Luận văn thạc sĩ Kỹ thuật viễn thông: Phân bổ công suất hệ thống cell-free massive mimo bằng phương pháp học sâu

TRƯỜNG ĐẠI HỌC BÁCH KHOA -

PHẠM THẾ LINH

PHÂN BỔ CÔNG SUẤT

HỆ THỐNG CELL-FREE MASSIVE MIMO BẰNG PHƯƠNG PHÁP HỌC SÂU

Chuyên ngành : KỸ THUẬT VIỄN THÔNG Mã số : 8520208

LUẬN VĂN THẠC SĨ

TP HỒ CHÍ MINH, tháng 07 năm 2022

Cán bộ hướng dẫn khoa học: PGS TS Hà Hoàng Kha Cán bộ chấm nhận xét 1: TS Võ Quế Sơn

CHỦ TỊCH HỘI ĐỒNG TRƯỞNG KHOA ĐIỆN – ĐIỆN TỬ

GS.TS Lê Tiến Thường

TRƯỜNG ĐẠI HỌC BÁCH KHOA

NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên : PHẠM THẾ LINH MSHV : 2070373 Ngày, tháng, năm sinh : 24/02/1997 Nơi sinh : Đăklăk Chuyên ngành : KỸ THUẬT VIỄN THÔNG Mã số : 8520208 I TÊN ĐỀ TÀI : PHÂN BỔ CÔNG SUẤT HỆ THỐNG CELL-FREE MASSIVE MIMO BẰNG PHƯƠNG PHÁP HỌC SÂU ………

(Tiếng anh) POWER ALLOCATION FOR CELL-FREE MASSIVE MIMO BY DEEP LEARNING II NHIỆM VỤ VÀ NỘI DUNG : - Mô phỏng hệ thống cell-free massive MIMO………

- Giải quyết bài toán tối ưu phân bổ công suất của hệ thống cell-free Massive MIMO bằng phương pháp học sâu………

- Đánh giá hiệu quả của phương pháp học sâu trong hệ thống cell-free Massive MIMO………

III NGÀY GIAO NHIỆM VỤ : 06/09/2021………

IV NGÀY HOÀN THÀNH NHIỆM VỤ : 13/06/2022………

V CÁN BỘ HƯỚNG DẪN : PGS TS HÀ HOÀNG KHA ………

LỜI CẢM ƠN

Đầu tiên, em xin được gửi lời cảm ơn chân thành nhất đến thầy PGS TS Hà Hoàng Kha Trong quá trình thực hiện luận văn thạc sĩ, mặc dù gặp phải nhiều khó khăn nhưng thầy đã luôn nhiệt tình hướng dẫn, chỉ dạy, truyền đạt kinh nghiệm, kiến thức cho em Nhờ vậy, mà đã giúp em giải quyết những vướng mắc trong suốt quá trình thực hiện luận văn và giúp em vững vàng và hoàn thiện kiến thức chuyên môn Từ đấy mà em mới có thể hoàn thành được luận văn

Tiếp theo, em xin được gửi lời cảm ơn đến toàn thể quý thầy cô thuộc Bộ môn Viễn Thông, Khoa Điện – Điện tử,Trường Đại học Bách Khoa TP Hồ Chí Minh Quý thầy cô đã dành trọn công sức để truyền dạy cho chúng em kiến thức và kinh nghiệm của mình trong suốt thời gian học tập tại trường

Cuối cùng, em xin được gửi lời cảm ơn đến cha mẹ, anh em, bạn bè Những người đã luôn động viên, ủng hộ cả về tinh thần lẫn thể chất trong suốt thời gian qua

Mặc dù đã cố gắng hoàn thành luận văn nhưng vẫn không tránh khỏi những thiếu sót, kính mong nhận được sự thông cảm, góp ý và chỉ bảo tận tình của quý thầy cô

TP HCM, ngày 13 tháng 6 năm 2022

Phạm Thế Linh

TÓM TẮT LUẬN VĂN

Lưu lượng dữ liệu của người dùng đã gia tăng gấp nhiều lần trong một thập kỉ qua do nhu cầu sử dụng thiết bị thông minh và các ứng dụng thông minh như ngôi nhà thông minh, xe tự hành, thực tế ảo mở rộng, … Để đáp ứng nhu cầu truyền dữ liệu tốc độ cao của người dùng, rất nhiều công nghệ hiện đại đã được nghiên cứu và triển khai như hệ thống cell-free massive MIMO, truyền thông ở băng tần THz, đa truy cập không trực giao, … Luận văn sẽ tập trung về hệ thống cell-free massive MIMO

Hệ thống cell-free massive MIMO là hệ thống có số lượng điểm truy cập dày dặc Các điểm truy cập đều tham gia phục vụ các thiết bị người dùng Hệ thống không giới hạn điểm đặt của các điểm truy cập, cho phép các điểm truy cập gần với thiết bị người dùng và đảm bảo hiệu suất phổ cao Tuy nhiên, để đạt được hiệu suất phổ cao, hệ thống cell-free massive MIMO yêu cầu một chiến thuật phân bổ công suất tối ưu Do đó, mục tiêu của luận văn là tìm ra phương pháp phân bổ công suất trên đường uplink để tối ưu hóa hiệu suất phổ trong hệ thống cell-free massive MIMO Đầu tiên, luận văn tiến hành nghiên cứu, mô phỏng mô hình hệ thống cell-free massive MIMO Sau đó, luận văn sẽ tiến hành phân tích đường truyền uplink và đề xuất một thuật toán học tăng cường nhằm giải quyết vấn đề phân bổ công suất Cuối cùng, luận văn phân tích và so sánh kết quả mô phỏng của phân bổ công suất bằng thuật toán học tăng cường với phân bổ công suất bằng thuật toán block coordinate descent Các kết quả mô phỏng cho thấy chiến thuật học tăng cường đề xuất đạt được tốc độ dữ liệu tối đa trên 90% so với thuật toán block coordinate descent

Data traffic has dramatically grown over the past decade due to the increasing demand for smart devices and applications such as smart home, autonomous vehicle, extended reality, etc To meet the users' requirements for high data rate transmission, various modern technologies have been studied and deployed, for example cell-free massive MIMO system, Terahertz communications, non-orthogonal multiple access, etc This thesis focuses on the cell-free massive MIMO system

The cell-free massive MIMO system is a system with a dense number of access points Access points participate in serving the user equipments through joint coherent transmission In the cell-free massive MIMO system The system does not limit the location of access points, allows access points to be close to user equipments, and ensures high spectral efficiency However, to achieve high spectral efficiency, the cell-free massive MIMO system requires an optimal power allocation strategy The goal of this thesis is seeking the appropriate power allocation method on the uplink to optimize the spectral efficiency in a cell-free massive MIMO system First, the model of the cell-free massive MIMO system is investigated Then, this thesis analyzes the uplink transmission and proposes a reinforcement learning algorithm to solve the power allocation problem Finally, the simulation results are provided to validate the performance of the proposed algorithm and to compare it with the block coordinate descent algorithm The simulation results show that the proposed reinforcement learning strategy can obtain an achievable data rate of over 90% of those obtained by the block coordinate descent algorithm

LỜI CAM ĐOAN

Tôi tên: Phạm Thế Linh, mã số học viên 2070373 là học viên cao học chuyên ngành Kỹ thuật Viễn thông, khóa 2020, tại Đại học Quốc gia thành phố Hồ Chí Minh – Trường Đại học Bách Khoa Tôi xin cam đoan những nội dung sau đều là sự thật: (i) Công trình nghiên cứu này hoàn toàn do chính tôi thực hiện; (ii) Các tài liệu và trích dẫn trong luận văn này được tham khảo từ các nguồn thực tế, có uy tín và độ chính xác cao; (iii) Các số liệu và kết quả của công trình này được tôi tự thực hiện một cách độc lập và trung thực

TP HCM, ngày … tháng … năm 2022

Phạm Thế Linh

DANH MỤC CÁC KÝ HIỆU VÀ TỪ VIẾT TẮT xi

CHƯƠNG 1: GIỚI THIỆU TỔNG QUAN 1

1.1 Tổng quan và xu hướng phát triển của thông tin vô tuyến 1

1.2 Lý do chọn đề tài 6

1.3 Mục tiêu và nhiệm vụ của luận văn 7

1.4 Đối tượng và phạm vi nghiên cứu 7

1.5 Phương pháp nghiên cứu 8

2.5 Mạng cell-free massive MIMO 20

2.6 Lý thuyết cơ bản về toán tối ưu 22

2.6.1 Bài toán tối ưu lồi 24

2.6.2 Thuật toán block coordinate descent 26

3.2 Thuật toán học tăng cường 31

3.2.1 Quá trình quyết định Markov 33

3.2.2 Phương trình Bellman 38

3.2.3 Phương pháp tối ưu chiến thuật 40

3.3 Thuật toán học tăng cường sâu deep Q-learning 44

3.4 Phương pháp học tăng cường nhiều agent 48

3.5 Kết luận chương 50

CHƯƠNG 4: PHÂN BỔ CÔNG SUẤT ĐƯỜNG UPLINK TRONG HỆ THỐNG CELL-FREE MASSIVE MIMO 51

4.1 Mô hình hệ thống cell-free massive MIMO 51

4.1.1 Pha huấn luyện đường uplink 52

4.1.2 Đường truyền uplink 54

4.2 Phân tích tốc độ dữ liệu có thể đạt được trên đường uplink 55

4.3 Phân bổ công suất trên đường uplink bằng thuật toán block coordinate descent 61

4.4 Thuật toán học tăng cường trong phân bổ công suất trong hệ thống cell-free masive MIMO 68

4.4.1 Phân tích bài toán 68

4.4.2 Thuật toán huấn luyện 71

4.4.3 Trạng thái 72

4.4.4 Hành động 75

4.4.5 Phần thưởng 75

4.5 Kết luận chương 76

CHƯƠNG 5: KẾT QUẢ VÀ PHÂN TÍCH 77

5.1 Mô phỏng mô hình hệ thống cell-free massive MIMO 77

LÝ LỊCH TRÍCH NGANG 97

DANH SÁCH BẢNG

Bảng 1.1 Bảng so sánh yêu cầu dành cho hệ thống 4G, 5G, 6G [2] 4

Bảng 1.2: Bảng công nghệ áp dụng cho hệ thống thông tin 6G dựa trên [2] và [4] 5

Bảng 5.1: Tham số hệ thống cell-free massive MIMO 79

Bảng 5.2: Thông số mạng học tăng cường sâu nhiều agent 81

Bảng 5.3: Trung bình tốc độ dữ liệu (bps/Hz) trên một thiết bị người dùng trên một bước thời gian của các phương pháp 85

Bảng 5.4: Trung bình tốc độ dữ liệu (bps/Hz) trên một thiết bị người dùng trên một bước thời gian khi thay đổi công suất truyền uplink tối đa 87

Bảng 5.5: Trung bình tốc độ dữ liệu (bps/Hz) trên một thiết bị người dùng trên một bước thời gian khi thay đổi diện tích bao phủ 89

Bảng 5.6: Trung bình tốc độ dữ liệu (bps/Hz) trên một thiết bị người dùng trên một bước thời gian khi thay đổi số lượng điểm truy cập 90

Bảng 5.7: Trung bình tốc độ dữ liệu (bps/Hz) trên một thiết bị người dùng trên một bước thời gian khi thay đổi số lượng thiết bị người dùng 92

DANH MỤC HÌNH VẼ

Hình 1.1: Thống kê lưu lượng dữ liệu di động theo quý trong năm 2014-2021 [1] 2

Hình 1.2: Dự đoán xu hướng phát triển của kết nối di động toàn cầu 2020-2030 [2] 3

Hình 2.1: Minh họa quá trình truyền dẫn dữ liệu qua một kênh truyền 13

Hình 2.2: Minh họa một mạng tế bào 15

Hình 2.3: Minh họa lớp điểm phát sóng lồng trong lớp phủ sóng 15

Hình 2.4: Minh họa một mạng cell-free 21

Hình 2.5: Biểu đồ quá trình thiết kế và giải bài toán tối ưu [10] 22

Hình 2.6: Minh họa về một tập lồi 25

Hình 3.1: Quá trình tương tác của agent đối với môi trường 30

Hình 3.2: Mô tả mô hình quá trình Markov 33

Hình 3.3: Mô tả mô hình đồ thị phân phối của quá trình quyết định Markov 35

Hình 3.4: Mô tả mô hình thực hiện thuật toán deep Q-learning 46

Hình 3.5: Mô tả mô hình thực hiện chiến thuật độc lập 49

Hình 3.6: Mô tả mô hình thực hiện chiến thuật chia sẽ 50

Hình 4.1: Minh họa hệ thống cell-free massive MIMO 52

Hình 4.2: Minh họa thuật toán học tăng cường nhiều agent đề xuất 70

Hình 5.1: Minh họa mô phỏng hệ thống cell-free massive MIMO 77

Hình 5.2: Minh họa sự di chuyển của người dùng trong một episode 82

Hình 5.6: Hàm phân phối tích lũy tốc độ dữ liệu trên một thiết bị người dùng 86

Hình 5.7: Trung bình tốc độ dữ liệu trên một thiết bị người dùng trên một bước thời gian khi thay đổi công truyền đường uplink tối đa 87

Hình 5.8: Trung bình tốc độ dữ liệu trên một thiết bị người dùng trên một bước thời gian khi thay đổi chiều dài khu vực bao phủ 88

Hình 5.9: Trung bình tốc độ dữ liệu trên một thiết bị người dùng trên một bước thời gian khi thay đổi số lượng điểm truy cập 90 Hình 5.10: Trung bình tốc độ dữ liệu trên một thiết bị người dùng trên một bước thời gian khi thay đổi số thiết bị người dùng 91

DANH MỤC CÁC KÝ HIỆU VÀ TỪ VIẾT TẮT

AR Augmented reality Thực tế ảo tăng cường

B-RAN Blockchain radio access network Mạng truy cập vô tuyến chuỗi khối

CDF Cumulative distribution function Hàm phân phối tích lũy

CDMA Code division multiple access Đa truy cập phân chia theo mã CPU Central Processing Unit Đơn vị xử lý trung tâm

CSI Channel state information Thông tin trạng thái kênh truyền

GSM Global system for mobile communications

Hệ thống thông tin di động toàn cầu

IS-95 Interim standard 95 Chuẩn tạm thời 95 LTE Long term evolution Tiến hóa dài hạn MIMO Multi-input multi-output Đa ngõ vào đa ngõ ra MMSE Minimum mean squared error Lỗi bình phương trung bình

tối thiểu

MSE Mean squared error Lỗi bình phương trung bình NOMA Non-orthogonal multiple access Đa truy cập không trực giao OFDMA Orthogonal frequency-division

SINR Signal-to-interference-plus-noise ratio Tỉ số tín hiệu trên can nhiễu và nhiễu noise

SISO Single-input single-output Một ngõ vào một ngõ ra SNR Signal-to-noise ratio Tỉ số tín hiệu trên nhiễu TDD Time division duplex Ghép kênh song công phân

chia theo thời gian

TDMA Time division multiple access Đa truy cập phân chia theo thời gian

CHƯƠNG 1: GIỚI THIỆU TỔNG QUAN

Chương 1 sẽ trình bày về xu hướng phát triển của hệ thống thông tin di động trong những năm qua Từ đấy, luận văn đưa ra những vấn đề nghiên cứu và lí do để lựa chọn đề tài nghiên cứu Và để làm rõ hướng nghiên cứu của luận văn, chương này cũng sẽ trình bày mục tiêu, nhiêm vụ, phạm vi, phương pháp nghiên cứu, bố cục và các công trình nghiên cứu liên quan của luận văn

1.1 Tổng quan và xu hướng phát triển của thông tin vô tuyến

Hệ thống thông tin vô tuyến được ra đời chỉ trong vài thập kỉ trở lại đây, nhưng đã đạt được nhiều thành tựu to lớn Đầu những năm 1980, hệ thống thông tin 1G ra đời và được áp dụng đầu tiên tại Mĩ Mặc dù hệ thống 1G còn nhiều khuyết điểm như tốc độ dữ liệu thấp, chỉ nằm vào khoảng 2 Kbps, độ phủ sóng nhỏ, chất lượng cuộc gọi thấp, nhưng hệ thống thông tin 1G đã đánh dấu những bước đầu tiên trong công cuộc nghiên cứu và phát triển hệ thống thông tin Sau dó khoảng một thập kỉ, hệ thống thông tin 2G ra đời và đã áp dụng của kĩ thuật mới đa truy cập phân chia theo thời gian (TDMA) và hệ thống thông tin di động toàn cầu (GSM) Nhờ đó mà hệ thống thông tin 2G đạt được nhiều kết quả tốt như tốc độ dữ liệu được cải thiện lên 10 Kbps, chất lượng cuộc gọi tốt hơn, độ bảo mật cao hơn, băng thông được sử dụng hiệu quả hơn khi so với hệ thống thông tin 1G và cho phép nhiều người dùng trên cùng một kênh truyền Ngoài ra, hệ thống thông tin 2G cung cấp thêm dịch vụ mới, như tin nhắn và email Tuy nhiên, hệ thống 2G còn tồn tại những khuyết điểm như hỗ trợ dữ liệu phức tạp (như phim, ảnh) không tốt và độ phủ sóng không cao Những khuyết điểm này đã được khắc phục khi hệ thống thông tin 3G ra đời Hệ thống thông tin 3G hỗ trợ tốc độ dữ liệu tăng gấp nhiều lần, lên đến 2 Mbps, cho cả trường hợp người dùng di chuyển và hỗ trợ thêm chuyển vùng dữ liệu quốc tế Tuy nhiên, đổi lại những ưu điểm trên thì băng thông của hệ thống thông tin 3G rộng hơn và tiêu tốn nhiều năng lượng hơn hệ thống thông tin 2G Nhiều năm sau, hệ thống thông tin 4G được tạo ra và được áp dụng kĩ thuật mới là đa truy cập phân chia theo tần số trực giao (OFDMA), kết hợp giữa đa truy cập phân chia theo mã (CDMA) và IS-95 Nhờ vậy, hệ thống có thể chia kênh thành nhiều băng hẹp để truyền dữ liệu hiệu quả hơn Hệ thống thông tin 4G cung cấp tốc độ dữ liệu lên đến 1 Gbps đối với

người dùng đang đứng yên và 1-100 Mbps cho người dùng đang di chuyển Đồng thời cho phép chạy các ứng dụng phức tạp như cuộc gọi video, dịch vụ nhắn tin đa phương tiện, Dù vậy, hệ thống thông tin 4G vẫn còn những khuyết điểm như gặp nhiều lỗi trong quản lý vị trí, quản lý chuyển vùng và đảm bảo độ bảo mật Những năm gần đây, hệ thống thông tin 5G đã ra đời và bắt đầu được áp dụng rộng rãi trên thế giới Hệ thống thông tin 5G hỗ trợ tốc độ dữ liệu gấp mười lần hệ thống thông tin 4G, độ trễ giữa thiết bị đầu cuối giảm, đạt hiệu suất cao hơn Tuy nhiên, dựa trên những báo cáo số liệu gần đây thì hệ thống thông tin 5G có thể sẽ không đáp ứng nổi nhu cầu dữ liệu của người dùng trong tương lai

Theo báo cáo của Ericsson [1] vào quý thứ ba năm 2021, lưu lượng dữ liệu di động trong quý 3 năm 2021 tăng 42% so với quý 3 năm 2020 Tổng lưu lượng dữ liệu trong quý 3 năm 2021 đạt đến 78 Exabyte Sự tăng trưởng lưu lượng dữ liệu di động tăng nhanh như vậy chủ yếu là do số lượng điện thoại thông minh đang ngày càng tăng, khối lượng dữ liệu dịch vụ trung bình trên mỗi thuê bao tăng và nhu cầu xem nhiều nội dung có dữ liệu nặng như nội dung hình ảnh, video

Hình 1.1: Thống kê lưu lượng dữ liệu di động theo quý trong năm 2014-2021 [1]

Theo những dự đoán trong bài báo [2] về ước lượng xu hướng phát triển thuê bao của hệ thống thông tin di động từ những năm 2020-2030, tổng lưu lượng toàn cầu đạt 607 Exabyte/tháng vào năm 2025 và 5016 Exabyte/tháng vào năm 2030 Đối với trên từng thuê bao, lưu lượng thuê bao trên mỗi đăng kí thuê bao có thể đạt mức 39.4

GB/tháng vào năm 2025 và 257.1 GB/tháng vào năm 2030 Từ những số liệu, ta thấy rằng lưu lượng dữ liệu có thể được xem như tăng theo hàm mũ Do vậy, nếu như lưu lượng dữ liệu vẫn giữ nguyên mức tăng hằng năm như vậy thì hệ thống thông tin 5G sẽ không đáp ứng kịp tốc độ tăng trưởng lưu lượng này

a) Tổng lưu lượng toàn cầu

b) Lưu lượng dữ liệu trên một thuê bao

Hình 1.2: Dự đoán xu hướng phát triển của kết nối di động toàn cầu 2020-2030 [2]

Vậy nên, hệ thống thông tin 6G đã được nghiên cứu và phát triển với các tiêu chí như khả năng mạnh mẽ, vượt trội hơn hệ thống thông tin 5G Tốc độ dữ liệu của hệ

thống thông tin 6G đạt đến cao nhất là 1 Tbps với độ trễ thiết bị đầu cuối thấp hơn 1 ms Hệ thống thông tin 6G có thể cho phép cung cấp tốc độ Gbps ở mọi nơi, kể cả trong những khu vực như bầu trời (10000 km) và đại dương (20 dặm hải lý) Hiệu suất phổ của hệ thống cũng được cải thiện và đạt đến 100 bps/Hz Đồng thời, hệ thống thông tin 6G tiết kiệm năng lượng hơn và cho phép thiết bị di động không cần đến các bộ sạc riêng nhờ vào công nghệ pin tiên tiến Hệ thống thông tin 6G còn được tích hợp thêm các chức năng vệ tinh, trí tuệ nhân tạo, thực tế ảo,

Bảng 1.1 Bảng so sánh yêu cầu dành cho hệ thống 4G, 5G, 6G [2]

Tích hợp cho xe tự hành Không Một phần Toàn bộ

Giao thức Thz Không Bị giới hạn Mở rộng

Kiến trúc MIMO massive MIMO Bề mặt thông minh

Những yêu cầu của hệ thống 6G, ngoài việc phục vụ tốc độ dữ liệu cao, độ trễ thấp cho các thiết bị di động, được nhắm đến để phục vụ cho các thiết bị thông minh và ứng dụng thông minh Như trong [3], hệ thống 6G sẽ được áp dụng trong thực tế ảo mở rộng, cho phép bắt chuyển động, tương tác của người dùng với tốc độ truyền dữ liệu cao Hay như trong tự động hóa công nghiệp, các sản phẩm được sản xuất với độ chính xác cao, độ tin cậy cao, độ trễ thấp, hoạt động trong thời gian thực với độ lệch tính bằng micro giây Trong ứng dụng xe tự hành, hệ thống 6G cho phép các phương tiện giao thông hoạt động thông minh với độ trễ thấp, phạm vi hoạt động rộng

Với những yêu cầu như vậy, nhiều công nghệ hiện đại đã được áp dụng Bảng 1.2 sẽ trình bày những công nghệ đặc trưng đang được tiến hành nghiên cứu nhằm mục tiêu xây dựng hệ thống thông tin 6G:

Bảng 1.2: Bảng công nghệ áp dụng cho hệ thống thông tin 6G dựa trên [2] và [4]

Kết nối ở tần số terahertz

Công nghệ này sẽ sử dụng dải băng tần terahertz Do đó, công nghệ sẽ cung cấp dải băng rộng hơn và cho phép độ lợi được khuếch đại và triển khai với số lượng lớn antenna Đa truy cập không trực

giao (NOMA)

NOMA sẽ cho phép chia sẻ phổ giữa người dùng Hiệu suất phổ lớn của NOMA đạt được bằng cách tận dụng các điều kiện kênh khác nhau của người dùng hoặc sự khác biệt giữa yêu cầu chất lượng của từng dịch vụ

Cell-free massive MIMO

Hệ thống cell-free massive MIMO là một hệ thống được xây dựng dựa trên hệ thống massive MIMO nhưng không phân chia thành các khu vực tế bào Mạng cell-free massive MIMO kế thừa ưu điểm của hệ thống massive MIMO, đồng thời không chịu ảnh hưởng bởi địa hình Kết nối và chia sẽ phổ

động và thông minh

Hệ thống trí tuệ thông minh nhân tạo được sử dụng để giải quyết độ phức tạp lớn trong tính toán khi triển khai hệ thống 6G Bằng cách để hệ thống học thông tin từ kênh truyền, hệ thống tự động đề ra các giao thức phù hợp Truy cập không dây và

kết nối mạng không dây dựa trên chuỗi khối

Chuỗi khối là một chuỗi các khối thông tin được kết nối bằng con trỏ băm để ghi và lưu trữ cơ sở dữ liệu, được chia sẽ công khai Chuỗi khối sẽ được tích hợp và chia sẻ các tài nguyên khác nhau giữa các bên khác nhau trong mạng không dây như mạng kết nối điện từ chuỗi khối (B-RAN),

Vô tuyến dựa trên quang tử

Kỹ thuật trộn hỗn hợp quang được áp dụng vào phương pháp tạo tần số terahertz Kỹ thuật này khắc phục giới hạn băng thông của phần cứng, có hiệu suất năng lượng cao, băng thông rộng và phạm vi điều chỉnh lớn

Phạm vi nghiên cứu của luận văn sẽ chỉ tập trung vào phân tích hệ thống cell-free massive MIMO

1.2 Lý do chọn đề tài

Hệ thống cell-free massive MIMO là một trong những công nghệ được nghiên cứu để áp dụng trong hệ thống 6G Hệ thống không giới hạn điểm đặt của các điểm truy cập, cho phép các điểm truy cập gần với thiết bị người dùng và đảm bảo hiệu suất phổ cao Tuy nhiên, để đạt được hiệu suất phổ cao, hệ thống cell-free massive MIMO yêu cầu một chiến lược tối ưu để phân bổ công suất Chính vì vậy, nhiệm vụ trong luận văn sẽ hướng tới phân bổ công suất trong hệ thống thông tin cell-free massive MIMO Luận văn sẽ hướng tới những điểm chính sau :

- Hệ thống thông tin cell-free massive MIMO là hệ thống được phát triển từ hệ thống massive MIMO Hệ thống này kế thừa những ưu điểm của hệ thống massive MIMO, đồng thời cải thiện hiệu suất phổ, không gặp trở ngại về mặt địa lý Hệ thống cell-free massive MIMO hứa hẹn có thể đáp ứng được nhiều tiêu chí của hệ thống thông 6G

- Vấn đề phân bổ công suất là vấn đề được chú trọng trong một hệ thông tin Hai cách thức tối ưu thường được sử dụng là tổng hiệu suất phổ và công bằng tỉ lệ hiệu suất phổ Luận văn sẽ chỉ hướng tới phân bổ công suất tối ưu hóa tổng hiệu suất phổ Khi có một hệ thống lớn mà mỗi thiết bị người dùng chỉ gây can nhiễu cho một tập con nhỏ của các thiết bị người dùng Như vậy, hệ thống sẽ tồn tại khả năng các thiết bị người dùng có thể đạt được hiệu suất phổ lớn hơn đáng kể nhưng thiết bị người dùng này sẽ không làm ảnh hưởng đến các thiết bị khác có trạng thái kênh truyền xấu

- Phương pháp học tăng cường là phương pháp học máy đang được ứng dụng trên nhiều lĩnh vực Phương pháp cho phép mạng huấn luyện thay đổi, đưa ra quyết định dựa trên các trạng thái của môi trường, từ đó tìm ra một chiến thuật tối ưu nhất Ưu điểm của mạng này là học trực tiếp từ môi trường nên có thể thích nghi sự thay đổi liên tục của kênh truyền

Từ những định hướng trên, luận văn được đặt tên là: “PHÂN BỔ CÔNG SUẤT

HỆ THỐNG CELL-FREE MASSIVE MIMO BẰNG PHƯƠNG PHÁP HỌC SÂU”

1.3 Mục tiêu và nhiệm vụ của luận văn

Dựa trên các định hướng nêu ở mục trước, luận văn sẽ hướng đến những kiến thức và kết quả sau đây:

- Nghiên cứu và trình bày lý thuyết về hệ thống thông tin cell-free massive MIMO - Mô hình hóa, phân tích tín hiệu, hiệu suất phổ trên đường uplink của hệ thống cell-free massive MIMO Giải bài toán phân bổ công suất tối đa tổng hiệu suất phổ bằng thuật toán block coordinate descent

- Ứng dụng mạng học tăng cường để giải quyết bài toán phân bổ công suất để đạt được cực đại hóa tổng hiệu suất phổ trong hệ thống cell-free massive MIMO - Mô phỏng, đánh giá, so sánh kết quả của chiến thuật học tăng cường

1.4 Đối tượng và phạm vi nghiên cứu

Đối tượng nghiên cứu của luận văn bao gồm:

- Hệ thống cell-free massive MIMO và vấn đề phân bổ công suất cực đại tổng hiệu suất phổ trên đường uplink

- Kỹ thuật học tăng cường được ứng dụng để giải quyết bài phân bổ công suất cực đại tổng hiệu suất phổ trên đường uplink

Luận văn sẽ tập trung nghiên cứu vào phân bổ công suất trong hệ thống cell-free massive MIMO Do đó, các nghiên cứu được giới hạn trong phạm vi sau đây:

- Kênh truyền trong hệ thống cell-free Massive MIMO được mô hình hóa bằng large-scale fading và small-scall fading Trong đó, hệ số large-scale fading được xây dựng dựa trên mô hình suy hao đường đi Còn hệ số small-scale fading độc lập và tuân theo phân phối đồng nhất 𝑁(0,1)

- Dữ liệu thông tin trạng thái kênh truyền sẽ được chia sẽ giữa các điểm truy cập và đơn vị xử lý trung tâm (kết nối với tất cả điểm truy cập) Quá trình chia sẽ dữ liệu xem như không tiêu tốn năng lượng

- Điểm truy cập ước lượng kênh truyền dựa trên đặc tính thống kê

- Các giải thuật được đề cập trong luận văn được xem như là được thực hiện ở đơn vị xử lý trung tâm và kết quả được trả về cho các điểm truy cập

1.5 Phương pháp nghiên cứu

Phương pháp nghiên cứu được trình bày qua các bước sau:

• Thu thập các tài liệu và công trình nghiên cứu liên quan đến phân bổ công suất trong hệ thống cell-free massive MIMO và nghiên cứu, ứng dụng mạng học tăng cường trong lĩnh vực viễn thông Tài liệu sẽ được lấy từ các nguồn uy tín như IEEEXplore, scholar.google.com,

• Dựa trên các công trình khoa học trước đó mà mô phỏng hệ thống cell-free massive MIMO

• Tiến hành phân tích bài toán phân bổ công suất trên đường uplink trong hệ thống cell-free massive MIMO Từ đó, ứng dụng phương pháp học tăng cường để giải quyết bài toán

• Viết chương trình mô phỏng hệ thống cell-free massive MIMO và tiến hành chạy thử nghiệm phân bổ công suất bằng phương pháp học tăng cường Thu thập kết quả trên các phần mềm Python, Matlab Phân tích, so sánh và nhận xét các kết quả thu được của phương pháp học tăng cường

• Viết báo cáo về quá trình thực hiện, các phân tích rút ra được từ kết quả thu được, cuối cùng là đưa ra kết luận và hướng phát triển tiếp theo cho tương lai

1.6 Bố cục luận văn

Luận văn sẽ được trình bày thành 6 chương chính như sau:

- Chương 1 sẽ giới thiệu tổng quan về xu hướng phát triển của hệ thống thông tin di động Từ đó, luận văn sẽ dẫn tới lý do chọn đề tài và chọn đối tượng, phạm vi nghiên cứu, phương pháp nghiên cứu

- Chương 2 sẽ trình bày cơ sở lý thuyết cơ bản kênh truyền, mạng tế bào, massive MIMO và hệ thống cell-free massive MIMO và cung cấp lý thuyết về toán tối ưu và thuật toán ứng dụng ở những chương sau

- Chương 3 sẽ trình bày cơ sở lý thuyết về phương pháp học tăng cường và các dạng mở rộng của phương pháp này

- Chương 4 sẽ mô hình hóa hệ thống cell-free massive MIMO và tiến hành phân tích tín hiệu, hiệu suất phổ, phương pháp tối ưu hóa tổng hiệu suất phổ trên đường uplink Phương pháp học tăng cường, mà luận văn đề xuất, sẽ được trình bày tại chương này

- Chương 5 mô phỏng hệ thống cell-free massive MIMO đã trình bày ở Chương 4 và trình bày kết quả sau khi ứng dụng phương pháp học tăng cường

- Chương 6 tóm tắt tắt lại kết quả luận văn đồng thời đề xuất các hướng phát triển tiếp theo

CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VỀ KÊNH TRUYỀN, HỆ THỐNG CELL-FREE MASSIVE MIMO VÀ TOÁN TỐI ƯU

Chương này sẽ trình bày những lý thuyết cơ bản về mô hình kênh truyền, kỹ thuật MIMO và hệ thống thông tin cell-free massive MIMO Mục cuối của chương trình bày những lý thuyết toán tối ưu cơ bản và thuật toán block coordinate descent

2.1 Lý thuyết cơ bản về mô hình kênh truyền cơ bản

Trong một mạng viễn thông, phương pháp truyền thông tin được chia thành hai loại cơ bản là phương pháp truyền dẫn hữu tuyến và phương pháp truyền dẫn vô tuyến Phương pháp truyền dẫn hữu tuyến là phương pháp truyền dẫn thông tin thông qua các dây dẫn như dây cáp đồng, cáp quang, Các dây dẫn cung cấp một môi trường hoàn hảo cho truyền dẫn thông tin nên mạng hữu tuyến thường hoạt động ổn định, có tốc độ truyền cao, phân tích dễ dàng dữ liệu truyền Nhưng mạng hữu tuyến chỉ có thể được lắp đặt cố định nên độ linh động của mạng thấp Ngược lại, phương pháp truyền dẫn thông tin vô tuyến không sử dụng dây dẫn mà truyền dẫn thông tin qua môi trường xung quanh Do đó, mạng vô tuyến có độ linh động cao Tuy nhiên, tín hiệu lan truyền trong môi trường thường bị sai lệch do sự cản trở của các vật thể như nhà cửa, xe cộ, cây cối, … Do đó, tín hiệu thu được tại máy thu được đặt tại những vị trí khác nhau sẽ có dạng khác nhau Việc phân tích tín hiệu thu được trở nên khó khăn hơn so với tín hiệu trong mạng hữu tuyến

Nhằm phân tích sự lan truyền của tín hiệu trong môi trường, tín hiệu phát và tín hiệu thu sẽ được mô hình hóa Tất cả tín hiệu thu và phát được xem như đều có dạng số thực do các bộ điều chế sử dụng oscillators tạo tín hiệu thực hình sin Tuy nhiên, để đơn giản hóa quá trình phân tích tín hiệu, mô hình kênh truyền có đáp ứng kênh là đáp ứng tần số phức Giả định này xuất phát từ việc kênh truyền chỉ thay đổi biên độ và pha của tín hiệu phát tại từng tần số nên tín hiệu thu cũng có dạng số thực Như vậy, phần thực của tín hiệu phức tương ứng với phần thực của tín hiệu điều chế và giải điều chế Tín hiệu phát được mô hình hóa như sau [5]:

Tín hiệu thu được mô hình hóa tương tự như sau:

𝑟(𝑡) = Re{𝑣(𝑡)𝑒𝑗2𝜋𝑓𝑐𝑡} + 𝑛(𝑡) (2.2) trong đó, tín hiệu 𝑣(𝑡) phụ thuộc vào kênh mà 𝑠(𝑡) truyền qua và 𝑛(𝑡) là nhiễu Nếu 𝑠(𝑡) được truyền qua kênh truyền không thay đổi trong miền thời gian thì 𝑣(𝑡) = 𝑢(𝑡) ∗ℎ(𝑡) với ℎ(𝑡) là đáp ứng xung của kênh truyền Thành phần Re{𝑣(𝑡)𝑒𝑗2𝜋𝑓𝑐𝑡} tương ứng với tín hiệu phát sau khi được lan truyền trong kênh truyền

Giả sử tín hiệu phát 𝑠(𝑡) với công suất phát 𝑃𝑠 được truyền qua một kênh truyền cho trước, với tín hiệu nhận được tương ứng 𝑟(𝑡) với công suất thu 𝑃𝑟 Định nghĩa suy hao đường truyền tuyến tính của kênh là tỉ lệ giữa công suất phát trên công suất thu:

chia thành hai loại, là mô hình lan truyền large-scale và mô hình lan truyền small-scale Mô hình large-scale dùng để dự đoán cường độ tín hiệu thu trung bình ở một khoảng cách vĩ mô so với bên phát (hàng trăm hoặc hàng ngàn mét) Còn mô hình small-scale sẽ dự đoán biến thiên cường độ tín hiệu trong khoảng thời ngắn hoặc trong khoảng cách ngắn Phạm vi của luận văn sẽ chỉ tập trung vào mô hình large-scale fading

Để mô hình hóa lan truyền large-scale fading, một số mô hình dựa trên đường truyền tín hiệu ra đời Ví dụ như mô hình không gian tự do cho phép dự đoán cường độ tín hiệu thu được khi không có vật cản giữa bên phát và bên thu Hay mô hình ray-tracing cho phép mô phỏng hóa tín hiệu thu được là tổng của tín hiệu phát khi lan truyền trong môi trường có nhiều vật cản Tuy nhiên, trong thực tế, hệ thống thông tin di động thường hoạt động trong môi trường lan truyền phức tạp mà không thể mô hình hóa chính xác bằng các mô hình kể trên Do đó, mô hình thực nghiệm đã được lựa chọn để dự đoán biến động trong môi trường thực tế như thành phố, khu đô thị, Luận văn sẽ chỉ giới thiệu mô hình Hata-COST231 được phát triển từ mô hình Hata Đây là mô hình ước lượng suy hao đường truyền, và hoạt động trong dải tần số lên đến 2 GHz Mô hình Hata-COST231 được công thức hóa như sau [5]:

𝑃𝐿 = 46.3 + 33.9 log10𝑓𝑐− 13.82 log10ℎ𝐴𝑃− 𝑎(ℎ𝑈𝐸)

+ (44.9 − 6.55 log10ℎ𝐴𝑃) log10𝑑 + 𝐶𝑚 (2.5) trong đó, 𝑎(ℎ𝑈𝐸) là hệ số điều chỉnh, 𝑓𝑐 là tần số sóng mang (MHz), ℎ𝐴𝑃 là chiều cao của antenna thuộc điểm truy cập (m), ℎ𝑈𝐸 là chiều cao antenna của người dùng (m), 𝑑 là khoảng cách giữa điểm truy cập và người dùng (km) 𝐶𝑚 là độ đời (dB) Điều kiện ràng buộc của mô hình như sau: 1.5 GHz < 𝑓𝑐 < 2 GHz, 30 m < ℎ𝐴𝑃 < 200 m, 1 m <ℎ𝑟 < 10 m và 1 km < 𝑑 < 20 km

Để đánh giá được khả năng truyền tải thông tin đánh tin cậy, hiệu suất phổ (SE), dựa trên [6], được định nghĩa là trung bình số lượng bit thông tin trên một mẫu phức có thể được truyền tin cậy qua kênh truyền Hiệu suất phổ cao nhất sẽ được xác định bằng dung lượng kênh Dung lượng kênh được định nghĩa là tốc độ thông tin cao nhất có thể đạt đến được Xem xét một kênh truyền có đáp ứng kênh ℎ nhận tín hiệu 𝑠 làm đầu vào và tín hiệu 𝑟 làm đầu ra

Hình 2.1: Minh họa quá trình truyền dẫn dữ liệu qua một kênh truyền Tín hiệu thu được 𝑟 sẽ có dạng như sau:

trong đó, 𝑛~𝑁(0, 𝜎) là nhiễu Gaussia trắng thêm vào trong truyền dẫn kênh truyền Trong trường hợp truyền một đầu vào một đầu ra (SISO), gọi 𝑝 là công suất lớn nhất mà tín hiệu 𝑠 có thể được truyền, dung lượng kênh sẽ được tính như sau:

2.2 Tổng quan về mạng tế bào

Một hệ thống thông tin vô tuyến được xây dựng dựa trên sóng điện từ Sóng điện từ sẽ không chỉ lan truyền theo một hướng thẳng từ bên phát tới bên thu mà sóng điện từ sẽ lan truyền qua tất cả các hướng có thể có Do đó, năng lượng tín hiệu của sóng sẽ được trải rộng ra xung quanh cho đến khi gặp máy thu Khoảng cách giữa máy phát và máy thu càng lớn thì năng lượng nhận được tại máy thu sẽ càng nhỏ Khi khoảng cách giữa bên phát và bên thu trở nên quá lớn thì việc tăng công suất phát sẽ không còn ý nghĩa về hiệu suất hay kinh tế do năng lượng thu được quá nhỏ so với năng lượng phát Và bên thu có thể không cung cấp được dịch vụ vô tuyến do năng lượng nhận được tại máy thu quá nhỏ Do đó, ý tưởng về cấu trúc mạng dựa trên cấu trúc tế bào sinh học được ra đời Thay vì sử dụng duy nhất một điểm truy cập để hỗ trợ dịch vụ cho một khu vực rộng lớn thì khu vực này sẽ được chia thành nhiều khu vực nhỏ hơn Mỗi khu vực nhỏ hơn này sẽ được gọi là một tế bào Mỗi tế bào sẽ có một điểm truy cập, thường được đặt tại trung tâm khu vực Mỗi điểm truy cập của một tế bào hoạt động độc lập so với các điểm truy cập khác và chỉ phục vụ riêng cho chính khu vực tế bào của mình Dựa theo [6], mạng tế bào có thể được định nghĩa như sau: Mạng tế bào là một mạng bao gồm một tập điểm truy cập và một tập thiết bị người dùng Mỗi thiết bị người dùng sẽ được kết nối với một trong các điểm truy cập phát sóng Đường truyền tín hiệu được gửi từ điểm truy cập đến các thiết bị người dùng là đường downlink Tín hiệu được gửi từ thiết bị người dùng đến điểm truy cập tương ứng được gọi đường uplink

Dựa trên đặc tính của khu vực phủ sóng mà có thể chia mạng tế bào thành hai lớp như sau:

- Lớp phủ sóng: Bao gồm các điểm phát sóng trong một khu vực lớn Được sử dụng để phục vụ cho một số lượng rất lớn thiết bị người dùng

- Lớp điểm phát sóng: với thành phần chính là điểm truy cập phục vụ cho một khu vực nhỏ hơn như trong nhà Được sử dụng để cung cấp thông lượng cao trong một khu vực nhỏ tới một số lượng nhỏ thiết bị người dùng

Trong thực tế, thường kết hợp sử dụng lớp phủ sóng và lớp điểm phát sóng để đạt được hiệu quả cao Bằng cách sử dụng lớp phủ sóng để bao phủ khu vực rộng lớn phục vụ cho các điểm truy cập Trong lớp điểm phát sóng, thì các điểm truy cập mới dẫn tới phục

vụ cho thiết bị người dùng Trong mạng tế bào, hai lớp được sử dụng bằng cách lồng trong nhau như Hình 2.3

Hình 2.2: Minh họa một mạng tế bào

Hình 2.3: Minh họa lớp điểm phát sóng lồng trong lớp phủ sóng

Thước đo thông lượng khu vực được sử dụng để đo lường hiệu suất của mạng tế bào Thông lượng khu vực được mô hình hóa bằng công thức như sau [6]:

thông lượng khu vực [bps/km2] = 𝐵 × 𝐷 × SE (2.11) trong đó 𝐵 là băng thông [Hz], 𝐷 là mật độ tế bào trung bình [cells/km2] và SE là hiệu suất phố trên từng tế bào [bps/Hz/cell] Dựa trên công thức, để cải thiện hiệu suất của mạng không dây, tăng mật độ điểm truy cập hoặc sử dụng dải băng thông dài hơn hoặc tăng hiệu suất phổ trên từng tế bào của mạng là ba cách cơ bản thường được sử dụng Tuy nhiên, tồn tại mối quan hệ phụ thuộc lẫn nhau giữa các ba thành phần trong công thức (2.11) Do đó, khi một thành phần trong công thức tăng lên, thông lượng khu vực sẽ không tăng do một thành phần khác giảm Nhưng ba thành phần này vẫn có thể được coi là độc lập

Mật độ điểm truy cập tăng lên bằng cách tăng số lượng điểm truy cập Nếu xét ở lớp phủ sóng, việc tăng số lượng điểm truy cập gặp nhiều vấn đề Các điểm truy cập thường phải được đặt ở những vị trí cao để tránh ảnh hưởng từ hiệu ứng làm mờ do tòa nhà hay vật thể có kích thước lớn Không những thế, vị trí đặt điểm truy cập còn chịu ảnh hưởng bởi địa hình, địa lý của khu vực bao phủ Vậy nên, số lượng điểm truy cập trong khu vực sẽ bị giới hạn Tuy nhiên, đối với lớp điểm phát sóng, vị trí đặt điểm truy cập không phải chịu hạn chế như ở lớp phủ sóng

Băng thông sử dụng có thể được tăng lên bằng cách mở rộng dải tần số sử dụng hoặc khai thác các dải tần số chưa được sử dụng Tuy nhiên, phổ tần số là một nguồn tài nguyên chung và đã được sử dụng cho nhiều dịch vụ khác nhau Nên cách thức để tăng băng thông thường dùng là khai thác các tần số chưa được khai thác, như dải tần số terahertz Tuy nhiên, cách thức này lại yêu cầu cao ở lớp vật lý Hay nói cách khác, máy móc, thiết bị cần được nâng cấp để có thể sử dụng dải tần số này Điều này tiêu tốn nhiều năm nghiên cứu và phát triển Do đó, cách thức này thường đắt đỏ và khó được áp dụng trong thực tế

Cách thức sử dụng mật độ tế bào cao và băng thông lớn hơn trong lớp phủ sóng là những phương pháp được phát triển liên tục trong nhiều thế kỉ gần đây Đến ngày nay, những phương pháp này đã chạm đến giới hạn khi mà chúng yêu cầu thiết bị phần cứng tiên tiến tương ứng với kinh phí đắt đỏ Do đó, phương pháp cải thiện hiệu suất phố trở thành phương pháp được chú trọng Từ đấy, rất nhiều kĩ thuật đã được ra đời

dựa trên phương pháp cải thiện hiệu suất phổ Một trong số chúng là kĩ thuật MIMO, đã được ứng dụng rộng rãi trên thế giới Ở mục tiếp theo, luận văn sẽ giới thiệu tổng quan về kĩ thuật MIMO

2.3 Kỹ thuật MIMO

Kỹ thuật MIMO là kỹ thuật sử dụng đa cổng vào và đa cổng ra nhằm mục tiêu cải thiện hiệu suất phổ Dựa trên [7], kỹ thuật MIMO được chia thành ba dạng chính là MIMO điểm – điểm, MIMO đa người dùng và massive MIMO

MIMO điểm – điểm bao gồm một điểm truy cập phục vụ cho một thiết bị người dùng Điểm truy cập và thiết bị người dùng đều được trang bị một chuỗi antenna Các thiết bị người dùng khác sẽ được sẽ được ghép kênh trực giao thông qua kết hợp giữa ghép kênh chia thời gian và ghép kênh chia tần số Ứng với mỗi kênh, một tín hiệu được truyền và một tín hiệu được nhận Do đó, hiệu suất phổ có thể được xem như tỉ lệ với số lượng antenna trên điểm truy cập hoặc trên thiết bị người dùng Như vậy khi số lượng antenna trên điểm truy cập và trên thiết bị người dùng tăng lên thì hiệu suất phổ sẽ tăng lên Tuy nhiên, trong thực tế, việc tăng số lượng antenna tại điểm truy cập và trên thiết bị người dùng lại gặp nhiều trở ngại Đầu tiên, số lượng antenna tại điểm truy cập và thiết bị người dùng bị giới hạn bởi độ phức tạp trong chế tạo và công nghệ chế tạo Tiếp theo, đường truyển thẳng không vật cản là điều kiện cần để đạt được hiệu suất cao Thông thường, điều kiện này rất khó để đạt được trong thực tế Cuối cùng, khi thiết bị người dùng càng nằm ở gần biên giới của một tế bào, suy hao đường truyền lớn và làm giảm tỉ lệ tăng hiệu suất phổ dựa trên số lượng antenna

MIMO đa người dùng là kỹ thuật sử dụng một điểm truy cập để phục vụ cho nhiều thiết bị người dùng trong cùng một khoảng tài nguyên thời gian – tần số Kỹ thuật này ít bị ảnh hường bởi điều kiện đường truyền hơn so với MIMO điểm – điểm và chỉ yêu cầu antenna đơn trên các thiết bị người dùng Tuy nhiên, để đạt hiệu suất phổ cao, kỹ thuật MIMO đa người dùng yêu cầu phải xử lý tín hiệu ở điểm truy cập và thiết bị người dùng Điều này làm tăng độ phức tạp trong tính toán Không chỉ vậy, trên đường downlink, cả điểm truy cập và thiết bị người dùng đều cần phải có được thông tin về đáp ứng kênh Do đó, tín hiệu pilot phải được sử dụng để đạt được thông tin trạng thái kênh truyền

Kỹ thuật massive MIMO là kỹ thuật sử dụng số lượng antenna lớn hơn rất nhiều so với số lượng thiết bị người dùng nhằm đạt được độ không gian tự do đủ để tách các thiết bị người dùng về mặt không gian bằng cách xử lý tín hiệu truyền và tín hiệu thu được Quá trình xử lý tín hiệu trong kỹ thuật massive MIMO sẽ được thực hiện tại điểm truy cập Điều này có thể làm giảm độ phức tạp tính toán ở các thiết bị người dùng Điểm khác biệt so với kỹ thuật MIMO đa người dùng là kỹ thuật massive MIMO chỉ yêu cầu điểm truy cập cần phải có được thông tin đáp ứng kênh, số lượng antenna trên điểm truy cập lớn hơn so với số lượng antenna trên thiết bị người dùng và xử lý tín hiệu tuyến tính được áp dụng ở cả đường uplink và đường dowlink Những đặc tính này cho phép massive MIMO mở rộng dựa trên số lượng antenna ở điểm truy cập

Mỗi dạng trong kỹ thuật MIMO đều có những ưu điểm và khuyết điểm riêng Mục tiếp theo sẽ đi sâu hơn vào hệ thống massive MIMO, hệ thống làm tiền đề để tiến lên hệ thống cell-free massive MIMO

2.4 Mạng massive MIMO

Dựa trên [6], mạng massive MIMO được định nghĩa như sau: là một mạng thông tin di động được xây dựng dựa trên mạng tế bào đa sóng mang Mỗi thiết bị người dùng chỉ được trang bị antenna đơn Mỗi điểm truy cập trong một tế bào sẽ được trang bị một số lượng antenna rất lớn so với số lượng antenna đơn trên thiết bị người dùng Các điểm truy cập kết nối cùng lúc với các antenna đơn của thiết bị người dùng dựa trên giao thức đồng bộ ghép kênh song công phân chia thời gian (TDD) Mỗi điểm truy cập sẽ hoạt động độc lập và xử lý tín hiệu bằng cách trộn thu tuyến tính và tiền mã hóa phát tuyến tính Trong hệ thống massive MIMO, hai yếu tố chính cần được xem xét là cách thức sử dụng tài nguyên tần số và tương quan đáp ứng kênh

Một kênh truyền bất kì luôn thay đổi theo thời gian, tần số với băng thông 𝐵 bằng số lượng mẫu tín hiệu theo thời gian Khoảng thời gian giữa hai mẫu sẽ giảm khi băng thông tăng lên Năng lượng tín hiệu được trải rộng ra trong kênh truyền trong một khoảng thời gian Tín hiệu sau đó sẽ được nhận tại bên thu Nếu khoảng lấy mẫu nhỏ so với khoảng thời gian tín hiệu phát thì hiện tượng chồng chéo giữa các mẫu tại bên thu sẽ xảy ra Hệ thống massive MIMO sẽ xử lý cách này bằng cách chia nhỏ khoảng tài nguyên tần số thành các sóng mang con fading phẳng Hay nói cách khác, đây là khoảng

thời gian – tần số mà đáp ứng kênh gần như không thay đổi Khoảng này được gọi là khoảng đồng bộ Do đó, kênh truyền trong khoảng này được xem như không thay đổi hoặc có thể mô phỏng bằng một phép toán Như vậy, việc phải ước lượng kênh tại mỗi sóng mang con là không cần thiết

Tương quan đáp ứng kênh trong một hệ thống đa người dùng massive MIMO cần được chú ý Đáp ứng kênh thường được xem là một vector, do đó chúng sẽ được đặc trưng bởi giá trị chuẩn hóa và hướng vector trong không gian Trong kênh truyền fading thì chúng sẽ là biến số ngẫu nhiên Một mô hình kênh truyền sẽ được đặc trưng hóa bởi phân phối thống kê độc lập/ phụ thuộc của chuẩn hóa và hướng của đáp ứng kênh Một kênh fading được coi là không tương quan nếu như giá trị chuẩn hóa và hướng của đáp ứng kênh đều là biến ngẫu nhiên độc lập Trong trường hợp ngược lại, giá trị chuẩn hóa và hướng của đáp ứng kênh là biến ngẫu nhiên phụ thuộc thì kênh fading được coi là tương quan Trong trường hợp kênh truyền thuộc dạng MIMO điểm tới điểm, đặc tính tương quan không đem lại lợi ích do tương quan không gian ở bên phát và bên thu gần giống nhau Tuy nhiên, trong trường hợp đa truy cập với đơn antenna trên thiết bị người dùng, thì đặc tính tương quan là đặc tính quan trọng nhờ vào tập hợp các ma trận tương quan không gian của thiết bị người dùng Các thiết bị người dùng được chia tách nhau bằng nhiều bước sóng để cho kênh truyền của chúng không tương quan Và ma trận tương quan không gian có thể rất khác nhau ở các thiết bị người dùng mặc cho độ tương quan cao của các thiết bị này đối với điểm truy cập Do đó, dựa vào cấu trúc của các ma trận tương quan không gian mà đa truy cập đơn antenna có thể được chia tách thành các kênh truyền đơn người dùng trực giao nhau

Như vậy, mạng massive MIMO có hai đặc tính quan trọng là làm cứng kênh và đường truyền thuận lợi:

- Đặc tính làm cứng kênh cho phép kênh truyền fading tiệm cận xác định Hay nói cách khác, kênh truyền tiệm cận với kênh truyền luôn cho cùng một đầu ra với một đầu vào cho trước Đặc tính này thể hiện trong hệ thống massive MIMO ở việc độ lợi của một kênh fading bất kì sẽ gần với giá trị trung bình của nó khi số lượng antenna đủ lớn Lúc này, các hiệu ứng small-scale fading bị triệt tiêu khi số lượng antenna đủ lớn Đặc tính này sẽ làm giảm các yêu cầu chống lại small-scale fading và làm cải thiện chất lượng ước lượng độ lợi kênh

- Đặc tính đường truyền thuận lợi làm cho các hướng truyền của hai thiết bị người dùng bất kì tiệm cận trực giao Thông thường, trong một kênh truyền, các thiết bị người dùng sẽ gây can nhiễu lẫn nhau Tuy nhiên, khi hướng truyền của các thiết bị người dùng càng tiệm cận trực giao thì can nhiễu giữa người dùng càng nhỏ Khi số lượng antenna đủ lớn, đặc tính đường truyền thuận lợi cho phép triệt tiêu can nhiễu giữa các thiết bị người dùng và cải thiện hiệu suất phổ

Một mô hình kênh truyền có thể sở hữu một trong hai có đặc tính hoặc cả hai hoặc không thuộc tính nào Tuy nhiên, mạng massive MIMO thỏa mãn hai đặc tính này thường có chất lượng tốt hơn và làm giảm độ phức tạp tính toán tại thiết bị người dùng

2.5 Mạng cell-free massive MIMO

Dựa trên [8], mạng cell-free là mạng bao gồm một tập các điểm truy cập phân bố theo địa lý cùng tham gia phục vụ các thiết bị người dùng trong một khu vực Mỗi điểm truy cập sẽ kết nối với nhau và với một đơn vị xử lý trung tâm (CPU) thông qua đường truyền được gọi là đường fronthaul Đơn vị xử lý trung tâm này sẽ đảm nhận vai trò liên kết các điểm truy cập với nhau Thông qua đường truyền fronthaul và đơn vị xử lý trung tâm, các điểm truy cập có thể chia sẽ tín hiệu đường downlink và đường uplink, thông tin trạng thái kênh truyền, tạo ra đồng bộ pha giữa các điểm truy cập Một mạng có thể tồn tại nhiều hơn đơn vị xử lý trung tâm và chúng cũng được kết nối với nhau thông qua đường truyền fronthaul Như vậy, mạng cell-free có thể chia thành nhiều khu vực nhỏ hơn với trung tâm khu vực là một đơn vị xử lý trung tâm Cấu trúc này tương tự với mạng tế bào Các đơn vị xử lý trung tâm sẽ được kết nối đến mạng lõi thông qua đường truyền được gọi là đường backhaul nhằm mục tiêu gửi, nhận dữ liệu từ mạng internet hoặc các nguồn khác để phục vụ các loại dịch vụ dữ liệu khác nhau Khác với mạng tế bào, trong quá trình truyền dẫn dữ liệu giữa thiết bị người dùng và các điểm truy cập, đường biên giới phân cách giữa các tế bào được xem như không tồn tại do tất cả các điểm truy cập đều tham gia liên tục trong hệ thống mạng cell-free Khi đó, mỗi khi một thiết bị người dùng phát một tín hiệu dữ liệu uplink thì tất cả điểm truy cập đều nhận được tín hiệu này Và mạng sẽ phục vụ đồng thời tất cả thiết bị người dùng đang hoạt động trong khu vực địa lý mà mạng bao phủ

Hình 2.4: Minh họa một mạng cell-free

Mạng free massive MIMO là một mạng sinh ra từ sự kết hợp giữa mạng free và mạng massive MIMO Do đó, mạng cell-free massive MIMO sỡ hữu những đặc tính cơ bản của hai mạng này Ví dụ như số lượng lớn các antenna tại điểm truy cập được sử dụng để phục vụ một lượng nhỏ antenna đơn của thiết bị người dùng trên một khu vực Các điểm truy cập này liên kết chặt chẽ với nhau và phục vụ tất cả thiết bị người dùng trong cùng một tài nguyên thời gian – tần số bằng giao thức ghép kênh song công phân chia theo thời gian (TDD) Do đó, các kênh downlink và uplink có thể cùng được ước lượng bằng cách gửi các tín hiệu pilot biết trước từ các thiết bị người dùng đến điểm truy cập Mỗi điểm truy cập sẽ đạt được thông tin kênh truyền (CSI) của chúng đại diện cho kênh truyền giữa điểm truy cập này với các thiết bị người dùng khác nhau Khu vực bao phủ của các điểm truy cập không được chia thành các ô tế bào Các điểm truy cập được kết nối tới một đơn vị xử lý trung tâm thông qua đường fronthaul nhằm chia sẽ thông tin kênh truyền Và các đơn vị xử lý trung tâm sẽ được kết nối đến mạng lõi thông qua đường backhaul Do đó, dựa trên [8], một mạng cell-free massive MIMO được định nghĩa bằng ba đặc trưng sau đây:

cell Sử dụng lớp vật lý từ mạng tế bào massive MIMO

- Là mạng có số lượng điểm truy cập dày đặc Số lượng điểm truy cập lớn hơn nhiều so với số lượng thiết bị người dùng

- Bằng cách truyền dẫn đồng bộ đồng thời, các điểm truy cập đều tham gia phục vụ các thiết bị người dùng

Dựa trên [9], truyền dẫn đồng thời là các điểm truy cập đều truyền tín hiệu đồng thời đến một thiết bị người dùng Và đồng bộ có nghĩa là mạng đã biết thông tin trạng thái kênh truyền giữa các điểm truy cập tới thiết bị người dùng đó

Mạng cell-free massive MIMO đem lại nhiều lợi ích to lớn Đầu tiên là mạng không bị ảnh hưởng bởi vị trí đặt của điểm truy cập, đạt được SINR cao hơn nhưng ít biến động hơn, khả năng xử lý can nhiễu tốt hơn, khả năng truyền đồng bộ giữa các điểm truy cập

2.6 Lý thuyết cơ bản về toán tối ưu

Để đạt được hiệu suất phổ cao, mạng cell-free massive MIMO yêu cầu một chiến lược thu phát phù hợp Do đó, mục này sẽ giới thiệu tổng quan về lý thuyết cơ bản về toán tối ưu

Hình 2.5: Biểu đồ quá trình thiết kế và giải bài toán tối ưu [10]

Khi xem xét một bài toán tối ưu, việc đầu tiên cần làm là phải phân tích, thiết kế mục tiêu của bài toán Mục tiêu bài toán tối ưu sẽ cung cấp cái nhìn tổng quan về một vấn đề Chúng sẽ bao gồm chi tiết thông tin các biến tham gia vào bài toán, các hằng số và các điều kiện ràng buộc ứng với phạm vi bài toán đang xem xét Tiếp theo, bài toán tối ưu sẽ được tiến hành giải dựa trên các thông số đạt được Bước tiếp theo sẽ là đánh giá hiệu suất của bài toán tối ưu Nếu hiệu suất của bài toán tối ưu không phù hợp thì quay ngược lại bước thay đổi thiết kế bài toán và tiếp tục thực hiện đánh giá hiệu suất tối ưu Thay đổi thiết kế được thực hiện bằng nhiều cách như thay đổi tham số đầu vào,

đầu ra, thay đổi số lượng biến sử dụng Bằng cách thử và sai, vòng lặp thay đổi thiết kế, đánh giá bài toán tối ưu sẽ được tạo ra và được thực hiện cho đến khi nào tìm ra thiết kế phù hợp với bài toán tối ưu Như vậy, nếu các bước trên được áp dụng vào bài toán phân bổ công suất tối ưu đường uplink trong hệ thống cell-free massive MIMO, các tham số trong hệ thống cell-free massive MIMO sẽ được xem xét đầu tiên Các tham số đó bao gồm số điểm truy cập, số thiết bị người dùng, công suất truyền tối đa Tiếp theo, mục tiêu của bài toán hướng tới tối đa tổng tốc độ của các thiết bị người dùng Vậy nên, hàm mục tiêu của bài toán sẽ được đặt là tổng tốc độ của thiết bị người dùng Bài toán sẽ tìm các công suất truyền phù hợp để hàm mục tiêu đạt lớn nhất Trong thực hiện giải bài toán tối ưu, thuật toán tối ưu sẽ được áp dụng Ở đây, thuật toán block coordinante descent và học tăng cường sẽ được áp dụng để giải bài toán tối ưu Trong quá trình đánh giá hiệu suất và thay đổi thiết kế, các tham số của hệ thống cell-free massive MIMO và các tham số của thuật toán học tăng cường như hàm phần thưởng, trạng thái, hành động, số lớp, số tế bào trong mạng neural network sẽ được thay đổi, đánh giá để tìm ra kết quả tối ưu

Tối ưu hóa một bài toán đem lại rất nhiều lợi ích Đầu tiên, bài toán tối ưu sẽ cung cấp một phương thức logic mới Phương thức này cho phép người sử dụng áp dụng lại trong những trường hợp khác để đạt được kết quả phù hợp, giảm thiểu được sai sót của con người, tăng tốc quá trình xử lý tác vụ hay tối ưu hóa sử dụng nguồn tài nguyên đang có sẵn, Không những thế, kĩ thuật toán tối ưu có thể được áp dụng với số lượng biến và điều kiện ràng buộc lớn, tốt hơn nhiều khi so với kĩ thuật dựa trên con người, chỉ có thể áp dụng trong miền không gian hai chiều và không gian ba chiều

Một bài toán tối ưu cơ bản có dạng như sau [10]: min 𝑓(𝐱)

st 𝐱 ∈ X

(2.12) trong đó, 𝐱 = [𝑥1, 𝑥2, … , 𝑥𝑛] là một vector n chiều với thành phần là các giá trị tương

ứng với các biến mà bài toán xem xét Trong đó, giá trị của biến thứ 𝑖 được đặt là 𝑥𝑖 Số

lượng biến trong 𝐱 có thể được lựa chọn nhằm mục tiêu tối thiểu hóa hàm mục tiêu 𝑓 X

là tập hợp tất cả các giá trị có thể có của vector 𝐱 Bất cứ một vấn đề tối ưu nào có thể được viết lại dưới dạng cơ bản Đặc biệt, bài toán tối ưu

max 𝑓(𝐱)𝐱

st 𝐱 ∈ 𝑋

(2.13) có thể được viết lại thành:

min −𝑓(𝐱)𝐱

st 𝐱 ∈ 𝑋.

(2.14) Dạng được viết lại ở trên và dạng ban đầu cùng là một Ngoài ra, tất cả các vấn đề đều yêu cầu có điều kiện ràng buộc để giới hạn lại vấn đề cần giải quyết Do đó, các điều kiện ràng buộc cũng đồng thời giới hạn lại kết quả bài toán

Xem xét bài toán tối ưu cơ bản trong trường hợp một biến, mục tiêu mong muốn là một bộ tối thiểu hóa toàn cục, hay nói cách khác là một giá trị của 𝑥 mà 𝑓(𝑥) là giá trị nhỏ nhất Tuy nhiên, 𝑓(𝑥) chỉ có thể có duy nhất một điểm nhỏ nhất nhưng lại có nhiều điểm cực tiểu Việc chứng minh một điểm cho trước có phải là điểm nhỏ nhất trong một bài toàn là điều khó Thông thường, điểm cho trước chỉ có thể được kiểm tra có phải là điểm cực tiểu hay không Một điểm 𝑥∗ là một điểm cực tiểu nếu tồn tại một 𝛿 > 0 mà thõa mãn 𝑓(𝑥∗) ≤ 𝑓(𝑥) cho tất cả biến 𝑥 với |𝑥 − 𝑥∗| < 𝛿 Trong trường hợp nhiều biến, thì tồn tại một 𝛿 > 0 mà thõa mãn 𝑓(𝐱∗) ≤ 𝑓(𝐱) cho tất cả biến 𝐱 với ‖𝐱 − 𝐱∗‖ < 𝛿

2.6.1 Bài toán tối ưu lồi

Mục này của luận văn sẽ giới thiệu về bài toán tối ưu lồi [11], một dạng đặc biệt của bài toán tối ưu Bài toán tối ưu lồi có ưu điểm là dễ dàng phân tích và kiểm tra độ khả thi của thuật toán hơn Trong thực tế, một bài toán bất kì thường sẽ không tồn tại dạng tối ưu lồi

Nếu xét về mặt hình học, một tập được xem như là lồi nếu như đoạn thằng nối giữa hai điểm bất kì cũng nằm trong tập đó Như Hình 2.6a, đoạn thẳng nối giữa hai điểm bất kì 𝑥1, 𝑥2 cũng nằm trong không gian tập hợp Trong khi đó, Hình 2.6b thì đoạn thẳng nối giữa hai điểm gặp vật cản là hai cạnh của không gian tập hợp

Hình 2.6: Minh họa về một tập lồi

Giả sử bất kì điểm 𝑥1, 𝑥2 ∈ 𝐑 và bất kì hệ số 𝜆 với 𝜆 ∈ [0,1] thõa mãn:

được gọi là một tập lồi Một điểm có dạng như sau: 𝜆1𝑥1+ ⋯ + 𝜆𝐾𝑥𝐾

𝑣ớ𝑖 𝜆1+ ⋯ + 𝜆𝐾 = 1 𝑣à 𝜆𝑖 ≥ 0, 𝑖 = 1, … , 𝐾 (2.16) là một tổ hợp lồi của các điểm 𝑥1, … , 𝑥𝐾 Như vậy một tập được gọi là lồi khi và chỉ khi tập đó chứa mọi tổ hợp lồi của các điểm nằm trong tập

Bao lồi của một tập 𝑅 được kí hiệu là 𝐜𝐨𝐧𝐯(𝑅), là tập chứa tất cả tổ hợp lồi trong tập 𝑅:

𝐜𝐨𝐧𝐯 𝑅 = {𝛼1𝑥1+ ⋯ + 𝛼𝑘𝑥𝑘| 𝑥𝑖 ∈ 𝑅, 𝛼𝑖 ≥ 0,

𝑖 = 1, … , 𝑘 ; 𝛼1+ ⋯ + 𝛼𝑘 = 1} (2.17) Bao lồi 𝐜𝐨𝐧𝐯 𝑅 luôn luôn lồi Bao lồi là tập lồi nhỏ nhất chứa 𝑅 Hay nói một cách khác nếu như một tập lồi 𝐴 chứa tập 𝑅 thì bao lồi 𝐜𝐨𝐧𝐯 𝑅 là tập con của tập 𝐴

Một phương trình 𝑓: 𝐑𝑛 → 𝐑𝑚 có tập 𝐑𝑚 là tập giá trị phương trình với đầu vào

là tập 𝐑𝑛 Tập xác định của phương trình là tập đầu vào có thể có của phương trình,

được kí hiệu là 𝐝𝐨𝐦(𝑓) Một phương trình 𝑓: 𝐑𝑛 → 𝐑 được coi là lồi nếu như tập xác

định của nó là một tập lồi hay nói cách khác với mọi 𝑥, 𝑦 ∈ 𝐝𝐨𝐦(𝑓) và 0 ≤ 𝜆 ≤ 1: 𝑓(𝜆𝑥 + (1 − 𝜆)𝑦) ≤ 𝜆𝑓(𝑥) + (1 − 𝜆)𝑓(𝑦) (2.18) Nếu xét về mặt hình học, bất đẳng thức này có nghĩa là đoạn thẳng nối giữa hai điểm (𝑥, 𝑓(𝑥)) và (𝑦, 𝑓(𝑥)) nằm phía trên hoặc nằm trên đồ thị hàm 𝑓 Một phương trình 𝑓 được coi là lồi mạnh nếu như bất đẳng thức trên thõa mãn khi 𝑥 ≠ 𝑦 và 0 < 𝜆 < 1 Như