Tìm đường xâm nhập ít bị phát hiện hơn trong mạng cảm biến có vật cản

Công nghệ cốt lõi

Một thuật toán tiến hóa dựa trên hệ thống gia đình giúp khảo sát những lối đi yếu nhất qua trường cảm biến — để nhà thiết kế có thêm căn cứ tối ưu mạng trước khi triển khai.

Trong mạng cảm biến không dây, một hàng rào giám sát chỉ hữu ích khi có thể phát hiện đối tượng đi qua. Nhưng địa hình có vật cản và các vùng cảm biến không đồng đều có thể tạo ra những lối đi mà đối tượng khó bị phát hiện. Đề tài KH&CN cấp trường của Đại học Công nghiệp Hà Nội xây dựng mô hình toán học cho bài toán này, mô hình hóa vật cản có hình dạng và kích thước tùy ý, rồi đề xuất thuật toán FEA để tìm đường xâm nhập có mức phơi bày thấp nhất mà vẫn tránh chướng ngại vật.

Đường xâm nhập có khả năng bị phát hiện thấp nhất tìm được bởi các thuật toán FEA, GAMEP và thuật toán chia lưới

Tìm “điểm yếu” của hàng rào cảm biến

Đề tài xem xét bài toán OE-MEP (Obstacles Evasion Minimal Exposure Path): trong một vùng có cảm biến và vật cản, tìm một đường nối điểm bắt đầu với điểm đích sao cho mức Exposure trên đường đi là nhỏ nhất mà không xuyên qua vật cản. Exposure được tính từ cường độ cảm biến dọc đường; trong mô hình của báo cáo, giá trị thấp hơn biểu thị một đường khó bị phát hiện hơn. Đây là cách đánh giá trường hợp bất lợi nhất của độ bao phủ, không phải phép đo trực tiếp về hiệu quả của một mạng đang vận hành.

Phép lai ghép Bridging nối các đoạn đường của cha mẹ

Điểm mới trong cách giải là FEA (Family-based Evolutionary Algorithm), thuật toán tiến hóa dựa trên hệ thống gia đình. Mỗi cá thể là một đường đi biểu diễn bằng chuỗi điểm. Quần thể có kích thước thay đổi trong một khoảng giới hạn và được tổ chức thành các gia đình; các cá thể trưởng thành ghép cặp để sinh cá thể con. Phép lai ghép Bridging nối các đoạn đường của cha mẹ, còn đột biến Push-Force đẩy các điểm của đường theo hướng giảm ảnh hưởng của cường độ cảm biến. Bước chuẩn hóa điều chỉnh đường đi để tránh vật cản.

Đánh giá bằng các kịch bản mô phỏng

Nhóm nghiên cứu tạo 90 bộ dữ liệu ngẫu nhiên với số cảm biến 30, 60 hoặc 90; số vật cản 3 hoặc 5; tổng diện tích vật cản chiếm 15%, 30% hoặc 50% vùng quan tâm. Mỗi cấu hình thuật toán được chạy 20 lần trên từng bộ dữ liệu; báo cáo lấy giá trị Exposure nhỏ nhất trong các lần chạy làm kết quả cho bộ dữ liệu đó. Vì vậy các kết quả thể hiện hiệu năng trong mô hình và bộ kịch bản mô phỏng đã thiết lập.

Hình 3.11 minh họa các đường tìm được bởi FEA, GAMEP và thuật toán chia lưới ở ba trường hợp. Trong trường hợp đầu tiên được minh họa, báo cáo ghi M_ev lần lượt là 0,1497 với FEA, 1,9341 với GAMEP và 111,7348 với phương pháp chia lưới. Đây là giá trị hàm mục tiêu trong trường hợp mô phỏng được vẽ; báo cáo không nêu đơn vị cho M_ev. Hình và phần kết luận của báo cáo nhận định FEA cho kết quả tốt hơn các phương pháp được đem so sánh trong các kịch bản đã thử. Khi diễn giải đối chiếu với GAMEP, cần lưu ý chính báo cáo nói mô hình bài toán của nghiên cứu trước đó không hoàn toàn giống mô hình đề tài.

Các đường tìm được bởi FEA, GAMEP và thuật toán chia lưới ở ba trường hợp

Từ mô phỏng đến thiết kế mạng

Đầu ra chính của đề tài là mô hình OE-MEP, cách mô hình hóa vật cản hình dạng/kích thước tùy ý, thuật toán FEA và kết quả đánh giá bằng mô phỏng. Khi xác định được đường yếu nhất, nhà thiết kế có thể xem xét tăng cường bố trí hoặc độ bao phủ tại những vùng tương ứng trước khi triển khai mạng. Đây là giá trị hỗ trợ thiết kế mà báo cáo hướng tới; báo cáo chưa trình bày thử nghiệm trên mạng cảm biến vật lý hay triển khai giám sát hiện trường.

Báo cáo cũng nêu các hướng còn bỏ ngỏ: mô hình mạng cảm biến camera/video hiện đại, không gian ba chiều và cảm biến đa phương tiện có khả năng quay. Do đó, ứng dụng cho các hệ thống giám sát thực tế là mục tiêu tiếp theo, không phải thành quả triển khai đã chứng minh.

Thông tin đề tài: Đề tài KH&CN cấp trường năm 2021, lĩnh vực Công nghệ thông tin; chủ nhiệm TS. Nguyễn Thị Mỹ Bình; thời gian thực hiện 01/06/2021–01/06/2022; Đại học Công nghiệp Hà Nội.

Nguồn:Báo cáo kết quả nghiên cứu đề tài NCKH cấp trường năm 2021