TÓM TẮT ĐỀ TÀI Hai vấn đề thách thức của các hệ thống massive MIMO là nhiễu trong qua trình huấn luyện pilot và quá tải tín hiệu trong pha truyền pilot.. Trong các công trình nghiên cứu
Tính cần thiết của đề tài
Massive multiple-input multiple-output (massive MIMO) được đề xuất lần đầu tiên được trong [1] Kể từ đó, massive MIMO đã nhận được rất nhiều sự quan tâm nghiên cứu và đã trở thành một trong những công nghệ cốt lõi cho hệ thống liên lạc không dây thế hệ thứ năm (5G) và tiếp theo Trong massive MIMO, các trạm base station (BS) được trang bị nhiều (hàng trăm hoặc hàng nghìn) anten và có thể đồng thời cung cấp các dịch vụ chất lượng cao (ví dụ như tốc độ dữ liệu cao và độ tin cậy cao) cho nhiều người dùng (user) với công suất bức xạ rất thấp
Massive MIMO tận dụng khả năng chịu tải và phân biệt không gian của nhiều anten để cải thiện hiệu suất truyền thông và khả năng phục vụ đồng thời
Beamforming và spatial multiplexing là hai kỹ thuật quan trọng trong massive MIMO Beamforming tập trung công suất truyền tới người dùng cụ thể, trong khi spatial multiplexing cho phép truyền nhiều luồng dữ liệu đồng thời
Massive MIMO mang lại nhiều lợi ích quan trọng Nó giúp tăng cường khả năng chịu tải, cải thiện hiệu suất truyền thông, tiết kiệm năng lượng và tăng cường độ tin cậy trong hệ thống truyền thông không dây Với những ưu điểm này, massive MIMO đóng vai trò quan trọng trong việc đáp ứng yêu cầu ngày càng tăng về tốc độ dữ liệu và độ phủ sóng trong các mạng 5G và các hệ thống liên lạc tiếp theo
Coherence time (CT), một khái niệm quan trọng trong thông tin vô tuyến, được định nghĩa là thời gian mà đáp ứng xung của kênh truyền không thay đổi Nói cách khác, thông tin kênh truyền không thay đổi trong một CT Nó đo lường thời gian mà kênh truyền không trải qua sự thay đổi quá lớn trong các tham số quan trọng như hệ số suy hao, độ trễ, và giao thoa Trong môi trường không dây, tín hiệu từ nguồn truyền sẽ trải qua các hiện tượng như đa đường, phản xạ, và giao thoa khi di chuyển qua không gian và tương tác với môi trường Các hiện tượng này gây ra sự biến đổi và không ổn định của kênh truyền Coherence time là thời gian trong khoảng đó, kênh truyền có thể coi là ổn định và không thay đổi quá nhiều
Coherence time được xác định bởi các yếu tố như tốc độ di chuyển của nguồn và bước sóng của tín hiệu truyền Khi tốc độ di chuyển cao và bước sóng ngắn, kênh truyền sẽ thay đổi nhanh chóng và có coherence time ngắn Ngược lại, khi tốc độ di chuyển thấp và bước sóng dài, kênh truyền thay đổi chậm và có coherence time dài hơn Coherence time quan trọng trong thiết kế và ước tính hiệu suất của hệ thống truyền thông không dây, đặc biệt là trong các ứng dụng yêu cầu đồng bộ và việc chia sẻ tài nguyên mạng, chẳng hạn như truyền dữ liệu đa người dùng trong mạng di động
Với massive MIMO, giao thức được sử dụng rộng rãi để truyền thông tin trong mỗi CT là song công phân chia theo thời gian (time division duplexing) (TDD)
TDD được mô tả đơn giản như hình 1.1, trong đó mỗi CT được chia thành 2 khe thời gian (time plots) Khe đầu tiên (pilot training) dùng để ước lượng kênh truyền giữa users và BS thông qua việc truyền tín hiệu pilot Khe thứ hai (data transmission) được dùng để truyền dữ liệu
Một trong những tiêu chí của 6G là đáp ứng các dịch vụ cao cấp hiện tại và tương lai, như yêu cầu giao tiếp có độ trễ cực thấp và độ tin cậy cực cao (ultra-reliable low latency communications) (URLLC) hoặc đồng thời cung cấp một số lượng kết nối lớn cho các ứng dụng Internet of Things (IoT) Tuy nhiên, vấn đề phát sinh trong cơ chế truyền TDD của massive MIMO là sự quá tải trong pha truyền pilot khi số lượng lớn users yêu cầu phục vụ đồng thời và nhiễu trong pha truyền pilot
Về lý thuyết, mỗi user sẽ được sử dụng một tín hiệu pilot và các pilot này trực giao lẫn nhau nhằm đảm bảo BS tách được tín hiệu từ các user Vì thế, chiều dài của tín hiệu pilot (tính theo symbol) phải tối thiểu lớn hơn hoặc bằng số lượng users Kết quả, giảm hiệu quả truyền dữ liệu vì thời gian dành cho ước lượng kênh truyền lớn khi số user lớn
Nhiều giải pháp đã được đưa ra để giải quyết vấn đề trên, nhưng chưa có giải pháp nào tối ưu nhất Do đó học viên chọn đề tài “Đề xuất giải pháp và phân tích hệ thống mạng massive mimo hỗ trợ internet of things” để nghiên cứu.
Các nghiên cứu trong và ngoài nước
Giải pháp tái sử dụng tín hiệu pilot được đưa ra nhằm giảm quá tải trong pha ước lượng kênh truyền Tuy nhiên điểm chung của các giải pháp này gây ra hiện tượng nhiễu trong pha truyền pilot, dẫn đến giá trị kênh truyền ước lượng giảm chính xác, giảm năng lực chung của hệ thống
Nghiên cứu phân phối tín hiệu pilot dựa vào sự phân bố góc của các kênh truyền trong massive MIMO đã được đề cập trong [2] Giải pháp đề xuất đã cải tiến hiệu suất sử dụng phổ so với giải pháp ấn định pilot trực giao truyền thống Một các khác là trình bày phân tích việc tái sử dụng tín hiệu pilot với hệ số ấn định cho trước ứng dụng lý thuyết xác xuất hình học ngẫu nhiên (stochastic geometry) [3] Việc ứng dụng hình học ngẫu nhiên vào phân tích được đánh giá mang lại tính tổng quát của kết quả phân tích vì các phương trình xây dựng không phụ thuộc vào vị trí các phần tử mạng
Kết quả bài báo đã đề xuất tỷ lệ phân bố số lượng pilot giữa vùng trung tâm của BS và vùng cạnh của BS tối ưu Cũng có đề xuất thuật toán phân bổ pilot thích ứng có độ phức tạp thấp sử dụng số liệu thống kê bậc hai của kênh truyền users trong hệ thống gồm nhiều BS [4] Qua kết quả mô phỏng, đề xuất đã tăng hiệu suất phổ trong hệ thống massive MIMO đa BS Ngoài ra, việc áp dụng giải thuật phân bố tín hiệu pilot dựa trên sơ đồ “tô màu” để giảm thiểu nhiễu pilot nghiêm trọng trong các hệ thống massive MIMO phân tán (cell free massive MIMO) [5] Bằng cách khai thác hệ số suy hao giữa các điểm truy cập (AP) và users, trước tiên tác giả sử dụng thuật toán lựa chọn AP để xây dựng biểu đồ giao thoa Sau đó, phân bố pilot được tối ưu bằng cách cập nhật biểu đồ giao thoa phù hợp
Trí tuệ nhân tạo cũng được áp dụng để giải quyết vần đề này [6] Để ước lượng kênh truyền, phương pháp ước tính sai số bình phương trung bình tối thiểu (MMSE) được sử dụng để giảm ảnh hưởng của nhiễu pilot Tuy nhiên, giải thuật này cần biết ma trận hiệp phương sai (covariance matrix) của các kênh cho tất cả các users Các tác giả đề xuất hai phương pháp ước tính kênh dùng học sâu để giảm ảnh hưởng của nhiễu pilot [6] Phương pháp sử dụng mạng thần kinh bao gồm tất cả các lớp được kết nối Phương pháp thứ hai sử dụng mạng thần kinh tích chập (CNN) Phương pháp đầu tốt hơn về tốc độ huấn luyện, phương pháp sau có thể ước tính kênh chính xác hơn Kết quả của đề xuất được đánh giá theo hai kịch bản bao gồm đồng bộ hóa thời gian hoàn và kịch bản không hoàn hảo Kết quả mô phỏng chỉ ra rằng các phương pháp ước lượng đề xuất tốt hơn MMSE và phương pháp sai số bình phương trung bình chuẩn hóa (NMSE)
Liên quan IoT và massive MIMO, xây dựng biểu thức năng lực của hệ thống với cơ chế ấn định tín hiệu pilot ngẫu nhiên [7] Từ biểu thức xây dựng được, giải thuật tối ưu quá được áp dụng để xác định chiều dài tối ưu của tín hiệu pilot Cũng hướng đến cùng mục tiêu, xác định chiều dài pilot tối ưu [8] Công trình phân tích hệ thống IoT và relay hai chiều nhiều cặp giao thức khuếch đại và chuyển tiếp (AF) trang bị kỹ thuật massive MIMO
Giải pháp phân lớp users tùy theo yêu cầu dữ liệu được giới thiệu ở [11] để hỗ trợ số lượng lớn thiết bị IoT kết nối vào mạng massive MIMO phân tán Tương ứng với hai lớp user bao gồm user yêu cầu tải cao và thấp, giải thuật kết nối mạng được đề xuất để đảm bảo yêu cầu độ trễ và chi phí thấp Vấn đề công suất phát xạ cũng được quan tâm [10], vì các node IoT thường có công suất phát thấp Bài báo đề xuất thành công giải pháp giảm công suất phát xạ cho mạng IoT đến 90%
Các nghiên cứu đề cập ở trên đều sử dụng mô hình kênh truyền Rayleigh, nghiên cứu khác phân tích với kênh truyền Rician [9] Bài báo tập trung phân tích hiệu suất của hai phương pháp ước lượng kênh truyền bao gồm ước lượng bình phương nhỏ nhất và sai số bình phương trung bình nhỏ nhất Kết quả nghiên cứu chỉ ra đối với trường hợp MMSE, sai số ước lượng kênh truyền giảm xuống theo nghịch đảo của hệ số Ricean K
Qua khảo sát các đề tài liên quan, để tăng số lượng kết nối đồng thời các user IoT, các nghiên cứu hướng vào tái sử dụng tín hiệu pilot, hoặc áp dụng các phương pháp khác nhau nhằm giảm thiểu nhiễu trong quá trình ước lượng kênh truyền Hiện chưa có nghiên cứu nào đề xuất giải pháp điều cải tiến giao thức TDD để hỗ trợ tăng cường số lượng kết nối đồng thời các user IoT.
Mục tiêu của đề tài
Mục tiêu của nghiên cứu là:
- Đề xuất giao thức TDD cải tiến nhằm hỗ trợ số lượng kết nối lớn (đặc biệt là các user IoT) vào mạng đồng thời
- Đề xuất giải thuật xử lý tín hiệu khử/ giảm nhiễu trong quá trình truyền pilot và data cho giao thức TDD cải tiến.
Giới hạn đề tài
Phạm vi nghiên cứu của đề tài là nghiên cứu các giải pháp tăng số lượng user đặc biệt là user IoT tham gia đồng thời vào mạng Massive MIMO Đề xuất giao thức TDD cải tiến và các giải thuật kèm theo
Trong điều kiện giới hạn, nghiên cứu tập trung với các giả sử:
- BS đạt được thông tin kênh truyền hoàn hảo
- Phương pháp giải mã tín hiệu kết hợp tỉ lệ tối đa (MRC)
Các kết quả tính toán và được chạy mô phỏng để phân tích đánh giá Hiện chưa đưa vào hoạt động thực tế.
Các bước tiến hành
Tổng quan về đề tài
Nghiên cứu lý thuyết về mạng MIMO
Mô hình truyền thông IoT
Đề xuất mô hình mạng MIMO hỗ trợ IoT
Đánh giá kết quả, chất lượng hệ thống và hiệu chỉnh
Kết luận và hướng nghiên cứu phát triển
Điểm mới của đề tài
Đề xuất giao thức TDD cải tiến để mạng MIMO hỗ trợ IoT tốt hơn
Phân tích hiệu suất của mạng IoT và MIMO ứng với giải pháp đề xuất.
Tính thực tiễn
Cung cấp giải pháp hỗ trợ kết nối IoT vào mạng Massive MIMO
Kết quả nghiên cứu của đề tài được sử dụng làm tài liệu tham khảo cho sinh viên, học viên, người người cứu trong chuyên ngành điện tử viễn thông.
Phương pháp nghiên cứu
Đề tài sử dụng các phương pháp sau:
Phương pháp thu thập và nghiên cứu tài liệu, luận văn, bài báo trong và ngoài nước
Phương pháp mô hình hóa - mô phỏng
Phương pháp phân tích và tổng hợp.
Nội dung đề tài
Nội dung của đề tài gồm 5 chương:
Chương 1: Tổng quan đề tài
Giới thiệu tổng quan về lĩnh vực nghiên cứu, các công trình nghiên cứu liên quan, và đề xuất hướng nghiên cứu
Chương 2: Cơ sở lý thuyết
Giới thiệu tổng quan về lý thuyết liên quan đến đề tài: Hệ thống mạng di động MIMO, mô hình hệ thống và giả định
Chương 3: Đề xuất mô hình và phân tích Đề xuất mô hình, đề xuất giao thức và phân tích các thông số
Chương 4: Kết quả mô phỏng
Chạy mô phỏng và đánh giá kết quả mô phỏng
Chương 5: Kết luận và hướng nghiên cứu phát triển
Kết luận, đánh giá điểm đạt được và tồn tại Đưa ra hướng phát triển.
Tiến độ thực hiện đề tài
Tháng 9, 10 năm 2022: Thu thập tài liệu, viết Chương 1, Chương 2
Tháng 11 năm 2022: Thu thập tài liệu, viết Chương 3
Tháng 12 năm 2022: Xây dựng và bảo vệ chuyên đề
Tháng 01 năm 2023: Hoàn thiện chuyên đề theo góp ý của các ủy viên hội đồng
Tháng 10, 11, 12 năm 2023: Hoàn thiện đề tài, viết tóm tắt, soạn trình chiếu
Tháng 1 năm 2024: Bảo vệ đề tài.
Hệ thống mạng di động MIMO đa người dùng
Massive MIMO là một hệ thống di động MU-MIMO trong đó số lượng ăng-ten BS và số lượng người dùng lớn Trong phần này sẽ cung cấp nền tảng cơ bản của các hệ thống MU-MIMO về sơ đồ truyền thông và phát hiện tín hiệu, cho cả đường lên và đường xuống Để đơn giản, học viên giới hạn thảo luận về các hệ thống đơn
2.1.1 Mô hình hệ thống và giả định
Xét một hệ thống MU-MIMO bao gồm một BS và K người dùng đang hoạt động Các BS được trang bị M ăng-ten, trong khi mỗi người dùng có một ăng-ten đơn Nói chung, mỗi người dùng có thể được trang bị nhiều ăng-ten Tuy nhiên, để đơn giản cho phân tích, đề tài được giới hạn trong các hệ thống có người dùng ăng- ten đơn Xem Hình 2.1
Hình 2.1 Hệ thống MIMO nhiều người dùng Ở đây, K người dùng ăng-ten đơn được phục vụ bởi M-ăng-ten BS trong cùng tài nguyên thời gian-tần số
Giả định rằng tất cả K người dùng chia sẻ cùng một tài nguyên tần số thời gian
Hơn nữa, học viên giả định rằng BS và người dùng có CSI hoàn hảo Các kênh được thu lại tại BS và người dùng trong giai đoạn đào tạo Các chương trình đào tạo cụ thể phụ thuộc vào các giao thức hệ thống (song công phân chia theo tần số (FDD) hoặc phân chia theo thời gian song công (TDD)) Đặt H ∈ ℂ M×K là ma trận kênh giữa K người dùng và mảng ăng ten BS, trong đó cột thứ k của H, ký hiệu là hk, đại diện cho kênh M × 1 vectơ giữa người dùng thứ k và BS Nói chung, kênh lan truyền là được mô hình hóa thông qua pha đinh quy mô lớn và pha đinh quy mô nhỏ Nhưng trong phần này, nghiên cứu bỏ qua mờ dần quy mô lớn và tiếp tục giả định rằng các phần tử của H là i.i.d phân phối Gaussian với giá trị trung bình bằng 0 và phương sai đơn vị
Truyền tải đường lên (hoặc liên kết ngược) là tình huống trong đó người dùng
K truyền tín hiệu đến BS Đặt s k , trong đó E{|s k | 2 } = 1, là tín hiệu được truyền từ người dùng thứ k Vì K người dùng chia sẻ cùng một tài nguyên tần số thời gian, M × 1 nhận được vectơ tín hiệu tại BS là tổ hợp của tất cả các tín hiệu được truyền từ tất cả K người dùng:
𝒚 𝑢𝑙 = √𝑝 𝑢 ∑ 𝐾 𝑘=1 𝒉 𝑘 𝑠 𝑘 + 𝒏 (2.1) Khi viết dưới dạng ma trận sẽ được
𝒚 𝑢𝑙 = √𝑝 𝑢 𝑯𝒔 + 𝒏 (2.2) trong đó p u là tỷ lệ tín hiệu trên nhiễu trung bình (SNR), n ∈ ℂ M×1 là nhiễu cộng vectơ và 𝒔 ≜ [𝑠 1 … 𝑠 𝐾 ] 𝑇 Ta giả sử rằng các phần tử của n là i.i.d Gaussian các biến ngẫu nhiên (RVs) có giá trị trung bình và phương sai đơn vị bằng 0 và không phụ thuộc vào H
Từ vector tín hiệu nhận được cùng với kiến thức về CSI, BS sẽ phát hiện mạch lạc các tín hiệu được truyền từ K người dùng, mô hình kênh (2.2) là kênh đa truy cập có tổng dung lượng [12]
Dung lượng tổng nói trên có thể đạt được bằng cách sử dụng kỹ thuật khử nhiễu liên tiếp (SIC) [13] Với SIC, sau khi phát hiện một người dùng, tín hiệu được trừ khỏi tín hiệu nhận được trước khi người dùng tiếp theo được phát hiện
2.1.3 Truyền tải đường xuống Đường xuống (hoặc đường xuống) là trường hợp BS truyền tín hiệu đến tất cả K người dùng Đặt x ∈ C M×1 , trong đó E {∥x∥ 2 } = 1, là vectơ tín hiệu được truyền từ mảng anten BS Sau đó, tín hiệu nhận được ở người dùng thứ k được đưa ra bởi
𝑦 dl,𝑘 = √𝑝d𝒉 𝑘 𝑇 𝒙 + 𝑧 𝑘 (2.4) trong đó pd là SNR trung bình và zk là nhiễu cộng tại người dùng thứ k Giả sử zk đó là phân phối Gauss với giá trị trung bình bằng 0 và phương sai đơn vị Nói chung, các vectơ tín hiệu nhận được của người dùng K có thể được viết là
𝒚 dl = √𝑝 d 𝑯 𝑇 𝒙 + 𝒛 (2.5) Trong đó 𝒚 dl ≜ [𝑦 dl,1 𝑦 dl,2 … 𝑦 dl,𝐾 ] 𝑇 và 𝑧 ≜ [𝑧 1 𝑧 2 … 𝑧 𝐾 ] 𝑇 Mô hình kênh (2.5) là kênh quảng bá có tổng dung lượng đã biết là
Trong đó 𝑫 𝑞 là là ma trận đường chéo có phần tử đường chéo thứ k là qk dung lượng tổng (2.6) có thể đạt được bằng cách sử dụng kỹ thuật mã hóa DPC
2.1.4 Xử lý tuyến tính Để có được hiệu suất tối ưu, các kỹ thuật xử lý tín hiệu phức tạp phải được thực hiện Ví dụ: trong đường lên, khả năng tối đa (ML) nhiều người dùng phát hiện có thể được sử dụng Với tính năng phát hiện nhiều người dùng ML, BS phải tìm kiếm tất cả các vectơ tín hiệu truyền đi có thể s và chọn một vectơ tốt nhất như sau:
𝒔∈𝑺 𝑲 ‖𝒚 𝑢𝑙 − √𝑝 𝑢 𝑯𝒔‖ 2 (2.7) trong đó S là bảng chữ cái hữu hạn của sk, k = 1, 2, , K Bài toán (2.7) là bài toán bình phương nhỏ nhất (LS) với ràng buộc bảng chữ cái hữu hạn Các BS phải tìm kiếm trên |S| K vectơ, trong đó |S| biểu thị lực lượng của tập hợp S Do đó, ML có một độ phức tạp theo cấp số nhân về số lượng người dùng
BS có thể sử dụng sơ đồ xử lý tuyến tính (máy thu tuyến tính ở đường lên và bộ tiền mã hóa tuyến tính ở đường xuống) để giảm độ phức tạp xử lý tín hiệu Phương án này chưa thật sự tối ưu [14,15] Tuy nhiên, khi số lượng anten BS lớn thì thể hiện rằng quá trình xử lý tuyến tính gần như tối ưu Vì vậy, trong đề tài này sẽ xem xét xử lý tuyến tính Các chi tiết của kỹ thuật xử lý tuyến tính sẽ được trình bày trong các phần sau:
Hình 2.2: Sơ đồ khối phát hiện tuyến tính tại BS
2.1.4.1 Máy thu tuyến tính (trong đường lên)
Với sơ đồ tách sóng tuyến tính tại BS, tín hiệu nhận được yul được tách thành K luồng bằng cách nhân nó với ma trận phát hiện tuyến tính M × K, A
Mỗi luồng sau đó được giải mã độc lập Xem Hình 2.2 Sự phức tạp là trên thứ tự của K|S| Từ (2.8), luồng (phần tử) thứ k của 𝒚̃ ul , được sử dụng để giải mã sk, được đưa ra bởi
(2.9) trong đó ak biểu thị cột thứ k của A Nhiễu cộng với nhiễu được coi là tiếng ồn hiệu quả, và do đó, tỷ lệ tín hiệu nhận được trên nhiễu cộng nhiễu (SINR) của luồng thứ k được đưa ra bởi
𝑝 𝑢 ∑ 𝐾 𝑘′≠𝑘 |𝒂 𝑘 𝐻 𝒉 𝑘′ | 2 +‖𝒂 𝑘 ‖ 2 (2.10) Bây giờ hãy xem xét một số máy thu đa người dùng tuyến tính thông thường a Máy thu kết hợp tỷ lệ tối đa:
Tổng quan về Massive MIMO
Massive MIMO là một dạng hệ thống MU-MIMO trong đó số lượng ăng-ten
BS và số lượng người dùng lớn Trong Massive MIMO, hàng trăm hoặc hàng nghìn Ăng-ten BS phục vụ đồng thời hàng chục hoặc hàng trăm người dùng trong cùng một tần số nguồn Một số điểm chính của Massive MIMO là:
Hoạt động TDD: như đã trình bày trong Phần 2.1.5, với FDD, ước lượng kênh mào đầu phụ thuộc vào số lượng anten BS, M Ngược lại, với TDD, chi phí ước tính kênh độc lập với M Trong Massive MIMO, M lớn, do đó, hoạt động TDD là thích hợp hơn Ví dụ, giả sử rằng khoảng kết hợp là T = 200 ký hiệu (tương ứng với khoảng kết hợp băng thông 200 kHz và thời gian kết hợp là 1 ms) Sau đó, trong các hệ thống FDD, số lượng ăng-ten BS và số lượng người dùng bị hạn chế bởi M + K < 200, trong khi ở hệ thống TDD, giới hạn đối với M và K là 2K < 200
Hình 2.8: Các vùng có thể (M, K) trong các hệ thống TDD và FDD, cho khoảng kết hợp gồm 200 ký hiệu
Hình 2.8 cho thấy các vùng khả thi (M, K) trong các hệ thống FDD và TDD
Chúng ta có thể thấy rằng vùng FDD nhỏ hơn nhiều so với vùng TDD Với TDD, thêm nhiều ăng-ten không ảnh hưởng đến các tài nguyên cần thiết cho ước lượng kênh
• Xử lý tuyến tính: do số lượng anten BS và số lượng người dùng lớn, việc xử lý tín hiệu ở các đầu cuối phải xử lý lớn ma trận/vectơ chiều Vì vậy, xử lý tín hiệu đơn giản là thích hợp hơn
Trong Massive MIMO, xử lý tuyến tính (sơ đồ kết hợp tuyến tính trong đường lên và lược đồ tiền mã hóa tuyến tính trong đường xuống) là gần như tối ưu
• Truyền bá thuận lợi: truyền bá thuận lợi có nghĩa là ma trận kênh giữa dải ăng ten BS và người dùng được điều hòa tốt trong khối lượng lớn MIMO, trong một số điều kiện, thuộc tính lan truyền thuận lợi do theo luật số lớn
• Một dải ăng-ten BS lớn không nhất thiết phải lớn về mặt vật lý Ví dụ xem xét một mảng hình trụ với 128 ăng ten, bao gồm bốn vòng tròn 16 các phần tử anten phân cực kép Ở tần số 2,6 GHz, khoảng cách giữa các điểm liền kề ăng-ten dài khoảng 6 cm, bằng một nửa bước sóng và do đó, mảng này chỉ chiếm một kích thước vật lý là 28cm×29cm [17]
• Massive MIMO có thể mở rộng: trong Massive MIMO, BS học các kênh thông qua đào tạo đường lên, theo hoạt động TDD Thời gian cần thiết để ước tính kênh không phụ thuộc vào số lượng anten BS Do đó, số lượng Anten BS có thể được làm lớn như mong muốn mà không cần tăng kênh chi phí ước tính Hơn nữa, việc xử lý tín hiệu ở mỗi người dùng rất đơn giản và không phụ thuộc vào sự tồn tại của người dùng khác, nghĩa là không ghép kênh hoặc xử lý tín hiệu tách kênh được thực hiện tại người dùng Thêm hoặc việc loại bỏ một số người dùng khỏi dịch vụ không ảnh hưởng đến hoạt động của những người dùng khác
• Tất cả sự phức tạp là ở BS
2.2.2 Cách thức Masive MIMO hoạt động
Trong Massive MIMO, hoạt động TDD được ưu tiên hơn Trong một khoảng kết hợp, có là ba hoạt động: ước tính kênh (bao gồm huấn luyện đường lên và huấn luyện đường xuống), truyền dữ liệu đường lên và truyền dữ liệu đường xuống Một giao thức TDD Massive MIMO được thể hiện trong Hình 2.9
Hình 2.9: Giao thức truyền của TDD Massive MIMO
2.2.2.1 Ước tính kênh Để giải mã dữ liệu nhận được từ người dùng gửi lên BS cần biết trước thông tin kênh truyền (CSI) Trong kỹ thuật massive MIMO với giao thức TDD, khe thời gian đầu tiên được dùng để ước lượng CSI Cụ thể, mỗi người dùng sẽ gửi tín hiệu pilot lên BS, BS sẽ dựa vào tín hiệu pilot này và các giải thuật ước lượng để đạt được CSI (đã được trình bày ở phần 2.1.5.1) Đối với đường truyền xuống, về lý thuyết người dùng cũng cần CSI để giải mã tín hiệu Có nhiều cơ chế được đề xuất Uớc lượng kênh truyền cho đường truyền xuống là một giải pháp, nhưng việc này làm giảm hiệu suất hệ thống do tốn thời gian huấn luyện 2 lần (bao gồm huấn luyện pilot đường truyền lên và xuống) Trong massive MIMO, bằng cách mã hóa CSI vào tín hiệu truyền xuống, người dùng trong trường hợp này không cần CSI, mà chỉ cần biết độ lợi kênh truyền để giải mã tín hiệu
2.2.2.2 Đường dữ liệu truyền lên của người dùng
Khe thời gian thứ hai trong khung TDD được dành cho user truyền dữ liệu lên BS Bằng cách sử dụng hai thuộc tính đặc biệt của massive MIMO bao gồm kênh truyền cứng và kênh truyền trực giao, massive MIMO cho phép tất cả người dùng truyền dữ liệu lên đồng thời trên cùng tần số Điều này làm hiệu suất sử dụng phổ của hệ thống tăng đáng kể
2.2.2.3 Đường dữ liệu truyền xuống của BS
Vì đặc tính kênh truyền đường lên và đường xuống giống nhau, BS sử dụng thông tin kênh truyền giữa BS và từng người dùng để mã hóa vào dữ liệu gửi xuống
BS đồng thời gửi tín hiệu được mã hóa đó xuống tất cả người dùng trên cùng tần số
2.2.3 Những thuận lợi của Massive MIMO
Trước nhu cầu như dung lượng, tốc độ truyền dữ liệu và độ tin cậy hệ thống viễn thông ngày càng tăng, nhiều kỹ thuật được nghiên cứu và đề xuất Trong đó, massive MIMO đã chứng minh được khả năng đáp ứng nhu cầu cho hệ thống 5G và 6G tương lai Cụ thể, dung lượng tổng của đường truyền lên của hệ thống massive MIMO là
𝐶 sum = log 2 det (𝑰 𝐾 + 𝑝 u 𝑀𝑰 𝐾 ) = 𝐾 log 2 (1 + 𝑀𝑝 u ) (2.30) Trong đó, K là độ lợi ghép kênh chính là số người dùng và M là độ lợi mảng hay số antenna
Từ (2.30) chứng tỏ rằng tổng dung lượng của hệ thống có thể được nâng lên nhiều lần bằng cách tăng số người dùng đồng thời K và số antenna M mà không cần phải tăng công suất phát tại user Cũng từ (2.30), để giảm công suất phát tại người dùng đi 3 dB mà vẫn đảm bảo chất lượng như ban đầu, đây là một trong những tiêu chí của 5G và 6G về năng lượng, hệ thống cần tăng M lên hai lần
Ngoài ra, một yếu tố quan trọng trong massive MIMO là việc đơn giản trong tính toán và giải mã tín hiệu Dựa trên thuộc tính kênh truyền thuận lợi (hay trực giao), phương pháp xử lý tuyến tính đạt kết quả gần tối ưu
Hình 2.10: Tốc độ tổng đường lên cho các máy thu tuyến tính khác nhau và cho máy thu tối ưu
Giới thiệu
Qua chương 2, các cơ sở lý thuyết về Massive MIMO và khó khăn khi muốn gia tăng số lượng user tham gia mạng đã được trình bày rất rõ ràng Các phương pháp đã được nghiên cứu và đề xuất đa số tập trung vào việc tái sử dụng tín hiệu pilot hoặc hướng đến tối ưu hóa tín hiệu pilot mà chưa có nghiên cứu nào về cải tiến giao thức TDD hoặc FDD Chính vì lý do này nên học viên đã đề xuất phương pháp cải tiến giao thức TDD, sau đây gọi là giao thức TDD cải tiến (TDDE) và kèm theo là các giải thuật xử lý tín hiệu, khử/ giảm thiểu nhiễu tín hiệu pilot hoặc tín hiệu dữ liệu từ các user.
Đề xuất mô hình
Hình 3.1: Mô hình đề xuất
Mô hình nghiên cứu bao gồm một BS trang bị M antennas, KC users di động
(UC) và KI user IoT (UI), trong đó KI>>KC, tất cả UC, UI được trang bị một anten Mô hình được minh họa bằng hình 3.1 bên trên Đây là mô hình tổng quát được đề xuất, khi tiến hành phân tích thì các thông số sẽ được thay đổi để phân tích ảnh hưởng của từng thông số đến tổng tốc độ truyền dữ liệu của hệ thống Để phân tích tốt hơn học viên sẽ xem xét các thông số sau đây:
Số lượng anten (M): Số lượng anten trên trạm cơ sở có thể ảnh hưởng đến khả năng phục vụ đồng thời của hệ thống và khả năng tăng cường tín hiệu Tăng số lượng anten có thể cải thiện tốc độ truyền dữ liệu
Số lượng người dùng di động (KC): Số lượng người dùng di động trong hệ thống cũng ảnh hưởng đến tốc độ truyền dữ liệu Khi có nhiều người dùng di động cùng truy cập vào hệ thống, tốc độ truyền dữ liệu có thể giảm do sự cạnh tranh tài nguyên đường truyền
Số lượng người dùng IoT (KI): Số lượng người dùng IoT cũng có thể ảnh hưởng đến tốc độ truyền dữ liệu Do KI lớn hơn rất nhiều so với KC, việc xử lý thông tin từ người dùng IoT có thể tạo ra thách thức cho hệ thống
Nhiễu kênh truyền là yếu tố ảnh hưởng trực tiếp đến năng lực của hệ thống, do đó phần lớn được đưa vào xem xét trong các công trình nghiên cứu Các loại nhiễu kênh truyền trong hệ thống massive MIMO bao gồm:
Nhiễu liên cell: do tái sử dụng tần số giữa các cell Cũng tương tự phần lớn đề tài về massive MIMO, mô hình đề xuất là đơn cell (1 trạm BTS), do đó nhiễu liên cell không được xem xét
Nhiễu do tái sử dụng tín hiệu pilot: nhằm để giảm kích thước tín hiệu pilot, nhiều đề tài đã tái sử dụng tín hiệu pilot, gây ra nhiễu giữa các pilot không trực giao
Trong đề tài này, việc phân chia khung TDD truyền thống ra thành nhiều khung thời gian với nhiều pha huấn luyện pilot, do đó số lượng users tham gia vào mạng ứng với mỗi pha này là nhỏ Kết quả, các tín hiệu pilot không cần phải tái sử dụng, tránh được hiện tượng nhiễu do các pilot không trực giao
Trước khi bắt đầu phân tích thì học viên đề ra một số điều kiện ban đầu:
Giả sử UC và UI dùng chung tần số và thời gian trong quá trình truyền pilot và dữ liệu
Thông tin kênh truyền (CSI) đạt được tại BS là hoàn hảo.
Đề xuất giao thức TDD cải tiến
Nhằm hỗ trợ số lượng kết nối user IoT (UI) lớn mà không ảnh hưởng đến các user di động (UC) thông thường, giao thức TDD cải tiến được đề xuất và gọi tên là TDDE được trình bày chi tiết theo lưu đồ như sau
Kết thúc Khởi tạo giá trị ban đầu:
Tc,TpC,N,KI,KC i = end(KI)?
Tính hiệu suất dữ liệu
Tốc độ của hệ thống
Hình 3.2: Lưu đồ giải thuật
Ký hiệu TCT, TpC, TdC là kích thước (đơn vị số symbol) của 1 CT, thời gian truyền pilot của user di động UC và data cần truyền của UC, tương ứng Gọi KI,n là số user IoT (UI) tham gia tại một thời điểm n trong một khung CT (n=1,…,N; KI,1 + +
KI,N = KI), TpI,n và TdI,n là thời gian truyền pilot và truyền data của user IoT tại thời điểm n, tương ứng Để không mất tính tổng quát về ý nghĩa của TDDE, và đơn giản hóa ký hiệu, ta giả sử TpI,n = TpI, với mọi n
Mô tả TTDE trong một CT
Bước 1a: Bắt đầu một CT, user di động UC truyền pilot trong thời gian TpC
Bước 1b: user di động UC truyền data trong suốt thời gian còn lại của một CT, TdC
Bước 2a: Sau thời gian TpC, KI,1 user IoT (UI,1) sẽ truyền pilot trong thời gian TpI,1.
Bước 2b: Sau khi UI,1 hoàn tất truyền pilot sẽ bắt đầu pha truyền data trong thời gian TdI,1
Lặp lại bước 2a và 2b cho KI,n user IoT, n=2,…,N
Giao thức TDDE được minh họa bằng hình 3.2 bên dưới
Tổng số users bao gồm UC và UI kết nối vào hệ thống đạt giá trị gần tối đa trong một khung CT mà không ảnh hưởng thời gian truyền data của UC Vì thời gian TdC được bắt đầu ngay sau khi kết thúc TpC và kéo dài cho đến khi hết 1 CT Lý tưởng nhất là số lượng user IoT có thể tăng tối đa đến (CT-TpC)
Loại bỏ nhiễu pilot do tái sử dụng tín hiệu pilot Quá trình huấn luyện pilot được chia thành N+1 khe thời gian như trên, vì thế các users có thể được ấn định pilot trực giao Khi chia nhỏ các user IoT tham gia mạng MIMO thành các khe thời gian khác nhau giúp cho việc ấn định các pilot trực giao được thực hiện dễ dàng hơn Tránh việc phải tái sử dụng pilot gây ra nhiễu làm ảnh hưởng đến hiệu suất khi sử dụng đường truyền
Hỗ trợ yêu cầu truyền data với độ trễ thấp Giả sử cùng với số lượng UC và UI tham gia vào hệ thống áp dụng TDD truyền thống, thời gian truyền data của các users sẽ là CT-(TpC+TpI,1+…+TpI,N), trong khi với TDDE, users bắt đầu truyền data nhanh hơn, ví dụ với UC là TdC, còn với UI,1 là TdI,1
Một cách đơn giản có thể hiểu với TDD truyền thống, các UC và tất cả UI sẽ cùng gửi dữ liệu 1 lúc, bắt đầu sau khi hệ thống xác định kênh truyền, điều này làm cho thời gian truyền dữ liệu của các user UC bị giảm do thời gian xác định kênh truyền của tất cả user
Còn đối với TDDE thì ngay sau khi xác định kênh truyền của các UC thì lập tức, các user UC sẽ bắt đầu truyền dữ liệu Có nghĩa là UC sẽ truyền dữ liệu trước các UI
Sau đó các UI sẽ tiếp tục được chia thành nhiều khe thời gian khác nhau để truyền dữ liệu Điều này giúp giảm độ trễ và cho phép truyền dữ liệu nhanh hơn so với TDD truyền thống
Bên cạnh các ưu điểm đã nêu trên thì giao thức TDDE còn có một số khó khăn như sau:
Nhiễu giữa tín hiệu pilot và data Vấn đề này phát sinh ngay khi UC kết thúc quá trình truyền TpC và bắt đầu truyền dữ liệu Đồng thời các user IoT cũng bắt đầu pha truyền TpI,1 nên BS sẽ nhận đồng thời tín hiệu dữ liệu của UC và tín hiệu pilot của UI,1
Tương tự như trên cho đến khi UI,1 kết thúc quá trình truyền pilot để bắt đầu truyền dữ liệu và UI,2 bắt đầu truyền pilot
Cần giải thuật xử lý tín hiệu để loại bỏ hoặc giảm thiểu nhiễu gây ra do quá trình truyền pilot và data đồng thời
Một số giải pháp có thể sử dụng trong trường hợp này như sau:
Sử dụng kỹ thuật tách chủ động (active separation): Trong giai đoạn truyền dữ liệu của user UC, user UI,1 có thể tạm ngừng việc truyền tín hiệu pilot của mình để tránh gây nhiễu cho tín hiệu dữ liệu của user UC Sau khi user UC hoàn thành việc truyền dữ liệu, user UI,1 có thể tiếp tục truyền tín hiệu pilot của mình
Tuy nhiên phương pháp này không thỏa mãn yêu cầu của TDDE vì mong muốn của TDDE là UC truyền dữ liệu đồng thời với UI truyền tín hiệu pilot
Sử dụng kỹ thuật mã hóa (encoding): Các user UC và UI,1 có thể sử dụng mã hóa tín hiệu của mình để làm cho chúng khác biệt và dễ phân biệt tại trạm cơ sở
Bằng cách này, trạm cơ sở có thể giải mã và phân tách tín hiệu dữ liệu của user UC và tín hiệu pilot của user UI,1 một cách chính xác
Phương pháp này đòi hỏi kỹ thuật mã hóa riêng cho từng user khác nhau, làm phức tạp thêm cho hệ thống
Trước những yêu cầu và khó khăn khi thực hiện phương pháp TDDE như trên học viên đề nghị một giải thuật để có thể giải quyết các vấn đề trên.
KẾT QUẢ MÔ PHỎNG
Hiệu suất phổ (bits/s/hz) với 2 cơ chế TDD truyền thống và TDD đề xuất (TDD E )
Thông số sử dụng như sau:
Số khe thời gian huấn luyện pilot cho mỗi user IoT (N) là 5
Số lượng user IoT tham gia trong mỗi khe huấn luyện (KI) là [1, 5, 10, 15, 20, 25, 30]
Số lượng user IoT tham gia vào hệ thống (UI) là UI = N * KI
Với các giá trị trên, ta có thể tính được số lượng user IoT tham gia vào hệ thống như sau:
Do đó, với các giá trị KI tương ứng, số lượng user IoT tham gia vào hệ thống UI sẽ là 5, 25, 50, 75, 100, 125, và 150
Hình 4.1: Hiệu suất phổ của TDD và TDDE với sự thay đổi K I
Từ kết quả trên hình 4.1 cho thấy:
- Với KI=1 hoặc 5 thì chênh lệch về tốc độ giữa TDDE và TDD truyền thống là không đáng kể, vì lúc này số lượng user IoT tham gia còn ít, tương ứng với 5 và 25 user
- Khi KI= 10, 15 tương ứng số user IoT tham gia mạng gia tăng đến 50 và 75 thì tốc độ data đã xuất hiện chênh lệch giữa TDDE và TDD truyền thống Theo kết quả mô phỏng từ hình 4.1 thì TDDE có tốc độ data cao hơn TDD truyền thống Tại KI thì tốc độ tổng của TDDE là 13bits/s/hz cao hơn so với tốc độ tổng của TDD truyền thống là 12bits/s/hz Tương tự tại KI thì tốc độ tổng của TDDE là 17bits/s/hz cao hơn so với tốc độ tổng của TDD truyền thống là 14bits/s/hz
- Từ KI và KI tương ứng số user IoT là 75 và 100 thì TDD truyền thống đạt tốc độ data cao nhất là 14bits/s/hz, tuy có gia tăng nhưng không đáng kể Còn đối với TDDE thì tốc độ vẫn tăng từ 17bits/s/hz (KI) đến gần 20bits/s/hz (KI ) Như vậy có thể thấy ưu thế về gia tăng tốc độ khi số lượng user IoT tham gia mạng tăng lên của TDDE
- Với KI% thì tốc độ truyền của TDD truyền thống đã giảm xuống chỉ còn gần
13bits/s/hz, điều này là do khi gia tăng số lượng user IoT lên 125 thì tổng thời gian dành cho ước lượng kênh truyền quá dài, làm cho thời gian truyền dữ liệu bị rút ngắn lại
- Trong khi đó, với TDDE thì tốc độ truyền dữ liệu ở KI% là 21bits/s/hz, tốc độ này khoảng gấp 1,5 lần so với TDD truyền thống đã nêu trên
- Mức độ cải tiến của TDDE càng lớn khi số lượng user IoT tham gia vào mạng tăng Ví dụ tại KI 0, tương ứng số user IoT là 150, tốc độ tổng của TDDE
22bits/s/hz cao hơn gấp 2 lần so với tốc độ tổng của TDD truyền thống
- Đối với TDD truyền thống, khi tăng số lượng user IoT tham gia vào hệ thống vượt giá trị ngưỡng, cụ thể KI hay UI0, thì tổng tốc độ data của hệ thống sẽ giảm Nguyên nhân do thời gian dành cho việc ước lượng kênh truyền quá dài, dẫn đến thời gian truyền data ngắn lại
- Có thể nhận thấy tại KI0 thì tốc độ truyền của TDDE cũng dần ổn định, không còn gia tăng nữa, điều này chứng tỏ tương tự như TDD truyền thống, TDDE cũng có giá trị UI giới hạn
Tổng tốc độ data của TDDE cao hơn so với tổng tốc độ data của TDD truyền thống Mức độ cải tiến của TDDE càng lớn khi số lượng user IoT tham gia vào mạng tăng Ví dụ tại KI 0, tương ứng số user IoT là 150, tốc độ tổng của TDDE 22bits/s/hz cao hơn gấp 2 lần so với tốc độ tổng của TDD truyền thống
Đối với TDD truyền thống, khi tăng số lượng user IoT tham gia vào hệ thống vượt giá trị ngưỡng, cụ thể KI hay UI0, thì tổng tốc độ data của hệ thống sẽ giảm Nguyên nhân do thời gian dành cho việc ước lượng kênh truyền quá dài, dẫn đến thời gian truyền data ngắn lại
Tương tự như TDD truyền thống, TDDE cũng có giá trị UI giới hạn Giá trị giới hạn UI này quyết định bởi giá trị thời gian của CT
Hình này cũng đã thể hiện được khả năng phục vụ đồng thời nhiều user IoT của hệ thống tăng lên đáng kể so với TDD truyền thống
Bảng 4.2: So sánh tốc độ truyền dữ liệu giữa TDDE và TDD truyền thống.
Hiệu suất phổ của TDD E với sự thay đổi của N
Thông số sử dụng như sau: số user IoT UI = [80, 100, 120], N = [1:2:23]
Hình 4.2: Hiệu suất phổ TDD E với sự thay đổi N
Số user IoT tham gia
Tốc độ truyền dữ liệu TDDE (bits/s/hz)
Tốc độ truyền dữ liệu TDD truyền thống (bits/s/hz)
30 150 22 11 Để tối ưu hóa hiệu suất sử dụng phổ, chúng ta có thể thử nghiệm và so sánh các giá trị khác nhau của N và xem giá trị nào mang lại hiệu suất tốt nhất Với mỗi giá trị N từ 1 đến 23 (với bước nhảy 2), chúng ta có thể tính toán tốc độ truyền dữ liệu của TDDE và so sánh chúng
Thực tế với số lượng các user IoT cố định, phương pháp TDDE cũng cần tìm được số khe thời gian huấn luyện hợp lý để tối ưu hóa hiệu suất sử dụng phổ
Từ kết quả ở hình 4.2 có thể thấy rằng:
- Cả 3 trường hợp đều có sự thay đổi tốc độ truyền dữ liệu nhanh khi cho N thay đổi từ 1 đến 3 Đối với trường hợp 80 user IoT là từ 14 bits/s/hz đến 17 bits/s/hz
Trường hợp 100 user IoT thì từ 14 bits/s/hz đến gần 19 bits/s/hz Cuối cùng là trường hợp 120 user IoT thì tốc độ tăng từ 13,5 bits/s/hz đến 20 bits/s/hz
- Sau đó tốc độ truyền dữ liệu tăng giảm dần khi thay đổi N từ 3 lên 5 Trường hợp 80 user IoT thì chỉ tăng từ 17 bits/s/hz đến 17,5 bits/s/hz Tương tự như vậy, trường hợp 100 user IoT thì tăng từ gần 19 bits/s/hz đến 19,7 bits/s/hz Cuối cùng là trường hợp 120 user IoT cũng chỉ tăng từ 20 bits/s/hz đến 21 bits/s/hz
- Tương tự như trên khi thay đổi N từ 5 thành 7 thì sự thay đổi tốc độ truyền dữ liệu cũng tăng nhưng không tăng quá nhiều như ban đầu
- Với số lượng user IoT là 80, khi tăng N đến 9 thì tổng tốc độ truyền dữ liệu không tăng đáng kể nữa, gần như cố định ở 18 bits/s/hz Tương tự như vậy, đối với trường hợp 100 user IoT thì khi thay đổi N đến 13 thì tốc độ truyền cũng gần như không thay đổi nữa, cố định ở 20,5 bits/s/hz Còn đối với trường hợp 120 user IoT thì khi N = 15 thì tốc độ truyền cũng ổn định ở 22,5 bits/s/hz
- Tổng kết lại hình 4.2 thể hiện mối tương quan giữa số khe dành cho pilot training (N) và hiệu xuất phổ ứng với ba số lượng user IoT là 80,100 và 120 Kết quả thể hiện việc chia số user IoT, UI, thành nhiều nhóm, mỗi nhóm ứng với một khe pilot training, sẽ làm tăng hiệu suất sử dụng phổ khi N xấp xỉ 10% UI ; Ngoài ra, kết quả cũng thể hiện khi N lớn hơn 10% UI thì hiệu suất tăng không đáng kể Vì vậy, tùy theo mục đích mà hệ thống có thể lựa chọn N phù hợp
Các kết quả cụ thể được trình bày ở bảng 4.3
Bảng 4.3: So sánh tốc độ truyền dữ liệu khi N thay đổi
N Số khe dành cho huấn luyện pilot
Tổng tốc độ truyền dữ liệu (bits/s/hz) 80 user IoT 100 user IoT 120 user IoT
Hiệu suất phổ của TDD E với M thay đổi
Nhằm đánh giá ảnh hưởng của TDDE và số lượng antenna M của hệ thống massive MIMO, học viên đã cài đặt các thông số như sau: M =[50:50:500], UI 0, N=5, KI = 20 Kết quả hiển thị ở hình 4.3
Từ kết quả mô phỏng ở hình 4.3 có thể nhận thấy khi thay đổi số lượng antenna M thì tốc độ truyền dữ liệu của TDDE vẫn cao hơn TDD truyền thống Và khi có càng nhiều antenna M thì sự chênh lệch về tốc độ của TDDE so với TDD truyền thống càng lớn Cụ thể, tại MP thì tốc độ truyền dữ liệu của TDDE là 5 bits/s/hz, còn tốc độ truyền dữ liệu của TDD truyền thống là 4 bits/s/hz, sự chênh lệch hầu như không đáng kể
Hình 4.3: Hiệu suất phổ TDD E với sự thay đổi M
Nhưng khi gia tăng M đến 500 thì tốc độ truyền của TDDE là 44 bits/s/hz còn tốc độ truyền của TDD truyền thống là 32 bits/s/hz, lúc này độ chênh lệch đã khá lớn
Xu hướng gia tăng chênh lệch này sẽ ngày càng được gia tăng khi các antenna M được gia tăng Điều này cho thấy ưu điểm của TDDE trong việc tăng cường hiệu suất truyền dữ liệu so với TDD truyền thống, đặc biệt khi có số lượng antenna lớn
Các thông số được liệt kê chi tiết trong bảng 4.4 khi so sánh tốc độ truyền dữ liệu giữa TDD truyền thống và TDD cải tiến khi số lượng antenna M thay đổi
Bảng 4.4: So sánh tốc độ truyền dữ liệu giữa TDDE và TDD truyền thống khi thay đổi số lượng antenna M Số lượng antenna M
Tốc độ truyền dữ liệu của TDDE (bits/s/hz)
Tốc độ truyền dữ liệu của TDD truyền thống (bits/s/hz)
Kết luận
Trong luận văn này, học viên đã đề xuất giao thức TDD cải tiến tạm gọi là TDDE Luận văn cũng đã phân tích và chứng minh được tính vượt trội của giao thức TDDE nhằm cho phép tăng số user IoT kết nối vào hệ thống MIMO
Một số ưu điểm của giao thức như:
Số lượng kết nối đồng thời cực lớn: TDDE cho phép tăng số lượng user IoT kết nối vào hệ thống Điều này là rất quan trọng trong mạng 6G, vì yêu cầu về số lượng kết nối đồng thời cực lớn được đặt ra để đáp ứng nhu cầu ngày càng tăng của IoT
Loại bỏ nhiễu pilot: TDDE sử dụng tái sử dụng tín hiệu pilot để loại bỏ nhiễu
Khi tín hiệu pilot được tái sử dụng, nhiễu pilot giữa các user IoT sẽ không gây ảnh hưởng lẫn nhau, giúp cải thiện chất lượng truyền dữ liệu và độ tin cậy của hệ thống
Độ trễ thấp: TDDE cho phép truyền dữ liệu với độ trễ thấp Điều này rất quan trọng trong các ứng dụng yêu cầu truyền dữ liệu thời gian thực như IoT trong mạng 6G Độ trễ thấp giúp đảm bảo việc truyền dữ liệu diễn ra nhanh chóng và đáp ứng yêu cầu về thời gian của các ứng dụng IoT
Tăng hiệu suất sử dụng phổ: TDDE cũng được cho là tăng hiệu suất sử dụng phổ Bằng cách loại bỏ nhiễu pilot và sử dụng tài nguyên phổ hiệu quả, TDDE có thể tận dụng tối đa phổ và cung cấp hiệu suất truyền dữ liệu cao hơn so với các phương pháp truyền thống.
Hướng nghiên cứu của đề tài
Phân tích hệ thống trong trường hợp kênh truyền là thực tế và không hoàn hảo là một hướng tiếp theo quan trọng cho đề tài này Khi thực hiện phân tích này, có thể xem xét các yếu tố sau đây:
Nhiễu kênh: Trong môi trường thực tế, kênh truyền thường bị ảnh hưởng bởi nhiễu, gây ra hiện tượng mất mát tín hiệu và nhiễu tín hiệu Học viên có thể nghiên cứu và mô phỏng các mô hình nhiễu kênh phù hợp để phân tích tác động của nhiễu lên hiệu suất truyền dữ liệu của hệ thống
Mất mát tín hiệu: Trong truyền thông không dây, tín hiệu có thể bị mất mát do đường truyền dẫn, đa đường và các yếu tố môi trường khác Có thể xem xét hiệu ứng của mất mát tín hiệu lên khả năng truyền dữ liệu của TDDE và tìm cách cải thiện độ tin cậy của hệ thống trong môi trường có mất mát Đa đường: Hiện tượng đa đường có thể xảy ra khi tín hiệu đi từ nguồn đến đích thông qua nhiều đường truyền khác nhau Điều này có thể gây ra hiện tượng suy giảm tín hiệu và ảnh hưởng đến chất lượng truyền dữ liệu.
