗi của thuật toán bộ lọc chất điểm khi N1 = 1000 và N2 = 5000
Nhận xét:
- Thông qua các kết quả mô phỏng trên, ta nhận thấy rằng: khi chúng ta tăng số lượng chất
điểm lên thì kết quả theo vết thu được sẽ chính xác hơn
- Tuy nhiên, mức độ khác biệt này là không nhiều
- Khi tăng số lượng chất điểm lên, đòi hỏi quá trình xử lý lâu hơn, tiêu tốn nhiều tài nguyên
của hệ thống hơn. Chính vì vậy cần phải cân nhắc để đảm bảo sự cân bằng về hiệu quả và
112
chi phí vận hành
113
3.4. Ứng dụng giám sát đối tượng trong mạng cảm biến không dây
sử dụng bộ lọc chất điểm PF
Giám sát đối tượng là một trong nhiều ứng dụng quan trọng trong mạng cảm biến không
dây. Trong ứng dụng này, các kỹ thuật ước lượng và dự đoán thường được sử dụng để xác
định trạng thái và vị trí của một đối tượng không xác định. Bộ lọc Kalman (KF) và các tối ưu
của nó là các phương thức đã được biết đến nhằm giải quyết các vấn đề này. Tuy nhiên, bộ lọc
Kalman gốc chỉ có thể làm việc với hệ thống tuyến tính và Gaussian. Các tác giả trong [54]
chứng minh rằng không có thuật toán nào có thể làm tốt hơn bộ lọc Kalman trong môi trường
tuyến tính và Gaussian. Mặc dù bộ lọc Kalman mở rộng EKF, một phiên bản phi tuyến của bộ
lọc Kalman có thể sử dụng cho việc ước lượng trạng thái phi tuyến phi Gaussian, bộ lọc
Kalman vẫn cho kết quả không tốt trong môi trường phi tuyến. Lý do là bộ lọc Kalman mở
rộng EKF sử dụng chuỗi Taylor để xấp xỉ như là một giải pháp tối ưu bằng cách làm nhỏ nhất
lỗi hiệp phương sai được ước lượng. Khi các phương trình trở lên quá phức tạp, khai triển
Taylor sẽ cho kết quả sai. Thậm chí nếu là nhiễu Gaussian, hiệu năng của bộ lọc chất điểm PF
cao hơn nhiều so với bộ lọc Kalman mở rộng chuẩn [55]. Trong thực tế, hầu hết các ứng dụng
theo vết đối tượng là các hệ thống phi tuyến và/ hoặc phi Gaussian tự động. Do đó bộ lọc chất
điểm PF thường được sử dụng để xấp xỉ các giải pháp tối ưu cho các hệ thống tự động này.
3.4.1. Mô hình hóa bài toán
Bài toán được đặt ra là giám sát đối tượng di chuyển trong mạng cảm biến không dây. Giả
sử đối tượng sẽ di chuyển với vận tốc trong khảng với hướng di chuyển là bất kỳ, không
biết trước. Yêu cầu xác định vị trí của đối tượng, giảm tối đa trễ và kéo dài tối đa thời gian
sống của mạng. Các mô hình được sử dụng:
- Mô hình di chuyển của đối tượng: Như đã đề cập ở trên, giả thiết đối tượng có thể di
chuyển theo hướng bất kỳ, nhưng tốc độ di chuyển không quá nhanh. Đồng thời đối tượng
có thể xuất hiện ở bất cứ đâu trong mạng. Do tính chất di chuyển ngẫu nhiên và không theo
quy luật nên rất khó có thể dùng một phương trình nào diễn tả một cách chính xác sự di
chuyển của mục tiêu. Tuy nhiên, PF không đòi hỏi phải miêu tả chi tiết phương trình này.
Cũng có một khó khăn là: tuy không miêu cả một cách chính xác được hành vi di chuyển
của đối tượng, nhưng trong một khoảng thời gian ngắn ta coi đối tượng di chuyển thẳng.
mục đích là để phục vụ cho việc thực hiện lan truyền các chất điểm trong thuật toán PF, vấn
114
đề này được trình bày ở phần sau.
- Mô hình đo lường: Để mô hình hóa mô hình cảm biến của nút cảm biến, giả sử giá trị đo
lường là khoảng cách giữa vị trí được cho là của mục tiêu tại thời điểm cảm biến và vị trí
của nút cảm biến thực hiện phép đo. Mô hình cảm biến này phù hợp với nhiều ứng dụng
trong thực tế. Các giá trị đo lường được giả thiết là có nhiễu. Nhiễu đo lường là nhiễu bất
kỳ và có thể phi Gaussian.
- Mô hình hóa bài toán giám sát mục tiêu: Một số ký hiệu sử dụng để mô tả phương pháp
thực hiện: { } là tập tất cả các đo lường thu được tại thời điểm t, là đo
lường thu được tại nút cảm biến thứ i trong tập n nút cảm biến. Thời điểm khởi tạo, từ tập
tính ra trạng thái cho mục tiêu. Kèm theo đó lấy ra tập N hạt theo phân bố p(x0), cũng
dựa theo phân bố này tính toán giá trị trọng số cho từng hạt. Tiếp theo là bước chuẩn hóa
trọng số, và cuối cùng là quá trình quảng bá chất điểm vừa tạo là kết thúc bước khởi tạo PF.
Trong các bước lặp tiếp theo, hệ thống sẽ lần lượt thực hiện các bước Dự đoán và Cập nhật
để giám sát đối tượng.
3.4.2. Đề xuất phƣơng pháp thực hiện bộ lọc chất điểm
PF có ba pha cơ bản sau: Khởi tạo N chất điểm, lan truyền chất điểm và tính toán trọng số
mới (cập nhật trọng số). Chi tiết hoạt động của các pha được trình bày trong chi tiết trong phần
này.
3.4.2.1. Pha khởi tạo N chất điểm

Trong [56] các tác giả đã lấy chính vị trí các nút mạng làm vị trí các chất điểm. Luận án sử
dụng một thuật ngữ mới Particle Cloud – đám mây chất điểm là vùng được xác định bởi N chất
điểm. Ý tưởng là chúng ta đưa ra trạng thái vị trí x0, trạng thái ước lượng ̂ và đám mây chất
điểm Particle Cloud từ tập thông tin đầu tiên đo đạc được. Vị trí ước lượng ̂ được xác định
bằng giá trị được biểu diễn cho nút cảm biến. Với khoảng cách xa hơn từ nút cảm biến tới
đích, giá trị thấp được biểu diễn cho các nút này. Sở dĩ ở đây sử dụng thuật ngữ đám mây chất
điểm vì mong muốn các chất điểm sẽ phủ kín vị trí ̂ vừa tính ra, và thông qua các bước lan
truyền chất điểm, đám mây này sẽ luôn bao phủ tốt vị trí thực của mục tiêu, qua đó kết quả
ước lượng sẽ càng chính xác. Sử dụng một phân phối xác suất thống kê để tạo ra đám mây
chất điểm, và kèm theo đó là khởi tạo trọng số cho các chất điểm này. Cách làm này được
115
đánh giá là khá đơn giản và có thể chủ động thay đổi cấu trúc của đám mây chất điểm để tìm
phương án tối ưu nhất.
3.4.2.2. Pha lan truyền chất điểm

Trong [56] các tác giả có giới thiệu về phương pháp lan truyền chất điểm. Cách thực hiện
này quá phức tạp, đòi hỏi khối lượng truyền thông và tính toán lớn. Do vậy, luận án đề xuất
mộtkỹ thuật lan truyền chất điểm dựa theo lý thuyết SIS là sử dụng hàm |..............Từ
hàm | ta tính ra một vector độ dời ⃗. Việc lan truyền chất điểm lúc này tương
đương với việc di chuyển đám mây chất điểm theo vector ⃗ . Do vậy cách lấy mẫu
| là rất phù hợp cho WSN. Do đặc tính di chuyển ngẫu nhiêu của đối
tượng, nếu không sử dụng đo lường mới nhất thì rất khó để quá trình lan truyền chất điểm
diễn ra hoàn hảo. Thuật toán lan truyền đám mây chất điểm đề xuất được trình bày trong thuật
toán dưới đây. Trong thuật toán này, đám mây chất điểm được lan truyền dựa trên
hàm
| ..............Sau đó tìm vận tốc ⃗ và sử dụng hàm propa_function() để quảng bá chất điểm.
Và qua cách làm này, hai bước có thể được hoàn thành: lấy mẫu và quảng bá trọng số
. Hình 3.18 cho thấy sự quảng bá chất điểm ở bước lặp t. Trong hình vẽ, vòng tròn xám
nhỏ thể hiện các chất điểm, ô vuông là các vị trí của đối tượng ở vòng lặp t-1 và t, vòng tròn
với S1, S2, S3,… biểu thị các nút cảm biến. Ở thời điểm t, khi đối tượng di chuyển đến vị trí
mới với vận tốc là ⃗ thì đám mây chất điểm cũng di chuyển đến vị trí mới với vận tốc ⃗ tương
ứng. Ở bước 2.1 của thuật toán, hàm propa_function() là hàm quảng bá chất điểm.
Thuật toán quảng bá đám mây chất điểm tại bƣớc nhảy thời gian t
Vào: { ̅ } { }
Ra: { }
1. Tìm vector quảng bá ⃗
1.1.
1.2. Chuẩn hóa ̅̅̅ ̅
116
1.3. Tính ̇ ∑ ̅̅̅ ̅
1.4. Vector quảng quá chất điểm: ⃗ ̇ ̂
2. For
2.1. ⃗
2.2. ̅
3. Kết thúc
Hình 3.18. Ví dụ về lan truyền đám mây chất điểm
3.4.2.3. Pha tính toán trọng số

Công việc tiếp theo của lan truyền chất điểm là việc tính toán trọng số mới cho các chất
điểm. Sử dụngcông thức (3.68), sau khi thực hiện xong bước lan truyền chất điểm, ta có liên
kết và . Công việc còn lại là tính toán hàm......................Cách thực hiện như sau:
(|) ∏ (3.70)
|
Trong đó ( | ) , là hàm phi tuyến của giá trị
| | và trong hầu hết giá trị của diff, và diff chuyển đổi cho nhau. Trong nhiều
117
nghiên cứu, được chọn là Gaussian. Nhưng trong thực tế, rất khó để xác định hàm đo nhiễu
một cách tường minh. Do đó, luận án xây dựng lại như sau:
(3.71)
{
Với việc điều chỉnh giá trị của các thông số c1, c2 hoặc Thresh, sẽ cho giá trị tốt
nhất.
Phương pháp tối ưu này được thực hiện trên 3 thuật toán bộ lọc chất điểm là SIS, GPF và
SIR. Luận án mô phỏng 3 trường hợp tối ưu đề xuất của bộ lọc chất điểm PF (SIS, SIR và
GPF) và so sánh các kết quả với kỹ thuật SIS-Dis đã được sử dụng ở [56]. Các kết quả được
trình bày như dưới đây.
3.4.2.4. Kết quả mô phỏng

Thông số mô phỏng:
- Kích thước mạng: 400x400 (m).
- Số lượng nút mạng: 400 nút.
- Băng thông kênh truyền: 250kbps.
- Chu kỳ lấy mẫu: 0.5s.
- Cự ly cảm biến: 30m.
- Cự ly truyền thông: 50m.
- Mục tiêu có quỹ đạo di chuyển bất kỳ, tốc độ di chuyển không quá nhanh.
Các thông số bộ lọc chất điểm (PF):
- Kích thước tập chất điểm: 41.

- Các thuật toán đưa ra so sánh: SIS, GPF, SIR, SIS-Dis.
Kết quả thu được:
Hình 3.19 thể hiện ước lượng tuyến đường với 3 thuật toán tối ưu đề xuất SIS, GPF và SIR
và thuật toán SIS-Dis. Kết quả đồ thị cho thấy, các phương thức đề xuất SIS, GPF, SIR cho
kết quả tốt hơn phương thức bộ lọc chất điểm phân tán SIS-Dis. Có được kết quả này là do
phương pháp mới đã tăng kích thước của tập chất điểm. Kích thước của tập này lớn hơn số đo
118
đạc nhận được trong một chu kỳ theo dõi.
Hình 3.19. Ước lượng đường đi của đối tượng thực hiện với các thuật toán SIS, GPF, SIR, SIS-Dis
Hình 3.20. Trễ đầu cuối khi mô phỏng các thuật toán theo thời gian
119
Hình 3.20 thể hiện trễ của các thuật toán theo thời gian. Từ kết quả đồ thị ta thấy trễ của tất
cả các thuật toán bộ lọc chất điểm đều tốt và gần như nhau. Giá trị trung bình của trễ đều bé
hơn 0.5s.
Hình 3.21. Độ chính xác ước lượng của các thuật toán SIS, GPF, SIR và SIS-Dis khi mô phỏng theo
thời gian
Hình 3.21 thể hiện độ chính xác ước lượng của các thuật toán khi mô phỏng theo thời gian.
Các kết quả cho thấy các thuật toán đề xuất SIS, GPF, SIR có khả năng ước lượng cho độ
chính xác cao, ổn định hơn thuật toán SIS-Dis.
Các kết quả mô phỏng trên cho thấy, cách thức thực hiện thuật toán bộ lọc chất điểm mới
trên thuật toán SIS, GPF, SIR cho kết quả ước lượng tốt hơn cách thức đã được đề xuất trước
đây SIS-Dis trong khi độ trễ vẫn đảm bảo. Và phương thức đề xuất mới có cách thực hiện đơn
giản hơn, dễ dàng được áp dụng vào mạng cảm biến không dây trong triển khai thực tế khi so
sánh với cách thức SIS-Dis đã được đề xuất.
3.5. Đề xuất mô hình giám sát theo vùng

Cơ chế giám sát theo vùng dựa trên kết quả dự đoán đường đi của đối tượng theo thuật toán
tìm vết sẽ tiến hành bật một vùng với số lượng nút cảm biến tối thiểu để có thể theo dõi đối
tượng, do đó, phương pháp này giúp ta giảm bớt sự tiêu tốn năng lượng trên toàn mạng cũng
như thời gian sống của mạng cảm biến do không cần bật toàn bộ các nút cảm biến. Thuật toán
tìm vết có thể sử dụng là Kalman, Kalman mở rộng hay Particle Filter như đã trình bày ở trên.
120
Trong ứng dụng này, luận án sử dụng thuật toán bộ lọc chất điểm Particle Filter để dự đoán
đường đi của đối tượng. Giao thức sử dụng để tập trung dữ liệu các nút cảm biến là giao thức
LEACH-C đã trình bày trong [2]. Dữ liệu được truyền từ các nút cảm biến theo đa chặng về
trạm điều khiển sử dụng các giao thức định tuyến không dây đa chặng đã đề xuất ở phần trên.
Các bước hoạt động của cơ chế giám sát theo vùng như sau:
Bƣớc 1: Tại thời điểm bắt đầu hoạt động, tất cả các nút cảm biến đều ở trạng thái nghỉ (idle
status). Sau khi nhận được bản tin ADV bao gồm thông tin về vị trí vùng cần bật để theo dõi
đối tượng từ trạm gốc (Base Stationn – BS), các nút sẽ kiểm tra vị trí hiện tại của mình và vị
trí vùng cần giám sát, nếu thuộc vùng giám sát, nút sẽ tiến hành chuyển sang trạng thái bật
(alive status), ngược lại, nếu không thuộc vùng giám sát, nút sẽ giữ nguyên trạng thái nghỉ
(idle status). Sau khi chuyển trạng thái, nút sẽ gửi bản tin STATUS về BS với các thông tin về
vị trí, năng lượng hiện tại và tỉ số năng lượng trên khoảng cách đến BS.
Bƣớc 2: BS sau khi nhận đủ số lượng bản tin STATUS tương ứng với số nút trong vùng
giám sát sẽ tiến hành việc chia nhỏ vùng giám sát thành các cụm nhỏ hơn (cluster), chọn nút
chủ (cluster head) cho từng cụm. Tiêu chí chọn cụm chủ sẽ dựa vào tỉ sốnăng lượng nút trên
khoảng cách đến BS, nút có tỉ số lớn nhất trong cụm sẽ được chọn làm nút chủ của cụm tương
ứng. Sau khi tiến hành chia cụm và bầu chọn nút chủ tương ứng, BS gửi broadcast bản tin
CLUSTERHEAD cho toàn bộ các nút trong vùng giám sát bao gồm các thông tin về số thứ tự
cụm (Cluster ID), thông tin về nút chủ (Cluster Head ID) và số lượng các nút trong cụm.
Bƣớc 3: Sau khi nhận được bản tin CLUSTERHEAD do BS gửi tới, các nút sẽ kiểm tra
thông tin của chính nó với thông tin tương ứng của bản tin CLUSTERHEADMESSAGE và
đưa ra các xử lí phù hợp, có 2 trường hợp xảy ra như sau:
- Nếu nút là nút chủ của cụm, nút sẽ gửi broadcast bản tin TDMA cho tất cả các nút trong
cụm tương ứng. Bản tin TDMA sẽ chứa thông tin về các khe thời gian tương ứng cho từng
nút trong cụm để các nút trong cụm có thể gửi dữ liệu về nút chủ theo đúng khe thời gian
của mình với mục đích tránh đụng độ trên mạng.
- Nếu nút không phải nút chủ của cụm, tức là nút thành viên, lúc này nút sẽ đợi nút chủ trong
cụm gửi bản tin TDMA cho mình. Sau khi nhận được bản tin TDMA, nút sẽ tìm thông tin
về khe thời gian tương ứng của mình và tiến hành gửi bản tin DATA2CH bao gồm dữ liệu
121
thực cảm biến được về nút chủ theo đúng khe thời gian của mình.
Bƣớc 4: Sau khi các nút chủ nhận được đủ số lượng bản tin DATA2CH tương ứng với số
lượng nút trong cụm tương ứng, nút chủ sẽ tiến hành tổng hợp dữ liệu từ các bản tin
DATA2CH nhận được thành 1 bản tin DATA2BS bao gồm toàn bộ thông tin cảm biến của tất
cả các nút trong cụm, có thể gọi đây chính là bản tin chứa dữ liệu cảm biến của một cụm. Sau
đó, nút chủ sẽ gửi bản tin DATA2BS tới BS.
Bƣớc 5: BS sau khi nhận đủ số lượng bản tin DATA2BS tương ứng với số cụm đã chia
trong bước 2 sẽ tiến hành tính toán dự đoán hướng đi tiếp theo của đối tượng theo thuật toán
dự đoán, và sẽ đưa ra quyết định về vị trí của vùng giám sát cho vòng tiếp theo. Sau khi tính
toán xong, BS gửi broadcast bản tin ADV cho toàn bộ các nút trong mạng để thông báo về vị
trí vùng giám sát mới. Lúc này, hoạt động mạng đã kết thúc một vòng, các bước hoạt động lặp
lại từ bước 1 sẽ bắt đầu một vòng mới.
Hình 3.22. Ví dụ ứng dụng giám sát theo vùng
122
Hình 3.22 là ví dụ ứng dụng giám sát theo vùng.Mô hình này gồm các nút cảm biến, đối
tượng di chuyển và một nút trạm. Đối tượng được biểu diễn bởi hình ngôi sao trong hình vẽ.
Đối tượng di chuyển từ bên trái vào và di chuyển trong vùng cảm biến theo chiều mũi tên. Các
vòng tròn là các vùng cảm biến giám sát. Trong mô hình này, khi đối tượng di chuyển đến
đâu, các nút cảm biến trong vùng giám sát xung quanh đối tượng sẽ được bất để thu thập
thông tin về đối tượng, chúng tập trung dữ liệu và gửi về trạm điều khiển. Từ các thông tin
nhận được, trạm điều khiển chạy thuật toán dự đoán, dự đoán vị trí tiếp theo của đối tượng sau
đó điều khiển bật các nút cảm biến xung quanh vùng vừa dự đoán, tắt các nút còn lại. Trong ví
dụ này, tại một thời điểm chỉ có các nút trong vùng giám sát hoạt động thu thập thông tin, còn
các nút khác ở trạng thái nghỉ, chỉ tham gia chuyển tiếp bản tin đến đích thông qua các giao
thức định tuyến đa chặng. Từ hình 3.22 ta thấy số lượng nút cảm biến hoạt động là rất nhỏ so
với toàn mạng. Do đó giảm thiểu được năng lượng tiêu thụ trên toàn mạng, giúp kéo dài thời
gian sống của mạng. Ngoài ra, khi thu thập thông tin về đối tượng, chỉ các nút trong vùng
giám sát cảm biến và gửi thông tin cho trạm điều khiển, do đó giúp giảm thiểu số lượng bản
tin gửi về trạm trong khi vẫn cung cấp đủ thông tin về đối tượng. Tuy nhiên, trong một vài
trường hợp khách quan, đối tượng đi vào vùng không có nút cảm biến, hoặc thông tin về đối
tượng bị sai, dẫn đến việc dự đoán đối tượng bị sai. Lúc này trạm điểu khiển sẽ điều khiển bật
vùng giám sát không chính xác, làm mất thông tin của đối tượng trong thời gian ngắn. Khi gặp
những trường hợp mất dấu đối tượng, trạm điều khiển buộc phải điều khiển bật toàn bộ nút
cảm biến để lấy lại thông tin đối tượng, sau đó mới lại tiếp tục điều khiển giám sát theo vùng
như đã định.
3.6. Mô hình giám sát toàn mạng
Trong mô hình giám sát toàn mạng, không có cơ chế dự đoán vị trí đối tượng rồi bật nút
cảm ứng tương ứng. Tất cả các nút trong mạng sẽ luôn ở trạng thái bật (alive) để cảm biến thu
thập thông tin gửi về trạm. Dẫn đến việc lãng phí năng lượng, làm cho thời gian sống của
mạng giảm nhanh. Các bước hoạt động của cơ chế giám sát toàn mạng hoàn toàn giống với cơ
chế giám sát theo vùng, do cùng sử dụng giao thức LEACH-C để tập trung dữ liệu, chỉ khác
nhau về kích thước vùng giám sát.
Hình 3.23 là ví dụ ứng dụng giám sát toàn mạng. Mô hình này gồm các nút cảm biến, đối
tượng di chuyển và một nút trạm. Đối tượng được biểu diễn bởi hình ngôi sao trong hình vẽ.
123
Đối tượng di chuyển từ bên trái vào và di chuyển trong vùng cảm biến theo chiều mũi tên
giống như ví dụ giám sát vùng trên hình 3.22. Trong ví dụ này, khi đối tượng di chuyển, tất cả
các nút cảm biến đều hoạt động, thu thập thông tin và gửi về trạm. Trạm nhận được các thông
tin này sẽ xử lý và đưa ra các thông tin về đối tượng theo yêu cầu của mục đích theo dõi. Ví dụ
như vị trí hiện tại của đối tượng, trạng thái của đối tượng… và không phân tích dự đoán vị trí
tiếp theo, không điều khiển bật tắt đối tượng như ví dụ 3.22. Do đó trong suốt quá trình hoạt
động, tất cả các nút dù có ở gần đối tượng hay không cũng đều hoạt động và gửi thông tin về
trạm, điều này gây ra tiêu tốn năng lượng trên toàn mạng và tồn tại các bản tin dư thừa tại trạm
điều khiển.
Hình 3.23.Ví dụ ứng dụng giám sát theo toàn bộ mạng
Từ hai ví dụ 3.22 và 3.23 ta thấy rõ hiệu quả sử dụng năng lượng khi dùng mô hình giám
sát theo vùng. Khi số nút mạng càng tăng thì hiệu quả này càng lớn do số lượng các nút được
thiết lập ở trạng thái nghỉ lớn. Các mô phỏng cụ thể dưới đây sẽ làm rõ nhận xét này.
124
3.7. Mô phỏng và đánh giá kết quả
Thực hiện mô phỏng so sánh haiứng dụng giám sát theo vùng và giám sát toàn mạng trên
công cụ mô phỏng NS2. Trong kịch bản mô phỏng này, một số thông tin về mô hình mạng
như sau:
Hình 3.24 tương tự như ví dụ 3.22 và 3.23 biểu diễn mô hình mạng cảm biến được sử dụng
trong mô phỏng đánh giá kết quả. Mô hình này gồm các nút cảm biến, đối tượng di chuyển và
một nút trạm. Đối tượng được biểu diễn bởi hình ngôi sao trong hình vẽ. Đối tượng di chuyển
từ bên trái vào và di chuyển trong vùng cảm biến.
Hình 3.24. Mô hình mô phỏng ứng dụng giám sát vùng và giám sát toàn mạng
125
Các thông số mô phỏng khác:
Bảng 3.2. Thông số mô phỏng ứng dụng giám sát theo vùng và giám sát toàn mạng

Kích thước mạng 1000m x1000m
Số lượng nút cảm biến 100 và 150 nút
Bán kính cảm biến 250m
Khoảng cách giữa các nút cảm biến Ngẫu nhiên
Năng lượng ban đầu cho các nút 120J
Thời gian mô phỏng 150s
Mô phỏng 1: Vùng giám sát gồm 100 nút cảm biến, đối tượng di chuyển với tốc độ chậm
Sau khi thực hiện mô phỏng các trường hợp giám sát theo vùng và giám sát toàn bộ mạng
với các giao thức đã có và đề xuất, ta có các kết quả so sánh sau:
120
Giám sát toàn mạng
100
Giám sát theo vùng
80
Thời gian (s)
60
40
20
0
AODV ERS EERS ABR RDC
Giao thức định tuyến
Hình 3.25. Đồ thị so sánh thời gian sống của mạng khi sử dụng mô hình giám sát toàn mạng và
giám sát theo vùng với các giao thức định tuyến khác nhau mô phỏng 1
126
1600
1400
Lƣợng dữ liệu gửi về trạm (kbps)
1200
1000
800
600
400
200
0
Hình 3.26. Đồ thị so sánh lượng dữ liệu gửi về trạmtrong mạng khi sử dụng mô hình giám sát
toàn mạng và giám sát theo vùng với các giao thức định tuyến khác nhau mô phỏng 1
Mô phỏng 2: Vùng giám sát gồm 150 nút cảm biến, đối tượng di chuyển với tốc độ chậm.
với các giao thức đã có và đề xuất, ta có các kết quả so sánh sau:
160
140 Giám sát toàn mạng
120 Giám sát theo vùng
Thời gian (s)
100
80
60
40
20
0
127
7000

5000
4000
3000
2000
1000
0
Hình 3.28. Đồ thị so sánh lượng dữ liệu gửi về trạm trong mạng khi sử dụng mô hình giám sát
Mô phỏng 3: Vùng giám sát gồm 100 nút cảm biến, đối tượng di chuyển với tốc độ nhanh
hơn hai mô phỏng trước.
với các giao thức đề xuất, ta có các kết quả so sánh sau:
120
100
80
Thời gian (s)
60
40
20
0
128
1400

1200
1000
800
600
400
200
0
Mô phỏng 4: Vùng giám sát gồm 150 nút cảm biến, đối tượng di chuyển với tốc độ nhanh
hơn mô phỏng 1 và 2.
với các giao thức đề xuất, ta có các kết quả so sánh sau:
140
120 Giám sát toàn mạng

100
Thời gian (s)
80
60
40
20
0
129
6000

4000
3000
2000
1000
0
Hình 3.25, 3.27, 3.29 và 3.31 là các đồ thị so sánh thời gian sống của mạng trong các
trường hợp mạng có 100 nút, 150 nút với vận tốc di chuyển của đối tượng khác nhau. Đường
đánh dấu với các ô vuông biểu diễn kết quả trong trường hợp giám sát theo vùng, đường đánh
dấu với hình thoi biểu diễn kết quả trong trường hợp giám sát toàn mạng. Nhìn vào đồ thị ta có
thể dễ dàng nhận thấy, thời gian sống của mạng trong trường hợp giám sát theo vùng cao hơn
hẳn so với trường hợp giám sát theo toàn bộ mạng. Nguyên nhân dẫn đến kết quả này là do
trong trường hợp giám sát theo vùng, những nút không thuộc vùng giám sát sẽ ở trạng thái
nghỉ, tức là chúng sẽ không mất năng lượng cho việc cảm biến đối tượng, do đó sẽ tiết kiệm
được rất nhiều năng lượng so với lúc ở trạng thái bật như trong trường hợp giám sát toàn bộ
mạng.
Trong cùng một ứng dụng giám sát theo vùng hay giám sát toàn mạng, khi sử dụng các
thuật toán tiết kiệm năng lượng đề xuất như RDC, ABR đều cho kết quả sử dụng năng lượng
hiệu quả hơn các giao thức truyền thống AODV hay ERS. Xu hướng đồ thị trong các hình
3.25, 3.27, 3.29 và 3.31 đều đi lên khi sử dụng các giao thức đề xuất. Điều này cho thấy ứng
dụng giám sát đối tượng theo vùng kết hợp với giao thức định tuyến tiết kiệm năng lượng đề
xuất cho ta một giải pháp tiết kiệm năng lượng tối ưu hơn trong ứng dụng giám sát của mạng
130
cảm biến.
Và cũng từ kết quả trên ta thấy, khi số lượng nút cảm tăng lên thì khả năng cân bằng tải
giữa các nút tốt hơn giúp cho thời gian hoạt động của mạng tốt hơn. Các mô phỏng 2 và 4 cho
kết quả thời gian sống tốt hơn mô phỏng 1 và 3.
Hình 3.26, 3.28, 3.30 và 3.32 là các đồ thị biểu diễn lưu lượng dữ liệu trong mạng. Đường
đánh dấu với các ô hình thoi thể hiện lưu lượng trong trường hợp giám sát toàn mạng, đường
đánh dấu với các ô hình vuông thể hiện lưu lượng trong trường hợp giám sát theo vùng. Ta có
thể nhận thấy lưu lượng dữ liệu trên mạng trong trường hợp giám sát theo vùng thấp hơn rất
nhiều so với trường hợp giám sát toàn mạng. Sự giảm thiểu lưu lượng dữ liệu trên mạng khi sử
dụng giám sát theo vùng giúp giảm thiểu bản tin dư thừa về trạm, giúp các nút cảm biến hạn
chế xử lý các bản tin dư thừa, từ đó tiết kiệm năng lượng, nâng cao tuổi thọ của mạng và thiết
bị. Lí do dẫn đến kết quả này là do trong trường hợp giám sát theo vùng, những nút ở chế độ
nghỉ sẽ không thực hiện việc cảm biến, do đó dữ liệu gửi về BS cũng ít đi và chỉ bao gồm dữ
liệu của các nút trong vùng giám sát, ngược lại, ở trường hợp giám sát toàn mạng, tất cả các
nút đều thực hiện cảm biến và gửi dữ liệu về trạm.
3.8. Kết luận
Từ các kết quả mô phỏng trên, chúng ta nhận thấy sự vượt trội về hiệu suất sử dụng của
mạng cảm biến trong trường hợp giám sát theo vùng so với trường hợp giám sát toàn mạng.
Trường hợp giám sát theo vùng đã tối ưu được tham số năng lượng và thời gian sống, giảm
thiểu số bản tin dư thừa trong mạng, góp phần nâng cao độ ổn định trong hoạt động của mạng
đồng thời vẫn đảm bảo đầy đủ thông tin về đối tượng được cảm biến.
131
KẾT LUẬN CHUNG
1. Các đóng góp mới
Luận án đã nghiên cứu và đề xuất một số giao thức định tuyến đa chặng tiết kiệm năng
lượng trong mạng cảm biến không dây bằng cách giảm thiểu số bản tin định tuyến, sử dụng
năng lượng còn lại của nút cảm biến,sử dụng điều khiển công suất trong quá trình tìm đường.
Các kết quả mô phỏng cho thấy các giao thức đề xuất đều thu được kết quả tiết kiệm năng
lượng và thông lượng mong muốn, trong khi các thông số khác như tỷ lệ mất gói, độ trễ không
bị ảnh hưởng. Luận án cũng đề xuất một phương thức thực hiện thuật toán ước lượng bộ lọc
chất điểm mới. Các kết quả mô phỏng cho thấy phương thức mới khi triển khai trên các thuật
toán SIS, SIR, GPF cho kết quả ước lượng tốt hơn phương thức SIS-Dis trong khi thông số độ
trễ vẫn đảm bảo. Với các giao thức định tuyến đa chặng đạt được, kết hợp cùng thuật toán ước
lượng, dự đoán bộ lọc chất điểm, luận án đề xuất mô hình giám sát vùng. Tức là các nút cảm
biến thu thập thông tin về đối tượng, sử dụng giao thức định tuyến đa chặng gửi thông tin về
trạm, trạm sử dụng các thuật toán dự đoán tính toán ước lượng vị trí trong tương lai của đối
tượng sau đó điều kiển bật các nút xung quanh vị trí dự đoán, tắt các nút còn lại, từ đó tiết
kiệm năng lượng trên toàn bộ mạng. Kết quả mô phỏng cho thấy năng lượng trên toàn bộ
mạng giảm đáng kể đồng thời số lượng gói tin dư thừa trong mạng cũng giảm đáng kể trong
khi kết quả theo dõi vẫn đảm bảo.
Các kết quả đạt được của luận án có thể chia thành 2 nhóm chính như sau:
Các kết quả về nghiên cứu thiết kế giao thức định tuyến tiết kiệm năng lƣợng
- Định tuyến tiết kiệm năng lượng bằng kỹ thuật giảm thiểu gói tin dư thừa. Ở mục này,
luận án đã nghiên cứu và thay đổi kỹ thuật gửi bản tin tìm đường RREQ trong quá
trình định tuyến nhằm hạn chế số bản tin gửi trên mạng cũng như các nút mạng tham
gia quá trình tìm kiếm. Vẫn sử dụng kỹ thuật tìm kiếm mở rộng vòng như giao thức đã
có ERS, giao thức mới EERS sử dụng các thông tin trong bản tin tìm đường RREQ để
xác định nút mạng sẽ tiếp tục tham gia cũng như nút mạng sẽ không tham gia quá trình
tìm kiếm. Các kết quả mô phỏng cho thấygiao thức mới EERS thu được kết quả tốt
hơn trong việc sử dụng hiệu quả năng lượng, kéo dài thời gian sống của mạng khi so
sánh với các giao thức truyền thống AODV, ERS. Trong khi đó các thông số khác của
132
mạng như thông lượng truyền dữ liệu, tỷ lệ truyền gói tin thành công không bị ảnh
hưởng. Có một số trường hợp hai thông số này kém hơn nhưng không nhiều, vẫn đảm
bảo hoạt động của mạng.
- Định tuyến tiết kiệm năng lượng sử dụng thông số năng lượng nút cảm biến. Trong
phần này luận án đã trình bày hai giao thức định tuyến mới RDC và ABR. Giao thức
định tuyến RDC sử dụng cách thức tính chi phí đường đi mới để chọn đường đi vừa
đảm bảo ngắn lại cân bằng được năng lượng giữa các nút cảm biến. Từ đó chọn được
đường có chứa các nút cảm biến có năng lượng đảm bảo hoạt động, tăng cường độ ổn
định của tuyến đường. Giá trị chi phí đường đi này được tính theo công thức:
(4.1)
Với giao thức ABR, giá trị chi phí đường đi vẫn được giữ nguyên như AODV, tức là
bằng bước nhảy mạng (hopcount). Tuy nhiên giao thức này bổ sung thêm điều kiện
năng lượng khi chọn đường. Chỉ những tuyến đường có năng lượng còn lại của các nút
mạng tham gia lớn hơn ngưỡng năng lượng quy định mới được lựa chọn. Do đó giao
thức loại bỏ được các tuyến đường có chứa các nút năng lượng yếu, từ đó kéo dài thời
gian hoạt động của nút cảm biến, kéo dài tuổi thọ của mạng.
Các mô phỏng cho thấy cả hai giao thức đề xuất RDC và ABR đều thu được kết quả tốt
trong việc sử dụng hiệu quả năng lượng, kéo dài thời gian sống của mạng. Các thông
số đánh giá khác như thông lượng mạng, tỷ lệ truyền gói tin thành công có thay đổi
nhưng không nhiều, vẫn đảm bảo hoạt động của mạng.
- Định tuyến điều khiển công suất. Trong phần này luận án nghiên cứu và đề xuất giao
thức định tuyến mới kết hợp với điều khiển công suất. Thông thường, khi truyền dữ
liệu các nút cảm biến thường truyền với công suất lớn nhất, chúng không quan tâm tới
khoảng cách giữa các nút cảm biến để truyền cho phù hợp, gây dư thừa công suất
truyền, sử dụng năng lượng không hiệu quả. Với nghiên cứu này, luận án đã trình bày
một kỹ thuật điều khiển công suất dựa trên các bản tin định tuyến. Các giá trị công suất
được trao đổi thông qua bản tin định tuyến giúp các nút cảm biến xác định được mức
công suất truyền tới từng nút lân cận một cách phù hợp. Bên cạnh việc điều khiển công
133
suất, luận án cũng thay đổi cách thức tính chi phí đường đi nhằm chọn đường tốt nhất
dựa vào cả hai tiêu chí bước nhảy mạng và công suất truyền của nút cảm biến. Chi phí
đường đi này được tính theo công thức:
(4.2)
Với {
Công thức này đã được trình bày chi tiết trong mục 2.3.2. Giá trị công suất truyền
(Ptx_AB) và mức năng lượng còn lại của nút (LPsent) được đưa vào công thức. Do đó
tuyến đường được chọn đảm bảo được tiêu chí ngắn, có mức năng lượng sử dụng thấp
và các nút tham gia tuyến đường có năng lượng đủ lớn. Với cách sử dụng giá trị chi
phí đường đi mới này, giao thức định tuyến đề xuất đã chọn được đường đi sử dụng tối
ưu năng lượng, cân bằng năng lượng giữa các nút cảm biến và kéo dài thời gian hoạt
động của mạng.
Các mô phỏng cho thấy giao thức định tuyến sử dụng điều khiển công suất đề xuất có
kết quả sử dụng năng lượng tốt hơn, thời gian hoạt động của mạng được kéo dài. Các
thông số thông lượng mạng, tỷ lệ mất gói phần lớn các trường hợp đạt kết quả tốt hơn.
Trong một vài trường hợp các thông số này giảm nhưng không nhiều. Vẫn đảm bảo
hoạt động của mạng cảm biến.
Như vậy, với các kỹ thuật giảm thiểu gói tin dư thừa, kỹ thuật thay đổi cách thức tính chi
phí đường đi, kỹ thuật sử dụng rằng buộc năng lượng nút cảm biến, luận án đã nghiên cứu và
đề xuất bốn giao thức định tuyến mới tiết kiệm năng lượng kéo dài thời gian sống của mạng.
Đó là giao thức tìm kiếm mở rộng vòng tối ưu EERS, giao thức tìm đường hai điều kiện RDC,
giao thức loại bỏ tuyến đường xấu ABR và giao thức định tuyến điều khiển công suất PRP.
Các mô phỏng trên NS2 chỉ ra các giao thức đề xuất đều thu được kết quả sử dụng năng lượng
tốt, các thông số khác của mạng thay đổi không nhiều. Tuy nhiên do điều kiện không cho phép
nên các giao thức này chưa được chạy thử nghiệm trên thiết bị thật. Trong các nghiên cứu tiếp
theo tác giả cần chạy thử nghiệm thực tế để có khẳng đinh toàn diện về tính tối ưu năng lượng
của các giao thức đề xuất.
134
Các kết quả về ƣớc đoán vị trí và ứng dụng giám sát theo vùng trong mạng
cảm biến không dây
Các thuật toán dự đoán vị trí đối tượng đã được nghiên cứu và phát triển từ khá lâu. Từ các
thuật toán ban đầu như Kalman đến các thuật toán dự đoán chính xác hơn như Kalman mở
rộng (Extended Kalman) và bộ lọc chất điểm (Particle Filter). Chương 3 của luận án đã nghiên
cứu và mô phỏng lại thành công các thuật toán dự đoán vị trí đối tượng. Đồng thời đề xuất
phương thức mới trong triển khai thuật toán bộ lọc chất điểm. So sánh khả năng dự đoán của
các thuật toán với các thông số khác nhau. Từ đó lựa chọn được thuật toán phù hợp và tốt nhất
cho ứng dụng giám sát đối tượng trong mạng cảm biến không dây.
Đề xuất phương pháp thực hiện bộ lọc chất điểm mới

Thuật toán bộ lọc chất điểm có ba pha cơ bản sau: Khởi tạo N chất điểm, lan truyền chất
điểm và tính toán trọng số mới (cập nhật trọng số). Chi tiết hoạt động của các pha như sau:
- Pha khởi tạo chất điểm: định nghĩa mới về đám mây chất điểm. Cách thức khởi tạo đám
mây chất điểm dựa vào trạng thái ban đầu của đối tượng.
- Pha lan truyền chất điểm: luận án đề xuất mộtkỹ thuật lan truyền chất điểm dựa theo lý
thuyết SIS là sử dụng hàm | . Từ hàm | tính ra một vector độ dời
⃗. Việc lan truyền chất điểm lúc này tương đương với việc di chuyển đám mây chất điểm theo
vector ⃗. Do vậy cách lấy mẫu | là rất phù hợp cho WSN.
- Pha tính toán trọng số: Công việc tiếp theo của lan truyền chất điểm là việc tính toán trọng
số mới cho các chất điểm. Sử dụng công thức (3.68), sau khi thực hiện xong bước lan truyền
chất điểm, ta có liên kết và . Công việc còn lại là tính toán hàm.......................Cách thực
hiện như sau:
(|) ∏
(4.3)
|
Trong đó ( | ) , là hàm phi tuyến của giá trị
| | và trong hầu hết giá trị của diff, và diff chuyển đổi cho nhau.
135
Các kết quả mô phỏng cho thấy phương thức đề xuất cho kết quả ước lượng chính xác hơn
136
đồng thời vẫn đảm bảo thông số độ trễ khi so sánh với phương thức sẵn có.
Ứng dụng giám sát đối tượng trong mạng cảm biến không dây trình bày trong luận án gồm
hai ứng dụng
- Ứng dụng giám sát toàn mạng. Trong ứng dụng này, tất cả các nút cảm biến đều ở
trạng thái hoạt động liên tục. Khi có đối tượng di chuyển vào vùng cảm biến, tất cả các
nút cảm biến đều thu thập thông tin và gửi về trạm. Tại trạm các thông tin này được
phân tích và lấy ra các thông tin cần thiết về đối tượng. Trong ứng dụng này, không
cần sử dụng thuật toán dự đoán vị trí đối tượng.
- Ứng dụng giám sát theo vùng. Trong ứng dụng này, chỉ có một số lượng nhỏ các nút
cảm biến hoạt động thu thập thông tin đối tượng. Khi có đối tượng di chuyển vào vùng
cảm biến, các nút cảm biến thu thập thông tin đối tượng và gửi về trạm. Tại trạm thông
tin này được phân tích và lấy ra các thông tin cần thiết về đối tượng. Ngoài ra, từ các
thông tin nhận được trạm chạy thuật toán dự đoán vị trí đối tượng và cho vị trí tiếp
theo của đối tượng trong tương lai. Từ đó trạm phát thông tin điều khiển bật các nút
cảm biến xung quanh vị trí tiếp theo của đối tượng đã dự đoán và tắt các nút cảm biến
còn lại. Do đó ứng dụng này chỉ có một số lượng nhỏ các nút cảm biến trong vùng
quan sát hoạt động nên được gọi là ứng dụng giám sát theo vùng. Nếu việc dự đoán bị
sai, vùng cảm biến sẽ bị mất thông tin của đối tượng trong một thời gian, và tất cả các
nút cảm biến phải được bật trở lại để xác định lại vị trí đối tượng, khởi động lại quá
trình quan sát và dự đoán của ứng dụng. Do đó thuật toán dự đoán chạy tại trạm là cực
kỳ quan trọng. Trong ứng dụng này luận án sử dụng thuật toán bộ lọc chất điểm.
- Các mô phỏng cho thấy, trong tất cả các trường hợp, ứng dụng giám sát theo vùng đều
thu được kết quả sử dụng năng lượng tối ưu hơn ứng dụng giám sát toàn mạng. Khi số
lượng nút cảm biến càng lớn, kích thước mạng càng lớn thì kết quả sử dụng năng
lượng này càng hiệu quả hơn. Đồng thời, do một số lượng nhỏ các nút cảm biến hoạt
động tập trung dữ liệu gửi về trạm nên lưu lượng dữ liệu gửi về trạm cũng giảm đáng
kể, làm tăng khả năng sử dụng hiệu quả băng thông đường truyền của ứng dụng. Tuy
nhiên, cũng giống như các kết quả về thiết kế giao thức định tuyến, do điều kiện không
cho phép, hai ứng dụng giám sát này chưa được thử nghiệm thực tế để đánh giá. Trong
137
các nghiên cứu tiếp theo tác giả cần chạy thử nghiệm để ứng dụng các kết quả nghiên
cứu vào phục vụ đời sống.
Với các mục tiêu đề ra của luận án: Thiết kế các giao thức định tuyến tiết kiệm năng lượng,
xây dựng ứng dụng giám sát đối tượng tiết kiệm năng lượng. Luận án đã nghiên cứu, mô
phỏng thành công và đạt được các mục tiêu đề ra với bốn giao thức định tuyến tiết kiệm năng
lượng, một phương thức thực hiện bộ lọc chất điểm mới và một ứng dụng giám sát đối tượng
theo vùng tiết kiệm năng lượng. Các kết quả nghiên cứu đã được công bố và công nhận trong
các hội nghị và tạp chí quốc tế.
2. Hƣớng nghiên cứu tiếp

Trong những nghiên cứu tiếp theo, luận án tiếp tục nghiên cứu để cải thiện hơn nữa mức độ
sử dụng năng lượng của các nút cảm biến, phương pháp tự nạp năng lượng hoặc nạp nhanh
của các nút cảm biến, tối ưu trong việc truyền dữ liệu về trạm, ứng dụng mạng cảm biến
không dây trong môi trường mới:
- Tối ưu các giao thức định tuyến đã đề xuất, phát triển giao thức định tuyến tiết kiệm
năng lượng mới. Chạy thử nghiệm đánh giá các giao thức định tuyến trên thiết bị thật,
từng bước ứng dụng vào thực tế.
- Mở rộng nghiên cứu các giao thức tiết kiệm năng lượng khác ngoài định tuyến: Phát
triển giao thức lớp MAC, đề xuất các mô hình ứng dụng tiết kiệm năng lượng.
- Nghiên cứu phát triển kỹ thuật mã hóa nguồn phân tán (Distributed Source Coding -
DSC): Dựa trên cơ sở hình ảnh dữ liệu của các nút cảm biến gần nhau trong một phạm
vi địa lý đo được là không quá khác biệt, DSC lợi dụng sự tương quan về mặt không
gian đó để loại bỏ dư thừa của thông tin truyền đi, trong khi vẫn đảm bảo sự khôi phục
ở đơn vị tiếp nhận. Nghiên cứu tiếp theo của luận án sẽ phát triển mô hình mã hóa
nguồn phân tán để kiểm chứng hiệu quả trong việc kéo dài thời gian hoạt động cho
mạng cảm biến không dây.
- Nghiên cứu phát triển và tích hợp kỹ thuật đo cảm giản lược tối thiểu (Compressive
Sensing): Nghiên cứu cho thấy, các dữ liệu thu được luôn chứa một độ “thưa” nhất
định, tức là không phải toàn bộ chiều dài của mẫu tín hiệu đều chứa thông tin.
138
Compressive sensing giảm đáng kể chiều dài biểu diễn một mẫu dữ liệu, tuy nhiên vẫn
đảm bảo khôi phục gần đúng dữ liệu ở phía thu, giúp giảm băng thông cần thiết để
truyền tải thông tin, cũng như năng lượng tiêu thụ trên một đơn vị thông tin. Thêm vào
đó kỹ thuật đo cảm giản lược cho phép chuyển độ phức tạp tính toán sang phía đơn vị
giải mã (decoder), và đơn giản hóa quá trình xử lý truyền tải thông tin của các nút
mạng cảm biến. Luận án sẽ tiếp tục nghiên cứu và phát triển mô hình đo cảm giản lược
cho mạng cảm biến không dây nhằm áp dụng vào thực tế.
- Nghiên cứu ứng dụng mạng cảm biến không dây trong môi trường dưới nước (Under
Water Wireless Sensor Network): Do môi trường truyền sóng đặc biệt và nhu cầu
khám phá, truyền thông tin dưới nước, nên các giao thức sẵn có của mạng cảm biến
không dây đa chặng không còn phù hợp với môi trường dưới nước. Do đó cần thiết
phải thiết kế ra các giao thức mới để truyền thông hiệu quả trong môi trường nước. Các
nghiên cứu tiếp theo của luận án cũng tập trung vào lĩnh vực này.
139
TÀI LIỆU THAM KHẢO
[1] W.R Heinzelman, A. Chandrakasan, H. Balakrishnan (2000) Energy-Efficient
Communication Protocol for Wireless Microsensor Networks. System Sciences, 2000.
Proceedings of the 33rd Annual Hawaii International Conference, ISBN 0-7695-0493-0,
January 2000.
[2] Heinzelman Wendi B., Chandrakasan Ariantha P., Balakrishnan Hari Ram (2002) An
application-specific protocol architecture for wireless microsensor networks. Journal &
Magazines, pp. 660-670, Oct 2002.
[3] Lindsey, S., Raghavendra, C.S., (2002) PEGASIS: Power-Efficient Gathering in Sensor
Information Systems, IEEE, Aerospace Conference Proceedings, 2002, pp 3-1125 – 3-
1130 Vol. 3.
[4] David B. Johnson, David A. Maltz (1996) Dynamic Source Routing in Adhoc Wireless
Neworks. Springer, Mobile Computing, The Kluwer International Series in Engineering
and Computer Science Volumes 353, pp. 153-181, 1996.
[5] S. Preethi, B. Ramachandran (2011) Energy Efficient Routing Protocol for Mobile
Adhoc Networks. International Conference on Emerging Trends in Networks and
Computer Communications, pp. 136-141, 2011.
[6] Nguyen Thanh Tung (2012) Heuristic Energy-Efficient Routing Solutions to Extend the
Lifetime of Wireless Ad-hoc Sensor Networks. Intelligent Information and Database
Systems, Lecture Notes in Computer Science, Volume. 7197, pp. 487-497.
[7] Nguyen Thanh Tung, Phan Cong Vinh (2013) The Energy-Aware Operational Time of
Wireless Ad-hoc Sensor Networks. Springer Journal, Mobile Networks and Applications,
Volume. 18, Issue. 3, pp. 454-463, 2013.
[8] Pham Van Tien, Tran Huu Cuong, Nguyen Tien Dung, Trinh Phuong Dung (2012)
Adaptive Combined Power Control and Routing for Lengthening Connectivity in WSNs.
ATC, International Conference on Advanced Technologies for Communications, pp. 69-
72, 2012.
[9] Thanh Tung Nguyen, Van Duc Nguyen (2012) Optimizing the Operating Time of
Wireless Sensor Network. EURASIP Journal on Wireless Communications and
Networking, ISSN. 1687-1499, 2012.
[10] Pham Van Tien (2011-2012), Wireless Sensor-Actor Networks Supporting Forestry.
Joint VietNam-Korea International Project,MOU, 2011-2012.
140
[11] Pham Van Tien (2012-2013) Group Multimedia Communication over Wifi Direct and
Adhoc Connections of Samsung Mobile Devices. Samsung-funded Project SOW2, 2012-
2013.
[12] J.-E. Garcia, A. K. Kyamakya, K. Jobmann (2003) A Novel DSR-based Energy-efficient

Routing Algorithm for Mobile Ad Hoc Netowrks. Vehicular Technology Conference,
2003, VTC 2003-Fall, IEEE 58th, Print ISBN: 0-7803-7954-3, pp. 2848-2854, 2003.
[13] J. Van Greunen, D. Petrovic, A. Bonivento, J. Rabaey, K. Ramchandran, A.S.

Vincentelli (2004) Adaptive Sleep Discipline For Energy Conservation And Robustness
In Dense Sensor Networks. IEEE International Conference on Communications, Print
ISBN: 0-7803-8533-0, pp. 3657-3662 Vol. 6, 2004.
[14] Mihaela Cardei, Ding-Zhu Du (2005) Improving Wireless Sensor Network Lifetime
Through Power Aware Organization. Journal: Wireless Networks, Volume 11, Issue 3,
pp 333-340, Print ISSN: 1022-0038, Online ISSN: 1572-8196, May 2005.
[15] Wei Ye, J. Heidemann, D. Estrin (2002) An Energy-Efficient MAC Protocol For
Wireless Sensor Networks. INFOCOM 2002, 21st Annual Joint Conference of the IEEE
Computer and Communications Societies. Proceedings, IEEE, Print ISBN: 0-7803-
7476-2, pp. 1567-1576 vol.3.
[16] Yongrui Chen, Weidong Yi, Yang Yang (2011) Energy Efficient Cooperative
Communication For Sensor Networks: A Cross-Layer Approach. Consumer
Communications and Networking Conference, IEEE 2011, Print ISBN: 978-1-4244-
8789-9, pp 793-797.
[17] Woonkang Heo, Minseok Oh (2008) Performance of Expanding Ring Search Scheme in
AODV Routing Algorithm. Second International Conference on Future Generation
Communication and Networking, Vol. 2, pp. 128-132, 2008.
[18] C.K. Toh (2001) Maximum Battery Life Routing to Support Ubiquitous Mobile
Computing in Wireless Adhoc Networks. IEEE Communications Magazine, pp. 138-147,
2001.
[19] G. Welch and G. Bishop (2006) An Introduction to the Kalman Filter. Tech. rep.,
University of North Carolina at Chapel Hill, July 2006.
[20] Xin Li, Kejun Wang, Wei Wang, Yang Li (2010) A Multiple Object Tracking Method
Using Kalman Filter. IEEE International Conference on Information and Automation
(ICIA), pp. 1862-1866, 2010.
[21] Conmaniciu, Ramesh, V., Meer, P. (2003) Kernel-based Object Tracking. IEEE
Transactions on Pattern Analysis and Machine Intelligence, pp. 564-577, 2003.
141
[22] Shiuh-Ku Weng, Chung-Ming Kuo, Shu-Kang Tu (2006) Video Object Tracking Using
Adaptive Kalman Filter. Journal of Visual Communication and Image Representation,
Volume 17, Issue 6, pp. 1190-1208, 2006.
[23] Alper Yilmaz, Omar Javed, Mubarak Shah (2006) Object Tracking: A Survey. Journal
ACM Computing Surveys (CSUR), Article No 13, 2006.
[24] C. Perkins, E. Royer, S. Das (2003) Ad-hoc On-Demand Distance Vector (AODV)
Routing. Draft-ietf-manet-aodv-13.text, IETF Internet Draft, 2003. IEFT, RFC 3561:
http://www.ietf.org/rfc/rfc3561.txt.
[25] Jacquet, P. Muhlethaler, P. Clausen, T. Laouiti, A. Quayyum, A. Viennot, L. (2001)

Optimized Link State Routing Protocol for Adhoc Networks, Multi Topic Conference,
2001. IEEE INMIC 2001. Technology for the 21th Century. Proceedings. IEEE
International, pp. 62-68, 2001.
[26] Jun Zheng, Abbas Jamalipour (2009) Wireless Sensor Networks: A Networking
Perspective. Published by John Wiley & Son Ltd.
[27] Waltenegus Dargie, Christian Poellabauer (2010) Fundamentals of wireless sensor

networks: theory and practice. Published by John Wiley & Son Ltd.
[28] Jagannathan Sarangapni (2007) Wireless Ad hoc and Sensor Networks: Protocols,
Performance, and Control. CRC Press, Taylor & Francis Group.
[29] P. Gupta, P. R. Kumar (2000) The capacity of wireless networks. IEEE Transactions on
Information Theory, Vol. 46(2), pp. 388-404, 2000.
[30] Marina M.K, Das S.R (2001) On-demand Multipath Distance Vector Routing in Ad hoc
Networks. Network Protocols, 2001, Ninth International Conference, Print ISBN 0-
7695-1429-4, pp 14-23, Nov 11-14. 2001.
[31] Vikas Kawadia and P. R Kumar (2005) Principles and Protocols for Power Control in
Ad hoc Networks. IEEE Journal on Selected Areas in Communication, Volume 23, Issue
1, ISSN: 0733-8716, pp 76-88, Jan 2005.
[32] I. Stojmenovic, X. Lin (2001) Power-Aware Localized Routing in Wireless Networks.

IEEE Transactions on Parallel and Distributed Systems, Volume 12 Issue 11,pp. 1122-
1133, Nov 2001.
[33] C. Ang and S, Wen (2008) Signal Strength Sensitivity and Its Effects on Routing in
Maritime Wireless Networks. 33rd IEEE Conference in Local Computer Networks,
2008.
142
[34] P. Bergamo , A. Giovanardi , R. Giovanardi , A. Travasoni , D. Maniezzo , G. Mazzini ,
and M. Zorzi (2004) Distributed Power Control for Energy Efficient Routing in Ad-hoc
Networking Protocol. Journal of Wireless Networks, pp. vol. 10, no. 1, 29-42, Jan 2004.
[35] Mao Ye, Chengfa Li, Guihai Chen, Jie Wu (2005) EECS: An Energy Efficient
Clustering Scheme In Wireless Sensor Networks. Performance, Computing, and
Communications Conference, IPCCC 2005, 24th IEEE International, Print ISBN: 0-
7803-8991-3, pp. 535-540, 2005.
[36] J. Gnanambigai, N. Rengarajan, K. Anbukkarasi (2013) Q-Leach: An Energy Efficient

Cluster Based Routing Protocol for Wireless Sensor Networks. 7th International
Conference on Intelligent Systems and Control (ISCO), Print ISBN: 978-1-4673-4359-6,
pp. 359-362, 2013.
[37] O. Younis, Fahmy, Sonia (2004) Distributed Clustering in Ad-hoc Sensor Networks: a
Hybrid, Energy-Efficient Approach. Twenty third Annual Joint Conference of the IEEE
Computer and Communications Societies, INFOCOM 2004, Print ISBN: 0-7803-8355-
9, 2004.
[38] F. Bouabdallah, N. Bouabdallah, R. Boutaba (2008) Load-Balanced Routing Scheme for

Energy-Efficient Wireless Sensor Networks. Global Telecommunications Conference,
IEEE GLOBECOM, Print ISBN: 978-1-4244-2324-8, pp. 1-6, 2008.
[39] Swimpy Pahuja, Jaya Chugh, Ram Kumar (2012) Distributed Load Balancing (DisLB)
in Grid Wireless Sensor Network. Proceeding of the International Conference on Soft
Computing for Problem Solving (SocProS 2011), Volume 1, Print ISBN: 978-81-322-
0486-2, Online ISBN: 978-81-322-0487-9, pp. 289-299, Copyright 2012.
[40] Sofie Pollin, Bruno Bougard, Rahul Mangharam, Francky Catthoor, Ingrid Moerman,
Ragunathan Rajkumar, Liesbet Van der Perre (2005) Optimizing Transmission And
Shutdown For Energy-Efficient Real-Time Packet Scheduling In Clustered Ad Hoc
Networks. EURASIP Journal on Wireless Communication and Networking, Volume
2005 Issue 5, pp. 698-711, Oct 2005.
[41] A. Sinha, A. Chandrakasan (2001) Dynamic Power Management In Wireless Sensor

Networks. Design and test of Computers, IEEE, Volume 18 Issue 2, ISSN: 0740-7475,
pp 62-74, 2001.
[42] A. Moragrega, C. Ibars, Yan Geng (2009) Energy Efficiency of A Cooperative Wireless
Sensor Network. IWCLD ’09. Second International Workshop on Cross Layer Design,
Print ISBN: 978-1-4244-3302-5, Online ISBN: 978-1-4244-3302-5, pp. 1-5, 2009.
[43] Qingchun Ren, Xiuzhen Cheng (2010) Latency-Optimized and Energy-Efficient MAC
Protocol for Underwater Acoustic Sensor Networks: A Cross-Layer Approach.
143
EURASIP Journal on Wireless Communications and Networking 2010, DOI:
10.1155/2010/323151.
[44] Garrick Ing (2005) Distributed Particle Filter for Object Tracking in Sensor Networks.
A thesis submitted to McGill University in partial fulfillment of the requirements for the
degree of Masters of Engineering, Dec 2005.
[45] Thomas Bayes, Mr. Price (1763) An Essay towards solving a Problem in the Doctrine of
Chances. Philosophical Transactions of the Royal Society of London, Volume 53, pp.
370-418, 1763.
[46] G. Barnard (1958) Studies in the History of Probability and Statistics: IX. Thomas
Bayes’ An Essay Towards Solving a Problem in the Doctrine of Chances. Biometrika
Vol. 45, pp. 293-315, 1958.
[47] Patrick Billingsley (1995) Probability and Measure. John Wiley and Sons, ISBN 0-471-
00710-2, Section 14, 1995.
[48] M. Abromawitz, I. A. Stegun (1972) “Probability Functions”, Chapter 26 in Handbook

of Mathematical Functions with Formulas, Graphs, and Mathematical Tables. 9th
printing, pp. 925-964, 1972.
[49] Catherine Forbes, Merran Evans, Nicholas Hastings, Brian Peacock (2011) Statistical
Distributions. Fourth Edition, Published by John Wiley and Sons, 2011.
[50] J. R. Norris (2010) Probability and Measure. Lecture notes, University of Cambridge,
2010.
[51] Branko RISTIC, Sanjeev ARULAMPALAM, Neil GORDON (2004) Beyond the
Kalman Filter: Particle Filter For Tracking Applications. Hartech House Publisher,
2003.
[52] R.E Kalman (1960) A New Approach to Linear Filtering and Prediction Problems.
Transactions of the ASME, Journal of Basic Engineering, 82 (Series D), pp. 35-45,
1960.
[53] Brain D.O. Anderson, John B. More, Optimal Filtering. Publisher: Prentice-Hall, 1979.
[54] M.S. Arulampalam, S. Maskell, N. Gordon, T. Clapp (2002) A Tutorial on Particle

Filters for Online Nonlinear/ non-Gaussian Bayesian Tracking. IEEE Transactions on
Signal Processing, Volume. 50, Issue. 2, pp. 174-188, 2002.
[55] N. Gordon, D. Salmond, and A. F. M. Smith, (1993) Novel Approach to Nonlinear/ non-
gaussian Bayesian State Estimation, Radar and Signal Processing, IEEE Proceddings,
vol. 140, no. 2, pp. 107-113, Apr 1993.
144
[56] Bo Jiang and Ravindran, B. (2011) Completely Distributed Particle Filters for Target
Tracking in Sensor Networks, Parallel & Distributed Processing Symposium (IPDPS),
2011 IEEE International, pp.334-344, 2011.
[57] W.B. Heinzelman, A.P. Chandrakasan (2002) An Application Specific Protocol

Architecture for Wireless Microsensor Networks. IEEE Transaction on Wireless
Communications, 1(4), pp. 660–670, Oct. 2002.
[58] Saha Misra, S. Dolui, A. Das (2005) Enhanced-Efficient Adaptive Clustering Protocol
for Distributed Sensor Networks. IEEE ICON, Volume 1, ISSN 1531-2216, Nov. 2005.
[59] Theodore S. Rappaport (2002) Wireless Communications Principles and Practice,

Second Edition. Copyright 2002, 1996 Prentice Hall PTR, Prentice-Hall, Inc. Upper
Saddle River, NJ 07458, ISBN: 0130422320.
[60] Bhatti, S., Jie Xu (2009) Survey of Target Tracking Protocols Using Wireless Sensor
Network. The Fifth International Conference on Wireless and Mobile Communications,
pp. 110-115, 2009.
[61] I. F. Akyildiz, I. H. Kasimoglu (2004) Wireless Sensor and Actor Networks: Research
Challenges. Ad Hoc Networks Journal (Elsevier), Vol. 2, No. 4, pp. 351-367, October
2004.
[62] C.K. Toh (2001) Maximum Battery Life Routing to Support Ubiquitous Mobile
Computing in Wireless Adhoc Networks. IEEE Communications Magazine, pp. 138-147,
June 2001.
[63] Safwat, A. et al (2002) Energy-Aware Routing in MANETs: Analysis and Enhancements.

5th ACM International Workshop on Modeling Analysis and Simulation of Wireless and
Mobile Systems, pp. 46-53, 2002.
[64] K. Deepak Samuel, S. Murali Krishnan, K. Yashwant Reddy, K. Suganthi (2011)

Improving Energy Efficiency in Wireless Sensor Network Using Mobile Sink. Advances
in Networks and Communications, Communications in Computer and Information
Science, Volume 132, pp. 63-69, 2011.
[65] B.H. Liu, et al (2004) An Energy Efficient Select Optimal Neighbor Protocol for
Wireless Ad hoc Networks. Proceedings of the 29th Annual IEEE International
Conference on Local Computer Networks (LCN'04), Washington, DC, USA, IEEE
Computer Society 2004, pp. 626-633.
[66] N. Shrestha,B. Mans (2005) Reception-Aware Power Control in Ad Hoc Mobile

Networks. The Third International Conference on Innovative Applications of
145
Information Technology for Developing World (Asian Applied Computing Conference
(AACC 2005)), Kathmandu, Nepal, December 2005.
[67] Chen.Y et al (2003) On Selection of Optimal Transmission Power for Ad hoc Networks.
36thAnnual Hawaii International Conference on System Sciences (HICSS'03) - Track 9,
Washington, DC, USA (2003).
[68] Stefano Basagni, Marco Conti, Silvia Giordano, Ivan Stojmenovic (2004) Mobile Ad
hoc Networking. Copyright by the Institute of Electrical and Electronics Engineers,
2004.
[69] R. Hassin (1992) Approximation Schemes for the Restricted Shortest Path Problem.
Mathematics of Operations Research, vol. 17, No. 1, pp. 36-42, 1992. Published by
INFORMS.
[70] I. Park, I Pu (2007) Energy Efficient Expanding Ring Search. Proceeding of the First
Asia International Conference on Modelling & Simulation, pp. 198-199, 2007.
[71] Jagannathan Sarangapani(2007) Wireless Adhoc and Sensor Networks. Copyright 2007
by Taylor & Francis Group, LLC.
[72] V. D. Nguyen, H. Hass, K. Kyamakya, J. C. Chedjou, T. H. Nguyen, S. Yoon, H. Choo

(2009) Decentralized Dynamic Sub-carrier Assignment for OFDMA-based Adhoc and
Cellular Networks. IEICE Transactions on Communications, vol. E92.B, Issue 12, pp.
3753-3764, Dec. 2009.
[73] H. Yaghoobi (2004) Scalable OFDMA Physicallayer in IEEE 802.16 Wireless MAN.
Intel Technology J., vol. 8, no. 3, pp. 201 – 212, 2004.
[74] V. Venkataraman, J. J. Shynk (2004) Adaptive Algorithms for OFDMAWireless Ad hoc

Networks With Multiple Antennas. Conference Record of the Thirty-Eighth Asilomar
Conference onSignals, Systems and Computers, 2004.
[75] S. W.Kim, and B. Kim (2009) OFDMA-Based Reliable Multicast MAC Protocol for
Wireless Ad-hoc Network. ETRI Journal, vol.31, no.1, Feb.2009.
[76] M. Stemick, H. Rohling (2007) OFDM-FDMA Scheme for the Uplink of a Mobile
Communication System. Wireless Personal Communications,vol. 40, no. 2, pp. 157-170,
Jan. 2007.
[77] H. Rohling and R. Grunheid (1997) Performance Comparison of Different Multiple

Access Schemes for the Downlink of an OFDM Communication System. In Proceedings
of the 47th IEEE Vehicular Technology Conference , vol. 3, Phoenix, Arizona, USA, pp.
1365 –1369, May 1997.
146
[78] G. Li and H. Liu (2003) Downlink Dynamic Resource Allocation for Multi-cell OFDMA
System. In Proceedings of the IEEE Vehicular Technology Conference (VTC 2003-Fall),
vol. 3, Orlando, Florida, USA, pp. 1698 – 1702, October 2003.
[79] Dan Simon (2006) Optimal State Estimation. Kalman, H Infinity, and Nonlinear
Approaches. Copy-right 2006 by John Wiley Son.
[80] Joo-Han Song, V.M.S Wong, V.C.M Leung (2004) Efficient On-demand Routing for
Mobile Adhoc Wireless Access Networks. Published in IEEE Journal on Selected Areas
in Communications, Vol. 22, Issue 7, pp. 1374-1383, ISSN: 0733-8716, 2004.
[81] Stefanos A. Nikolidakis, Dionisis Kandris, Dimitrios D. Vergados, Christos Douligeris

(2013) Energy Efficient Routing in Wireless Sensor Networks Through Balanced
Clustering. MDPI Algorithm Journal 2013, ISSN 1999-4893, pp 29-42, published Jan
2013.
[82] Costa, F.M., Ochiai, H. (2011) Energy-Efficient Physical Layer Design for Wireless
Sensor Network Links. IEEE International Conference on Communication, pp. 1-5, June
2011.
[83] Zhe Chen (2003) Bayesian Filtering: From Kalman Filters to Particle Filters, and
Beyond, Adaptive System Lab, McMaster University, Hamilton 2003.
[84] W.B. Heinzelman, A.P. Chandrakasan, H. Balakrishnan (2000) Energy-Efficient

Communication Protocol for Wireless Microsensor Networks. 33rd Hawaii International
Conference Systems Sciences, Jan 2000.
[85] J. Zhang et al (2005) A Cluster-Based Energy-Efficient Scheme for Sensor Networks.

Proceedings of the Sixth International Conference on Parallel and Distributed
Computing, Applications and Technologies (PDCAT’05), pp. 191 – 195, Dec. 2005.
[86] R. Chang et al (2006) An Energy Efficient Routing Mechanism for Wireless Sensor
Networks. Proceedings of the 20th International Conference on Advanced Information
Networking and Applications (AINA’06), Volume 2, ISSN 1550-445X, April 2006.
[87] Q. Nguyen Trung, T. Ngo Quynh, V. Tran Quang, (2014) A Low Duty-cyle Mac
Protocol for Target Tracking in Wireless Sensor Networks, in Proceedings of the 2014
IEEE Fifth International Conference on Communication and Electronics (ICCE 2014),
2014.
[88] N. Ahmed, T. Bessell, S. Kanhere, N. Gordon and S. Jha, (2010), Detection and
Tracking Using Particle-Filter-Based Wireless Sensor Networks, IEEE Trans. On
Mobile Computing, Vol. 9, No. 9, pp. 1332-1345, 2010.
[89] Nguyen Chan Hung (2008-2010), Ubiquitous and Mobile, KC.01.10/06-10.HaNoi

University of Science and Technology, 2008-2010
147
Danh mục các công trình đã công bố liên quan trực tiếp
của luận án
[1] Duy Ngoc Pham, Van Duc Nguyen, Van Tien Pham, Ngoc Tuan Nguyen, Xuan Bac Do,
Trung Dung Nguyen, Claus Kuperschmidt, Thomas Kaiser (2010) An Expending Ring
Search Algorithm For Mobile Adhoc Networks. The 2010 IEEE International
Conference on Advanced Technologies for Communications, Print ISBN 978-1-4244-
8875-9, INSPEC Accession Number 11707149, pp. 39-44, 2010.
[2] Trung Dung Nguyen, Van Duc Nguyen,Thanh Tung Nguyen, Van Tien Pham, Trong
Hieu Pham,Wakasugi Koichiro (2013) An Energy-Efficient Ring Search Routing
Protocol Using Energy Parameters in Path Selection. Lecture Notes of the Institute for
Computer Sciences, Social Informatics and Telecommunications Engineering (Springer)
Volume 109, 2013, pp. 72-85, ISSN: 1867-8211 (Print) 1867-822X (Online), 2013.
[3] Trung Dung Nguyen, Van Duc Nguyen, Thanh Tung Nguyen, Trong Hieu Pham, Ngoc
Tuan Nguyen, Wakasugi Koichiro (2013) Routing Dual Criterion Protocol. The 7th
ACM International Conference on Ubiquitous Information Management and
Communication, Article No. 51, ISBN 978-1-4503-1958-4, 2013.
[4] Trung Dung Nguyen, Van Duc Nguyen, Thanh Tung Nguyen, Hung Tin Trinh, Ngoc
Tuan Nguyen, Wakasugi Koichiro (2013) A New Evaluation of Particle Filter Algorithm
And Apply It To The Wireless Sensor Networks. IEEE International Conference on
Computing, Management & Telecommunications, Print ISBN 978-1-4673-2087-0, pp.
169-174, 2013.
[5] Trung Dung Nguyen, Van Duc Nguyen, Ngoc Tuan Nguyen, Tien Dung Nguyen,
Hung Tin Trinh, Tien Dat Luu (2013) Using Energy Efficiently With Regional
Monitoring Model in Wireless Sensor Networks. Journal of Science and Technology,
No95-2013, ISSN 0868-3980, pp.58-64, 2013.
[6] Trung Dung Nguyen, Van Duc Nguyen (2014) A Routing Protocols Based on Energy
Parameter in Wireless Sensor Adhoc Network. Journal of Science and Technology,
No.23, ISSN 0868-3980, pp. 122-126, 2014.
[7] Trung Dung Nguyen, Van Duc Nguyen, Tien Pham Van, Wakasugi Koichiro, Ngoc
Tuan Nguyen, (2014) Power Control Combined with Routing Protocol for Wireless
Sensor Networks. IEEE International Conference on Computing, Management &
Telecommunications, Print ISBN 978-1-4799-2904-7, pp. 205-210, 2014.
[8] Trung Dung Nguyen, Van Duc Nguyen (2014) An Architecture of Ahhoc-based Marine
Communication Network. Journal of Science and Technology, 2014 (accepted).
148
Danh mục các công trình đã công bố liên quan gián tiếp
của luận án
[1] Van Duc Nguyen, Duyen Trung Ha, Van Tien Pham, Trung Dung Nguyen, Thu Nga
Nguyen, Hyunseung Choo (2012) OFDMA-Based MAC Protocol for Adhoc and
Multihop Networks. The 6th ACM International Conference on Ubiquitous Information
Management and Communication Proceedings, Article No.2, ISBN 978-1-4503-1172-4,
2012.
[2] Khanh Nguyen Quang, Van Duc Nguyen, Trung Dung Nguyen, Tien Hoa Nguyen,
Guillaume Gelle (2013) MAC and Routing integration performance improvements in
OFDMA-Based Multi-hop and Ad-hoc Networks. IEEE International Conference on
Computing, Management & Telecommunications, Print ISBN 978-1-4673-2087-0, pp.
5-10, 2013.
[3] Khanh Nguyen Quang, Van Duc Nguyen, Trung Dung Nguyen, Hyun seung Choo
(2013) Cross-Layer OFDMA-Based MAC and Routing Protocol for Multihop Adhoc
Networks. The 13th Springer International Conference on Computational Science and Its
Applications, Print ISBN 978-3-642-39636-6, Online ISBN 978-3-642-39637-3, Series
ISSN 0302-9743, pp. 157-172, 2013.
[4] Khanh Nguyen Quang, Van Duc Nguyen, Trung Dung Nguyen (2013) Optimized MAC
and Network cross layer protocol for OFDMA based Ad-hoc Networks. The 5thIEEE
International Conference on Ubiquitous and Future Networks, ISSN 2165-8528,
INSPEC Accession Number 13840434, pp. 718-723, 2013.
[5] Thu Nga Nguyen, Xuan Lai, Bach Tran, Quoc Khuong Nguyen, Trung Dung
Nguyen,Van Duc Nguyen (2014) Performance Analysis of the VBLAST Algorithm for
MIMO-OFDMA Systems on Spatial Correlated Channels. IEEE International
Conference on Computing, Management & Telecommunications, Print 978-1-4799-
2904-7, pp. 146-151, 2014.
CHƯƠNG 1. TỔNG QUAN VỀ MẠNG CẢM BIẾN KHÔNG DÂY.......................................................10

1.1. Cấu trúc mạng cảm biến không dây....................................................................................................10
1.2. Ứng dụng mạng cảm biến không dây..................................................................................................19
1.3. Một số vấn đề thách thức kỹ thuật.......................................................................................................22
CHƯƠNG 2. TỐI UƯ ĐỊNH TUYẾN ĐA CHẶNG TIẾT KIỆM NĂNG LƯỢNG...................................25
2.1. Các phương pháp định tuyến tiết kiệm năng lượng dựa trên kỹ thuật giảm thiểu các gói tin dai thừa 25
2.2. Các phương pháp định tuyến dựa vào năng lượng của nút cảm biến nhằm nâng cao thời gian sống của
mạng 43
2.3. Phương pháp định tuyến tiết kiệm năng lượng dựa trên điều khiển công suất......................................56
2.4. Kết luận...............................................................................................................................................65
149
CHƯƠNG 3. TIẾT KIỆM NĂNG LƯỢNG TRONG MẠNG CẢM BIẾN KHÔNG DÂY ĐA CHẶNG
SỬ DỤNG PHƯƠNG PHÁP ƢỚC ĐOÁN VỊ TRÍ CỦA ĐỐI TƯỢNG......................................................66
3.1. Cơ sở lý thuyết toán học......................................................................................................................66

3.2. Sơ lược về một số thuật toán dự đoán vị trí.........................................................................................74
3.3. Thuật toán bộ lọc chất điểm (Particle Filter) [44]...............................................................................82
3.4. Ứng dụng giám sát đối tượng trong mạng cảm biến không dây sử dụng bộ lọc chất điểm PF..........101
3.5. Đề xuất mô hình giám sát theo vùng.................................................................................................108
3.6. Mô hình giám sát toàn mạng.............................................................................................................111
3.7. Mô phỏng và đánh giá kết quả..........................................................................................................113
3.8. Kết luận.............................................................................................................................................119
Danh mục hình ảnh

Hình0-1:ứng dụng trong quân đội.......................................................................................................................21
Hình0-2:ứng dụng trong môi trường ………………………………………………………………………23

Hình0-3:ứng dụng trong chăm sóc sức khỏe.......................................................................................................24
Hình0-4:ứng dụng trong gia đình........................................................................................................................25
150

bt tuần 8

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

bt tuần 8

Uploaded by

Copyright:

Available Formats

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƢỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI

NGUYỄN TRUNG DŨNG

NGHIÊN CỨU PHÁT TRIỂN ĐỊNH TUYẾN TIẾT KIỆM NĂNG

LUẬN ÁN TIẾN SĨ KỸ THUẬT VIỄN THÔNG

TRƢỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI

NGUYỄN TRUNG DŨNG

NGHIÊN CỨU PHÁT TRIỂN ĐỊNH TUYẾN TIẾT KIỆM NĂNG

LUẬN ÁN TIẾN SĨ KỸ THUẬT VIỄN THÔNG

Ngƣời hƣớng dẫn khoa học:

PGS.TS Nguyễn Văn Đức

Nguyễn Trung Dũng

Nguyễn Trung Dũng

CHƢƠNG 2.TỐI ƢU ĐỊNH TUYẾN ĐA CHẶNG TIẾT KIỆM NĂNG 25

KẾT LUẬN CHUNG 117

TÀI LIỆU THAM KHẢO 124

DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ LI N QUAN 132

Kt Ma trận hệ số khuếch đại Kalman

Tình hình nghiên cứu trong và ngoài nƣớc

Tình hình trong nước:

Tình hình ngoài nước:

Mục tiêu nghiên cứu của luận án

Các vấn đề cần giải quyết của luận án

Phạm vi nghiên cứu của luận án

Phƣơng pháp nghiên cứu

- Đề xuất giao thức định tuyến tiết kiệm năng lượng:

1.2. Cấu trúc luận án

- Chƣơng 4: Kết luận và hướng phát triển tiếp cho đề tài.

1.1. Cấu trúc mạng cảm biến không dây

Do đó cấu trúc trong mạng mới sẽ:

Hình 1.2. Cấu tạo nút cảm biến [26, 27]

1.1.3. Kiến trúc giao thức mạng

Lớp truyền tải

Lớp liên kết dữ

Chức năng các mặt phẳng quản lý

Chức năng các lớp giao thức

1.1.4.1. Cấu trúc phẳng

Điểm xử lý tập trung

1.1.4.2. Cấu trúc phân tầng

Nút chủ (Cluster Head)

Nút cảm biến

Điểm xử lý tập trung

Cấp 2: Phân phối

Cấp 1: Tính toán

Cấp 0: Cảm nhận

1.2. Ứng dụng mạng cảm biến không dây

1.2.1. Ứng dụng trong quân đội

Hình0-1:ứng dụng trong quân đội

Hình0-2:ứng dụng trong môi trường

1.3. Một số vấn đề thách thức kỹ thuật

1.3.2. Vấn đề định tuyến

1.3.3. Vấn đề năng lƣợng

Create Reverse route

Yes Have destination

Hình 2.2. Lưu đồ thuật toán xử lí ở nút trung gian

2.1.2.2. Làm tràn bản tin tìm đường hiệu quả

Relay = False Relay = True

Relay = False Relay = False

Relay = False Relay = True

Relay = True Relay = True

Relay = False Relay = False

2.1.2.3. Tiết kiệm năng lượng tìm kiếm mở rộng vòng

Relay= False; FTF= True; st_timeout= timeout + cur e

Create Reverse route Yes