Tổng quan nghiên cứu

Trong bối cảnh phát triển mạnh mẽ của truyền thông di động thế hệ mới 5G và sự bùng nổ của các thiết bị thông minh phục vụ hệ thống Internet-of-Things (IoT), nhu cầu truyền dữ liệu tốc độ cao, độ trễ thấp ngày càng tăng. Theo ước tính, số lượng thiết bị IoT có thể đạt khoảng 1.1 triệu thiết bị trước năm 2022. Tuy nhiên, sự cạn kiệt phổ tần số đang là thách thức lớn đối với các hệ thống viễn thông vô tuyến hiện nay. Để giải quyết vấn đề này, các kỹ thuật như tái sử dụng tần số, mạng đa truy cập trực giao (OMA), mạng vô tuyến nhận thức (CR) và đặc biệt là đa truy cập không trực giao (NOMA) đã được nghiên cứu và ứng dụng rộng rãi.

Luận văn tập trung nghiên cứu mô hình mạng vô tuyến nhận thức kết hợp với kỹ thuật NOMA phục vụ hai người dùng trong môi trường có sự can nhiễu đồng kênh từ mạng sơ cấp. Mục tiêu chính là xây dựng mô hình hệ thống, phân tích và đánh giá hiệu năng thông qua xác suất dừng (Outage Probability - OP), đồng thời ứng dụng mạng học sâu Deep Neural Network (DNN) để dự đoán xác suất dừng nhằm nâng cao hiệu quả vận hành. Phạm vi nghiên cứu tập trung vào mô hình sử dụng kỹ thuật giải mã và chuyển tiếp (Decode-and-Forward - DF) tại nút chuyển tiếp trong mạng vô tuyến nhận thức, với các mô phỏng thực hiện trên phần mềm MATLAB và TensorFlow trong khoảng thời gian năm 2021 tại Việt Nam.

Nghiên cứu có ý nghĩa quan trọng trong việc nâng cao hiệu suất sử dụng phổ tần số, giảm thiểu can nhiễu và tăng cường khả năng kết nối cho các hệ thống viễn thông thế hệ mới, đặc biệt trong các ứng dụng IoT và mạng di động 5G.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình sau:

  • Kỹ thuật đa truy cập không trực giao (NOMA): Cho phép nhiều người dùng chia sẻ cùng một tài nguyên phổ tần thông qua phân bổ công suất khác nhau, kết hợp kỹ thuật khử can nhiễu tuần tự (Successive Interference Cancellation - SIC) để giải mã tín hiệu. NOMA giúp tăng thông lượng và kết nối nhiều người dùng hơn so với đa truy cập trực giao (OMA).

  • Mạng vô tuyến nhận thức (Cognitive Radio - CR): Hệ thống có khả năng nhận biết môi trường phổ tần và điều chỉnh tham số truyền dẫn để tối ưu hóa hiệu suất, cho phép mạng thứ cấp hoạt động song song với mạng sơ cấp trên cùng phổ tần mà không gây can nhiễu vượt ngưỡng cho mạng sơ cấp.

  • Kỹ thuật chuyển tiếp hợp tác (Cooperative Relay) với phương pháp giải mã và chuyển tiếp (Decode-and-Forward - DF): Nút chuyển tiếp giải mã tín hiệu nhận được từ nguồn và truyền lại đến người dùng cuối, giúp cải thiện vùng phủ sóng và chất lượng tín hiệu.

  • Mạng học sâu Deep Neural Network (DNN): Mạng neuron nhân tạo nhiều lớp được sử dụng để dự đoán xác suất dừng của hệ thống dựa trên các tham số đầu vào như công suất, vị trí người dùng, hệ số phân bổ công suất, và các đặc tính kênh truyền.

Các khái niệm chính bao gồm: xác suất dừng (Outage Probability - OP), tỷ số tín hiệu trên nhiễu cộng can nhiễu (SINR), hệ số phân bổ công suất (α), và mô hình kênh truyền Rayleigh fading.

Phương pháp nghiên cứu

  • Nguồn dữ liệu: Dữ liệu mô phỏng được tạo ra dựa trên mô hình lý thuyết xây dựng trong luận văn, với hơn 500.000 mẫu dữ liệu phục vụ huấn luyện và thử nghiệm mạng DNN. Dữ liệu bao gồm các tham số như công suất phát, vị trí các nút trong mạng, hệ số phân bổ công suất, hệ số ước lượng kênh truyền, và số lượng người dùng sơ cấp.

  • Phương pháp phân tích: Phân tích xác suất dừng của hệ thống dựa trên các biểu thức toán học chính xác, tính toán xác suất dừng tại nút chuyển tiếp và tại từng người dùng thứ cấp. Các biểu thức được kiểm chứng bằng mô phỏng Monte-Carlo trên MATLAB.

  • Mô hình học sâu: Mạng DNN được thiết kế với nhiều lớp ẩn, sử dụng hàm kích hoạt ELU, tối ưu hóa bằng thuật toán Adam. Quá trình huấn luyện sử dụng 80% dữ liệu, 20% còn lại dùng để kiểm thử. Sai số trung bình bình phương gốc (RMSE) được sử dụng để đánh giá độ chính xác dự đoán.

  • Timeline nghiên cứu: Nghiên cứu được thực hiện trong năm 2021, với các bước xây dựng mô hình, phân tích lý thuyết, mô phỏng, thiết kế và huấn luyện mạng DNN, đánh giá kết quả và đề xuất hướng phát triển.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu năng vượt trội của NOMA so với OMA: Kết quả mô phỏng cho thấy mô hình NOMA hợp tác với hai người dùng đạt hiệu suất xác suất dừng thấp hơn đáng kể so với mô hình OMA truyền thống. Cụ thể, người dùng gần (D1) có cải thiện khoảng 5 dB tại mức xác suất dừng 10^-1, trong khi người dùng xa (D2) chỉ giảm khoảng 1 dB ở vùng SNR thấp và trung bình.

  2. Ảnh hưởng của số lượng người dùng sơ cấp: Khi số lượng người dùng sơ cấp tăng từ 2 đến 10, xác suất dừng của cả hai người dùng thứ cấp đều tăng, đặc biệt ở vùng SNR cao (> 45 dB). Tuy nhiên, ở vùng SNR thấp và trung bình, hệ thống thứ cấp vẫn duy trì hiệu năng ổn định, không bị ảnh hưởng nhiều bởi số lượng người dùng sơ cấp.

  3. Tác động của sai số ước lượng kênh truyền: Hiệu suất suy hao của người dùng thứ cấp tăng khi sai số ước lượng kênh truyền lớn (hệ số β giảm). Khi β = 0 (ước lượng kênh không chính xác), hiệu suất suy hao có thể lên đến khoảng 30% so với trường hợp ước lượng hoàn hảo (β = 1).

  4. Tối ưu hệ số phân bổ công suất: Xác suất dừng của người dùng thứ cấp giảm khi hệ số phân bổ công suất α1 tăng từ 0 đến khoảng 0.4, sau đó tăng trở lại. Điều này cho thấy tồn tại điểm phân bổ công suất tối ưu để cân bằng hiệu năng giữa người dùng gần và xa.

  5. Ảnh hưởng của tốc độ truyền dữ liệu: Khi tốc độ truyền dữ liệu R1 và R2 giảm về gần 0, xác suất dừng của cả hai người dùng giảm đáng kể, do ngưỡng giải mã thấp hơn giúp tín hiệu dễ được giải mã thành công hơn.

Thảo luận kết quả

Các kết quả mô phỏng và phân tích lý thuyết cho thấy mô hình mạng vô tuyến nhận thức kết hợp NOMA với kỹ thuật chuyển tiếp DF mang lại hiệu năng vượt trội so với mô hình OMA truyền thống, đặc biệt trong việc sử dụng hiệu quả tài nguyên phổ tần và giảm xác suất dừng. Việc áp dụng kỹ thuật SIC giúp người dùng gần giải mã tín hiệu của người dùng xa trước, từ đó giảm thiểu can nhiễu nội bộ.

Ảnh hưởng của số lượng người dùng sơ cấp làm tăng xác suất dừng do can nhiễu đồng kênh, tuy nhiên hệ thống vẫn hoạt động ổn định ở vùng SNR thấp và trung bình, phù hợp với các ứng dụng IoT và mạng 5G. Sai số ước lượng kênh truyền là yếu tố quan trọng ảnh hưởng đến hiệu năng, đòi hỏi các kỹ thuật ước lượng chính xác để đảm bảo chất lượng dịch vụ.

Việc tìm ra điểm tối ưu trong phân bổ công suất giữa các người dùng giúp cân bằng hiệu năng, tránh tình trạng người dùng xa bị suy giảm quá mức hoặc người dùng gần bị can nhiễu quá nhiều. Tốc độ truyền dữ liệu cũng cần được điều chỉnh phù hợp để giảm xác suất dừng.

Dữ liệu có thể được trình bày qua các biểu đồ xác suất dừng theo SNR, số lượng người dùng sơ cấp, hệ số phân bổ công suất và tốc độ truyền dữ liệu, giúp trực quan hóa hiệu quả của mô hình đề xuất.

Đề xuất và khuyến nghị

  1. Tối ưu phân bổ công suất động: Thiết kế thuật toán điều chỉnh hệ số phân bổ công suất α1 và α2 theo điều kiện kênh truyền và yêu cầu chất lượng dịch vụ nhằm giảm thiểu xác suất dừng, tăng thông lượng hệ thống. Thời gian thực hiện: 6-12 tháng; Chủ thể: Các nhà nghiên cứu và kỹ sư phát triển mạng.

  2. Cải tiến kỹ thuật ước lượng kênh: Áp dụng các phương pháp ước lượng kênh tiên tiến như Least Square, MMSE hoặc học sâu để giảm sai số ước lượng kênh truyền, từ đó nâng cao hiệu suất hệ thống. Thời gian thực hiện: 12 tháng; Chủ thể: Trung tâm nghiên cứu và phát triển công nghệ viễn thông.

  3. Phát triển mô hình bảo mật lớp vật lý: Nghiên cứu và tích hợp các giải pháp bảo mật vật lý nhằm bảo vệ thông tin truyền trong mạng vô tuyến nhận thức NOMA, đặc biệt trong môi trường có nhiều thiết bị IoT. Thời gian thực hiện: 12-18 tháng; Chủ thể: Các nhóm nghiên cứu an ninh mạng và viễn thông.

  4. Mở rộng ứng dụng mạng học sâu: Khai thác các mô hình mạng học sâu khác như CNN, RNN để dự đoán hiệu năng và quản lý tài nguyên mạng, đồng thời cải thiện độ chính xác dự đoán xác suất dừng. Thời gian thực hiện: 6-12 tháng; Chủ thể: Các nhà khoa học dữ liệu và kỹ sư AI.

  5. Triển khai thử nghiệm thực tế: Xây dựng hệ thống thử nghiệm thực tế tại các khu vực có mật độ thiết bị IoT cao để đánh giá hiệu năng mô hình trong điều kiện thực tế, từ đó điều chỉnh tham số phù hợp. Thời gian thực hiện: 12-24 tháng; Chủ thể: Các doanh nghiệp viễn thông và viện nghiên cứu.

Đối tượng nên tham khảo luận văn

  1. Nhà nghiên cứu và sinh viên ngành viễn thông: Luận văn cung cấp kiến thức chuyên sâu về kỹ thuật NOMA, mạng vô tuyến nhận thức và ứng dụng học sâu trong đánh giá hiệu năng, hỗ trợ nghiên cứu và phát triển các đề tài liên quan.

  2. Kỹ sư phát triển mạng 5G và IoT: Các kỹ sư có thể áp dụng mô hình và kết quả nghiên cứu để thiết kế, tối ưu hóa hệ thống mạng, nâng cao hiệu suất sử dụng phổ tần và giảm thiểu can nhiễu trong môi trường thực tế.

  3. Chuyên gia về trí tuệ nhân tạo và học máy: Luận văn trình bày ứng dụng mạng DNN trong dự đoán xác suất dừng, cung cấp ví dụ thực tiễn về tích hợp AI trong lĩnh vực viễn thông, mở rộng phạm vi ứng dụng của học sâu.

  4. Doanh nghiệp viễn thông và nhà cung cấp thiết bị: Thông tin về mô hình mạng và các tham số kỹ thuật giúp doanh nghiệp phát triển sản phẩm, dịch vụ phù hợp với xu hướng công nghệ 5G và IoT, đồng thời nâng cao chất lượng dịch vụ.

Câu hỏi thường gặp

  1. NOMA khác gì so với OMA trong mạng viễn thông?
    NOMA cho phép nhiều người dùng chia sẻ cùng một tài nguyên phổ tần thông qua phân bổ công suất khác nhau, trong khi OMA phân chia tài nguyên theo thời gian, tần số hoặc mã để tránh can nhiễu. NOMA giúp tăng thông lượng và kết nối nhiều người dùng hơn.

  2. Mạng vô tuyến nhận thức (CR) hoạt động như thế nào?
    CR tự nhận biết môi trường phổ tần và điều chỉnh tham số truyền dẫn để sử dụng hiệu quả phổ tần, cho phép mạng thứ cấp hoạt động song song với mạng sơ cấp mà không gây can nhiễu vượt ngưỡng cho mạng sơ cấp.

  3. Tại sao cần sử dụng kỹ thuật chuyển tiếp hợp tác DF trong mô hình?
    Kỹ thuật DF giúp nút chuyển tiếp giải mã và tái mã hóa tín hiệu trước khi truyền tiếp, giảm thiểu lỗi và cải thiện chất lượng tín hiệu đến người dùng cuối, đặc biệt trong môi trường có nhiều can nhiễu.

  4. Mạng học sâu DNN được ứng dụng như thế nào trong nghiên cứu này?
    DNN được sử dụng để dự đoán xác suất dừng của hệ thống dựa trên các tham số đầu vào, giúp ước lượng hiệu năng mạng nhanh chóng và chính xác hơn so với phương pháp mô phỏng truyền thống.

  5. Các yếu tố nào ảnh hưởng lớn đến hiệu năng của mạng vô tuyến nhận thức NOMA?
    Các yếu tố chính gồm số lượng người dùng sơ cấp, sai số ước lượng kênh truyền, hệ số phân bổ công suất giữa các người dùng, tốc độ truyền dữ liệu và mức công suất phát tối đa cho phép.

Kết luận

  • Luận văn đã xây dựng thành công mô hình mạng vô tuyến nhận thức kết hợp NOMA phục vụ hai người dùng với kỹ thuật chuyển tiếp giải mã và chuyển tiếp (DF).
  • Biểu thức xác suất dừng được tính toán chính xác và kiểm chứng bằng mô phỏng Monte-Carlo, cho thấy hiệu năng vượt trội so với mô hình OMA truyền thống.
  • Ứng dụng mạng học sâu DNN trong dự đoán xác suất dừng giúp nâng cao hiệu quả đánh giá và quản lý hệ thống.
  • Các tham số như hệ số phân bổ công suất, số lượng người dùng sơ cấp và sai số ước lượng kênh truyền ảnh hưởng đáng kể đến hiệu năng hệ thống.
  • Hướng phát triển tiếp theo bao gồm nghiên cứu bảo mật lớp vật lý, mở rộng mô hình kênh truyền, và áp dụng các mô hình học sâu khác để cải thiện dự đoán.

Hành động tiếp theo: Các nhà nghiên cứu và kỹ sư được khuyến khích áp dụng mô hình và phương pháp luận trong thiết kế hệ thống viễn thông 5G và IoT, đồng thời phát triển các giải pháp tối ưu hóa dựa trên mạng học sâu để nâng cao hiệu suất mạng trong thực tế.