Luận án Nghiên cứu cải tiến cơ chế điều khiển tại các nút mạng

ng không được trơn. Các tham 
 51 
số của các hàm thuộc trong bộ điều khiển mờ của FEM không thể tự động thay đổi 
để FEM thích nghi hơn với điều kiện mạng khác nhau. 
 Do FEM đặt giá trị chiều dài hàng đợi tham chiếu ( 푄퐿) tĩnh, nên giá trị này 
không thể tự động thay đổi phù hợp với trạng thái của mạng. Mặt khác, FEM cho giá 
trị đầu ra là xác suất đánh dấu gói tin, do giá trị này không được kiểm soát tự động 
sau khi được tính, nên FEM chưa có khả năng tự điều chỉnh giá trị của xác suất cho 
phù hợp với tình trạng mạng. 
 Do hệ luật suy diễn của FEM được cài đặt phụ thuộc rất nhiều vào chuyên 
gia và hệ luật này không có khả năng cập nhật trong quá trình hoạt động của FEM, 
nên FEM chưa thích nghi cao với những điều kiện thực tế khác nhau. 
 Vì vậy, luận án đưa ra một số cải tiến cơ chế RED theo mô hình điều khiển mờ 
thích nghi AFC để phần nào khắc phục các hạn chế trên. Cơ chế mới này có tên gọi 
là FLRED được xây dựng trong mục 2.4 của chương này. 
2.2.2. Phân tích cơ chế FUZREM 
 Năm 2008, Xu Changbiao và cộng sự đã đề xuất cơ chế quản lý hàng đợi tích 
cực FUZREM [74] dựa trên sự cải tiến cơ chế REM bằng công cụ điều khiển mờ. 
FUZREM sử dụng hàm giá (biến 푙) đo lường tắc nghẽn tức thời của cơ chế REM, 
và xác định độ lệch của chiều dài hàng đợi so với chiều dài hàng đợi mong muốn 
(biến 푒 ) để tính xác suất đánh dấu gói. Hình 2.8 trình bày mô hình hoạt động của 
cơ chế FUZREM. 
 x(t)-c(t)
 qref price pl
 SG
 update i Bộ điều 
 khiển 
 error SG plant
 mờ o
 SGi FUZREM
 perr
 Hình 2.8. Mô hình hoạt động của cơ chế FUZREM 
 Biến đầu vào 푙 của bộ điều khiển mờ FUZREM được mờ hóa bởi hàm thuộc 
hình tam giác với 7 miền giá trị (tương tự như Hình 2.7) như sau: Z (Zero: Bằng 
không); T (Too Small: Rất rất nhỏ); VS (Very Small: Rất nhỏ); S (Small: Nhỏ); B 
 52 
(Big: Lớn); VB (Very Big: Rất lớn); H (Huge: cao). 
 Tương tự, biến đầu vào 푒 của bộ điều khiển mờ FUZREM được mờ hóa 
bằng hàm thuộc dạng tam giác với 5 miền giá trị và hàm thuộc hình thang với 2 miền 
giá trị đặt ở cận đầu và cận cuối. Hình dạng các hàm thuộc của 푒 tương tự như 
Hình 2.6, các giá trị của biến ngôn ngữ được chọn để biểu thị các trường hợp xảy ra 
đối với 푒 là: NB (Negative Big: Âm lớn); NM (Negative Medium: Âm lớn); NS 
(Negative Small: Âm nhỏ); Z (Zero: Gần không); PS (Positive Small: Dương nhỏ); 
PM (Positive Medium: Dương vừa); PB (Positive Big: Dương lớn). 
 Đầu ra bộ điều khiển mờ của FUZREM là xác suất đánh dấu gói tin ( 표 ) 
được mờ hóa theo hàm thuộc hình tam giác với 7 giá trị khác nhau trong đoạn [0,1]. 
Hình dạng các hàm thuộc ( 표 ) tương tự Hình 2.7. Dựa trên biến đầu vào và đầu 
ra, bộ điều khiển mờ FUZREM được xây dựng gồm 49 luật trong Bảng 2.2 như sau: 
 Bảng 2.2. Hệ thống luật suy diễn của cơ chế FUZREM 
 푃푒 ( ) 
 표 ( ) 
 NB NM NS Z PS PM PB 
 Z Z Z Z Z Z Z Z 
 T Z Z Z Z Z Z T 
 VS Z Z Z T T T VS 
 푙( ) S Z Z T T VS S B 
 B VS S S S B VB VB 
 VB B B VB VB H H H 
 H H H H H H H H 
 Theo đánh giá, thì FUZREM hoạt động rất hiệu quả khi ổn định được chiều dài 
hàng đợi theo giá trị mong muốn và giảm độ trễ của gói tin trong hàng đợi. Tuy nhiên, 
cũng như FEM, cơ chế FUZREM còn một số tồn tại làm ảnh hưởng đến quá trình 
hoạt động của nó. Chẳng hạn, bộ mờ hóa của FUZREM chưa trơn do sử dụng hàm 
thuộc tam giác, bộ tham số mờ của FUZREM chưa thể tự động cập nhật, và FUZREM 
chưa có cơ chế tự điều chỉnh giá trị mục tiêu cũng như cơ chế thích nghi cho xác suất 
đánh dấu gói tin tại đầu ra. 
 Do vậy, để khắc phục các tồn tại trên, luận án đưa ra cơ chế FLREM là một cải 
 53 
tiến cơ chế REM theo mô hình điều khiển mờ thích nghi AFC, được xây dựng trong 
mục 2.5 của chương này. 
2.2.3. Một số vấn đề còn tồn tại của cơ chế AQM dùng điều khiển mờ 
 Nhìn chung, các cơ chế cải tiến AQM có sử dụng logic mờ đã sử dụng hệ mờ 
Mamdani với hàm thuộc dạng tam giác, có các biến đầu vào là độ sai lệch giữa chiều 
dài hàng đợi tức thời với chiều dài hàng đợi tham chiếu, lấy trên hai thời điểm liên 
tiếp và biến đầu ra là xác suất đánh dấu gói. Các cơ chế này đã hoạt động rất hiệu quả 
khi ổn định được chiều dài hàng đợi theo giá trị mong muốn và giảm độ trễ của gói 
tin trong hàng đợi. Tuy nhiên, các cơ chế này còn một số tồn tại sau: 
 Thứ nhất, việc sử dụng hàm thuộc dạng tam giác để tính toán đơn giản nhưng 
điều này làm cho việc điều khiển không được trơn [56][66]. Để khắc phục nhược 
điểm này, luận án đưa ra giải pháp dùng hàm thuộc dạng hình chuông để biểu diễn 
giá trị các biến mờ ở đầu vào và đầu ra của bộ điều khiển mờ. 
 Thứ hai, giá trị biến xác suất đánh dấu gói tin ở đầu ra của bộ điều khiển mờ 
là sự thể hiện yếu tố định tính của con người khi tham gia điều khiển hệ thống, giá trị 
này đã được một số cơ chế chuẩn hóa trong đoạn [0,1]. Tuy nhiên, trong FEM và 
FUZREM thì hệ số này đều được điều chỉnh tĩnh, cần có cơ chế tự điều chỉnh hệ số 
ở đầu ra để tinh chỉnh giá trị xác suất đánh dấu gói tin theo định lượng của hệ thống, 
sao cho có giá trị xác suất phù hợp với tình trạng của mạng. 
 Thứ ba, chiều dài hàng đợi tham chiếu (푞 푒 ) được sử dụng trong các cơ chế 
được thiết lập giá trị cố định, thông thường thì ngưỡng này là 80% năng lực của hệ 
thống (như kích thước vùng đệm). Tuy nhiên, cần có chiến lược xây dựng mô hình 
mẫu để thay đổi giá trị tham chiếu này một cách tự động cho phù hợp với trạng thái 
của mạng. Chẳng hạn, khi đường truyền rỗi thì đặt giá trị tham chiếu thấp để độ trễ 
tại hàng đợi nhỏ, ngược lại thì đặt giá trị tham chiếu cao để hạn chế mất gói. 
 Thứ tư, tham số của các bộ điều khiển mờ (số hàm thuộc, giá trị các hàm 
thuộc, số luật, trọng số các luật) bị cố định từ khi thiết kế và không tự thay đổi được 
để phù hợp với tình trạng mạng. 
 Thứ năm, nguyên nhân chính làm cho các cơ chế AQM sử dụng điều khiển 
mờ có hiệu quả hoạt động chưa cao là do các cơ chế này dùng hệ mờ Mamdani cho 
 54 
bộ điều khiển mờ truyền thống của mình. Theo đánh giá của các nhà nghiên cứu trong 
lĩnh vực điều khiển tự động thì hệ mờ Mamdani hoạt động không hiệu quả bằng hệ 
mờ Sugeno, đặc biệt là trong các hệ thống điều khiển MISO như trên [5][8][66]. 
 Để khắc phục hạn chế này của các cơ chế, luận án đề xuất mô hình bộ điều khiển 
mờ thích nghi AFC sử dụng hệ mờ Sugeno với các hàm thuộc hình chuông có các cơ 
chế điều chỉnh giá trị mục tiêu và cơ chế tự kiểm soát xác suất đầu ra. Bộ điều khiển 
mờ thích nghi AFC được xây dựng và ứng dụng trong phần còn lại của chương này. 
2.3. Xây dựng mô hình điều khiển mờ thích nghi AFC cải tiến AQM 
 Dựa trên những tồn tại của các cơ chế ứng dụng logic mờ vào quản lý hàng đợi 
tích cực trước đây đã được trình bày ở trên, luận án đề xuất mô hình quản lý hàng đợi 
tích cực dựa trên điều khiển mờ thích nghi AFC. 
2.3.1. Đề xuất bộ điều khiển mờ thích nghi AFC cải tiến AQM 
2.3.1.1. Mô hình điều khiển mờ thích nghi AFC 
 Điều khiển mờ thích nghi AFC được cải tiến từ các mô hình điều khiển mờ của 
các cơ chế FEM và FUZREM, có bộ xử lý trung tâm là bộ điều khiển mờ Sugeno, có 
cơ cấu tự điều chỉnh tham số vào và tham số ra, sao cho đầu ra của mô hình giống mô 
hình mẫu nhất. Hình 2.9 mô hình mờ thích nghi đề xuất, kết quả này được công bố 
trong [CT8]. Trong đó, có các thành phần được bổ sung và cải tiến như sau: 
 Mô hình ym
 mẫu G
 m +
 e 
 -
 Cơ cấu 
 thích nghi
 x
 e(t) Điều khiển mờ p(t) pk(t) TCP/IP y
  K1 K
 + F G
 - Trễ T
 K2
 e(t-T) Điều khiển mờ thích nghi AFC
 Hình 2.9. Mô hình điều khiển mờ thích nghi AFC 
 55 
 Bộ điều khiển mờ Mamdani có các hàm thuộc hình tam giác được thay thế 
bằng bộ điều khiển mờ Sugeno với các hàm thuộc hình chuông để việc điều khiển 
được “trơn” và tính toán nhanh hơn do hệ mờ Sugeno không phải giải mờ ở đầu ra. 
 Bổ sung mô hình mẫu , thành phần này tự động định ra các giá trị tham 
chiếu (giá trị mong muốn) dựa trên năng lực của nút mạng (kích thước vùng đệm, 
băng thông đường truyền tại ngõ ra) và trạng thái của mạng (mục 2.3.4). 
 Cải tiến công thức tính toán cho các hệ số đầu vào 퐾푖 để bộ điều khiển mờ có 
thể nhận được các đầu vào khác nhau về tiêu chí kiểm soát, như: độ sai lệch về chiều 
dài hàng đợi, độ sai lệch về băng thông đường truyền hay độ sai lệch tài nguyên tại 
nút mạng (sai lệch về chiều dài hàng đợi và băng thông đường truyền) (mục 2.3.3.1). 
 Thành phần cuối cùng được bổ sung trong AFC là Cơ cấu thích nghi để điều 
chỉnh hệ số đầu ra 퐾 nhằm tăng giảm xác suất đánh dấu gói tin phù hợp với tình trạng 
mạng luôn thay đổi (mục 2.3.5). 
2.3.1.2. Hoạt động của bộ điều khiển mờ thích nghi AFC 
 Bước 1: Dựa trên sự thay đổi của ngõ vào theo số chu kỳ mà Mô hình mẫu 
 xác định ngõ ra tham chiếu (chiều dài hàng đợi tham chiếu, băng thông đường 
truyền mong muốn hoặc kết hợp cả hai yếu tố này) cho mạng. Giá trị được thiết 
lập phù hợp năng lực tài nguyên của hệ thống và trạng thái của mạng. 
 Bước 2: Hệ thống điều khiển vòng kín, các giá trị ngõ vào 푒(푡), 푒(푡 − ) là độ 
sai lệch của ngõ ra so với giá trị tham chiếu sẽ được chuẩn hóa nhờ vào các hệ 
số 퐾1 và 퐾2 trước khi đi vào bộ điều khiển mờ. 
 Bước 3: Sau khi các số liệu ở ngõ vào đã được chuẩn hóa, dữ liệu sẽ được đưa 
đến bộ điều khiển mờ. Tại đây, hệ thống điều khiển mờ với các thành phần: bộ mờ 
hóa, hệ luật, động cơ suy diễn và bộ giải mờ như trình bày trong mục 2.3.3.4 sẽ hoạt 
động và tính giá trị xác suất đánh dấu gói (푡). 
 Bước 4: Dựa trên độ sai lệch e cho phép giữa giá trị tham chiếu với giá trị 
đầu ra và độ sai lệch thực tế 푒(푡) của hệ thống mà bộ Cơ cấu thích nghi sẽ điều 
chỉnh hệ số 퐾 ở đầu ra của bộ điều khiển mờ thích nghi AFC cho thích hợp điều kiện 
mạng thay đổi. 
 56 
2.3.2. Xác định các biến đầu vào và đầu ra cho AFC 
 Để hệ thống hoạt động tốt thì cần thiết lập phạm vi của các giá trị cho các 
biến đầu vào sao cho phù hợp với hệ thống. Phạm vi của các giá trị này có thể được 
xác định bằng cách thử nghiệm với các giá trị đầu vào khác nhau cho các hệ thống 
điều khiển nhằm xác định phạm vi biến thiên của lỗi trong trong một khoảng thời 
gian lấy mẫu. Luận án chọn giá trị lỗi 푒(푡) và tốc độ thay đổi của lỗi dựa thêm vào 
giá trị lỗi tại thời điểm trước 푒(푡 − ) làm đầu vào trên bộ điều khiển mờ. Tức là, 
đầu vào là sự sai lệch của giá trị đầu ra tức thời ( ) so với giá trị đầu ra tham chiếu 
(ym) tại hai thời điểm liên tiếp là (푡) và (푡 − ). Biểu thức 푒(푡) = − (푡) xác định 
lỗi thời điểm hiện tại và 푒(푡 − ) = − (푡 − ) là xác định lỗi thời điểm sau khi 
trễ một thời gian (ở chu kỳ lấy mẫu trước đó). Tương tự, ta cần xem xét đến việc 
lựa chọn xác suất đánh dấu/loại bỏ gói tin (푡) làm đầu ra của bộ điều khiển mờ. 
2.3.3. Xây dựng bộ điều khiển mờ cho AFC 
 Bộ điều khiển mờ cho AFC được xây dựng dựa trên hệ mờ Sugeno có các thành 
phần: hệ số đầu vào, bộ mờ hóa đầu vào, hệ luật cơ sở và bộ giải mờ đầu ra. 
2.3.3.1. Hệ số đầu vào 
 Giá trị của các biến đầu vào 푒(푡) và 푒(푡 − ) cần được chuẩn hóa về miền giá 
trị thích hợp cho việc mờ hóa và huấn luyện sau này bằng hàm sigmoid. Do đó, tất cả 
các giá trị này phải được chuẩn hóa thuộc đoạn [-1,1]. Vì vậy, các hệ số đầu vào 
퐾1, 퐾2 được xác định, sao cho −1 ≤ 푒(푡). 퐾1 ≤ 1; −1 ≤ 푒(푡 − ). 퐾2 ≤ 1 và được 
tính theo công thức (2.33): 
 1/ymm ; y y
 Kii ; 1,2 (2.33) 
 1/ (ymax y m ) ; y y m
 trong đó, là giá trị lớn nhất của mô hình mẫu, là giá trị hàm tham chiếu 
(mô hình mẫu hiện tại của hệ thống). Khi < (giá trị đầu ra dưới mức tham chiếu) 
thì 0 < 푒(푡). 퐾푖 = ( − )/ < 1 (푖 = 1̅̅,̅2̅). Ngược lại, khi ≥ (giá trị đầu ra 
trên mức tham chiếu) thì −1 < 푒(푡). 퐾푖 = ( − )/( − ) ≤ 0 ( 푖 = 1̅̅,̅2̅). 
2.3.3.2. Mờ hóa đầu vào 
 Để xác định các luật cho hệ suy luận, ta cần thiết phải đặc tả các biến ngôn 
 57 
ngữ để đưa vào bộ điều khiển mờ nhằm mô tả đối tượng một cách tốt nhất. Các 
biến ngôn ngữ đầu vào được chọn là “sai lệch chiều dài hàng đợi”, “sai lệch tải 
nạp” ở hai thời điểm liên tiếp là (푡) và (푡 − ). Sai lệch chiều dài hàng đợi là sai 
số giữa chiều dài hàng đợi tham chiếu ( 푄퐿) với chiều dài hàng đợi tức thời. Sai 
lệch tải nạp là sai số giữa băng thông đường truyền định mức ( 푊) với thông 
lượng thực. Các giá trị của biến ngôn ngữ được chọn để biểu thị các trường hợp 
xảy ra đối với hai đầu vào 푒(푡) và 푒(푡 − ) tương ứng với hai thời điểm liên tiếp 
và được mờ hóa bởi hàm thuộc dạng hình chuông trong công thúc (2.4). 
 Để đơn giản trong tính toán, thông thường hàm thuộc dạng hình tam giác, 
hình thang được sử dụng cho các biến ngôn ngữ. Tuy nhiên, các hàm thuộc này 
cho giá trị điều khiển không trơn. Vì vậy trong luận án sử dụng hàm thuộc hình 
chuông để mờ hóa cho các biến đầu vào. Trong bộ điều khiển mờ, ta sử dụng 
phương pháp với các hàm thuộc đối xứng và cách đều, tổng hợp của các độ thuộc 
của một giá trị ngôn ngữ đầu vào luôn là bằng 1. 
2.3.3.3. Hệ luật cơ sở suy diễn mờ 
 Tập các luật mờ được thiết kế một cách chi tiết bằng việc chọn lựa mô hình 
MISO đơn giản nhất (tránh được sự gia tăng theo hàm mũ của tập các luật mờ và 
do đó giảm được độ phức tạp của hệ điều khiển) dựa trên mục tiêu sự toàn diện của 
hệ luật, có nghĩa là tất cả các tình huống về hành vi của hệ thống đều phải được 
xem xét. Điều này có nghĩa là tổ hợp sự thay đổi các biến đầu vào sẽ dẫn đến một 
đầu ra tương ứng. Các luật trong bộ điều khiển mờ thích nghi AFC được xây dựng 
dựa trên công thức (2.32) của hệ mờ Sugeno. 
2.3.3.4. Giải mờ đầu ra 
 Để ra được quyết định điều khiển cuối cùng, tập mờ đầu ra này cần phải được 
chuyển thành một giá trị đầu ra rõ thông qua phép giải mờ. Ở đây, giải mờ được 
tính theo phương pháp trọng tâm của miền mờ, theo công thức (2.34) như sau: 
 m
 yy ()
 y () y dy  j c j
 c j 1
 (a) p Y (b) pk m (2.34) 
 k  ()y dy
 c  cj()y
 Y j 1
 58 
 trong đó 휇 ( ) = max (휇1( ), 휇2( ),  , 휇 ( )) là độ phụ thuộc của trong 
tập mờ kết hợp và là số luật suy luận. Giới hạn của phép tích phân trong công 
thức (2.34a) tương ứng với không gian nền 푌 của giá trị xác suất đánh dấu/loại bỏ 
mà chứa . Để giảm bớt quá trình tính toán, ta rời rạc hóa không gian 푌 thành 
giá trị và thu được giá trị trọng tâm như công thức (2.34b). 
2.3.4. Xây dựng mô hình mẫu cho AFC 
 Mục tiêu thiết kế các thuật toán AQM là xác định giới hạn của biến động hàng 
đợi hay biến động tải nạp, để điều chỉnh hàng đợi hay tải nạp ở một mức độ phù 
hợp nhằm ổn định hệ thống và duy trì mức độ đáp ứng dịch vụ mạng. Điều này dẫn 
đến cần phải có một đầu vào tham chiếu là chiều dài hàng đợi, hoặc thông lượng 
tham chiếu phù hợp được xây dựng từ mô hình mẫu Gm. Dựa trên khả năng tối đa 
 (kích thước vùng đệm, băng thông đường truyền) trong mô hình mẫu để thiết 
lập các giá trị tham chiếu tương ứng, và giá trị được xác định như sau: 
 ( ) = ( − 1) + 훼y (2.35) 
 Trong đó, hệ số 훼 là hệ số tỉ lệ để tăng hoặc giảm giá trị mong muốn . Sau 
chu kỳ cập nhật , nếu trung bình độ sai lệch của giá trị đầu ra so với giá trị mong 
muốn tăng thì tăng giá trị , ngược lại thì giảm . Điều này giúp cho sự thay đổi 
các giá trị mục tiêu phù hợp với tình trạng mạng. 
 Tham số này có thể được thiết lập sao cho đạt được trễ trung bình và biến 
thiên độ trễ thấp. Với mục đích giữ kích thước hàng đợi tức thời ở một mức cố 
định, kiểm soát thông lượng không thay đổi. Thuật toán điều khiển mờ cho phép 
kiểm soát chặt chẽ hơn, tránh tổn thất và các biến động không thể chấp nhận được 
xung quanh điểm tham chiếu. Điều này trái ngược với các thuật toán AQM truyền 
thống, kiểm soát các hành vi vĩ mô của chiều dài hàng đợi và lưu lượng gói tin đến, 
nên chúng thường dẫn đến phản ứng chậm chạp và biến động trong chiều dài hàng 
đợi/lưu lượng tải tức thời, dẫn đến biến thiên độ trễ lớn. 
2.3.5. Xây dựng cơ chế thích nghi cho AFC 
 Cơ chế thích nghi để điều chỉnh hệ số K ở ngõ ra sao cho giá trị xác suất đánh 
dấu thích hợp. Khi giá trị ngõ ra vượt quá giá trị tham chiếu thì cần tăng 퐾 để tăng 
 59 
xác suất đánh dấu và ngược lại. Áp dụng phương pháp giảm Gradient để chỉnh định 
thích nghi hệ số đầu ra 퐾 của bộ điều khiển mờ. Quá trình điều chỉnh được thực hiện 
theo cấu trúc chính được gọi chung là điều khiển thích nghi mờ theo mô hình mẫu. 
 Đối tượng điều khiển TCP/IP có hàm truyền G, mô hình mẫu có hàm truyền Gm 
và bộ điều khiển mờ có hàm truyền F. Cần phải tìm ra quy luật chỉnh định hệ số K 
sao cho sai lệch giữa giá trị thực đầu ra và với giá trị tham chiếu tiến đến 0 (ε 
→0). Dựa trên mô hình trong Hình 2.9 thì hệ số đầu ra được xác định như sau: 
 KFG
 yy m (2.36) 
 1 KFG 
 eey KFGym KFG
 2   (2.37) 
 K  K(1 KFG ) K 1 KFG K 
 y
 với m e , giả thiết rằng khi tiến đến thì 퐾퐹 /(1 + 퐾퐹 ) 1. 
 1 KFG 
 ee
 Vì vậy, ta có: và giá trị 퐾 được tính theo công thức (2.38) như sau: 
 KK
 퐾(푡 + 1) = 퐾(푡) − 휀( − (푡)) (2.38) 
 Dựa vào công thức (2.38), khi giá trị ngõ ra vượt quá ngưỡng tham chiếu 
( (푡) > ) thì tăng giá trị của hệ số 퐾 để tăng giá trị xác suất đánh dấu gói tin. 
Ngược lại, khi giá trị ngõ ra dưới ngưỡng tham chiếu ( (푡) < ) thì giảm giá trị của 
hệ số 퐾 để giảm giá trị xác suất đánh dấu gói tin. Khi đạt trạng thái ổn định, giá trị 
ngõ ra bằng giá trị tham chiếu ( (푡) = ) thì giữ giá trị 퐾 không đổi. 
2.4. Cải tiến cơ chế RED bằng điều khiển mờ thích nghi AFC 
 Theo phân tích đánh giá về các cơ chế AQM truyền thống trong Chương 1, cũng 
như phân tích đánh giá về các cơ chế AQM có sử dụng logic mờ trong Chương 2, thì 
các công trình cải tiến cơ chế AQM dựa trên chiều dài hàng đợi xoay quanh việc sửa 
đổi RED. Vì vậy, trong phần xây dựng cơ chế cải tiến AQM bằng điều khiển mờ 
thích nghi AFC, luận án tiếp tục chọn việc cải tiến RED đại diện cho các cơ chế AQM 
dựa trên chiều dài hàng đợi. Sự tích hợp điều khiển mờ thích nghi AFC vào cơ chế 
RED hình thành cơ chế cải tiến có tên gọi là FLRED dựa trên mô hình AFC tổng quát 
đã trình bày trong mục 2.3.1 được mô tả chi tiết như sau. 
 60 
2.4.1. Mờ hóa biến đầu vào của FLRED 
 Sử dụng mô hình cải tiến tổng quát như trong Hình 2.9, với là chu kỳ lấy mẫu. 
Với 푄푒(푡) = 푄퐿 − 푞(푡), 푄푒(푡 − ) = 푄퐿 − 푞(푡 − ) là sai lệch của chiều dài 
hàng đợi tức thời so với hàng đợi tham chiếu ( 푄퐿) tại chu kỳ lấy mẫu và ở chu kỳ 
lấy mẫu trước đó. Độ sai lệch này được chuẩn hóa giá trị trong đoạn [-1,1] trước khi 
đưa vào bộ điều khiển mờ nhờ vào hệ số 퐾1 và 퐾2 xác định theo công thức (2.33). 
Các giá trị của biến ngôn ngữ được chọn để biểu thị các trường hợp xảy ra đối với 
hai đầu vào 푄푒(푡), 푄푒(푡 − ) được chia làm bảy miền giá trị (bằng số miền giá trị 
của FEM và FUZREM) là {NB, NM, NS, ZE, PS, PM, PB}. Các miền giá trị được thể 
hiện trong Bảng 2.3 sau: 
 Bảng 2.3. Mờ hóa các biến đầu vào của FLRED 
 Miền Tiếng Anh Tiếng Việt Ý nghĩa 
 NB Negative Big Âm lớn 푞(푡) ⋙ 푄퐿 
 NM Negative Medium Âm vừa 푞(푡) ≫ 푄퐿 
 NS Negative Small Âm nhỏ 푞(푡) > 푄퐿 
 ZE Zero Gần không 푞(푡) ≈ 푄퐿 
 PS Positive Small Dương nhỏ 푞(푡) < 푄퐿 
 PM Positive Medium Dương vừa 푞(푡) ≪ 푄퐿 
 PB Positive Big Dương lớn 푞(푡) ⋘ 푄퐿 
 Ngữ cảnh mô tả cách thể hiện các giá trị biến ngôn ngữ như sau: 
 Phát biểu “sai lệch hàng đợi là dương lớn” (PB) mô tả tình huống mà khi 
đó hàng đợi tức thời dưới nhiều so với giá trị tham chiếu ( 푄퐿). 
 Phát biểu “Sai lệch hàng đợi trước là âm nhỏ và sai lệch hàng đợi là dương 
lớn” mô tả tình huống mà khi đó chiều dài hàng đợi trong chu kỷ trước hơi vượt 
quá chiều dài hàng đợi tham chiếu và chiều dài hàng đợi tức thời dưới nhiều so với 
chiều dài hàng đợi tham chiếu. Điều này có nghĩa là chiều dài hàng đợi có xu hướng 
đi xa theo chiều xuống so với giá trị hàng đợi tham chiếu. 
 61 
 Hình 2.10 và Hình 2.11 thể hiện hình ảnh hàm thuộc cho các biến đầu vào 
푄푒(푡), 푄푒(푡 − ) của bộ điều khiển mờ FLRED. 
 Hình 2.10. Hàm thuộc cho biến đầu vào 푄푒(푡) 
 Hình 2.11. Hàm thuộc cho biến đầu vào 푄푒(푡 − ) 
 Bảng 2.4 và Bảng 2.5 trình bày giá trị của các tham số cho các hàm thuộc 
푄푒(푡), 푄푒(푡 − ) của bộ điều khiển mờ FLRED. 
 Bảng 2.4. Giá trị tham số các hàm thuộc của 푄푒(푡) 
 푄푒(푡) NB NM NS ZE PS PM PB 
 a 0.2570 0.1667 0.1667 0.1667 0.1667 0.