Luận văn thạc sĩ về điều khiển chấp nhận dịch vụ trong mạng 5G

Phân tích toàn diện điều khiển chấp nhận dịch vụ trong mạng 5G, đề xuất mô hình mới, nâng cao hiệu quả ứng dụng trong chuyên ngành

• Tác giả: Phan Hoàng Tiến
• Người hướng dẫn: TS. Nguyễn Văn Thủy
• Trường học: Học viện Công nghệ Bưu chính Viễn thông
• Chuyên ngành: Hệ thống thông tin
• Đề tài: Khảo sát điều khiển chấp nhận dịch vụ trong mạng 5G
• Loại tài liệu: luận văn thạc sĩ kỹ thuật
• Năm xuất bản: 2019
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: CƠ SỞ LÝ LUẬN
• 1.1. Hệ thống mạng tự tổ chức SON
• 1.2. Các chức năng tự làm việc
• 1.3. Kỹ thuật trí thông minh nhân tạo cho mạng HetNet
• 1.4. Thuật toán lấy cảm hứng từ sinh học
• 1.5. Kết luận chương
• 2. CHƯƠNG 2: PHƯƠNG PHÁP CHẤP NHẬN DỊCH VỤ TRONG MẠNG 5G
• 2.1. Điều khiển dịch vụ cho các mạng truy cập vô tuyến
• 2.2. Kiểm soát điều khiển nhập cell nhiều người dùng
• 2.3. Kết quả thuật toán
• 2.4. Đánh giá hiệu quả. Điều khiển chấp nhận dịch vụ trong mạng 5G
• 2.5. Học tập được giám sát
• 2.6. Học tập không được giám sát (Fuzzy Q-learning)
• 2.7. Kết luận chương
• 3. CHƯƠNG 3: ĐÁNH GIÁ, CÀI ĐẶT, THỬ NGHIỆM
• 3.1. Cài đặt MatLab
• 3.2. Mô phỏng giả lập mạng
• 3.3. Thuật toán Fuzzy Q-Learning
• 3.4. Kết luận chương
• DANH MỤC TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giới thiệu về mạng 5G

Mạng 5G được xem là thế hệ tiếp theo của hệ thống thông tin di động, với khả năng cung cấp tốc độ truyền tải dữ liệu cao hơn, độ trễ thấp hơn và khả năng kết nối nhiều thiết bị hơn so với các thế hệ trước. Mạng 5G không chỉ đơn thuần là một nâng cấp về tốc độ mà còn là một bước tiến lớn trong việc tối ưu hóa chất lượng dịch vụ (QoS) cho người dùng. Theo dự báo, mạng 5G sẽ hỗ trợ hàng tỷ thiết bị kết nối, từ điện thoại thông minh đến các thiết bị IoT, tạo ra một hệ sinh thái kết nối thông minh. Việc áp dụng các công nghệ như công nghệ không dây, công nghệ khổng dây và mạng di động sẽ giúp cải thiện hiệu suất mạng, đồng thời giảm thiểu chi phí hoạt động cho các nhà cung cấp dịch vụ. Mạng 5G cũng được thiết kế để hỗ trợ các ứng dụng mới như xe tự lái, thực tế ảo và các dịch vụ y tế từ xa, mở ra nhiều cơ hội cho các ngành công nghiệp khác nhau.

II. Điều khiển chấp nhận dịch vụ trong mạng 5G

Điều khiển chấp nhận dịch vụ là một yếu tố quan trọng trong việc quản lý tài nguyên mạng trong mạng 5G. Việc này đảm bảo rằng các yêu cầu dịch vụ được xử lý một cách hiệu quả, từ đó nâng cao chất lượng dịch vụ (QoS) cho người dùng. Các thuật toán điều khiển chấp nhận dịch vụ cần phải linh hoạt và có khả năng thích ứng với các điều kiện mạng thay đổi liên tục. Việc áp dụng các kỹ thuật như học máy và trí tuệ nhân tạo trong điều khiển chấp nhận dịch vụ giúp tối ưu hóa việc phân bổ tài nguyên, giảm thiểu độ trễ và tăng cường hiệu suất mạng. Các nghiên cứu hiện tại đang tập trung vào việc phát triển các mô hình điều khiển thông minh, cho phép mạng tự động điều chỉnh và tối ưu hóa các tham số hoạt động dựa trên tình hình thực tế.

III. Chất lượng dịch vụ QoS trong mạng 5G

Chất lượng dịch vụ (QoS) là một trong những yếu tố quyết định sự thành công của mạng 5G. QoS không chỉ liên quan đến tốc độ truyền tải mà còn bao gồm độ tin cậy, độ trễ và khả năng phục vụ đồng thời nhiều người dùng. Để đảm bảo QoS, các nhà cung cấp dịch vụ cần triển khai các giải pháp quản lý băng thông hiệu quả, đồng thời áp dụng các công nghệ như mạng thông minh và công nghệ không dây. Việc tối ưu hóa QoS trong mạng 5G không chỉ giúp nâng cao trải nghiệm người dùng mà còn tạo ra giá trị kinh tế cho các nhà cung cấp dịch vụ. Các chỉ số hiệu suất chính (KPI) cần được theo dõi và đánh giá thường xuyên để đảm bảo rằng mạng hoạt động ở mức tối ưu.

IV. Tối ưu hóa mạng 5G

Tối ưu hóa mạng 5G là một quá trình liên tục nhằm cải thiện hiệu suất và khả năng phục vụ của mạng. Các kỹ thuật tối ưu hóa bao gồm việc sử dụng các thuật toán thông minh để phân bổ tài nguyên một cách hiệu quả, giảm thiểu độ trễ và tăng cường khả năng phục vụ đồng thời. Việc áp dụng công nghệ khổng dây và mạng di động trong tối ưu hóa mạng 5G giúp cải thiện khả năng mở rộng và tính linh hoạt của mạng. Các nghiên cứu hiện tại đang tập trung vào việc phát triển các mô hình tối ưu hóa dựa trên dữ liệu lớn, cho phép mạng tự động điều chỉnh các tham số hoạt động dựa trên tình hình thực tế.

V. Ứng dụng của mạng 5G

Mạng 5G mở ra nhiều cơ hội ứng dụng mới trong các lĩnh vực khác nhau như y tế, giao thông, và công nghiệp. Các ứng dụng như xe tự lái, thực tế ảo và các dịch vụ y tế từ xa đều cần đến tốc độ truyền tải cao và độ trễ thấp mà mạng 5G cung cấp. Việc triển khai mạng thông minh và công nghệ không dây trong các ứng dụng này không chỉ giúp nâng cao hiệu suất mà còn tạo ra giá trị kinh tế lớn cho các nhà cung cấp dịch vụ. Các nghiên cứu hiện tại đang tập trung vào việc phát triển các ứng dụng mới dựa trên mạng 5G, nhằm tận dụng tối đa tiềm năng của công nghệ này.

Nội dung chính

Tổng quan nghiên cứu

Mạng 5G được kỳ vọng sẽ phục vụ khoảng 8 tỷ lượt sử dụng trên toàn cầu vào năm 2020, đánh dấu bước tiến vượt bậc so với các thế hệ mạng trước đó. Sự phát triển nhanh chóng của các thiết bị thông minh và Internet vạn vật (IoT) đã thúc đẩy nhu cầu về mạng không dây có hiệu năng cao, kết nối liền mạch và chi phí dịch vụ thấp. Tuy nhiên, mạng 5G cũng đặt ra nhiều thách thức về quản lý tài nguyên, tối ưu hóa hiệu suất và đảm bảo chất lượng dịch vụ (QoS) trong môi trường mạng không đồng nhất (HetNets) với mật độ trạm gốc tăng cao và độ phức tạp lớn.

Luận văn tập trung khảo sát và phát triển các kỹ thuật điều khiển chấp nhận dịch vụ (Admission Control - AC) trong mạng 5G, nhằm nâng cao hiệu năng mạng thông qua các thuật toán tự tối ưu dựa trên trí tuệ nhân tạo (AI). Phạm vi nghiên cứu giới hạn trong môi trường mô phỏng, tập trung vào hệ thống mạng tự tổ chức (Self-Organizing Networks - SON) và ứng dụng các thuật toán học máy như Fuzzy Q-Learning để điều khiển AC trong mạng 5G nhiều người dùng.

Mục tiêu cụ thể của nghiên cứu là phân tích lý thuyết về SON và AI trong HetNets, đề xuất thuật toán AC tự tổ chức phù hợp, đánh giá hiệu quả thuật toán qua mô phỏng và đề xuất các giải pháp ứng dụng thực tiễn. Nghiên cứu có ý nghĩa quan trọng trong việc giảm chi phí vận hành (OPEX), chi tiêu vốn (CAPEX), đồng thời cải thiện các chỉ số hiệu suất mạng (KPIs) như tốc độ bit tổng hợp, xác suất chặn và chất lượng dịch vụ cho người dùng cuối.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai khung lý thuyết chính:

1. Mạng tự tổ chức (SON): SON là công nghệ tự động hóa giúp lập kế hoạch, cấu hình, quản lý và tối ưu hóa mạng truy cập vô tuyến một cách nhanh chóng và hiệu quả. SON giảm thiểu sự can thiệp của con người, giảm chi phí vận hành và tăng khả năng thích ứng với môi trường mạng phức tạp. Các chức năng chính của SON bao gồm tự cấu hình, tự tối ưu hóa và tự phục hồi, được chuẩn hóa bởi 3GPP.

2. Kỹ thuật trí tuệ nhân tạo (AI) trong HetNets: AI được ứng dụng để xử lý các vấn đề phức tạp trong mạng không đồng nhất, bao gồm học máy (Machine Learning - ML), thuật toán lấy cảm hứng từ sinh học (Genetic Algorithm - GA), và hệ thống suy luận mờ (Fuzzy Inference System - FIS). Trong đó, thuật toán học tăng cường mờ (Fuzzy Q-Learning - FQL) được lựa chọn để phát triển thuật toán AC tự tổ chức, giúp tối ưu hóa việc phân bổ tài nguyên vô tuyến và giảm xác suất chặn dịch vụ.

Các khái niệm chuyên ngành quan trọng bao gồm:

• DoF (Degrees of Freedom): số lượng tham số có thể điều chỉnh trong mạng.
• HetNets (Heterogeneous Networks): mạng không đồng nhất với nhiều công nghệ truy cập vô tuyến khác nhau.
• Admission Control (AC): kiểm soát việc chấp nhận hoặc từ chối các yêu cầu dịch vụ mới dựa trên tài nguyên hiện có.
• SLA (Service Level Agreement): thỏa thuận mức độ dịch vụ giữa nhà cung cấp hạ tầng và người dùng.
• RB (Resource Block): khối tài nguyên vô tuyến vật lý trong mạng LTE/5G.
• KPI (Key Performance Indicator): chỉ số hiệu suất quan trọng của mạng.

Phương pháp nghiên cứu

Nghiên cứu kết hợp phương pháp lý thuyết và thực nghiệm mô phỏng.

• Nguồn dữ liệu: Dữ liệu mô phỏng được tạo ra trong môi trường giả lập mạng LTE/5G với các thông số thực tế như tần số 2.6 GHz, công suất truyền 24 dBm trên mỗi RB, số lượng RB mỗi cell là 50, khoảng cách giữa các trạm 200 m, và các mô hình lưu lượng Poisson với các mức tải khác nhau.
• Phương pháp phân tích: Thuật toán Fuzzy Q-Learning được phát triển để tự động điều chỉnh tham số ∆C(s,n) trong thuật toán AC đa bên thuê, nhằm tối ưu hóa việc phân bổ tài nguyên RB giữa các tenant. Hệ thống suy luận mờ ANFIS được sử dụng để học có giám sát nhằm khai thác kiến thức về ∆C(s,n) từ dữ liệu mô phỏng.
• Timeline nghiên cứu: Quá trình nghiên cứu bao gồm giai đoạn thu thập và phân tích lý thuyết (3 tháng), phát triển thuật toán và mô phỏng (6 tháng), đánh giá kết quả và hoàn thiện luận văn (3 tháng).

Cỡ mẫu mô phỏng gồm 2 ô mạng với 2 tenant, tổng số RB mỗi ô là 50, tải trọng được điều chỉnh theo các kịch bản khác nhau để đánh giá hiệu quả thuật toán.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả sử dụng tài nguyên RB được cải thiện rõ rệt: Thuật toán AC đa bên thuê với tham số ∆C(s,n) được tối ưu hóa giúp tăng tốc độ bit tổng hợp của tenant 1 lên đến 106% khi tải tenant 2 thấp, và ngược lại. Khi tải tenant 2 tăng lên, tốc độ bit của tenant 1 vẫn duy trì hiệu quả cao, chứng tỏ thuật toán tận dụng tốt công suất chưa sử dụng của các tenant khác.

2. Giảm đáng kể xác suất chặn dịch vụ: Trong kịch bản lưu lượng hỗn hợp B, xác suất chặn của tenant 1 giảm 70% và tenant 2 giảm 64% so với trường hợp tham chiếu không tối ưu ∆C(s,n) = 0. Điều này cho thấy thuật toán AC tự tổ chức giúp nâng cao chất lượng dịch vụ và khả năng đáp ứng yêu cầu kết nối mới.

3. Khả năng cân bằng tải và phân bổ công suất hiệu quả: Thuật toán cho phép phân bổ công suất vượt trội ∆C(s,n) giữa các tenant dựa trên trạng thái tải thực tế, giúp cân bằng tài nguyên giữa các ô mạng và tenant khác nhau, tăng hiệu quả sử dụng tổng thể.

4. Học máy giúp rút ngắn thời gian hội tụ và nâng cao độ chính xác: Hệ thống ANFIS trong học có giám sát đạt độ chính xác trên 99% trong việc dự đoán ∆C(s,n) dựa trên tải trọng đầu vào, hỗ trợ quá trình học không giám sát Fuzzy Q-Learning đạt chính sách tối ưu nhanh hơn.

Thảo luận kết quả

Kết quả mô phỏng cho thấy việc ứng dụng thuật toán AC dựa trên Fuzzy Q-Learning trong mạng 5G nhiều người dùng giúp tối ưu hóa việc phân bổ tài nguyên vô tuyến, giảm xác suất chặn và nâng cao tốc độ bit tổng hợp. Điều này phù hợp với các nghiên cứu trước đây về ứng dụng học tăng cường trong mạng tự tổ chức, đồng thời khẳng định tính khả thi của AI trong quản lý mạng HetNets phức tạp.

Biểu đồ tốc độ bit tổng hợp và xác suất chặn theo từng tenant trong các kịch bản tải khác nhau minh họa rõ sự cải thiện hiệu suất khi áp dụng thuật toán đề xuất. Bảng so sánh các chỉ số KPI giữa thuật toán AC truyền thống và AC tự tổ chức cũng cho thấy sự vượt trội về hiệu quả sử dụng tài nguyên và chất lượng dịch vụ.

Nguyên nhân chính của sự cải thiện là khả năng tự học và điều chỉnh tham số ∆C(s,n) theo trạng thái mạng thực tế, giúp tận dụng tối đa công suất chưa sử dụng và cân bằng tải giữa các tenant. So với các phương pháp truyền thống, thuật toán này giảm thiểu sự can thiệp thủ công và thích ứng nhanh với biến động lưu lượng.

Đề xuất và khuyến nghị

1. Triển khai thuật toán AC tự tổ chức dựa trên Fuzzy Q-Learning trong các hệ thống mạng 5G thực tế: Nhà khai thác mạng nên áp dụng thuật toán này để tối ưu hóa phân bổ tài nguyên, giảm xác suất chặn và nâng cao chất lượng dịch vụ. Thời gian triển khai dự kiến trong vòng 12 tháng.

2. Phát triển hệ thống thu thập và phân tích dữ liệu lớn (Big Data) cho mạng 5G SON: Thu thập dữ liệu cấp thuê bao, trạm gốc và mạng lõi để hỗ trợ các thuật toán học máy tự động điều chỉnh tham số mạng. Chủ thể thực hiện là các nhà cung cấp dịch vụ mạng và đơn vị nghiên cứu.

3. Đào tạo nhân lực chuyên sâu về AI và mạng tự tổ chức: Tổ chức các khóa đào tạo, hội thảo nhằm nâng cao năng lực phát triển và vận hành các thuật toán AI trong mạng 5G. Thời gian thực hiện trong 6-9 tháng.

4. Xây dựng khung pháp lý và tiêu chuẩn kỹ thuật cho việc chia sẻ hạ tầng mạng đa nhà khai thác (MOCN, GWCN): Đảm bảo sự minh bạch, công bằng và hiệu quả trong việc chia sẻ tài nguyên mạng, hỗ trợ các thuật toán AC đa bên thuê hoạt động hiệu quả. Chủ thể thực hiện là cơ quan quản lý viễn thông và các tổ chức tiêu chuẩn.

Đối tượng nên tham khảo luận văn

1. Nhà khai thác mạng di động (MNO): Nghiên cứu giúp tối ưu hóa quản lý tài nguyên mạng, giảm chi phí vận hành và nâng cao chất lượng dịch vụ cho khách hàng.

2. Các nhà nghiên cứu và sinh viên ngành viễn thông, công nghệ thông tin: Cung cấp kiến thức chuyên sâu về mạng tự tổ chức, AI trong mạng 5G và các thuật toán học máy ứng dụng thực tiễn.

3. Các nhà phát triển phần mềm và kỹ sư mạng: Hướng dẫn phát triển và triển khai các thuật toán điều khiển chấp nhận dịch vụ tự động trong môi trường mạng phức tạp.

4. Cơ quan quản lý viễn thông và tổ chức tiêu chuẩn: Tham khảo để xây dựng chính sách, tiêu chuẩn kỹ thuật và khung pháp lý phù hợp với xu hướng phát triển mạng 5G và công nghệ AI.

Câu hỏi thường gặp

1. Điều khiển chấp nhận dịch vụ (AC) trong mạng 5G là gì?
   AC là quá trình kiểm tra và quyết định chấp nhận hoặc từ chối các yêu cầu kết nối mới dựa trên tài nguyên mạng hiện có, nhằm đảm bảo chất lượng dịch vụ cho các kết nối đang hoạt động.

2. Tại sao cần áp dụng AI trong quản lý mạng 5G?
   Mạng 5G có độ phức tạp cao với nhiều tham số cần tối ưu hóa. AI giúp tự động hóa quá trình quản lý, học hỏi và thích ứng với điều kiện mạng thay đổi, giảm chi phí vận hành và nâng cao hiệu suất.

3. Fuzzy Q-Learning khác gì so với Q-Learning truyền thống?
   Fuzzy Q-Learning kết hợp logic mờ để giảm không gian trạng thái và hành động, giúp thuật toán hội tụ nhanh hơn và phù hợp với các hệ thống có dữ liệu không chính xác hoặc không rõ ràng.

4. Làm thế nào để đánh giá hiệu quả thuật toán AC tự tổ chức?
   Hiệu quả được đánh giá qua các chỉ số như tốc độ bit tổng hợp, xác suất chặn dịch vụ, khả năng cân bằng tải và sử dụng tài nguyên RB trong các kịch bản mô phỏng với tải trọng khác nhau.

5. Phạm vi áp dụng của nghiên cứu này trong thực tế?
   Nghiên cứu phù hợp với các mạng 5G nhiều người dùng, đặc biệt trong môi trường mạng không đồng nhất và đa nhà khai thác, giúp nâng cao hiệu quả quản lý tài nguyên và chất lượng dịch vụ.

Kết luận

• Luận văn đã khảo sát và phát triển thuật toán điều khiển chấp nhận dịch vụ tự tổ chức dựa trên Fuzzy Q-Learning cho mạng 5G nhiều người dùng.
• Thuật toán giúp tối ưu hóa phân bổ tài nguyên vô tuyến, giảm xác suất chặn và nâng cao tốc độ bit tổng hợp cho các tenant.
• Hệ thống học có giám sát ANFIS hỗ trợ khai thác kiến thức về tham số tối ưu ∆C(s,n), rút ngắn thời gian hội tụ của thuật toán.
• Kết quả mô phỏng chứng minh tính khả thi và hiệu quả của giải pháp trong môi trường mạng phức tạp và đa bên thuê.
• Đề xuất triển khai thực tế, phát triển hệ thống dữ liệu lớn và đào tạo nhân lực để ứng dụng rộng rãi trong mạng 5G.

Tiếp theo, nghiên cứu sẽ mở rộng phạm vi mô phỏng với nhiều ô mạng và tenant hơn, đồng thời thử nghiệm thuật toán trong môi trường mạng thực tế để đánh giá hiệu quả vận hành. Độc giả và các nhà nghiên cứu được khuyến khích áp dụng và phát triển thêm các kỹ thuật AI trong quản lý mạng 5G nhằm đáp ứng nhu cầu ngày càng tăng của người dùng.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: CƠ SỞ LÝ LUẬN 1. Hệ thống mạng tự tổ chức SON 1. Định nghĩa Hệ thống mạng tự tổ chức được định nghĩa là một công nghệ tự động hóa được thiết kế để giúp cho việc lập kế hoạch, cấu hình, quản lý, tối ưu hóa và bảo trì các mạng truy cập vô tuyến đơn giản và nhanh hơn. Với mục đích làm rõ nhu cầu áp dụng SONs cho mạng 5G trong tương lai, thuật ngữ mức độ tự do (DoF) được giới thiệu.

DoF của hệ thống được định nghĩa là số lượng thông số có thể tinh chỉnh trong bất kỳ mạng không dây nào. Tuy nhiên một số DoF có tỷ lệ phụ thuộc lẫn nhau cao. Việc triển khai các công nghệ truy cập vô tuyến mới (RAT) số lượng DoF tăng theo cấp số nhân như sau (thang đo logarit) [6]  Hệ thống DoF mới  gấp 20-30 lần hệ thống DoF cũ  Mật độ hệ thống mới  gấp 4 lần mật độ hệ thống cũ  DoFmới/km2 gấp 100 lần DoFcũ/km2 (gấp 2 đơn vị độ lớn) Một số ví dụ cơ bản của DoF là: công suất phát, tần số sóng mang, thời gian trễ cho đến khi bàn giao được thực hiện,… Tuy nhiên, không chỉ sự gia tăng của DoF có thể được tối ưu hóa trong một RAT duy nhất, mà còn trong tất cả các công nghệ có sẵn đang hoạt động cùng một lúc (ví dụ: GSM / UMTS / LTE / LTE-A). Tại thời điểm này, khái niệm về các mạng không đồng nhất (HetNets) phát sinh.

HetNets được định nghĩa là một mạng không dây chứa rất nhiều RAT, định dạng ô và nhiều khía cạnh khác, nhằm kết hợp chúng để vận hành một cách liền mạch minh họa hình 1. Do đó, DoF tăng đáng kể với các HetNets đang phát triển và do đó, xác suất mọi thứ trở nên sai (ví dụ như sự cố ngừng hoạt động, lỗi chuyển giao). Luan van 7 Hình 1.1: Minh Họa mạng HetNets [6] SONs nhằm giảm thiểu hiệu quả của DoF trong HetNets và cải thiện khả năng mở rộng của toàn bộ hệ thống, bằng cách giảm chi phí vòng đời (O / CAPEX) và tối ưu hóa hiệu suất mạng vô tuyến trong quá trình hoạt động.2 minh họa tác động của việc sử dụng các chức năng của SON trong các giai đoạn khác nhau của quy trình làm việc của nhà khai thác mạng không dây điển hình.2: Tác động của các chức năng SON đến quy trình vận hành không dây điển hình [6] Có ba yếu tố quan trọng của SONs là:  Các yếu tố tự trị: Vì số lượng trạm gốc (ví dụ: NodeBs hoặc femtocell phát triển tại nhà) sẽ ít nhất gấp bốn lần khi thực hiện 5G, cần phải cấu hình và quản lý chúng với Luan van 8 sự tương tác ít nhất có thể của con người, nhờ đó giảm chi phí chi tiêu và vốn, từ quan điểm của các nhà khai thác mạng.  Các yếu tố của trí thông minh/nhận thức: Một hệ thống được coi là thông minh, nếu nó có thể hoạt động trong điều kiện khác với thiết kế ban đầu [6].

Một hệ thống bình thường không phù hợp với các mạng 5G sắp tới vì hệ thống không thông minh. Do đó, SONs được yêu cầu phải thích ứng, học hỏi và xây dựng trí thông minh trên các quan sát đã tồn tại.  Các yếu tố của sự tối ưu: SON phải được tối ưu dù DoF lớn. Ví dụ, SON có thể có một công nghệ vật lý RF vượt trội nhưng hoạt động kém hiệu quả do quản lý tài nguyên kém, do đó hiệu suất trở nên không tối ưu.

Cấu trúc Cấu trúc của SON được thể hiện trong hình 1.3 và được mô tả ngắn gọn như sau: (1) Địa phương hóa: Vận hành SON tự động dựa trên thông tin thuần túy của nút vật lý thu và phát các tín hiệu eNodeB1 và các thiết bị người dùng (UEs) được liên kết với (H) eNB. Một ví dụ về tính năng SON chạy qua một cấu trúc cục bộ là: một UE gửi yêu cầu tới eNB thông qua các chỉ số chất lượng liên kết rằng nó có một cường độ rất yếu. ENB liên quan sẽ đưa ra quyết định địa phương về việc hạ cấp chỉ số điều chế, có nghĩa là không cần thiết phải liên kết đến một thiết bị trung tâm được đặt cách xa hàng trăm cây số. Vận hành SON tự động dựa trên thông tin được trao đổi với thành phần mạng ở rìa mạng.

Một ví dụ cụ thể để làm rõ cho việc sử dụng cấu trúc phân tán sẽ là tính năng SON của cân bằng tải: nếu một eNB phân tán được tải rất nhiều, nó có thể gửi eNB lân cận yêu cầu tình trạng về tải lưu lượng. Nếu yêu cầu thuận lợi, eNB lân cận có thể bàn giao một số người dùng cho các ô được yêu cầu. Quyết định vận hành dựa trên thông tin hệ thống khá hoàn chỉnh. Chức năng thường tập trung gần hơn với các nút mạng bậc cao.

Một thuật toán SON tối ưu được yêu cầu để quản lý một lượng lớn thông tin được thu thập và trích xuất các kết luận có ý nghĩa về trạng thái của mạng. Luan van 9 (4) Hỗn hợp: là sự kết hợp của các các cấu trúc trên trong việc vận hành SON. Nó thường là cách tiếp cận phù hợp nhất cho nhiều ứng dụng, vì nó xử lý tốt các ưu điểm của sự trao đổi giữa các cấu trúc nói trên.3: Bốn cấp độ thực hiện SON [6] Mỗi cách tiếp cận cấu trúc đều có những ưu điểm và nhược điểm riêng.4 tóm tắt các đặc điểm chính của các mức độ vận hành SON ở trên và so sánh giữa chúng. Các tính năng của SON theo hướng các kiến trúc cục bộ nhanh hơn rất nhiều về mặt thực thi, vì không cần phải cung cấp thông tin cho các thiết bị trung tâm.

Hơn nữa, cả hai cách tiếp cận phân tán và địa phương hóa ít bị ảnh hưởng đến điểm thất bại duy nhất. Mặt khác, chuyển sang các cấu trúc tập trung, các nhà khai thác mạng di động (MNO) có thể thu thập một lượng thông tin khổng lồ về trạng thái mạng của họ, đồng nghĩa với việc họ có thể đưa ra quyết định tốt hơn.4: Trao đổi giữa các kiến trúc SON được đề xuất [6] Luan van 10 1. Các chức năng tự làm việc Các chức năng tự làm việc còn được gọi là các tính năng 3GPP SON, được trình bày ngắn gọn như sau: Mục đích chính của SONs là tích hợp liền mạch vào việc lập kế hoạch, cấu hình và tối ưu hóa mạng thành một quá trình tự động duy nhất, đòi hỏi sự can thiệp thủ công của con người là tối thiểu trong vòng đời của mạng. Do đó, việc giới thiệu các tính năng của SON như hình 1.5 sẽ cho phép các nhà khai thác di động giảm chi phí hoạt động khi giảm thiểu các lỗi của con người.

Cụ thể hơn, có ba chức năng tự làm việc chính được đề xuất bởi 3GPP [20]:  Tự cấu hình: Tự động hóa các quy trình liên quan đến các trạm gốc mới được triển khai, chẳng hạn như tự tải xuống các tham sô cấu hình là phần mềm và xác thực của chúng sẽ được nhận ra và đăng ký ngay lập tức, bên cạnh việc điều chỉnh các thông số của chúng các trạm lân cận sau đó cũng tự động điều chỉnh các thông số kỹ thuật của chúng (như công suất phát xạ, độ nghiêng của ăng-ten,.) để cung cấp vùng phủ sóng và công suất cần thiết đồng thời tránh nhiễu. Hơn nữa, trước quy trình nói trên, bước tự lập kế hoạch (ví dụ như xác định vị trí trạm) thường được xem xét trong tính năng tự cấu hình. Khả năng của mạng để tiếp tục cải thiện hiệu suất của nó về mặt phủ sóng, công suất và chất lượng dịch vụ, bằng cách tối ưu hóa các cài đặt mạng khác nhau, có tính đến các đặc tính radio, động lực giao thông và nhu cầu của người dùng, trong số các khía cạnh khác. Nhiều trường hợp sử dụng tự tối ưu hóa được dự tính cho các mạng di động trong tương lai, như được đề xuất bởi 3GPP, chủ yếu tập trung vào các khía cạnh liên quan đến cân bằng tải, thích ứng điện, bảo trì vùng lân cận và quản lý di động hoặc các dự án được thảo luận trong SOCRATES / NGMN , trong đó tối ưu hóa QoS (ví dụ kiểm soát đầu vào, kiểm soát tắc nghẽn) là chủ đề nghiên cứu chính.

Một trường hợp sử dụng minh họa là tự động tắt một phần trăm các trạm trong giờ đêm. Trạm lân cận sau đó sẽ cấu hình lại các tham số của chúng để giữ cho toàn bộ khu vực được bao phủ tín hiệu. Trong trường hợp nhu cầu Luan van 11 kết nối tăng đột ngột vì bất cứ lý do gì, các trạm ‘đang ngủ’ thức dậy gần như ngay lập tức, tiết kiệm năng lượng cho các nhà vận hành mạng.  Tự phục hồi.

Thiết lập các quy trình được thiết kế để cho phép bảo trì liên tục và cho phép mạng tự khôi phục. Trong thực tế, tự động tái cấu hình được coi là một tính năng quan trọng của tự chữa lỗi trong HetNets. Bằng cách nghiên cứu hành vi của người dùng và quan sát những thay đổi của điều kiện mạng, HetNets sẽ yêu cầu tự cấu hình lại trong thời gian thực mà không cần chấm dứt dịch vụ di động. Khi một số nút trong mạng không hoạt động, các cơ chế tự phục hồi nhằm giảm tác động từ sự cố, ví dụ bằng cách điều chỉnh các tham số và thuật toán trong các ô liên kề để các nút khác có thể hỗ trợ người dùng thay cho nút hỏng.5: Các chức năng tự làm việc cho HetNets 1.

Đặc điểm Tự tổ chức là một cơ chế tiên tiến cho phép tự động hóa các hoạt động trong mạng nhằm mục đích:  Giảm chi phí tổ chức và điều hành mạng.  Tăng tốc quá trình hoạt động.  Bảo vệ mạng lưới hoạt động bằng cách giảm các lỗi can thiệp của con người trong quá trình xử lý. SON có thể cải thiện hiệu suất mạng và chất lượng dịch vụ cho người dùng.

SON được chuẩn hóa bởi 3GPP. Mục tiêu quan trọng của tiêu chuẩn 3GPP là khả Luan van 12 năng hỗ trợ các tính năng SON trong môi trường mạng của nhiều nhà vận hành mạng. Vì vậy, một phần quan trọng trong việc chuẩn hóa SON đã được dành cho việc xác định các giao thức thích hợp để cho phép trao đổi thông tin thông thường, có thể được sử dụng bởi mỗi thuật toán SON. Các thông số kỹ thuật SON được xây dựng trên cấu trúc quản trị mạng 3GPP có sẵn.