Tổng quan nghiên cứu

Trong bối cảnh sự phát triển nhanh chóng của mạng di động thế hệ thứ năm (5G) và các công nghệ sau 5G, việc nâng cao hiệu suất phổ và khả năng kết nối số lượng lớn thiết bị trở thành yêu cầu cấp thiết. Theo báo cáo của ngành, lưu lượng data trên mỗi thuê bao di động toàn cầu đã tăng trưởng mạnh mẽ, với thiết bị di động chiếm tới 54.8% lưu lượng truy cập web toàn cầu trong quý đầu năm 2021. Đồng thời, sự bùng nổ của Internet Vạn Vật (IoT) đòi hỏi hạ tầng mạng phải xử lý hàng tỷ thiết bị kết nối, đảm bảo tốc độ và độ ổn định cao. Massive MIMO, một công nghệ trọng điểm trong mạng 5G, sử dụng số lượng lớn anten để tập trung năng lượng và tăng cường vùng phủ sóng, giúp nâng cao thông lượng và số lượng kết nối. Tuy nhiên, khi các thuê bao tập trung đông hoặc môi trường truyền sóng không có nhiều khác biệt, hiệu suất phổ của hệ thống Massive MIMO suy giảm nghiêm trọng.

Trong bối cảnh đó, kỹ thuật NOMA miền mã (Code-Domain NOMA) được xem là giải pháp triển vọng để cải thiện hiệu suất phổ của hệ thống Massive MIMO bằng cách phân nhóm người dùng dựa trên đặc tính kênh truyền và phân bổ chuỗi mã phù hợp. Việc ứng dụng các phương pháp machine learning trong phân loại người dùng giúp nâng cao hiệu năng của hệ thống NOMA-Massive MIMO. Mục tiêu nghiên cứu của luận văn là đề xuất mô hình hệ thống NOMA-Massive MIMO kết hợp machine learning nhằm tăng hiệu suất phổ và khả năng kết nối trong mạng 5G và sau 5G, với phạm vi nghiên cứu tập trung tại Việt Nam trong giai đoạn 2020-2022. Kết quả nghiên cứu có ý nghĩa khoa học trong việc phát triển các giải pháp kỹ thuật tiên tiến cho mạng di động thế hệ mới và ý nghĩa thực tiễn trong việc hỗ trợ triển khai mạng 5G hiệu quả tại các khu vực đô thị và môi trường có mật độ kết nối cao.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

  • Massive MIMO (Multiple Input Multiple Output): Công nghệ sử dụng số lượng lớn anten tại trạm gốc để tăng cường hiệu suất phổ và dung lượng mạng. Massive MIMO dựa trên các khái niệm phân tập không gian, ghép kênh không gian và định dạng chùm tia (beamforming), giúp tập trung tín hiệu theo hướng cụ thể, giảm nhiễu và tăng vùng phủ sóng.

  • NOMA miền mã (Code-Domain NOMA): Kỹ thuật đa truy cập phi trực giao cho phép nhiều người dùng chia sẻ cùng tài nguyên thời gian và tần số bằng cách phân bổ các chuỗi mã thưa hoặc mã có hệ số tương quan thấp cho các nhóm người dùng có đặc tính kênh tương tự. NOMA miền mã sử dụng các kỹ thuật như LDS-CDMA, SCMA để cải thiện hiệu suất phổ.

  • Machine Learning (Học máy) - Unsupervised Learning: Thuật toán phân loại người dùng dựa trên dữ liệu đầu vào không có nhãn, sử dụng các phương pháp phân cụm như K-means, K-medoids để nhóm người dùng theo đặc điểm kênh truyền, từ đó tối ưu phân bổ mã trong hệ thống NOMA-Massive MIMO.

  • Các khái niệm chính: Hiệu suất phổ (spectral efficiency), phân cụm dữ liệu (clustering), mã hóa xếp chồng (superposition coding), triệt giao thoa liên tiếp (successive interference cancellation - SIC), thông tin trạng thái kênh (channel state information - CSI).

Phương pháp nghiên cứu

  • Nguồn dữ liệu: Dữ liệu mô phỏng dựa trên mô hình toán học hệ thống NOMA-Massive MIMO, sử dụng các thông số kỹ thuật mạng 5G thực tế và các kịch bản phân bố người dùng trong cell.

  • Phương pháp phân tích: Kết hợp nghiên cứu lý thuyết với mô phỏng thực nghiệm. Thuật toán phân loại người dùng được triển khai bằng các phương pháp unsupervised learning như K-means và K-medoids để phân nhóm người dùng dựa trên đặc tính kênh truyền. Hiệu suất phổ được đánh giá thông qua các chỉ số như throughput, bit error rate (BER), và khả năng hỗ trợ số lượng kết nối.

  • Timeline nghiên cứu: Nghiên cứu được thực hiện trong giai đoạn 2020-2022, bao gồm các bước: tổng quan lý thuyết và công nghệ (2020), xây dựng mô hình và thuật toán (2021), mô phỏng và đánh giá hiệu quả (2022).

  • Cỡ mẫu và chọn mẫu: Mô phỏng với số lượng người dùng (UE) thay đổi từ khoảng 10 đến 100 trong các cell giả lập, phân bố ngẫu nhiên hoặc tập trung tại các góc phần tư cell để đánh giá hiệu suất trong các điều kiện khác nhau.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  • Hiệu suất phổ tăng đáng kể khi áp dụng NOMA miền mã: Kết quả mô phỏng cho thấy hệ thống NOMA-Massive MIMO đạt hiệu suất phổ trung bình cao hơn từ 15% đến 30% so với hệ thống Massive MIMO truyền thống trong các kịch bản mật độ người dùng cao (khoảng 50-100 UE).

  • Phân loại người dùng bằng machine learning nâng cao hiệu quả phân bổ mã: Thuật toán K-means và K-medoids giúp phân nhóm người dùng có đặc tính kênh tương đồng, từ đó phân bổ chuỗi mã hiệu quả hơn, giảm nhiễu và tăng throughput hệ thống lên đến 25% so với phân bổ ngẫu nhiên.

  • Ảnh hưởng của phân bố người dùng: Khi người dùng phân bố tập trung tại góc phần tư cell, hiệu suất phổ giảm khoảng 10% so với phân bố ngẫu nhiên, tuy nhiên NOMA miền mã vẫn duy trì hiệu quả vượt trội so với phương pháp truyền thống.

  • Số lượng anten ảnh hưởng đến hiệu suất: Tăng số lượng anten tại trạm gốc từ 64 lên 128 giúp cải thiện hiệu suất phổ trung bình thêm khoảng 20%, đồng thời hỗ trợ kết nối số lượng lớn người dùng hơn.

Thảo luận kết quả

Nguyên nhân chính của sự cải thiện hiệu suất phổ là do NOMA miền mã tận dụng được đặc tính tương đồng kênh của nhóm người dùng để phân bổ mã hiệu quả, giảm thiểu giao thoa và tăng khả năng tái sử dụng tài nguyên phổ. Việc ứng dụng machine learning trong phân loại người dùng giúp tự động hóa và tối ưu hóa quá trình phân nhóm, phù hợp với môi trường mạng động và phức tạp của 5G.

So sánh với các nghiên cứu trước đây, kết quả này khẳng định tiềm năng của NOMA miền mã kết hợp với Massive MIMO trong việc giải quyết các thách thức về hiệu suất phổ và kết nối mật độ cao. Dữ liệu có thể được trình bày qua các biểu đồ hiệu suất phổ theo số lượng người dùng, số lượng anten và phân bố người dùng, cũng như bảng so sánh hiệu suất giữa các thuật toán phân loại.

Ý nghĩa của kết quả nghiên cứu không chỉ nằm ở việc nâng cao hiệu suất kỹ thuật mà còn góp phần giảm chi phí vận hành mạng và tăng trải nghiệm người dùng trong các môi trường đô thị đông dân cư và các ứng dụng IoT.

Đề xuất và khuyến nghị

  • Triển khai thuật toán phân loại người dùng dựa trên machine learning: Áp dụng các thuật toán K-means hoặc K-medoids trong hệ thống quản lý mạng để tự động phân nhóm người dùng, nâng cao hiệu quả phân bổ tài nguyên phổ. Mục tiêu tăng hiệu suất phổ ít nhất 20% trong vòng 12 tháng, do các nhà mạng và nhà cung cấp thiết bị thực hiện.

  • Tăng cường số lượng anten tại trạm gốc: Đầu tư nâng cấp cấu hình anten từ 64 lên 128 hoặc cao hơn để tận dụng tối đa lợi ích của Massive MIMO, cải thiện vùng phủ và khả năng kết nối. Thời gian thực hiện dự kiến 18-24 tháng, chủ yếu do nhà mạng và nhà sản xuất thiết bị đảm nhận.

  • Phát triển phần mềm quản lý tài nguyên phổ tích hợp NOMA: Xây dựng và tích hợp phần mềm quản lý tài nguyên phổ hỗ trợ NOMA miền mã, giúp tối ưu hóa phân bổ mã và công suất theo đặc tính kênh người dùng. Mục tiêu giảm thiểu giao thoa và tăng throughput hệ thống, thực hiện trong 12 tháng bởi các công ty công nghệ viễn thông.

  • Đào tạo và nâng cao năng lực kỹ thuật cho đội ngũ vận hành: Tổ chức các khóa đào tạo chuyên sâu về công nghệ NOMA, Massive MIMO và machine learning cho kỹ sư vận hành mạng để đảm bảo triển khai và vận hành hiệu quả. Thời gian đào tạo liên tục, do các trường đại học và trung tâm đào tạo chuyên ngành thực hiện.

Đối tượng nên tham khảo luận văn

  • Các nhà nghiên cứu và sinh viên ngành kỹ thuật điện tử viễn thông: Nắm bắt kiến thức chuyên sâu về công nghệ NOMA, Massive MIMO và ứng dụng machine learning trong mạng 5G, phục vụ nghiên cứu và phát triển công nghệ mới.

  • Nhà mạng và nhà cung cấp dịch vụ viễn thông: Áp dụng các giải pháp nâng cao hiệu suất phổ và khả năng kết nối trong mạng 5G, tối ưu hóa chi phí vận hành và nâng cao chất lượng dịch vụ khách hàng.

  • Các công ty phát triển thiết bị và phần mềm viễn thông: Tham khảo mô hình và thuật toán phân loại người dùng để phát triển sản phẩm hỗ trợ NOMA-Massive MIMO, tăng tính cạnh tranh trên thị trường.

  • Cơ quan quản lý và hoạch định chính sách viễn thông: Hiểu rõ các công nghệ tiên tiến và xu hướng phát triển mạng 5G để xây dựng chính sách hỗ trợ phát triển hạ tầng viễn thông hiệu quả và bền vững.

Câu hỏi thường gặp

  1. NOMA miền mã là gì và khác gì so với NOMA miền công suất?
    NOMA miền mã sử dụng các chuỗi mã thưa hoặc mã có hệ số tương quan thấp để phân chia tài nguyên cho người dùng, trong khi NOMA miền công suất phân bổ công suất khác nhau cho người dùng. NOMA miền mã phù hợp với môi trường có mật độ người dùng cao và kênh tương đồng.

  2. Machine learning giúp gì trong hệ thống NOMA-Massive MIMO?
    Machine learning, đặc biệt là các thuật toán phân cụm không giám sát như K-means, giúp phân loại người dùng theo đặc tính kênh truyền, từ đó phân bổ mã hiệu quả, giảm nhiễu và tăng hiệu suất phổ.

  3. Hiệu suất phổ của hệ thống NOMA-Massive MIMO tăng bao nhiêu so với hệ thống truyền thống?
    Mô phỏng cho thấy hiệu suất phổ có thể tăng từ 15% đến 30% tùy thuộc vào mật độ người dùng và cấu hình anten.

  4. Có thể áp dụng kết quả nghiên cứu này trong thực tế ở Việt Nam không?
    Hoàn toàn có thể, đặc biệt trong các khu đô thị lớn và các sự kiện tập trung đông người, nơi mật độ kết nối cao và môi trường truyền sóng phức tạp.

  5. Thách thức lớn nhất khi triển khai NOMA-Massive MIMO là gì?
    Thách thức chính là việc phân loại người dùng chính xác và tối ưu hóa phân bổ tài nguyên trong môi trường mạng động, đòi hỏi các thuật toán machine learning hiệu quả và khả năng xử lý tính toán cao.

Kết luận

  • Nghiên cứu đã chứng minh tiềm năng ứng dụng NOMA miền mã kết hợp Massive MIMO trong mạng 5G và sau 5G để nâng cao hiệu suất phổ và khả năng kết nối.
  • Việc áp dụng machine learning trong phân loại người dùng giúp tối ưu phân bổ tài nguyên, giảm nhiễu và tăng throughput hệ thống.
  • Kết quả mô phỏng cho thấy hiệu suất phổ tăng từ 15% đến 30% so với hệ thống truyền thống, đặc biệt hiệu quả trong môi trường mật độ người dùng cao.
  • Đề xuất các giải pháp kỹ thuật và chính sách hỗ trợ triển khai công nghệ này tại Việt Nam trong giai đoạn 2023-2025.
  • Khuyến khích các nhà mạng, nhà nghiên cứu và cơ quan quản lý phối hợp để phát triển và ứng dụng công nghệ nhằm nâng cao chất lượng dịch vụ mạng di động thế hệ mới.

Hành động tiếp theo là triển khai thử nghiệm thực tế các thuật toán phân loại người dùng và mô hình NOMA-Massive MIMO tại các khu vực đô thị trọng điểm, đồng thời đào tạo nhân lực kỹ thuật để đảm bảo vận hành hiệu quả.