Nghiên cứu phát triển định tuyến tiết kiệm năng lượng cho mạng cảm biến không dây(thông tin đưa lên website)

BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI






NGUYỄN TRUNG DŨNG







NGHIÊN CỨU PHÁT TRIỂN ĐỊNH TUYẾN
TIẾT KIỆM NĂNG LƯỢNG CHO MẠNG CẢM BIẾN KHÔNG DÂY






Chuyên ngành: Kỹ thuật Viễn thông
Mã số: 62520208

TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT VIỄN THÔNG









Hà Nội – 2014





Công trình được hoàn thành tại:
Trường Đại học Bách khoa Hà Nội

Người hướng dẫn khoa học: PGS.TS NGUYỄN VĂN ĐỨC






Phản biện 1: PGS.TS Lê Nhật Thăng
Phản biện 2: PGS.TS Trương Vũ Bằng Giang
Phản biện 3: PGS.TS Nguyễn Huy Hoàng








Luận án sẽ được bảo vệ trước Hội đồng chấm luận án tiến sĩ cấp Trường
họp tại: Trường Đại học Bách khoa Hà Nội


Vào hồi………giờ, ngày……tháng…….năm……






Có thể tìm hiểu luận án tại thư viện:

1. Thư viện Tạ Quang Bửu – Trường ĐHBK Hà Nội
2. Thư viện Quốc gia


1

M U
1.1. Mu
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.
Mc tiêu nghiên cu ca lun án
- Phân tích thiết kế giao thức định tuyến tiết kiệm năng lượng trong mạng cảm biến không dây.
- Nghiên cứu, đề xuất thuật toán ước lượng vị trí đối tượng sử dụng trong mạng cảm biến không dây.
Đề xuất mô hình giám sát đối tượng theo vùng dựa trên thuật toán ước đoán vị trí và giao thức định
tuyến đề xuất nhằm tiết kiệm năng lượng.
Các v cn gii quyt ca lun án
- Đề xuất phương pháp định tuyến giảm thiểu gói tin dư thừa, hạn chế số nút mạng tham gia định

tuyến.
- Đề xuất phương pháp định tuyến kết hợp nhiều điều kiện để chọn đường đi tốt nhất.
- Đề xuất phương pháp định tuyến loại bỏ tuyến đường có mức năng lượng không đảm bảo.
- Đề xuất phương pháp định tuyến kết hợp điều khiển công suất.
- Đề xuất thuật toán ước lượng, dự đoán vị trí đối tượng sử dụng trong mạng cảm biến không dây.
- 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 đề xuất.
Phm vi nghiên cu
- Tập trung nghiên cứu các giao thức định tuyến trong mạng cảm biến không dây.
- Tập trung nghiên cứu các kỹ thuật điều khiển công suất trong mạng cảm biến không dây.
- 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.
u
- 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.
a lun 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)
 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).
 Định tuyến tiết kiệm năng lượng kết hợp điều khiển công suất.
- 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 mô hình giám sát đối tượng theo vùng tiết kiệm năng lượng.


2

1.2. Cu trúc ni dung ca lun án
Nội dung của luận án bao gồm bốn chương. Trong đó toàn bộ đóng góp khoa học của luận án thể hiện ở
các nội dung đề xuất và thực hiện trong chương 2 và chương 3. Với các nội dung cụ thể:
- Chương 1: Trình bày tổng quan về mạng cảm biến không dây đa chặng, những khó khăn và ứng
dụng của nó trong cuộc sống.
- Chương 2: Trình bày các giao thức định tuyền tiết kiệm năng lượng mới: định tuyến mở rộng vòng
tối ưu, định tuyến dựa vào năng lượng và điều khiển công suất.
- Chương 3: Trình bày nghiên cứu về các thuật toán ước lượng, dự đoán vị trí đối tượng. Đề xuất
phương pháp thực hiện thuật toán bộ lọc chất điểm mới ứng dụng trong mạng cảm biến không dây.
Đề xuất mô hình giám sát theo vùng bằng cách điều khiển bật tắt các nút cảm biến dựa trên thuật
toán ước lượng, dự đoán vị trí đối tượng.
- Chương 4: Kết luận và hướng phát triển tiếp cho luận án.

TNG QUAN V MNG CM BING

1.1. Gii thiu
Mạng cảm biến không dây đa chặng là mạng bao gồm nhiều nút cảm biến nhỏ giao tiếp thông qua các kết
nối không dây, các nút cảm biến này cảm nhận, tập trung dữ liệu, phân tích tính toán trên các dữ liệu thu thập
được sau đó truyền đơn chặng hoặc đa chặng về trạm điều khiển để tiếp tục phân tích và đưa ra các quyết
định toàn cục về môi trường xung quanh.
Trong hình 1.1, các nút cảm biến được phân bố trong trường cảm ứng. Mỗi nút cảm biến có khả năng thu
thập dữ liệu và định tuyến đa chặng 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 chặng 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. Ví dụ về mạng cảm biến không dây đa chặng đơn giản

1.2. Cu trúc mng cm bing


Mạng cảm biến bao gồm một số lượng lớn các nút cảm biến, các nút cảm biến có giới hạn và rằng 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.
- Khả năng chịu lỗi cao.
- Khả năng mở rộng.
- Giá thành sản xuất thấp.
- Rằng buộc về phần cứng: Kích thước nhỏ, tiêu thụ năng lượng thấp, khả năng tự hoạt động, 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.
- Phương tiện truyền dẫn: Ttruyền không dây đa chặng. Các đường kết nối này có thể tạo nên bởi sóng
vô tuyến, hồng ngoại hoặc những phương tiện quang học. Hiện tại nhiều phần cứng của các nút cảm
biến dựa vào thiết kế mạch RF.
- Cấu hình mạng cảm biến: Có hàng trăm đến hàng nghìn nút được triển khai trên trường cảm biến.
Chúng được triển khai trong vòng hàng chục mét mỗi nút.


3

- Sự tiêu thụ năng lượng: Nút cảm biến không dây được trang bị pin để hoạt động. Thời gian sống của
các nút cảm biến phụ thuộc mạnh vào thời gian sống của pin. Vì vậy việc duy trì và quản lý nguồn
năng lượng đóng một vai trò quan trọng.

Kiến trúc giao thức mạng cảm biến được trình bày như hình 1.2. 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.











Hình 1.2. Kiến trúc giao thức mạng cảm biến
1.2.3. Hai ca mng cm bin
1.2.3.1. Cấu trúc phẳng
Trong cấu trúc phẳng (hình 1.3), 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.
1.2.3.2. Cấu trúc phân tầng
Trong cấu trúc phân tầng (hình 1.4), mạng cảm biến được chia thành các vùng được gọi là cụm. Các nút
cảm biến trong cụm gửi dữ liệu đơn chặng hay đa chặng tùy thuộc vào kích thước 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 độ 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 theo
cấp, cấp thấp nhất thực hiện nhiệm vụ cảm nhận, cấp giữa thực hiện tính toán, cấp trên cùng thực hiện phân
phối dữ liệu như hình 1.5.
Nút cảm biến
Điểm xử lý tập trung


Hình 1.3. Cấu trúc phẳng của mạng cảm biến
Nút cảm biến
Điểm xử lý tập trung
Nút chủ (Cluster Head)

Hình 1.4. Cấu trúc tầng của mạng cảm biến



4

Internet
Cấp 0: Cảm nhận
Cấp 1: Tính toán
Cấp 2: Phân phối
Nút cảm biến

Hình 1.5. Cấu trúc mạng phân cấp chức năng theo lớp

1.3
1.3.1. 
Mạng cảm biến không dây có thể là một phần tích hợp trong hệ thống điều khiển quân đội, giám sát, giao
thiếp, tính toán thông minh, trinh sát, theo dõi mục tiêu.
- Giám sát lực lượng, trang thiết bị và đạn dược.
- Giám sát chiến trường.
- Giám sát địa hình và lực lượng quân định.
- Phát hiện và thăm dò các vụ tấn công bằng hóa học, sinh học và hạt nhân.
1.3
- Phát hiện cháy rừng.
- Phát hiện lũ lụt thiên tai.
- Giám sát thú, động thực vật quý hiếm.
- Theo dõi các điều kiện môi trường ảnh hưởng đến cuộc sống.
- Thăm dò, nghiên cứu ở những nơi con người không đặt chân đến được.
1.3
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 bác sĩ và bệnh nhân trong bệnh viện.
1.3
Đo nhiệt độ và các thông số môi trường khác. Phát hiện sự dịch chuyển trong nhà, hỗ trợ trong việc thiết
kế các tòa nhà thông minh, tự động
2
TNH TUYNG TIT KING
2.1. Gii thiu 
Chương này đề xuất các giao thức định tuyến đa chặng tiết kiệm năng lượng. Từ giao thức kinh điển
AODV, thực hiện thay đổi cách thức gửi và nhận bản tin định tuyến, thay đổi thông số điều kiện tìm đường
đi tốt nhất, luận án đề xuất giao thức định tuyến mở rộng vòng tối ưu EERS, định tuyến loại bỏ tuyến đường
có mức năng lượng thấp ABR, định tuyến sử dụng hai điều kiện chọn đường RDC và định tuyến kết hợp
điều khiển công suất PRP.
2.2. nh tuyn tit king da trên gim thiu các gói ta
Giao thức AODV sử dụng phương pháp làm tràn gói tin để tìm đường. Quá trình làm tràn là quá trình một
nút gửi thông tin đến toàn bộ các nút trên mạng. 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.
 Expanding Ring Search (ERS)
Với phương pháp làm tràn, khi một nút cần tìm đường tới đích, nút đó sẽ gửi bản tin ra toàn bộ mạng để


5

tìm kiếm. Điều này dẫn đến tất cả các nút trên mạng tham gia vào quá trình tìm đường gây tiêu tốn năng
lượng. Để khắc phục nhược điểm này, giao thức ERS sử dụng cơ chế tìm kiếm mở rộng vòng để tìm đường.
Với cơ chế này mỗi khi nút muốn tìm đường đi đến một nút khác, thay vì phải thực hiện làm tràn ngay, nó sẽ
quảng bá một gói tin tìm đường RREQ trong phạm vi  hop. Gói tin RREQ này có giá trị thời gian sống
(Time To Live - ) gán bằng , sau mỗi lần được 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.
Nút nguồn sau khi gửi bản tin RREQ sẽ đợi trong một khoảng thời gian 

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 lại thực hiện lại quá trình tìm đường nhưng tăng giá trị  trong gói tin RREQ lên  đơn vị. Nếu sau
nhiều lần tăng gửi RREQ không tìm được đường đi và  lớn hơn một giá trị xác định, nút sẽ thực hiện quá
trình làm tràn cho toàn mạng như ban đầu.
         vòng         
Efficient Expanding Ring Search (EERS)
Cơ chế ERS gặp phải nhược điểm: nếu mạng có bán kính lớn và khi nút nguồn nút đích ở xa nhau thì nút
nguồn sẽ phải thực hiện quá trình tìm đường mở rộng vòng nhiều lần. Điều này dẫn đến việc các nút trong
vùng tìm kiếm sẽ phải tiêu tốn năng lượng nhiều hơn. Để giải quyết vấn đề này, luận văn đề xuất giao thức
tìm kiếm mở rộng vòng tối ưu EERS với phương pháp tối ưu các lần tìm kiếm mở rộng sau dựa trên các lần
tìm kiếm trước đó.
a. Làm tràn 
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 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 chuyển tiếp bản tin, ngược lại giá trị của relay là sai (false) thì nút này
không 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 nút đã gửi bản tin cho nó (Predecessor) vào bản tin dữ liệu
và sau đó gửi quảng bá bản tin.
Nếu nút đã nhận được bản tin làm tràn này trước đó, nó lấy thông tin Predecessor trong gói tin dữ liệu
trước khi hủy bản tin. Nút so sánh thông tin Predecessor này với địa chỉ của nó. Nếu hai thông tin trùng
khớp, nút thiết lập giá trị biến relay là đúng. Còn không, biến relay vẫn giữ nguyên giá trị sai.
Trong pha thứ hai, giảm bớt dư thừa của quá trình làm tràn (Reducing the Overhead of Flooding - ROF),
nếu quá trình làm tràn khác xảy ra thì sự dư thừa 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 tiếp bản tin nhận
từ nút lân cận của nó, các nút với relay có giá trị false nhận bản tin nhưng không chuyển tiếp. Do đó giúp
giảm thiểu bản tin dư thừa, giảm bớt số nút mạng tham gia định tuyến, tiết kiệm năng lượng toàn mạng.
b. Tit king tìm kim m rng vòng
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 có thể không chuyển tiếp bản tin bằng cách áp
dụng ROF. Các nút không chuyển tiếp bản tin có biến relay thiết lập là sai (false). Các nút không nằm trong


6

vùng tìm kiếm đầu tiên phải thực hiện quá trình CNI để xác định giá trị của biến relay.
Tìm kiếm lần ba xảy ra nếu vẫn không tìm được đường đến đích, nút nguồn tiếp tục tăng 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.

Sử dụng phần mềm NS2 để mô phỏng đánh giá các kịch bản với mô hình mạng 50 nút, 60 nút, 70 nút, 80
nút, 90 nút và 100 nút mạng.
Hình 2.1 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.

Hình 2.1. So sánh thời gian sống của mạng giữa AODV, ERS và EERS
Hình 2.2 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.
Hình 2.3 đã 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 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.

Hình 2.2. So sánh tỷ lệ truyền gói tin thành công

Hình 2.3. So sánh về thông lượng

60

70
80
90
100
110
50 60 70 80 90 100


AODV
ERS
EERS
80
85
90
95
100
50 60 70 80 90 100
PDR(%)
Số nút mô phỏng (nút)
AODV
ERS
EERS
0
50
100
150
200
50 60 70 80 90 100
Throughput (Kbps)


AODV
ERS
EERS


7

i gian sng ca mng dng ca nút cm bin
2.3.1.  

Luận văn 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. Trong thuật toán ABR bản tin
route request và route reply được bổ sung thêm một trường lưu giá trị năng lượng: trường rq_min_energy
trong bản tin RREQ và 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.
Begin
Create RREQ with
rq_min_energy = limited
End
Broadcast RREQ
Create new RREQ
t >= T Is there RREP
Yes
No
No
Add route into routing table
Send data packet to destination

Hình 2.4. Thuật toán ABR thực hiện tại nút nguồn

Begin
Receive RREQ
Have destination
information
End
Forward RREQ
Yes
Yes
No
Send RREP
Rq_min_energy > Route
energy threshold
Rq_min_energy >
Node_energy
Rq_min_energy =
Node_energy
No
Yes
No

Hình 2.5. Thuật toán ABR thực hiện tại nút trung gian
Tại nút đích được (trong hình 2.6), 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 độ trễ của mạng. Biến
Temp_energy_threshold được khởi tạo bằng 0J. Biến này sẽ dùng để lưu lại giá trị lớn 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 2.6, 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  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. Trong mô phỏng này giảm đi 3J. 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 3J 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  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


8

tin RREQ và nút đích lại tiếp tục giảm ngưỡng đến khi phù hợp.

Begin
Destination_threshold_energy = 20
Temp_energy_threshold = 0
Receive RREQ
End
Send RREP
(RREP includes Rp_energy =
Destiantion_threshold_energy)
Yes

Broadcast ID = 0
or Broadcast ID = Old Broadcast ID
Rq_min_energy >=
Destiantion_threshold_energy
Yes
Temp_energy_threshold =
max(Temp_energy_threshold, Rq_min_energy)
Delete RREQ
Destination_threshold_energy =
Temp_energy_threshold – 3;
Temp_energy_threshold = Rq_min_energy
Rq_min_energy >=
Destiantion_Threshold_energy
Send RREP
(RREP includes Rp_energy =
Destiantion_Threshold_energy)
Yes
Delete RREQ
No
No
No

Hình 2.6. Thuật toán ABR thực hiện tại nút đích
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.
2.3.2.  xut nh tuyn du kin  cht nht - Routing
Dual Criterion (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.
Với giá trị đó, thông số dùng lựa chọn đường đi tốt nhất lúc này sẽ là:



(2.1)
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 .
2.3.3. Kt qu mô phng
Sử dụng phần mềm NS2 để mô phỏng đánh giá các giao thức đề xuất với 2 mô phỏng:
- Mô phỏng 1: Mô hình 50 nút mạng với các vị trí sắp xếp ngẫu nhiên để tạo thành 5 mô hình mạng.


9

- Mô phỏng 2: Tạo ra các mô hình mạng 50 nút, 60 nút, 70 nút, 80 nút, 90 nút và 100 nút cảm biến với
các nút mạng được sắp xếp ngẫu nhiên.
Từ các kết quả mô phỏng 1 và 2 ta thấy hai thuật toán định tuyến được đề xuất thu được hiệu quả sử dụng
năng lượng tốt hơn thuật toán cũ, kéo dài thời gian hoạt động của mạng. Các thông số khác như thông lượng,
tỷ lệ truyền gói tin thành công vẫn được đảm bảo.


Hình 2.7. So sánh thời gian sống của mạng Lifetime giữa
AODV, ERS, EERS, ABR và RDC mô phỏng 1

Hình 2.8. So sánh tỷ lệ gửi gói tin thành công PDR giữa
AODV, ERS, EERS, ABR và RDC mô phỏng 1


Hình 2.9. So sánh thông lượng Throughput giữa AODV,
ERS, EERS, ABR và RDC mô phỏng 1


Hình 2.10. So sánh thời gian sống của mạng Lifetime giữa
AODV, ERS, EERS, ABR và RDC mô phỏng 2



Hình 2.11. So sánh tỷ lệ gửi gói tin thành công PDR giữa
AODV, ERS, EERS, ABR và RDC mô phỏng 2



Hình 2.12. So sánh thông lượng Throughput của mạng giữa
AODV, ERS, EERS, ABR và RDC mô phỏng 2

ng tit king du khin công sut.
2.4.1. K thuu khin công sut
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 P
loss
.
Xét hai nút A và B. Nút A gửi bản tin Hello tới nút B sử dụng công suất mặc định lớn nhất P
tx_max

(dBm).
Nút B nhận bản tin Hello, nó xác định công suất nhận tại B P
rx_B
(dBm) và tính toán công suất suy hao từ A
sang B theo công thức sau:






(2.2)

50
60
70
80
90
100
Topo 1 Topo 2 Topo 3 Topo 4 Topo 5


AODV
ERS
EERS
ABR
RDC
80
85
90

95
100
105
110
Topo 1 Topo 2 Topo 3 Topo 4 Topo 5
PDR (%)

AODV
ERS
EERS
ABR
RDC
0
100
200
300
400
Topo 1 Topo 2 Topo 3 Topo 4 Topo 5
Throughput (Kbps)

AODV
ERS
EERS
ABR
RDC
60
70
80
90
100

110
50 60 70 80 90 100


AODV
ERS
EERS
ABR
RDC
80
85
90
95
100
50 60 70 80 90 100
PDR(%)

AODV
ERS
EERS
ABR
RDC
0
50
100
150
200
50 60 70 80 90 100
Throughput (Kbps)


AODV
ERS
EERS
ABR
RDC


10

Sau đó nút B xác định công suất phát từ A sang B theo công thức:




 

 

(2.3)
Trong đó, P
sen
(dBm) là mức công suất nhỏ nhất để nhận được bản tin thành công tại bên thu (hay còn gọi
là độ nhạy thu), P
mar
(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 node 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 sự dự đoán và tính toán công suất phát này được thực hiện liên
tục.
2.4.2.  xunh tuyn du khin công sut
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 










Trong đó, P
tx_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 LP
sent
. P
tx_max
là giá trị công suất truyền lớn nhất khi không có điều khiển
công suất. LP
sent
là năng lượng còn lại của nút tại một thời điểm tính toán. LP
thr
là ngưỡng năng lượng còn
lại. 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 LP
thr
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
2.4.3. Kt qu mô phng
Sử dụng phầm mềm NS2 để mô phỏng đánh giá. Các kết của về thời gian sống của mạng, thông lượng,
độ trễ được thể hiện trong hình vẽ 2.13, 2.14 và 2.15. Từ các kết quả mô phỏng ta thấy giao thức định tuyến
kết hợp điều khiển công suất cho kết quả sử dụng năng lượng tốt hơn, kéo dài thời hoạt động của mạng đồng
thời cải thiện đáng kể thông lượng mạng và tỷ lệ gửi gói tin thành công.


11



Hình 2.13. So sánh thời gian sống của mạng khi sử dụng
AODV và PRP


Hình 2.14. So sánh thông lượng của mạng khi sử dụng
AODV và PRP


Hình 2.15. So sánh tỷ lệ truyền gói tin thành công khi sử dụng PRP và AODV
2.5. Tng k
Bắt nguồn từ giao thức định tuyến kinh điển AODV, luận văn 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.

3
TIT KING TRONG MNG CM BING S DNG
 TRÍ CNG
3.1. Gii thiu chng
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 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 luận
án này, trình bày thuật toán được sử dụng để dự đoán vị trí và hướng di chuyển của đối tượng sau đó mô
phỏng để thấy được việc sử dụng mô hình giám sát đối tượng theo vùng sẽ hiệu quả hơn giám sát trên toàn
bộ mạng.
3.2.  toán hc
nh lý xác sut Bayes
Theo định lý Bayes, chúng ta có:
















(3.1)
0.000
20.000
40.000
60.000
80.000
100.000
60 70 80 90 100 110 120


PRP
AODV
0.000
2.000
4.000
6.000
8.000
60 70 80 90 100 110 120
Throughput (Kbps)

PRP
AODV
0.000
20.000
40.000
60.000

80.000
100.000
60 70 80 90 100 110 120
PDR (%)

PRP
AODV


12

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.

3.2.2.1. Hàm phân bố xác suất (Probability Distribution Function)
Hàm phân bố xác suất của biến ngẫu nhiên X, kí hiệu là
()FX
, là xác suất để biến ngẫu nhiên X nhận
giá trị nhỏ hơn x, với x là một số thực bất kỳ:




 (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.
3.2.2.2. Hàm mật độ xác suất (Probability Density Function)
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)
3.2.3. K va bin ngu nhiên
3.2.3.1. Kỳ vọng của biến ngẫu nhiên
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:













(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.
3.2.3.2. Phương sai của biến ngẫu nhiên
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)


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.
3.2.4. 
Mô hình không gian trạng thái của hệ thống có thể được biểu diễn thông qua hai phương trình sau:
Phương trình trạng thái:











 (3.15)
Phương trình quan sát:








 (3.16)
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:
 








là tập các trạng thái của hệ thống từ thời điểm  tới thời điểm 
 









là 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.

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 Gauss thỏa mãn 2 giả định
sau:
 Chuỗi trạng thái của hệ thỏa mãn giả định về hệ Markov bậc 1. Tức là:

0: 1 1
( | ) ( | )
t t t t

p x x p x x


(3.17)
 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:

1: 1:
0
( | ) ( | )
t
t t i i
i
p y x p y x



(3.18)

Trong thực tế, mục tiêu của bài toán lọc thường là tìm được lời giải cho hàm mật độ xác suất hậu nghiệm
0: 1:
( | )
tt
p x y
, và từ đó đưa ra kỳ vọng của một hàm
0:
()
tt
fx
như sau:

0: 0: 0: 1: 0:
[ ( )] ( ) ( | )
t t t t t t t
E f x f x p x y dx

(3.19)
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
0: 1:
( | )
tt
p x y
bằng cách lấy N điểm ngẫu
nhiên
()
0:
, 1,
i
t
x i N
. Các mẫu này được vẽ từ hàm mật độ xác suất
0: 1:
( | )
tt
p x y
, chính vì vậy ta có thể đưa ra
công thức thực nghiệm sau:

14


()
0:
()
0: 1: 0: 0: 0:
11
11
( | ) ( ) ( )
i
t
NN
i
t t t t t
x
ii
p dx y x x dx
NN


  

(3.20)
Và khi đó chúng ta có thể dễ dàng xấp xỉ được kỳ vọng như sau:

()
0: 0: 0: 1: 0:

1
1
[ ( )] ( ) ( | ) ( )
N
i
t t t t t t t t
i
E f x f x p dx y f x
N




(3.21)
Ta có thể nhận thấy cách tiếp cận này khá dễ dàng trong việc tính toán và ước lượng ra 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
0: 1:
( | )
tt
p x y
, vì
0: 1:
( | )
tt
p x y
trong trường hợp tổng quát thường là hàm đa biến và không
có dạng chuẩn nhất định.
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.

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)
0: 1:
( | )
tt
xy


thay thế. Khi đó phương trình (3.19) sẽ tương đương với:

0: 1:
0: 0: 0: 1: 0: 0: 0: 0: 1: 0:
0: 1:
( | )
[ ( )] ( ) ( | ) ( )w( ) ( | )
( | )
tt
t t t t t t t t t t t t t
tt
p x y
E f x f x x y dx f x x x y dx
xy





(3.22)
Trong đó
0:
w( )
t
x
được biểu thị bằng công thức sau:

0: 1: 1: 0: 0:
0:
0: 1: 1: 0: 1:
( | ) ( | ) ( )
w( )
( | ) ( ) ( | )
t t t t t
t
t t t t t
p x y p y x p x
x
x y p y x y


(3.23)
Dựa trên phương pháp Monte Carlo, nếu chúng ta chọn ra N mẫu
()
0:
{ , 1, , }
i

t
x i N
từ hàm phân phối
0: 1:
( | )
tt
xy

, khi đó một ước lượng của hàm phân phối trạng thái là:

( ) ( )
0: 0: 0:
1
1
[ ( )] ( )w( )
N
ii
t t t t t
i
E f x f x x
N



(3.24)
Giả sử chúng ta gọi
0:
w( )
t
x

là trọng số chưa được chuẩn hóa. Khi đó
0:
w( )
t
x
có thể được biểu diễn như
sau:

1: 0: 0:
0:
0: 1:
( | ) ( )
w( )
( | )
t t t
t
tt
p y x p x
x
xy


(3.25)
Khi đó ta có:

0: 0: 0: 1: 0:
0:
0: 0: 0: 1: 0:
1:
0: 0: 1: 0:

( )w( ) ( | )
w( )
[ ( )] ( ) ( | )
()
w( ) ( | )
t t t t t t
t
t t t t t t t
t
t t t t
f x x x y dx
x
E f x f x x y dx
py
x x y dx







(3.26)

Nên

( ) ( )
0: 0:
1
( ) ( )

0: 0: 0:
()
1
0:
1
1
( )w( )
[ ( )] ( )w( )
1
w( )
N
ii
N
t t t
i
ii
t t t t t
N
i
i
t
i
f x x
N
E f x f x x
x
N








(3.27)
Trong đó:

()
()
0:
()
0:
1
w( )
w
w( )
i
i
t
t
N
i
t
i
x
x



(3.28)

15

Là trọng số được chuẩn hóa. Và khi đó, ta có biểu thức tương đương như sau:

( ) ( )
w =Nw
ii
tt
(3.29)
Chính vì vậy hàm mật độ xác suất hậu nghiệm
0: 1:
( | )
tt
p x y
có thể được xấp xỉ như sau:

()
0:
()
0: 1: 0: 1: 0:
1
ˆ
( | ) ( | ) w ( )
i
t
N
i
t t t t t t

x
i
p dx y p dx y dx




(3.30)
Và kỳ vọng có thể được biểu diễn bằng:

0: 0: 0: 0: 1:
ˆ
ˆ
[ ( )] [ ( )] ( ) ( | )
t t t t t t t t
E f x E f x f x p dx y

(3.31)
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 

phải được thu thập trước khi ước lượng 



, như vậy các trọng số sẽ phải được
tính toán lại toàn bộ mỗi khi có dữ liệu 


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.
 SIS)
Để thực hiện thuật toán này một cách nội suy, chúng ta có thể nhận thấy rằng:

0: 1: 0: 1 1: 1 0: 1 1:
( | ) ( | ) ( | , )
t t t t t t t
x y x y x x y
  
  

(3.32)
Như vậy theo tính chất đệ quy ta có:

0: 1: 0 0: 1 1:
1
( | ) ( ) ( | , )
t
t t k k k
k
x y x x x y
  




(3.33)

Ta có thuật toán SIS:
Thut toán ly mu quan trng tun t SIS





















 FOR i=1:N
o Sinh ra
( ) ( )
1
~ ( | , )
ii
t t t t

x x x y



o Tính theo
()
w
i
t
công thức
1
1
1
( ) ( ) ( )
( ) ( )
( ) ( )
( | ) ( | )
w =w
( | , )
t t t
t
tt
i i i
t
ii
t
ii
opt t
p y x p x x
x x y






 END FOR
 FOR i=1:N, chuẩn hóa trọng số của các mẫu
()
()
()
1
w( )
w
w( )
i
i
t
t
N
i
t
i
x
x




 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
1
2
1
1 25
8cos(1.2 )+w
21
k
k k k
k
x
x x k
x



  

(3.34)

2
1
20
k k k
y x v
(3.35)
Trong đó, 


và 

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
(0,1)N
. Dễ
dàng nhận thấy các phương trình hệ thống trên đều là các phương trình phi tuyến. Quá trình mô phỏng được
thực hiện trên Matlab với thời gian mô phỏng là 50s
Kết quả mô phỏng như hình 3.1, 3.2 và 3.3. 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:


16

 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.

Hình 3.1. Kết quả của thuật toán SIS ứng với N = 100 mẫu

Hình 3.2. Kết quả của thuật toán SIS ứng với N = 1000 mẫu

Hình 3.3.Kết quả của thuật toán SIS ứng với N = 5000 mẫu

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 phương pháp 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 SIR.
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.













(3.36)


17

Thut toán ly mu li (Resampling Algorithm)



























 Bắt đầu thuật toán.
 Khởi tạo hàm CDF: c
1
= 0

 FOR i = 2 : N
o Xây dựng hàm CDF: 



 



 END FOR
 i = 1
 Lấy một điểm ngẫu nhiên u
1
theo 







 FOR 
o 



 

  
o WHILE 





  
o END WHILE
o Gán mẫu: 








o Gán trọng số: 





o Gán 


 END FOR
Kết thúc thuật toán.
 GPF
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:



























 Bắt đầu thuật toán.
 FOR 
o Lấy mẫu 











o Tính toán các trọng số mới, 


,
1
1
1
( ) ( ) ( )
( ) ( )
( ) ( )
( | ) ( | )
w =w
( | , )
t t t
t
tt
i i i
t
ii
t
ii

opt t
p y x p x x
x x y





o Chuẩn hóa trọng số:
()
()
()
1
w( )
w
w( )
i
i
t
t
N
i
t
i
x
x




 END FOR
 Tính 


theo 3.67
 IF 
































 END IF
Kết thúc.
Sampling Importance Resampling  SIR
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:












 (3.37)


18

Nhưng do thực hiện lấy mẫu lại tại tất cả các lần lặp, nên 




 vì vậy:








 (3.38)
Với cách thiết đặt này thì có thể nói SIR là dạng đơn giản nhất của bộ lọc chất điểm PF.
Thut toán Sampling Importance Resampling (SIR)

   
( ) ( ) ( ) ( )
11
11
,w ,w ,
NN
i i i i
t t t t t
ii
x SIR x y


   

   
   

 FOR i=1:N
o Sinh ngẫu nhiên 








o Tính theo
()
w

i
t
công thức 








 END FOR
 FOR i=1:N, chuẩn hóa trọng số của các mẫu
()
()
()
1
w
w
w
i
i
t
t
N
i
t
i



 END FOR
 Tiến hành lấy mẫu lại theo thuật toán RESAMPLE


























 Kết thúc thuật toán


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. Các kết quả trên các hình từ 3.4 đến
3.9 cho ta thấy:
 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 Gauss – 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


Hình 3.4. Kết quả thuật toán SIR ứng với N = 100, t = 50s

Hình 3.5. Kết quả thuật toán SIR ứng với N = 1000, t = 50s


19


Hình 3.6. Kết quả thuật toán SIR ứng với N = 5000, t = 50s

Hình 3.7. Kết quả thuật toán SIR ứng với N = 100, t = 150s

Hình 3.8. Kết quả thuật toán SIR ứng với N = 1000, t = 150s

Hình 3.9. Kết quả thuật toán SIR ứng với N = 5000, t = 150s
3.4. i tung trong mng cm bin không dây s dng b lc chm
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 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(x
0
), 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.


20


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 một số nghiên cứu trước đây, 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 x

0
, 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 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 một số nghiên cứu trước đây, 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 một kỹ
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 3.10 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.

Hình 3.10. Ví dụ về lan truyền đám mây chất điểm
Thut toán qum tc nhy thi gian t
Vào:


















Ra:









1. Tìm vector quảng bá 
1.1. 






1.2. Chuẩn hóa 












1.3. Tính 











 





1.4. Vector quảng quá chất điểm: 

 


2. For 

21

2.1. 






2.2. 






3. Kết thúc

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 dụng
công thức (3.37), 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:

















(3.39)
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 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:










(3.40)
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 đề xuất trước đây. 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 3.11 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 đạc nhận được trong một chu kỳ theo dõi.

Hình 3.11. Ước lượng đường đi của đối tượng thực hiện
với các thuật toán SIS, GPF, SIR, SIS-Dis

Hình 3.12. Trễ đầu cuối khi mô phỏng các thuật toán
theo thời gian


22

Hình 3.13. Độ chính xác ước lượng của các thuật toán SIS, GPF, SIR và SIS-Dis mô phỏng theo thời gian
Hình 3.12 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 3.13 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.
3.6. 
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 sẽ 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. Giao thức sử dụng để tập trung dữ liệu các nút cảm biến là giao
thức LEACH-C. Sau đó dữ liệu được truyền đa chặng về trạm điều khiển sử dụng các giao thức định tuyến
không dây đa chặng đã đề xuất ở phần trên.


Hình 3.14. Ví dụ ứng dụng giám sát theo vùng


Hình 3.15. Ví dụ ứng dụng giám sát toàn mạng
3.7
Trong mô hình giám sát toàn mạng, tất cả các nút trong mạng sẽ luôn ở trạng thái bật (alive) để cảm biến,
do đó sẽ dẫn đến việc lãng phí năng lượng, dẫn đến việc 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

23

thức LEACH-C để tập trung dữ liệu, chỉ khác nhau về kích thước vùng giám sát.
3.8



Hình 3.16. Đồ thị so sánh thời gian sống của mạng (Network lifetime) khi sử dụng mô hình giám sát toàn mạng và
giám sát theo vùng với các giao thức định tuyến khác nhau trường hợp 100 nút


Hình 3.17. Đồ thị so sánh thời gian sống của mạng (Network lifetime) khi sử dụng mô hình giám sát toàn mạng và
giám sát theo vùng với các giao thức định tuyến khác nhau trường hợp 150 nút


Hình 3.18. Đồ thị so sánh lượng dữ liệu gửi về trạm trong mạng khi sử dụng mô hình giám sát toàn mạng và giám sát
theo vùng với các giao thức định tuyến khác nhau trong mô phỏng 100 nút
Chúng tôi thực hiện mô phỏng so sánh 2 phương pháp giám sát theo vùng và giám sát toàn mạng trên
công cụ mô phỏng NS2.
Hình 3.16, 3.17 là đồ thị so sánh thời gian sống của mạng. Đường màu đỏ biểu diễn thông số của trường
hợp giám sát theo vùng, đường màu xanh biểu diễn thông số 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
0
20
40
60
80
100
120

AODV ERS EERS ABR RDC


Giám sát toàn mạng
Giám sát theo vùng
0
50
100
150
AODV ERS EERS ABR RDC


Giám sát toàn mạng
Giám sát theo vùng
0
200
400
600
800
1000
1200
1400
1600
AODV ERS EERS ABR RDC

(kbps)

Giám sát toàn mạng
Giám sát theo vùng