Dữ liệu của bạn “già” cỡ nào?#
Hồi làm ở Methanex NZ, tôi đúc kết được sáu tiêu chí đánh giá dữ liệu, và độ kịp thời (Data Timeliness) là một trong số đó: thông tin càng mới thì càng có giá trị! Gần đây, giới nghiên cứu liên tục đề xuất các thuật toán lên lịch thu thập dữ liệu từ cảm biến và thiết bị Internet vạn vật (IoT), sao cho Age of Information (AoI, tạm hiểu là “tuổi” của thông tin) trong mạng không dây thế hệ mới (5G) càng thấp càng tốt.
Chất lượng dữ liệu#
Trong thời gian ở Methanex NZ, tôi có làm một nghiên cứu về chất lượng dữ liệu (Data Quality). Dưới đây là những tiêu chí chính tôi rút ra để đánh giá dữ liệu tốt hay không.
- Độ kịp thời (Data Timeliness): dữ liệu còn giá trị đến đâu tại thời điểm được dùng.
- Độ đầy đủ (Completeness): dữ liệu trong hệ thống có bị thiếu trường nào không.
- Tính nhất quán (Consistency): dữ liệu có được giữ thống nhất với nhau hay không.
- Độ tin cậy (Confidence): nguồn dữ liệu đáng tin đến mức nào.
- Độ chính xác (Accuracy): dữ liệu phản ánh thực tế sát đến đâu.
- Tính toàn vẹn (Integrity): dữ liệu đến từ bao nhiêu nguồn, và các nguồn đó khớp nhau đến mức nào.
Chào mừng bạn đến với thời đại của dữ liệu.#
Age of Information#
Age of Information đo độ “tươi” của dữ liệu [1]. Gần đây chủ đề này được chú ý nhiều là do quá trình chuyển từ 4G lên 5G. Khác với các thế hệ trước, 5G đặt nặng vai trò phục vụ các thiết bị Internet vạn vật và giao tiếp giữa máy với máy (Machine Type Communication, MTC) [2].
Nghiên cứu mới nhất về AoI#
Bài báo này lấy bối cảnh một nhà máy có nhiều cảm biến liên tục gửi dữ liệu về trạng thái hiện tại của chúng. Các cảm biến không có bộ nhớ riêng để lưu dữ liệu. Vì vậy, muốn ghi lại trạng thái hiện tại của một cảm biến thì bộ lập lịch (scheduler) từ xa phải chọn đúng tín hiệu của cảm biến đó, còn tín hiệu của các cảm biến khác sẽ bị điểm truy cập (access point) của bộ lập lịch bỏ qua. Từ đây, bộ lập lịch gặp một bài toán khó: chọn thế nào cho tối ưu giữa những cảm biến không đồng nhất, mà vẫn đáp ứng được các yêu cầu khắt khe về thời gian. Theo các tác giả, “thành phần URLLC (truyền thông siêu tin cậy, độ trễ thấp) được tối thiểu hóa bằng cách bảo đảm xác suất AoI của mỗi cảm biến vượt quá một ngưỡng định trước là nhỏ nhất.” Để giải bài toán này, họ đề xuất một hướng tiếp cận dựa trên học máy (machine learning).
Minimizing the Age of Information from Sensors with Correlated Observations [3]
Bài báo này nghiên cứu “AoI trung bình trong một bối cảnh tổng quát, khi thông tin từ các cảm biến có tương quan với nhau”. Khi nhiều cảm biến cùng quan sát một nguồn, dữ liệu gửi về điểm truy cập sẽ bị trùng lặp, và ta hoàn toàn có thể cắt bớt phần trùng đó. Muốn vậy cần một chính sách (policy) thông minh để lên lịch cho điểm truy cập nhận dữ liệu từ các cảm biến có tốc độ truyền và kích thước dữ liệu khác nhau. Chính sách dựa trên học máy giúp bộ lập lịch nhận ra dữ liệu của từng cảm biến đến từ nguồn nào, rồi chỉ nhận lượng dữ liệu ít nhất cần thiết, nhờ đó giảm tối đa AoI của cả hệ thống.
