đề xuất giải pháp và phân tích mạng massive mimo hỗ trợ internet of things

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

THÀNH PHỐ HỒ CHÍ MINH

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH

- oOo -

LUẬN VĂN THẠC SĨ HÀ TRẦN TRỌNG HỮU

ĐỀ XUẤT GIẢI PHÁP VÀ PHÂN TÍCH MẠNG MASSIVE MIMO HỖ TRỢ INTERNET OF THINGS.

NGÀNH: KỸ THUẬT ĐIỆN TỬ - 2080704

Hướng dẫn khoa học: TS ĐOÀN XUÂN TOÀN

Tp Hồ Chí Minh, tháng 01 năm 2024

LỜI CAM ĐOAN

Tôi cam đoan đây là công trình nghiên cứu của tôi

Các số liệu, kết quả nêu trong luận văn là trung thực và chưa từng được ai công bố trong bất kỳ công trình nào khác

Tp Hồ Chí Minh, ngày 06 tháng 01 năm 2024

(Ký tên và ghi rõ họ tên)

Hà Trần Trọng Hữu

LỜI CẢM ƠN

Tôi xin chân thành cảm ơn Ban giám hiệu trường Đại học Sư phạm kỹ thuật thành phố Hồ Chí Minh đã tạo mọi điều kiện thuận lợi cho tôi trong quá trình học tập nâng cao trình độ và thực hiện luận văn này

Tôi xin trân trọng cảm ơn tất cả thầy cô đã giảng dạy Và tôi xin trân trọng

cảm ơn TS Đoàn Xuân Toàn đã tận tình hướng dẫn, truyền đạt kiến thức và đề

xuất hướng giải quyết các vấn đề khó khăn phát sinh trong nghiên cứu

Tôi cũng xin cảm ơn các đồng nghiệp trong cơ quan đã tạo điều kiện thuận lợi để tôi có thể tham gia khoá học và hoàn thành luận văn này

Tôi xin chân thành cảm ơn!

Trân trọng Tp.HCM, ngày 06 tháng 01 năm 2024 Người thực hiện

Hà Trần Trọng Hữu

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 Nói cách khác, đều này làm giới hạn số lượng người dùng có thể tham gia vào mạng đồng thời Trong các công trình nghiên cứu trước đây, nhiều giải pháp đã được đề xuất nhằm giải quyết vấn đề trên, như tái sử dụng tín hiệu pilot, phân phối tín hiệu pilot theo địa lý và sử dụng trí tuệ nhân tạo Khác với các nghiên cứu trước, trong nghiên cứu này, giao thức TDD cải tiến cho massive MIMO mới được giới thiệu nhằm đáp ứng các yêu cầu kết nối khổng lồ của truyền thông IoT Cụ thể, đề tài đề xuất giao thức TDD cho phép người dùng mới có thể tham gia vào mạng thông qua pha huấn luyện pilot trong khi người dùng hiện tại (đã tham gia mạng) có thể truyền tín hiệu dữ liệu đồng thời Ngoài ra, giải thuật xử lý tín hiệu mới cũng được đề xuất để giảm thiểu nhiễu giữa tín hiệu pilot và dữ liệu Do đó, hệ thống có thể tăng đáng kể số lượng người dùng được phục vụ đồng thời

Từ khóa: Massive MIMO, TDD, IoT

ABSTRACT

The two well-known challenges of massive MIMO systems with a large number of users are pilot contamination and pilot overhead In other words, these problems limit the number of users who can simultaneously join the network In literature, many solutions have been proposed to deal with the problem, such as reusing pilots, geographically distributing pilot signals, and using artificial intelligence Different from previous works, in this study, a novel TDD scheme for massive MIMO systems is introduced to fulfil the massive connection requirements of IoT communication Specifically, the topic proposes a new TDD scheme that allows new users requiring to join the network to transmit pilot signals, while existing users who have already joined the network can transmit data signals concurrently Additionally, a new signal processing scheme is proposed to mitigate the interference between pilot signals and data signals Consequently, the system can significantly increase the number of users served simultaneously Interestingly, the proposed TDD scheme also works well for high-mobility users with very short coherence intervals Therefore, the system can significantly increase the number of users served simultaneously

Keywords: Massive MIMO, TDD, IoT.

1.1 Tính cần thiết của đề tài 1

1.2 Các nghiên cứu trong và ngoài nước 3

1.3 Mục tiêu của đề tài 5

1.4 Giới hạn đề tài 5

1.5 Các bước tiến hành 5

1.6 Điểm mới của đề tài 6

1.7 Tính thực tiễn 6

1.8 Phương pháp nghiên cứu 6

1.9 Nội dung đề tài 6

1.10 Tiến độ thực hiện đề tài 7

Chương 2 8

CƠ SỞ LÝ THUYẾT 8

2.1 Hệ thống mạng di động MIMO đa người dùng 8

2.1.1 Mô hình hệ thống và giả định 8

2.1.2 Truyền tải đường lên 9

2.1.3 Truyền tải đường xuống 10

3.3 Đề xuất giao thức TDD cải tiến 33

3.4 Phân tích giải thuật 36

Chương 4 KẾT QUẢ MÔ PHỎNG 41

4.1 Hiệu suất phổ (bits/s/hz) với 2 cơ chế TDD truyền thống và TDD đề xuất (TDDE) 41

4.2 Hiệu suất phổ của TDDE với sự thay đổi của N 44

4.3 Hiệu suất phổ của TDDE với M thay đổi 46

4.4 Ảnh hưởng của TCT 48

Chương 5 51

KẾT LUẬN VÀ HƯỚNG NGHIÊN CỨU PHÁT TRIỂN 51

5.1 Kết luận 51

5.2 Hướng nghiên cứu của đề tài 51

TÀI LIỆU THAM KHẢO 53

PHỤ LỤC 57

DANH MỤC TỪ VIẾT TẮT

AF Amplify-and-Forward Khuếch đại và chuyển tiếp AP Access Point Điểm truy cập

BS Base Station Trạm cơ sở

CNN Convolutional Neural Network Mạng thần kinh tích chập CSI Channel State Information Thông tin về trạng thái kênh CT Coherence time Thời gian kết hợp

DPC Dirty Paper Coding Kỹ thuật mã hóa giấy bẩn

FDD Frequency Division Duplexing Song công phân chia theo tần số LS Least-Squares Bình phương nhỏ nhất

LTE Long Term Evolution Tiến hóa lâu dài MIMO Multiple-Input Multiple-Output Đa ngõ vào đa ngõ ra ML Maximum Likelihood Khả năng tối đa

MMSE Minimum Mean Square Error Sai số bình phương trung bình tối thiểu

MRC Maximum Ratio Combining Giải mã tín hiệu kết hợp tỉ lệ tối đa

MRT Maximum Ratio Transmission Tỉ số truyền tối đa

NMSE Normalized Mean Square Error Sai số bình phương trung bình chuẩn hóa

RV Random Variable Biến ngẫu nhiên SIC Successive Interference

Cancellation Khử nhiễu liên tiếp SINR Signal-to-Interference-plus-

TDD Time Division Duplexing Song công phân chia theo thời gian

URRLC Ultra reliable low latency communications

Truyền thông có độ trễ cực thấp và độ tin cậy cực cao

ZF Zero-Forcing Cưỡng bức bằng không

DANH SÁCH CÁC BẢNG

Bảng 4.1 Một số tham số và giá trị cài đặt ban đầu của hệ thống 41Bảng 4.2: So sánh tốc độ truyền dữ liệu giữa TDDE và TDD truyền thống 44Bảng 4.3: So sánh tốc độ truyền dữ liệu khi N thay đổi 46Bảng 4.4: So sánh tốc độ truyền dữ liệu giữa TDDE và TDD truyền thống khi thay đổi số lượng antenna M 48Bảng 4.5: So sánh tốc độ truyền dữ liệu khi có ảnh hưởng của TCT 49

Hình 2.2: Sơ đồ khối phát hiện tuyến tính tại BS 11

Hình 2.3: Sơ đồ khối của bộ tiền mã hóa tuyến tính tại BS 16

Hình 2.4: Hiệu suất của máy thu tuyến tính trong đường lên 16

Hình 2.5: Hiệu suất của bộ tiền mã hóa tuyến tính ở đường xuống 17

Hình 2.6: Cấu trúc khe và ước lượng kênh trong hệ thống TDD 19

Hình 2.7: Cấu trúc khe và ước lượng kênh trong hệ thống FDD 20

Hình 2.8: Các vùng có thể (M, K) trong các hệ thống TDD và FDD, cho khoảng kết hợp gồm 200 ký hiệu 21

Hình 2.9: Giao thức truyền của TDD Massive MIMO 23

Hình 2.10: Tốc độ tổng đường lên cho các máy thu tuyến tính khác nhau và cho máy thu tối ưu 25

Hình 3.1: Mô hình đề xuất 31

Hình 3.2: Lưu đồ giải thuật 33

Hình 3.3: Giao thức TDDE 34

Hình 4.1: Hiệu suất phổ của TDD và TDDE với sự thay đổi KI 42

Hình 4.2: Hiệu suất phổ TDDE với sự thay đổi N 44

Hình 4.3: Hiệu suất phổ TDDE với sự thay đổi M 47

Hình 4.4: Hiệu suất phổ của TDDE khi thời gian huấn luyện pilot cho user IoT = TpI=KI 49

Chương 1

TỔNG QUAN ĐỀ TÀI

1.1 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)

Pilot training Data transmission

Hình 1.1 Phương thức 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

1.2 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

1.3 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

1.4 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

1.5 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

1.6 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

1.7 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

1.8 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

1.9 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

1.10 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 02, 03, 04, 05 năm 2023: Viết Chương 4  Tháng 06, 07, 08, 09 năm 2023: Viết Chương 5

 Tháng 10, 11, 12 năm 2023: Hoàn thiện đề tài, viết tóm tắt, soạn trình chiếu  Tháng 1 năm 2024: Bảo vệ đề tài

Chương 2

CƠ SỞ LÝ THUYẾT

2.1 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 ∈ ℂM×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

2.1.2 Truyền tải đường lên

Truyền tải đường lên (hoặc liên kết ngược) là tình huống trong đó người dùng

K truyền tín hiệu đến BS Đặt sk, trong đó E{|sk|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:

𝒚𝑢𝑙 = √𝑝𝑢∑𝐾𝑘=1𝒉𝑘𝑠𝑘 + 𝒏 (2.1) Khi viết dưới dạng ma trận sẽ được

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 ∈ CM×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

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

𝒔̂ = arg min

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

̃ul = 𝑨𝐻𝒚𝑢𝑙 = √𝑝𝑢𝑨𝐻𝑯𝒔 + 𝑨𝐻𝒏 (2.8)

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 𝒚̃ul, được sử dụng để giải mã sk, được đưa ra bởi

𝑆𝐼𝑁𝑅𝑘 = 𝑝𝑢|𝒂𝐻𝒉𝑘|

(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:

Với MRC, BS nhằm mục đích tối đa hóa tỷ lệ tín hiệu trên tạp âm (SNR) nhận được của mỗi luồng, bỏ qua ảnh hưởng của nhiễu nhiều người dùng Từ (2.9), cột thứ k của ma trận máy thu MRC A là: năng lượng nhiễu

(2.12)

→ ‖𝒉𝑘‖4

∑𝐾|𝒉𝑘𝐻𝒉𝑘′|2+‖𝒉𝑘‖2𝑘′≠𝑘

Ưu điểm: việc xử lý tín hiệu rất đơn giản vì BS chỉ cần nhân vectơ nhận được với chuyển vị liên hợp của kênh ma trận H, sau đó phát hiện từng luồng riêng biệt Quan trọng hơn, MRC có thể được thực hiện một cách phân tán Hơn nữa, tại pu thấp, SINRmrc,k ≈ pu∥hk∥2 Điều này ngụ ý rằng ở SNR thấp, MRC có thể đạt được mức tăng mảng giống như trong trường hợp hệ thống một người dùng

Nhược điểm: như đã thảo luận ở trên, do MRC bỏ qua ảnh hưởng của nhiễu nhiều người dùng nên nó hoạt động kém trong các tình huống hạn chế nhiễu Điều này có thể thấy trong (2.13), trong đó SINR bị chặn trên bởi một hằng số (đối với pu) khi pu lớn

b Bộ thu không cưỡng bức:

Ngược lại với MRC, các máy thu không cưỡng bức (ZF) tính đến nhiễu giữa người dùng, nhưng bỏ qua ảnh hưởng của nhiễu Với ZF, nhiễu đa người dùng hoàn toàn bị loại bỏ bằng cách chiếu từng luồng lên phần bổ sung trực giao của nhiễu giữa người dùng Chính xác hơn, thứ k cột của ma trận máy thu ZF thỏa mãn:

Lược đồ này yêu cầu M ≥ K (để ma trận HHH khả nghịch) Chúng ta có thể thấy

rằng mỗi luồng (phần tử) của 𝒚̃ul trong (2.15) không có nhiều người dùng can thiệp Luồng thứ k của 𝒚̃ul được sử dụng để phát hiện sk:

Ưu điểm: xử lý tín hiệu đơn giản và ZF hoạt động tốt trong kịch bản hạn chế nhiễu SINR có thể được thực hiện cao như mong muốn bằng cách tăng công suất phát

Nhược điểm: vì ZF bỏ qua ảnh hưởng của nhiễu nên nó hoạt động kém trong các kịch bản hạn chế nhiễu Hơn nữa, nếu kênh không được điều hòa tốt thì bộ nghịch đảo giả sẽ khuếch đại nhiễu đáng kể do đó hiệu suất rất kém So với MRC, ZF có một độ phức tạp triển khai cao hơn do tính toán nghịch đảo giả của ma trận khuếch đại kênh

c Bộ thu lỗi trung bình bình phương tối thiểu:

Máy thu lỗi trung bình bình phương tối thiểu tuyến tính (MMSE) nhằm mục đích giảm thiểu lỗi bình phương trung bình giữa 𝑨𝐻𝒚𝑢𝑙 ước tính và tín hiệu s được truyền Chính xác hơn

𝑨mmse = argmin

𝑨 ∈ CM×K

E {‖𝑨𝐻𝒚𝑢𝑙− 𝒔‖2} (2.18) =argmin

𝑨 ∈ CM×K

∑𝐾𝑘=1E{|𝒂𝑘𝐻𝒚𝑢𝑙− 𝒔𝒌|2} (2.19) trong đó ak là cột thứ k của A Do đó, cột thứ k của MMSE ma trận máy thu là [16]

𝒂𝑘∈ CM×1E{|𝒂𝑘𝐻𝒚𝑢𝑙− 𝒔𝒌|2} (2.20) = 𝑐𝑜𝑣(𝒚𝑢𝑙, 𝒚𝑢𝑙)−1𝑐𝑜𝑣(𝒔𝑘, 𝒚𝑢𝑙)𝐻 (2.21) = √𝑝u(𝑝u𝑯𝑯𝐻+ 𝑰𝑀)−1𝒉𝒌 (2.22) trong đó 𝑐𝑜𝑣 (𝑣1, 𝑣2≜ 𝐸{𝑣1𝑣2𝐻}, trong đó 𝑣1, 𝑣2 là hai cột ngẫu nhiên vectơ với các phần tử trung bình bằng không

Được biết, bộ thu MMSE tối đa hóa SINR nhận được Vì vậy, trong số các máy thu MMSE, ZF và MRC, MMSE là tốt nhất Chúng ta có thể thấy từ (2.22) rằng, ở SNR cao (pu cao), ZF tiệm cận MMSE, trong khi ở mức thấp SNR, MRC hoạt động tốt như MMSE Hơn nữa, thay (2.22) vào (2.10), SINR nhận được cho máy thu MMSE được cho bởi

𝑆𝐼𝑁𝑅𝑚𝑚𝑠𝑒,𝑘 = 𝑝u𝒉𝑘𝐻(𝑝u∑𝐾𝑖≠𝑘𝒉𝒊𝒉𝒊𝑯+ 𝑰𝑀)−1𝒉𝒌 (2.23)

2.1.4.2 Bộ tiền mã hóa tuyến tính (trong đường xuống)

Ở đường xuống, với kỹ thuật tiền mã hóa tuyến tính, tín hiệu truyền từ M anten, x, là sự kết hợp tuyến tính của các ký hiệu dành cho K người dùng Hãy qk, E {|qk|2} = 1, là biểu tượng dành cho người dùng thứ k Sau đó, tiền mã hóa tuyến tính vectơ tín hiệu x là

𝑆𝐼𝑁𝑅𝑘 = 𝛼𝑝d|𝒉𝑘𝑇𝒘𝑘|2

𝛼𝑝d∑𝐾𝑘′≠𝑘|𝒉𝑘′𝑇𝒘𝑘′|2+1 (2.28)

Ba bộ tiền mã hóa tuyến tính thông thường là truyền tỷ số tối đa (MRT) (cũng được gọi là định dạng liên hợp), bộ tiền mã hóa ZF và MMSE Các bộ tiền mã hóa này có ý nghĩa và đặc tính hoạt động tương tự như các máy thu MRC, ZF, MMSE tương ứng

Vì vậy, ở đây chúng tôi chỉ cung cấp các công thức cuối cùng cho các bộ tiền mã hóa này, tức là

𝑊 = {

𝑯∗, 𝑓𝑜𝑟 𝑀𝑅𝑇𝑯∗(𝑯𝑇𝑯∗)−1, 𝑓𝑜𝑟 𝑍𝐹𝑯∗(𝑯𝑇𝑯∗+ 𝐾

𝑝d𝑰𝐾)−1, 𝑓𝑜𝑟 𝑀𝑀𝑆𝐸

(2.29)

Hình 2.3: Sơ đồ khối của bộ tiền mã hóa tuyến tính tại BS

H

Hình 2.5: Hiệu suất của bộ tiền mã hóa tuyến tính ở đường xuống

Hình 2.4 và 2.5 cho thấy tổng tốc độ có thể đạt được cho đường lên và đường xuống tương ứng, với các sơ đồ xử lý tuyến tính khác nhau, so với 𝑆𝑁𝑅 ≜ 𝑝ucho đường lên và 𝑆𝑁𝑅 ≜ 𝑝d cho đường xuống, với M = 6 và K = 4 Tổng tỷ lệ được định nghĩa là ∑𝐾 𝐸{log2(1 + 𝑆𝐼𝑁𝑅𝑘)}

𝑘=1 trong đó SINRk là SINR của người dùng thứ k được đưa ra trong cuộc thảo luận trước đó Như mong đợi, MMSE thực hiện nghiêm ngặt tốt hơn ZF và MRC trên toàn bộ dải SNR Trong chế độ SNR thấp, MRC tốt hơn ZF và ngược lại trong chế độ SNR cao

2.1.5 Ước tính kênh

Trong thực tế, Channel State Information (CSI) không thể được biết chính xác mà phải được ước tính CSI đại diện cho thông tin về trạng thái của kênh truyền từ

trạm cơ sở (BS) đến người dùng (user), bao gồm các thông số như độ suy giảm tín hiệu, nhiễu, và độ trễ

Tùy thuộc vào chế độ hoạt động của hệ thống, TDD (Time Division Duplexing) hoặc FDD (Frequency Division Duplexing), cách ước tính CSI sẽ khác nhau

Trong chế độ TDD, BS và user sử dụng cùng một tần số để truyền và nhận dữ liệu, nhưng sử dụng các khung thời gian khác nhau để truyền và nhận Do đó, ước tính CSI trong chế độ TDD thường dựa trên thông tin phản hồi từ user trong các khung thời gian truyền và nhận khác nhau

Trong chế độ FDD, BS và user sử dụng các băng tần khác nhau để truyền và nhận dữ liệu Trong trường hợp này, ước tính CSI thường dựa trên các kỹ thuật phân tích tín hiệu như đo lường công suất hoặc phản hồi từ user

Cả hai chế độ đều có nhược điểm riêng Với TDD, do BS và user không thể truyền và nhận dữ liệu cùng một lúc trên cùng một tần số, có thể xảy ra hiện tượng truyền hướng xuống và truyền hướng lên không đồng bộ Điều này có thể làm ước tính CSI bị sai lệch và ảnh hưởng đến hiệu suất truyền thông

Với FDD, khả năng ước tính CSI cũng phụ thuộc vào khả năng đồng bộ giữa BS và user trên các băng tần khác nhau Nếu không có đồng bộ chính xác, ước tính CSI có thể bị sai lệch và dẫn đến hiệu suất kém

Do đó, trong thực tế, việc ước tính CSI là một thách thức và yêu cầu các kỹ thuật và thuật toán phức tạp để đạt được độ chính xác cao nhất có thể

2.1.5.1 Ước tính kênh trong hệ thống TDD

Trong một hệ thống TDD, truyền tải đường lên và đường xuống sử dụng cùng một tần số quang phổ, nhưng các khe thời gian khác nhau Các kênh đường lên và đường xuống là tương hỗ Do đó, CSI có thể thu được bằng cách sử dụng sơ đồ sau (xem Hình 2.6)

Hình 2.6: Cấu trúc khe và ước lượng kênh trong hệ thống TDD

• Đối với truyền dẫn đường lên: BS cần CSI để phát hiện các tín hiệu được truyền từ K người dùng CSI này được ước tính tại BS Chính xác hơn là K người dùng gửi K chuỗi pilot trực giao tới BS trên đường lên Sau đó BS ước tính các kênh dựa trên các tín hiệu pilot nhận được Quá trình này yêu cầu sử dụng tối thiểu K kênh • Đối với đường xuống: BS cần CSI để mã hóa trước các tín hiệu được truyền, trong khi mỗi người dùng cần độ lợi kênh hiệu quả để phát hiện các tín hiệu mong muốn Bởi vì tính tương hỗ của kênh, kênh được ước tính tại BS trong đường lên có thể được được sử dụng để mã hóa trước các ký hiệu truyền Để có được kiến thức về hiệu quả khuếch đại kênh, BS có thể điều khiển định dạng chùm và mỗi người dùng có thể ước tính độ lợi kênh hiệu quả dựa trên các tín hiệu pilot nhận được Điều này đòi hỏi tại sử dụng kênh K ít nhất

Tổng cộng, quá trình đào tạo yêu cầu sử dụng tối thiểu 2K kệnh, chúng tôi giả sử rằng kênh không đổi trên các ký hiệu T Do đó, yêu cầu là 2K<T Hình 2.6 minh họa cho ước lượng kênh trong hệ thống TDD

2.1.5.2 Ước tính kênh trong hệ thống FDD

Trong một hệ thống FDD, truyền tải đường lên và đường xuống sử dụng tần số có phổ khác nhau, và do đó, các kênh đường lên và đường xuống không tương hỗ Các kiến thức kênh tại BS và người dùng có thể thu được bằng cách sử dụng cơ chế đào tạo sau:

• Đối với truyền dẫn đường xuống: BS cần CSI để mã hóa trước các ký hiệu trước khi truyền cho K người dùng Ăng-ten M BS truyền M chuỗi pilot trực giao cho K người dùng Mỗi người dùng sẽ ước tính kênh dựa trên trên các pilot nhận được Sau đó, nó phản hồi ước tính kênh của nó (kênh M ước tính) đến BS thông qua đường

lên Quá trình này cần ít nhất M kênh sử dụng cho đường xuống và kênh M sử dụng cho đường lên

• Đối với truyền dẫn đường lên: BS cần CSI để giải mã các tín hiệu được truyền từ K người dùng Một cách đơn giản là K người dùng truyền K chuỗi pilot trực giao tới BS Sau đó, BS sẽ ước tính các kênh dựa trên các tín hiệu thí điểm nhận được Quá trình này yêu cầu ít nhất K kênh sử dụng cho đường lên

Do đó, toàn bộ quá trình ước tính kênh cần ít nhất M + K kênh sử dụng trong đường lên và kênh M sử dụng trong đường xuống Giả sử rằng độ dài của các khoảng kết hợp cho đường lên và đường xuống là như nhau và là bằng T Sau đó, chúng ta có các ràng buộc: M < T và M + K < T Kết quả là M + K < T là ràng buộc đối với hệ thống FDD Một minh họa về ước tính kênh trong các hệ thống FDD được thể hiện trong Hình 2.7

Hình 2.7: Cấu trúc khe và ước lượng kênh trong hệ thống FDD

2.2 Tổng quan về Massive MIMO

2.2.1 Khái niệm 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: