Ứng dụng kỹ thuật học sâu trực tuyến cho bài toán dự báo mạng vô tuyến 4g

Dự báo mạng 4G với ứng dụng học sâu trực tuyến và mô hình CL-MLPs. Khám phá tiềm năng, tối ưu hóa hiệu suất mạng 4G, nâng cao trải nghiệm người dùng.

• Tác giả: Lê Tân Pha
• Người hướng dẫn: PGS. TS Quản Thành Thơ
• Trường học: Trường Đại học Bách Khoa – ĐHQG -HCM
• Chuyên ngành: Khoa Học Máy Tính
• Đề tài: Ứng Dụng Kỹ Thuật Học Sâu Trực Tuyến Cho Bài Toán Dự Báo Mạng Vô Tuyến 4G
• Loại tài liệu: Luận Văn Thạc Sĩ
• Năm xuất bản: 2024
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• LỜI CÁM ƠN
• TÓM TẮT LUẬN VĂN
• ABSTRACT
• LỜI CAM ĐOAN
• DANH SÁCH BẢNG
• DANH SÁCH HÌNH VẼ
• 1. CHƯƠNG 1: GIỚI THIỆU
• 1.1. Mở đầu
• 1.2. Mô tả bài toán dự báo mạng vô tuyến 4G
• 1.3. Mục tiêu và nhiệm vụ của luận văn
• 1.4. Giới hạn đề tài
• 1.5. Đóng góp của luận văn
• 1.6. Cấu trúc luận văn
• 2. CHƯƠNG 2: CƠ SỞ KIẾN THỨC
• 2.1. Tổng quan về dự báo chuỗi thời gian
• 2.1.1. Các phương pháp dự báo chuỗi thời gian
• 2.1.2. Các yếu tố ảnh hưởng đến dự báo chuỗi thời gian
• 2.1.3. Ưu điểm và nhược điểm của phương pháp học sâu
• 2.2. Các hình thức của phương pháp học máy
• 2.3. Mô hình MLP
• 2.4. Mô hình CNN
• 2.5. Mô hình RNN - LSTM
• 2.7. Giải thuật tối ưu mô hình
• 2.7.1. SGD cho học trực tuyến
• 2.8. Chuẩn hóa dữ liệu
• 3. CHƯƠNG 3: CÁC CÔNG TRÌNH NGHIÊN CỨU LIÊN QUAN
• 3.1. Hướng tiếp cận sử dụng CNN
• 3.2. Hướng tiếp cận sử dụng LSTM
• 3.3. Hướng tiếp cận kết hợp
• 4. CHƯƠNG 4: MÔ HÌNH ĐỀ XUẤT
• 4.1. Bộ dữ liệu
• 4.2. Mô hình tham khảo
• 4.3. Phương pháp đánh giá RMSE
• 4.4. Mô hình đề xuất CL-MLP
• 4.4.1. Đề xuất 1: Dự đoán gián tiếp
• 4.4.2. Đề xuất 2: Mô hình kết hợp CL-MLP
• 4.4.3. Đề xuất 3: Học trực tuyến
• 4.5. Các thí nghiệm và so sánh
• 4.5.1. Xử lý dữ liệu
• 5. CHƯƠNG 5: KẾT LUẬN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Ứng Dụng Học Sâu Dự Báo Mạng 4G LTE

Công nghệ mạng vô tuyến 4G đóng vai trò then chốt trong nền kinh tế số, cung cấp kết nối internet di động tốc độ cao. Việc dự báo chính xác các chỉ số hiệu suất mạng (KPI) như lưu lượng mạng, tốc độ tải xuống, tỉ lệ rớt cuộc gọi là vô cùng quan trọng. Dự báo giúp các nhà khai thác chủ động phân bổ tài nguyên, ngăn ngừa sự cố và tối ưu hóa chất lượng dịch vụ (QoS), từ đó nâng cao trải nghiệm người dùng (QoE). Bài toán này có thể được tiếp cận bằng các kỹ thuật học sâu và học máy để xây dựng các mô hình dự báo mạng hiệu quả. Các trích dẫn như [1] và [2] nhấn mạnh tầm quan trọng của mạng 4G và các thách thức liên quan đến việc quản lý tài nguyên. Dữ liệu thời gian thực là yếu tố then chốt để xây dựng các mô hình dự đoán chính xác.

1.1. Tầm quan trọng của dự báo lưu lượng mạng 4G

Dự báo chính xác lưu lượng mạng cho phép nhà khai thác tối ưu hóa việc sử dụng tài nguyên vô tuyến, giảm thiểu độ trễ mạng và tăng băng thông cho người dùng. Điều này đặc biệt quan trọng trong bối cảnh lưu lượng dữ liệu di động ngày càng tăng. Bằng cách dự đoán lưu lượng mạng, nhà khai thác có thể chủ động điều chỉnh kiến trúc mạng và tài nguyên mạng để đáp ứng nhu cầu.

1.2. Vai trò của học sâu trong bài toán dự báo mạng

Kỹ thuật học sâu, với khả năng tự động trích xuất đặc trưng từ dữ liệu, mang lại hiệu quả cao trong việc dự báo chuỗi thời gian. Các mô hình học sâu như LSTM, RNN, và CNN có thể nắm bắt các mẫu phức tạp trong dữ liệu hiệu suất mạng và đưa ra dự đoán chính xác hơn so với các phương pháp truyền thống.

II. Thách Thức Trong Dự Báo Hiệu Suất Mạng Vô Tuyến 4G

Dự báo hiệu suất mạng vô tuyến 4G đối mặt với nhiều thách thức. Môi trường truyền thông không dây biến đổi liên tục. Dữ liệu mạng thường không đầy đủ, có nhiễu. Các chỉ số chất lượng mạng có mối tương quan phức tạp. Lượng dữ liệu lớn cần xử lý cũng là một vấn đề. Theo luận văn, dữ liệu được thu thập từ 5000 tế bào từ 22 tỉnh thành, tạo ra một tập dữ liệu khổng lồ cần xử lý. Sự không ổn định của dữ liệu và tính đa dạng của các chỉ số là những yếu tố cần được xem xét kỹ lưỡng trong quá trình xây dựng mô hình dự báo.

2.1. Tính biến động của môi trường mạng 4G

Mạng di động chịu ảnh hưởng bởi nhiều yếu tố như thời tiết, sự kiện đặc biệt, và thay đổi về số lượng người dùng. Điều này dẫn đến tính biến động cao của dữ liệu thời gian, gây khó khăn cho việc dự báo chính xác.

2.2. Vấn đề nhiễu và thiếu dữ liệu trong mạng 4G LTE

Dữ liệu thu thập từ mạng 4G LTE có thể bị nhiễu do lỗi thiết bị, lỗi truyền dẫn hoặc các yếu tố bên ngoài. Ngoài ra, có thể xảy ra tình trạng thiếu dữ liệu do mất kết nối hoặc lỗi hệ thống. Việc xử lý nhiễu và điền vào các khoảng trống dữ liệu là rất quan trọng để đảm bảo chất lượng mô hình dự báo.

2.3. Mối tương quan giữa các chỉ số chất lượng mạng 4G

Các KPI như CSSR, USER DL AVG THPUT, SERVICE DROP ALL, TRAFFIC, và INTRA FREQUENCY HO thường có mối tương quan chặt chẽ với nhau. Ví dụ, khi lưu lượng mạng tăng cao, tốc độ tải xuống có thể giảm và tỉ lệ rớt cuộc gọi có thể tăng lên. Việc khai thác mối tương quan này có thể giúp cải thiện độ chính xác của mô hình dự báo đa biến.

III. Phương Pháp CL MLP Kết Hợp CNN LSTM Cho Dự Báo 4G

Luận văn đề xuất mô hình CL-MLP, kết hợp mạng nơ-ron tích chập (CNN), mạng bộ nhớ dài-ngắn hạn (LSTM) và mô hình Perceptron đa lớp (MLP). Mô hình này có khả năng dự báo nhiều chỉ số KPI đồng thời với độ chính xác cao. CNN được sử dụng để trích xuất đặc trưng từ dữ liệu, LSTM được sử dụng để nắm bắt thông tin theo thời gian, và MLP được sử dụng để đưa ra dự đoán cuối cùng. Phương pháp này được đánh giá là hiệu quả trong việc cải thiện độ chính xác dự báo so với các phương pháp truyền thống.

3.1. Ưu điểm của việc kết hợp CNN và LSTM

CNN có khả năng trích xuất các đặc trưng không gian cục bộ từ dữ liệu, trong khi LSTM có khả năng nắm bắt các phụ thuộc thời gian dài. Việc kết hợp hai kiến trúc này cho phép mô hình học được các mẫu phức tạp trong dữ liệu chuỗi thời gian của mạng 4G.

3.2. Vai trò của MLP trong mô hình CL MLP

MLP đóng vai trò là bộ phân loại cuối cùng, kết hợp các đặc trưng được trích xuất bởi CNN và LSTM để đưa ra dự đoán cuối cùng. MLP cũng có thể học được các mối quan hệ phi tuyến giữa các đặc trưng và các KPI.

3.3. Ứng dụng học máy trực tuyến trong mô hình CL MLP

Học máy trực tuyến cho phép mô hình CL-MLP cập nhật liên tục với dữ liệu mới, giúp mô hình thích ứng với sự thay đổi của mạng 4G theo thời gian. Điều này đặc biệt quan trọng trong môi trường mạng không dây năng động, nơi mà các mẫu dữ liệu có thể thay đổi nhanh chóng.

IV. Ứng Dụng Thực Tế Và Kết Quả Nghiên Cứu Mô Hình Dự Báo

Mô hình CL-MLP được ứng dụng để dự báo các KPI quan trọng như CSSR, USER DL AVG THPUT, SERVICE DROP ALL, TRAFFIC, và INTRA FREQUENCY HO. Kết quả cho thấy mô hình có khả năng dự đoán chính xác các điểm bất thường trên mạng di động, ngay cả khi trạng thái trước đó là bình thường. Điều này chứng tỏ tính hiệu quả của mô hình trong việc phát hiện sớm các vấn đề tiềm ẩn và giúp nhà khai thác chủ động giải quyết.

4.1. Dự đoán các chỉ số CSSR Thput và Ho thành công

Các kết quả dự báo cho thấy mô hình CL-MLP có khả năng dự đoán chính xác CSSR, USER DL AVG THPUT (tốc độ tải xuống trung bình) và INTRA FREQUENCY HO (tỷ lệ chuyển giao mạng thành công). Đây là những KPI quan trọng để đánh giá chất lượng dịch vụ và trải nghiệm người dùng trên mạng 4G.

4.2. Phát hiện điểm bất thường trong mạng vô tuyến 4G

Mô hình CL-MLP có khả năng phát hiện các điểm bất thường trong dữ liệu KPI, cho phép nhà khai thác xác định sớm các vấn đề tiềm ẩn như quá tải mạng, sự cố thiết bị hoặc tấn công mạng. Việc phát hiện sớm giúp giảm thiểu tác động tiêu cực đến hiệu suất mạng và chất lượng dịch vụ.

V. Kết Luận Và Hướng Phát Triển Của Dự Báo Mạng 4G

Luận văn đã đề xuất một phương pháp hiệu quả để dự báo hiệu suất mạng vô tuyến 4G bằng cách sử dụng kỹ thuật học sâu trực tuyến. Mô hình CL-MLP cho thấy tiềm năng lớn trong việc cải thiện độ chính xác dự báo và phát hiện các điểm bất thường. Tuy nhiên, vẫn còn nhiều hướng nghiên cứu có thể được khám phá để nâng cao hiệu quả của mô hình, chẳng hạn như tích hợp thêm thông tin về thời tiết, sự kiện đặc biệt, và thông tin về số lượng người dùng.

5.1. Tổng kết đóng góp của luận văn về mạng vô tuyến 4G

Luận văn đã đóng góp vào việc nghiên cứu và phát triển các phương pháp dự báo hiệu suất mạng 4G bằng cách đề xuất mô hình CL-MLP và phương pháp học máy trực tuyến. Kết quả nghiên cứu có thể được sử dụng để xây dựng các hệ thống giám sát và quản lý mạng thông minh, giúp nâng cao hiệu suất mạng và chất lượng dịch vụ.

5.2. Hướng nghiên cứu tiếp theo và tiềm năng phát triển

Các hướng nghiên cứu tiếp theo có thể tập trung vào việc tích hợp thêm các nguồn dữ liệu bên ngoài (thời tiết, sự kiện, thông tin người dùng), tối ưu hóa kiến trúc mô hình CL-MLP, và phát triển các phương pháp giải thích mô hình để hiểu rõ hơn về cách mô hình đưa ra dự đoán. Ngoài ra, việc áp dụng các kỹ thuật học tăng cường có thể giúp mô hình tự động điều chỉnh các tham số để tối ưu hóa hiệu suất trong các điều kiện mạng khác nhau.

5.3. Ứng dụng mô hình cho các thế hệ mạng di động mới

Các kỹ thuật dự báo và mô hình CL-MLP có thể được điều chỉnh và áp dụng cho các thế hệ mạng di động mới như mạng 5G và mạng di động thế hệ mới. Việc dự báo chính xác hiệu suất mạng là rất quan trọng để đảm bảo chất lượng dịch vụ và đáp ứng nhu cầu ngày càng cao của người dùng trong tương lai.

Nội dung chính

Tổng quan nghiên cứu

Sự bùng nổ của nền kinh tế số tại Việt Nam đã đặt ra yêu cầu cấp thiết đối với việc duy trì tính ổn định và nâng cao chất lượng dịch vụ mạng không dây thế hệ 4G. Tại Việt Nam, mạng 4G cung cấp kết nối băng thông rộng tốc độ cao cho hàng chục triệu người dùng, đồng thời đóng vai trò hạ tầng nền tảng song hành cùng mạng 5G trong dài hạn. Tuy nhiên, việc vận hành hàng chục nghìn trạm phát sóng di động đang đối mặt với nhiều thách thức lớn do môi trường truyền dẫn vô tuyến biến động liên tục theo không gian và thời gian. Các sự cố tắc nghẽn lưu lượng, suy giảm chất lượng cuộc gọi hay đứt gãy kết nối thường diễn ra đột ngột, gây ảnh hưởng nghiêm trọng đến trải nghiệm người dùng và hiệu quả kinh doanh của nhà mạng viễn thông.

Nhằm giải quyết triệt để bài toán quản trị vận hành mạng chủ động, luận văn thạc sĩ chuyên ngành Khoa học máy tính của tác giả Lê Tân Pha tại Trường Đại học Bách Khoa – Đại học Quốc gia TP. Hồ Chí Minh đã tập trung nghiên cứu phương pháp dự báo chuỗi thời gian đa biến cho mạng vô tuyến 4G. Mục tiêu cốt lõi của công trình là xây dựng mô hình học sâu kết hợp cơ chế học trực tuyến để dự báo chính xác 5 chỉ số chất lượng mạng trọng yếu gồm: tỉ lệ thiết lập cuộc gọi thành công (CSSR), tốc độ tải xuống trung bình (USER DL AVG THPUT), tỉ lệ mất tất cả dịch vụ (SERVICE DROP ALL), lưu lượng truyền tải (TRAFFIC) và tỷ lệ chuyển giao mạng thành công cùng tần số (INTRA FREQUENCY HO).

Nghiên cứu được triển khai trên tập dữ liệu thực nghiệm khổng lồ với quy mô 5.000 tế bào phát sóng thu thập từ 22 tỉnh thành trên toàn quốc trong khung thời gian 24 tháng liên tục (từ tháng 1 năm 2021 đến tháng 12 năm 2022). Toàn bộ khối dữ liệu với khoảng 7,7 tỷ dòng bản ghi được xử lý và đánh giá thực tế trong khuôn khổ đề tài nghiên cứu cấp cơ sở mang mã số 169KHCN2021005 giữa Trường Đại học Bách Khoa TP.HCM và Tập đoàn Bưu chính Viễn thông Việt Nam (VNPT). Kết quả đạt được cho thấy mô hình giúp giảm thiểu chỉ số mất mát MSE xuống mức 0,1173, tạo tiền đề vững chắc cho việc phát hiện sớm các bất thường và tối ưu hóa tài nguyên mạng trước 24 giờ.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng nền tảng dựa trên sự tích hợp của ba kiến trúc học sâu kinh điển cùng mô hình tối ưu hóa học trực tuyến hiện đại:

Mạng nơ-ron tích chập (Convolutional Neural Network - CNN) được ứng dụng để quét qua các cửa sổ dữ liệu quá khứ thông qua các bộ lọc tích chập đa chiều, từ đó tự động trích xuất các mẫu đặc trưng không gian và mối tương quan cục bộ giữa các chỉ số chất lượng mạng.

Mạng nơ-ron bộ nhớ ngắn hạn dài (Long Short-Term Memory - LSTM) giải quyết triệt để hiện tượng triệt tiêu đạo hàm (vanishing gradient) vốn tồn tại trên các mạng hồi quy RNN truyền thống. Với cấu trúc ba cổng điều khiển gồm cổng quên (forget gate), cổng cập nhật (update gate) và cổng đầu ra (output gate), LSTM có khả năng ghi nhớ hoàn hảo các chu kỳ lưu lượng và quán tính phụ thuộc dài hạn theo chuỗi thời gian.

Mạng nơ-ron truyền thẳng nhiều tầng (Multi-layer Perceptron - MLP) đóng vai trò lớp kết hợp cuối cùng, tiếp nhận các vector đặc trưng không gian và thời gian được nối ghép từ CNN và LSTM để tổng hợp và ánh xạ phi tuyến thành vector dự báo đầu ra đa biến.

Khung lý thuyết của luận văn tập trung vào 5 khái niệm chuyên ngành then chốt: dự báo chuỗi thời gian đa biến (Multivariate Time Series Forecasting), biến đổi sai phân 24 giờ để khắc phục mất cân bằng dữ liệu (Imbalanced Data), kỹ thuật chia khung cửa sổ dữ liệu (Data Windowing), cơ chế tối ưu hóa gradient ngẫu nhiên (Stochastic Gradient Descent - SGD) cho học máy trực tuyến (Online Learning), và hệ thống lưu trữ phân tán hiệu năng cao trên cơ sở dữ liệu Apache Cassandra.

Phương pháp nghiên cứu

Nguồn dữ liệu của luận văn được trích xuất trực tiếp từ hệ thống giám sát và đánh giá chất lượng mạng thực tế của nhà mạng viễn thông. Cỡ mẫu nghiên cứu bao gồm 5.000 trạm tế bào (cell) với độ phân giải theo từng giờ, tạo nên tập dữ liệu đồ sộ lên tới 7,7 tỷ bản ghi.

Phương pháp chọn mẫu được thực hiện theo nguyên tắc phân tầng địa lý đại diện, bao phủ 22 tỉnh thành với 5 loại hình khu vực điển hình: khu dân cư đô thị mật độ cao, khu công nghiệp tập trung, trục đường quốc lộ, khu vực biên giới và vùng hải đảo xa xôi. Việc chọn mẫu đa dạng này đảm bảo phản ánh chính xác các hình thái lưu lượng và quy luật hoạt động viễn thông phức tạp trong đời sống thực tế, vượt trội hoàn toàn so với các tập dữ liệu mô phỏng trong phòng thí nghiệm.

Lý do lựa chọn phương pháp phân tích kết hợp CL-MLP cùng thuật toán học trực tuyến SGD xuất phát từ tính chất động của mạng di động. Thay vì huấn luyện ngoại tuyến (batch learning) vốn đòi hỏi dừng hệ thống và tốn kém tài nguyên tính toán khi có trạm mới xuất hiện, phương pháp học trực tuyến cập nhật trọng số liên tục theo từng mẫu dữ liệu đơn lẻ với tốc độ học 0,001. Dữ liệu được đưa qua quy trình Data Windowing với độ rộng cửa sổ đầu vào là 48 giờ đối với tập huấn luyện và 24 giờ đối với tập kiểm tra, bước trượt 1 giờ, nhằm dự báo chính xác 24 giờ tiếp theo. Toàn bộ quy trình huấn luyện và đánh giá được thực thi trên máy chủ chuyên dụng cấu hình cao gồm CPU Intel Xeon Silver 4314 với 64 luồng xung nhịp 3,400 GHz, GPU NVIDIA A100 PCIe 80GB và 256 GB bộ nhớ RAM.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đối sánh giữa 4 mô hình gồm CNN DeepAnT, LSTM đơn lẻ, CL-MLP huấn luyện theo lô và CL-MLP học trực tuyến đã mang lại những kết quả nổi bật:

Thứ nhất, mô hình tích hợp CL-MLP đạt giá trị hàm mất mát MSE trên tập huấn luyện 100 epoch là 0,1173, vượt trội rõ rệt so với mô hình DeepAnT đạt mức MSE trên 0,18 và mô hình LSTM đơn lẻ. Sự suy giảm hàm mất mát này khẳng định khả năng trích xuất đồng thời đặc trưng không gian và phụ thuộc thời gian của cấu trúc lai.

Thứ hai, giải pháp đề xuất dự báo gián tiếp thông qua biến đổi sai phân delta trong 24 giờ đã giải quyết triệt để bài toán phân phối dữ liệu mất cân bằng. Trước khi biến đổi, các chỉ số như CSSR hay SERVICE DROP ALL có hơn 95% giá trị tập trung ở trạng thái lý tưởng, khiến mô hình khó học được các biến động bất thường. Sau khi biến đổi sai phân 24 giờ kết hợp kỹ thuật chuẩn hóa Min-Max Scaling, dữ liệu chuyển đổi về dạng phân phối chuẩn hóa đối xứng, giúp độ nhạy phát hiện bất thường tăng hơn 40%.

Thứ ba, trên tập dữ liệu kiểm tra độc lập thu thập từ tháng 2 năm 2023 đến tháng 5 năm 2023, mô hình CL-MLP kết hợp cơ chế học trực tuyến SGD đạt chỉ số sai số tuyệt đối trung bình MAE và sai số toàn phương trung bình RMSE thấp nhất trong tất cả các phương pháp thử nghiệm.

Thứ tư, mô hình có khả năng nhận diện chính xác các điểm rơi đột ngột của chỉ số thiết lập cuộc gọi CSSR từ mức trên 98% xuống dưới 80%, cũng như dự báo trước sự gia tăng đột biến của lưu lượng người dùng (TRAFFIC) và suy giảm thông lượng tải xuống trung bình (USER DL AVG THPUT) trước 24 giờ.

Thảo luận kết quả

Hiệu năng vượt trội của mô hình CL-MLP bắt nguồn từ sự phân công tối ưu giữa các tầng mạng: lớp Convolution 1 và 2 với kích thước bộ lọc 3x3 và số kênh từ 64 đến 128 trích xuất hoàn hảo mối tương quan đa biến, trong khi tầng LSTM 128 đơn vị bắt trọn tính tuần hoàn ngày - đêm của chuỗi thời gian. Kết quả này hoàn toàn tương đồng và mở rộng sâu hơn so với các công trình quốc tế như nghiên cứu của Mohsin Munir về mô hình DeepAnT với độ chính xác phát hiện bất thường đạt 98,5% hay nghiên cứu của Amin Azari khi so sánh LSTM với mô hình thống kê ARIMA. Tuy nhiên, điểm cải tiến mang tính đột phá của luận văn là xử lý đồng thời 5 chỉ số mạng đa biến thay vì chỉ dự báo lưu lượng đơn lẻ.

Để các kỹ sư viễn thông dễ dàng theo dõi và đưa ra quyết định, dữ liệu kết quả được trực quan hóa thông qua biểu đồ đường chuỗi thời gian đối sánh giữa giá trị thực tế và giá trị dự báo trong khung cửa sổ 24 giờ. Bảng tổng hợp đối sánh sai số RMSE và MAE giữa các trạm thuộc 5 vùng địa lý cho thấy mô hình duy trì sai số ổn định dưới 5% ngay cả tại các khu vực phức tạp như hải đảo và biên giới. Việc mô hình dự báo chính xác các điểm uốn suy giảm chất lượng dịch vụ chứng minh tính ứng dụng thực tiễn cao trong việc chuyển đổi từ vận hành mạng bị động sang chủ động ngăn ngừa sự cố.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu thực nghiệm vững chắc, luận văn đề xuất 4 nhóm giải pháp chiến lược dành cho các đơn vị vận hành viễn thông:

Thứ nhất, tích hợp mô hình CL-MLP trực tuyến vào hệ thống Trung tâm Điều hành Mạng (NOC) của các nhà mạng viễn thông. Đội ngũ kỹ sư giám sát cần ứng dụng mô hình để tự động hóa quy trình cảnh báo suy giảm KPI trước 24 giờ cho toàn bộ 5.000 trạm vô tuyến, hướng tới mục tiêu giảm 35% thời gian khắc phục sự cố nghẽn mạng trong giai đoạn từ quý II năm 2024 đến hết năm 2025.

Thứ hai, chuẩn hóa hạ tầng thu thập và lưu trữ dữ liệu thời gian thực trên nền tảng cơ sở dữ liệu phân tán Apache Cassandra. Bộ phận kỹ thuật dữ liệu cần thiết lập luồng xử lý dữ liệu liên tục với tốc độ ghi đạt trên 10.000 bản ghi mỗi giây, đảm bảo độ trễ cung cấp dữ liệu đầu vào cho mô hình học trực tuyến dưới 60 giây, hoàn thành triển khai trong vòng 6 tháng.

Thứ ba, áp dụng kỹ thuật dự báo gián tiếp sai phân 24 giờ làm quy chuẩn tiền xử lý dữ liệu cho các hệ thống giám sát viễn thông. Nhóm chuyên gia phân tích dữ liệu cần triển khai công thức nghịch đảo tự động để khôi phục giá trị KPI thực tế, giúp giảm tỷ lệ cảnh báo sai lệch xuống dưới 3% trong suốt chu kỳ khai thác hạ tầng 4G và 5G từ năm 2024 đến năm 2026.

Thứ tư, xây dựng cơ chế tự động điều chỉnh tốc độ học (adaptive learning rate) cho thuật toán tối ưu hóa SGD trong môi trường mạng thay đổi liên tục. Bộ phận R&D viễn thông cần định kỳ kiểm định lại mô hình khi có sự gia tăng trên 15% số lượng trạm phát sóng mới tại các địa phương, duy trì độ chính xác dự báo toàn mạng luôn đạt trên 95%.

Đối tượng nên tham khảo luận văn

Luận văn là tài liệu tham khảo chuyên sâu và hữu ích cho 4 nhóm đối tượng chính:

Kỹ sư vận hành và tối ưu hóa mạng vô tuyến (RF Optimization Engineers): Cung cấp công cụ và thuật toán dự báo sớm 5 chỉ số KPI then chốt, giúp chủ động phân bổ băng thông, điều chỉnh góc phát ăng-ten và ngăn ngừa tình trạng rớt mạng tại các trạm phát sóng trọng điểm.

Chuyên gia khoa học dữ liệu và kỹ sư học máy (Data Scientists / AI Engineers): Nắm bắt kiến trúc kết hợp CL-MLP hoàn chỉnh và kỹ thuật huấn luyện trực tuyến SGD, có thể tái sử dụng để giải quyết các bài toán chuỗi thời gian lớn trong lĩnh vực Internet vạn vật (IoT), lưới điện thông minh và giám sát hệ thống đám mây.

Học viên cao học, nghiên cứu sinh và giảng viên ngành Công nghệ thông tin: Khai thác phương pháp xử lý dữ liệu chuỗi thời gian mất cân bằng, kỹ thuật Data Windowing và cơ sở lý thuyết học sâu đa biến để phát triển các đề tài nghiên cứu chuyên sâu về tối ưu hóa mạng không dây thế hệ tiếp theo.

Lãnh đạo khối công nghệ và giám đốc kỹ thuật (CTO/CIO) tại các doanh nghiệp viễn thông: Tham khảo khung giải pháp chuyển đổi số toàn diện trong công tác quản trị hạ tầng mạng thông minh, phục vụ việc xây dựng lộ trình đầu tư AI và tự động hóa vận hành mạng lưới viễn thông bền vững.

Câu hỏi thường gặp

Tại sao mô hình lại sử dụng phương pháp dự báo gián tiếp biến thiên 24 giờ thay vì dự báo trực tiếp giá trị KPI? Phương pháp dự báo gián tiếp giúp chuyển đổi các chuỗi dữ liệu gốc có phân phối lệch và mất cân bằng nghiêm trọng về dạng phân phối chuông đối xứng. Nhờ đó, mô hình học sâu dễ dàng phân biệt giữa trạng thái hoạt động bình thường và trạng thái suy giảm chất lượng dịch vụ, nâng cao độ chính xác dự báo khi có sự cố bất thường xảy ra.

Kiến trúc kết hợp CL-MLP có điểm gì vượt trội hơn so với mô hình LSTM hay CNN đứng độc lập? Mô hình CL-MLP tận dụng đồng thời thế mạnh của cả hai kiến trúc: các tầng CNN trích xuất hiệu quả các đặc trưng không gian và mối tương quan chéo giữa 5 chỉ số mạng, trong khi tầng LSTM ghi nhớ quán tính và chu kỳ thời gian dài hạn. Sự phối hợp này giúp giảm giá trị mất mát MSE xuống 0,1173, thấp hơn nhiều so với các mô hình đơn lẻ.

Cơ chế học trực tuyến (Online Learning) mang lại lợi ích cụ thể nào cho hệ thống mạng di động 4G? Trong thực tế, môi trường mạng luôn thay đổi khi có thêm trạm phát sóng mới hoặc sự kiện tập trung đông người. Cơ chế học trực tuyến cho phép mô hình cập nhật trọng số ngay khi nhận từng mẫu dữ liệu mới mà không cần huấn luyện lại toàn bộ 7,7 tỷ bản ghi lịch sử, giúp tiết kiệm tài nguyên tính toán và phản ứng tức thì với dữ liệu mới.

Cơ sở dữ liệu Apache Cassandra đóng vai trò gì trong kiến trúc giải pháp của luận văn? Hệ thống mạng 4G với 5.000 trạm tế bào tạo ra lượng bản ghi theo giờ khổng lồ trong 24 tháng. Apache Cassandra cung cấp khả năng mở rộng lưu trữ phân tán theo chiều ngang, đảm bảo tốc độ đọc ghi dữ liệu liên tục với độ sẵn sàng cao và không gây nghẽn cổ chai khi cung cấp dữ liệu luồng cho mô hình học sâu.

Mô hình dự báo đề xuất có thể áp dụng cho mạng di động 5G trong tương lai được không? Hoàn toàn có thể. Do mạng 4G và 5G sẽ cùng tồn tại song song trong thời gian dài và chia sẻ nhiều đặc tính lưu lượng tương đồng, khung kiến trúc CL-MLP cùng kỹ thuật học trực tuyến có thể dễ dàng mở rộng để dự báo các chỉ số chất lượng dịch vụ mới trên mạng 5G như độ trễ cực thấp hay mật độ kết nối thiết bị lớn.

Kết luận

• Luận văn đã giải quyết thành công bài toán dự báo chuỗi thời gian đa biến phức tạp cho mạng vô tuyến 4G thông qua việc phân tích chuyên sâu tập dữ liệu thực tế gồm 7,7 tỷ bản ghi từ 5.000 trạm phát sóng tại 22 tỉnh thành.
• Sáng kiến dự báo biến thiên gián tiếp 24 giờ kết hợp chuẩn hóa Min-Max Scaling đã khắc phục triệt để hiện tượng mất cân bằng dữ liệu, giúp phát hiện nhạy bén các điểm suy giảm chất lượng mạng đột ngột.
• Đề xuất kiến trúc lai CL-MLP kết hợp CNN, LSTM và MLP, chứng minh hiệu năng vượt trội với giá trị hàm mất mát MSE đạt 0,1173 và sai số RMSE/MAE thấp nhất so với các mô hình DeepAnT và LSTM truyền thống.
• Thiết lập thành công cơ chế học trực tuyến sử dụng thuật toán tối ưu SGD, cho phép hệ thống tự cập nhật liên tục theo thời gian thực mà không cần dừng dịch vụ để tái huấn luyện.
• Đóng góp giải pháp công nghệ giá trị cao, được kiểm chứng thực tế trong khuôn khổ đề tài nghiên cứu trọng điểm hợp tác giữa Đại học Bách Khoa TP.HCM và Tập đoàn VNPT.

Trong giai đoạn tiếp theo từ năm 2024 đến năm 2025, hướng nghiên cứu sẽ mở rộng sang việc tối ưu hóa mạng 5G và tích hợp cơ chế tự động phân bổ tài nguyên mạng theo thời gian thực. Hãy liên hệ với nhóm nghiên cứu hoặc tải toàn văn luận văn thạc sĩ để khai thác chi tiết mã nguồn và ứng dụng mô hình học sâu trực tuyến vào hệ thống viễn thông của bạn ngay hôm nay.

Trích đoạn nội dung tài liệu

Chương 1 GIỚI THIỆU ĐỀ TÀI: Trình bày tổng quan về đề tài, lý do thực hiện đề tài và ý nghĩa thực tiễn của bài toán, cũng như giới hạn và phạm vi của đề tài. Cuối cùng là nhiệm vụ và cấu trúc của luận văn. • Chương 2 CƠ SỞ KIẾN THỨC: Bàn về cơ sở kiến thức cơ bản trong deep learning như Convolution Neural Network tới Recurrent Neural Network, Long Short-Term Memory, Multi-layer Perceptron và phương pháp học máy trực tuyến. • Chương 3 CÁC CÔNG TRÌNH NGHIÊN CỨU LIÊN QUAN: Trình bày một cách tổng quát về những nghiên cứu liên quan đã và đang được thực hiện, cũng như xu hướng chung hiện nay trong việc giải quyết bài toán.

Phần này cũng đưa ra những bàn luận và đánh giá cho các phương pháp kể trên vì đó là cơ sở quan trọng cho những nghiên cứu của học viên trong quá trình thực hiện luận văn. • Chương 4 CÁC MÔ HÌNH ĐỀ XUẤT: Chương 4 nói cụ thể về các mô hình đề xuất của học viên cho bài toán dự báo mạng vô tuyến 4G và các kết quả thực nhiệm. • Chương 5 KẾT LUẬN: Tổng hợp các kết quả đạt được trong quá trình thực hiện luận văn từ bước nghiên cứu và xây dựng giả thuyết đến triển khai thực nghiệm. Phần này cũng trình bày những hạn chế và vấn đề tồn đọng, cuối cùng đề xuất các giải pháp cải tiến trong tương lai.

5 Chương 2 CƠ SỞ KIẾN THỨC 2.1 Tổng quan về dự báo chuỗi thời gian Dự báo chuỗi thời gian là quá trình sử dụng dữ liệu lịch sử để dự đoán giá trị trong tương lai của một biến. Dữ liệu chuỗi thời gian là dữ liệu được thu thập theo thời gian, chẳng hạn như giá cổ phiếu, doanh số bán hàng, nhiệt độ, chỉ số chất lượng mạng v.1 Các phương pháp dự báo chuỗi thời gian Có nhiều phương pháp dự báo chuỗi thời gian khác nhau, có thể được phân loại thành hai loại chính: • Phương pháp mô hình hóa: Các phương pháp này sử dụng các mô hình toán học để mô tả các xu hướng và biến động trong dữ liệu chuỗi thời gian. Các phương pháp mô hình hóa phổ biến bao gồm: – Hồi quy tuyến tính: Phương pháp này sử dụng một đường thẳng để mô tả mối quan hệ giữa các biến (Hình 2. – Hồi quy phi tuyến: Phương pháp này sử dụng một đường cong để mô tả mối quan hệ giữa các biến (Hình 2.

– Mô hình tự hồi quy: Phương pháp này sử dụng các giá trị trước đó của biến để dự đoán giá trị hiện tại của biến. – Mô hình tự hồi quy tích phân: Phương pháp này sử dụng các giá trị trước đó và tích phân của các giá trị trước đó của biến để dự đoán giá trị hiện tại của biến. • Phương pháp phân tích: Các phương pháp này dựa trên phân tích dữ liệu chuỗi thời gian để xác định các xu hướng và biến động trong dữ liệu. Các phương pháp phân tích phổ biến bao gồm (Hình 2.3): – Phân tích xu hướng: Phân tích các xu hướng dài hạn trong dữ liệu.

– Phân tích chu kỳ: Phân tích các chu kỳ ngắn hạn trong dữ liệu. – Phân tích mùa vụ: Phân tích các biến động theo mùa trong dữ liệu. 6 • Phương pháp học máy [7]: Phương pháp học máy dự báo chuỗi thời gian là một phương pháp dự báo chuỗi thời gian sử dụng các mô hình học máy để học từ dữ liệu lịch sử. Các mô hình học máy có thể mô tả các xu hướng và biến động trong dữ liệu chuỗi thời gian một cách hiệu quả hơn các phương pháp truyền thống.

Có nhiều loại mô hình học máy có thể được sử dụng cho dự báo chuỗi thời gian, bao gồm: – Mô hình hồi quy: Các mô hình hồi quy sử dụng một hàm số để mô tả mối quan hệ giữa các biến. – Mô hình cây: Các mô hình cây sử dụng một cây quyết định để dự đoán giá trị của biến. – Mạng nơ-ron: Các mạng nơ-ron là một loại mô hình học máy phức tạp có thể mô tả các mối quan hệ phi tuyến phức tạp.1: Mô hình hồi quy tuyến tính 2.2 Các yếu tố ảnh hưởng đến dự báo chuỗi thời gian Có nhiều yếu tố ảnh hưởng đến độ chính xác của dự báo chuỗi thời gian nói chung và dự báo KPI nói riêng, bao gồm: • Chất lượng dữ liệu: Dữ liệu chuỗi thời gian cần phải đầy đủ, chính xác và không bị sai lệch. • Kiểu dữ liệu: Dữ liệu chuỗi thời gian có thể được chia thành hai loại chính: dữ liệu tuyến tính và dữ liệu phi tuyến.

Phương pháp dự báo phù hợp cần được lựa chọn dựa trên loại dữ liệu. • Tính chất của dữ liệu: Dữ liệu chuỗi thời gian có thể có các tính chất như xu hướng, chu kỳ, mùa vụ, v. Phương pháp dự báo cần được lựa chọn sao cho phù hợp với các tính chất của dữ liệu. • Các yếu tố bên ngoài: Các yếu tố bên ngoài, chẳng hạn như các sự kiện âm nhạc, vị trí đặt trạm phát sóng, v.

có thể ảnh hưởng đến giá trị của biến. Các yếu tố này cần được xem xét khi thực hiện dự báo chuỗi thời gian với dữ liệu KPI 4G.2: Mô hình hồi quy phi tuyến Hình 2.3: Một số phân tích bổ biến trên dữ liệu chuỗi thời gian 2.3 Ưu điểm và nhược điểm của phương pháp học sâu Ưu điểm: • Độ chính xác cao: Các mô hình học sâu có thể mô tả các xu hướng và biến động trong dữ liệu chuỗi thời gian một cách hiệu quả hơn các phương pháp truyền thống, chẳng hạn như hồi quy tuyến tính hoặc tự hồi quy. • Thích ứng với dữ liệu thay đổi: Các mô hình học sâu có thể học từ dữ liệu mới và thích ứng với các thay đổi trong dữ liệu. • Áp dụng cho nhiều loại dữ liệu: Các mô hình học sâu có thể được áp dụng cho nhiều loại 8 dữ liệu chuỗi thời gian, bao gồm dữ liệu tuyến tính, dữ liệu phi tuyến, dữ liệu có xu hướng, dữ liệu có chu kỳ, v.

Nhược điểm: • Yêu cầu dữ liệu lớn: Các mô hình học sâu cần một lượng dữ liệu lớn để học từ dữ liệu lịch sử. • Yêu cầu tính toán cao: Việc đào tạo các mô hình học sâu có thể đòi hỏi nhiều tài nguyên tính toán. • Khó giải thích: Các mô hình học sâu có thể khó giải thích, điều này có thể khiến việc xác định các xu hướng và biến động trong dữ liệu trở nên khó khăn. Phương pháp học máy dự báo chuỗi thời gian là một phương pháp mạnh mẽ có thể được sử dụng để cải thiện độ chính xác của dự báo chuỗi thời gian.

Tuy nhiên, phương pháp này cũng có một số nhược điểm cần được cân nhắc khi sử dụng.2 Các hình thức của phương pháp học máy Hình 2.4: Online learning và Batch learning Dựa trên cách thức mô hình tiếp cận dữ liệu để học, có 2 phương pháp phổ biến (Hình 2.4): • Batch Machine Learning là phương pháp học mà mô hình được cung cấp toàn bộ bộ dữ liệu trước khi đưa ra dự đoán. Mô hình được cập nhật một lần sau mỗi lần xử lý toàn bộ bộ dữ liệu. 9 • Online Machine Learning [11] là phương pháp học mà mô hình cập nhật từng phần, theo từng mẫu dữ liệu mới nhận được. Mỗi mẫu dữ liệu được sử dụng để cập nhật mô hình ngay lập tức và không được sử dụng lại.

Với batch machine learning, mô hình cần phải xử lý toàn bộ bộ dữ liệu trước khi có thể đưa ra dự đoán. Điều này có thể mất nhiều thời gian, đặc biệt với bộ dữ liệu lớn hoặc dữ liệu thay đổi liên tục. Với online machine learning, mô hình có thể cập nhật liên tục theo từng mẫu dữ liệu mới. Điều này cho phép mô hình xử lý dữ liệu real-time và thích ứng với dữ liệu thay đổi.

Phân loại này cũng có thể được hiểu là phân loại theo thời gian cập nhật mô hình. Với batch machine learning, mô hình được cập nhật định kỳ, sau mỗi lần xử lý toàn bộ bộ dữ liệu. Với online machine learning, mô hình được cập nhật liên tục, theo từng mẫu dữ liệu mới. Phân loại này có ý nghĩa quan trọng trong việc lựa chọn phương pháp học máy phù hợp cho từng bài toán.

Nếu bài toán yêu cầu độ chính xác cao và không cần xử lý dữ liệu real-time, batch machine learning là lựa chọn tốt. Nếu bài toán cần xử lý dữ liệu real-time và dữ liệu thay đổi theo thời gian, online machine learning là lựa chọn tốt hơn.3 Mô hình MLP Hình 2.5: Mô hình mạng nơ-ron nhiều tầng (MLP - Multi-layer Perceptron) Mạng nơ-ron nhiều tầng (MLP - Multi-layer Perceptron) là một loại mạng nơ-ron feed- forward gồm nhiều tầng, bao gồm ít nhất một tầng ẩn (hidden layer) giữa tầng đầu vào (input layer) và tầng đầu ra (output layer). MLP được sử dụng rộng rãi trong các bài toán ứng dụng học sâu bao gồm dự báo chuỗi thời gian. Cấu trúc của MLP (Hình 2.5): 10 • Input Layer (Tầng đầu vào): Tầng này chứa các nút đại diện cho các đặc trưng hoặc biến đầu vào của dữ liệu chuỗi thời gian.

• Hidden Layers (Tầng ẩn): Gồm nhiều tầng ẩn, mỗi tầng bao gồm nhiều nút (perceptrons) tính toán thông tin từ tầng trước đó và truyền thông tin đến tầng tiếp theo. Các tầng ẩn này giúp học các biểu diễn phức tạp và trừu tượng từ dữ liệu đầu vào. • Output Layer (Tầng đầu ra): Tầng này chứa các nút đại diện cho kết quả dự đoán của mô hình cho chuỗi thời gian. Cách hoạt động của MLP trong dự báo chuỗi thời gian: • Feed-forward: Trong quá trình huấn luyện, dữ liệu chuỗi thời gian được đưa vào mạng thông qua tầng đầu vào và truyền qua các tầng ẩn theo chiều tiến.

Mỗi tầng tính toán thông tin và truyền nó tới tầng tiếp theo. • Tính toán đầu ra: Khi dữ liệu đã được truyền qua các tầng, mạng tính toán đầu ra dự đoán dựa trên các trọng số (weights) và độ lệch (biases) được học trong quá trình huấn luyện. • Huấn luyện và cập nhật trọng số: Mạng được huấn luyện thông qua quá trình lan truyền ngược (backpropagation), trong đó sai số giữa đầu ra dự đoán và giá trị thực tế được tính toán. Quá trình này cập nhật trọng số và độ lệch của các nút trong mạng để giảm thiểu sai số này.

• Dự đoán chuỗi thời gian: Sau khi huấn luyện, mô hình MLP có thể được sử dụng để dự đoán giá trị tiếp theo của chuỗi thời gian dựa trên các đặc trưng đã học từ quá khứ.