Thuật toán động để lựa chọn tác vụ trong hệ thống IoTs

k đáp ứng trọng số. 
được khả năng thay đổi tác vụ làm việc của 
nó từ số liệu thay đổi từ ngõ vào. LSA sẽ 2.5 Đánh giá kết quả về mặt năng lượng 
chạy liên tục theo lịch trình đã được lập sẵn BẮT ĐẦU
mà không thay đổi được tác vụ mong muốn. 
Với các ứng dụng đơn giản nhưng yêu cầu sự KHỞI TẠO
 Battery
chính xác cao mà không cần tính toán quá (2000mah)
nhiều thì mạng neural với số lớp ẩn và số 
lượng neural nhỏ thể hiện được sự ưu điểm 
 LẤY GIÁ 
 Đ
của nó về tính toán hay bộ nhớ. Battery>0 TRỊ CẢM 
 BIẾN
 S
 NEURAL 
 End
 NETWORK 
 Đ Battery- E 
 Task1
 Hình 4. Mô hình mạng neural đề xuất (task1)
 Mô hình mạng đề xuất ở hình 4. Chúng S
 Đ Battery- E 
tôi lựa chọn mạng có 3 lớp chính bao gồm 1 Task2
lớp ngõ vào, 1 lớp ẩn và 1 lớp ngõ ra. Các (task2)
neural ở lớp ngõ vào lần lượt là dung lượng S
 Đ Battery- E 
 Task3
của pin, hiệu số giữa dòng sạc, dòng tải trung (task3)
bình của task đang chạy và cuối cùng là giá S
trị độ lệch chuẩn của dữ liệu mới nhất với 
 Battery- E 
trung bình của các dữ liệu. Lớp ngõ ra có 1 (task4)
neural tương ứng với giá trị mà task tiếp theo 
sẽ thực hiện cho Node Sensor. Các giá trị ngõ Lưu đồ 1. Thuật toán kiểm chứng kết quả về 
ra cho việc huấn luyện tương ứng với các tác mặt năng lượng 
 Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 63 (04/2021) 
 Trường Đại Học Sư Phạm Kỹ Thuật TP. Hồ Chí Minh 51 
 Lưu đồ 1 bao gồm các giá trị khởi tạo 
pin 100%, giá trị nhiệt độ lấy thực tế ở phần 
3.2. Tiến trình sẽ chạy liên tục khi nguồn pin 
vẫn còn. Khi nguồn pin hết, các giá trị nhận 
được sẽ được thống kê bao gồm số lượng tác 
vụ và khả năng tiết kiệm pin cũng như chất 
lượng thông tin thu được. 
3. KẾT QUẢ 
3.1 Đánh giá chất lượng của mạng neural 
 Hình 8. Sai số với 1 lớp ẩn – 50 neural 
 Trong hình 7 và 8, các giá trị hội tụ về 
 0.005 với trên 20.000 vòng lặp. Như vậy, ta 
 có thể xác định 20 neural ở lớp ẩn thứ 1 là 
 một lựa chọn tốt cho việc huấn luyện mạng 
 do đó với số lượng neural và số lớp ẩn càng 
 ít thì ở nút cảm biến sẽ càng giảm thiểu được 
 sự cồng kềnh về tính toán cũng như bộ nhớ. 
 Từ đó, ở các nút cảm biến có thể tối ưu về 
 mặt năng lượng hơn. 
 3.2 Độ chính xác của mạng neural 
 Hình 6. Sai số với 1 lớp ẩn – 20 neural 
 Sau khi đã thực hiện các công việc đưa 
 Với một mạng neural cơ bản 1 lớp ẩn có ra như trên, chúng tôi đã ra một model sử 
20 neural như hình 6 thì kết quả cho chúng ta dụng một mạng neural tối ưu (1 lớp ẩn chứa 
thấy rằng giá trị sai số hội tụ về giá trị 0.05 20 neural) trong việc lựa chọn tác vụ mà 
sau 15611 vòng lặp. Giá trị hội tụ theo một chúng tôi đã đề xuất được thể hiện ở hình 9. 
đường tuyến tính. 
 Hình 9. Mô hình Simulink trên Matlab 
 Để có góc nhìn tổng quan nhất về việc 
 model lựa chọn chính xác các tác vụ, chúng 
 tôi tiếp tục thu thập thêm 10 và 100 mẫu dữ 
 liệu ngẫu nhiên để đưa vào model Simulink 
 nhằm xác nhận lại khả năng chính xác nhất 
 của mô hình. 
 Từ mô hình hệ thống trên, khi thực hiện 
 Hình 7. Sai số với 1 lớp ẩn – 25 neural chúng tôi thu được kết quả: 
 Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 63 (04/2021) 
 52 Trường Đại Học Sư Phạm Kỹ Thuật TP. Hồ Chí Minh 
 Từ hình 12, các giá trị sau khi làm tròn 
 từ ngõ ra của mạng neural có 4/100 tác vụ sai 
 nhưng giá trị vẫn chấp nhận được. Các số 
 liệu đánh giá đựa lựa chọn từ bảng sau: 
 Bảng 3. Tỉ lệ dự đoán của mô hình 
 Số neural ở lớp Tỉ lệ lựa chọn chính xác từ 
 ẩn mẫu ngẫu nhiên 
 20 96% 
 25 93% 
 Hình 10. Kết quả của bộ phân loại với 10 
 50 97% 
 mẫu ngẫu nhiên 
 Kết quả thu được đạt 10/10 so với kết 3.3 Giá trị độ lệch của số liệu 
quả mong muốn được thể hiện ở hình 10. Với Giá trị delta thu được sau đây được lấy 
những kết quả đạt được ở trên, chúng tôi tiếp số liệu từ thực tế trong 3 ngày ngẫu nhiên tại 
tục tăng số lượng dữ liệu ngõ vào (100 mẫu một vị trí. Sau đó, giá trị này được tính toán 
nhằm đánh giá xác suất xảy ra lỗi). dựa theo công thức (3) với N slot lần lượt là 
 10 và 20. Từ số liệu trên ta thay đổi hệ số µ 
 để tương ứng với nhiều môi trường khác 
 nhau (ở đây chúng tôi thực hiện với giá trị 
 µ = 1). 
 Hình 11. Ngõ ra bộ neural với 100 mẫu 
 Với 2 kết quả thu được (hình 10 và hình 
11), ta thấy rằng với bộ neural network có độ 
chính xác khá cao và dữ liệu dự đoán ở ngõ Hình 13. Giá trị của delta với N = 10 
ra bám tương đối sát với giá trị mong muốn 
 Với giá trị của N slot bằng 10. Giá trị 
khi huấn luyện mạng. 
 delta rơi từ 0 đến gần 3. Giá trị dao động 
 mạnh vào từ 10h đến 13h. 
 Hình 12. Ngõ ra bộ neural với 100 mẫu sau 
 khi được làm tròn Hình 14. Giá trị của delta với N = 20 
 Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 63 (04/2021) 
 Trường Đại Học Sư Phạm Kỹ Thuật TP. Hồ Chí Minh 53 
 Các giá trị delta dao động nhiều trong 3.4 Năng lượng thu được của pin mặt trời 
khoảng giữa trưa từ 11h đến 14h. Các thuật Điện áp của pin được thu thập thông qua 
toán thường chỉ tính hệ số delta không xác bộ ADC nội của vi điều khiển và dòng điện 
định được rằng trong khoảng thời gian này sẽ từ pin qua một bộ lọc thông thấp (LPF) thụ 
thường xuyên có biến động đột biến nên giá động RC để giảm thiểu nhiễu của nguồn, giữ 
trị thường không được lấy nhiều hơn các thời lại thành phần chính DC. 
điểm khác. Đối với các khoảng thời gian từ 
7h đến 9h các giá trị không cần lấy nhiều 
nguyên nhân các giá trị độ lệch delta không 
sai lệch nhiều. Các giữ liệu được đối chiếu 
với phương pháp quan trắc theo thông tư của 
bộ tài nguyên môi trường ngày 26/12/2018 
quy định kỹ thuật về quan trắc và cung cấp 
thông tin, dữ liệu khí tượng thủy văn đối với 
trạm khí tượng thủy văn chuyên dùng [22] và 
dựa trên nghiên cứu [11]. Các số liệu của môi 
trường này được lấy theo chu kỳ nhỏ nhất 1 
đến 10 phút. Trung bình một mẫu được thu 
thập với chu kỳ 5 phút, trong một giờ ta có Hình 15. Điệp áp trung bình của pin giữa 
được 20 mẫu được thu thập dựa theo thông ngày râm và nắng 
tư trên. Các thông số được thể hiện ở bảng 4 
sau đây: Điện áp của pin dao động không đều 
 được thể hiện như hình 15 vì nhiều lý do 
 Bảng 4. Số lượng mẫu thu thập được khách quan ví dụ như mây che phủ mặt trời. 
 Chu kỳ 1 Chu kỳ 5 Thuật toán 
 Thời gian Công suất của pin đạt được tối đa trong 
 phút[11] phút[22] đề xuất khoảng thời gian giữa trưa. Những ngày 
 7h – 9h 120 60 31 mưa, pin sẽ không đạt được điện áp 6V. 
 11h – 13h 120 60 92 
 17h – 19h 120 60 57 
 21h – 3h 360 180 120 
 Từ các thông số ở bảng 4, với chu kỳ 
lấy mẫu là 1 phút, số lượng thông tin thu 
thập nhiều hơn rất nhiều, nhưng trong đó có 
rất nhiều thông tin trùng lặp, không có ích 
và năng lượng hao phí sẽ nhiều. Đối với 
phương pháp lấy mẫu theo chu kỳ liên tục 
trong với 5 phút, số lượng mẫu thu về đạt Hình 16. Năng lượng thu thập được của pin 
mức khá, nhưng khoảng thời gian có nền giữa ngày râm và nắng (Wh) 
nhiệt biến thiên không có sự thích nghi khi Với lượng pin đề xuất là 2000 mAh, khả 
mà trong khoảng thời gian đó chúng ta cần năng sạc đầy pin trong một ngày với điều 
thêm nhiều thông tin hơn. Còn với thuật kiện nắng lý tưởng đạt 100%. Với các ngày 
toán đề xuất, trong khoảng thời gian có biến độ phủ nắng thấp (2h- 4h/ngày) thì pin được 
động lớn về số liệu thì các giá trị thu thập nạp tối thiểu 80%. 
được nhiều hơn. Thời gian trong ngày nền 
 3.5 Đánh giá kết quả về mặt năng lượng 
nhiệt độ thay đổi ít thì số liệu được lấy ít 
hơn nhằm đảm bảo được tính năng lượng Tiến hành thực hiện thuật toán đề xuất 
của nút cảm biến. với điều kiện dòng sạc vào của pin bằng 0, 
 điện áp của pin được thu thập đồng thời để 
 Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 63 (04/2021) 
 54 Trường Đại Học Sư Phạm Kỹ Thuật TP. Hồ Chí Minh 
chứng minh khả năng đáp ứng về mặt năng Hình 18 là phần cứng để được thực hiện 
lượng của thuật toán. Ngoài ra, chúng tôi đối 2 phương pháp trên bao gồm một vi điều 
chiếu với phương pháp lấy mẫu theo chu kỳ khiển STM32F103, lora SX1278 433Mhz, 
5 phút [22]. pin 2000mah, MCU quản lý sạc CN3065, pin 
 mặt trời 6V 4.5W, cảm biến nhiệt độ 
 DS18B20. Sau khi biên dịch chương trình, 
 thuật toán đề xuất chiếm 12% dung lượng 
 của bộ nhớ flash. 
 4. KẾT LUẬN 
 Bài báo cáo trình bày tổng quan phương 
 pháp phân loại sử dụng mạng neural và thiết 
 kế bộ điều khiển neural cho việc phân loại. 
 Kết quả mô phỏng được trình bày và phân 
 tích thông qua Matlab bao gồm: 
 Mạng neural với 1 mạng nhỏ bao gồm 1 
 lớp ngõ vào, 1 lớp ẩn và 1 lớp ngõ ra có kết 
 quả ra rất khả quan và tương đối chính xác. 
 Hình 17. So sánh điện áp của pin 
 Tuy nhiên, với lượng neural ở lớp ẩn càng 
 Trong khoảng thời gian đầu, lượng pin nhiều thì hệ thống tính toán càng nặng hơn, 
đang nhiều nên khi sử dụng thuật toán đề kéo theo đó năng lượng tiêu tốn trên nút 
xuất thì lượng pin hao hơn vì lúc này nút cảm nhiều hơn. Với 20 neural như đã chọn rút gọn 
biến đang sử dụng với tác vụ số 4 đạt với được nhiều tài nguyên từ bộ nhớ đến năng 
mong muốn ban đầu trong hình 17. Lượng lượng để tính toán ở các nút cảm biến. Khi 
pin hao hụt nhiều hơn nhưng số lượng mẫu tiến hành huấn luyện, việc lựa chọn hệ số tốc 
thu về là tối ưu. Về lâu dài, khi lượng pin độ học (Learning rate) khá quan trọng cho 
càng thấp ta có thể tối ưu 1 phần về mặt năng mô hình được huấn luyện đến điểm hội tụ 
lượng của nút vì khi đó tác vụ bị thay đổi thấp và nhanh nhất. 
xuống tác vụ ít tốn năng lượng hơn và kéo 
 Mặt khác, thuật toán có tính cân đối tối 
dài được thời lượng và tuổi thọ của pin. 
 ưu hơn giữa 2 yếu tố quan trọng của hệ thống 
 thu thập dữ liệu năng lượng thấp là chất 
 lượng của thông tin và tuổi thọ pin. Lượng 
 pin mất đi tương đương với thuật toán cũ 
 nhưng bù lại các số liệu ở những thời điểm 
 có sự thay đổi lớn được lấy nhiều mẫu hơn 
 và ít hơn khi các số liệu thay đổi không đáng 
 kể. Ngoài ra, thuật toán có tính thích nghi tốt 
 với từng môi trường vì các hệ số của mạng 
 neural có thể được thay đổi dựa trên các 
 Hình 18. Bộ thu thập số liệu thông tin thu thập được. 
 TÀI LIỆU THAM KHẢO 
[1] S. Escolar, S. Chessa, and J. Carretero, Optimization of Quality of Service in Wireless 
 Sensor Networks Powered by Solar Cells. 2012. 
[2] A. A. Babayo, M. H. Anisi, and I. Ali, “A Review on energy management schemes in 
 energy harvesting wireless sensor networks,” Renew. Sustain. Energy Rev., vol. 76, pp. 
 1176–1184, 2017, doi: https://doi.org/10.1016/j.rser.2017.03.124. 
 Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 63 (04/2021) 
 Trường Đại Học Sư Phạm Kỹ Thuật TP. Hồ Chí Minh 55 
[3] N. Kimura, V. Jolly, and S. Latifi, “Energy restrained data dissemination in wireless 
 sensor networks,” Int. J. Distrib. Sens. Networks, vol. 2, no. 3, pp. 251–265, 2006, doi: 
 10.1080/15501320600642692. 
[4] S. Basagni, M. Y. Naderi, C. Petrioli, and D. Spenza, “Wireless Sensor Networks with 
 Energy Harvesting,” in Mobile Ad Hoc Networking, Hoboken, NJ, USA: John Wiley & 
 Sons, Inc., 2013, pp. 701–736. 
[5] A. Sinha and A. Chandrakasan, “Dynamic power management in wireless sensor 
 networks,” IEEE Des. Test Comput., vol. 18, no. 2, pp. 62–74, 2001, doi: 
 10.1109/54.914626. 
[6] L. Wang and Y. Xiao, “A Survey of Energy-Efficient Scheduling Mechanisms in Sensor 
 Networks,” MONET, vol. 11, pp. 723–740, Oct. 2006, doi: 10.1007/s11036-006-7798-5. 
[7] X. Fan, “Sensors Dynamic Energy Management in WSN,” Wirel. Sens. Netw., vol. 02, 
 pp. 698–702, Jan. 2010, doi: 10.4236/wsn.2010.29084. 
[8] S. Sudevalayam and P. Kulkarni, “Energy harvesting sensor nodes: Survey and 
 implications,” IEEE Commun. Surv. Tutorials, vol. 13, no. 3, pp. 443–461, Sep. 2011, 
 doi: 10.1109/SURV.2011.060710.00094. 
[9] P. Pillai and K. Shin, “Real-Time Dynamic Voltage Scaling for Low-Power Embedded 
 Operating Systems,” ACM SIGOPS Oper. Syst. Rev., vol. 35, Sep. 2001, doi: 
 10.1145/502034.502044. 
[10] G. Amato, A. Caruso, and S. Chessa, “Application-driven, energy-efficient 
 communication in wireless sensor networks,” Comput. Commun., vol. 32, pp. 896–906, 
 Mar. 2009, doi: 10.1016/j.comcom.2008.12.022. 
[11] X. Chen, H.-B. Chen, W. Ma, X. Li, and S. X.-. Tan, “Energy-efficient wireless 
 temperature sensoring for smart building applications,” in 2016 13th IEEE International 
 Conference on Solid-State and Integrated Circuit Technology (ICSICT), 2016, pp. 680–
 683, doi: 10.1109/ICSICT.2016.7999010. 
[12] J. Khan, H. Qureshi, and A. Iqbal, “Energy management in Wireless Sensor Networks: 
 A survey,” Comput. Electr. Eng., vol. 41, Jul. 2014, doi: 
 10.1016/j.compeleceng.2014.06.009. 
[13] S. Escolar, A. Caruso, S. Chessa, X. Del Toro, F. J. Villanueva, and J. C. Lopez, 
 “Statistical Energy Neutrality in IoT Hybrid Energy-Harvesting Networks,” Proc. - 
 IEEE Symp. Comput. Commun., vol. 2018-June, pp. 444–449, 2018, doi: 
 10.1109/ISCC.2018.8538532. 
[14] M. Severini, S. Squartini, and F. Piazza, “Energy Aware Lazy Scheduling Algorithm for 
 Energy-Harvesting Sensor Nodes,” Neural Comput. Appl., vol. 23, Dec. 2013, doi: 
 10.1007/s00521-012-1088-x. 
[15] C. Moser, J. Chen, and L. Thiele, “Dynamic power management in environmentally 
 powered systems,” in 2010 15th Asia and South Pacific Design Automation Conference 
 (ASP-DAC), 2010, pp. 81–88, doi: 10.1109/ASPDAC.2010.5419916. 
[16] C. Moser, D. Brunelli, L. Thiele, and L. Benini, Lazy Scheduling for Energy Harvesting 
 Sensor Nodes. 2006. 
[17] C. Moser, L. Thiele, D. Brunelli, and L. Benini, “Adaptive Power Management in 
 Energy Harvesting Systems,” in Proceedings of the Conference on Design, Automation 
 and Test in Europe, 2007, pp. 773–778. 
[18] A. Caruso, S. Chessa, S. Escolar, X. Del Toro, and J. C. López, “A dynamic 
 programming algorithm for high-level task scheduling in energy harvesting IoT,” IEEE 
 Internet Things J., vol. 5, no. 3, pp. 2234–2248, 2018, doi: 10.1109/JIOT.2018.2828943. 
[19] P. Zhang, X. Zhang, J. Li, and G. Huang, “The effects of body weight, temperature, 
 salinity, pH, light intensity and feeding condition on lethal DO levels of whiteleg shrimp, 
 Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 63 (04/2021) 
 56 Trường Đại Học Sư Phạm Kỹ Thuật TP. Hồ Chí Minh 
 Litopenaeus vannamei (Boone, 1931),” Aquaculture, vol. 256, no. 1, pp. 579–587, 2006, 
 doi: https://doi.org/10.1016/j.aquaculture.2006.02.020. 
[20] R. E. Uhrig, “Introduction to artificial neural networks,” in Proceedings of IECON ’95 - 
 21st Annual Conference on IEEE Industrial Electronics, vol. 1, pp. 33–37, doi: 
 10.1109/IECON.1995.483329. 
[21] A. K. Jain, J. Mao, and K. M. Mohiuddin, “Artificial neural networks: A tutorial,” 
 Computer, vol. 29, no. 3. pp. 31–44, Mar. 1996, doi: 10.1109/2.485891. 
[22] Lê Công Thành, “Quy định kỹ thuật về quan trắc và cung cấp thông tin, dữ liệu khí 
 tượng thủy văn đối với trạm khí tượng thủy văn chuyên dùng,” 2018. 
Tác giả chịu trách nhiệm bài viết: 
Võ Minh Huân 
Trường Đại học Sư phạm Kỹ thuật TP.Hồ Chí Minh 
Email: huanvm@hcmute.edu.vn