Ứng dụng machine learning trong việc tăng hiệu suất phổ hệ thống NOMA massive MIMO

ĐẠI HỌC ĐÀ NẴNG TRƯỜNG ĐẠI HỌC BÁCH KHOA - NGUYỄN ANH TÚ ỨNG DỤNG MACHINE LEARNING TRONG VIỆC TĂNG HIỆU SUẤT PHỔ HỆ THỐNG NOMA MASSIVE MIMO Chuyên ngành: Mã số: Kỹ thuật điện tử 8520203 LUẬN VĂN THẠC SĨ NGƯỜI HƯỚNG DẪN KHOA HỌC: TS Lê Thị Phương Mai TS Trần Thế Sơn Đà Nẵng – Năm 2022 THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội LỜI CAM ĐOAN Tơi cam đoan cơng trình nghiên cứu hướng dẫn TS Lê Thị Phương Mai TS Trần Thế Sơn Các số liệu, kết nêu luận văn trung thực chưa cơng bố cơng trình khác Học viên thực THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội LỜI CẢM ƠN Trước hết, xin bày tỏ lòng biết ơn sâu sắc đến TS Lê Thị Phương Mai TS Trần Thế Sơn, thầy cô giáo khoa Điện tử Viễn Thông, người tận tình dạy, hướng dẫn, cung cấp kiến thức tảng cho suốt thời gian qua để tơi hồn thành luận văn Tơi xin chân thành cảm ơn đến bạn đồng nghiệp nơi tơi cơng tác, gia đình, bạn bè ln động viên giúp đỡ tơi suốt q trình học tập Kính chúc tất q thầy cơ, gia đình, bạn bè sức khỏe thành cơng! Đà Nẵng, ngày tháng năm 2022 Học viên thực THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội Tóm tắt luận văn ỨNG DỤNG MACHINE LEARNING TRONG VIỆC TĂNG HIỆU SUẤT PHỔ HỆ THỐNG NOMA MASSIVE MIMO Học viên: Nguyễn Anh Tú Chuyên ngành: Kỹ thuật điện tử Mã số: …………Khóa: 41 Trường Đại học Bách khoa - ĐHĐN Tóm tắt - Massive MIMO giới thiệu mạng 5G sau 5G giải pháp quan trọng để nâng cao hiệu hoạt động hệ thống vô tuyến Tuy vậy, massive MIMO gặp thách thức lớn triển khai thực tế, với trường hợp thuê bao tập trung lớn, môi trường truyền sóng khơng có nhiều khác biệt mơi trường yêu cầu số lượng kết nối mật độ lớn hiệu suất phổ hệ thống massive MIMO suy giảm nghiêm trọng Trong trường hợp này, NOMA miền mã (Code-Domain NOMA) xem giải pháp triển vọng cho hệ thống massive MIMO cách phân chuỗi mã cho nhóm người dùng có đặc tính kênh truyền Việc áp dụng phương pháp machine learning việc phân loại người dùng góp phần nâng cao hiệu hệ thống NOMA massive MIMO Chính vậy, hệ thống NOMA-massive MIMO, ưu điểm hiệu suất phổ hỗ trợ số lượng kết nối lớn, xem giải pháp triển vọng cho mạng hệ tương lai Từ khóa – Massive MIMO; code-domain NOMA; spectral efficiency; K-means; Kmedoids APPLICATION OF MACHINE LEARNING IN IMPROVING UNIVERSAL PERFORMANCE OF NOMA MASSIVE MIMO SYSTEM Abstract - Massive MIMO introduced in the 5G and beyond 5G network is one of the most important technologies to improve radio system performance However, massive MIMO also faces major challenges when deployed in practice, especially in cases when subscribers are concentrated, the transmission environment is not much different, or the environment requires a large number of connections With densified network, the spectral efficiency of massive MIMO systems is severely degraded In this case, Code-Domain NOMA is considered as a promising solution for massive MIMO system by assigning code sequences to groups of users with the similar channel characteristics The application of machine learning methods in user grouping contributes to improving the performance of the NOMA massive MIMO system Therefore, NOMA-massive MIMO system, in addition to the advantages of spectrum efficiency, and the ability to support massive connectivity, is a promising solution to improve the system performance for the next generation network Key words - Massive MIMO; code-domain NOMA; spectral efficiency; K-means; Kmedoids THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội DANH MỤC KÍ HIỆU & CHỮ VIẾT TẮT Từ viết tắt RAN BER CDMA STT Thuật ngữ Radio Access Network Bit error rate Code Division Multiple Access Mạng truy nhập vô tuyến Ti lệ bit lỗi Code-domain NOMA NOMA miền mã Đa truy cập phân chia mã theo chuỗi trực tiếp Biến đổi Fourier rời rạc Đa truy cập phân chia theo tần số Mã hóa miền tần số Đa truy cập mã hóa trực giao theo nhóm Biến đổi Fourier nhanh nghịch đảo CDMNOMA DSCDMA DFT FDMA FDS GOCA 10 IFFT 11 IGMA 12 IDMA 13 IDFT 14 15 LSL LDPC 16 LDSCDMA 17 LSSA 18 20 LCRS LDSSVE MPA Direct-sequence Code Division Multiple Access Discrete Fourier Transform Frequency Division Multiple Access Frequency Domain Spreading Group Orthogonal Coded Access Inverse Fast Fourier Transform Interleave-grid Multiple Access Interleave Division Multiple Access Inverse Discrete Fourrier Transform Large system limit Low-Density Parity-Check Low Density Spreading Code Division Multiple Access Low code rate and Signature based Shared Access Low Code Rate Spreading Low Density Spreading Signature Vector Extension Message passing algorithm 21 MUSA Multi-user Shared Access 19 22 23 24 MC NOMA MCRSMA NOMA Nghĩa Đa truy cập phân chia theo mã Đa truy cập lưới xen kẽ Đa truy cập phân chia xen kẽ Biến đổi Fourier rời rạc nghịch đảo Giới hạn hệ thống lớn Kiểm tra chẵn lẻ thưa Đa truy cập phân chia mã – đặc trưng thưa Truy cập dựa chia sẻ từ mã tỉ lệ mã thấp Mã hóa tỷ lệ mã thấp Mã hóa thưa – Mở rộng vector từ mã Thuật tốn truyền thơng tin Truy cập phân chia đa người dùng Multi-carrier NOMA NOMA đa sóng mang Multi-carrier Resource Spread Multiple Access Non-Othogonal Multiple Access Đa truy cập mã hóa tài nguyên đa sóng mang Kỹ thuật đa truy cập phi trực giao THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 Non-orthogonal Coded Multiple Access Non-orthogonal Coded NOCA Access OMA Othogonal Multiple Access Othogonal Frequency OFDM Division Multiple Orthogonal Frequency OFDMA Division Multiple Access PDPower Domain NonNOMA Othogonal Multiple Access Pattern Division Multiple PDMA Access Parallel Interference PIC Cancellation SCMA Sparse Code Multiple Access Time Division Multiple TDMA Access THTime-Hopping - Code CDMA Division Multiple Access UE User Equipment REs Resource elements Repetition Division Multiple RDMA Access Resource Spread Multiple RSMA Access NCMA Đa truy cập mã hóa khơng trực giao Truy cập mã hóa khơng trực giao Kỹ thuật đa truy cập trực giao Ghép kênh phân chia theo tần số trực giao Đa truy nhập phân tần trực giao Đa truy cập phi trực giao miền công suất Đa truy cập phân chia theo mẫu Loại bỏ nhiễu song song Đa truy cập mã thưa Đa truy cập phân chia theo thời gian Nhảy thời gian-Đa truy cập phân chia theo mã Thiết bị người dùng Các phần tử tài nguyên Đa truy cập phân chia lặp lại Đa truy cập mã hóa tài nguyên THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội DANH MỤC BẢNG Số hiệu bảng 1.1 4.1 Tên bảng Thông số kỹ thuật mạng 5G Thông số mạng giả lập THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Trang 45 Lưu hành nội DANH MỤC HÌNH VẼ Số hiệu hình vẽ 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 1.10 1.11 1.12 1.13 1.14 1.15 1.16 1.17 1.18 1.19 1.20 1.21 1.22 1.23 1.24 1.25 1.26 1.27 1.28 1.29 1.30 1.31 Tên hình vẽ Trang Tăng trưởng lưu lượng data thuê bao Tăng trưởng thiết bị kết nối data Sự hình thành phát triển 5G Các hệ mạng di động So sánh tiêu chuẩn kỹ thuật 4G 5G Các loại hình dịch vụ eMBB 5G Các loại hình dịch vụ URLLC 5G Các loại hình dịch vụ URLLC 5G Các loại hình dịch vụ mMTC 5G Các loại hình dịch vụ chung 5G Các mơ hình kết nối NSA 5G So sánh kết nối core 4G 5G NSA So sánh kết nối core 5G SA 5G SA-4G NSA Kiến trúc core 5G Kiến trúc dịch vụ Network slicing 5G So sánh kiến trúc dịch vụ 5G 4G So sánh kết nối phần RAN trạm 4G 5G Các thông số kỹ thuật cho giao diện kết nối 5G Các vị trí triển khai thử nghiệm 5G VNPT Hà Nội Kết thử nghiệm 5G VNPT Hà Nội Các vị trí triển khai thử nghiệm 5G VNPT TP Hồ Chí Minh So sánh kết driving test 4G 5G So sánh kết test 4G 5G Phân loại NOMA miền mã Phân bổ nguồn tài nguyên CDMA Phân bổ công suất PD-NOMA Sơ đồ đa truy cập NOMA OMA trường hợp người dùng Ví dụ chịm mã hóa xếp chồng người dùng Chòm giải mã SIC hai người dùng Tín hiệu vơ tuyến theo nhiều đường máy phát máy thu Beamforming tập trung tín hiệu khơng dây theo hướng cụ thể 4 8 9 10 10 11 11 12 12 13 14 14 15 15 16 16 17 18 19 21 THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG 22 22 23 25 25 Lưu hành nội 1.32 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 3.1 3.2 3.3 3.4 3.5 4.1 4.2 4.3 4.4 4.5 4.6 4.7 4.8 Thông tin trạng thái kênh sử dụng để mô tả hệ thống mMIMO Minh họa cách thực phân chia khối tài nguyên thời gian/tần số UL DL Minh họa sơ đồ diều chế đa sóng mang TDD mạng mMIMO Block TDD chuẩn Block TDD chuẩn với nhiều subcarrier Các dạng hình học anten a) Loại anten tuyến tính dọc, b) Loại anten tuyến tính ngang, c) Loại anten mảng phẳng Mơ hình kênh 2D Minh họa anten mảng phẳng kích thước Mơ hình kênh 3D MIMO Mối quan hệ AI, Machine Learning Deep Learning Bài tốn phân cụm Khoảng cách Eucild Tương quan khơng gian UL UE i, j so sánh với cell l, j Tương quan không gian DL UE i, j so sánh với cell l, j Hiệu suất phổ trung bình UL hệ thống mMIMO-NOMA với L=1, M=64, G=2 thay đổi số UE (K) phân bố ngẫu nhiên Hiệu suất phổ trung bình UL hệ thống mMIMO-NOMA với L=1, M=64, G=4 thay đổi số UE (K) phân bố ngẫu nhiên Hiệu suất phổ trung bình UL hệ thống mMIMO-NOMA với L=1, M=64, G=8 thay đổi số UE (K) phân bố ngẫu nhiên Hiệu suất phổ trung bình UL hệ thống mMIMO-NOMA với L=1, M=64, G=2 thay đổi số UE (K) phân bố góc phần tư cell Hiệu suất phổ trung bình UL hệ thống mMIMO-NOMA với L=1, M=64, G=4 thay đổi số UE (K) phân bố góc phần tư cell Hiệu suất phổ trung bình UL hệ thống mMIMO-NOMA với L=1, M=64, G=8 thay đổi số UE (K) phân bố góc phần tư cell Kết tổng hiệu suất phổ trung bình UL hệ thống phân theo group ngẫu nhiên mạng cell có số anten thay đổi Kết tổng hiệu suất phổ trung bình UL hệ thống phân theo group góc phần tư cell mạng cell có số anten thay đổi THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG 26 28 29 29 29 30 30 30 31 35 36 37 42 42 47 47 48 48 49 49 50 50 Lưu hành nội 4.9 4.10 4.11 4.12 4.13 4.14 Hiệu suất phổ trung bình UL hệ thống mMIMO-NOMA với L=4, M=64, G=2 thay đổi số UE (K) phân bố ngẫu nhiên Hiệu suất phổ trung bình UL hệ thống mMIMO-NOMA với L=4, M=64, G=4 thay đổi số UE (K) phân bố ngẫu nhiên Hiệu suất phổ trung bình UL hệ thống mMIMO-NOMA với L=4, M=64, G=8 thay đổi số UE (K) phân bố ngẫu nhiên Hiệu suất phổ trung bình UL hệ thống mMIMO-NOMA với L=4, M=64, G=2 thay đổi số UE (K) phân bố tập trung góc phần tư cell Hiệu suất phổ trung bình UL hệ thống mMIMO-NOMA với L=4, M=64, G=4 thay đổi số UE (K) phân bố tập trung góc phần tư cell Hiệu suất phổ trung bình UL hệ thống mMIMO-NOMA với L=4, M=64, G=8 thay đổi số UE (K) phân bố tập trung góc phần tư cell THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG 51 52 52 53 53 54 Lưu hành nội 53 Với group cell: Hình 4.12: Hiệu suất phổ trung bình UL hệ thống mMIMO-NOMA với L=4, M=64, G=2 thay đổi số UE (K) phân bố tập trung góc phần tư cell Với group cell: Hình 4.13: Hiệu suất phổ trung bình UL hệ thống mMIMO-NOMA với L=4, M=64, G=4 thay đổi số UE (K) phân bố tập trung góc phần tư cell THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 54 Với group cell: Hình 4.14: Hiệu suất phổ trung bình UL hệ thống mMIMO-NOMA với L=4, M=64, G=8 thay đổi số UE (K) phân bố tập trung góc phần tư cell 4.5 Đánh giá hiệu thuật toán đề xuất Phần so sánh hiệu suất việc phân nhóm người dùng phương pháp machine learning NOMA mMIMO so với mMIMO túy khơng có NOMA kiểm chứng độ lợi sử dụng nhóm thuật tốn Qua kết mơ ta thấy, số lượng người dùng tăng lên cell hiệu suất phổ hệ thống suy giảm Điều ghi nhận mạng gồm cell cell với hình thức phân bố UE Tuy nhiên, hệ thống NOMA mMIMO mức suy giảm thấp so với mMIMO túy nhìn chung hệ thống NOMA mMIMO có hiệu suất phổ cao Trong kết mô mục 4.3, 4.4 ta thấy số lượng cell tăng lên không ảnh hưởng nhiều đến khác biệt hiệu suất phổ hệ thống mMIMO túy so với NOMA mMIMO Tuy nhiên, số lượng group người dùng tăng lên tương quan hiệu suất phổ hệ thống mMIMO túy so với NOMA mMIMO thay đổi rõ rệt Điều lý giải hệ thống nhận rõ phân biệt người dùng hiệu suất phổ cao Ngồi ra, so sánh phương pháp phân nhóm người dùng sử dụng machine learning K-means K-medoids phương pháp K-means đem lại hiệu suất phổ tốt tất trường hợp mô Và việc sử dụng phân nhóm người dùng NOMA mMIMO đem lại hiệu suất phổ cao so với dùng NOMA mMIMO mà không phân loại người dùng THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 55 4.6 Kết luận chương Trong chương này, ta thực mô đánh giá hiệu suất phổ hệ thống mMIMO túy NOMA mMIMO trường hợp mạng cell mạng có cell Qua kết mơ phỏng, ta thấy NOMA miền mã cải thiện hiệu suất phổ hệ thống mMIMO Ngoài ra, việc ứng dụng phương pháp machine learning để phân loại người dùng giúp cải thiện hiệu suất phổ hệ thống NOMA mMIMO miền mã so với phân loại thông thường THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 56 KẾT LUẬN VÀ ĐỀ XUẤT HƯỚNG PHÁT TRIỂN CỦA ĐỀ TÀI KẾT LUẬN Luận văn với tên đề tài: “Ứng dụng machine learning việc tăng hiệu suất phổ hệ thống NOMA MASSIVE MIMO” thực mục tiêu: - Nghiên cứu mơ hình hệ thống kênh truyền hệ thống NOMA-massive MIMO, tính tốn hiệu suất phổ hệ thống NOMA-massive MIMO - Ứng dụng phát triển thuật toán unsupervised learning phân loại người dùng qua giúp nâng cao hiệu suất phổ hệ thống NOMA massive MIMO - Xây dựng chương trình mơ giúp đánh giá hiệu mơ hình thuật toán việc tăng hiệu suất phổ hệ thống NOMA massive MIMO Luận văn thu kết sau: - Nghiên cứu đặc điểm, đặc trưng loại hình dịch vụ mạng 5G sau 5G qua đánh giá khả áp dụng NOMA hệ thống massive MIMO để nâng cao hiệu hệ thống - Đề xuất mơ hình hệ thống, phương pháp xử lý tín hiệu số NOMAmassive MIMO cho loại hình trạm 5G sau 5G dựa mơ hình tính tốn cụ thể - Đề xuất phương pháp máy học (machine learning) việc phân loại người dùng để nâng cao hiệu hệ thống - Kết đề tài nêu số sở lý thuyết để cung cấp khả năng, hướng áp dụng nhằm giải vấn đề phát sinh triển khai mạng di dộng sử dụng Massive MIMO Từ kết đạt trên, chúng tơi kết luận luận văn với đề tài: “Ứng dụng machine learning việc tăng hiệu suất phổ hệ thống NOMA MASSIVE MIMO” hoàn thành đầy đủ đạt yêu cầu nội dung đặt HƯỚNG PHÁT TRIỂN CỦA ĐỀ TÀI Do điều kiện thời gian cịn hạn chế nên tơi chưa thể nghiên cứu sâu để đánh giá hiệu suất phổ hướng downlink (DL) Ngồi ra, đề tài đánh giá thêm hiệu sử dụng lượng hệ thống Bên cạnh đó, việc áp dụng thêm số thuật tốn phân loại người dùng khác Clara…có thể giúp đánh giá rõ ràng ứng dụng machine learning việc tăng hiệu suất hệ thống NOMA massive MIMO nói chung THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 57 TÀI LIỆU THAM KHẢO [1] M T P Le, L Sanguinetti, E Björnson and M.-G Di Benedetto, "What is the benefit of code-domain NOMA in massive MIMO", Proc IEEE 30th Annu Int Symp Personal Indoor Mobile Radio Commun (PIMRC), pp 1-5, Sep 2019 [2] K Senel, H V Cheng, E Björnson and E G Larsson, "What role can NOMA play in massive MIMO?", IEEE Journal of Selected Topics in Signal Processing., vol 13, no 3, pp 597-611, Jun 2019 [3] https://www.statista.com/statistics/277125/share-of-website-traffic-comingfrom-mobile-devices, May.2022 [4] Nguyễn Duy Nhật Viễn, “Kỹ thuật đa truy cập phi trực giao mạng thông tin di động hệ thứ 5”, 2019 [5] F A Monteiro, O L A López and H Alves, "Massive Wireless Energy Transfer With Statistical CSI Beamforming," IEEE Journal of Selected Topics in Signal Processing, vol 15, no 5, pp 1169-1184, Aug 2021 [6] E Björnson, J Hoydis and L Sanguinetti, "Massive MIMO networks: Spectral energy and hardware efficiency", Foundations Trends Signal Process., vol 11, no 3/4, pp 154-655, 2017 [7] D Kudathanthirige and G A A Baduge, "NOMA-aided multicell downlink massive MIMO", IEEE Journal of Selected Topics in Signal Processing, vol 13, no 3, pp 612-627, Jun 2019 THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 58 THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 59 THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 60 THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 61 THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 62 THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 63 THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 64 THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 65 THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 66 THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 67 THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội ... sau 5G như: NOMA (Non-Orthogonal Multiple Access) Massive MIMO - Hiệu suất phổ hệ thống NOMA- massive MIMO - Ứng dụng machine learning cho việc phân loại người dùng hệ thống NOMA- masive MIMO Phạm... truyền Việc áp dụng phương pháp machine learning việc phân loại người dùng góp phần nâng cao hiệu hệ thống NOMA massive MIMO Chính vậy, hệ thống NOMA- massive MIMO, ngồi ưu điểm hiệu suất phổ hỗ... nhỏ hiệu phổ mMIMO giảm Lúc NOMA miền mã (Code Domain NOMA) làm tăng tổng hiệu suất phổ Để giới thiệu lợi ích mà NOMA miền mã mang lại hệ thống đa anten, ta xem xét mơ hình hệ thống hiệu suất phổ