Tổng quan nghiên cứu

Trong thập kỷ qua, lưu lượng dữ liệu di động đã tăng trưởng vượt bậc, chủ yếu do sự gia tăng sử dụng thiết bị thông minh và các ứng dụng như nhà thông minh, xe tự hành, thực tế ảo mở rộng. Theo báo cáo của Ericsson, lưu lượng dữ liệu di động quý 3 năm 2021 tăng 42% so với cùng kỳ năm trước, đạt 78 Exabyte. Dự báo đến năm 2025, tổng lưu lượng toàn cầu sẽ đạt khoảng 607 Exabyte/tháng và lên tới 5016 Exabyte/tháng vào năm 2030. Trước sự bùng nổ này, các công nghệ truyền thông hiện đại như hệ thống cell-free massive MIMO, truyền thông băng tần terahertz, đa truy cập không trực giao (NOMA) được nghiên cứu nhằm đáp ứng nhu cầu tốc độ dữ liệu cao và hiệu suất phổ tối ưu.

Hệ thống cell-free massive MIMO là một bước tiến quan trọng trong lĩnh vực kỹ thuật viễn thông, với đặc điểm nổi bật là số lượng điểm truy cập dày đặc, không giới hạn vị trí đặt, cho phép các điểm truy cập gần với thiết bị người dùng, từ đó nâng cao hiệu suất phổ. Tuy nhiên, để khai thác tối đa tiềm năng của hệ thống này, việc phân bổ công suất tối ưu trên đường uplink là một thách thức lớn.

Mục tiêu chính của luận văn là đề xuất và đánh giá một phương pháp phân bổ công suất dựa trên học sâu nhằm tối ưu hóa hiệu suất phổ trong hệ thống cell-free massive MIMO. Phạm vi nghiên cứu tập trung vào mô hình hóa hệ thống, phân tích đường truyền uplink và phát triển thuật toán học tăng cường để giải quyết bài toán phân bổ công suất. Kết quả mô phỏng cho thấy phương pháp học tăng cường đạt được tốc độ dữ liệu tối đa trên 90% so với thuật toán block coordinate descent truyền thống, chứng minh hiệu quả và tính khả thi của giải pháp đề xuất.

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:

  • Mô hình kênh truyền large-scale fading và small-scale fading: Mô hình large-scale fading dựa trên suy hao đường truyền theo mô hình Hata-COST231, mô phỏng sự suy giảm tín hiệu trung bình theo khoảng cách và môi trường. Small-scale fading mô tả biến động tín hiệu trong khoảng thời gian ngắn, được giả định độc lập và phân phối chuẩn.

  • Hệ thống cell-free massive MIMO: Kết hợp giữa mạng cell-free và kỹ thuật massive MIMO, hệ thống này sử dụng số lượng lớn điểm truy cập phân bố dày đặc, phục vụ đồng thời tất cả thiết bị người dùng trong cùng một tài nguyên thời gian – tần số. Các điểm truy cập kết nối với đơn vị xử lý trung tâm qua đường fronthaul, chia sẻ thông tin trạng thái kênh (CSI) và đồng bộ pha.

  • Toán tối ưu và thuật toán block coordinate descent: Bài toán phân bổ công suất được xây dựng dưới dạng tối ưu hóa tổng hiệu suất phổ trên đường uplink. Thuật toán block coordinate descent được sử dụng làm phương pháp đối chứng, tối ưu từng nhóm biến trong khi giữ các biến còn lại cố định, đảm bảo hội tụ và cải thiện hàm mục tiêu.

  • Phương pháp học tăng cường sâu (Deep Reinforcement Learning): Thuật toán học tăng cường cho phép agent học cách phân bổ công suất tối ưu thông qua tương tác với môi trường mô phỏng hệ thống cell-free massive MIMO. Các khái niệm cốt lõi như agent, môi trường, trạng thái, hành động, phần thưởng và chiến thuật được áp dụng. Thuật toán deep Q-learning và học tăng cường nhiều agent được nghiên cứu để giải quyết bài toán phân bổ công suất phức tạp.

Phương pháp nghiên cứu

  • Nguồn dữ liệu: Tài liệu tham khảo từ các công trình khoa học uy tín trên IEEE Xplore, Google Scholar, cùng số liệu thống kê lưu lượng dữ liệu di động toàn cầu và các mô hình kênh truyền thực nghiệm.

  • Phương pháp phân tích: Mô phỏng hệ thống cell-free massive MIMO dựa trên mô hình kênh truyền large-scale và small-scale fading. Phân tích hiệu suất phổ trên đường uplink, xây dựng bài toán tối ưu phân bổ công suất nhằm tối đa hóa tổng hiệu suất phổ.

  • Thuật toán giải quyết: So sánh hai phương pháp phân bổ công suất gồm thuật toán block coordinate descent và thuật toán học tăng cường sâu. Thuật toán học tăng cường được huấn luyện qua nhiều episode, sử dụng hàm phần thưởng dựa trên tốc độ dữ liệu đạt được, cân bằng giữa khai thác và khám phá.

  • Timeline nghiên cứu: Nghiên cứu bắt đầu từ tháng 9/2021, hoàn thành mô phỏng và phân tích kết quả vào tháng 6/2022. Quá trình bao gồm thu thập tài liệu, xây dựng mô hình, phát triển thuật toán, chạy mô phỏng và đánh giá kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu suất phổ đạt được qua học tăng cường: Thuật toán học tăng cường sâu đạt được tốc độ dữ liệu tối đa trên 90% so với thuật toán block coordinate descent, với trung bình tốc độ dữ liệu trên một thiết bị người dùng đạt khoảng 85 bps/Hz trong các kịch bản mô phỏng.

  2. Ảnh hưởng của công suất truyền uplink tối đa: Khi tăng công suất truyền tối đa từ 0.1 W lên 1 W, tốc độ dữ liệu trung bình trên một thiết bị người dùng tăng khoảng 35%, cho thấy tầm quan trọng của việc điều chỉnh công suất phù hợp.

  3. Tác động của số lượng điểm truy cập: Tăng số lượng điểm truy cập từ 50 lên 150 điểm truy cập làm tăng hiệu suất phổ trung bình trên một thiết bị người dùng lên đến 40%, nhờ khả năng phục vụ đồng thời và giảm nhiễu hiệu quả.

  4. Ảnh hưởng của số lượng thiết bị người dùng: Khi số lượng thiết bị người dùng tăng từ 20 lên 100, tốc độ dữ liệu trung bình giảm khoảng 25% do cạnh tranh tài nguyên và tăng nhiễu, tuy nhiên thuật toán học tăng cường vẫn duy trì hiệu suất tốt hơn so với phương pháp truyền thống.

Thảo luận kết quả

Kết quả mô phỏng cho thấy phương pháp học tăng cường sâu có khả năng thích nghi tốt với sự biến đổi của môi trường kênh truyền và số lượng thiết bị người dùng, nhờ khả năng học trực tiếp từ dữ liệu môi trường và tối ưu hóa chiến thuật phân bổ công suất. So với thuật toán block coordinate descent, học tăng cường giảm thiểu thời gian tính toán và không yêu cầu mô hình hóa chính xác toàn bộ hệ thống, phù hợp với các hệ thống phức tạp và động.

Biểu đồ so sánh tốc độ dữ liệu trung bình theo số lượng điểm truy cập và công suất truyền uplink minh họa rõ sự vượt trội của học tăng cường trong việc duy trì hiệu suất cao khi hệ thống mở rộng. Bảng phân phối tích lũy tốc độ dữ liệu cũng cho thấy học tăng cường mang lại sự công bằng hơn giữa các thiết bị người dùng.

So với các nghiên cứu trước đây, luận văn đã mở rộng ứng dụng học tăng cường vào bài toán phân bổ công suất trong hệ thống cell-free massive MIMO, đồng thời cung cấp đánh giá chi tiết về hiệu quả và khả năng mở rộng của phương pháp. Điều này góp phần thúc đẩy việc áp dụng trí tuệ nhân tạo trong tối ưu hóa mạng viễn thông thế hệ mới.

Đề xuất và khuyến nghị

  1. Triển khai thuật toán học tăng cường trong hệ thống thực tế: Khuyến nghị các nhà phát triển và nhà mạng tích hợp thuật toán học tăng cường sâu vào bộ điều khiển phân bổ công suất của hệ thống cell-free massive MIMO nhằm nâng cao hiệu suất phổ. Thời gian thử nghiệm đề xuất trong vòng 6-12 tháng.

  2. Tăng cường số lượng điểm truy cập và cải thiện kết nối fronthaul: Để tận dụng tối đa lợi ích của hệ thống cell-free massive MIMO, cần tăng mật độ điểm truy cập và đảm bảo kết nối fronthaul ổn định, giảm độ trễ truyền dẫn. Chủ thể thực hiện là các nhà cung cấp hạ tầng viễn thông, với kế hoạch phát triển trong 2-3 năm.

  3. Phát triển mô hình học tăng cường đa agent: Nghiên cứu mở rộng thuật toán học tăng cường nhiều agent để phân bổ công suất linh hoạt hơn, thích ứng với môi trường mạng phức tạp và đa biến. Thời gian nghiên cứu tiếp theo khoảng 1-2 năm, do các viện nghiên cứu và trường đại học thực hiện.

  4. Tối ưu hóa hàm phần thưởng và chiến thuật học: Đề xuất điều chỉnh hàm phần thưởng để cân bằng giữa hiệu suất tổng thể và công bằng giữa các thiết bị người dùng, đồng thời nghiên cứu các chiến thuật học mới nhằm tăng tốc độ hội tụ và ổn định thuật toán. Chủ thể thực hiện là nhóm nghiên cứu phát triển phần mềm mạng.

Đối tượng nên tham khảo luận văn

  1. Nhà nghiên cứu và sinh viên ngành kỹ thuật viễn thông: Luận văn cung cấp kiến thức chuyên sâu về hệ thống cell-free massive MIMO và ứng dụng học sâu trong tối ưu hóa mạng, hỗ trợ nghiên cứu và phát triển công nghệ mới.

  2. Kỹ sư phát triển mạng viễn thông: Các kỹ sư có thể áp dụng thuật toán học tăng cường để cải thiện hiệu suất mạng, đặc biệt trong thiết kế và vận hành hệ thống 6G.

  3. Nhà hoạch định chính sách và quản lý viễn thông: Tham khảo để hiểu rõ xu hướng công nghệ và các giải pháp tối ưu hóa mạng, từ đó xây dựng chính sách phát triển hạ tầng phù hợp.

  4. Doanh nghiệp cung cấp thiết bị và giải pháp mạng: Nắm bắt công nghệ mới để phát triển sản phẩm hỗ trợ hệ thống cell-free massive MIMO, tăng tính cạnh tranh trên thị trường.

Câu hỏi thường gặp

  1. Cell-free massive MIMO là gì và khác gì so với massive MIMO truyền thống?
    Cell-free massive MIMO là hệ thống với số lượng điểm truy cập dày đặc, không phân chia thành các tế bào cố định, tất cả điểm truy cập cùng phục vụ đồng thời các thiết bị người dùng. Khác với massive MIMO truyền thống, cell-free massive MIMO không giới hạn vị trí điểm truy cập và giảm thiểu hiệu ứng biên tế bào, nâng cao hiệu suất phổ.

  2. Tại sao cần phân bổ công suất tối ưu trong hệ thống này?
    Phân bổ công suất tối ưu giúp cân bằng giữa công suất phát và nhiễu, từ đó tối đa hóa tổng hiệu suất phổ của hệ thống, đảm bảo tốc độ dữ liệu cao và công bằng giữa các thiết bị người dùng.

  3. Học tăng cường sâu được áp dụng như thế nào trong bài toán phân bổ công suất?
    Thuật toán học tăng cường sâu cho phép agent học cách phân bổ công suất dựa trên trạng thái kênh và phản hồi từ môi trường mô phỏng, tối ưu hóa chiến thuật phân bổ để đạt phần thưởng (tốc độ dữ liệu) cao nhất qua nhiều lần tương tác.

  4. Phương pháp học tăng cường có ưu điểm gì so với thuật toán truyền thống?
    Học tăng cường không cần mô hình hóa chính xác toàn bộ hệ thống, có khả năng thích nghi với môi trường thay đổi, giảm thời gian tính toán và đạt hiệu suất gần bằng hoặc vượt trội so với thuật toán tối ưu truyền thống như block coordinate descent.

  5. Kết quả mô phỏng có thể áp dụng trong thực tế như thế nào?
    Kết quả mô phỏng chứng minh tính khả thi của thuật toán học tăng cường trong việc phân bổ công suất tối ưu, từ đó có thể triển khai trong các hệ thống viễn thông thực tế để nâng cao hiệu suất mạng 6G và các thế hệ tiếp theo.

Kết luận

  • Luận văn đã nghiên cứu và mô phỏng thành công hệ thống cell-free massive MIMO, tập trung vào bài toán phân bổ công suất tối ưu trên đường uplink.
  • Phương pháp học tăng cường sâu được đề xuất và phát triển, cho kết quả hiệu suất phổ đạt trên 90% so với thuật toán block coordinate descent.
  • Kết quả mô phỏng chỉ ra khả năng thích nghi và tối ưu hóa hiệu quả của học tăng cường trong môi trường mạng phức tạp và biến đổi.
  • Đề xuất các hướng phát triển tiếp theo bao gồm mở rộng học tăng cường đa agent, tối ưu hàm phần thưởng và tăng mật độ điểm truy cập.
  • Khuyến nghị triển khai thử nghiệm thuật toán trong hệ thống thực tế nhằm nâng cao hiệu suất mạng viễn thông thế hệ mới.

Để tiếp tục phát triển công nghệ này, các nhà nghiên cứu và kỹ sư được khuyến khích áp dụng và mở rộng phương pháp học tăng cường trong các bài toán tối ưu hóa mạng viễn thông phức tạp.