Tổng quan nghiên cứu

Mạng 5G đang đặt ra yêu cầu cao về hiệu suất phổ và hiệu suất năng lượng nhằm đáp ứng nhu cầu dữ liệu tốc độ cao trong các ứng dụng như video streaming, mạng xã hội và giao tiếp máy-máy. Theo ước tính, mạng không đồng nhất (HetNets) với mật độ cao các trạm phát sóng công suất thấp (LPN) và công suất cao (HPN) là giải pháp tiềm năng để tăng dung lượng mạng. Tuy nhiên, việc triển khai dày đặc các trạm công suất cao gây ra vấn đề nhiễu nghiêm trọng và tiêu thụ năng lượng không hiệu quả. Trong bối cảnh đó, mạng truy cập vô tuyến đám mây không đồng nhất (HCRAN) kết hợp điện toán đám mây được xem là giải pháp nâng cao hiệu suất và tốc độ dữ liệu.

Đa truy cập không trực giao (NOMA) là kỹ thuật hứa hẹn cho mạng 5G nhờ khả năng tăng hiệu suất phổ và năng lượng so với kỹ thuật đa truy cập trực giao truyền thống như OFDMA. Luận văn tập trung nghiên cứu hiệu suất năng lượng và thông lượng của NOMA trong mạng HCRAN trên ba mô hình kênh truyền thực tế: Rayleigh, Rician và Nakagami-m. Phạm vi nghiên cứu bao gồm đường tải xuống từ trạm trung tâm đám mây (CCS) đến các trạm gốc (BS) trong mạng HCRAN, với mô hình kênh fading phẳng và sử dụng chủ yếu macro BS trong tính toán công suất tiêu thụ.

Mục tiêu chính là phân tích và so sánh hiệu suất năng lượng của NOMA và OFDMA trên các kênh truyền khác nhau, đồng thời khảo sát ảnh hưởng của công suất phân bổ tại CCS và số lượng BS đến hiệu suất năng lượng. Nghiên cứu có ý nghĩa quan trọng trong việc tối ưu hóa thiết kế mạng 5G, giúp nâng cao hiệu quả sử dụng năng lượng và cải thiện chất lượng dịch vụ trong môi trường mạng đa truy cập đám mây không đồng nhất.

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:

  • Mạng truy cập vô tuyến đám mây không đồng nhất (HCRAN): Kết hợp mạng không đồng nhất với điện toán đám mây, HCRAN cho phép xử lý tập trung tại bộ xử lý băng gốc (BBU) và trạm trung tâm đám mây (CCS), giảm thiểu nhiễu và tiết kiệm năng lượng. Cấu trúc HCRAN bao gồm các trạm phát sóng công suất cao (macro BS) và các trạm công suất thấp (RRH), với khả năng chuyển trạng thái “sleep” để tiết kiệm năng lượng khi không có lưu lượng.

  • Kỹ thuật đa truy cập không trực giao (NOMA): NOMA cho phép nhiều người dùng chia sẻ cùng tài nguyên tần số và thời gian bằng cách phân bổ công suất khác nhau và sử dụng kỹ thuật triệt nhiễu nối tiếp (SIC) tại người nhận. NOMA khai thác sự khác biệt về độ lợi kênh truyền giữa các người dùng để tối ưu hóa hiệu suất phổ và năng lượng.

  • Mô hình kênh truyền Rayleigh, Rician và Nakagami-m: Ba mô hình kênh này mô phỏng các điều kiện truyền sóng khác nhau trong môi trường thực tế. Rayleigh mô tả môi trường không có thành phần LOS, Rician có thành phần LOS với hệ số K đặc trưng, còn Nakagami-m linh hoạt mô phỏng các mức fading khác nhau.

  • Kỹ thuật phân bổ công suất trong NOMA: Bao gồm phân bổ dựa trên thông tin trạng thái kênh (CSI) và phân bổ dựa trên chất lượng dịch vụ định trước (QoS), nhằm tối ưu hóa thông lượng và hiệu suất năng lượng.

  • Kỹ thuật đa truy cập phân chia theo tần số trực giao (OFDMA): Là kỹ thuật đa truy cập truyền thống, OFDMA phân chia băng thông thành các sóng mang trực giao, tránh nhiễu giữa các người dùng nhưng hạn chế hiệu suất phổ so với NOMA.

Phương pháp nghiên cứu

  • Nguồn dữ liệu: Luận văn sử dụng dữ liệu mô phỏng trên phần mềm Matlab dựa trên các mô hình kênh truyền Rayleigh, Rician (với các hệ số K khác nhau) và Nakagami-m (với các hệ số m khác nhau). Công suất tiêu thụ được tính toán dựa trên macro BS và công suất backhaul thực tế trong mạng HCRAN.

  • Phương pháp phân tích: Phân tích hiệu suất năng lượng (EE) và thông lượng (throughput) của NOMA và OFDMA trên các mô hình kênh truyền khác nhau. Sử dụng các công thức tính toán SINR, thông lượng và EE dựa trên mô hình phân bổ công suất và kỹ thuật SIC. So sánh hiệu quả giữa NOMA và OFDMA qua các kịch bản khác nhau về số lượng BS và công suất phân bổ tại CCS.

  • Timeline nghiên cứu: Quá trình nghiên cứu kéo dài từ năm 2015 đến 2017, bao gồm giai đoạn tổng hợp lý thuyết, xây dựng mô hình, thực hiện mô phỏng và phân tích kết quả. Các bước chính gồm: tìm hiểu cơ sở lý thuyết, xây dựng mô hình hệ thống, mô phỏng trên Matlab, đánh giá và so sánh kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu suất năng lượng của NOMA vượt trội so với OFDMA: Trên cả ba mô hình kênh truyền Rayleigh, Rician và Nakagami-m, NOMA cung cấp hiệu suất năng lượng cao hơn OFDMA. Cụ thể, hiệu suất năng lượng của NOMA có thể cao hơn OFDMA tới 4 lần trong một số trường hợp mô phỏng.

  2. Ảnh hưởng của mô hình kênh truyền: Hiệu suất năng lượng trên kênh Rician và Nakagami-m cao hơn so với kênh Rayleigh do có thành phần LOS. Ví dụ, trên kênh Rician với hệ số K=10, hiệu suất năng lượng tăng khoảng 20-30% so với kênh Rayleigh.

  3. Hiệu suất năng lượng biến đổi theo số lượng BS: Hiệu suất năng lượng không tăng tuyến tính với số lượng BS. Khi số lượng BS thấp hơn một ngưỡng nhất định, hiệu suất năng lượng tăng; tuy nhiên, khi số lượng BS vượt quá ngưỡng này, hiệu suất năng lượng giảm dần do tăng nhiễu và tiêu thụ năng lượng.

  4. Tác động của công suất phân bổ tại CCS: Công suất phân bổ thấp tại CCS giúp đạt hiệu suất năng lượng cao hơn. Mô phỏng cho thấy khi giảm công suất CCS, hiệu suất năng lượng có thể cải thiện đến 15-20% do giảm tiêu thụ năng lượng không cần thiết.

Thảo luận kết quả

Nguyên nhân hiệu suất năng lượng của NOMA vượt trội là do khả năng phân bổ công suất linh hoạt và sử dụng kỹ thuật SIC giúp giảm nhiễu hiệu quả, từ đó tăng thông lượng và giảm tiêu thụ năng lượng. Sự khác biệt giữa các mô hình kênh truyền phản ánh ảnh hưởng của thành phần LOS trong kênh Rician và Nakagami-m, giúp tín hiệu ổn định hơn và giảm fading, từ đó nâng cao hiệu suất.

Hiện tượng hiệu suất năng lượng giảm khi số lượng BS tăng quá mức được giải thích bởi sự gia tăng nhiễu chéo và tiêu thụ năng lượng cố định tại các BS, làm giảm lợi ích từ việc tăng số lượng trạm. Kết quả này phù hợp với các nghiên cứu trước đây về tối ưu hóa mật độ BS trong mạng HetNets và HCRAN.

Ảnh hưởng của công suất phân bổ tại CCS cho thấy việc điều chỉnh công suất hợp lý là cần thiết để cân bằng giữa hiệu suất năng lượng và chất lượng dịch vụ. Việc phân bổ công suất thấp hơn tại CCS giúp giảm tiêu thụ năng lượng tổng thể mà không làm giảm đáng kể thông lượng.

Dữ liệu có thể được trình bày qua các biểu đồ hiệu suất năng lượng theo số lượng BS trên từng mô hình kênh, biểu đồ so sánh hiệu suất giữa NOMA và OFDMA, và biểu đồ tác động của công suất CCS lên hiệu suất năng lượng.

Đề xuất và khuyến nghị

  1. Tối ưu hóa số lượng BS trong mạng HCRAN: Cần xác định ngưỡng tối ưu về số lượng BS để đạt hiệu suất năng lượng cao nhất, tránh triển khai quá dày đặc gây lãng phí năng lượng và tăng nhiễu. Chủ thể thực hiện: các nhà thiết kế mạng và nhà cung cấp dịch vụ viễn thông. Thời gian: 6-12 tháng để khảo sát và triển khai thử nghiệm.

  2. Điều chỉnh công suất phân bổ tại CCS hợp lý: Khuyến nghị sử dụng công suất CCS thấp hơn mức tối đa để cải thiện hiệu suất năng lượng mà vẫn đảm bảo chất lượng dịch vụ. Chủ thể thực hiện: quản lý mạng và kỹ sư vận hành. Thời gian: 3-6 tháng để điều chỉnh và đánh giá.

  3. Ứng dụng kỹ thuật NOMA trong mạng 5G: Khuyến khích triển khai NOMA thay thế OFDMA trong các mạng HCRAN để tận dụng hiệu suất phổ và năng lượng vượt trội. Chủ thể thực hiện: nhà sản xuất thiết bị và nhà mạng. Thời gian: 1-2 năm để tích hợp và chuẩn hóa.

  4. Phát triển mô hình kênh truyền thực tế: Nghiên cứu sâu hơn về các mô hình kênh truyền phù hợp với môi trường triển khai thực tế, đặc biệt là các mô hình có thành phần LOS để tối ưu hóa thiết kế mạng. Chủ thể thực hiện: các viện nghiên cứu và trường đại học. Thời gian: 1 năm nghiên cứu và thử nghiệm.

Đối tượng nên tham khảo luận văn

  1. Nhà nghiên cứu và sinh viên ngành kỹ thuật điện tử viễn thông: Luận văn cung cấp kiến thức chuyên sâu về NOMA, HCRAN và mô hình kênh truyền, hỗ trợ nghiên cứu và phát triển công nghệ mạng 5G.

  2. Kỹ sư thiết kế và vận hành mạng viễn thông: Các giải pháp tối ưu hóa hiệu suất năng lượng và phân bổ công suất trong mạng HCRAN giúp cải thiện hiệu quả vận hành và giảm chi phí.

  3. Nhà quản lý và hoạch định chính sách viễn thông: Thông tin về hiệu quả của NOMA và HCRAN hỗ trợ ra quyết định đầu tư và phát triển hạ tầng mạng 5G bền vững.

  4. Nhà sản xuất thiết bị viễn thông: Cung cấp cơ sở lý thuyết và mô hình để phát triển thiết bị hỗ trợ NOMA và mạng đám mây không đồng nhất, nâng cao tính cạnh tranh trên thị trường.

Câu hỏi thường gặp

  1. NOMA là gì và tại sao nó quan trọng trong mạng 5G?
    NOMA (đa truy cập không trực giao) cho phép nhiều người dùng chia sẻ cùng tài nguyên tần số và thời gian bằng cách phân bổ công suất khác nhau, giúp tăng hiệu suất phổ và năng lượng so với kỹ thuật truyền thống như OFDMA. Ví dụ, NOMA có thể tăng hiệu suất hệ thống lên đến 30% trong các kịch bản thực tế.

  2. Hiệu suất năng lượng của NOMA so với OFDMA như thế nào?
    Mô phỏng cho thấy NOMA có hiệu suất năng lượng cao hơn OFDMA tới 4 lần trên các mô hình kênh truyền khác nhau, nhờ khả năng phân bổ công suất linh hoạt và kỹ thuật triệt nhiễu nối tiếp (SIC).

  3. Tại sao hiệu suất năng lượng không tăng khi số lượng BS tăng?
    Khi số lượng BS vượt quá một ngưỡng nhất định, nhiễu chéo và tiêu thụ năng lượng cố định tăng lên, làm giảm hiệu suất năng lượng tổng thể. Do đó, cần tối ưu số lượng BS để cân bằng hiệu suất và tiêu thụ năng lượng.

  4. Ảnh hưởng của mô hình kênh truyền đến hiệu suất năng lượng là gì?
    Kênh truyền có thành phần LOS như Rician và Nakagami-m giúp tín hiệu ổn định hơn, giảm fading và tăng hiệu suất năng lượng so với kênh Rayleigh không có LOS.

  5. Làm thế nào để công suất phân bổ tại CCS ảnh hưởng đến hiệu suất năng lượng?
    Công suất phân bổ thấp tại CCS giúp giảm tiêu thụ năng lượng không cần thiết, từ đó nâng cao hiệu suất năng lượng mà không làm giảm đáng kể thông lượng. Ví dụ, giảm công suất CCS có thể cải thiện hiệu suất năng lượng lên đến 20%.

Kết luận

  • NOMA là kỹ thuật đa truy cập tiềm năng cho mạng 5G, cung cấp hiệu suất năng lượng và phổ vượt trội so với OFDMA trên các mô hình kênh truyền Rayleigh, Rician và Nakagami-m.
  • Hiệu suất năng lượng của NOMA phụ thuộc vào số lượng BS, với ngưỡng tối ưu để tránh giảm hiệu quả do nhiễu và tiêu thụ năng lượng tăng.
  • Mô hình kênh truyền có thành phần LOS (Rician, Nakagami-m) giúp nâng cao hiệu suất năng lượng so với kênh Rayleigh.
  • Công suất phân bổ tại CCS là yếu tố quan trọng ảnh hưởng đến hiệu suất năng lượng, với công suất thấp hơn giúp cải thiện hiệu quả sử dụng năng lượng.
  • Các bước tiếp theo bao gồm tối ưu hóa số lượng BS, điều chỉnh công suất CCS và triển khai thực tế NOMA trong mạng HCRAN để nâng cao hiệu quả mạng 5G.

Call-to-action: Các nhà nghiên cứu và kỹ sư mạng nên áp dụng các kết quả nghiên cứu này để thiết kế và vận hành mạng 5G hiệu quả hơn, đồng thời tiếp tục phát triển các giải pháp tối ưu hóa năng lượng trong mạng đám mây không đồng nhất.