Mạng không dây trên cơ thể sống WBAN (Wireless Body Area Netwok) được ứng dụng nhiều cho nhiều lĩnh vực trong cuộc sống, mạng yêu cầu về độ tin cậy truyền tin cao trong điều kiện các nút cảm biến có đặc tính di động, tín hiệu suy hao mạnh và truyền đa đường.
Nghiên cứu khoa học cơng nghệ GIẢI PHÁP TRUYỀN THƠNG TIN ỨNG DỤNG BỘ MÃ HÓA TỰ ĐỘNG NÂNG CAO PHẨM CHẤT CHO MẠNG KHÔNG DÂY TRÊN CƠ THỂ SỐNG Bùi Thị Thanh Tâm1*, Trần Xuân Nam2, Phan Huy Anh1, Đồn Đại Đình3 Tóm tắt: Mạng khơng dây thể sống WBAN (Wireless Body Area Netwok) ứng dụng nhiều cho nhiều lĩnh vực sống, mạng yêu cầu độ tin cậy truyền tin cao điều kiện nút cảm biến có đặc tính di động, tín hiệu suy hao mạnh truyền đa đường Kỹ thuật Autoencoder (bộ mã hóa tự động) có khả tự động mã hóa tín hiệu phát giải mã với độ xác cao tham số máy thu máy phát tối ưu đồng thông qua huấn luyện Trong báo này, đề xuất hai mơ hình ứng dụng mã hóa tự động nâng cao phẩm chất cho hệ thống truyền tin mạng WBAN Từ khóa: WBAN; Deep Learning; Autoencoder GIỚI THIỆU Mạng WBAN ứng dụng hệ thống chăm sóc sức khỏe, thể thao, giải trí,… với nút sen-sơ đưa vào bên trong, gắn bề mặt thể gần thể Các nút cảm biến mạng WBAN đặt thể người, vậy, trình truyền tin từ nút cảm biến đến nút trung tâm chịu ảnh hưởng cử động người sinh hoạt, suy hao tín hiệu vơ tuyến truyền qua mô, thể, truyền đa đường WBAN truyền tin theo chuẩn IEEE 802.15.6 với băng tần hẹp HBC, MICS, ISM, băng tần rộng UWB [1] Kênh truyền WBAN chia thành kiểu kênh CM1, CM2, CM3, CM4 [2] Các nghiên cứu thực nghiệm để xác định mơ hình kênh truyền thể người thực điều kiện truyền cụ thể (môi trường nhà, ngồi trời; vị trí nút cảm biến thể, tốc độ di chuyển thể, băng tần sử dụng, ) [3, 4] Một số mơ hình kênh phù hợp đề xuất sử dụng cho mơ truyền dẫn băng hẹp WBAN, Lognormal, Rice, Rayleigh, Nagakami-m [5] Trong nghiên cứu này, chúng tơi sử dụng kênh pha-đinh có phân bố Rice cho mô hệ thống thông tin mạng WBAN Mặt khác, WBAN đặt yêu cầu độ trễ truyền dẫn thấp, giảm tiêu thụ lượng để kéo dài thời gian sống mạng, đồng thời mạng bị hạn chế công suất theo tiêu chuẩn y tế, WBAN phải làm việc điều kiện tỷ số tín/tạp thấp [1] Vấn đề nâng cao phẩm chất, độ tin cậy cho WBAN quan tâm công bố nhiều nghiên cứu Nghiên cứu [6] đề xuất sử dụng sơ đồ truyền tin hợp tác để giảm tỷ số lỗi, cải thiện hiệu lượng cho mạng WBAN Giải pháp sử dụng loại mã để giảm ảnh hưởng nhiễu từ WBAN tạp âm trình bày nghiên cứu [7, 8] Nghiên cứu [6, 9] đề xuất sử dụng mã Alamouti STBC (Space-Time Block Code) kênh pha-đinh Rayleigh cải thiện thông lượng phẩm chất hệ thống Trong năm gần đây, học máy (Machine Learning - ML), học sâu (Deep Learning DL) kỹ thuật trí tuệ nhân tạo ứng dụng nhiều lĩnh vực, có hệ thống thơng tin [10, 11] Các kỹ thuật cho phép hệ thống tự học thích nghi theo điều kiện truyền dẫn thực tế, tách đặc trưng huấn luyện liệu có sẵn để đưa mối quan hệ đặc tính nhãn Từ đó, hệ thống xác định nhãn cho liệu với độ xác cao mà giảm tính tốn phức tạp, giảm bớt thời gian xử lý, giảm độ trễ cho hệ thống thơng tin [12, 13] Mơ hình hóa hệ thống thơng tin từ máy thu đến máy phát mã hóa tự động (Autoencoder - AE) đề xuất [14], cách biểu diễn cho phép tối ưu hệ thống đồng từ máy phát đến máy thu giúp cải thiện phẩm chất hệ thống Các nghiên cứu ứng dụng AE hệ thống đơn ăng-ten phát đơn ăng-ten thu SISO (Single Input Single Output) sử dụng cho kênh AWGN, kênh pha-đinh chậm [14, 15], AE thiết kế với tỷ lệ mã hóa R , giải pháp làm tăng độ xác truyền tin giảm hiệu sử Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san HNKH dành cho NCS CBNC trẻ, 11 - 2021 23 Kỹ thuật Điện tử - Tự động hóa dụng phổ hệ thống Trong báo này, đề xuất mơ hình AE với tỷ lệ mã R cho truyền tin chặng SISO WBAN kênh pha-đinh chậm để cải thiện độ tin cậy truyền tin Bài báo cấu trúc thành phần: phần trình bày hệ thống truyền tin WBAN ứng dụng AE; Phần kết mô phần kết luận HỆ THỐNG TRUYỀN TIN TRONG WBAN ỨNG DỤNG AUTOENCODER 2.1 Hệ thống truyền tin ứng dụng mã hóa tự động Hệ thống thơng tin ứng dụng mã hóa tự động AE biểu diễn hình Tập tin phát M 1,2, , M ; tin mM gắn nhãn hàm one-hot thành chuỗi bit có chiều dài M 2k , với k số bit cần thiết để biểu diễn tin Sau đó, véc-tơ one-hot biến đổi thành véc-tơ x N (với N tập véc-tơ số thực có kích thước N 1 ) nhờ lớp Dense Số nút đầu encoder N 2n , n nút biểu diễn phần thực n nút biểu diễn phần ảo, đó, tỷ lệ mã hóa hệ thống R k n Lớp chuẩn hóa encoder có nhiệm vụ chuẩn hóa cơng suất véc-tơ tín hiệu phát x Các Các Lớp lớp lớp chuẩn Dense Dense hóa (Relu) (linear) Kênh truyền Máy phát (Encoder) Các Lớp lớp Dense Dense (softmax, (Relu) M) Argmax Onehot Máy thu (Decoder) Hàm sai lệch Hình Mơ hình hệ thống thơng tin AE Tín hiệu phát x truyền qua kênh, tín hiệu thu đầu vào decoder y N tuân theo phân bố xác suất có điều kiện p y x , tin mˆ tái tạo từ y nhờ decoder Trong trình huấn luyện, tham số mạng nơ-ron điều chỉnh để cực tiểu hàm sai lệch L xin , xout , với xin xout véc-tơ đầu vào đầu AE Một số hàm sai lệch phổ biến sử dụng trung bình bình phương lỗi MSE (Mean Square Error), BCE (Binary Cross Entropy), CCE (Categorical Cross Entropy) Trong mơ hình này, chúng tơi lựa chọn hàm sai lệch CCE: LCCE ,i xin,i , xout ,i xin,i log xout ,i (1 xin,i )log 1 xout ,i Trong đó, xin,i , xout ,i véc-tơ đầu vào đầu AE mẫu liệu thứ i , log (1) lấy lô-ga-rit số tự nhiên biến Các mạng nơ-ron huấn luyện tập liệu lớn, hàm sai lệch vịng huấn luyện giá trị trung bình hàm sai lệch từ mẫu liệu: LCCE xin , xout E LCCE ,i xin,i , xout ,i (2) Để tối ưu (2), sử dụng thuật toán Adam [16] tham số mạng cập nhật trình lan truyền ngược BP (Backpropagation) Kết thúc trình huấn luyện, hệ thống truyền tin tối ưu đồng từ máy phát đến máy thu 24 B T T Tâm, …, Đ Đ Đình, “Giải pháp truyền thơng tin … mạng khơng dây thể sống.” Nghiên cứu khoa học công nghệ 2.2 Mơ hình hệ thống truyền tin WBAN ứng dụng AE Trong mạng WBAN, nút cảm biến truyền thơng tin đến nút trung tâm theo cấu hình (truyền chặng) cấu hình hợp tác (truyền đa chặng) dựa đa truy cập TDMA CSMA-CA Từ hệ thống thơng tin ứng dụng AE trình bày mục 2.1, đề xuất sử dụng mô hình AE với tỷ lệ mã R cho truyền tin chặng SISO WBAN kênh pha-đinh chậm: mơ hình AE vịng hở (open-loop) mơ hình AE vịng kín (close-loop) biểu diễn đơn giản hình 2, hình H Các Các Lớp lớp lớp chuẩn Dense Dense hóa (Relu) (linear) Kênh truyền Các Lớp lớp Dense Dense (softmax, (Relu) M) Máy thu (Decoder) Máy phát (Encoder) Hình Mơ hình hệ thống thơng tin AE vịng hở Máy thu hệ thống AE vịng hở biết thơng tin trạng thái kênh (Channel State Information – CSI) Encoder mã hóa tin m thành tín hiệu phát x : x fenc m;enc (3) đó, f enc , enc hàm biến đổi tham số mạng encoder Tín hiệu thu y nhân với thông tin kênh truyền trước đưa vào decoder để giải mã tái tạo lại tin mˆ : ˆ f dec x;dec m (4) Trong đó, x h y f dec , dec hàm biến đổi tham số mạng decoder Cấu trúc lớp mạng nơ-ron, hàm kích hoạt sử dụng hệ thống liệt kê bảng Bảng Cấu trúc lớp mạng AE vòng hở Mạng NN Tên lớp Hàm kích hoạt Kích thước đầu input M Dense relu 64 Encoder Dense relu 64 Dense linear Normalization Kênh Rice Dense relu 64 Decoder Dense relu 64 Dense softmax M Trong hệ thống AE vịng kín, thơng tin trạng thái kênh CSI biết máy thu máy phát hình Cấu trúc lớp mạng AE vịng kín tương tự AE vòng hở, với lớp đầu vào encoder decoder thay lớp Concat để đưa CSI vào hệ thống Encoder thực mã hóa đồng thời tin m h (với h thông tin trạng thái kênh thời điểm, hH ): Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san HNKH dành cho NCS CBNC trẻ, 11 - 2021 25 Kỹ thuật Điện tử - Tự động hóa x fenc m, h;enc (5) Ở phía decoder, kênh truyền H đưa trực tiếp vào máy thu thông qua lớp Concat, tin tái tạo mˆ : ˆ f dec x, h;dec m (6) H m Concat Các lớp Dense Lớp chuẩn hóa Kênh truyền Concat Các Dense lớp (softmax, Dense M) Máy thu (Decoder) Máy phát (Encoder) Hình Mơ hình hệ thống truyền tin AE vịng kín Như vậy, so với AE vịng hở, với cấu trúc lớp mạng hệ thống AE vịng kín giảm độ phức tạp tính tốn khơng cần thực phép tốn nhân x h y đầu vào decoder Các bước huấn luyện, cực tiểu hàm mát, tính tỷ số lỗi SER AE vịng hở vịng kín thực tương tự với sơ đồ AE mục 2.1 KẾT QUẢ MƠ PHỎNG Hình Phẩm chất hệ thống MPSK kênh pha-đinh Hình Phẩm chất hệ thống MQAM kênh pha-đinh Trong phần này, thực mô phỏng, đánh giá phẩm chất hai hệ thống AE vịng kín vịng hở, so sánh với hệ thống truyền tin SISO truyền thống kênh pha-đinh Rice với tín hiệu điều chế đa mức MPSK, MQAM Đường xác suất lỗi hệ thống SISO truyền thống ký hiệu đường base Các mơ hình AE huấn luyện 20.000 vòng với tốc độ học 0.001, số symbol phát 1.000.000, N , M 2k Hình 4, hình so sánh phẩm phất hệ thống thông tin truyền thống (base) hệ thống AE vòng hở kênh pha-đinh với mức điều chế M=2, 4, 8, 16 Khi mức điều chế thấp M=2, 4, phẩm chất hai hệ thống đạt tương đương Trong đó, với hệ thống sử dụng mức điều chế 16, đường tỷ số lỗi SER hệ thống AE thấp đường phẩm chất base 26 B T T Tâm, …, Đ Đ Đình, “Giải pháp truyền thông tin … mạng không dây thể sống.” Nghiên cứu khoa học cơng nghệ tồn dải SNR khảo sát Cụ thể, SER = 10-2, 8PSK_AE cho độ lợi 1dB so với 8PSK_base, 16PSK_AE 16QAM_AE cho độ lợi 3÷4 dB so với 16PSK_base 16QAM_base Quá trình huấn luyện AE thực đồng thời máy phát máy thu giúp cho hệ thống tối ưu đồng bộ, hệ thống truyền thống thiết kế tối ưu phần Thêm vào đó, việc lựa chọn hàm sai lệch cấu trúc lớp mạng phù hợp làm giảm tỷ lệ SER Kết trình huấn luyện symbol phát tự động mã hóa với pha biên độ tối ưu thể việc xếp vị trí điểm chịm tín hiệu đầu encoder x AE vòng hở chịm tín hiệu phát hệ thống truyền thống hình a) 8PSK _AE b) 8PSK_base c) 16QAM_AE d) 16QAM_base Hình So sánh chịm tín hiệu hệ thống truyền thống AE Vị trí điểm chịm hệ thống truyền thống (hình 6b c) cố định điểm chịm hệ thống AE xoay, dịch chuyển đảm bảo cách sau encoder decoder huấn luyện tối ưu đồng bộ, nhờ tăng độ xác ước lượng tin phát Khi mức điều chế tăng, hệ thống AE tự động xếp vị trí điểm chòm sao, chòm tối ưu phẩm chất hệ thống tăng lên Hình Phẩm chất hệ thống AE_MPSK a) 8PSK _close b) 8PSK_open Hình Phẩm chất hệ thống AE_MQAM c) 16QAM_close d) 16QAM_open Hình Chịm tín hiệu đầu vào decoder AE vịng kín vịng hở Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san HNKH dành cho NCS CBNC trẻ, 11 - 2021 27 Kỹ thuật Điện tử - Tự động hóa Phẩm chất hai hệ thống AE vịng hở AE vịng kín so sánh hình 7, hình Tỷ số lỗi BLER hệ thống AE vịng kín đạt phẩm chất xấp xỉ hệ thống AE vòng hở, nhiên, mức SNR ≥ 23 dB đường BLER hệ thống AE vịng kín Hệ thống AE vịng hở thực mã hóa kênh trước, hệ thống AE vịng kín thực bù ảnh hưởng kênh truyền phép nhân liên hợp phức thông tin kênh truyền với tín hiệu thu x h y , tương đương với q trình tách tín hiệu kết hợp hệ thống truyền thống Để thấy rõ tác động q trình mã hóa trước nhân liên hiệp phức hai hệ thống AE, ta quan sát chịm tín hiệu đầu vào decoder x hai hệ thống AE vịng kín AE vịng hở hình Tín hiệu đầu vào decoder hệ thống AE vịng kín (hình a c) bù pha, tín hiệu AE vịng hở (hình b d) bù pha biên độ Nói cách khác, chòm hệ thống AE vòng hở có phân vùng rõ ràng so với chịm hệ thống AE vịng kín với kiểu điều chế MPSK MQAM SNR cao đường kính điểm thu nhỏ lại vào điểm trung tâm, xác suất giải điều chế sai nhỏ Trong AE vịng kín, symbol pha khác biên độ bị giải điều chế nhầm giá trị SNR lớn Vì phẩm chất AE vịng hở có độ xác cao phẩm chất AE vịng hở SNR cao, kết thể rõ mức điều chế cao M=8, 16 KẾT LUẬN Như vậy, kỹ thuật AE cho phép tự động mã hóa symbol đa mức đầu vào AE vòng hở, mã hóa đồng thời symbol đa mức kênh truyền với AE vịng kín Hệ thống huấn luyện tối ưu đồng từ máy phát đến máy thu giúp cải thiện độ tin cậy hệ thống AE so với hệ thống SISO truyền thống mức điều chế cao Mơ hình AE vịng kín có đường SER AE vòng hở dải SNR cao, nhiên, giảm độ phức tạp tính tốn cho hệ thống Với ưu điểm kỹ thuật AE, tiếp tục nghiên cứu đề xuất áp dụng AE cho mơ hình truyền hợp tác để tăng độ tin cậy truyền tin cho mạng truyền thơng tin có nhiễu đồng kênh WBAN Lời cảm ơn: Tác giả Bùi Thị Thanh Tâm tài trợ Tập đồn Vingroup – Cơng ty CP hỗ trợ Chương trình học bổng thạc sĩ, tiến sĩ nước Quỹ Đổi sáng tạo Vingroup (VINIF), Viện Nghiên cứu Dữ liệu lớn, mã số VINIF.2021.TS.040 TÀI LIỆU THAM KHẢO [1] J Wang et al., “Body Area Communications: Channel modeling, Communication Systems, and EMC,” John Wiley & Sons Singapore Pte Ltd, 2013 [2] K Y Yazdandoost et al., "Channel model for body area network (BAN)," IEEE Standards Assoc., Piscataway, NJ, USA, Tech., 2010 [3] J Zhang et al., "Stability of Narrowband Dynamic Body Area Channel," IEEE Antennas and Wireless Propagation Letters, vol (2009), pp 53-56, [4] D Miniutti et al., "Narrowband channel characterization for body area network," IEEE P802 (2008), pp 15-08 [5] D B Smith et al., "Propagation Models for Body-Area Networks: A Survey and New Outlook," IEEE Antennas and Propagation Magazine, vol 55, no (2013), pp 97-117 [6] L C Tran et al., "Comprehensive Performance Analysis of Fully Cooperative Communication in WBANs," IEEE Access, vol (2016), pp 8737-8756 [7] N Dinh et al., "Controlling sequence length of DS-IR-UWB to enhance performance of multi-WBAN systems," Journal of Electrical Engineering, vol 69 (2018), pp 373-378 [8] D Quan et al., "Performance Analysis Method for IEEE 802.15.6 Based WBANs with Adaptive BCH Code Rates," Wireless Personal Communications, vol 94 (2017) [9] T L Chung et al., "Exact error performance analysis of binary space-time block coded cooperative communications systems in Rayleigh fading channels," in 2015 International Conference on Advanced Technologies for Communications (ATC) (2015), pp 567-571 28 B T T Tâm, …, Đ Đ Đình, “Giải pháp truyền thơng tin … mạng khơng dây thể sống.” Nghiên cứu khoa học công nghệ [10] Bùi T T Tâm and T X Nam, "Học máy khả ứng dụng hệ thống thơng tin vơ tuyến," Tạp chí Nghiên cứu KH&CN qn sự, pp pp 11-23, 2020 [11] J Jagannath et al., "Machine learning for wireless communications in the Internet of Things: A comprehensive survey," Ad Hoc Networks, vol 93 (20119), p 101913 [12] Y B Ian Goodfellow et al., “Deep Learning,” (2016) [13] F Ullah et al., "Future of Big Data and Deep Learning for Wireless Body Area Networks," in Deep Learning: Convergence to Big Data Analytics,” Springer Singapore (2019), pp 53-77 [14] T O’Shea et al., "An Introduction to Deep Learning for the Physical Layer," IEEE Transactions on Cognitive Communications and Networking, vol 3, no (2017), pp 563-575 [15] Y Lu et al., "Deep Autoencoder Learning for Relay-Assisted Cooperative Communication Systems," IEEE Transactions on Communications, vol 68, no (2020), pp 5471-5488 [16] D Kingma et al., "Adam: A Method for Stochastic Optimization," International Conference on Learning Representations (2014) ABSTRACT AUTOENCODER BASED COMMUNICATION SOLUTION ENHANCED PERFORMANCE OF BODY AREA NETWORKS In recent times, the application of WBANs (Wireless Body Area Networks) has been growing significantly in many areas However, such networks usually require high reliability of communication in the condition of highly mobile sensor nodes with strong signal attenuation under multipath transmission Autoencoder technology has the ability to automatically encode and decode signals with high accuracy because the parameters at the receiver and transmitter are optimized synchronously through training In this paper, we propose to use autoencoders for the transceivers in order to improve the performance of communication in WBANs Keywords: WBAN; Deep Learning; Autoencoder Nhận ngày 17 tháng năm 2021 Hoàn thiện ngày 20 tháng 10 năm 2021 Chấp nhận đăng ngày 28 tháng 10 năm 2021 Địa chỉ: 1Viện Điện tử, Viện Khoa học Công nghệ quân sự; Học viện Kỹ thuật quân sự; Trường Cao đẳng Kỹ thuật thông tin * Email: thanhtambui85@gmail.com Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san HNKH dành cho NCS CBNC trẻ, 11 - 2021 29 ... truyền tin WBAN ứng dụng AE; Phần kết mô phần kết luận HỆ THỐNG TRUYỀN TIN TRONG WBAN ỨNG DỤNG AUTOENCODER 2.1 Hệ thống truyền tin ứng dụng mã hóa tự động Hệ thống thơng tin ứng dụng mã hóa tự. .. Đình, ? ?Giải pháp truyền thông tin … mạng không dây thể sống. ” Nghiên cứu khoa học công nghệ 2.2 Mơ hình hệ thống truyền tin WBAN ứng dụng AE Trong mạng WBAN, nút cảm biến truyền thông tin đến... thống sử dụng mức điều chế 16, đường tỷ số lỗi SER hệ thống AE thấp đường phẩm chất base 26 B T T Tâm, …, Đ Đ Đình, ? ?Giải pháp truyền thông tin … mạng không dây thể sống. ” Nghiên cứu khoa học cơng