Đồ án lập lịch liên kết không dây bằng deep learning - Học viện KTQS

Đồ án tốt nghiệp nghiên cứu giải pháp lập lịch biểu liên kết không dây bằng deep learning, giúp tối ưu hiệu năng mạng và giảm thiểu nhiễu truyền thông.

• Tác giả: Lê Thị Bình
• Người hướng dẫn: Trung tá, TS. Nguyễn Thu Phương
• Trường học: Học viện Kỹ thuật Quân sự
• Chuyên ngành: Kỹ thuật điện tử - viễn thông
• Đề tài: Nghiên cứu lập lịch biểu các liên kết không dây dựa trên cơ sở Deep learning
• Loại tài liệu: Đồ án tốt nghiệp đại học
• Năm xuất bản: 2022
• Địa điểm: Hà Nội

Tóm tắt

I. Tổng quan về lập lịch biểu liên kết không dây dựa trên Deep Learning

Lập lịch biểu liên kết không dây là quá trình phân bổ tài nguyên mạng (tần số, công suất, thời gian) cho các thiết bị truyền thông nhằm tối ưu hiệu suất hệ thống. Deep Learning (học sâu) sử dụng mạng nơ-ron đa tầng để phân tích dữ liệu phức tạp, giải quyết bài toán tối ưu hóa phi tuyến tính trong môi trường không dây. Phương pháp này vượt trội so với các kỹ thuật truyền thống nhờ khả năng học từ dữ liệu lớn, thích ứng linh hoạt với biến đổi kênh truyền. Ứng dụng Deep Learning trong lập lịch biểu giúp giảm chi phí tính toán, tăng tốc độ hội tụ và cải thiện dung lượng mạng. Các mô hình học sâu phổ biến gồm CNN, RNN, và DNN, được huấn luyện trên dữ liệu kênh truyền thực tế để dự đoán phân bổ tối ưu.

1.1. Khái niệm và tầm quan trọng của lập lịch biểu không dây

Lập lịch biểu không dây là kỹ thuật phân bổ tài nguyên động cho các liên kết truyền thông nhằm tối đa hóa dung lượng mạng và giảm nhiễu. Trong hệ thống vô tuyến, mỗi thiết bị cạnh tranh tài nguyên dẫn đến xung đột, suy giảm hiệu suất. Các phương pháp truyền thống (như WMMSE, SCA) phụ thuộc vào mô hình toán học phức tạp, khó thích ứng với môi trường biến đổi. Deep Learning khắc phục hạn chế này bằng cách học từ dữ liệu lịch sử, dự đoán trạng thái kênh tương lai. Ứng dụng trong 5G, IoT giúp nâng cao trải nghiệm người dùng, hỗ trợ đa dịch vụ đồng thời.

1.2. Vai trò của Deep Learning trong truyền thông không dây

Deep Learning xử lý dữ liệu phi cấu trúc (như tín hiệu RF, nhiễu môi trường) thông qua mạng nơ-ron sâu, vượt qua giới hạn của phương pháp truyền thống. Mô hình học sâu có thể học biểu diễn đặc trưng tự động, giảm phụ thuộc vào kiến thức chuyên gia. Trong truyền thông không dây, Deep Learning ứng dụng trong lập lịch biểu, quản lý nhiễu, định tuyến. Ví dụ, mạng CNN phân tích phổ tần số, RNN dự đoán biến đổi kênh theo thời gian. Kết quả là hệ thống linh hoạt, tự thích nghi với điều kiện môi trường, nâng cao dung lượng mạng lên tới 30% so với phương pháp cổ điển.

II. Phân tích thách thức trong lập lịch biểu liên kết không dây

Lập lịch biểu liên kết không dây đối mặt thách thức từ sự biến đổi của kênh truyền, nhiễu đồng kênh, và giới hạn dung lượng mạng. Môi trường không dây chịu ảnh hưởng bởi di chuyển thiết bị, nhiễu từ các nguồn bên ngoài, dẫn đến suy giảm chất lượng tín hiệu. Các phương pháp tối ưu truyền thống (như WMMSE) yêu cầu thông tin toàn cục, tốn kém chi phí tính toán. Deep Learning giải quyết vấn đề này bằng cách học từ dữ liệu cục bộ, dự đoán phân bổ tài nguyên chính xác. Tuy nhiên, phương pháp học sâu đòi hỏi dữ liệu huấn luyện chất lượng, mô hình phức tạp dễ bị overfitting. Ngoài ra, vấn đề hội tụ mô hình, lựa chọn siêu tham số cũng ảnh hưởng đến hiệu suất hệ thống.

2.1. Hạn chế của phương pháp truyền thống

Phương pháp truyền thống (như WMMSE, SCA) dựa vào mô hình toán học, yêu cầu thông tin toàn cục về trạng thái kênh. Điều này dẫn đến chi phí tính toán cao, độ trễ lớn trong môi trường động. Ngoài ra, các phương pháp này khó thích ứng với biến đổi nhanh chóng của môi trường không dây. Ví dụ, thuật toán WMMSE tối ưu hóa dung lượng mạng nhưng không xem xét nhiễu từ các liên kết lân cận, dẫn đến suy giảm hiệu suất. Deep Learning khắc phục hạn chế này bằng cách học từ dữ liệu lịch sử, dự đoán phân bổ tài nguyên tối ưu ngay cả khi thông tin không đầy đủ.

2.2. Thách thức khi áp dụng Deep Learning

Áp dụng Deep Learning trong lập lịch biểu gặp thách thức từ chất lượng dữ liệu huấn luyện, chi phí huấn luyện mô hình, và khả năng hội tụ. Dữ liệu huấn luyện cần đại diện cho môi trường thực tế, bao gồm nhiễu, biến đổi kênh. Mô hình học sâu (như DNN, CNN) có thể đạt hiệu suất cao nhưng yêu cầu tài nguyên tính toán lớn, thời gian huấn luyện dài. Ngoài ra, vấn đề overfitting xảy ra khi mô hình học thuộc dữ liệu huấn luyện thay vì khái quát hóa. Lựa chọn siêu tham số (kích thước batch, tốc độ học) cũng ảnh hưởng đến hiệu suất mô hình, đòi hỏi quá trình thử nghiệm phức tạp.

III. Giải pháp lập lịch biểu dựa trên Deep Learning

Giải pháp đề xuất sử dụng mạng nơ-ron sâu (DNN) để tối ưu phân bổ tài nguyên cho các liên kết không dây. Mô hình học từ dữ liệu trạng thái kênh, dự đoán phân bổ công suất, tần số tối ưu. Quá trình huấn luyện gồm giai đoạn tạo dữ liệu mô phỏng, huấn luyện mạng, và kiểm thử mô hình. Kiến trúc mạng gồm lớp đầu vào (trạng thái kênh), lớp ẩn (tối ưu phi tuyến), lớp đầu ra (phân bổ tài nguyên). Kết quả mô phỏng trên kênh GIC và IMAC cho thấy mô hình đạt dung lượng gần bằng thuật toán WMMSE, vượt trội so với phương pháp heuristic. Hiệu suất được đánh giá thông qua tốc độ tổng, tỷ lệ lỗi bit, và độ trễ hệ thống.

3.1. Kiến trúc mạng nơ ron đề xuất

Mạng nơ-ron sâu sử dụng kiến trúc gồm lớp đầu vào (100 nơ-ron), 3 lớp ẩn (256, 128, 64 nơ-ron), lớp đầu ra (số lượng liên kết). Hàm kích hoạt ReLU được sử dụng cho lớp ẩn, hàm softmax cho lớp đầu ra. Dữ liệu đầu vào gồm trạng thái kênh (SNR, nhiễu), dữ liệu đầu ra là phân bổ công suất. Quá trình huấn luyện sử dụng thuật toán Adam với tốc độ học 0.001, kích thước batch 1000. Kết quả huấn luyện đạt sai số trung bình bình phương nhỏ hơn 0.01 sau 1000 epoch. Mô hình được đánh giá trên dữ liệu kiểm thử, đạt độ chính xác 95% trong dự đoán phân bổ tài nguyên.

3.2. Quy trình huấn luyện và kiểm thử

Quy trình huấn luyện gồm 3 giai đoạn: tạo dữ liệu, huấn luyện mạng, kiểm thử mô hình. Dữ liệu được tạo từ mô phỏng kênh truyền GIC (N=10) và IMAC (K=3, N=24). Mạng nơ-ron được huấn luyện trên 80% dữ liệu, kiểm thử trên 20%. Kết quả mô phỏng cho thấy mô hình DNN-CSI đạt dung lượng tổng gần bằng WMMSE (trên 90% hiệu suất). Đánh giá độ trễ hệ thống cho thấy thời gian phản hồi dưới 1ms, phù hợp cho ứng dụng thời gian thực. Phương pháp đề xuất giảm 40% chi phí tính toán so với thuật toán WMMSE, nâng cao khả năng thích ứng với môi trường động.

IV. Kết luận và ứng dụng thực tiễn

Nghiên cứu chứng minh Deep Learning hiệu quả trong lập lịch biểu liên kết không dây, vượt trội phương pháp truyền thống về dung lượng và chi phí tính toán. Mô hình học sâu đề xuất đạt hiệu suất gần bằng thuật toán WMMSE, nhưng linh hoạt hơn trong môi trường biến đổi. Ứng dụng trong mạng 5G, IoT giúp nâng cao trải nghiệm người dùng, hỗ trợ đa dịch vụ. Tuy nhiên, cần cải thiện chất lượng dữ liệu huấn luyện, tối ưu kiến trúc mạng cho môi trường thực tế. Kết quả nghiên cứu mở ra hướng phát triển hệ thống truyền thông thông minh, tự thích nghi, đáp ứng nhu cầu ngày càng cao về dung lượng mạng.

4.1. Đánh giá hiệu quả giải pháp

Giải pháp lập lịch biểu dựa trên Deep Learning đạt dung lượng mạng tăng 25-30% so với phương pháp truyền thống. Hiệu suất mô hình được đánh giá thông qua tốc độ tổng, tỷ lệ lỗi bit, và độ trễ hệ thống. Kết quả mô phỏng trên kênh GIC và IMAC cho thấy dung lượng đạt 90% so với WMMSE, vượt trội 40% so với phương pháp heuristic. Độ trễ phản hồi dưới 1ms, phù hợp cho ứng dụng thời gian thực. Chi phí tính toán giảm 40%, nâng cao khả năng triển khai trên phần cứng giới hạn.

4.2. Hướng phát triển trong tương lai

Hướng phát triển gồm cải thiện kiến trúc mạng (như Transformer, Graph Neural Network), tích hợp học tăng cường (Reinforcement Learning) để tối ưu liên tục. Nghiên cứu cũng cần tập trung vào dữ liệu huấn luyện đại diện, giảm thiểu overfitting. Ứng dụng trong mạng 6G, IoT sẽ đòi hỏi mô hình học sâu có khả năng thích ứng nhanh chóng, xử lý đa dạng điều kiện môi trường. Kết hợp học sâu với kỹ thuật truyền thống (như WMMSE) có thể nâng cao hiệu suất hệ thống trong thực tế.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong các mạng truyền thông không dây hiện đại, đặc biệt là mạng truyền dẫn thiết bị tới thiết bị (Device-to-Device - D2D) được triển khai dày đặc với cơ chế tái sử dụng toàn bộ tần số, hiện tượng can nhiễu đồng kênh giữa các liên kết lân cận là thách thức kỹ thuật cốt lõi. Việc kích hoạt đồng thời nhiều liên kết trong cùng một dải phổ dẫn đến suy giảm tỷ số tín hiệu trên tạp âm cộng nhiễu (SINR), làm giảm chất lượng truyền dẫn và thông lượng toàn mạng.

Các phương pháp lập lịch biểu truyền thống chủ yếu dựa trên mô hình toán học giải tích: thực hiện ước lượng toàn bộ kênh trực tiếp và kênh can nhiễu, sau đó áp dụng các thuật toán tối ưu hóa lặp để xác định trạng thái kích hoạt hoặc phân bổ công suất phát. Tuy nhiên, cách tiếp cận này bộc lộ hai nhược điểm nghiêm trọng:

1. Chi phí tài nguyên đo kiểm quá lớn: Để lập lịch cho mạng gồm $N$ cặp máy phát - máy thu, hệ thống phải ước lượng $N^2$ hệ số kênh trong mỗi khối tương can. Việc truyền chuỗi dẫn đường (pilot) chiếm dụng đáng kể băng thông hữu ích và dễ phát sinh hiện tượng nhiễm bẩn pilot trong các mạng quy mô lớn.
2. Độ phức tạp tính toán phi thời gian thực: Tốc độ dữ liệu đạt được trong môi trường can nhiễu là hàm không lồi của công suất truyền, kết hợp với các biến quyết định lịch biểu dạng nhị phân ($x_i \in {0, 1}$). Do đó, bài toán tối ưu hóa thuộc dạng quy hoạch nguyên phi lồi, đòi hỏi khối lượng tính toán lớn, không đáp ứng được yêu cầu xử lý thời gian thực.

Trước thực trạng đó, đồ án tốt nghiệp tập trung giải quyết bài toán quản lý tài nguyên vô tuyến thông qua việc nghiên cứu, áp dụng kỹ thuật học sâu (Deep Learning - DL) và định hướng "học để tối ưu" (Learning to Optimize), nhằm thay thế các bước tính toán lặp phức tạp bằng các mô hình mạng nơ-ron sâu (DNN) có tốc độ thực thi nhanh.

Nhiệm vụ nghiên cứu của đề tài bao gồm:

1. Tổng quan hóa bài toán lập lịch biểu liên kết không dây, các mô hình can nhiễu và hạn chế của các phương pháp tối ưu hóa truyền thống.
2. Nghiên cứu phương pháp "học để tối ưu" dựa trên thông tin trạng thái kênh (DNN-CSI), xấp xỉ thuật toán tối thiểu hóa có trọng số sai số trung bình bình phương (WMMSE).
3. Nghiên cứu phương pháp lập lịch biểu liên kết không dây dựa trên thông tin vị trí địa lý (DNN-GLI) và lập trình phân số (Fractional Programming - FP) để loại bỏ giai đoạn ước lượng kênh $N^2$.

Đối tượng nghiên cứu là các thuật toán lập lịch biểu, thuật toán điều khiển công suất và các kiến trúc mạng nơ-ron sâu ứng dụng trong mạng không dây can nhiễu. Phạm vi nghiên cứu tập trung vào mô hình kênh nhiễu Gauss (GIC) và kênh đa truy cập can nhiễu (IMAC) trong không gian hai chiều, được thực hiện tại Bộ môn Thông tin, Khoa Vô tuyến điện tử, Học viện Kỹ thuật Quân sự từ ngày 01/7/2022 đến ngày 31/10/2022.

---

Cơ sở lý thuyết và phương pháp

Khung lý thuyết và mô hình toán học

Đồ án xây dựng bài toán lập lịch biểu trên mô hình hệ thống gồm $N$ liên kết D2D hoạt động trên cùng băng thông $W$. Với mỗi liên kết $i$, công suất phát cố định là $p_i$, $h_{ij} \in \mathbb{C}$ là kênh truyền từ máy phát $j$ đến máy thu $i$, và $\sigma^2$ là công suất tạp âm nền. Quyết định lập lịch được biểu diễn qua biến nhị phân $x_i \in {0, 1}$. Tốc độ truyền dẫn $R_i$ của liên kết $i$ được xác định theo công thức:

$$R_i = W \log_2 \left( 1 + \frac{|h_{ii}|^2 p_i x_i}{\Gamma \left( \sum_{j \neq i} |h_{ij}|^2 p_j x_j + \sigma^2 \right)} \right)$$

Trong đó $\Gamma$ là khoảng cách SNR so với dung lượng kênh lý thuyết thông tin. Mục tiêu tối ưu hóa toàn hệ thống là tối đa hóa tổng tốc độ:

$$\max_{{x_i}} \sum_{i=1}^N R_i \quad \text{với } x_i \in {0, 1}, \forall i$$

Để giải quyết bài toán không lồi trên, đồ án khai thác thuật toán WMMSE dựa trên đẳng thức MMSE-SINR:

$$\text{mmse}_i = \frac{1}{1 + \text{sinr}_i}$$

Thuật toán WMMSE chuyển đổi bài toán tối đa hóa tốc độ tổng có trọng số sang bài toán tối thiểu hóa sai số trung bình bình phương tương đương trong không gian biến mở rộng $(\mathbf{u}, \mathbf{v}, \boldsymbol{\alpha})$, giải quyết tuần tự qua phương pháp suy giảm tọa độ khối (Block Coordinate Descent).

Về mặt học máy, nghiên cứu dựa trên Định lý xấp xỉ phổ quát (Universal Approximation Theorem) cho các thuật toán lặp. Nếu một thuật toán lặp biểu diễn các ánh xạ liên tục trên tập compact, một mạng nơ-ron truyền thẳng sâu với các lớp phi tuyến (như ReLU) có khả năng học ánh xạ từ không gian tham số đầu vào và điểm khởi tạo $(\mathbf{x}_0, \mathbf{z})$ sang nghiệm tối ưu $\mathbf{x}_T$ với số lượng tham số ít hơn theo cấp số nhân so với mạng nông.

Phương pháp nghiên cứu và công cụ thực nghiệm

Nghiên cứu sử dụng phương pháp mô phỏng số và học máy có giám sát (Supervised Learning):

• Ngôn ngữ và môi trường lập trình: Python kết hợp thư viện TensorFlow; thuật toán nền tảng WMMSE được cài đặt đối chứng bằng cả ngôn ngữ Python và C.
• Thuật toán tối ưu hóa mạng: Thuật toán suy giảm gradient ngẫu nhiên theo batch nhỏ với bộ tối ưu RMSprop (tốc độ phân rã 0.9, tốc độ học 0.001, kích thước batch 1000).
• Nguồn dữ liệu: Dữ liệu tổng hợp (synthetic data) được tạo lập thông qua các mô hình thống kê kênh truyền tiêu chuẩn trong viễn thông.

---

Nội dung chính theo từng chương

Chương 1: Tổng quan về bài toán lập lịch biểu liên kết không dây và kỹ thuật học sâu

Chương 1 hệ thống hóa cơ sở lý luận về quản lý tài nguyên trong mạng không dây và các nguyên lý học sâu cơ bản:

• Phân tích các đặc trưng vật lý của kênh vô tuyến: Tạp âm Gauss trắng cộng tính (AWGN), suy hao đường truyền, hiệu ứng bóng râm (shadowing), pha-đinh đa đường và can nhiễu đồng kênh.
• Phân loại các mục tiêu lập lịch biểu: Tối đa hóa thông lượng mạng, tối đa hóa tốc độ tổng, giảm thiểu độ trễ/thời gian phản hồi và bảo đảm tính công bằng.
• Đánh giá các phương pháp truyền thống:
  • Phương pháp tìm kiếm heuristic trực tuyến.
  • Tối ưu hóa toàn cục dựa trên polyblock (thuật toán MAPEL).
  • Kỹ thuật tạo cột phi tuyến (Nonlinear Column Generation).
  • Nhược điểm chung: Đòi hỏi thông tin kênh đầy đủ ($N^2$ kênh) và độ phức tạp tính toán bùng nổ theo quy mô mạng.
• Tổng quan về kỹ thuật học sâu: Cấu trúc nơ-ron, mạng DNN, mạng nơ-ron tích chập (CNN), hàm mất mát, các nền tảng phần mềm phổ biến (TensorFlow, PyTorch, Caffe, Keras) và các ứng dụng điển hình trong nhận dạng hình ảnh, xe tự hành, trợ lý ảo và phân bổ phổ vô tuyến động.

Chương 2: Phương pháp “học để tối ưu”

Chương 2 trình bày chi tiết giải pháp thiết kế mạng nơ-ron sâu để học thuật toán tối ưu hóa tài nguyên dựa trên thông tin trạng thái kênh (DNN-CSI):

• Cơ chế CSI: Phân biệt CSI tức thời (ngắn hạn) và CSI thống kê (dài hạn).
• Thuật toán WMMSE cho kênh can nhiễu vô hướng: Trình bày chi tiết 5 bước lặp cập nhật hệ số khuếch đại máy thu $u_i$, trọng số phụ trợ $\alpha_i$ và hệ số khuếch đại phát $v_i$.
• Cơ sở lý thuyết xấp xỉ thuật toán lặp: Chứng minh sự cần thiết của việc cố định giá trị khởi tạo $x_0$ hoặc đưa $x_0$ vào đầu vào mạng nơ-ron nhằm tránh hiện tượng mô hình hội tụ về nghiệm trung bình khi hàm mục tiêu có nhiều điểm cực trị cục bộ cô lập.
• Thiết kế hệ thống DNN-CSI:
  • Cấu trúc mạng: Gồm 1 lớp đầu vào, 3 lớp ẩn (kích thước lần lượt là 200, 80, 80 nơ-ron) và 1 lớp đầu ra.
  • Hàm kích hoạt: Lớp ẩn sử dụng ReLU ($y = \max(x, 0)$); lớp đầu ra sử dụng hàm kẹp $y = \min(\max(x, 0), P_{\max})$ để đảm bảo giới hạn công suất phát.
  • Khởi tạo trọng số: Sử dụng phân phối chuẩn rút gọn (truncated normal distribution) có chuẩn hóa theo số lượng đầu vào.
• Thiết lập mô phỏng và tập dữ liệu:
  • Quy mô dữ liệu: Tạo lập 1.000.000 mẫu CSI cho mỗi kịch bản (99% dùng cho huấn luyện, 1% dùng cho xác thực); 10.000 mẫu dùng cho kiểm thử.
  • Mô hình 1 (Kênh GIC): Kênh pha-đinh Rayleigh thuần túy, trung bình 0, phương sai 1, xét với số người dùng $N \in {10, 20, 30}$. Kích thước đầu vào mạng là $N^2$, đầu ra là $N$.
  • Mô hình 2 (Kênh IMAC): Mạng đa tế bào gồm $K$ ô và $N$ người dùng. Bán kính ô $R = 100\text{ m}$, người dùng phân bố từ bán kính trong $r$ đến $R$. Kênh bao gồm suy hao khoảng cách $(200/d)^3$, pha-đinh Rayleigh và hiệu ứng che khuất log-normal với phương sai 64. Xét các kịch bản $(K, N) \in {(3, 12), (3, 24), (7, 28), (20, 80)}$. Kích thước đầu vào là $K \times N$, đầu ra là $N$.

Chương 3: Lập lịch biểu các liên kết không dây dựa trên cơ sở học sâu

Chương 3 mở rộng nghiên cứu sang các phương pháp lập lịch biểu hiện đại không phụ thuộc vào việc ước lượng ma trận CSI đầy đủ:

• Lập trình phân số (FP) và thuật toán FPLinQ: Phương pháp biến đổi bài toán tối ưu hóa tỷ số phi lồi thông qua tái định dạng Lagrange bậc hai, cho phép kết hợp tối ưu đồng thời biến lập lịch biểu nhị phân và điều khiển công suất phát liên tục.
• Các phương pháp lý thuyết thông tin: ITLinQ, ITLinQ+ và khái niệm tập độc lập lý thuyết thông tin (ITIS), áp dụng nguyên lý coi can nhiễu như tạp âm (Treat-Interference-as-Noise - TIN).
• Mô hình lập lịch dựa trên thông tin vị trí địa lý (DNN-GLI):
  • Khai thác mối tương quan hình học: Mẫu can nhiễu trong mạng D2D chủ yếu bị chi phối bởi khoảng cách và vị trí không gian tương đối giữa các máy phát và máy thu, thay vì các biến động pha-đinh vi mô ngẫu nhiên.
  • Tiền xử lý dữ liệu: Biến đổi tọa độ 2D của các cặp liên kết thành các lưới ma trận mật độ máy phát và máy thu (Transmitter/Receiver Density Grids).
  • Kiến trúc mạng không gian: Tích hợp các bộ lọc tích chập không gian (Spatial Convolutional Filters) để trích xuất đặc trưng can nhiễu cục bộ và mạng truyền thẳng để đưa ra quyết định nhị phân ${0, 1}$.
  • Cơ chế phá vỡ tính đối xứng (Symmetry Breaking): Giải quyết xung đột khi các cặp liên kết có vị trí hình học hoàn toàn đối xứng trong không gian mạng.

---

Kết quả và đóng góp

Bảng tổng hợp thông số thiết kế và kịch bản thực nghiệm

Tham số / Thành phần	Mô hình Kênh GIC (Chương 2)	Mô hình Kênh IMAC (Chương 2)	Mô hình Không gian DNN-GLI (Chương 3)
Đầu vào mô hình	Ma trận CSI ($N^2$ phần tử)	Ma trận CSI ($K \times N$ phần tử)	Tọa độ/Lưới mật độ vị trí (GLI)
Cấu trúc lớp ẩn	3 lớp (200 - 80 - 80 nơ-ron)	3 lớp (200 - 80 - 80 nơ-ron)	Bộ lọc tích chập không gian + DNN
Hàm kích hoạt	Ẩn: ReLU; Ra: Kẹp $[0, P_{\max}]$	Ẩn: ReLU; Ra: Kẹp $[0, P_{\max}]$	ReLU, Sigmoid / Softmax
Quy mô kịch bản	$N \in {10, 20, 30}$	$(K, N) \in {(3, 12), (3, 24), (7, 28), (20, 80)}$	Bố cục mạng D2D ngẫu nhiên 2D
Bộ tối ưu hóa	RMSprop (lr=0.001, batch=1000)	RMSprop kết hợp Batch Normalization	Tối ưu hóa gradient phân tán
Quy mô tập dữ liệu	$1.000.000$ mẫu (99% train, 1% val)	$1.000.000$ mẫu (99% train, 1% val)	Tập mẫu bố cục vị trí ngẫu nhiên

Đóng góp kỹ thuật chính

1. Khả năng xấp xỉ thuật toán WMMSE: Kết quả mô phỏng cho thấy mô hình DNN-CSI đạt hiệu suất tốc độ tổng tiệm cận đường cong hiệu năng của thuật toán WMMSE gốc trên cả hai mô hình kênh GIC và IMAC (đánh giá trung bình trên 10.000 điểm kiểm thử).
2. Tối ưu hóa thời gian tính toán: DNN chuyển toàn bộ độ phức tạp tính toán lặp sang giai đoạn huấn luyện ngoại tuyến (offline training). Trong giai đoạn suy luận trực tuyến (online testing), việc tính toán công suất chỉ bao gồm các phép nhân ma trận và hàm phi tuyến đơn giản, giảm đáng kể thời gian xử lý so với mã nguồn WMMSE viết bằng Python và C.
3. Giải pháp loại bỏ ước lượng kênh (DNN-GLI): Đề xuất phương pháp lập lịch biểu trực tiếp từ thông tin vị trí địa lý, giúp hệ thống tiết kiệm hoàn toàn tài nguyên tần số và thời gian dành cho việc ước lượng $N^2$ kênh can nhiễu.

---

Hạn chế và hướng nghiên cứu tiếp

Hạn chế

• Mô hình DNN-CSI vẫn yêu cầu đầu vào là thông tin trạng thái kênh hoàn hảo, do đó vẫn chịu ảnh hưởng nếu khâu thu thập CSI ban đầu có sai số hoặc bị trễ.
• Kích thước đầu vào của mạng DNN kết nối đầy đủ phụ thuộc cố định vào số lượng người dùng $N$ hoặc số cell $K$, dẫn đến việc phải huấn luyện lại mô hình khi cấu trúc mạng thay đổi quy mô.
• Phương pháp DNN-GLI giả định các nút mạng có khả năng định vị chính xác và mô hình suy hao kênh phụ thuộc chủ yếu vào khoảng cách địa lý.

Hướng nghiên cứu tiếp

• Nghiên cứu các kiến trúc mạng nơ-ron đồ thị (Graph Neural Network - GNN) để xử lý các đồ thị mạng có số lượng nút thay đổi linh hoạt mà không cần cố định kích thước đầu vào.
• Đánh giá mô hình trong môi trường pha-đinh biến đổi nhanh theo thời gian thực và điều kiện kênh truyền có sai số ước lượng vị trí.
• Tích hợp các ràng buộc nâng cao về chất lượng dịch vụ (QoS), độ trễ cực thấp và bảo đảm tính công bằng tuyệt đối giữa các thiết bị người dùng.

---

Giá trị tham khảo

Tài liệu là nguồn tham khảo chuyên môn cho:

• Sinh viên, học viên cao học và cán bộ nghiên cứu chuyên ngành Kỹ thuật Điện tử - Viễn thông, Công nghệ Thông tin đang thực hiện đề tài về quản lý tài nguyên vô tuyến (RRM), mạng D2D, và ứng dụng trí tuệ nhân tạo trong lớp vật lý/MAC.
• Tham khảo phương pháp toán học trong việc chuyển đổi bài toán tối ưu phi lồi (WMMSE, FP) và phương pháp xây dựng tập dữ liệu mô phỏng kênh truyền viễn thông phục vụ huấn luyện học sâu.
• Tham khảo cấu hình chi tiết của mạng truyền thẳng xấp xỉ thuật toán lặp và kỹ thuật xử lý dữ liệu không gian cho bài toán lập lịch vô tuyến.

---

Câu hỏi thường gặp

1. Mục tiêu tối ưu hóa chính của bài toán lập lịch biểu trong đồ án là gì?

Bài toán đặt mục tiêu tối đa hóa tốc độ tổng (sum-rate) của toàn bộ $N$ người dùng trong mạng D2D trên mỗi khe thời gian, dưới các ràng buộc về công suất phát tối đa $P_{\max}$ và sự hiện diện của can nhiễu đồng kênh giữa các liên kết hoạt động đồng thời.

2. Tại sao phương pháp tiếp cận truyền thống dựa trên CSI gặp trở ngại trong triển khai thực tế?

Phương pháp truyền thống gặp hai trở ngại lớn: thứ nhất, hệ thống tiêu tốn lượng lớn tài nguyên vô tuyến để ước lượng toàn bộ $N^2$ kênh truyền trực tiếp và can nhiễu; thứ hai, bài toán tối ưu hóa phân bổ công suất và lập lịch nhị phân là bài toán không lồi phức tạp, đòi hỏi các thuật toán lặp tốn nhiều thời gian tính toán, không đáp ứng được yêu cầu thời gian thực.

3. Kiến trúc mạng nơ-ron sâu DNN-CSI trong đồ án được thiết kế như thế nào?

Mạng gồm 1 lớp đầu vào (kích thước $N^2$ với kênh GIC hoặc $K \times N$ với kênh IMAC), 3 lớp ẩn kết nối đầy đủ (lần lượt chứa 200, 80 và 80 nơ-ron sử dụng hàm kích hoạt ReLU), và 1 lớp đầu ra gồm $N$ nơ-ron sử dụng hàm kích hoạt kẹp $y = \min(\max(x, 0), P_{\max})$ để đưa ra giá trị công suất phân bổ cho từng liên kết.

4. Điểm khác biệt cốt lõi giữa phương pháp DNN-CSI và DNN-GLI là gì?

Phương pháp DNN-CSI sử dụng ma trận hệ số suy hao kênh ${|h_{ij}|}$ làm đầu vào để xấp xỉ thuật toán WMMSE. Ngược lại, phương pháp DNN-GLI sử dụng trực tiếp thông tin tọa độ/vị trí địa lý của máy phát và máy thu được mã hóa thành các lưới mật độ không gian, giúp hệ thống đưa ra quyết định lịch biểu mà không cần thực hiện giai đoạn đo đạc và ước lượng kênh can nhiễu.

5. Dữ liệu huấn luyện và kiểm thử trong đồ án được tạo lập như thế nào?

Dữ liệu được tạo lập qua mô phỏng toán học với quy mô 1.000.000 mẫu CSI cho mỗi kịch bản (99% huấn luyện, 1% xác thực) và 10.000 mẫu cho kiểm thử. Hai mô hình kênh chính được khảo sát là kênh nhiễu Gauss Rayleigh thuần túy (GIC) và kênh đa truy cập can nhiễu đa tế bào (IMAC) kết hợp suy hao đường truyền theo khoảng cách và hiệu ứng bóng râm log-normal.

---

Kết luận

Đồ án tốt nghiệp đã hệ thống hóa và giải quyết bài toán lập lịch biểu liên kết trong mạng không dây mật độ cao thông qua kỹ thuật học sâu và nguyên lý "học để tối ưu". Nghiên cứu chứng minh mô hình mạng nơ-ron sâu DNN-CSI có khả năng xấp xỉ chính xác hành vi của thuật toán tối ưu hóa lặp WMMSE với tốc độ xử lý nhanh, đáp ứng yêu cầu phân bổ tài nguyên thời gian thực. Đồng thời, hướng tiếp cận lập lịch biểu dựa trên thông tin vị trí địa lý DNN-GLI mở ra giải pháp giảm thiểu chi phí đo kiểm kênh truyền trong các hệ thống thông tin vô tuyến thế hệ mới.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: TỔNG QUAN VỀ BÀI TOÁN LẬP LỊCH BIỂU LIÊN KẾT KHÔNG DÂY VÀ KỸ THUẬT HỌC SÂU Lập lịch biểu tối ưu các liên kết gây nhiễu trong một mạng không dây được triển khai dày đặc với việc tái sử dụng toàn bộ tần số là một bài toán đầy thách thức. Một phương pháp tiếp cận mới để giải quyết bài toán này dựa trên kỹ thuật học sâu có khả năng khắc phục nhược điểm của các phương pháp lập lịch biểu truyền thống. Chương này nghiên cứu tổng quan về bài toán lập lịch biểu các liên kết không dây, một số phương pháp tiếp cận truyền thống để giải quyết bài toán này, kỹ thuật học sâu và những ứng dụng hiện nay của học sâu vào truyền thông không dây làm cơ sở để nghiên cứu chi tiết phương pháp lập lịch biểu mới dựa trên kiến trúc mạng nơ-ron sâu (DNN: Deep Neural Network). Bài toán lập lịch biểu liên kết không dây 1.

Khái niệm bài toán lập lịch biểu Ngày nay, nhu cầu sử dụng các hệ thống truyền thông không dây tăng lên nhanh chóng bởi tính linh hoạt, khả năng triển khai và vận hành của nó. Tuy nhiên các hệ thống không dây bị ảnh hưởng bởi các tác nhân cố hữu như tạp âm Gauss trắng cộng tính (AWGN: Additive White Gaussian Noise), vấn đề dịch pha, sự tổn hao đường truyền, hiệu ứng che khuất, pha-đinh đa đường, nhiễu. Ngoài ra, khoảng cách truyền dẫn, tính linh hoạt, đặc điểm địa lý, thời tiết, vị trí ăng-ten và dạng sóng tín hiệu cũng ảnh hưởng tới các thông số của liên kết không dây. Với cơ chế truyền sóng đa đường, các liên kết không dây có đặc tính hoàn toàn ngẫu nhiên và rất khó phân tích.

Bài toán được đặt ra là bài toán quản lý, phân bổ tài nguyên mạng - tài nguyên hữu hạn. Thực tế là môi trường không dây được chia sẻ bởi các nút mạng, điều này đặt ra những hạn chế đối với tập các nút có thể đồng thời truyền thành công. Mạng phân bổ càng dày thì việc lựa chọn này càng khó khăn, phức tạp. Mô hình các liên kết không dây Tập lịch biểu thường được xác định để giữ cho tất cả tài nguyên mạng luôn được tận dụng triệt để và cân bằng tải, cho phép nhiều người dùng chia sẻ tài nguyên hệ thống một cách hiệu quả hoặc để đạt được chất lượng dịch vụ mục tiêu.

Việc lập lịch biểu nói chung có thể nhắm đến một hoặc nhiều mục tiêu khác nhau, ví dụ: - Tối đa hóa thông lượng: tổng khối lượng tin truyền được qua mạng trên một đơn vị thời gian. - Tối đa hoá tốc độ tổng của liên kết trong mạng. - Giảm thiểu thời gian đáp ứng: thời gian từ khi hệ thống sẵn sàng cho việc truyền dẫn cho đến khi máy phát đáp ứng lệnh thực hiện việc truyền tin. - Giảm thiểu độ trễ hoặc thời gian phản hồi: thời gian từ khi hệ thống sẵn sàng cho việc truyền dẫn cho đến khi hoàn tất quá trình truyền trong trường hợp hoạt động hàng loạt hoặc cho đến khi hệ thống có phản hồi và chuyển được tin phản hồi - tin xác nhận đầu tiên cho người dùng.

- Tối đa hóa sự công bằng trong mạng: thời gian hoạt động của các liên 5 kết trong mạng là tương đương, hay nói chung là mỗi người dùng đều được đáp ứng theo mức độ ưu tiên và lượng tin truyền. Trong thực tế, các mục tiêu này thường mâu thuẫn lẫn nhau, do đó bài toán lập lịch biểu sẽ phải đưa ra một phương án thỏa hiệp phù hợp. Tùy thuộc vào nhu cầu và mục đích của người dùng mà mục tiêu lập lịch biểu được xác định, một hay một số những đặc trưng trên sẽ được lựa chọn để tối ưu hóa trong bài toán. Trong một mạng, đặc biệt là mạng được triển khai dày đặc thì giảm thiểu nhiễu là một công việc thiết yếu, việc này có thể được giải quyết bằng lập lịch biểu, tách các thiết bị truyền theo không gian hoặc thời gian.

Lịch biểu có thể được xác định dựa trên các thuộc tính của kênh truyền, chẳng hạn như thực tế là công suất của tín hiệu truyền đi sẽ giảm dần theo quãng đường truyền. Tùy thuộc vào nhiễu tác động, có thể lập lịch biểu truyền đồng thời các thiết bị cách xa nhau một cách hợp lý. Mức công suất của tín hiệu gây nhiễu được truyền từ một nguồn gây nhiễu cách máy thu một khoảng cách đủ lớn để máy thu nhận được ở mức đủ nhỏ tới mức không ngăn cản việc nhận đúng tín hiệu mong muốn được truyền bởi một nguồn khác gần hơn. Phương pháp “tái sử dụng không gian” cho phép nhiều thiết bị truyền đồng thời sử dụng cùng một phổ tần số, miễn là sự hoạt động đồng thời của chúng không gây nhiễu đáng kễ lẫn nhau.

Tái sử dụng không gian đã được sử dụng như một thước đo đánh giá cho các thuật toán lập lịch biểu. Lập lịch biểu cho các liên kết gây nhiễu là một trong những nhiệm vụ cơ bản nhất trong mạng không dây. Nhiệm vụ lập lịch có thể kích hoạt một cách hợp lý một tập hợp con các liên kết “tương thích” lẫn nhau để tránh bị can thiệp quá mức nhằm tối đa hóa tiện ích mạng. Vậy tập hợp con nào của người dùng sẽ được kích hoạt trong mỗi thời điểm nhất định? Tất nhiên, cần phải tính đến cả việc ghép kênh, tốc độ truyền dẫn của mỗi thiết bị phải giảm để tránh gây nhiễu lẫn nhau (và/hoặc 6 công suất truyền phải được điều chỉnh tương ứng).

Vì hàm mục tiêu là tối đa hóa tốc độ bit/s hoặc tốc độ gói/vị trí, vì vậy, câu hỏi đặt ra rằng nên ưu tiên việc nhiều người dùng có thể cùng truyền dữ liệu nhưng với tốc độ cá nhân giảm đi hay tốc độ cá nhân tăng lên nhưng ít người dùng có thể truy cập hơn? Câu trả lời không rõ ràng và nó phụ thuộc vào môi trường cụ thể, tiêu chí hiệu suất, chất lượng kênh và lợi ích, cấu trúc phát hiện, sơ đồ điều chế, mã hóa kiểm soát lỗi. Công thức bài toán lập lịch biểu Giao tiếp thiết bị tới thiết bị (D2D: Device-to-Device) là một công nghệ không dây mới, nơi hai thiết bị có thể giao tiếp với nhau mà không cần trao đổi thông tin từ trạm gốc, do đó nó không chỉ giảm tải cho trạm gốc mà còn cải thiện chất lượng giao tiếp của người dùng. Xem xét một mạng D2D được triển khai dày đặc với việc tái sử dụng toàn bộ tần số, trong đó các liên kết lân cận tạo ra nhiễu đáng kể cho nhau bất cứ khi nào được kích hoạt đồng thời. Mạng D2D 7 Giao tiếp D2D dự kiến sẽ đóng một vai trò quan trọng trong các mạng di động sắp tới bởi độ trễ cực thấp cho giao tiếp giữa các người dùng.

Phương thức giao tiếp này là một bổ sung mới cho mô hình thông tin di động truyền thống. Tuy nhiên, lợi ích của giao tiếp D2D đi kèm với nhiều vấn đề kỹ thuật phải được giải quyết trước khi được tích hợp vào hệ sinh thái tế bào, trong đó có vấn đề lập lịch biểu. Xem xét một kịch bản có N liên kết D2D độc lập nằm trong một không gian hai chiều. Khoảng cách máy phát - máy thu giữa các liên kết là khác nhau.

Đặt pi là mức công suất phát cố định của liên kết thứ i khi được kích hoạt, và hij ∈ C là kênh truyền từ máy phát của liên kết thứ j đến máy thu của liên kết thứ i, ở đây σ 2 là công suất tạp âm nền. Xem xét quá trình lịch biểu diễn ra qua các khe thời gian. Trong mỗi khe thời gian, đặt xi ∈ {0, 1} là một biến số cho mỗi liên kết i, xi có giá trị bằng 1 nếu liên kết được lập lịch biểu và 0 trong trường hợp ngược lại. Giả thiết rằng tái sử dụng tần số hoàn toàn có băng thông W.

Với một tập các quyết định lập lịch biểu xi , tốc độ Ri mà liên kết i có thể đạt được trong khe thời gian được xác định: |hii |2 pi xi   Ri = W log 1 + , (1.1) Γ(Σj̸=i |hij |2 pj xj + σ 2 ) trong đó Γ là chênh lệch tỉ số SNR so với dung lượng kênh xác định theo lý thuyết thông tin. Bài toán lập lịch biểu liên kết không dây thực tế là lựa chọn một tập con các liên kết sẽ kích hoạt trong một khoảng thời gian nào đó để đạt được tốc độ truyền dẫn mong muốn. Bài toán này xét hàm mục tiêu của việc tối đa hóa tốc độ tổng của N người dùng qua mỗi thời điểm lịch biểu, được xây dựng dưới dạng: N X maximize Ri (1.2b) 8 Đây là bài toán tối ưu hóa rời rạc đầy thách thức, do tương tác phức tạp giữa các liên kết có sự hiện diện của thành phần nhiễu trong tỷ số tín hiệu trên tạp âm cộng nhiễu (SINR: Signal-to-Interference-plus-Noise Ratio) [1]. Giá trị chính xác của ngưỡng SINR phụ thuộc vào các yếu tố khác nhau, chẳng hạn như tốc độ truyền, xác suất mục tiêu của lỗi bit, các kỹ thuật mã hóa và điều chế được sử dụng khi truyền.

Hiện tại có rất nhiều tiêu chuẩn mạng không dây, mỗi tiêu chuẩn có các đặc điểm cụ thể hoặc được thiết kế riêng cho các loại ứng dụng cụ thể. Các mạng này thường sử dụng các tốc độ truyền dẫn và vùng phủ sóng, phổ tần số khác nhau. Mặc dù có sự khác biệt nhưng tất cả các thông tin liên lạc không dây đều có chung một công nghệ cơ bản: Dữ liệu được truyền bằng sóng tần số vô tuyến trên một môi trường truyền dùng chung. Thông thường, các thiết bị trên một mạng nhất định giao tiếp qua kênh chia sẻ bằng cách sử dụng cùng một phổ tần số.

Điều này có nhược điểm là mỗi liên kết sẽ gây ra nhiễu và thậm chí là bị ảnh hưởng bởi nhiễu do truyền đồng thời. Sự can thiệp này của nhiễu có thể làm giảm chất lượng của tín hiệu nhận được, khiến cho các tin nhắn không thể được nhận một cách chính xác. Vì nhiễu là một hiện tượng vốn có đối với truyền thông không dây, nên các ảnh hưởng của nó phải được xem xét khi phát triển bất kỳ chiến lược truyền thông nào cho loại kênh truyền này. Các phương pháp tiếp cận truyền thống Tối ưu hóa số đóng một vai trò đặc biệt quan trọng trong quản lý tài nguyên mạng không dây.

Các thuật toán dựa trên tối ưu hóa nổi tiếng cho các mục đích như vậy bao gồm các thuật toán được phát triển để điều khiển công suất, thiết kế bộ định dạng chùm tia truyền/nhận, kiểm soát truy cập, phân cụm người dùng/trạm gốc.