Bối cảnh

#

Từ khi có drone giá rẻ, số người dùng drone cứ tăng đều, chủ yếu vì drone rất cơ động và làm được những việc trên không mà cách khác khó làm. Giờ 5G đã cận kề, giới nghiên cứu đang tìm cách tốt hơn để chọn vị trí đặt drone, cả khi đang bay trên không lẫn khi đậu dưới mặt đất giữa các chuyến bay. Mục tiêu là cải thiện kết nối di động, đồng thời giảm độ trễ (latency) trung bình giữa thiết bị người dùng trên không và thiết bị dưới mặt đất.

A Tutorial on UAVs for Wireless Networks: Applications, Challenges, and Open Problems

#

Các loại UAV

#

Trong bài báo [1], các tác giả phân loại UAV (thiết bị bay không người lái) bằng một sơ đồ cây, chia nhánh dần ra thành các nhóm nhỏ hơn.

Beyond 5G with UAVs: Foundations of a 3D Wireless Cellular Network

#

Giới thiệu

#

• Khi drone được dùng với số lượng lớn, mạng không dây sẽ chịu ảnh hưởng đáng kể.
• Drone có thể dùng để chụp ảnh nhiệt, giao hàng, hay làm trạm gốc trên không.
• Bài báo này xét các drone người dùng bay ở tầm thấp trong không gian 3D, được phục vụ bởi các điểm truy cập (access point) đặt trên những nền tảng tầm cao, tức các UAV như khí cầu.

Bối cảnh

#

• Các nghiên cứu trước đây chưa tính tới trường hợp thiết bị người dùng (UE) chính là drone đang bay.
• Các nghiên cứu trước về việc gán người dùng vào trạm (user association) trong mạng drone cũng chưa tính đến trạm gốc trên không.

Mô hình hệ thống

#

• Có hai loại drone: drone bay tầm cao làm điểm truy cập, phục vụ các drone UE bay tầm thấp.

Lý thuyết vận tải

#

Đóng góp của tôi

#

Facility Location Problem Approach for Distributed Drones

#

Bài báo xuất phát từ hai khoảng trống: chính phủ và các cơ quan hàng không sớm muộn gì cũng sẽ giới hạn những nơi drone được cất cánh và hạ cánh, còn phần lớn nghiên cứu về drone cứ mặc định drone xuất phát từ một chỗ nào đó mà không giải thích vì sao. Chúng tôi đề xuất các trạm drone (drone port), tức những điểm cố định để drone cất cánh, hạ cánh và sạc pin, cùng một thuật toán dựa trên bài toán vị trí cơ sở (facility location problem) để chọn trạm từ một tập vị trí ứng viên, sao cho quãng đường trung bình mà drone phải bay tới các nhiệm vụ trong khu vực là ngắn nhất. Kết quả là một cách bố trí gần tối ưu, giúp giảm tổng năng lượng mà các drone tiêu thụ. Sau đó, chúng tôi áp dụng một vài thuật toán cho bài toán người bán hàng (travelling salesman problem, TSP) để tìm lộ trình ngắn nhất cho drone đi qua hết các nhiệm vụ.

Hình trên minh họa ý tưởng đó: đặt các trạm drone ở những khu vực có nhu cầu cao. Trạm to, có màu là những trạm tối ưu được chọn. Còn trạm nhỏ, tô xám là những vị trí tiềm năng nhưng không tối ưu nên bị loại.

Bài toán vị trí cơ sở (Facility Location Problem)

#

Dựa vào bài toán vị trí cơ sở, ta có thể lập một bài toán tối ưu để tìm ra chỗ đặt trạm drone tốt nhất, trong giới hạn ngân sách và trong số các vị trí tiềm năng đã có.

Tài liệu tham khảo

#

[1] Mozaffari, Mohammad, et al. “A tutorial on UAVs for wireless networks: Applications, challenges, and open problems.” arXiv preprint arXiv:1803.00680 (2018).

[2] Mozaffari, Mohammad, et al. “Beyond 5G with UAVs: Foundations of a 3D wireless cellular network.” IEEE Transactions on Wireless Communications 18.1 (2019): 357-372.

[3] Lynskey, Jared, et al. “Facility Location Problem Approach for Distributed Drones.” Symmetry 11.1 (2019): 118.

Vì vậy AoI khác với độ trễ (latency), vốn chỉ đo thời gian đi đường của từng gói tin, và cũng khác với thông lượng (throughput), vốn đếm xem có bao nhiêu gói tin đến nơi. AoI có thể xấu đi theo hai hướng ngược nhau: gửi cập nhật quá thưa thì bên nhận chỉ có thông tin cũ trong tay; còn gửi quá dày đến mức hàng đợi (queue) bị ùn lại thì bản cập nhật nào đến nơi cũng đã cũ mất rồi.

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. Ý tưởng rất đơn giản: 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 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].

Những ý chính: đường răng cưa, AoI trung bình và AoI đỉnh

#

Nếu vẽ AoI theo thời gian, bạn sẽ được một đường răng cưa. Giữa hai lần cập nhật, AoI tăng đều, cứ mỗi giây trôi qua thì thông tin già thêm một giây. Khi có bản cập nhật mới đến, AoI giảm xuống, nhưng không về số 0: nó chỉ giảm xuống bằng thời gian bản cập nhật đó đã mất trên đường truyền, vì lúc đến nơi thì bản cập nhật đã cũ chừng ấy rồi.

Có hai con số tóm tắt đường cong này. AoI trung bình (average AoI) là diện tích phía dưới đường răng cưa chia cho khoảng thời gian quan sát, tức là mức AoI bạn sẽ thấy nếu nhìn vào một thời điểm bất kỳ. AoI đỉnh (peak AoI) là chiều cao trung bình của các răng cưa, tức AoI ngay trước khi mỗi bản cập nhật đến nơi. Con số này dễ phân tích hơn, và cho bạn biết trong một chu kỳ thì thông tin có thể cũ đến mức nào.

Kết quả kinh điển thời kỳ đầu đến từ bài báo năm 2012 của Kaul, Yates và Gruteser, “Real-time status: How often should one update?” [4]. Các tác giả mô hình hóa việc các bản cập nhật đi qua một hàng đợi duy nhất phục vụ theo thứ tự đến trước được phục vụ trước (FCFS, mô hình M/M/1), với tốc độ phục vụ μ và hệ số sử dụng ρ (đường truyền bận đến mức nào), rồi chứng minh rằng AoI trung bình là

Δ = (1/μ) × (1 + 1/ρ + ρ² / (1 − ρ))

Số hạng 1/ρ “phạt” việc gửi quá thưa, còn số hạng ρ²/(1 − ρ) “phạt” việc gửi nhiều đến mức hàng đợi bị ùn lại. AoI thấp nhất khi ρ ≈ 0.53, tức là đường truyền rảnh gần một nửa thời gian. Muốn tối đa thông lượng thì phải đẩy ρ về gần 1, muốn giảm độ trễ của từng gói tin thì phải kéo ρ về gần 0; còn độ “tươi” của thông tin thì không muốn cả hai. Lý do chỉ số này tồn tại nằm gọn trong một câu: tốc độ cập nhật tốt nhất cho độ tươi là một con số mà cả thông lượng lẫn độ trễ đều không chọn ra được.

Hai bài báo về lên lịch truyền để tối ưu AoI

#

Reinforcement Learning Based Scheduling Algorithm for Optimizing Age of Information in Ultra Reliable Low Latency Networks [1]

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: các cảm biến có ngưỡng và kích thước gói tin khác nhau, vậy phải chọn thế nào để không cảm biến nào bị vi phạm yêu cầu 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 huấn luyện một bộ lập lịch dựa trên học tăng cường (reinforcement learning) bằng thuật toán actor-critic.

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”. Mỗi bản cập nhật từ một nguồn vật lý có thể được nhiều cảm biến cùng quan sát, nên dữ liệu của các cảm biến bị trùng lặp, và điểm truy cập chẳng được lợi gì khi nhận cùng một bản cập nhật hai lần. Các tác giả đề xuất hai chính sách (policy) lên lịch: một chính sách cần biết trước các tham số của hệ thống, và một chính sách dựa trên contextual bandits, vừa chạy vừa tự học các tham số đó. Cả hai đều tận dụng phần trùng lặp giữa các cảm biến để giảm AoI đáng kể so với lịch ngẫu nhiên hoặc lịch xoay vòng (round-robin).

Tài liệu tham khảo

#

[1] Elgabli, A., Khan, H., Krouka, M., & Bennis, M. (2018). Reinforcement learning based scheduling algorithm for optimizing age of information in ultra reliable low latency networks. arXiv preprint arXiv:1811.06776.

[2] Boccardi, Federico, et al. “Five disruptive technology directions for 5G.” IEEE Communications Magazine 52.2 (2014): 74-80.

[3] Kalør, Anders E., and Petar Popovski. “Minimizing the Age of Information from Sensors with Correlated Observations.” arXiv preprint arXiv:1811.06453 (2018). Các phiên bản sau đổi tên thành “…with Common Observations”.

[4] Kaul, S., Yates, R., & Gruteser, M. (2012). Real-time status: How often should one update? Proceedings of IEEE INFOCOM 2012, 2731-2735.

Đọc thêm: nếu mới bắt đầu, bài tổng quan (survey) của Yates, Sun, Brown, Kaul, Modiano và Ulukus, “Age of Information: An Introduction and Survey” (IEEE Journal on Selected Areas in Communications, tập 39, số 5, 2021), là lựa chọn tốt nhất. Nếu muốn đọc cả một cuốn sách, có Age of Information: Foundations and Applications do Pappas, Abd-Elmagid, Zhou, Saad và Dhillon biên tập (Cambridge University Press, 2023).