Nghiên Cứu Vô Tuyến Nhận Thức Hợp Tác Cảm Nhận Phổ Trong Môi Trường Pha Đinh

Công nghệ Cognitive Radio Networks ra đời từ nhu cầu sử dụng hiệu quả phổ tần. Cognitive Radio Networks không chỉ giúp tận dụng các khoảng trống phổ mà còn tự động điều chỉnh các thông số hoạt động để tối ưu hóa hiệu suất. Các nghiên cứu ban đầu tập trung vào các giao thức và thuật toán Dynamic Spectrum Access. Hiện nay, Machine Learning in Wireless đang đóng vai trò quan trọng trong việc cải thiện khả năng tự học và thích ứng của Cognitive Radio Networks. Spectrum Management và Spectrum Sharing là những vấn đề then chốt trong nghiên cứu và triển khai.

Công nghệ Cognitive Radio Networks có nhiều ứng dụng trong Wireless Communication. Các ứng dụng này bao gồm: cải thiện hiệu suất phổ, giảm nhiễu và tăng cường bảo mật. Dynamic Spectrum Access cho phép các thiết bị Cognitive Radio Networks tự động tìm kiếm và sử dụng các kênh tần số còn trống. Spectrum Sharing cho phép nhiều người dùng chia sẻ cùng một dải tần mà không gây nhiễu lẫn nhau. Công nghệ này cũng được ứng dụng trong các mạng lưới cảm biến không dây để cải thiện Energy Efficiency in Cognitive Radio và kéo dài tuổi thọ pin.

Fading Channels gây suy giảm tín hiệu và làm giảm khả năng phát hiện PU. Các loại Fading Channels phổ biến bao gồm Rayleigh Fading, Rician Fading và Nakagami Fading. Rayleigh Fading thường xảy ra trong môi trường không có đường truyền trực tiếp (Line-of-Sight). Rician Fading xảy ra khi có cả đường truyền trực tiếp và các đường phản xạ. Nakagami Fading là một mô hình tổng quát hơn, có thể mô tả nhiều loại Fading Channels khác nhau. Channel Modeling chính xác là rất quan trọng để đánh giá và cải thiện hiệu suất Spectrum Sensing.

Shadowing là hiện tượng tín hiệu bị suy giảm do vật cản. Shadowing có thể gây ra sự không chắc chắn trong việc phát hiện PU. Tương quan giữa các kênh Shadowing tại các vị trí khác nhau có thể ảnh hưởng đến hiệu suất của Cooperative Sensing. Nếu các kênh Shadowing tương quan mạnh, lợi ích của Cooperative Sensing có thể bị giảm. Các thuật toán Distributed Algorithms cần được thiết kế để xử lý các kênh Shadowing tương quan.

Hiện tượng không xác định bộ thu có nghĩa là CR không biết về sự tồn tại và việc truyền tín hiệu của PU. Điều này có thể dẫn đến việc CR gây nhiễu cho PU. Do đó, cần có các cơ chế để CR phát hiện sự hiện diện của PU một cách đáng tin cậy. Các giải pháp bao gồm sử dụng thông tin vị trí, sử dụng nhiều anten (MIMO Cognitive Radio) và các kỹ thuật học máy (Machine Learning in Wireless) để dự đoán sự xuất hiện của PU.

Trong phương pháp hợp tác cảm nhận tập trung, một FC thu thập thông tin cảm nhận từ các thiết bị CR. FC xác định phổ tần sẵn có và quảng bá thông tin này đến các người dùng CR. Ưu điểm của phương pháp này là khả năng đưa ra quyết định chính xác cao. Nhược điểm là yêu cầu cơ sở hạ tầng xương sống và có thể gây ra độ trễ lớn. Các thuật toán Centralized Algorithms cần được thiết kế để tối ưu hóa hiệu suất của FC.

Trong phương pháp hợp tác cảm nhận phân tán, các CR chia sẻ thông tin với nhau và tự mình đưa ra quyết định. Ưu điểm của phương pháp này là không yêu cầu cơ sở hạ tầng xương sống và giảm chi phí. Nhược điểm là độ chính xác có thể thấp hơn so với phương pháp hợp tác cảm nhận tập trung. Các thuật toán Distributed Algorithms cần được thiết kế để đảm bảo tính công bằng và hiệu quả trong việc chia sẻ thông tin.

Có nhiều quy tắc hợp tác cảm nhận phổ biến, bao gồm quy tắc OR, quy tắc AND và quy tắc k-out-of-n. Quy tắc OR đưa ra quyết định phổ có sẵn nếu ít nhất một CR phát hiện phổ trống. Quy tắc AND đưa ra quyết định phổ có sẵn nếu tất cả CR đều phát hiện phổ trống. Quy tắc k-out-of-n đưa ra quyết định phổ có sẵn nếu ít nhất k CR phát hiện phổ trống. Việc lựa chọn quy tắc hợp tác phù hợp phụ thuộc vào yêu cầu về độ tin cậy và hiệu suất phổ.

Mô hình kênh chuyển tiếp phân tập khuếch đại và chuyển tiếp (Amplify-and-Forward-AF) được sử dụng để chuyển tiếp tín hiệu từ nguồn đến đích thông qua các nút chuyển tiếp. Trong môi trường fading Suzuki, việc thiết kế các giao thức chuyển tiếp hiệu quả là rất quan trọng. Giao thức chuyển tiếp hợp tác AF sử dụng các nút chuyển tiếp để khuếch đại và chuyển tiếp tín hiệu, cải thiện độ tin cậy của kết nối. Các giao thức này cần phải xem xét các đặc tính của fading Suzuki, bao gồm cả fading đa đường và shadowing.

Xác suất dừng là một thước đo quan trọng về hiệu suất của mạng chuyển tiếp hợp tác. Xác suất dừng thể hiện khả năng mạng không thể đáp ứng yêu cầu về chất lượng dịch vụ. Việc tính toán xác suất dừng trong môi trường fading Suzuki là một thách thức do tính phức tạp của mô hình kênh. Các phương pháp xấp xỉ và mô phỏng Monte Carlo thường được sử dụng để ước tính xác suất dừng. Việc giảm xác suất dừng là một mục tiêu quan trọng trong thiết kế mạng chuyển tiếp hợp tác.

Thuật toán gán CR kém làm nút chuyển tiếp được thiết kế để tận dụng các CR bị ảnh hưởng bởi fading sâu. CR kém thường có chất lượng kênh kém đến các PU hoặc đến FC. Tuy nhiên, nếu sử dụng làm nút chuyển tiếp, những CR này có thể cải thiện hiệu suất bằng cách khuếch đại và chuyển tiếp tín hiệu từ các CR khác đến FC. Việc tối ưu hóa thuật toán gán là rất quan trọng để đạt được hiệu suất cao nhất. Các yếu tố cần xem xét bao gồm vị trí của CR, chất lượng kênh và năng lượng tiêu thụ.

Mô phỏng được thực hiện bằng phần mềm Matlab. Các thông số chính bao gồm: mô hình kênh fading Suzuki, số lượng CR, vị trí của CR, công suất tín hiệu, ngưỡng phát hiện, quy tắc hợp tác. Mô hình fading Suzuki được tạo bằng cách sử dụng các tham số thống kê phù hợp với môi trường đô thị. Các vị trí của CR được phân bố ngẫu nhiên trong một khu vực nhất định. Công suất tín hiệu được điều chỉnh để đạt được tỷ lệ tín hiệu trên nhiễu (SNR) mong muốn.

Kết quả mô phỏng cho thấy hiệu năng cảm nhận phổ được cải thiện đáng kể khi sử dụng các nút chuyển tiếp. Cụ thể, xác suất phát hiện tăng lên và xác suất phát hiện sai giảm xuống. Lợi ích của việc sử dụng nút chuyển tiếp rõ ràng hơn trong môi trường fading Suzuki, nơi mà các hiệu ứng fading và shadowing có thể gây suy giảm tín hiệu đáng kể. Các nút chuyển tiếp giúp tăng cường độ tin cậy của kênh truyền và cải thiện khả năng phát hiện PU.

Kết quả mô phỏng cho thấy thuật toán gán CR kém làm nút chuyển tiếp hoạt động hiệu quả. Các CR kém được sử dụng một cách có hiệu quả để chuyển tiếp tín hiệu và cải thiện hiệu năng cảm nhận phổ. Thuật toán giúp tối ưu hóa việc sử dụng tài nguyên và cải thiện hiệu suất mạng. Việc lựa chọn các CR kém phù hợp để làm nút chuyển tiếp là rất quan trọng để đạt được hiệu suất cao nhất.

Luận án đã đóng góp vào lĩnh vực nghiên cứu Cognitive Radio Networks bằng cách đề xuất một phương pháp mới để cải thiện hiệu năng cảm nhận phổ hợp tác trong môi trường pha đinh Suzuki. Các đóng góp chính bao gồm: phân tích sâu về ảnh hưởng của fading Suzuki, đề xuất thuật toán gán CR kém làm nút chuyển tiếp và đánh giá hiệu năng bằng mô phỏng. Kết quả nghiên cứu có ý nghĩa thực tiễn và có thể được sử dụng để thiết kế các mạng Cognitive Radio Networks hiệu quả hơn.

Có nhiều hướng nghiên cứu tiềm năng trong lĩnh vực Cognitive Radio Networks. Các hướng này bao gồm: sử dụng Machine Learning in Wireless để dự đoán phổ, phát triển các giao thức Dynamic Spectrum Access hiệu quả hơn, nghiên cứu về bảo mật trong Cognitive Radio Networks, tích hợp Cognitive Radio Networks với 5G Cognitive Radio và 6G Cognitive Radio, và khám phá ứng dụng của Cognitive Radio Networks trong IoT Cognitive Radio.

Blockchain in Cognitive Radio có thể được sử dụng để đảm bảo tính minh bạch và bảo mật trong việc chia sẻ phổ. Edge Computing Cognitive Radio có thể giúp giảm độ trễ và cải thiện hiệu suất của các ứng dụng Cognitive Radio Networks bằng cách xử lý dữ liệu gần với các thiết bị người dùng. Việc kết hợp Blockchain và Edge Computing có thể mở ra nhiều khả năng mới cho Cognitive Radio Networks.