Tối ưu đường bay UAV theo phân bố thời gian tới hạn để thu thập dữ liệu IoT tại biên mạng

Chia sẻ: Phó Cửu Vân | Ngày: | Loại File: PDF | Số trang:6

Thêm vào BST

Báo xấu

18
lượt xem 3
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết "Tối ưu đường bay UAV theo phân bố thời gian tới hạn để thu thập dữ liệu IoT tại biên mạng" đề xuất một giải pháp sáng tạo: sử dụng UAV như một công cụ thu thập dữ liệu từ các thiết bị IoT một cách hiệu quả. Chúng tôi đã kết hợp Phân phối Gaussian và Poisson để chỉnh sửa và tối ưu hóa đường bay của UAV, đồng thời đảm bảo việc thu thập dữ liệu diễn ra nhanh chóng và hiệu quả. Mời các bạn cùng tham khảo!

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Tối ưu đường bay UAV theo phân bố thời gian tới hạn để thu thập dữ liệu IoT tại biên mạng

Hội nghị Quốc gia lần thứ 26 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2023) Tối ưu đường bay UAV theo phân bố thời gian tới hạn để thu thập dữ liệu IoT tại biên mạng Hong-Duc Nguyen∗ , Duc-Thuan Luong∗ Hieu-Dam Minh† Thanh-Thuy Tran Thi∗ Trong-Minh Hoang∗ ∗ Posts and Telecommunications Institue of Technology, Hanoi, Vietnam †Information and Communication Technology, Swinburne University of Technology, Hanoi, Vietnam Email: ducnh.b19vt096@stu.ptit.edu.vn, thuanld.b19vt399@stu.ptit.edu.vn, 103510308@student.swin.edu.au, thuyttt@ptit.edu.vn, hoangtrongminh@ptit.edu.vn Tóm tắt nội dung—Sự ra đời của công nghệ tính toán biên đã đánh dấu một bước ngoặt đột phá trong lĩnh vực 5G và 6G, đáp ứng triệt để các tiêu chí của 5G/6G. Không chỉ là sự bùng nổ của kết nối không dây, mà cả thế giới thiết bị thông minh cũng đang mở rộng biên giới của mình, từ những ngôi nhà hiện đại đến những thiết bị di động thông minh. Tuy nhiên, việc đưa các ứng dụng IoT vào vận hành ở những khu vực hẻo lánh hay đông đúc không phải là điều dễ dàng. Bài viết này đề xuất một giải pháp sáng tạo: sử dụng UAV như một công cụ thu thập dữ liệu từ các thiết bị IoT một cách hiệu quả. Chúng tôi đã kết hợp Phân phối Gaussian và Poisson để chỉnh sửa và tối Hình 1: Trường hợp thu thập dữ liệu IoT điển hình ưu hóa đường bay của UAV, đồng thời đảm bảo việc thu thập dữ liệu diễn ra nhanh chóng và hiệu quả. Chúng tôi cũng đã áp dụng Thuật toán Di truyền và đánh giá nó so với các phương pháp truyền thống, mang lại cái nhìn sâu hẹn giảm độ trễ một cách đáng kể, nâng cao trải nghiệm sắc vào lợi ích tiềm năng của phương pháp này. người dùng và giảm bớt áp lực tính toán trên các thiết bị Index Terms—Internet vạn vật, Mạng cảm biến, Tìm IoT [1]. Tuy nhiên, những vị trí địa lý không đầy đủ của đường bay UAV, Giới hạn trễ, Tối ưu. cơ sở hạ tầng hoặc các khu vực đã làm thiết bị di động thông thường không thể tận dụng đầy đủ lợi ích của I. GIỚI THIỆU MEC. Ở đó, Thiết bị bay không người lái (Unmanned Trong bối cảnh phức tạp của sự tiến bộ công nghệ hiện Aerial Vehicles) (UAVs) đem lại sự hiệu quả tính linh đại, mục tiêu nổi bật là thiết lập một hệ sinh thái trong hoạt, khả năng thích ứng và tính di động. Chúng được đó các hệ thống và công nghệ thông minh kết nối một kỳ vọng sẽ phục vụ như những kênh truyền dữ liệu trên cách liền mạch, tạo ra mối quan hệ có lợi cho cả hai với không, liên tục tổng hợp dữ liệu từ nhiều thiết bị IoT con người. Bình minh của kỷ nguyên Internet of Things dưới đất [2]. Bên cạnh đó, UAVs không chỉ giới hạn ở (IoT) đã đem đến một cuộc biến đổi đáng kể trong bức việc tổng hợp dữ liệu mà còn thành những trung tâm tranh hiện nay. Điều này liên quan đến việc hội tụ của tính toán trên không, cung cấp dịch vụ tính toán ngay tại nhiều thiết bị kết nối mạng, được áp dụng rộng rãi trong chỗ cho người dùng di động, từ đó cách mạng hóa mô nhiều lĩnh vực. Từ lĩnh vực y tế và năng lượng đến quá hình MEC [3]. Tuy vậy, việc điều phối UAV một cách trình sản xuất và bảo vệ môi trường, những thiết bị này tinh tế, bao gồm việc xác định vị trí, lập kế hoạch quỹ đã trở nên phổ biến và đã hoà nhập vào cuộc sống hàng đạo, phối hợp và thu thập dữ liệu, lại là các thách thức ngày của chúng ta. Mobile Edge Computing (MEC) - lớn [4]. Trên thực tế, yếu tố thời gian giới hạn (deadline) một mô hình hứa hẹn sẽ là giải pháp cho những thách của một số ứng dụng lại là tiêu chí hàng đầu, khi mà thức này. MEC thể hiện một sự thay đổi căn bản trong sự chậm trễ nhất thời cũng có thể biến dữ liệu thu được chiến lược tính toán, nhấn mạnh vào việc phân tán các thành vô dụng và độ phức tạp càng gia tăng. Nghiên cứu tác vụ tính toán. Bằng cách di chuyển những tác vụ này này đặt mục tiêu giải quyết thách thức đó. Từ điều kiện đến biên mạng, gần hơn với người dùng cuối, MEC hứa đó, chúng tôi phát triển một chiến lược tối ưu hóa toàn ISBN 978-604-80-8932-0 86
Hội nghị Quốc gia lần thứ 26 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2023) diện cho UAVs, hướng tới hiệu quả năng lượng cao, quỹ đạo bay tối ưu và việc tổng hợp dữ liệu hiệu quả nhất. Nhờ vào sức mạnh tính toán của Thuật toán Di truyền (GA), giải pháp mà chúng tôi đề xuất không chỉ mong muốn tối đa hóa số lượng thiết bị IoT được UAVs phục vụ mà còn hướng tới việc đảm bảo năng lượng UAV. Từ nghiên cứu này, mục tiêu của chúng tôi là xây dựng nền tảng cho thế hệ tiếp theo của các mạng lưới IoT tích hợp UAV hiệu quả cho các ứng dụng cụ thể. II. CÁC NGHIÊN CỨU LIÊN QUAN Hình 2: Đồ thị hoạt động của thuật toán GA Trong lĩnh vực hiệu quả năng lượng, nhiều công trình nghiên cứu đã được thực hiện nhằm giảm lượng năng của các tham số phân phối Poisson đến độ trễ dịch vụ lượng tiêu thụ cho UAV. Cụ thể, trong [5], tập trung trung bình. Trong [6] áp dụng quá trình Poisson để mô vào việc làm giảm lượng năng lượng mà UAV tiêu thụ. phỏng sự phân bố địa lý của các thiết bị IoT trong mạng Đồng thời, trong [6], nhằm kéo dài tuổi thọ của các với đặc trưng là lưu lượng không đồng bộ và yêu cầu mạng cảm biến bằng cách tiết kiệm năng lượng. Các thời hạn nghiêm ngặt cho các gói tin. Mặc dù việc sử công trình nghiên cứu như [7], tập trung vào việc đặt dụng hàm Poisson trong lịch trình hóa nhiệm vụ IoT có UAV ở vị trí chiến lược để tăng cường khả năng phủ những hạn chế, nhiều nghiên cứu đã đề xuất các phương sóng và dung lượng, trong [8] tìm cách rút ngắn thời pháp lịch trình cho nhiệm vụ trong môi trường tính toán gian bay của UAV mà vẫn đảm bảo hoàn thành nhiệm sương mù và tính toán tại biên trong các ứng dụng IoT, vụ được giao. Một lĩnh vực nghiên cứu then chốt khác là chú trọng đến thời hạn [16] [17] [18]. Kỹ thuật lập lịch tối ưu hóa quỹ đạo bay của UAV. Đây là một nhiệm vụ trực tuyến dựa trên dịch vụ vi mô phụ thuộc vào đám phức tạp với nhiều yếu tố ảnh hưởng. Trong [9] nhằm mây và biên đã được đề xuất cho các nhiệm vụ IoT liên tối đa hóa tốc độ truyền dữ liệu cho người dùng trên quan đến phân phối năng lượng [19]. Kỹ thuật này xem mặt đất bằng cách điều chỉnh quỹ đạo và lịch trình bay xét ba yếu tố chính: độ trễ, giá trị loại nhiệm vụ, và cho một UAV. Gần đây, công trình [10] tiến hành tối ưu khối lượng dữ liệu đầu vào, nhằm cải thiện hiệu suất hóa quỹ đạo chung, lên kế hoạch cho nhiều người dùng, thực hiện nhiệm vụ. Nói chung, dù hàm Poisson không và điều chỉnh công suất cho đa UAV để tối đa hóa tỷ lệ trực tiếp dùng trong việc phân công nhiệm vụ IoT, nhưng của người dùng mặt đất ở mức tối thiểu. Trong [11] chú nó đã được áp dụng vào giới hạn trễ dịch để mô hình trọng vào việc tinh chỉnh quỹ đạo UAV để rút ngắn thời hóa các nhiệm vụ của IoT. gian cần thiết để chia sẻ một tệp tin với nhiều trạm gốc phân tán. Trong [12] áp dụng kỹ thuật gần đúng lồi tuần III. MÔ HÌNH ĐỀ XUẤT tự để tối đa hóa tỷ lệ trung bình tối thiểu cho các dịch vụ với độ nhạy thời gian khác nhau, thông qua việc tinh A. Giới hạn trễ Gauss và Poisson chỉnh quỹ đạo UAV và phân bổ tần số. Bên cạnh đó, Trong bối cảnh độ trễ dịch vụ của Internet vạn vật nhiều công trình nghiên cứu trước đây đã tập trung vào (IoT), trong [20] đã nghiên cứu ảnh hưởng của các tham việc tổng hợp dữ liệu qua UAV. Trong [24], các tác giả số phân phối Poisson đối với độ trễ dịch vụ trung bình đã đề xuất một khung làm việc dành cho việc tổng hợp hay phân bố địa lý [21]. Trong đề xuất [22] phân phối dữ liệu trong hệ thống không dây do UAV hỗ trợ, nhằm Gaussian nghịch đảo như một lựa chọn ít phức tạp hơn tăng cường thông lượng của hệ thống. Trong [13] giới mô hình Log-normal cổ điển để mô tả hiệu ứng tán xạ thiệu việc sử dụng nhiều UAV để thu thập dữ liệu từ trong môi trường phản xạ đa đường/tán xạ và thu được các thiết bị IoT trên mặt đất, với mục tiêu chính là giảm giải pháp dạng đóng cho các chỉ số quan trọng nhất. thiểu tổng công suất truyền của những thiết bị này.Trong Trong [23], phân phối Gaussian được sử dụng để mô [14] trình bày một thuật toán dựa trên trực giác để tối hình vị trí của các phần tử của mạng ăng ten VAA. Do ưu hóa lộ trình bay của UAV, nhằm giảm thiểu lỗi bình đó, trong đề xuất này, chúng tôi sử dụng cả phân phối phương tối thiểu các tham số truyền từ nút cảm biến. Gauss và Poisson để phân phối thời hạn cho các cụm Trong [15] đề xuất giải pháp thu thập dữ liệu một cách thiết bị trong mạng IoT mà chúng tôi mô phỏng trong tiết kiệm năng lượng, bao gồm việc tối ưu hóa cả quỹ nghiên cứu này. Trong phần này sẽ trình bày tổng quan đạo UAV và việc lựa chọn các trạm chủ cụm. Liên quan về các mô hình tối ưu hóa hiệu suất cho UAV. Tổng tới độ trễ dịch vụ IoT, trong [24] nghiên cứu ảnh hưởng lượng năng lượng tiêu thụ của một UAV bao gồm hai ISBN 978-604-80-8932-0 87
Hội nghị Quốc gia lần thứ 26 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2023) Bảng I: Tham số của hệ thống B. Chọn đường bay tối ưu Tham số Mô tả Giá trị Tại đây, chúng tôi tiến hành mô phỏng và tối ưu hóa ρ Mật độ không khí 1.225 chế độ bay để đáp ứng kỳ hạn thời gian sao cho năng m Khối lượng UAV[kg] 5 Cds Hệ số cản và diện tích tham chiếu 0.25 lượng sử dụng trong quá trình bay này là nhỏ nhất có vt Tốc độ đầu cánh quạt 200 thể. Đầu tiên, chúng tôi xem xét người dùng được tập Ad Diện tích bề mặt UAV [m2 ] 0.5 trung thành các cụm để xử lý, giá trị tọa độ, số lượng v Vận tốc UAV[km/h] 20 người dùng trong mỗi cụm, thời gian truyền dữ liệu và ko Hằng số kích thước cánh quạt 570 g Trọng lực chuẩn 9.8 kích thước dữ liệu của mỗi người dùng được khởi tạo ngẫu nhiên theo phân phối Gauss và Poisson. Để tính toán tổng năng lượng tối ưu cần thiết cho chuyến bay vận tải của UAV, chúng tôi sử dụng công phần chính: năng lượng liên quan đến truyền thông tin thức sau: và năng lượng di chuyển. Thực tế cho thấy, năng lượng A = Pf f t (4) truyền thông tin thường không đáng kể so với năng lượng di chuyển, ví dụ, chỉ vài W so với hàng trăm W [24], Trong đó A là tổng năng lượng để UAV di chuyển, Pf f vì vậy chúng tôi không tính đến nó trong nghiên cứu là công suất của UAV để di chuyển trong một đơn vị này. Trong nghiên cứu này, chúng tôi tập trung vào việc thời gian, t là thời gian di chuyển tối ưu của UAV. Tốc tối ưu hóa năng lượng cho đường bay của UAV. Đường độ của UAV là 20 km/h, vì vậy thời gian di chuyển tối bay của UAV được chia thành hai chế độ: chế độ bay ưu của UAV được tính toán thông qua việc tối ưu hóa chuyển tiếp, trong đó UAV di chuyển từ cụm này sang lộ trình bay của UAV. Để tính toán khoảng cách giữa cụm khác theo một đường thẳng để đảm bảo thời hạn và hai cụm, chúng tôi sẽ sử dụng khoảng cách Euclid được tiêu thụ năng lượng tối thiểu; và chế độ dừng lại, trong biểu thị như sau: đó UAV đứng yên trên không để phục vụ quá trình thu thập dữ liệu. Theo [24], năng lượng theo đơn vị thời gian d= (x1 − x2 )2 + (y1 − y2 )2 (5) cần thiết để UAV chuyển tiếp và dừng lại trên không có Trong đó d là khoảng cách giữa hai cụm, x1 , x2 là công thức như sau: tọa độ ngang, y1 y2 là tọa độ dọc của cụm trong không gian 2 chiều. Dưới đây là các bước để tìm lộ trình bay 1 v2 ngắn nhất cho UAV: Pf f = mgvind + ρv 3 Cds + ko (1 + 3 2 ) (1) 2 vt 1) Sắp xếp vị trí các cụm theo thời gian kỳ hạn của mỗi cụm. trong đó Cds là một hằng số phụ thuộc vào hệ số lực 2) Tính toán đệ quy để tìm lộ trình ngắn nhất cho cản của UAV và diện tích tham chiếu, ρ được biết đến là các trường hợp đáp ứng yêu cầu về thời hạn. Trong mật độ không khí, g biểu thị trọng lực chuẩn, m là khối trường hợp các cụm có cùng thời hạn, chúng tôi lượng của UAV tính bằng kilogram, ko là một hằng số xem xét khoảng cách theo công thức (4) từ vị trí phụ thuộc vào kích thước của cánh quạt và vt là tốc độ hiện tại đến các vị trí có cùng thời hạn. Khoảng đầu của cánh quạt. Trong (1), ngoài ra, vind là vận tốc cách nhỏ hơn đến cụm sẽ là lộ trình bay tối ưu. trung bình do cánh quạt tạo ra trong chế độ bay tiến về 3) Lấy lại thứ tự các vị trí theo hoán vị có khoảng phía trước, được xác định bởi: cách nhỏ nhất. 4) Sau khi thu được lộ trình bay tối ưu, chúng tôi sử mg 2 −v 2 + v4 + ρAd dụng công thức (3) để tính toán năng lượng bay vind = (2) vận tải tối thiểu cho UAV. 2 C. Thuật toán GA cho tối ưu hóa năng lượng dừng của trong đó Ad là diện tích của UAV. Trong trường hợp UAV v = 0, công suất cần thiết để một UAV dạng quad- copter bay lơ lửng là: Thuật toán di truyền là phương pháp tìm kiếm tối ưu ngẫu nhiên bằng cách mô phỏng quá trình tiến hóa của con người hoặc các sinh vật. Nó áp dụng các nguyên (mg)3 tắc di truyền, đột biến, chọn lọc tự nhiên và lai ghép. P h = ko + (3) 2ρAd GA tạo ra các quần thể, mỗi quần thể sẽ cung cấp giải pháp cho vấn đề được đưa ra. Sau khi các quần thể được Tham số chi tiết được mô tả ở Bảng I: trộn lẫn và đột biến, nó sẽ tạo ra các quần thể mới. Mức ISBN 978-604-80-8932-0 88
Hội nghị Quốc gia lần thứ 26 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2023) Bảng II: Các thông số của thuật toán GA Bảng III: Compare UAV power consumption Thông số Giá trị UAV path Power consump- Số thế hệ 50 tion of UAV Số lượng cá nhân trong quần thể ban đầu 10 The path is optimized using the algorithm 0.446535 (mW) Tỷ lệ lai ghép 0.8 we propose Tỷ lệ đột biến 0.05 Random path (1st time) 0.532060 (mW) Số lượng cá nhân để xây dựng quần thể tiếp theo 2 Random path (2nd time) 0.501467 (mW) γ 300 α 10 β 1 IV. KẾT QUẢ VÀ KẾT LUẬN Như chúng tôi đã trình bày ở trên và cụ thể trong độ phù hợp của mỗi quần thể hoặc thành viên được tính đề xuất của tác giả [25], các thời hạn của cụm trong bằng hàm phù hợp. Chúng tôi sử dụng thuật toán GA để mạng IoT thường được phân phối theo các nhiệm vụ cụ tối ưu hóa mức độ dừng năng lượng của UAV. Đầu vào thể, mất đi tính thực tế. Do đó, chúng tôi đã đề xuất của thuật toán là số lượng người dùng trong các cụm, sử dụng hai loại phân phối: Gauss và Poisson để phân đầu ra là số lượng người dùng được chọn thoả mãn điều phối thời hạn cho mỗi cụm trong mạng IoT. Bằng cách kiện Tdeadline . Sơ đồ hoạt động của thuật toán GA được sử dụng phân phối ngẫu nhiên Gauss và Poisson, các trình bày trong Hình 2. Sau khi tính toán thời gian tối thời hạn được chọn ngẫu nhiên theo các phân phối mà ưu, chúng tôi nhân chúng với năng lượng P h để có được không chịu bất kỳ ràng buộc nào. năng lượng dừng tối ưu nhất của UAV. Trong vấn đề này, Trong Hình 3 với đường bay màu xanh, chúng tôi đã chúng tôi xây dựng hàm phù hợp như sau: sử dụng thuật toán tối ưu hóa để chọn quãng đường đi ngắn nhất của UAV qua các điểm, đảm bảo mức tiêu thụ δ = γ − αNmax − βSmax (6) năng lượng của UAV trên quãng đường di chuyển là nhỏ, trong khi vẫn đảm bảo đúng thời hạn của cụm vì chúng Nơi mà δ là độ phù hợp của thuật toán GA, γ là hằng tôi đã điều chỉnh quỹ đạo bay của UAV từ một cụm thời số độc lập giúp điều chỉnh kết quả phù hợp, α và β là hạn ngắn đến một cụm thời hạn dài. Nhưng nếu chỉ điều hằng số trọng số, Nmax là số lượng người dùng của cá chỉnh như vậy, nó vẫn sẽ gây ra lãng phí năng lượng bay nhân trong quần thể, Smax là lượng dữ liệu tối đa của không cần thiết trên quỹ đạo của UAV, do đó chúng tôi cá nhân trong quần thể. Hàm phù hợp này sẽ giúp tối đã đề xuất thuật toán tối ưu hóa lộ trình bay này. Điều ưu hóa giữa việc nhận nhiều cá nhân và lượng dữ liệu này được trình bày chi tiết trong Bảng III so sánh mức lớn nhất thu được. Thuật toán GA có thể được mô tả tiêu thụ năng lượng của UAV khi sử dụng thuật toán tối như sau: ưu và khi chọn một cách ngẫu nhiên trong Hình 3 với đường bay màu xanh lá cây, Hình 3 với đường bay màu 1) Khởi tạo các thông số (tỷ lệ lai ghép, tỷ lệ đột đỏ. Mức tiêu thụ năng lượng của quãng đường được sử biến, số lượng cá nhân ban đầu trong quần thể, số dụng bởi thuật toán. Thuật toán tối ưu hóa trong Hình lượng thế hệ, Số lượng cá nhân để xây dựng quần 3 màu xanh luôn đạt mức tốt nhất so với các thuật toán thể tiếp theo). còn lại. 2) Tạo ngẫu nhiên cá nhân ban đầu cho quần thể. Trong Hình 4, chúng tôi đã trình bày đồ thị về giá 3) Tính mức độ phù hợp của cá nhân thông qua hàm trị của hàm mục tiêu qua 50 thế hệ của thuật toán GA. phù hợp. Để có cái nhìn rõ ràng nhất, chúng tôi đã khảo sát thực 4) Chọn lọc các cá nhân phù hợp từ bước 3. hiện thuật toán GA trên 3 thử nghiệm khác nhau để thể 5) Chọn ngẫu nhiên cá nhân cha mẹ, với tỷ lệ lai hiện kết quả như trong Hình 4. Kết quả trên cho thấy ghép đã chọn từ bước 1, chúng ta tiến hành lai thuật toán GA đã thực hiện tốt nhiệm vụ của mình khi ghép các cá nhân với nhau. giá trị hàm mục tiêu của chúng tôi tăng qua từng lần 6) Chọn ngẫu nhiên cá nhân cha mẹ, với tỷ lệ đột lặp của thuật toán. biến đã chọn từ bước 1, chúng ta đột biến các cá Trong Hình 5, mỗi thế hệ của thuật toán GA đã mang nhân với nhau. lại kết quả tốt khi số lượng thiết bị IoT được phục vụ 7) Quy trình từ bước 3 đến bước 6 được thực hiện tăng qua mỗi lần lặp, nghĩa là có nhiều dữ liệu được cho đến khi các điều kiện thuật toán được thỏa truyền đi nhưng vẫn đảm bảo các yếu tố thời hạn của mãn. mỗi thiết bị. 8) Kết thúc. Trong Hình 6, chúng tôi đã cung cấp đồ thị so sánh thể ISBN 978-604-80-8932-0 89
Hội nghị Quốc gia lần thứ 26 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2023) Hình 6: So sánh kết quả của hàm mục tiêu. Hình 3: Biểu diễn lộ trình bay của UAV khi sử dụng thuật toán và khi được chọn ngẫu nhiên. hiện kết quả của hàm mục tiêu được trình bày ở trên sau khi chúng tôi sử dụng thuật toán GA và khi không được tối ưu bởi GA để so sánh qua các lần thử khác nhau. Qua đồ thị, chúng ta có thể thấy rằng so với phương pháp thông thường của việc chọn ngẫu nhiên thiết bị để truyền và nhận dữ liệu, thuật toán GA đã làm tốt nhiệm vụ của mình trong việc đưa hàm mục tiêu đến giá trị tốt nhất. Tại đây, như đã nêu ở trên, chúng tôi sử dụng GA để tối đa hóa số lượng thiết bị IoT trong các cụm trong khi vẫn đảm bảo truyền tải dữ liệu tối đa và vẫn đảm bảo thời hạn được đặt cho mỗi cụm. Số lượng thiết bị UAV IoT có thể thu thập dữ liệu là 86% và đảm bảo tất cả các cụm đều có thiết bị IoT được chọn. Hơn nữa, với những kết quả này, phương pháp của chúng tôi cũng tối ưu hóa năng lượng dừng của UAV trong các cụm để Hình 4: Đồ thị biểu diễn số lượng hàm mục tiêu qua 50 tránh lãng phí tài nguyên UAV, và điều này rất cần thiết thế hệ. khi tăng mật độ thiết bị IoT trong mạng, giúp UAV có thể phục vụ được nhiều thiết bị hơn. V. KẾT LUẬN Chúng ta biết rằng dữ liệu trong các thiết bị IoT bị giới hạn theo thời gian, và mỗi thiết bị có thời hạn cụ thể của riêng mình. Vòng đời của thiết bị IoT trong một mạng lưới không theo quy tắc cụ thể nào và không bị ràng buộc. Nghiên cứu về phân phối thời gian thường tập trung vào các vấn đề cấp phát cho các nhiệm vụ đã định sẵn và thường chịu những ràng buộc nghiêm ngặt, tạo ra những điều kiện không thực tế trong môi trường thực. Vì lý do này, trong nghiên cứu này, chúng tôi quyết định áp dụng hai loại phân phối thời gian - Gauss và Poisson - cho các thời hạn này để đảm bảo hiệu quả trong dài hạn. Chúng tôi cũng đã triển khai thuật toán Hình 5: Đồ thị biểu diễn số lượng người dùng qua 50 GA với mục tiêu kép: tối đa hóa số lượng thiết bị IoT mà thế hệ. UAV có thể hỗ trợ, đồng thời giảm thiểu việc sử dụng ISBN 978-604-80-8932-0 90
Hội nghị Quốc gia lần thứ 26 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2023) tài nguyên của thiết bị IoT. Bên cạnh đó, chúng tôi phát [11] Y. Zeng, X. Xu, and R. Zhang, “Trajectory design for com- triển thuật toán tối ưu hóa lộ trình dựa trên cách phân pletion time minimization in uav-enabled multicasting,” IEEE Transactions on Wireless Communications, vol. 17, no. 4, pp. bổ thời hạn đã nêu để tiết kiệm tài nguyên cho UAV 2233–2246, 2018. và thiết lập các quỹ đạo bay hợp lý giữa các cụm thiết [12] M. D. Nguyen, L. B. Le, and A. Girard, “Integrated uav bị IoT. Điểm nổi bật của phương pháp do chúng tôi đề trajectory control and resource allocation for uav-based wire- less networks with co-channel interference management,” IEEE xuất là việc đảm bảo đáp ứng mọi yêu cầu từ các cụm Internet of Things Journal, vol. 9, no. 14, pp. 12 754–12 769, thiết bị trong khoảng thời hạn đã được xác định. Trong 2021. tương lai, chúng tôi kỳ vọng rằng phương pháp này có [13] Z. Wei, M. Zhu, N. Zhang, L. Wang, Y. Zou, Z. Meng, H. Wu, and Z. Feng, “Uav-assisted data collection for internet of things: thể được áp dụng rộng rãi trong các mạng lưới thiết bị A survey,” IEEE Internet of Things Journal, vol. 9, no. 17, pp. IoT có quy mô lớn, đưa việc thu thập dữ liệu trong các 15 460–15 483, 2022. kịch bản có hạn thời gian từ lý thuyết sang thực tiễn. [14] C. Zhan and G. Yao, “Energy efficient estimation in wireless sensor network with unmanned aerial vehicle,” IEEE Access, TÀI LIỆU vol. 7, pp. 63 519–63 530, 2019. [15] S. K. Haider, A. Jiang, A. Almogren, A. U. Rehman, A. Ahmed, [1] Y. Mao, C. You, J. Zhang, K. Huang, and K. B. Letaief, “A W. U. Khan, and H. Hamam, “Energy efficient uav flight path survey on mobile edge computing: The communication perspec- model for cluster head selection in next-generation wireless tive,” IEEE communications surveys & tutorials, vol. 19, no. 4, sensor networks,” Sensors, vol. 21, no. 24, p. 8445, 2021. pp. 2322–2358, 2017. [16] J. Fan, X. Wei, T. Wang, T. Lan, and S. Subramaniam, “Deadline- [2] M. Mozaffari, W. Saad, M. Bennis, Y.-H. Nam, and M. Debbah, aware task scheduling in a tiered iot infrastructure,” in GLOBE- “A tutorial on uavs for wireless networks: Applications, chal- COM 2017-2017 IEEE Global Communications Conference. lenges, and open problems,” IEEE communications surveys & IEEE, 2017, pp. 1–7. tutorials, vol. 21, no. 3, pp. 2334–2360, 2019. [17] S. Lee, S. Lee, and S.-S. Lee, “Deadline-aware task scheduling [3] Q.-V. Pham, F. Fang, V. N. Ha, M. J. Piran, M. Le, L. B. Le, W.-J. for iot applications in collaborative edge computing,” IEEE Hwang, and Z. Ding, “A survey of multi-access edge computing Wireless Communications Letters, vol. 10, no. 10, pp. 2175– in 5g and beyond: Fundamentals, technology integration, and 2179, 2021. state-of-the-art,” IEEE access, vol. 8, pp. 116 974–117 017, 2020. [18] J. Fan, J. Liu, J. Chen, and J. Yang, “Lpdc: mobility-and [4] Q. Wu, L. Liu, and R. Zhang, “Fundamental trade-offs in deadline-aware task scheduling in tiered iot,” in 2018 IEEE communication and trajectory design for uav-enabled wireless 4th International Conference on Computer and Communications network,” IEEE Wireless Communications, vol. 26, no. 1, pp. (ICCC). IEEE, 2018, pp. 857–863. 36–44, 2019. [19] R. Chen, Q. Cheng, and X. Zhang, “Power distribution iot tasks [5] B. Alzahrani, O. S. Oubbati, A. Barnawi, M. Atiquzzaman, and online scheduling algorithm based on cloud-edge dependent D. Alghazzawi, “Uav assistance paradigm: State-of-the-art in microservice,” Applied Sciences, vol. 13, no. 7, p. 4481, 2023. applications and challenges,” Journal of Network and Computer [20] J. Chen, S. Chen, S. Luo, Q. Wang, B. Cao, and X. Li, Applications, vol. 166, p. 102706, 2020. “An intelligent task offloading algorithm (itoa) for uav edge [6] H. Yetgin, K. T. K. Cheung, M. El-Hajjar, and L. H. Hanzo, “A computing network,” Digital Communications and Networks, survey of network lifetime maximization techniques in wireless vol. 6, no. 4, pp. 433–443, 2020. sensor networks,” IEEE Communications Surveys & Tutorials, [21] H. Elsawy, “Characterizing iot networks with asynchronous vol. 19, no. 2, pp. 828–854, 2017. time-sensitive periodic traffic,” IEEE Wireless Communications [7] I. A. Elnabty, Y. Fahmy, and M. Kafafy, “A survey on uav Letters, vol. 9, no. 10, pp. 1696–1700, 2020. placement optimization for uav-assisted communication in 5g [22] V. Gopal, “Inverse-gaussian distribution: A new shadowing and beyond networks,” Physical Communication, vol. 51, p. model and its application to communication systems,” 2012. 101564, 2022. [23] H. Jung and I.-H. Lee, “Secrecy performance analysis of [8] J. Gong, T.-H. Chang, C. Shen, and X. Chen, “Flight time analog cooperative beamforming in three-dimensional gaussian minimization of uav for data collection over wireless sensor distributed wireless sensor networks,” IEEE Transactions on networks,” IEEE Journal on Selected Areas in Communications, Wireless Communications, vol. 18, no. 3, pp. 1860–1873, 2019. vol. 36, no. 9, pp. 1942–1954, 2018. [24] H. Sallouha, M. M. Azari, and S. Pollin, “Energy-constrained uav [9] X. Wu, Z. Wei, Z. Cheng, and X. Zhang, “Joint optimization trajectory design for ground node localization,” in 2018 IEEE of uav trajectory and user scheduling based on noma technol- Global Communications Conference (GLOBECOM). IEEE, ogy,” in 2020 IEEE Wireless Communications and Networking 2018, pp. 1–7. Conference (WCNC). IEEE, 2020, pp. 1–6. [25] M. Samir, S. Sharafeddine, C. M. Assi, T. M. Nguyen, and [10] C. Shen, T.-H. Chang, J. Gong, Y. Zeng, and R. Zhang, “Multi- A. Ghrayeb, “Uav trajectory planning for data collection from uav interference coordination via joint trajectory and power time-constrained iot devices,” IEEE Transactions on Wireless control,” IEEE Transactions on Signal Processing, vol. 68, pp. Communications, vol. 19, no. 1, pp. 34–46, 2019. 843–858, 2020. ISBN 978-604-80-8932-0 91