Luận văn thạc sĩ về đánh giá hiệu năng mạng vô tuyến nhận thức NOMA sử dụng học sâu

Luận văn thạc sĩ kỹ thuật phân tích kỹ thuật viễn thông đánh giá hiệu năng của mạng vô tuyến nhận thức noma sử dụng học sâu, đánh giá thực trạng, chỉ ra hạn chế, đề xuất giải pháp

• Tác giả: Nguyễn Hữu Sự
• Người hướng dẫn: PGS. Hồ Văn Khương
• Trường học: Đại học Bách Khoa - Đại học Quốc Gia Thành Phố Hồ Chí Minh
• Chuyên ngành: Kỹ thuật viễn thông
• Đề tài: Đánh Giá Hiệu Năng Mạng Vô Tuyến Nhận Thức NOMA Với Học Sâu
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2021
• Địa điểm: Thành phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• TÓM TẮT
• ABSTRACT
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: GIỚI THIỆU TỔNG QUAN
• 1.1. Lý do chọn đề tài
• 1.2. Mục tiêu nghiên cứu
• 1.3. Các nghiên cứu liên quan
• 1.4. Đối tượng và pham vi nghiên cứu
• 1.5. Phương pháp nghiên cứu
• 1.6. Bố cục luận văn
• 2. CHƯƠNG 2: LÝ THUYẾT TỔNG QUAN
• 2.1. Kỹ thuật đa truy cập không trực giao (NOMA)
• 2.2. Mô tả hoạt động
• 2.3. Khử can nhiễu tuần tự (SIC)
• 2.4. Lợi ích của kỹ thuật NOMA
• 2.5. Vô tuyến nhận thức (CR)
• 2.6. Kiến trúc vật lý của vô tuyến nhận thức
• 2.7. Chức năng vô tuyến nhận thức
• 2.8. Mô hình mạng vô tuyến nhận thức
• 2.9. Cấu trúc mạng vô tuyến nhận thức
• 2.10. Các kỹ thuật chuyển tiếp
• 2.11. Kỹ thuật NOMA hợp tác DF
• 2.12. Mạng học sâu DNN
• 2.12.1. Tổng quan về máy học
• 2.12.2. Cấu trúc mạng học sâu DNN
• 2.12.3. Phân loại mạng neuron nhân tạo
• 3. CHƯƠNG 3: PHÂN TÍCH VÀ ĐÁNH GIÁ HIỆU NĂNG CỦA MẠNG VÔ TUYẾN NHẬN THỨC NOMA 2 NGƯỜI DÙNG
• 3.1. Mô hình hệ thống
• 3.2. Mô tả hoạt động của mô hình đề xuất
• 3.3. Khe truyền thứ nhất
• 3.4. Khe truyền thứ hai
• 3.5. Phân tích hiệu năng của hệ thống
• 3.5.1. Xác suất dừng theo sự kiện 1: Tại nút chuyển tiếp
• 3.5.2. Xác suất dừng theo sự kiện 2: Tại người dùng thứ cấp
• 3.5.3. Tổng kết xác suất dừng
• 3.5.4. Xác suất dừng tiệm cận
• 4. CHƯƠNG 4: MÔ PHỎNG VÀ KẾT QUẢ
• 4.1. Mô phỏng Monte-Carlo
• 4.2. Kết quả đạt được
• 4.3. Dự đoán bằng phương pháp học sâu
• 4.3.1. Mô hình dự đoán xác suất dừng bằng DNN
• 4.3.2. Mô hình học tập
• 4.3.3. Kết quả dự đoán xác suất dừng bằng phương pháp DNN
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 5.1. Kết luận
• 5.2. Hướng phát triển đề tài
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giới thiệu tổng quan

Trong bối cảnh phát triển mạnh mẽ của công nghệ viễn thông, đặc biệt là mạng 5G và các ứng dụng IoT, vấn đề cạn kiệt phổ tần số trở thành thách thức lớn. Mạng vô tuyến nhận thức (CR) và công nghệ NOMA (Đa truy cập không trực giao) xuất hiện như những giải pháp khả thi. Luận văn này nghiên cứu hiệu năng của mô hình mạng vô tuyến nhận thức NOMA cho hai người dùng, nhằm đánh giá khả năng sử dụng phổ tần hiệu quả hơn.

1.1 Lý do chọn đề tài

Sự phát triển của các thiết bị thông minh và nhu cầu truyền tải dữ liệu lớn đòi hỏi các hệ thống viễn thông phải có khả năng tối ưu hóa việc sử dụng phổ tần số. NOMA cho phép nhiều người dùng chia sẻ cùng một tài nguyên, từ đó tăng cường hiệu suất truyền thông. Việc kết hợp mạng vô tuyến nhận thức với NOMA hứa hẹn mang lại nhiều lợi ích trong việc sử dụng phổ tần hiệu quả, đồng thời giảm thiểu sự can nhiễu giữa các mạng.

1.2 Mục tiêu nghiên cứu

Mục tiêu của nghiên cứu này là xây dựng và phân tích mô hình mạng vô tuyến nhận thức NOMA phục vụ hai người dùng. Luận văn sẽ áp dụng các phương pháp học sâu để dự đoán xác suất dừng, từ đó nâng cao hiệu quả hoạt động của hệ thống. Đồng thời, việc mô phỏng và đánh giá hiệu năng của mô hình là cần thiết để kiểm chứng tính khả thi của các giải pháp đề xuất.

II. Lý thuyết tổng quan

Chương này trình bày các khái niệm cơ bản về NOMA, vô tuyến nhận thức, và học sâu. NOMA cho phép người dùng khác nhau truy cập vào cùng một tần số bằng cách phân chia công suất phát, trong khi vô tuyến nhận thức giúp tối ưu hóa việc sử dụng phổ tần bằng cách cho phép mạng thứ cấp hoạt động mà không gây can nhiễu cho mạng sơ cấp. Học sâu sẽ được ứng dụng để cải thiện khả năng dự đoán hiệu suất của hệ thống.

2.1 Kỹ thuật NOMA

Kỹ thuật NOMA cho phép người dùng có chất lượng kênh khác nhau chia sẻ cùng một tần số bằng cách phân chia công suất phát. Người dùng gần nguồn phát sẽ nhận được ít công suất hơn, trong khi người dùng xa hơn sẽ cần nhiều công suất hơn để đảm bảo chất lượng dịch vụ. Điều này giúp tối ưu hóa việc sử dụng tài nguyên và tăng cường hiệu suất tổng thể của hệ thống.

2.2 Mạng vô tuyến nhận thức

Hệ thống vô tuyến nhận thức cho phép mạng thứ cấp hoạt động song song với mạng sơ cấp trên cùng một phổ tần. Mạng thứ cấp sẽ điều chỉnh công suất phát để tránh gây can nhiễu cho mạng sơ cấp, từ đó tối ưu hóa việc sử dụng phổ tần. Việc nghiên cứu mô hình này trong bối cảnh NOMA là cần thiết để đánh giá khả năng ứng dụng thực tiễn của nó trong các hệ thống viễn thông hiện đại.

III. Phân tích và đánh giá hiệu năng

Phân tích hiệu năng của mô hình mạng vô tuyến nhận thức NOMA cho hai người dùng là một phần quan trọng trong nghiên cứu này. Các thông số như xác suất dừng và thông lượng sẽ được tính toán và so sánh với các mô hình khác để đánh giá hiệu quả. Việc sử dụng các phương pháp học sâu để dự đoán xác suất dừng cũng sẽ được thực hiện nhằm nâng cao tính chính xác trong các mô phỏng.

3.1 Mô hình hệ thống

Mô hình hệ thống được xây dựng dựa trên kỹ thuật NOMA kết hợp với vô tuyến nhận thức. Mô hình này sẽ phân tích xác suất dừng tại nút chuyển tiếp và tại hai người dùng xa. Các biểu thức toán học sẽ được thiết lập để tính toán các thông số hiệu suất, từ đó đưa ra các đánh giá chính xác về khả năng hoạt động của hệ thống trong điều kiện thực tế.

3.2 Kết quả mô phỏng

Các kết quả mô phỏng sẽ được trình bày để minh họa hiệu năng của mô hình đề xuất. Sử dụng phần mềm MATLAB và các công cụ học sâu, các thông số như xác suất dừng, thông lượng và tỷ lệ lỗi sẽ được phân tích. Kết quả này sẽ giúp xác định tính khả thi của mô hình trong các ứng dụng thực tế, đồng thời cung cấp cơ sở để phát triển các giải pháp tối ưu hơn trong tương lai.

Nội dung chính

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.

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.

Trích đoạn nội dung tài liệu

CHƯƠNG 1. GIỚI THIỆU TỔNG QUAN optimize. Các kết quả mô phỏng sẽ được phân tích, nhận xét. Từ đó, đánh giá về hiệu năng của mô hình hệ thống đã xây dựng.

Chương 5 sẽ tóm tắt lại kết quả nghiên cứu, đồng thời đề ra hướng phát triển trong tương lai của luận văn. 4 HVTH: Nguyễn Hữu Sự CHƯƠNG 2 LÝ THUYẾT TỔNG QUAN 2.1 Kỹ thuật đa truy cập không trực giao (NOMA) 2.1 Giới thiệu Trong lịch sử của truyền thông không dây, từ thế hệ đầu tiên (1G) đến thế hệ thứ 4 (4G), các mô hình đa truy cập được coi là chìa khóa công nghệ để phân biệt các hệ thống không dây khác nhau. Các mô hình đa truy cập được biết đến như là đa truy cập phân chia theo tần số (FDMA) cho 1G, đa truy cập phân chia theo thời gian (TDMA) hầu hết cho thế hệ thứ 2 (2G), đa truy cập phân chia theo mã (CDMA) cho thế hệ thứ 3 (3G), và đa truy cập chia theo tần số trực giao (OFDM) cho thế hệ (4G). Trong các mô hình đa truy cập trực giao thông thường này, các người dùng khác nhau được phân bổ các nguồn tài nguyên trực giao nhau trong miền thời gian, tần số hoặc mã theo bậc để tránh hoặc làm giảm bớt khả năng gây nhiễu giữa các người dùng với nhau.

Trong trường hợp này, độ lợi ghép kênh có thể đạt được với khả năng kết hợp một cách hợp lý. Tuy nhiên sự phát triển nhanh của các mạng di động có thể tăng lên 1000 lần lưu lượng vào năm 2021 cho mạng thông tin di động thế hệ thứ 5 (5G). Do đó hiệu suất phổ tần trở thành một vấn đề thách thức khi mà lưu lượng dữ liệu ngày càng tăng. Hơn nữa, do sự phát triển nhanh chóng của IoT (Internet of Things), nên cần phải cải tiến công nghệ truy cập nhằm hỗ trợ kết nối tối đa của người dùng hoặc các thiết bị để đáp ứng được yêu cầu cho độ trễ thấp, chi phí thiết bị thấp, và tương thích với các kiểu dịch vụ khác nhau.

Để đáp ứng được những yêu cầu này, nâng cao công nghệ là điều cần thiết. Một vài ứng viên tiềm năng cho mạng thế hệ thứ 5 (5G), chẳng hạn như kỹ thuật massive MIMO [17], truyền thông sóng millimeter [18], và kỹ thuật đa truy nhập không trực giao (NOMA). Trong luận văn này, học viên chú trọng đến kỹ thuật đa truy nhập không trực giao (NOMA), kỹ thuật này được chọn là đặc trưng cho mạng 5G và được mong chờ giúp cho thông lượng của hệ thống tăng lên cao hơn và kết nối được nhiều người dùng hơn. NOMA cho phép nhiều người dùng chia sẻ nguồn tài nguyên như là thời gian và tần số trong cùng lớp không gian giống nhau thông qua miền ghép kênh mới, đó là miền công suất.2 Mô tả hoạt động Để làm rõ hơn cách thức hoạt động của mô hình đa truy nhập không trực giao (NOMA), trong khuôn khổ của đề tài luận văn, học viên mô tả một kỹ thuật cơ bản đó là kỹ thuật NOMA đường xuống.

Như trong Hình 2.1, mô hình NOMA đường xuống bao gồm một trạm gốc (S), và hai thiết bị người dùng lần lượt là người dùng thứ nhất (D1 ) và người dùng thứ 2 (D2 ). Để đơn giản, ta chỉ xem xét các nút hoạt động chỉ có một ăng-ten. Tổng băng thông chuẩn hóa trong hệ thống được giả sử bằng 1 Hz, S truyền tín hiệu đi là x, trong đó x = x1 +x2 với x1 và x2 lần lượt là tín hiệu của hai người dùng là D1 và D2 với E{|x1 |2 } = P1 và E{|x2 |2 }=P2. Tổng công suất phát của trạm gốc (S) là PT = P1 +P2.

LÝ THUYẾT TỔNG QUAN Hình 2.1: Mô hình NOMA đường xuống Tín hiệu nhận được tại hai người dùng như sau: yi = hi x + ni (2.1) trong đó i = {1,2}, hi là hệ số kênh truyền giữa S và Di , ni là nhiễu cộng hay nhiễu Gauss của hệ thống. Mật độ phổ công suất nhiễu của ni là N0,i. Trong kỹ thuật NOMA đường xuống, tín hiệu được phát đi tại S truyền tới hai người dùng đều là x. Do đó sự phân tách tín hiệu tại phía các người dùng (Di ), với i={1,2} cần được thực hiện để mỗi người dùng Di có thể nhận biết được tín hiệu của chính nó.

Để thực hiện được điều này thì tại mỗi Di cần phải sử dụng kỹ thuật khử can nhiễu tuần tự (SIC). Trong kỹ thuật này, dựa vào thông tin hệ số kênh truyền trước đó mà S sẽ phân bổ các mức công suất khác nhau, nếu ở gần sẽ phân bổ mức công suất ít hơn và ở xa thì ngược lại. Tiếp theo, người dùng sẽ tiến hành giải mã tín hiệu nào có hệ số kênh truyền yếu nhất, quá trình này cứ tiếp tục cho đến khi giải mã được tín hiệu của chính nó. Trong mô hình này, giả sử rằng |h1 |2 |h2 |2 h1 và h2 lần lượt là hệ số kênh truyền của D1 và D2 , và >.

Vì vậy, tại D1 sử dụng phương thức khử N0,1 N0,2 can nhiễu tuần tự (SIC) như sau, D2 không thực hiện việc hủy can nhiễu trước vì tín hiệu từ S truyền tới D1 trước, tại D1 tiến hành giải mã tín hiệu x2 của D2 trước và xem tín hiệu của D1 như là can nhiễu. Vì vậy, tỷ số tín hiệu trên nhiễu cộng can nhiễu (SINR) γ12 của x2 tại D1 là P2 |h1 |2 γ12 = (2.2), P2 là công suất được phân bổ cho D2 , P1 là công suất được phân bổ cho D1 , |h1 |2 là độ lợi kênh truyền giữa S và D1 và N0,1 được định nghĩa là phương sai của nhiễu cộng tại D1. 6 HVTH: Nguyễn Hữu Sự CHƯƠNG 2. LÝ THUYẾT TỔNG QUAN Sau khi giải mã xong tín hiệu của D2 rồi, D1 tiến hành trừ tín hiệu x2 của D2 ra và tiếp tục giải mã tín hiệu x1 của chính D1.

Giả sử rằng việc khử can nhiễu tuần tự là hoàn hảo, ta có tỉ số tín hiệu trên nhiễu (γ1 ) của x1 tại D1 là P1 |h1 |2 γ1 = (2.3) N0,1 Giả sử quá trình giải mã các tín hiệu x1 và x2 tại D1 thành công, và trong quá trình truyền không xảy ra lỗi. Dựa vào tính chất quảng bá của kênh truyền vô tuyến, D1 sẽ gửi một mã xác nhận để truyền tới các thiết bị khác để các thiết bị khác nhận được. Tại D2 (không sử dụng SIC), sau khi đã nhận tín hiệu x từ S, cùng với mã xác nhận của D1 gửi tới nên tỉ số tín hiệu trên nhiễu (γ2 ) nhận được tại D2 là P2 |h2 |2 γ2 = (2.4), |h2 |2 là độ lợi kênh truyền giữa S và D2 , N0,2 được định nghĩa là phương sai của nhiễu Gauss tại D2. Từ hai phương trình (2.4) ở trên, có thể thấy rằng việc phân bổ công suất khác nhau cho mỗi Di sẽ ảnh hưởng lớn đến hiệu suất của các người dùng và cũng do các mô hình điều chế và mã hóa được dùng trong hệ thống để truyền dữ liệu của mỗi Di.

Sau khi D1 giải mã được tín hiệu của chính nó thì sẽ quảng bá tới D2 để D2 biết được. Và tại D2 sau khi đã nhận được thông tin từ D1 thì xem tín hiệu của D1 là can nhiễu thì tiến hành loại ra và giải mã tín hiệu của chính nó.3 Khử can nhiễu tuần tự (SIC) Đầu tiên, T. Cover đã đề xuất kỹ thuật SIC để giải mã thông tin chồng lên nhau ở mỗi máy thu [19]. SIC có thể được hiểu là cách khai thác các thông số kỹ thuật về sự khác biệt về cường độ tín hiệu giữa các tín hiệu đáng quan tâm.

Ý tưởng cơ bản của SIC là tín hiệu người dùng được giải mã tuần tự. Sau khi một tín hiệu người dùng được giải mã, nó sẽ bị trừ khỏi tín hiệu kết hợp trước khi tín hiệu người dùng tiếp theo được giải mã. Khi SIC được áp dụng, một trong các tín hiệu người dùng được giải mã, coi tín hiệu của người dùng khác là can nhiễu, những tín hiệu sau đó được giải mã với lợi ích của tín hiệu trước đã bị loại bỏ. Tuy nhiên, quá trình tiền xử lý để có thể áp dụng SIC là người dùng được đánh chỉ số theo tham số cường độ tín hiệu, với mục đích người nhận có thể giải mã tín hiệu mạnh hơn tín hiệu của mình trước: trừ tín hiệu kết hợp và tách tín hiệu yếu hơn khỏi dư lượng.

Lưu ý rằng, mỗi người dùng được giải mã và coi tín hiệu của người dùng khác là can nhiễu trong việc thu tín hiệu. Tóm lại, quá trình cụ thể liên quan đến giải mã các thông điệp chồng lấn có thể được biểu diễn bằng toán học [20] (với giả sử số người dùng là hai và người dùng thứ hai gần BS hơn người dùng thứ nhất) như sau: • Tại người dùng thứ nhất, dùng bộ giải mã một người dùng giải mã tin của người dùng thứ nhất S1 (n) bằng cách xử lý tin của người dùng thứ hai S2 (n) như can nhiễu. • Tại người dùng thứ hai, thực hiện các bước sau để khôi phục tuần tự tin của mình từ tín hiệu nhận được Y2 (n): − Giải mã tin của người dùng thứ nhất S1 (n) bằng cách sử dụng bộ giải mã một người dùng. 7 HVTH: Nguyễn Hữu Sự CHƯƠNG 2.

LÝ THUYẾT TỔNG QUAN √ − Trừ cho P α1 h2 S1 (n) từ tín hiệu nhận được Y2 (n): P1 |h1 |2 γ1 = (2.5) N0,1 với P là công suất máy phát, α1 là hệ số phân bổ năng lượng cho người dùng thứ i, hi là hệ số kênh truyền giữa BS và người dùng thứ i. − Giải mã tin của người dùng thứ hai S2 (n) bằng cách áp dụng bộ giải mã một người dùng còn lại 0 (n) trên Y2. Bài toán tổng quát đa người dùng được phân tích và trình bày trong [21] có thể được phát biểu như sau: Giả sử tất cả người dùng đều được trang bị kỹ thuật SIC, hm là hệ số kênh từ BS đến người dùng thứ m. Để không mất tính tổng quát, tác giả đã giả sử |h21 | ≤.

Rõ ràng, hm tỉ lệ nghịch với khoảng cách do hm = √ gm α. Có nghĩa là, người dùng thứ m nằm gần BS hơn người dùng thứ i với i < m. Có thể vẽ lại mô 1+dm hình như Hình 2.2, sắp xếp các người dùng nằm trên cùng đường thẳng để dễ xét: Hình 2.2: Mô hình NOMA đường xuống nhiều người dùng Kỹ thuật SIC được thực hiện trên tất cả người dùng.