Tổng quan nghiên cứu

Sự bùng nổ của các thiết bị thông minh và Internet vạn vật (IoT) đã thúc đẩy mạng thông tin di động thế hệ thứ 5 (5G) phát triển mạnh mẽ nhằm đáp ứng hơn 8 tỷ kết nối trên toàn cầu. Để giải quyết nhu cầu lưu lượng dữ liệu tăng đột biến từ 600 đến 2.500 lần so với các thế hệ trước, mạng 5G đòi hỏi sự kết hợp đồng thời của nhiều công nghệ: nâng cao hiệu suất băng tần từ 3 đến 5 lần, mở rộng phổ tần số từ 5 đến 10 lần và gia tăng mật độ trạm phát sóng từ 40 đến 50 lần. Tuy nhiên, sự gia tăng này khiến mức độ tự do (Degrees of Freedom - DoF) của hệ thống tăng gấp 20 đến 30 lần, đồng thời mật độ DoF trên mỗi kilomet vuông tăng vọt gấp 100 lần (tương đương 2 bậc độ lớn), tạo ra thách thức nghiêm trọng trong việc quản lý và tối ưu hóa tài nguyên vô tuyến.

Vấn đề cốt lõi của nghiên cứu là giải quyết bài toán nghẽn mạng và suy giảm chất lượng dịch vụ (QoS) trong mô hình mạng không đồng nhất (HetNets) nhiều người thuê (Multi-tenant). Đề tài tập trung nghiên cứu, thiết kế và đánh giá thuật toán điều khiển chấp nhận dịch vụ (Admission Control - AC) tự tổ chức, ứng dụng trí tuệ nhân tạo (AI) trong khuôn khổ mạng tự tổ chức (SON) giai đoạn 2019. Nghiên cứu hướng đến mục tiêu kép: tối ưu hóa việc sử dụng khối tài nguyên vô tuyến (Resource Block - RB) và giảm thiểu chi phí vận hành (OPEX), chi phí đầu tư (CAPEX). Thông qua việc thiết lập cơ chế chia sẻ tài nguyên linh hoạt, nghiên cứu chứng minh khả năng giảm xác suất chặn cuộc gọi tới 70% và tăng tốc độ bit tổng hợp thêm 106% trong các kịch bản lưu lượng bất đối xứng, mang lại giá trị thực tiễn cao cho các nhà mạng di động.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng tiêu chuẩn mạng tự tổ chức (SON) do tổ chức 3GPP chuẩn hóa, tích hợp 3 chức năng tự vận hành chính: tự cấu hình (Self-configuration), tự tối ưu hóa (Self-optimization) và tự phục hồi (Self-healing). Trong mạng HetNets đa người thuê, 2 kiến trúc chia sẻ mạng lõi được phân tích chuyên sâu gồm: Mạng lõi đa nhà vận hành (MOCN) kết nối trực tiếp mạng truy cập vô tuyến (RAN) dùng chung tới từng mạng lõi riêng biệt, và Mạng lõi theo cổng (GWCN) sử dụng chung một cổng mạng lõi nhằm tối ưu chi phí đầu tư.

Khung lý thuyết điều khiển chấp nhận dịch vụ (AC) dựa trên việc phân bổ khối tài nguyên vật lý (RB) và kiểm soát thỏa thuận mức dịch vụ (SLA) thông qua chỉ số tốc độ bit được đảm bảo tổng hợp theo kịch bản (SAGBR). Thuật toán kiểm soát đầu vào tích hợp 2 điều kiện kiểm tra nghiêm ngặt: kiểm tra dung lượng tổng tại cấp độ tế bào với ngưỡng kích hoạt và kiểm tra tỷ lệ dung lượng danh nghĩa $C(s)$ kết hợp biến dung lượng động $\Delta C(s,n)$. Mô hình toán học mở rộng kết hợp quy trình quyết định Markov (MDP) với kỹ thuật học tăng cường (Reinforcement Learning) và hệ thống suy luận mờ thích nghi (ANFIS/FIS) dựa trên mô hình Takagi-Sugeno, cho phép hệ thống tự học chính sách điều khiển tối ưu $\pi(s)$ mà không cần mô hình xác suất chuyển trạng thái tiền định.

Phương pháp nghiên cứu

Nghiên cứu áp dụng phương pháp kết hợp phân tích lý thuyết giải tích và mô phỏng thực nghiệm trên nền tảng phần mềm MATLAB. Cỡ mẫu mô phỏng thiết lập trong môi trường vi mô đô thị ngoài trời (Urban Micro-cell) gồm 2 tế bào ($N = 2$) sử dụng băng tần 2.6 GHz với độ rộng băng thông 10 MHz tương đương 50 khối tài nguyên (RB) trên mỗi cell. Khoảng cách giữa các trạm phát sóng (Inter-Site Distance) cố định ở mức 200 m, độ lợi ăng-ten trạm gốc đạt 5 dB, độ lệch chuẩn fading bóng râm (shadowing) là 3 dB đối với tầm nhìn thẳng (LOS) và 4 dB đối với tầm nhìn bị che chắn (NLOS), công suất phát 24 dBm trên mỗi RB và mức nhiễu thiết bị người dùng là 9 dB.

Phương pháp chọn mẫu lưu lượng tuân theo tiến trình ngẫu nhiên Poisson với các mức tỷ lệ đến phiên $\lambda$ khác nhau, thời lượng phiên dịch vụ trung bình 30 giây và tốc độ bit yêu cầu $R_{req}$ cố định ở mức 1024 kb/s. Dung lượng SLA được phân bổ cụ thể: Tenant 1 (T1) đạt SAGBR = 25 Mb/s (tương ứng 40% dung lượng danh nghĩa), Tenant 2 (T2) đạt SAGBR = 37 Mb/s (tương ứng 60% dung lượng danh nghĩa), trên tổng công suất ước tính mỗi cell khoảng 31 Mb/s. Nghiên cứu lựa chọn kỹ thuật phân cụm trừ (Subtractive Clustering) với bán kính ảnh hưởng cụm 0.65 để trích xuất tập mờ và áp dụng giải thuật Fuzzy Q-Learning (FQL) nhằm khắc phục hiện tượng bùng nổ không gian trạng thái liên tục trong môi trường vô tuyến động.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Thuật toán điều khiển chấp nhận dịch vụ tự tổ chức đề xuất mang lại những cải thiện vượt trội về hiệu năng mạng so với phương pháp tham chiếu truyền thống ($\Delta C(s,n) = 0$):

  • Tối ưu hóa dung lượng khả dụng bất đối xứng: Khi tải cung cấp của đối tượng thuê T2 giảm xuống 0 Mb/s, thuật toán cho phép T1 tận dụng công suất nhàn rỗi, giúp tốc độ bit tổng hợp của T1 tăng vọt lên tới 106%. Ngược lại, khi tải của T1 bằng 0 Mb/s, tốc độ bit tổng hợp của T2 tăng thêm 43% so với mức cơ sở.
  • Hiệu quả vượt trội trong kịch bản hỗn hợp lưu lượng A: Trong điều kiện tải T1 ở mức cao và tải T2 ở mức thấp tại cả 2 cell, T1 đạt mức tăng trưởng 33% về tốc độ bit tổng hợp. Đồng thời, xác suất chặn yêu cầu dịch vụ của T1 giảm rõ rệt, trong khi xác suất chặn của T2 chỉ suy giảm nhẹ dưới 2%, đảm bảo tính công bằng tổng thể.
  • Giải quyết triệt để tình trạng lệch tải không gian trong hỗn hợp lưu lượng B: Khi tổng tải của 2 bên thuê đạt mức kế hoạch nhưng phân bố không đều giữa 2 cell, biến điều chỉnh dung lượng $\Delta C(s,n)$ giúp tốc độ bit tổng hợp tăng 18% đối với T1 và 8% đối với T2. Đặc biệt, xác suất chặn cuộc gọi giảm mạnh 70% đối với T1 và 64% đối với T2 trên toàn mạng.
  • Độ chính xác cao của mô hình học máy ANFIS: Việc áp dụng kỹ thuật phân cụm trừ 10 cụm dữ liệu giúp mô hình học có giám sát ANFIS đạt độ chính xác dự đoán trên 99% đối với các giá trị dung lượng vượt mức chưa từng xuất hiện trong tập huấn luyện.

Thảo luận kết quả

Kết quả nghiên cứu khẳng định tính ưu việt của cơ chế điều khiển chấp nhận dịch vụ thông minh dựa trên việc khai thác biến thành phần $\Delta C(s,n) = \Delta C_e(s,n) + \Delta C_b(s,n)$, trong đó $\Delta C_e$ đại diện cho phần dung lượng dôi dư từ người thuê khác và $\Delta C_b$ đảm bảo sự cân bằng tải giữa các cell lân cận. Trong các biểu đồ trực quan hóa dữ liệu mô phỏng, đường đặc tính tốc độ bit tổng hợp theo tải cung cấp phản ánh rõ sự phân tách hiệu năng: khi tải T2 thấp hơn ngưỡng kế hoạch 24.6 Mb/s, T1 lập tức bứt phá về lưu lượng; khi tải T2 vượt ngưỡng 37 Mb/s, hệ thống tự động đưa tỷ lệ phân bổ về đúng tỷ lệ danh nghĩa 40/60 nhằm bảo vệ cam kết SLA.

+-----------------------------------------------------------------------------+
| BẢNG SO SÁNH HIỆU NĂNG THUẬT TOÁN ĐỀ XUẤT VỚI MÔ HÌNH THAM CHIẾU (ΔC = 0)  |
+----------------------+--------------------+---------------------------------+
| Chỉ số đánh giá      | Lưu lượng hỗn hợp A| Lưu lượng hỗn hợp B (Lệch cell) |
+----------------------+--------------------+---------------------------------+
| Tăng tốc độ bit T1   | +33%               | +18%                            |
| Tăng tốc độ bit T2   | Duy trì ổn định    | +8%                             |
| Giảm xác suất chặn T1| Giảm mạnh          | Giảm 70%                        |
| Giảm xác suất chặn T2| Tăng nhẹ (<2%)     | Giảm 64%                        |
| Độ chính xác ANFIS   | >99%               | >99%                            |
+----------------------+--------------------+---------------------------------+

Biểu đồ tiến hóa giá trị $Q$ qua 500 chu kỳ lặp (epochs) chứng minh thuật toán Fuzzy Q-Learning có khả năng hội tụ ổn định, chuyển hóa trơn tru từ giai đoạn thăm dò (Exploration) với hệ số tham lam ban đầu sang giai đoạn khai thác triệt để (Exploitation). So với các nghiên cứu sử dụng ngưỡng AC cố định, giải pháp kết hợp ANFIS và FQL giúp triệt tiêu hoàn toàn độ trễ điều khiển và giải quyết bài toán phức tạp của không gian trạng thái liên tục trong mạng 5G HetNets.

Đề xuất và khuyến nghị

Dựa trên các kết luận thực nghiệm, nghiên cứu đề xuất 4 giải pháp ứng dụng mang tính thực thi cao cho hạ tầng viễn thông di động:

  1. Tích hợp module Fuzzy Q-Learning vào trạm phát sóng gNodeB/eNodeB: Các nhà khai thác mạng di động (MNO) như MobiFone, Viettel, VNPT cần lập trình nhúng thuật toán FQL vào phần mềm điều khiển vô tuyến tại trạm gốc. Mục tiêu giảm 25% đến 30% chi phí vận hành (OPEX) và duy trì xác suất chặn dịch vụ dưới 5% trong giai đoạn thử nghiệm thương mại 5G lộ trình 6 đến 12 tháng.
  2. Chuẩn hóa cơ chế chia sẻ tài nguyên động đa nhà mạng (MOCN): Đơn vị quản lý hạ tầng vô tuyến cần thiết lập hợp đồng SLA linh hoạt, cho phép tái phân bổ khối tài nguyên RB thời gian thực giữa các bên thuê. Mục tiêu nâng cao 15% đến 20% hiệu suất sử dụng phổ tần tại các khu vực tập trung đông người, thực hiện điều chỉnh chính sách định kỳ 3 tháng một lần.
  3. Áp dụng mô hình lai ANFIS ngoại tuyến kết hợp FQL trực tuyến: Bộ phận kỹ thuật R&D nên huấn luyện trước mô hình ANFIS bằng dữ liệu lớn lịch sử để xác định không gian tham số ban đầu, sau đó để FQL tự tối ưu hóa trực tuyến. Giải pháp này giúp rút ngắn thời gian hội tụ thuật toán xuống dưới 100 chu kỳ lặp, triển khai ngay trong giai đoạn nâng cấp phần mềm mạng lưới.
  4. Thiết lập hệ thống giám sát thời gian thực các chỉ số KPI chất lượng dịch vụ: Trung tâm điều hành mạng (OMC) cần tự động hóa việc thu thập dữ liệu tải đường truyền và tỷ lệ rớt cuộc gọi 24/7. Mục tiêu duy trì độ trễ truyền dẫn dưới 10 ms và tỷ lệ gián đoạn dịch vụ dưới 0.1%, đảm bảo trải nghiệm người dùng liền mạch.

Đối tượng nên tham khảo luận văn

Nội dung và kết quả của luận văn mang lại giá trị thiết thực cho 4 nhóm đối tượng chuyên môn:

  • Kỹ sư tối ưu hóa mạng vô tuyến (Radio Network Optimization Engineers): Sử dụng luận văn làm tài liệu hướng dẫn chuyên sâu để cấu hình tham số kiểm soát nhập cell, cân bằng tải giữa các trạm 5G nhỏ (Small Cells) và tối ưu hóa phân bổ khối tài nguyên vô tuyến (50 RB).
  • Nhà quản lý và vận hành mạng viễn thông (MNOs & Infrastructure Providers): Tham khảo mô hình chia sẻ hạ tầng đa người thuê (Multi-tenant MOCN/GWCN) nhằm tính toán bài toán kinh tế, cắt giảm chi phí vốn CAPEX và chi phí vận hành OPEX trong quá trình thương mại hóa 5G.
  • Học viên sau đại học và nhà nghiên cứu công nghệ thông tin/viễn thông: Kế thừa phương pháp kết hợp hệ mờ thích nghi (ANFIS) và học tăng cường (Q-Learning) để mở rộng nghiên cứu bài toán phân chia lát cắt mạng (Network Slicing) và điều khiển QoS.
  • Chuyên viên hoạch định chính sách và tiêu chuẩn hóa viễn thông: Sử dụng các dẫn chứng định lượng về thỏa thuận mức dịch vụ (SLA) và chỉ số SAGBR để xây dựng khung pháp lý, quy chuẩn kỹ thuật cho việc dùng chung cơ sở hạ tầng mạng di động thế hệ mới.

Câu hỏi thường gặp

Điều khiển chấp nhận dịch vụ (Admission Control - AC) trong mạng 5G có vai trò gì?
AC là cơ chế kiểm soát đầu vào tại lớp mạng vô tuyến, quyết định chấp nhận hoặc từ chối yêu cầu thiết lập luồng dữ liệu (RAB/E-RAB) mới. Cơ chế này đảm bảo duy trì tốc độ truyền dẫn 1024 kb/s cho các kết nối hiện hữu mà không làm quá tải 50 khối tài nguyên của trạm phát sóng.

Tại sao cần kết hợp Logic mờ (Fuzzy Logic) với giải thuật Q-Learning trong mạng HetNets?
Q-Learning truyền thống gặp trở ngại lớn khi không gian trạng thái vô tuyến chuyển động liên tục. Logic mờ đóng vai trò làm mờ các biến đầu vào liên tục thành các tập mờ ngôn ngữ, giúp thuật toán FQL hội tụ nhanh chóng, giảm số lượng biến điều khiển từ hàng ngàn trạng thái xuống còn 10 quy tắc mờ chính.

Thuật toán đề xuất cải thiện hiệu năng cho người thuê mạng (Tenant) như thế nào?
Thuật toán bổ sung tham số chia sẻ động $\Delta C(s,n)$, cho phép bên thuê tận dụng dung lượng chưa dùng của đối tác. Thực nghiệm chứng minh tốc độ bit của Tenant 1 tăng 33% trong kịch bản lệch tải và xác suất chặn dịch vụ toàn mạng giảm tới 70%.

Mô hình MOCN và GWCN khác nhau như thế nào trong chia sẻ hạ tầng 5G?
MOCN kết nối trực tiếp mạng truy cập vô tuyến dùng chung tới từng mạng lõi độc lập của mỗi nhà mạng, mang lại tính linh hoạt cao và khả năng cá nhân hóa dịch vụ. Ngược lại, GWCN dùng chung cả cổng mạng lõi giúp tiết kiệm chi phí đầu tư nhưng giảm bớt quyền kiểm soát riêng biệt.

Hệ thống suy luận mờ ANFIS giải quyết khâu nào trong quy trình tự tối ưu?
ANFIS sử dụng kỹ thuật phân cụm trừ với bán kính 0.65 để học có giám sát mối quan hệ giữa 4 biến tải đầu vào và thông số bù dung lượng $\Delta C(s,n)$, đạt độ chính xác dự đoán trên 99%, tạo dữ liệu tiền đề vững chắc cho khâu tối ưu hóa FQL trực tuyến.

Kết luận

  • Luận văn đã giải quyết thành công bài toán tối ưu hóa điều khiển chấp nhận dịch vụ (AC) cho mạng 5G HetNets đa người thuê bằng trí tuệ nhân tạo.
  • Mô hình chia sẻ tài nguyên động $\Delta C(s,n)$ giúp tăng tốc độ bit tổng hợp lên tới 106% và giảm xác suất nghẽn dịch vụ tới 70%.
  • Kỹ thuật ANFIS phân cụm trừ đạt độ chính xác trên 99%, hỗ trợ giải thuật Fuzzy Q-Learning hội tụ ổn định qua 500 chu kỳ mô phỏng.
  • Nghiên cứu cung cấp cơ sở lý thuyết và giải pháp kỹ thuật hoàn chỉnh giúp các nhà mạng tối ưu hóa chi phí OPEX/CAPEX và nâng cao chỉ số KPI.
  • Hướng phát triển tiếp theo bao gồm việc tích hợp công nghệ phân chia lát cắt mạng (Network Slicing) và mở rộng thử nghiệm trên phần cứng vô tuyến SDR thực tế trong lộ trình 12 tháng tới.

Hãy liên hệ ngay với các chuyên gia kỹ thuật vô tuyến hoặc truy cập cơ sở dữ liệu học thuật của Học viện Công nghệ Bưu chính Viễn thông để khai thác toàn văn công trình nghiên cứu giá trị này!