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

Nguyễn Thị Thanh Nga

NÂNG CAO HIỆU QUẢ TRUYỀN DỮ LIỆU TRONG MẠNG CẢM
BIẾN KHÔNG DÂY DỰA TRÊN TƯƠNG QUAN DỮ LIỆU

Ngành: Kỹ thuật Máy tính
Mã số: 9480106

TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT MÁY TÍNH

Hà Nội – 2018


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

Người hướng dẫn khoa học:
1. TS. Nguyễn Kim Khánh
2. PGS.TS. Ngô Hồng Sơn

Phản biện 1:
Phản biện 2:
Phản biện 3:

Luận án được bảo vệ trước Hội đồng đánh giá luận án tiến sĩ
cấp Trường họp tại Trường Đại học Bách khoa Hà Nội.
Vào hồi ……, ngày …. tháng …. năm …….


Correlation based Clustering Method for Representative Data
Aggregation in Wireless Sensor Networks.” International Journal of
Sensor Networks, 2018, Vol.28 No.4, pp.270 – 283.


MỞ ĐẦU
1. Lý do lựa chọn đề tài
Mạng cảm biến không dây (WSN) là tập lợp các nút cảm biến liên kết với
nhau để giám sát môi trường, sự kiện xung quanh trong các không gian
vật lý rộng. Các tiến bộ trong việc tích hợp các hệ thống vi cơ điện tử và
sự phát triển nhanh chóng của truyền thông không dây đã cho phép WSN
ngày càng được triển khai một cách rộng rãi. Các nút cảm biến trong WSN
được trang bị nhiều chức năng cảm biến khác nhau cùng với năng lực xử
lý ngày càng cao cho phép WSN có thể đáp ứng được các yêu cầu khác
nhau từ rất nhiều các ứng dụng hiện đại. Do tính chất của WSN là giá
thành rẻ, kích thước nhỏ và không thể thay thế nguồn năng lượng cấp cho
các nút cảm biến, vấn đề tiết kiệm năng lượng luôn là một thách thức lớn
trong việc thiết kế và vận hành mạng cảm biến không dây.
Trong các ứng dụng điển hình của WSN, các cảm biến được triển khai
một cách dày đặc trong không gian giám sát để đảm bảo tính chính xác
của kết quả giám sát. Điều này dẫn tới việc có nhiều cảm biến sẽ thu thập
thông tin của cùng một sự kiện. Nói một cách khác, dữ liệu thu được từ
các cảm biến này có tính tương đồng, hay một cách tổng quát các dữ liệu
này có tính chất tương quan với nhau. Việc tồn tại đặc tính tương quan
này có thể đem lại rất nhiều lợi thế cho việc phát triển các giao thức truyền
thông hiệu quả cho WSN.
Từ các lý do trên, tác giả đã lựa chọn đề tài nghiên cứu “Nâng cao hiệu
quả truyền dữ liệu trong mạng cảm biến không dây dựa trên tương
quan dữ liệu” với mục tiêu khám phá và khai thác tính chất tương quan
trong WSN dưới góc độ tiết kiệm năng lượng. Đề tài này được hi vọng có

4. Đối tượng và phạm vi nghiên cứu của luận án
Đối tượng của luận án là mạng cảm biến không dây hoạt động trong môi
trường có độ tương quan cao, nghĩa là các dữ liệu thu thập bởi các nhóm
cảm biến có tính tương đồng/tương quan với nhau. Phạm vi nghiên cứu
của luận án là nhận biết tính chất tương quan và ứng dụng đặc tính tương
quan môi trường để phát triển các giao thức định tuyến năng lượng. Cụ
thể, đối tượng và phạm vi nghiên cứu cho các nhiệm vụ bao gồm:
- Với nhiệm vụ 1: Lý thuyết entropy được sử dụng để xem xét tính chất
tương quan. Xây dựng cách thức đánh giá joint entropy sử dụng giá trị
entropy của mỗi nút và hệ số tương quan entropy giữa hai nút. Tính chất
tương quan sẽ được nhận biết dựa trên thuộc tính của giá trị joint entropy
của nhóm dữ liệu. Dữ liệu thực tế được sử dụng để xác thực tính chính
xác của phương pháp đề xuất.
- Với nhiệm vụ 2: Để khai thác đặc tính tương quan môi trường, hai cơ
chế kết tập dữ liệu chính bao gồm nén dữ liệu và nút đại diện được xem
xét và phân tích sử dụng mô hình tương quan đã đề xuất trong nhiệm vụ
1. Cơ chế nén dữ liệu được xem xét với các cấu trúc mạng kiểu 1D và 2D,
nén dọc đường truyền về nút trưởng nhóm hoặc chỉ nén tại nút trưởng
2


nhóm. Cơ chế nút đại diện được xem xét với việc sử dụng hàm méo
entropy.
- Với nhiệm vụ 3: Dựa trên các kết quả phân tích và đánh giá trong nhiệm
vụ 2, giao thức định tuyến sử dụng kết tập dữ liệu dựa trên tương quan
entropy sẽ được xây dựng với mục tiêu tiết kiệm năng lượng. Cấu trúc và
hoạt động của giáo thức được mô tả và khả năng tiết kiệm năng lượng của
giao thức sẽ được đánh giá.
5. Ý nghĩa khoa học thực tiễn của luận án
Luận án đã đề xuất một định nghĩa vùng tương quan mới từ đó xây dựng

<3>. Xây dựng giao thức định tuyến với kết tập dữ liệu dựa trên tương
quan entropy. Giao thức này cho phép khai thác đặc tính tương quan của
môi trường mạng cảm biến không dây làm việc.
8. Nội dung luận án
Nội dung của luận án được trình bày trong 5 chương bao gồm:
Chương 1: Giới thiệu tổng quan. Chương này trình bày giới thiệu về
WSN, các cơ chế tiết kiệm năng lượng và vấn đề tương quan dữ liệu trong
WSN. Các đóng góp chính của luận án cũng được đề cập trong chương
này.
Chương 2: Vấn đề tương quan trong mạng cảm biến không dây. Trong
chương này, các mô hình tương quan trong mạng cảm biến không dây
được khảo sát. Vấn đề tương quan dưới góc độ lý thuyết entropy thông
tin cũng được xem xét và ý tưởng để có thể thiết lập một mô hình tương
quan mới cũng được mô tả.
Chương 3: Phân nhóm tương quan entropy. Trong chương này, đầu tiên,
lý thuyết entropy đề cập. Sau đó phương pháp đánh giá xấp xỉ joint
entropy được xây dựng. Từ đánh giá xấp xỉ này, các định nghĩa về vùng
tương quan cũng như thuật toán phân nhóm tương quan được xây dựng.
Quá trình xác thực tính đúng đắn của các đề xuất cũng được thực hiện
trong chương này.
Chapter 4: Kết tập dữ liệu dựa trên tương quan entropy. Chương này trình
bày các phân tích và đánh giá ảnh hưởng của tương quan entropy tới các
kết tập dữ liệu kiểu nén dữ liệu và kiểu nút đại diện.
Chapter 5: Giao thức kết tập dữ liệu dựa trên tương quan entropy
(ECODA). Chương này xây dựng chi tiết giao thức ECODA sử dụng
thuật toán phân nhóm tương quan ở chương 3 và các các cơ chế kết tập
dữ liệu trong chương 4. Các mô phỏng cũng được tiến hành trong chương
này.
Chapter 6: Kết luận và kiến nghị. Chương này tổng kết các kết quả đạt
được, các giới hạn và hướng nghiên cứu tiếp theo của luận án.

tương quan entropy mô tả tính chất tương quan của nhóm tương quan.
• Phân tích và đánh giá cơ chế kết tập kiểu nén dữ liệu và kiểu nút đại
diện sử dụng mô hình tương quan đề xuất.
• Xây dựng giao thức định tuyến với kết tập dữ liệu dựa trên tương quan
entropy.
2. TƯƠNG QUAN TRONG MẠNG CẢM BIẾN KHÔNG DÂY
2.1. Khảo sát các mô hình tương quan
Để khai thác tính tương quan trong WSN, ta cần phải nhận biết được sự
tương quan của các dữ liệu thu thập được tại các nút trong mạng bằng
cách thiết lập các mô hình tương quan. Có rất nhiều nghiên cứu tập trung
cào nghiên cứu mô hình tương quan trong WSNs. Trong (Vuran, Akan,
& Akyildiz, 2004), các nút tương quan được giả thiết là các nút giám sát
5


cùng một nguồn và dữ liệu đo được tại mỗi nút là tổng của dữ liệu tương
quan với nguồn và nhiễu đo. Mô hình tương quan là hàm hiệp phương sai
𝐾𝜗 (hoặc hệ số tương quan ) và được chọn là một hàm phụ thuộc vào
khoảng cách. Có 4 nhóm hàm được xem xét là dạng cầu, hàm mũ, hàm tỉ
lệ bậc 2 và hàm Matern. Một số nghiên cứu khác cũng xây dựng mô hình
tương quan trong đó hệ số tương quan là hàm của khoảng cách giữa các
nút như trong (Shakya, Singh, & Verma, 2013), (von Rickenbach &
Wattenhofer, 2004). Nhược điểm của các mô hình trên là chỉ xem xét đến
mối tương quan tuyến tính và phụ thuộc vào khoảng cách.
Một số nghiên cứu khác xem xét tính tương quan như là sự tương đồng
của các dữ liệu. như trong (C. Liu, Wu, & Pei, 2007), (Peng, Tsai, & Lee,
2008), (Z. Liu, Xing, Zeng, Wang, & Lu, 2013). Một số nghiên cứu khác
định nghĩa mô hình tương quan theo một số cách khác như là mô hình dự
đoán tuyến tính (Gupta, Navda, Das, & Chowdhary, 2008), trọng số nút
(Ma, Guo, Tian, & Ghanem, 2011), độ tương quan mật độ dữ liệu (Yuan

với nhau càng cao thì giá trị joint entropy của nhóm biến càng khác biệt
so với tổng giá trị entropy của từng biến. Tuy nhiên việc sử dụng sự so
sánh này để nhận biết tính tương quan. Thay vào đó ta sẽ xem xét sự tăng
lên của joint entropy của một nhóm khi có một biến được thêm vào nhóm
đó. Nếu biến đó tương cao cao với các biến trong nhóm thì giá trị joint
entropy chỉ tăng lên một lượng nhỏ. Do đó, nếu ta xem xét mối liên hệ
giữa giá trị joint entropy và số lượng biến trong nhóm, ta có thể thấy tốc
độ tăng của joint entropy sẽ giảm dần và tiệm cận về 0 khi số lượng nút
tăng lên. Nói cách khác, giá trị joint entropy sẽ tiến đến trạng thái “bão
hòa” khi số biến tăng lên. Độ tương quan càng cao thì joint entropy tiến
đến trạng thái bão hòa càng nhanh.
2.4. Kết luận
Trong chương này ta đã khảo sát các mô hình tương quan trong WSN.
Các mô hình dựa trên lý thuyết xác suất thống kê kinh điển chỉ mô tả được
quan hệ tương quan tuyến tính. Lý thuyết entropy thông tin có thể cho
phép mô tả quan hệ tương quan một cách tổng quát. Hầu hết các mô hình
tương quan đều phụ thuộc vào thông tin khoảng cách. Tuy nhiên, cần phải
nhìn vào giá trị của dữ liệu để xem xét. Và khi đó mối gian hệ giữa giá trị
joint entropy và số lượng biến trong nhóm có thể được sử dụng để nhận
biết tính tương quan.
3. PHÂN NHÓM TƯƠNG QUAN ENTROPY
3.1. Đánh giá joint entropy
3.1.1. Xác định giới hạn trên của joint entropy
Với nhóm có một nút, joint entropy của nhóm là entropy của nút đó:
(3.3)
𝐻1 = 𝐻(𝑋𝑖 ) ≤ 𝑘1 𝐻𝑚𝑎𝑥
trong đó k1 =1. Với nhóm gồm 2 nút, Xi and Xj, từ định nghĩa hệ số tương
quan entropy ta có:
7


Tương tự, joint entropy Hm của một nhóm m nút có thể được coi như là
joint entropy của nhóm con với m-1 nút với nút còn lại. Entropy của nhóm
con có giá trị bằng joint entropy của m-1 nút; hệ số tương quan entropy
giữa nhóm con và nút còn lại là giá trị lớn nhất/nhỏ nhất/trung bình của
hệ số tương quan giữa một nút thuộc nhóm con và nút còn lại.
2 − 𝜌𝑚𝑖𝑛
𝑏
(𝑘𝑚−1 𝐻𝑚𝑎𝑥 + 𝐻𝑚𝑎𝑥 ) = (𝑘𝑚−1 + 1)𝐻𝑚𝑎𝑥
𝐻𝑚 ≤
2
2
𝑏
𝐻𝑚 = 𝑘𝑚 𝐻𝑚𝑎𝑥 với 𝑘𝑚 = 2 (𝑘𝑚−1 + 1).
𝐻3 ≤

Từ quan hệ truy hồi của km, công thức tổng quát để tính km được xây
dựng như sau (m  3):
𝑏 𝑚
(2 ) − 1
𝑏 𝑚−1
(3.8)
𝑘𝑚 =
+( )
−1
𝑏
2
−
1
2
3.1.2. Xác định giới hạn dưới của joint entropy

−1
𝑏𝑚𝑎𝑥 𝑛−1
2
(3.17)
𝑘𝑚𝑎𝑥 =
+(
)
−1
𝑏𝑚𝑎𝑥
2
2 −1
với bmax = 2-𝜌min
3.1.3. Xác thực phương pháp đánh giá joint entropy
Để xác thực phương pháp đánh giá joint entropy ở trên trong thực tế,
chúng ta sẽ tính toán joint entropy của các nhóm dữ liệu được cấp bởi (
Intel Berkeley Research Lab, 2004). Một nhóm 11 nút được gọi là tập dữ
liệu 1 được lựa chọn từ 48 nút with 𝜌𝑚𝑖𝑛 = 0.6, 𝐻𝑚𝑖𝑛 = 2.16, and
𝐻𝑚𝑎𝑥 = 2.55.

Thuật toán lựa chọn nút sẽ được trình bày ở phần sau của luận án. Với
mỗi nút, ta chọn 256 mẫu để tính entropy, joint entropy và hệ số tương
quan entropy. Từ các giá trị này, giới hạn trên, giới hạn dưới joint entropy
9


của nhóm nút sẽ được xác định. Thêm vào đó giá trị joint entropy của các
nhóm nút hình thành từ 11 nút này cũng được tính toán để so sánh với các
giá trị giới hạn trên và giới hạn dưới. Kết quả được trình bày trong bảng
3.3 và hình 3.3. Có thể thấy rằng giá trị joint entropy thực tế luôn nằm
giữa giá trị giới hạn trên và giới hạn dưới. Ví dụ này đã chứng thực tính

• 𝜌0 ≤ 𝜌𝑖𝑗 = 𝜌(𝑋𝑖 , 𝑋𝑗 ),  𝑖  𝑗
trong đó H là dải thay đổi entropy, H0 được gọi là giá trị entropy cơ
bản và 𝜌0 là mức tương quan. Nếu 𝜌0 ≥ 0.5 ta gọi là vùng tương quan
cao. Với định nghĩa này, chúng ta có thể đánh giá joint entropy của
nhóm m nút {𝑋1 , 𝑋2 , … , 𝑋𝑚 } bằng phương trình sau:
(3.20)
𝐻𝑚 = 𝐻(𝑋1 , 𝑋2 , … , 𝑋𝑚 ) = 𝑘𝑚 𝐻0
trong đó km được tính bởi (3.8) với b=2-0. Phương trình này chính là
mô hình tương quan entropy đề xuất. Với định nghĩa 2 ta cần phải làm
rõ việc xác định giá trị dải thay đổi entropy. Trong luận án này, chúng
ta chọn sai số tối đa giữa giá trị joint entropy thực tế và giá trị đánh giá
là e = 85% thì Δ𝐻 ≤ 15%𝐻0 .
3.2.3. Thuật toán phân nhóm tương quan
Thuật toán phân nhóm tương quan được mô tả trong hình 3.6.

11


3.2.4. Xác thực thuật toán

Để kiểm tra tính tương quan, đạo hàm của hàm joint entropy theo số nút
của nhóm được tính toán và biểu diễn trong hình 3.8. Có thể thấy rằng các
đường đạo hàm đó có hình dáng và tính chất khá tương đồng. Chúng đều
giảm dần về 0 khi số lượng nút tăng. Điều đoc có nghĩa là giá trị joint
entropy tiến tới “bão hòa” khi số lượng nút tăng. Tính chất tương quan
được bảo toàn, và do đó có thể sử dụng mô hình tương quan entropy (3.20)
để đánh giá joint entropy của nhóm tương quan được thiết lập từ định
nghĩa vùng tương quan được đề xuất. Thêm vào đó, ta cũng đánh giá độ
phức tạp của thuật toán phân nhóm tương quan đề xuất. Có thể thấy rõ
rằng độ phức tạp của thuật toán đề xuất chỉ là O(n3) nhỏ hơn nhiều so với

thi một cách đơn giản bằng cách sử dụng các thuật toán nén cục bộ. Do
đó, CDR được đề xuất sử dụng cho mạng cảm biến không dây với môi
trường tương quan cao.

4.1.2. Cơ chế định tuyến nén trong vùng tương quan
4.1.2.1 Phân tích cấu trúc 1-D
a. Nén dọc đường truyền ngắn nhất tới nút trưởng nhóm
Hình 4.4 cho thấy tổng năng lượng tiêu thụ Es tương ứng với các kích
thước nhóm khác nhau với các giá trị 0 khác nhau (trong trường hợp này
N = 50, P= 5, H0=1). Có thể thấy rằng trong trường hợp tương quan cao
(0 ≥0.5), giá trị tối ưu của kích thước nhóm là sopt = N, nghĩa là không
cần thiết phải phân chia vùng tương quan thành các nhóm nhỏ hơn nữa.
Dữ liệu được nén lần lượ từ nút đầu tiên đến nút cuối cùng và tới nút
trưởng nhóm trong một nhóm. Nút trưởng nhóm sẽ nén dữ liệu và truyền
về trạm chủ.
13


b. Chỉ nén tại nút trưởng nhóm
Hình 4.5 cho thấy tổng năng lượng tiêu thụ Es tương ứng với các kích
thước nhóm khác nhau với các giá trị 0 khác nhau (trong trường hợp này
N = 50, P= 30, H0=1). Có thể thấy rằng có tồn tại giá trị tối ưu không
phải tại hai đầu mút (𝑠 ≠ 1 và 𝑠 ≠ 𝑁). Tuy nhiên giá trị tối ưu này phụ
thuộc vào hệ số tương quan. Với giá trị tương quan cao (0 ≥ 0.5), giá trị
kích thước nhóm tối ưu giản khi độ tương quan tăng. Thêm vào đó, mặc
dù không chỉ ra trong luận văn nhưng giá trị tối ưu kích thước nhóm phụ
thuộc nhiều vào số lượng bước chuyển tiếp (P). Số lượng bước càng cao
thì kích thước nhóm càng lớn.

4.1.2.2 Phân tích cấu trúc 2-D

số tương quan. Hệ số tương quan càng lớn thì giá trị tối ưu càng nhỏ.
4.1.3. Cơ chế định tuyến tối ưu trong mạng tương quan
Nếu thực hiện nén dọc đường đi ngắn nhất tới nút trưởng nhóm với mạng
có hệ số tương quan cao, tất cả cá nút trong một vùng tương quan sẽ tập
hợp thành một nhóm mà không cần phân chia thành các nhóm nhỏ hơn
15


để tối ưu năng lượng tiêu thụ. Nếu chỉ thực hiện nén tại nút trưởng nhóm,
sẽ tồn tại một giá trị kích thước nhóm tối ưu, nghĩa là nhóm tương quan
sẽ được chia thành các nhóm nhỏ để tối ưu năng lượng tiêu thụ. Ta có thể
dùng phương pháp xem xét giá trị tối ưu trong các trường hợp cụ thể.
Thêm vào đó có thể thấy năng lượng tiêu thụ trong trường hợp chỉ nén tại
nút trưởng nhóm cao hơn so với trường hợp nén dọc đường đi ngắn nhất
tới nút trưởng nhóm.
4.2. Kết tập dữ liệu kiểu nút đại diện
4.2.1. Độ méo
Độ méo có thể được mô tả là phần trăm thông tin vị mất khi hạn chế
nguồn thông tin. Trong luận án này, ta sử dụng khái niệm độ méo
entropy được đề xuất trong (R. Dai & Akyildiz, 2009). Độ méo entropy
được định nghĩa là tỉ lệ độ suy giảm thông tin so với tổng lượng thông
tin tối đa và được tính theo công thức:
𝐷=

𝐻(𝑋1 , 𝑋2 , … , 𝑋𝑁 ) − 𝐻(𝑋𝑖1 , 𝑋𝑖2 , … , 𝑋𝑖𝑀 )
𝐻(𝑋1 , 𝑋2 , … , 𝑋𝑁 )

(4.10)

4.2.2. Số lượng nút đại diện

Sau khi xác định được số nút đại diện, ta cần phải lựa chọn các nút đại
diện. Việc lựa chọn này có thể dựa theo các tiêu chí khác nhau như tối ưu
hóa lượng thông tin nhận được, tối ưu hóa vùng che phủ của các nút đại
diện hoặc cân bằng năng lượng trong mạng.
4.2.4. Xác thực thực tế
Bảng 4.8 cho thấy với phương pháp tính toán và xác định nút đại diện đề
xuất, độ méo thực tế luôn thỏa mãn độ méo yêu cầu.

4.3. Kết luận
Với kết tập dữ liệu kiểu nén, ba cơ chế nén phổ biến đã được xem xét
và cơ chế CDR được kết luận là phù hợp nhất với WSN có tính tương
quan cao. Thêm vào đó, với hệ số tương cao cao (0 ≥ 0.5), nếu thực
hiện nén dọc đường truyền ngắn nhất tới nút trưởng nhóm thì mỗi vùng
tương quan sẽ là một nhóm để tối ưu năng lượng tiêu thụ. Nếu chỉ thực
hiện nén tại nút trưởng nhóm, vùng tương quan sẽ được chia thành các
nhóm nhỏ hơn để tối ưu năng lượng. Việc xác định kích thước nhóm
tối ưu có thể thực hiện đơn giản qua các khảo sát với trường hợp cụ
thể.
Với kết tập dữ liệu kiểu nút đại diện, sử dụng mô hình đánh giá joint
entropy, ta đã thiết lập được hàm độ nén. Việc xác định số lượng nút
17


đại diện và lựa chọn các nút đại diện cũng được chỉ rõ. Khuyến nghị
của nghiên cứu sinh là nên chọn nhóm có hệ số tương quan cao
(0≥0.5) và thay đổi entropy nhỏ (H ≤20%H0). Thêm vào đó phương
án tính toán số nút đại diện thực tế nên được lựa chọn để có thể lựa
chọn nút đại diện linh hoạt hơn.
5. GIAO THỨC KẾT TẬP DỮ LIỆU DỰA TRÊN TƯƠNG
QUAN ENTROPY (ECODA)

5.3.3. Pha ổn định
Trong giai đoạn thu thập dữ liệu ban đầu, các nút gửi dữ liệu tới các
nút trung gian/trưởng nhóm và các nút này sẽ chuyển tiếp dữ liệu tới
các nút ở lớp trên hoặc trạm chủ. Trong giai đoạn phân nhóm tương
quan, các nút trung gian thu thập dữ liệu từ các nút khác gửi đến và
nén cùng với dữ liệu nó đo được rồi gửi đến nút ở lớp tiếp theo hoặc là
tới nút trưởng nhóm. Nút trưởng nhóm thu thập dữ liệu từ các nút thành
viên, nén và gửi dữ liệu về trạm chủ.
5.4. Mô phỏng ánh giá
5.4.1. Mô hình mô phỏng
Mô hình năng lượng trong (Heinzelman et al., 2002) được sử dụng.
5.4.1.1. Các thông số mô phỏng
5.4.1.2. Thiết lập mô phỏng
5.4.1.3. Tính toán năng lượng tiêu hao
5.4.2. Kết quả mô phỏng và đánh giá
5.4.2.1. Với trường hợp giao thức định tuyến kiểu nén
Từ kết quả mô phỏng có thể thấy số lượng nhóm tương quan càng nhỏ
thì hiệu quả càng cao và cân bằng năng lượng được đảm bảo tốt trong
các trường hợp. Năng lượng suy giảm tuyến tính trong nửa đầu thời kỳ
tồn tại của mạng. Sau đó tốc độ suy giảm năng lượng giảm dần. Điều
này có thể được giải thích là do chỉ còn lại các nút ở gần trạm trung
tâm, do đó năng lượng tiêu thụ giảm.
Từ kết quả mô phỏng có thể thấy số nhóm tương quan càng nhỏ thì
càng tốt. Lý do là số nhóm tương quan càng nhỏ thì số nút trong mỗi
nhóm càng lớn. Do đó số nút ngủ càng lớn (do số nút đại diện là không
thay đổi).
19


5.4.2.2. Với trường hợp giao thức định tuyến kiểu nút đại diện

nhóm và thiết lập các kết nối trong pha thiết lập. Sau đó, trong pha ổn
định, dữ liệu được gửi tới trạm trung tâm. Trạm trung tâm có thể sử dụng
dữ liệu thu được để đánh giá lại tính tương quan giữa các nút trong mạng.
Thêm vào đó, các mô phỏng đã được tiến hành với các điều kiện mô
phỏng khác nhau và giao thức đề xuất đã được so sánh với giao thức
tối ưu dựa vào khoảng cách. Mô phỏng đã chi ra giao thức đề xuất cho
kết quả tốt hơn về tiết kiệm và cân bằng năng lượng.
6. KẾT LUẬN VÀ KIẾN NGHỊ
6.1. Đóng góp của luận án
Luận án nghiên cứu tính tương quan trong mạng cảm biến không dây sử
dụng lý thuyết entropy thông tin. Thay vì xem xét tính tương quan thông
21


qua thông tin vị trí như các nghiên cứu trước, chúng tôi đã làm việc trực
tiếp trên các giá trị của dữ liệu thu thập và đề xuất phương pháp tiếp cận
mới với vấn đề tương quan. Các đống góm chính của luận án bao gồm:
• Đề xuất định nghĩa vùng tương quan và xây dựng thuật toán phân
nhóm tương quan mới. Mô hình tương quan entropy để tính toán joint
entropy của nhóm tương quan cũng được thiết lập
• Tính tương quan được xem xét thông qua mối quan hệ giữa giá trị
joint entropy của một nhóm và số lượng biến trong nhóm đó. Để nhận
biết được sự tương quan, chúng tôi đã thực hiện đánh giá giá trị joint
entropy sử dụng giá trị entropy của các biến đơn lẻ và hệ số tương quan
entropy của các cặp biến. Sử dụng đánh giá này, các điều kiện để có thể
thiết lập được nhóm tương quan đã được xây dựng. Thêm vào đó, hệ số
tương quan entropy được dùng để xác định độ tương quan của nhóm
tương quan.
• Phân tích và đánh giá ảnh hưởng của tương quan entropy tới các cơ
chế kết tập dữ liệu trong mạng cảm biến không dây. Sau đó các cơ chế