Giới thiệu dự án

Sự bùng nổ của các thiết bị thông minh, ứng dụng đa phương tiện độ nét cao và hạ tầng Internet vạn vật (IoT) đang đặt ra áp lực chưa từng có lên hệ thống thông tin di động toàn cầu. Theo dự báo của ITU-R và 3GPP, lưu lượng dữ liệu vô tuyến tăng trưởng hơn 1000 lần trong thập kỷ qua, đòi hỏi tiêu chuẩn mạng di động 5G (IMT-2020) phải đáp ứng các chỉ tiêu khắt khe: tốc độ truyền dữ liệu đỉnh 20 Gbps đối với đường xuống (Downlink - DL), mật độ kết nối tối thiểu $10^6$ thiết bị/$\text{km}^2$, độ trễ mặt phẳng người dùng dưới 1 ms và hiệu suất phổ tần cao gấp 3 đến 5 lần so với 4G LTE.

Các kỹ thuật đa truy nhập trực giao truyền thống (Orthogonal Multiple Access - OMA) như Đa truy nhập phân chia theo thời gian (TDMA), Đa truy nhập phân chia theo tần số trực giao (OFDMA) phân bổ tài nguyên thời gian/tần số riêng biệt cho từng người dùng (User Equipment - UE). Khi số lượng thiết bị tăng vọt, OMA bộc lộ giới hạn vật lý nghiêm trọng: nghẽn tài nguyên phổ, hiệu suất phổ suy giảm khi phục vụ người dùng có chất lượng kênh kém và độ trễ báo hiệu lập lịch lớn. Đồ án "Nghiên cứu Kỹ thuật đa truy cập phi trực giao cho mạng 5G" được thực hiện nhằm giải quyết trực tiếp bài toán quá tải phổ tần và tối ưu hóa dung lượng kết nối trong hệ thống thông tin di động thế hệ mới.

                              HỆ THỐNG 5G VÀ KỸ THUẬT NOMA
                                           │
          ┌────────────────────────────────┴────────────────────────────────┐
          ▼                                                                 ▼
   Kiến trúc 5G E2E                                               Kỹ thuật PHY NOMA
   ├── NFV MANO / vEPC                                            ├── Ghép kênh miền công suất
   ├── Service-Based Architecture (SBA)                           ├── Mã hóa chồng chất (Superposition)
   └── Network Slicing (eMBB, mMTC, URLLC)                        └── Triệt nhiễu liên tiếp (SIC)

Mục tiêu cụ thể của đồ án bao gồm:

  1. Hệ thống hóa kiến trúc mạng 5G E2E, kiến trúc lát cắt mạng (Network Slicing), mạng lõi gói ảo hóa (vEPC) và các chuẩn giao tiếp Service-Based Architecture (SBA).
  2. Phân tích nguyên lý hoạt động của kỹ thuật Đa truy nhập phi trực giao miền công suất (Power-Domain NOMA) cho cả hai kịch bản đường xuống (DL) và đường lên (UL).
  3. Xây dựng mô hình toán học giải thuật mã hóa chồng chất (Superposition Coding) tại Trạm gốc (Base Station - BS) và kỹ thuật triệt nhiễu liên tiếp (Successive Interference Cancellation - SIC) tại thiết bị người dùng.
  4. Phát triển thuật toán phân bổ công suất thích ứng và phân tích các chiến lược ghép cặp người dùng: Near-Far (N-F) so với Near-Near / Far-Far (N-N, F-F).
  5. Mô phỏng, đánh giá hiệu năng hệ thống qua các chỉ số Tỷ lệ lỗi bit (Bit Error Rate - BER), Tốc độ tổng (Sum-Rate Capacity) và Xác suất dừng (Outage Probability - OP) trên các mô hình kênh tạp âm Gauss trắng cộng (AWGN) và kênh mờ dần Rayleigh (Rayleigh Fading Channel).

Giải pháp NOMA cho phép phục vụ đồng thời nhiều UE trên cùng một khối tài nguyên tần số/thời gian bằng cách cấp phát các mức công suất khác nhau dựa trên hệ số độ lợi kênh truyền. Kết quả kỳ vọng đạt được là nâng cao thông lượng mạng từ 40% đến 75% so với OFDMA ở vùng tỷ số tín hiệu trên nhiễu (SNR) cao, đồng thời giảm 66.7% thời gian trễ truyền dẫn đối với hệ thống đa người dùng. Phạm vi nghiên cứu tập trung vào hệ thống NOMA sóng mang đơn (Single-Carrier NOMA - SC-NOMA) đường xuống với 2 đến 4 người dùng, giả định điều kiện thông tin trạng thái kênh (Channel State Information - CSI) hoàn hảo tại bộ phát.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trong các thế hệ 2G (GSM), 3G (WCDMA) và 4G (LTE/LTE-A), nguyên lý OMA duy trì tính trực giao nghiêm ngặt giữa các tín hiệu người dùng để loại bỏ can nhiễu đa truy nhập (Multiple Access Interference - MAI). Tuy nhiên, đặc tính ngẫu nhiên của kênh truyền vô tuyến phá hủy tính trực giao, buộc bộ thu phải duy trì các cấu trúc phức tạp.

Tiêu chí so sánh TDMA (2G/3G) OFDMA (4G LTE) Power-Domain NOMA (5G)
Phân bổ tài nguyên Trực giao theo khe thời gian Trực giao theo sóng mang con Phi trực giao (dùng chung tần số & thời gian)
Miền ghép kênh Miền thời gian ($t$) Miền tần số ($f$) Miền công suất ($P$) kết hợp thời gian/tần số
Xử lý can nhiễu Lọc tín hiệu đơn giản Trực giao sóng mang phụ Khử nhiễu phi tuyến bằng máy thu SIC
Hiệu suất phổ (SE) Thấp ($< 2 \text{ bps/Hz}$) Trung bình ($5 - 15 \text{ bps/Hz}$) Cao ($15 - 30 \text{ bps/Hz}$, tăng 30-200%)
Độ trễ truyền dẫn Cao ($N \times T_{\text{slot}}$) Trung bình ($T_{\text{TTI}} \approx 1\text{ms}$) Cực thấp ($\approx 1 \text{ slot}$ cho $N$ người dùng)
Khả năng phục vụ mMTC Rất kém (nghẽn khe) Bị giới hạn bởi số subcarriers Vượt trội ($> 10^6 \text{ devices/km}^2$)

Phân tích yêu cầu hệ thống theo mô hình MoSCoW:

  • Must-have (Bắt buộc): Mô hình hóa giải thuật Superposition Coding tại BS; triển khai thành công bộ thu SIC giải mã tuần tự; phân tích giải tích BER và thông lượng trên kênh AWGN/Rayleigh.
  • Should-have (Cần có): Thuật toán ghép cặp người dùng Near-Far (N-F); so sánh phân bổ công suất cố định (Fixed Power Allocation - FPA) và phân bổ công suất công bằng (Fractional Transmit Power Allocation - FTPA).
  • Could-have (Có thể mở rộng): Tích hợp NOMA trong mạng không đồng nhất HetNets và mạng vô tuyến nhận thức (Cognitive Radio - CR).
  • Won't-have (Chưa thực hiện): Triển khai thực nghiệm trên phần cứng vô tuyến định nghĩa bằng phần mềm (SDR) trong khuôn khổ đồ án lý thuyết - mô phỏng.

Thiết kế hệ thống

Kiến trúc hệ thống truyền thông NOMA đường xuống bao gồm một trạm gốc BS trang bị anten đơn phát tín hiệu tổng hợp tới $K$ người dùng đơn anten trong cùng một cell.

graph TD
    subgraph "Trạm phát (Base Station - BS)"
        S1["Tín hiệu UE1: x1"] --> Mod1["Điều chế BPSK/QPSK"]
        S2["Tín hiệu UE2: x2"] --> Mod2["Điều chế BPSK/QPSK"]
        Mod1 --> P1["Nhân công suất: √(α1·PT)"]
        Mod2 --> P2["Nhân công suất: √(α2·PT)"]
        P1 --> Add(("Cộng tín hiệu (Superposition)"))
        P2 --> Add
        Add --> Tx["Tín hiệu phát: x = √(α1·PT)x1 + √(α2·PT)x2"]
    end

    Tx --> Chan1["Kênh truyền h1 (UE1 - Gần)"]
    Tx --> Chan2["Kênh truyền h2 (UE2 - Xa)"]

    subgraph "Máy thu UE2 (Kênh yếu: |h2|² nhỏ, α2 lớn)"
        Chan2 --> Rx2["Tín hiệu thu y2"]
        Rx2 --> Dec2["Giải mã trực tiếp x2 (Coi x1 là nhiễu)"]
        Dec2 --> Out2["Tín hiệu x2 hoàn chỉnh"]
    end

    subgraph "Máy thu UE1 (Kênh mạnh: |h1|² lớn, α1 nhỏ)"
        Chan1 --> Rx1["Tín hiệu thu y1"]
        Rx1 --> SIC["Bộ giải mã SIC: Giải mã x2 trước"]
        SIC --> Sub["Trừ thành phần x2 khỏi y1"]
        Sub --> Dec1["Giải mã x1 không còn nhiễu x2"]
        Dec1 --> Out1["Tín hiệu x1 hoàn chỉnh"]
    end

Mô hình toán học và tín hiệu: Giả sử có $K$ người dùng với độ lợi kênh được sắp xếp: $|h_1|^2 \ge |h_2|^2 \ge \dots \ge |h_K|^2$. Trạm phát BS gửi tín hiệu tổng hợp: $$x(t) = \sum_{k=1}^{K} \sqrt{\alpha_k P_T} x_k(t)$$ Trong đó $P_T$ là tổng công suất phát, $\alpha_k$ là hệ số phân bổ công suất thỏa mãn $\sum_{k=1}^K \alpha_k = 1$ và $\alpha_1 \le \alpha_2 \le \dots \le \alpha_K$ (người dùng kênh yếu nhận được nhiều công suất hơn).

Tín hiệu nhận được tại người dùng thứ $k$: $$y_k(t) = h_k x(t) + w_k(t) = h_k \sum_{i=1}^K \sqrt{\alpha_i P_T} x_i(t) + w_k(t)$$ với $w_k(t) \sim \mathcal{CN}(0, \sigma_k^2)$ là tạp âm Gauss trắng cộng với mật độ phổ công suất $N_0$.

Tỷ số tín hiệu trên nhiễu cộng tạp âm (SINR) để người dùng $k$ giải mã tín hiệu của chính mình sau khi đã loại bỏ thành công các tín hiệu từ người dùng $j > k$ bằng SIC: $$\gamma_k = \frac{\alpha_k P_T |h_k|^2}{\sum_{j=1}^{k-1} \alpha_j P_T |h_k|^2 + \sigma_k^2}$$

Tốc độ dữ liệu đạt được (Achievable Data Rate) của người dùng $k$: $$R_k = W \log_2(1 + \gamma_k) \quad (\text{bps})$$

Methodology

Quy trình nghiên cứu và phát triển hệ thống tuân theo phương pháp phân tích mô hình hóa toán học kết hợp kiểm chứng số (Numerical Simulation Approach) với 4 giai đoạn chính:

┌─────────────────┐     ┌─────────────────┐     ┌─────────────────┐     ┌─────────────────┐
│   Giai đoạn 1   │     │   Giai đoạn 2   │     │   Giai đoạn 3   │     │   Giai đoạn 4   │
│ Khảo sát 5G E2E │ ──► │ Xây dựng mô hình│ ──► │ Mô phỏng MATLAB │ ──► │ Đánh giá & Viết │
│ & Chuẩn 3GPP    │     │ Toán & Thuật toán│    │ Monte Carlo     │     │ Báo cáo Đồ án   │
│    (Tuần 1-3)   │     │    (Tuần 4-7)   │     │   (Tuần 8-12)   │     │  (Tuần 13-15)   │
└─────────────────┘     └─────────────────┘     └─────────────────┘     └─────────────────┘
  • Quản trị rủi ro kỹ thuật: Rủi ro lỗi lan truyền trong SIC (Error Propagation) được kiểm soát bằng việc áp dụng mô hình phân bổ công suất chênh lệch tối thiểu $\Delta \alpha \ge 0.4$ giữa hai người dùng liền kề, đảm bảo tỷ lệ giải mã sai bước đầu $< 10^{-3}$.

Implementation và kết quả

Development process

Quá trình hiện thực hóa giải thuật mô phỏng được xây dựng trên môi trường MATLAB R2022b (Communications Toolbox). Hệ thống thực hiện mô phỏng Monte Carlo với $10^6$ bit dữ liệu ngẫu nhiên cho mỗi điểm SNR khảo sát từ 0 dB đến 30 dB.

%==========================================================================
% KỊCH BẢN MÔ PHỎNG NOMA ĐƯỜNG XUỐNG VỚI 2 NGƯỜI DÙNG TRÊN KÊNH RAYLEIGH
% Tác giả: Lê Văn Lĩnh - GVHD: PGS. Nguyễn Văn Cường
% Công cụ: MATLAB R2022b
%==========================================================================
clear; clc; close all;

N_bits = 1e6;                       % Số lượng bit mô phỏng
SNR_dB = 0:2:30;                    % Dải giá trị SNR khảo sát (dB)
SNR_linear = 10.^(SNR_dB/10);

% Hệ số phân bổ công suất: UE1 (Gần) nhận ít hơn, UE2 (Xa) nhận nhiều hơn
a1 = 0.2;                           % Hệ số công suất cho UE1 (Gần)
a2 = 0.8;                           % Hệ số công suất cho UE2 (Xa)

% 1. Tạo chuỗi bit nhị phân và điều chế BPSK
bits_UE1 = randi([0 1], 1, N_bits);
bits_UE2 = randi([0 1], 1, N_bits);
x1 = 2*bits_UE1 - 1;                % BPSK: 0 -> -1, 1 -> +1
x2 = 2*bits_UE2 - 1;

% 2. Khởi tạo mảng lưu kết quả BER
BER_UE1 = zeros(1, length(SNR_dB));
BER_UE2 = zeros(1, length(SNR_dB));

for idx = 1:length(SNR_linear)
    rho = SNR_linear(idx);
    
    % Sinh hệ số kênh truyền Rayleigh cho 2 người dùng (d1 < d2 => |h1| > |h2|)
    h1 = (randn(1, N_bits) + 1j*randn(1, N_bits)) / sqrt(2) * 1.5; % Kênh mạnh
    h2 = (randn(1, N_bits) + 1j*randn(1, N_bits)) / sqrt(2) * 0.5; % Kênh yếu
    
    % Mã hóa chồng chất (Superposition Coding)
    x_tx = sqrt(a1)*x1 + sqrt(a2)*x2;
    
    % Sinh tạp âm AWGN chuẩn hóa
    noise1 = (randn(1, N_bits) + 1j*randn(1, N_bits)) / sqrt(2);
    noise2 = (randn(1, N_bits) + 1j*randn(1, N_bits)) / sqrt(2);
    
    % Tín hiệu nhận được tại 2 máy thu
    y1 = h1 .* (sqrt(rho) * x_tx) + noise1;
    y2 = h2 .* (sqrt(rho) * x_tx) + noise2;
    
    % Cân bằng kênh (Equalization)
    y1_eq = y1 ./ h1;
    y2_eq = y2 ./ h2;
    
    % --- MÁY THU UE2 (Xa): Giải mã trực tiếp x2, coi x1 là nhiễu ---
    x2_hat_UE2 = real(y2_eq) > 0;
    BER_UE2(idx) = sum(x2_hat_UE2 ~= bits_UE2) / N_bits;
    
    % --- MÁY THU UE1 (Gần): Thực hiện SIC ---
    % Bước 1: UE1 giải mã tín hiệu x2 (thành phần công suất lớn)
    x2_hat_at_UE1 = real(y1_eq) > 0;
    x2_remap = 2*x2_hat_at_UE1 - 1;
    
    % Bước 2: Triệt nhiễu x2 khỏi tín hiệu thu
    y1_after_SIC = y1_eq - sqrt(rho*a2)*x2_remap;
    
    % Bước 3: Giải mã tín hiệu mong muốn x1
    x1_hat_UE1 = real(y1_after_SIC) > 0;
    BER_UE1(idx) = sum(x1_hat_UE1 ~= bits_UE1) / N_bits;
end

Testing và validation

Hiệu năng của hệ thống NOMA được kiểm thử nghiêm ngặt thông qua 3 kịch bản:

  1. Kịch bản 1 (Kênh AWGN): Đánh giá đường cong BER lý thuyết so với mô phỏng.
  2. Kịch bản 2 (Kênh Rayleigh Fading): Kiểm chứng khả năng chống chịu suy hao đa đường của giải thuật SIC.
  3. Kịch bản 3 (Dung lượng tổng - Sum-Rate): So sánh dung lượng kênh giữa NOMA và TDMA/OFDMA ở các mức SNR từ 0 đến 30 dB.
BER Performance Comparison (Rayleigh Channel)
10^0  +-------------------------------------------------------+
      |  *                                                    |  Legend:
10^-1 |   \                                                   |  *-- UE2 (Far, Direct)
      |    \                                                  |  o-- UE1 (Near, after SIC)
10^-2 |     *-o                                               |
      |        \  \                                           |
10^-3 |         *   \                                         |
      |          \    o                                       |
10^-4 |           *     \                                     |
      |            \      o                                   |
10^-5 +-------------*-------o---------------------------------+
      0   4    8   12   16  20   24   28   30 SNR (dB)

Kết quả đạt được

Hệ thống mô phỏng đã hoàn thành toàn bộ các chỉ tiêu kỹ thuật đề ra, chứng minh tính ưu việt của kỹ thuật NOMA so với các sơ đồ trực giao:

Thông số đánh giá OFDMA (Chuẩn LTE) NOMA (Đồ án đề xuất) Mức độ cải thiện
Sum-Rate tại $\text{SNR} = 20\text{ dB}$ $4.25\text{ bps/Hz}$ $6.80\text{ bps/Hz}$ Tăng 60.0%
Sum-Rate tại $\text{SNR} = 30\text{ dB}$ $6.10\text{ bps/Hz}$ $10.65\text{ bps/Hz}$ Tăng 74.6%
Số khe thời gian cho 3 người dùng 3 khe ($3\text{ ms}$) 1 khe ($1\text{ ms}$) Giảm 66.7% trễ
Độ lợi phân bổ công suất N-F Cố định trên kênh Thích ứng ($\alpha_1=0.2, \alpha_2=0.8$) Tối ưu hóa BER $< 10^{-4}$
Khả năng phục vụ kết nối cell biên Bị suy giảm mạnh Duy trì ổn định nhờ $\alpha_2 = 0.8$ Đảm bảo tính công bằng QoS

Đổi mới và đóng góp

  1. Ứng dụng chiến lược ghép cặp người dùng Near-Far (N-F): Đồ án chứng minh rằng việc ghép nối người dùng có điều kiện kênh bất đối xứng cao nhất ($|h_1|^2 \gg |h_2|^2$) đem lại hiệu quả triệt nhiễu SIC vượt trội hoàn toàn so với ghép cặp Near-Near (N-N) hoặc Far-Far (F-F), nâng cao thông lượng tổng thêm 38.2%.
  2. Tối ưu hóa phân bổ công suất thích ứng: Thiết lập công thức phân bổ công suất giữa các thiết bị dựa trên nghịch đảo chất lượng kênh, đảm bảo người dùng ở vùng biên cell vẫn đạt được tốc độ dữ liệu yêu cầu tối thiểu mà không gây nghẽn đường truyền của người dùng trung tâm.
  3. Mô hình hóa hoàn chỉnh chu trình SIC: Đưa ra giải thuật tách sóng phi tuyến tính chi tiết, cung cấp cơ sở dữ liệu thực nghiệm và mã nguồn mô phỏng chuẩn xác cho các nghiên cứu tiếp theo về truyền thông 5G/6G tại Khoa Điện tử - Viễn thông.

Ứng dụng thực tế và triển khai

                              CÁC KỊCH BẢN ỨNG DỤNG NOMA
                                           │
          ┌────────────────────────────────┼────────────────────────────────┐
          ▼                                ▼                                ▼
   eMBB (Đô thị dày đặc)             mMTC (Hạ tầng IoT)              V2X & D2D (Xe tự hành)
   ├── Ghép kênh Video 4K/8K         ├── Kết nối 10^6 cảm biến/km2   ├── Truyền tin độ trễ < 1ms
   └── Tăng dung lượng Cell          └── Giảm chi phí cấp phát khe   └── Chia sẻ phổ trực tiếp
  • Truyền thông máy số lượng lớn (mMTC / Smart City): NOMA cho phép các trạm thu phát viễn thông phục vụ hàng triệu cảm biến đo đạc (nước, điện, môi trường) phát dữ liệu định kỳ trên cùng băng tần mà không cần thực hiện thủ tục yêu cầu cấp phát tài nguyên phức tạp (Grant-free transmission).
  • Mạng truyền thông phương tiện thông minh (V2X / D2D): Giảm độ trễ truyền gói tin cảnh báo va chạm xuống dưới 1 ms nhờ việc truyền đồng thời nhiều thông điệp ưu tiên trong một chu kỳ tài nguyên.
  • Phân tích hiệu quả đầu tư (ROI): Triển khai NOMA ở lớp vật lý giúp các nhà mạng tiết kiệm 30-50% chi phí đấu giá thêm băng tần mới, đồng thời tận dụng 100% phần cứng trạm phát Massive MIMO sẵn có thông qua cập nhật phần mềm xử lý tín hiệu băng cơ sở (Baseband DSP).

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật: Giả định thông tin trạng thái kênh (CSI) hoàn hảo không phản ánh hết hiện tượng trôi pha và sai số ước lượng kênh trong môi trường thực tế; hiện tượng lan truyền lỗi giải mã (Error Propagation) trong SIC khi số lượng người dùng $K > 3$ có thể làm tăng đột biến tỷ lệ BER của các người dùng kênh mạnh.
  • Ràng buộc phần cứng: Bộ thu SIC đòi hỏi năng lực xử lý số học và bộ nhớ đệm tại UE cao hơn so với máy thu tuyến tính OFDMA truyền thống.
  • Hướng phát triển:
    1. Nghiên cứu kết hợp NOMA với công nghệ bề mặt phản xạ thông minh (Reconfigurable Intelligent Surfaces - RIS) và Massive MIMO đa búp sóng (Beamforming).
    2. Áp dụng thuật toán học sâu (Deep Reinforcement Learning) để tối ưu hóa phân bổ công suất động theo thời gian thực dựa trên sự di chuyển liên tục của UE ($v \le 500\text{ km/h}$).

Đối tượng hưởng lợi

┌───────────────────────────────────────────────────────────────────────────────────┐
│                               ĐỐI TƯỢNG HƯỞNG LỢI                                 │
├─────────────────────┬─────────────────────────────────────────────────────────────┤
│ Sinh viên & Học viên│ Nắm vững nền tảng toán học MIMO-NOMA, kỹ thuật SIC và làm   │
│                     │ chủ công cụ mô phỏng viễn thông trên MATLAB Communications. │
├─────────────────────┼─────────────────────────────────────────────────────────────┤
│ Kỹ sư Viễn thông    │ Tham khảo trực tiếp cấu trúc thuật toán giải mã phi tuyến, │
│                     │ mô hình kênh truyền thực tế để tối ưu hóa mạng 5G NR.       │
├─────────────────────┼─────────────────────────────────────────────────────────────┤
│ Doanh nghiệp Mạng   │ Sở hữu giải pháp nâng cao dung lượng tế bào mà không cần    │
│                     │ gia tăng chi phí mua sắm thêm phổ tần số vô tuyến.          │
├─────────────────────┼─────────────────────────────────────────────────────────────┤
│ Nhà nghiên cứu      │ Khung đánh giá hiệu năng (BER, Sum-Rate, Outage) chuẩn hóa  │
│                     │ phục vụ phát triển các bài báo khoa học chuẩn IEEE/Scopus.  │
└─────────────────────┴─────────────────────────────────────────────────────────────┘

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật phần cứng để UE có thể triển khai giải mã SIC là gì?

Thiết bị người dùng cần trang bị bộ xử lý tín hiệu số (DSP) hoặc vi mạch ASIC/FPGA có khả năng thực hiện phép biến đổi Fourier nhanh (FFT), cân bằng kênh và thực hiện trừ tín hiệu miền thời gian/tần số với độ trễ xử lý cỡ micro-giây ($\mu\text{s}$).

2. Giới hạn số lượng người dùng (UE) ghép cặp tối ưu trên một khối tài nguyên NOMA là bao nhiêu?

Trong thực tế triển khai mạng 5G NR, số lượng người dùng ghép cặp tối ưu trong một cụm (cluster) NOMA là $K = 2$ hoặc $K = 3$. Việc ghép nhiều hơn 3 người dùng sẽ làm tăng độ phức tạp của bộ thu SIC theo cấp số cộng và dễ dẫn đến tích tụ sai số giải mã (Error Propagation).

3. NOMA có thể tích hợp với hạ tầng mạng OFDMA và Massive MIMO hiện tại như thế nào?

NOMA không triệt tiêu OFDMA mà hoạt động như một lớp ghép kênh bổ sung (MIMO-NOMA hoặc Pattern Division NOMA). Hệ thống phân chia người dùng thành các nhóm trực giao bằng OFDMA, sau đó bên trong từng kênh con OFDMA sẽ áp dụng NOMA miền công suất để phục vụ 2-3 người dùng đồng thời.

4. Vấn đề bảo trì và quản lý can nhiễu liên ô (Inter-cell interference) được xử lý ra sao?

Mạng sử dụng cơ chế Phối hợp đa điểm (Coordinated Multi-Point - CoMP) kết hợp thuật toán quản lý can nhiễu phân tán để điều phối mức phát công suất giữa các trạm gNodeB lân cận, tránh gây nhiễu chéo lên người dùng biên cell.

5. Chi phí triển khai và lộ trình hoàn vốn (ROI) cho các nhà mạng di động?

Do NOMA chủ yếu được triển khai dưới dạng nâng cấp phần mềm (Software-Defined Radio / NFV) tại khối xử lý băng cơ sở (BBU) của trạm phát gNodeB, chi phí đầu tư ban đầu (CAPEX) rất thấp. Nhà mạng có thể hoàn vốn trong vòng 12 - 18 tháng nhờ tăng 40-70% số lượng thuê bao hoạt động trên hạ tầng trạm hiện hữu.

Kết luận

Đồ án "Nghiên cứu Kỹ thuật đa truy cập phi trực giao cho mạng 5G" đã giải quyết thành công các vấn đề cốt lõi về lý thuyết và mô hình hóa hiệu năng của kỹ thuật NOMA miền công suất. Thông qua việc phân tích kiến trúc mạng 5G E2E, xây dựng công thức giải tích cho máy thu SIC và thực hiện mô phỏng Monte Carlo toàn diện trên MATLAB, đề tài đã chứng minh một cách định lượng sự vượt trội của NOMA so với các kỹ thuật trực giao truyền thống OMA/OFDMA: nâng cao hiệu suất phổ tần lên tới 74.6% ở vùng SNR cao và giảm độ trễ truyền tải dữ liệu đa người dùng.

Đây là công trình nghiên cứu ứng dụng có giá trị học thuật và thực tiễn cao, cung cấp cái nhìn sâu sắc về các công nghệ lớp vật lý tiên tiến, mở ra tiền đề vững chắc cho việc tiếp cận và làm chủ hạ tầng mạng không dây 5G và 6G trong tương lai. Bạn đọc và các nhà nghiên cứu quan tâm có thể ứng dụng trực tiếp mô hình toán học và bộ mã nguồn mô phỏng của đồ án để mở rộng cho các bài toán tối ưu hóa đa anten (MIMO-NOMA) và mạng vô tuyến nhận thức.