Luận văn thạc sĩ HCMUTE: Nghiên cứu giao thức NOMA cho mạng 5G

Khám phá luận văn thạc sĩ HCMUTE nghiên cứu giao thức NOMA cho mạng 5G, ứng dụng và tiềm năng trong công nghệ viễn thông hiện đại.

• Tác giả: Nguyễn Bá Thạch
• Người hướng dẫn: TS. Phan Văn Ca
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Kỹ Thuật Điện Tử
• Đề tài: Nghiên Cứu Giao Thức NOMA Cho Mạng 5G
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2017
• Địa điểm: Hồ Chí Minh

Mục lục chi tiết

• LÝ LỊCH KHOA HỌC
• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• TÓM TẮT
• ABSTRACT
• 1. CHƯƠNG 1: TỔNG QUAN ĐỀ TÀI
• 1.1. ĐẶT VẤN ĐỀ
• 1.2. TÌNH HÌNH NGHIÊN CỨU ĐỀ TÀI
• 1.3. MỤC TIÊU CỦA ĐỀ TÀI
• 1.4. NHIỆM VỤ VÀ PHẠM VI NGHIÊN CỨU
• 1.4.1. Phạm vi nghiên cứu
• 1.5. ĐÓNG GÓP CHÍNH CỦA LUẬN VĂN
• 1.6. PHƯƠNG PHÁP NGHIÊN CỨU
• 1.7. BỐ CỤC CỦA ĐỀ TÀI
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. MẠNG TRUY CẬP VÔ TUYẾN ĐÁM MÂY KHÔNG ĐỒNG NHẤT (HCRAN)
• 2.1.1. Cấu trúc hệ thống của H-CRAN
• 2.1.2. Hiệu suất phổ và hiệu suất năng lượng
• 2.2. KỸ THUẬT NOMA
• 2.2.1. Mô hình hệ thống NOMA
• 2.2.2. Những lợi ích được mong đợi của NOMA
• 2.3. KỸ THUẬT PHÂN BỔ CÔNG SUẤT TRONG NOMA
• 2.3.1. Phân bổ công suất dựa trên thông tin trạng thái kênh truyền
• 2.3.2. Phân bổ công suất dựa trên việc xác định trước chất lượng dịch vụ trên user
• 2.4. KỸ THUẬT OFDMA
• 2.4.1. Kênh truyền Rayleigh
• 2.4.2. Kênh truyền Rician
• 2.4.3. Kênh truyền Nakagami-m
• 2.5. PHƯƠNG PHÁP TRIỆT NHIỄU NỐI TIẾP (SIC)
• 3. CHƯƠNG 3: HIỆU SUẤT NĂNG LƯỢNG VÀ THÔNG LƯỢNG CỦA NOMA CHO BACKHAUL KHÔNG DÂY TRONG HCRAN
• 3.1. MÔ HÌNH HỆ THỐNG BACKHAUL KHÔNG DÂY TRONG HCRAN
• 3.1.1. Giới thiệu mô hình hệ thống của HCRAN
• 3.1.2. Mô hình kênh truyền
• 3.2. MÔ HÌNH CÔNG SUẤT TIÊU THỤ
• 3.2.1. Công suất tiêu thụ của BS
• 3.2.2. Công suất backhaul
• 3.3. NOMA VÀ CÔNG SUẤT PHÂN BỔ TẠI CCS TRONG HCRAN
• 3.3.1. NOMA đề xuất cho đường tải xuống không dây trong HCRAN
• 3.3.2. Công suất phân bổ tại CCS trong HCRAN
• 3.4. PHÂN TÍCH HIỆU SUẤT
• 3.4.1. Thông lượng và hiệu suất năng lượng của NOMA
• 3.4.2. Thông lượng và hiệu suất năng lượng của OFDMA
• 3.4.3. Lưu đồ giải thuật tiêu biểu
• 4. CHƯƠNG 4: MÔ PHỎNG
• 4.1. GIỚI THIỆU CHƯƠNG TRÌNH MÔ PHỎNG
• 4.2. PHÂN TÍCH VÀ ĐÁNH GIÁ
• 4.2.1. Hiệu suất năng lượng của NOMA trên 3 kênh truyền Rayleigh, Rician và Nakagami-m
• 4.2.2. Thông lượng trên 3 kênh truyền Rayleigh, Rician và Nakagami-m
• 4.2.3. Tác động của phân bổ công suất tại CCS lên hiệu suất năng lượng của NOMA
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 5.1. KẾT LUẬN
• 5.2. HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về giao thức NOMA trong mạng 5G

Giao thức NOMA (Non-Orthogonal Multiple Access) là một trong những công nghệ tiên tiến được áp dụng trong mạng 5G nhằm tối ưu hóa hiệu suất sử dụng phổ tần. NOMA cho phép nhiều người dùng chia sẻ cùng một tần số, từ đó tăng cường khả năng truyền tải dữ liệu mà không cần phải phân chia băng tần. Điều này đặc biệt quan trọng trong bối cảnh mạng di động ngày càng phát triển và nhu cầu sử dụng dữ liệu tăng cao. Nghiên cứu tại HCMUTE đã chỉ ra rằng NOMA có thể cải thiện đáng kể hiệu suất mạng so với các kỹ thuật truyền thống như OFDMA (Orthogonal Frequency Division Multiple Access). Theo đó, NOMA không chỉ giúp tăng cường tốc độ truyền dữ liệu mà còn giảm thiểu độ trễ trong quá trình truyền thông. Việc áp dụng NOMA trong mạng 5G tại HCMUTE không chỉ mang lại lợi ích về mặt kỹ thuật mà còn mở ra hướng đi mới cho các ứng dụng trong tương lai.

II. Phân tích hiệu suất năng lượng của NOMA

Nghiên cứu về hiệu suất năng lượng của NOMA cho thấy rằng công nghệ này có khả năng cung cấp hiệu suất năng lượng cao hơn so với các phương pháp truyền thống. Cụ thể, trong các mô hình kênh truyền như Rayleigh, Rician và Nakagami-m, NOMA cho thấy hiệu suất năng lượng vượt trội, đặc biệt là trong các điều kiện có LOS (Line Of Sight). Kết quả mô phỏng cho thấy rằng hiệu suất năng lượng của NOMA có thể biến đổi theo hàm tựa lõm, điều này có nghĩa là hiệu suất không phải lúc nào cũng tăng khi số lượng trạm phát sóng (BS) tăng lên. Đặc biệt, hiệu suất năng lượng chỉ tăng khi số lượng BS ít hơn một ngưỡng nhất định, sau đó sẽ giảm dần. Điều này cho thấy rằng việc tối ưu hóa công suất phân bổ tại trạm trung tâm đám mây (CCS) cũng ảnh hưởng lớn đến hiệu suất năng lượng của NOMA.

III. So sánh NOMA với OFDMA

So với OFDMA, NOMA cho thấy nhiều ưu điểm vượt trội trong việc tối ưu hóa tốc độ truyền dữ liệu và hiệu suất mạng. Trong khi OFDMA yêu cầu phân chia băng tần cho từng người dùng, NOMA cho phép nhiều người dùng chia sẻ cùng một tần số, từ đó giảm thiểu lãng phí tài nguyên. Nghiên cứu tại HCMUTE đã chỉ ra rằng NOMA có thể cung cấp tín hiệu vô tuyến mạnh mẽ hơn, đặc biệt trong các môi trường có nhiều nhiễu. Kết quả mô phỏng cho thấy rằng NOMA không chỉ cải thiện hiệu suất năng lượng mà còn tăng cường tín hiệu vô tuyến cho các thiết bị di động, giúp nâng cao trải nghiệm người dùng. Việc áp dụng NOMA trong mạng 5G tại HCMUTE không chỉ mang lại lợi ích về mặt kỹ thuật mà còn mở ra hướng đi mới cho các ứng dụng trong tương lai.

IV. Ứng dụng thực tiễn của NOMA trong mạng 5G

NOMA không chỉ là một công nghệ lý thuyết mà còn có nhiều ứng dụng thực tiễn trong mạng 5G. Các ứng dụng này bao gồm truyền tải video chất lượng cao, các dịch vụ IoT (Internet of Things) và các ứng dụng yêu cầu băng thông lớn khác. Việc triển khai NOMA trong các ứng dụng này giúp tối ưu hóa hiệu suất mạng và giảm thiểu độ trễ, từ đó nâng cao trải nghiệm người dùng. Hơn nữa, NOMA còn có thể hỗ trợ các dịch vụ khẩn cấp, nơi mà độ tin cậy và tốc độ truyền tải là rất quan trọng. Nghiên cứu tại HCMUTE đã chỉ ra rằng việc áp dụng NOMA có thể cải thiện đáng kể khả năng phục vụ của mạng trong các tình huống khẩn cấp, từ đó góp phần nâng cao chất lượng dịch vụ trong mạng 5G.

Nội dung chính

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.

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.

Trích đoạn nội dung tài liệu

ĐẶT VẤN ĐỀ Hiện nay, mạng không đồng nhất (Heterogeneous network- HetNets) đang thu hút sự quan tâm của giới nghiên cứu bởi vì mạng không đồng nhất với nhiều tiến bộ có thể đáp ứng đƣợc các yêu cầu dữ liệu tốc độ cao bằng việc triển khai dày đặc các nút công suất thấp (LPN) để phủ sóng khắp nơi và điều khiển các thiết bị ngƣời dùng thông qua các nút công suất cao (HPN). Tuy nhiên, càng dày đặc các nút công suất cao sẽ làm ảnh hƣởng tới hiệu suất và vấn đề phát triển thƣơng mại của mạng không đồng nhất. Trong lúc này điện toán đám mây (cloud computing) đang nổi lên nhƣ một giải pháp đầy triển vọng để khắc phục vấn đề hiệu xuất và có thể làm tăng tốc độ dữ liệu lên tới Gigabit. Sự kết hợp giữa mạng không đồng nhất và điện toán đám mây để tạo ra mạng truy cập vô tuyến đám mây không đồng nhất (HCRAN) nhƣ là một giải pháp để nâng cao hiệu suất cũng nhƣ làm tăng tốc độ dữ liệu trong mạng.

Trong HCRAN, vấn đề đƣờng tải xuống từ một trạm trung tâm đám mây nền (CCS) tới các trạm gốc (BSs) chia sẽ cùng thời gian và nguồn tần số vẫn đang đƣợc nghiên cứu. Bên cạnh đó, đa truy cập không trực giao (NOMA) nhƣ là một kỹ thuật triển vọng cho mạng 5G do hiệu suất phổ cao của nó. Vấn đề cần nghiên cứu là việc áp dụng kỹ thuật đa truy nhập không trực giao (NOMA) và đề xuất công suất phát cho những đƣờng tải xuống của mạng không dây trong HCRAN. Trong HCRAN có nhiều dạng BS nhƣ macro BS, micro BS, pico BS, femto BS v.

đƣợc tích hợp qua đám mây điện toán để hỗ trợ ngƣời dùng. Mật độ cao của BS có thể là nguyên nhân không chỉ gây ra nhiễu nghiêm trọng mà còn làm cho việc tiêu thụ năng lƣợng không hiệu quả. Vì vậy, cần nghiên cứu một mô hình kênh truyền thực tế với công Trang 1 Luan van Luận văn Chƣơng 1 suất tiêu thụ tại các trạm gốc (BSs) giữa các loại cell khác nhau (macrocell, microcell v.) và công suất backhaul, phân tích hiệu suất năng lƣợng của HCRAN thực tế khi sử dụng giao thức NOMA. Bên cạnh đó, cần nghiên cứu công suất tiêu thụ của các loại BS khác nhau và công suất tiêu thụ Backhaul trong việc triển khai HCRAN.

Cần đƣa ra những so sánh về hiệu suất năng lƣợng của giao thức NOMA với kỹ thuật trực giao thông thƣờng nhƣ (OFDMA). Vấn đề tối ƣu hóa số lƣợng BS để có thể tối đa hiệu suất năng lƣợng của HCRAN cũng cần phải đƣợc nghiên cứu.2 TÌNH HÌNH NGHIÊN CỨU ĐỀ TÀI Trong thời gian gần đây, mạng truy cập vô tuyến mô hình đám mây (Cloud radio access network- CRAN) thu hút cả trong sản xuất công nghiệp và nghiên cứu khoa học, nhƣ một ý tƣởng mới về cấu trúc của hiệu suất năng lƣợng cho phép xử lý tập trung với vô tuyến công tác và sử dụng mô hình điện toán đám mây thời gian thực [1]. Nguồn tính toán của tất cả các trạm nền (BS) đƣợc hợp nhất thành một bộ trữ BS ảo nơi mà trạm trung tâm cung cấp sự hỗ trợ cho các BS tƣơng ứng với các dịch vụ đa dạng nhƣ là quản lý can nhiễu và điều khiển việc chuyển giao tại đƣờng bao của các tế bào [2]. Cấu trúc của CRAN thì đƣợc mong đợi không những giảm số lƣợng trạm gốc mà còn giảm số lƣợng tải tại các trạm BS trong khi vẫn duy trì mạng lƣới phủ sóng tƣơng tự với các BS phối hợp và thậm chí đề xuất thêm các dịch vụ tốt hơn [1, 6-7].

Kết quả này phù hợp ở một mức năng lƣợng tiêu thụ ít, chi phí đầu tƣ và vận hành thấp hơn. Một số kỹ thuật hứa hẹn trong HCRAN để cải thiện phổ và hiệu suất năng lƣợng, bao gồm điện toán đám mây dựa trên sự truyền và tiếp nhận phân phối đa điểm, cộng tác nhiều ăng-ten với quy mô lớn, đám mây điện toán dựa trên việc quản lý nguồn sóng vô tuyến và dựa trên việc tự tổ chức mạng [3]. Nhƣ một hệ thống đa truy cập trong mạng lƣới truy cập vô tuyến hứa hẹn trong tƣơng lai, NOMA đã đƣợc đề xuất để cải tiến lƣu lƣợng và hiệu suất phổ của đƣờng tải xuống trong mạng tế bào không dây [4]. Hệ thống NOMA cho phép nhiều ngƣời dùng (users) chồng lên nhau trong miền công suất trong khi đảm bảo tất cả Trang 2 Luan van Luận văn Chƣơng 1 các user truy cập trong môi trƣờng không dây đƣợc chia sẽ với cùng sự phân tập nhƣ trong OFDMA.

Trong giao thức NOMA, phƣơng pháp triệt nhiễu nối tiếp (SIC) đƣợc sử dụng để khôi phục các gói dữ liệu có lợi, không những nâng cao khả năng thu nhận mà còn cải thiện lƣu lƣợng user tại cell-edge. Truy cập không trực giao sử dụng phƣơng pháp SIC với một số lƣợng ngƣời dùng vừa phải có hiệu suất thông lƣợng tăng đáng kể ở cấp độ hệ thống so với truy cập trực giao sử dụng rộng rãi trong hệ thống di động 4G [7-12]. Qua việc so sánh NOMA với đa truy cập thông thƣờng cho thấy rằng NOMA có thể đạt đƣợc cùng thứ tự phân tập nhƣ đa truy cập thông thƣờng. Hơn nữa, NOMA có thể mang lại hiệu quả quang phổ tốt hơn và tính công bằng cho ngƣời dùng vì nhiều ngƣời dùng đƣợc phục vụ cùng thời gian, tần số và mã lan truyền [13].

Trong [8] nghiên cứu các vấn đề thực tiển của NOMA nhƣ là phân bổ công suất cho nhiều ngƣời dùng, triệt nhiễu nối tiếp, hiệu suất trong những vùng có mức độ di chuyển cao, kết hợp nhiều ngõ vào và nhiều ngõ ra. Bên cạnh đó cũng cung cấp một hệ thống của NOMA có tính đến các khía cạnh thực tế và chức năng của giao diện vô tuyến LTE nhƣ là: điều chế và mã hóa thích nghi (AMC) và lập biểu gói miền tần số. Dƣới nhiều cấu hình rằng hiệu năng cấp hệ thống đạt đƣợc bởi NOMA cao hơn 30% so với OMA. Trong [9] nghiên cứu việc áp dụng truy cập không trực giao với phƣơng pháp triệt nhiễu nối tiếp cho đƣờng tải xuống.

Phân tích thông lƣợng của giao thức đa truy cập không trực giao (NOMA) trong CRAN, thể hiện hiệu quả của NOMA đƣợc đề xuất không những vƣợt qua OFDMA mà còn cho phép phát triển một giải thuật để tìm kiếm số lƣợng BS tối ƣu trong CRAN [10]. Ngoài ra con có nhiều công trình nghiên cứu khác nhau đã đề xuất các ứng dụng của NOMA trong các mô hình khác nhau, nhƣ là mạng tế bào [7,13-15] và mạng tùy biến không dây (ad-hoc) [16]. Trong [14] tác giả đề xuất một NOMA đƣợc dựa trên đƣờng tải xuống của hệ thống tế bào cộng tác. Trong [17], một hệ thống truyền NOMA cộng tác đã đƣợc đề xuất, những user với điều kiện kênh truyền tốt hơn có thể giải mã thông tin tốt hơn, do đó những user này có thể đƣợc sử dụng nhƣ một chuyển mạch để nâng cao khả năng truyền thông tin có độ tin cậy hơn cho những user với điều kiện kênh truyền không tốt.

Trang 3 Luan van Luận văn Chƣơng 1 Các mức hiệu suất của đƣờng tải xuống trong NOMA đƣợc khảo sát trong [18] để đảm bảo một sự cân bằng tốt giữa tổng thông lƣợng user và thông lƣợng user tại cell-edge. Trong [20] tác giả nghiên cứu giới hạn trên của thông lƣợng cho đƣờng backhaul không dây trong một liên kết của 3 BS hoặc 1 BS điều khiển và 3 trạm chuyển mạch, đề xuất và phân tích giao thức Ring và giao thức Star. Trong [19] đề xuất một mô hình tiêu thụ công suất mới cho một mạng vô tuyến di động có xem xét tới backhaul, nghiên cứu và so sánh công suất tiêu thụ trong việc triển khai 3 mạng không đồng nhất, để thể hiện sự tác động đáng kể của công suất backhaul lên việc triển khai của mạng. Phân tích sự cân bằng giữa hiệu suất năng lƣợng (EE) và hiệu suất phổ (SE) cho cả đƣờng tải lên và đƣờng tải xuống của hệ thống DMIMO [21].

Do đó, tác giả đề xuất một mô hình tiêu thụ điện năng BS mới để so sánh mức tiêu thụ năng lƣợng và hiệu suất năng lƣợng của ba kiến trúc BS khác nhau. Kiến trúc BS RRH dựa trên RRH tốt hơn kiến trúc BS thông thƣờng với mức giảm 30% điện năng tiêu thụ và tăng hiệu suất năng lƣợng gấp 7 lần. Trong [23] phân tích hiệu suất năng lƣợng của HCRAN thực tế sử dụng NOMA, kết quả cho thấy rằng NOMA đề xuất cho HCRAN hoạt động tốt hơn so với truy cập đa phân chia tần số thông thƣờng (OFDMA) về việc cung cấp hiệu suất năng lƣợng cao hơn lên đến bốn lần. Bên cạnh đó, vấn đề tối ƣu hóa đƣợc đƣa ra để tìm ra số lƣợng tối ƣu của BSs tối đa hóa hiệu suất của HCRAN.

Nó thể hiện rằng, với nguồn cung cấp năng lƣợng thấp tại CCS, một cặp micro BS có thể đƣợc phục vụ cung cấp hiệu suất năng lƣợng đƣợc cải thiện lên đến 1,6 lần so với các macro BS và RRH, trong khi chúng đạt đƣợc hiệu suất năng lƣợng giống nhau với công suất cao tại CCS.3 MỤC TIÊU CỦA ĐỀ TÀI Trong đề tài này, phân tích hiệu suất năng lƣợng và thông lƣợng giữa kỹ thuật không trực giao (NOMA) và kỹ thuật trực giao (OFDMA) trên 3 mô hình kênh Trang 4 Luan van Luận văn Chƣơng 1 truyền là Rayleigh, Rician và Nakagami-m. Chứng minh đƣợc rằng hiệu suất năng lƣợng của NOMA không phải lúc nào cũng có thể tăng bởi việc tăng số lƣợng và chức năng của BS. Đặc biệt, hiệu suất năng lƣợng chỉ tăng khi số lƣợng BS ít hơn một số lƣợng BS nhất định, sau đó giảm dần nếu nhƣ số lƣợng BS tăng lên. Phân tích việc thay đổi hiệu suất năng lƣợng có phụ thuộc vào nhiều yếu tố nhƣ là: môi trƣờng lan truyền, công suất cung cấp tại CCS cũng nhƣ sử dụng loại BS nào trong mạng HCRAN.

Bên cạnh đó, tìm đƣợc số lƣợng BS của nhiều loại khác nhau để có thể đạt đƣợc tối đa hiệu suất năng lƣợng trong mạng HCRAN, cũng nhƣ đƣa ra những hạn chế của công suất nguồn cung cấp có sẵn tại CCS và số lƣợng BS có thể đƣợc bao phủ bởi CCS. Xem xét tác động của công suất phân bổ tại trạm trung tâm đám mấy nền (cloud-based central station-CCS) tới hiệu suất năng lƣợng, cụ thể là công suất phân bổ tại CCS thấp sẽ đạt đƣợc hiệu suất năng lƣợng cao hơn.4 NHIỆM VỤ VÀ PHẠM VI NGHIÊN CỨU 1.1 Nhiệm vụ  Tìm hiểu cơ sở lý thuyết về mạng truy cập đám mây vô tuyến không đồng nhất (HCRAN) bao gồm cấu trúc hệ thống, hiệu suất phổ và hiệu suất năng lƣợng.