NGHIÊN CỨU MỘT SỐ GIẢI PHÁP TỐI ƯU HÓA HIỆU NĂNG TRONG MẠNG ĐIỆN TOÁN BIÊN DI ĐỘNG

NGHIÊN CỨU MỘT SỐ GIẢI PHÁP TỐI ƯU HÓA HIỆU NĂNG TRONG MẠNG ĐIỆN TOÁN BIÊN DI ĐỘNGNGHIÊN CỨU MỘT SỐ GIẢI PHÁP TỐI ƯU HÓA HIỆU NĂNG TRONG MẠNG ĐIỆN TOÁN BIÊN DI ĐỘNGNGHIÊN CỨU MỘT SỐ GIẢI PHÁP TỐI ƯU HÓA HIỆU NĂNG TRONG MẠNG ĐIỆN TOÁN BIÊN DI ĐỘNGNGHIÊN CỨU MỘT SỐ GIẢI PHÁP TỐI ƯU HÓA HIỆU NĂNG TRONG MẠNG ĐIỆN TOÁN BIÊN DI ĐỘNGNGHIÊN CỨU MỘT SỐ GIẢI PHÁP TỐI ƯU HÓA HIỆU NĂNG TRONG MẠNG ĐIỆN TOÁN BIÊN DI ĐỘNGNGHIÊN CỨU MỘT SỐ GIẢI PHÁP TỐI ƯU HÓA HIỆU NĂNG TRONG MẠNG ĐIỆN TOÁN BIÊN DI ĐỘNGNGHIÊN CỨU MỘT SỐ GIẢI PHÁP TỐI ƯU HÓA HIỆU NĂNG TRONG MẠNG ĐIỆN TOÁN BIÊN DI ĐỘNGNGHIÊN CỨU MỘT SỐ GIẢI PHÁP TỐI ƯU HÓA HIỆU NĂNG TRONG MẠNG ĐIỆN TOÁN BIÊN DI ĐỘNGNGHIÊN CỨU MỘT SỐ GIẢI PHÁP TỐI ƯU HÓA HIỆU NĂNG TRONG MẠNG ĐIỆN TOÁN BIÊN DI ĐỘNGNGHIÊN CỨU MỘT SỐ GIẢI PHÁP TỐI ƯU HÓA HIỆU NĂNG TRONG MẠNG ĐIỆN TOÁN BIÊN DI ĐỘNGNGHIÊN CỨU MỘT SỐ GIẢI PHÁP TỐI ƯU HÓA HIỆU NĂNG TRONG MẠNG ĐIỆN TOÁN BIÊN DI ĐỘNGNGHIÊN CỨU MỘT SỐ GIẢI PHÁP TỐI ƯU HÓA HIỆU NĂNG TRONG MẠNG ĐIỆN TOÁN BIÊN DI ĐỘNGNGHIÊN CỨU MỘT SỐ GIẢI PHÁP TỐI ƯU HÓA HIỆU NĂNG TRONG MẠNG ĐIỆN TOÁN BIÊN DI ĐỘNGNGHIÊN CỨU MỘT SỐ GIẢI PHÁP TỐI ƯU HÓA HIỆU NĂNG TRONG MẠNG ĐIỆN TOÁN BIÊN DI ĐỘNGNGHIÊN CỨU MỘT SỐ GIẢI PHÁP TỐI ƯU HÓA HIỆU NĂNG TRONG MẠNG ĐIỆN TOÁN BIÊN DI ĐỘNGNGHIÊN CỨU MỘT SỐ GIẢI PHÁP TỐI ƯU HÓA HIỆU NĂNG TRONG MẠNG ĐIỆN TOÁN BIÊN DI ĐỘNGNGHIÊN CỨU MỘT SỐ GIẢI PHÁP TỐI ƯU HÓA HIỆU NĂNG TRONG MẠNG ĐIỆN TOÁN BIÊN DI ĐỘNGNGHIÊN CỨU MỘT SỐ GIẢI PHÁP TỐI ƯU HÓA HIỆU NĂNG TRONG MẠNG ĐIỆN TOÁN BIÊN DI ĐỘNGNGHIÊN CỨU MỘT SỐ GIẢI PHÁP TỐI ƯU HÓA HIỆU NĂNG TRONG MẠNG ĐIỆN TOÁN BIÊN DI ĐỘNGNGHIÊN CỨU MỘT SỐ GIẢI PHÁP TỐI ƯU HÓA HIỆU NĂNG TRONG MẠNG ĐIỆN TOÁN BIÊN DI ĐỘNGNGHIÊN CỨU MỘT SỐ GIẢI PHÁP TỐI ƯU HÓA HIỆU NĂNG TRONG MẠNG ĐIỆN TOÁN BIÊN DI ĐỘNGNGHIÊN CỨU MỘT SỐ GIẢI PHÁP TỐI ƯU HÓA HIỆU NĂNG TRONG MẠNG ĐIỆN TOÁN BIÊN DI ĐỘNGNGHIÊN CỨU MỘT SỐ GIẢI PHÁP TỐI ƯU HÓA HIỆU NĂNG TRONG MẠNG ĐIỆN TOÁN BIÊN DI ĐỘNGNGHIÊN CỨU MỘT SỐ GIẢI PHÁP TỐI ƯU HÓA HIỆU NĂNG TRONG MẠNG ĐIỆN TOÁN BIÊN DI ĐỘNGNGHIÊN CỨU MỘT SỐ GIẢI PHÁP TỐI ƯU HÓA HIỆU NĂNG TRONG MẠNG ĐIỆN TOÁN BIÊN DI ĐỘNGNGHIÊN CỨU MỘT SỐ GIẢI PHÁP TỐI ƯU HÓA HIỆU NĂNG TRONG MẠNG ĐIỆN TOÁN BIÊN DI ĐỘNGNGHIÊN CỨU MỘT SỐ GIẢI PHÁP TỐI ƯU HÓA HIỆU NĂNG TRONG MẠNG ĐIỆN TOÁN BIÊN DI ĐỘNGNGHIÊN CỨU MỘT SỐ GIẢI PHÁP TỐI ƯU HÓA HIỆU NĂNG TRONG MẠNG ĐIỆN TOÁN BIÊN DI ĐỘNGNGHIÊN CỨU MỘT SỐ GIẢI PHÁP TỐI ƯU HÓA HIỆU NĂNG TRONG MẠNG ĐIỆN TOÁN BIÊN DI ĐỘNGNGHIÊN CỨU MỘT SỐ GIẢI PHÁP TỐI ƯU HÓA HIỆU NĂNG TRONG MẠNG ĐIỆN TOÁN BIÊN DI ĐỘNGNGHIÊN CỨU MỘT SỐ GIẢI PHÁP TỐI ƯU HÓA HIỆU NĂNG TRONG MẠNG ĐIỆN TOÁN BIÊN DI ĐỘNGNGHIÊN CỨU MỘT SỐ GIẢI PHÁP TỐI ƯU HÓA HIỆU NĂNG TRONG MẠNG ĐIỆN TOÁN BIÊN DI ĐỘNGNGHIÊN CỨU MỘT SỐ GIẢI PHÁP TỐI ƯU HÓA HIỆU NĂNG TRONG MẠNG ĐIỆN TOÁN BIÊN DI ĐỘNGNGHIÊN CỨU MỘT SỐ GIẢI PHÁP TỐI ƯU HÓA HIỆU NĂNG TRONG MẠNG ĐIỆN TOÁN BIÊN DI ĐỘNGNGHIÊN CỨU MỘT SỐ GIẢI PHÁP TỐI ƯU HÓA HIỆU NĂNG TRONG MẠNG ĐIỆN TOÁN BIÊN DI ĐỘNGNGHIÊN CỨU MỘT SỐ GIẢI PHÁP TỐI ƯU HÓA HIỆU NĂNG TRONG MẠNG ĐIỆN TOÁN BIÊN DI ĐỘNGNGHIÊN CỨU MỘT SỐ GIẢI PHÁP TỐI ƯU HÓA HIỆU NĂNG TRONG MẠNG ĐIỆN TOÁN BIÊN DI ĐỘNG

Tính cấp thiết

Trong những thập kỷ gần đây, chúng ta đã chứng kiến sự phát triển đáng kinh ngạc của công nghệ điện toán đám mây (Cloud Computing - CC) CC cho phép người dùng truy cập và sử dụng các tài nguyên điện toán và máy tính như phần mềm, dịch vụ và phần cứng thông qua Internet Người dùng có khả năng truy cập vào bất kỳ tài nguyên nào trên đám mây (máy chủ ảo) từ bất kỳ đâu và vào bất kỳ thời điểm nào [1] Mô hình này bao gồm hai lớp chức năng chính: lớp đám mây chứa tài nguyên và lớp người dùng truy cập và sử dụng các tài nguyên này thông qua Internet, như minh họa trong hình 0.1

Hình 0.1: Mô hình các lớp chức năng trong điện toán đám mây

CC đã thúc đẩy sự phát triển của nhiều công ty Internet hàng đầu như Google, Microsoft, Amazon, Dropbox [2] Ngoài ra, các doanh nghiệp vừa và nhỏ cũng đã sử dụng CC nhằm giảm thiểu chi phí đầu tư ban đầu vào cơ sở hạ tầng, bao gồm việc mua phần cứng, bản quyền phần mềm và cài đặt hệ thống Thậm chí, CC đã thay đổi cách làm việc của từng cá nhân, ví dụ như tổ chức cuộc họp nhóm thông qua Google Meet, trao đổi công việc qua Gmail, lưu trữ dữ liệu trên iCloud, chia sẻ file qua Dropbox và thậm chí chia sẻ thông tin cá nhân trên các mạng xã hội Như vậy, với một hệ thống ứng dụng CC thông thường, dữ liệu sẽ được đẩy lên một máy chủ đám mây và có thể được lấy xuống bởi một máy khách Cách thức vận hành như vậy có thể hoạt động tốt cho các dữ liệu trong các ứng dụng không đặt nặng vấn đề độ trễ Hiển nhiên, sẽ là không tối ưu khi áp dụng CC cho các ứng dụng yêu cầu dữ liệu Internet of Thing (IoT) thời gian thực [3, 4] Chúng ta lấy một ví dụ sử dụng CC trong giám sát thông số môi trường IoT như hình 0.2 Dữ liệu cảm biến được lưu trữ và xử lý tại trung tâm dữ liệu đám mây phải vượt qua hàng loạt các thiết bị vật lý như router, switch, gateway Cũng cần lưu ý là những trung tâm dữ liệu này được các nhà cung cấp dịch vụ đặt tại những vị trí địa lý nhất định, và có khoảng cách rất xa so với nguồn dữ liệu cảm biến, nên độ trễ truyền thông tồn tại là tất yếu Hơn nữa, khi các phản hồi điều khiển từ đám mây đến cơ cấu chấp hành, hành trình của dữ liệu cũng phải vượt qua một khoảng cách tương tự Nếu đám mây bị quá tải hoặc cơ sở hạ tầng Internet gặp vấn đề thì yêu cầu phản hồi tức thời là không thể đảm bảo

Hình 0.2: Nhược điểm của điện toán đám mây trong ứng dụng IoT

Thêm vào đó, rất nhiều thiết bị IoT được triển khai trên toàn cầu và tạo ra lượng dữ liệu vô cùng khổng lồ lưu trữ trên các đám mây trong tương lai [4] Máy chủ đám mây cũng cần phải được trang bị một tài nguyên tính toán rất lớn để có thể trích xuất ra một thông tin hữu ích từ lượng dữ liệu ấy một cách tức thời Với ví dụ đơn giản như trên, chúng ta có thể nhận ra hàng loạt các vấn đề của ứng dụng IoT khi áp dụng CC: (i) độ trễ truyền thông, (ii) độ tin cậy, (iii) chi phí lớn về tài nguyên máy tính và băng thông, (iv) các vấn đề về bảo mật khi nguồn dữ liệu nằm xa trung tâm dữ liệu

Chính vì vậy, trong những năm vừa qua, chúng ta chứng kiến sự dịch chuyển các chức năng trong đám mây về phía biên mạng, tạo ra điện toán biên Trong khuôn khổ của luận án, NCS thực hiện các nghiên cứu về lĩnh vực điện toán biên di động (Mobile edge computing - MEC) [5] Kỹ thuật MEC cung cấp khả năng điện toán trong mạng truy cập vô tuyến (radio access network - RAN) và môi trường dịch vụ công nghệ thông tin ngay tại biên mạng, nơi gần với nguồn dữ liệu/người dùng nhất Định nghĩa ban đầu về MEC được viện Tiêu chuẩn Viễn thông châu Âu (European Telecommunications Standard Institute - ETSI) đề xuất vào năm 2014, đề cập đến các trạm gốc (base station - BS) sẽ hỗ trợ tính toán và lưu trữ nhằm giảm tải cho các người dùng trong mạng RAN Về sau, Cisco mở rộng định nghĩa cho các thiết bị MEC, chúng có thể là điện thoại thông minh, các thiết bị IoT, hay các cảm biến trong mạng cảm biến không dây (Wireless sensor networks - WSNs) [5]

Mặc dù vậy, việc triển khai MEC vẫn còn rất nhiều vấn đề tồn tại cần giải quyết triệt để, cụ thể được tóm tắt thành 4 mục như sau:

1) Quản lý và phân bố tài nguyên trong MEC: Phân bổ tài nguyên tính toán, năng lượng và lưu trữ là một thách thức quan trọng trong quá trình hiện thực hóa MEC Lý do là những tài nguyên này trong MEC hữu hạn, trong khi số lượng ứng dụng ngày càng tăng và sự gia tăng bùng nổ trong lưu lượng di động [6] Việc tối ưu hóa phân bổ tài nguyên có thể đa mục tiêu, thay đổi trong các tình huống khác nhau do tính chất đa dạng của các ứng dụng, các máy chủ MEC là không đồng nhất, và chất lượng kết nối kênh truyền là khác nhau Với lượng người dùng lớn, kênh không dây sẽ bị tắc nghẽn và sự cạnh tranh giữa những người dùng về tài nguyên máy chủ khan hiếm trở nên gay gắt [7]

2) Mô hình giảm tải hiệu quả trong MEC: Để hiện thực MEC chúng ta cần trả lời được câu hỏi người dùng và máy chủ sẽ hoạt động như thế nào, phối hợp với nhau ra sao Một số vấn đề điển hình là lượng người dùng trong mạng 5G MEC là dày đặc, các máy chủ không đồng nhất và tài nguyên tính toán tại máy chủ thay đổi theo thời gian [8] Hơn nữa, truyền thông vô tuyến trong mạng MEC cũng chịu nhiều tác động từ nhiễu, can nhiễu, hệ số kênh truyền ngẫu nhiên, các hiện tượng phản xạ hay tán xạ tín hiệu Hay khi người dùng có tính di động di chuyển xuyên qua phạm vi bao phủ của nhiều máy chủ MEC quy mô nhỏ, hiển nhiên sự chuyển vùng sẽ diễn ra thường xuyên dẫn đến sự cố gián đoạn dịch vụ và ảnh hưởng đến hiệu suất mạng tổng thể [9] Hơn nữa, việc chuyển vùng có thể diễn ra trong thời gian tính toán giảm tải, dẫn đến người dùng không thể tải về kết quả tính toán vì họ đã chuyển ra khỏi vùng phủ sóng dịch vụ của các máy chủ MEC Do đó, các mô hình giảm tải tính toán hiệu quả là cần thiết để người dùng có thể hoàn thành ứng dụng

3) Tích hợp vào cơ sở hạ tầng sẵn có: Một thách thức quan trọng khác là sự tích hợp liền mạch của MEC vào kiến trúc mạng sẵn có, không gây ảnh hưởng đến các thông số kỹ thuật tiêu chuẩn của mạng lõi và thiết bị đầu cuối Nghiên cứu về sự hoạt động song song của MEC và đám mây cũng cần quan tâm, vì sẽ có nhiều ứng dụng MEC phân tán có thể không có đủ tài nguyên điện toán để xử lý tất cả các yêu cầu tính toán và phải chuyển các phép tính dữ liệu lớn lên đám mây [10]

4) Bảo mật và quyền riêng tư: Mặc dù MEC có khả năng cải thiện tính bảo mật và quyền riêng tư so với điện toán đám mây, nhưng MEC vẫn có những thách thức về bảo mật và quyền riêng tư của riêng mình Đầu tiên, MEC hoạt động với các phần tử mạng không đồng nhất, do đó làm cho các cơ chế bảo mật và quyền riêng tư thông thường, vốn đã được vận hành trong đám mây, không thể áp dụng cho các hệ thống MEC Thứ hai, tác vụ giảm tải qua các kênh không dây có thể không an toàn vì đặc tính phát quảng bá của kênh truyền không dây dẫn đến các tác vụ tính toán có thể bị nghe trộm Việc mã hóa dữ liệu có thể được áp dụng nhưng điều này làm tăng độ trễ lan truyền cũng như độ trễ thực thi, do đó làm giảm hiệu suất ứng dụng [11]

Xuất phát từ tính chất thời sự và khả năng áp dụng rộng rãi của mạng MEC, cũng như với các vấn đề nghiên cứu đã mở ra như trên, NCS quyết định lựa chọn thực hiện đề tài “Nghiên cứu một số giải pháp tối ưu hóa hiệu năng trong mạng điện toán biên di động”.

Mục tiêu nghiên cứu

 Mục tiêu thứ nhất của luận án là nghiên cứu về mạng MEC và các vấn đề triển khai mạng MEC Cụ thể, luận án đề xuất và phân tích các mô hình truyền thông mạng MEC mới, sử dụng kỹ thuật đa truy cập phi trực giao để tăng khả năng truy cập đồng thời cho nhiều thiết bị, kỹ thuật phân tập không gian để tối ưu hóa sử dụng tài nguyên mạng và kỹ thuật thu năng lượng vô tuyến để cải thiện hiệu suất năng lượng của hệ thống Các mục tiêu cụ thể như sau:

+ Thiết kế các giao thức mới cho mô hình mạng đề xuất

+ Xác định và tính toán các biểu thức xác suất thành công cho hệ thống và người dùng khi áp dụng các cơ chế hoạt động khác nhau, với các thông số quan trọng như công suất, tỉ lệ giảm tải, hệ số phân bổ năng lượng, hệ số chuyển mạch thời gian, tần số hoạt động và băng thông

+ Tìm hiểu hành vi của mạng đề xuất thông qua chương trình mô phỏng và kết quả phân tích lý thuyết Dựa trên các kết quả này, luận án sẽ đề xuất các kiến nghị phù hợp để cải thiện hiệu năng của mạng MEC

 Mục tiêu thứ hai của luận án là giải quyết các bài toán tối ưu trong mạng MEC với ràng buộc về thời gian trễ Các hướng tiếp cận bao gồm thuật toán tối ưu tìm kiếm một chiều, thuật toán di truyền và thuật toán bầy đàn.

Nội dung nghiên cứu

 Đề xuất một số mô hình truyền thông mạng MEC kết hợp với các kỹ thuật đa truy cập phi trực giao, kỹ thuật phân tập không gian và kỹ thuật thu năng lượng vô tuyến

 Tìm ra các biểu thức xác suất tính toán thành công của hệ thống và của người dùng theo các cơ chế hoạt động khác nhau với các thông số quan trọng như công suất, tỉ lệ giảm tải, tần số hoạt động, băng thông

 Thiết kế các giao thức mới, hình thành các bài toán tối ưu và đề xuất các thuật toán nhằm nâng cao hiệu năng cho mạng MEC với các ràng buộc về thời gian trễ tối đa cho phép

 Đề xuất và giải các bài toán tối ưu hiệu năng mạng MEC

 Xây dựng chương trình mô phỏng sử dụng phần mềm Matlab để xác nhận tính đúng đắn của các phân tích lý thuyết

 Tìm hiểu hành vi của hệ thống thông qua chương trình mô phỏng và kết quả phân tích lý thuyết, từ đó đề xuất các kiến nghị phù hợp.

Phương pháp nghiên cứu

 Phương pháp nghiên cứu lý thuyết: thu thập thông tin qua các tài liệu học thuật nhằm mục đích tìm chọn những khái niệm cơ bản là cơ sở cho lý luận của đề tài, tìm hiểu các kết quả đã có liên quan đến luận án

 Phương pháp mô hình hóa toán học và mô phỏng: thông qua việc xây dựng các mô hình toán đảm bảo các tính chất cơ bản của đối tượng đang nghiên cứu, luận án tiến hành mô phỏng để đánh giá hiệu năng các hệ thống, cơ chế hoạt động và thuật toán tối ưu đề xuất Tiếp đến, luận án bám sát các kết quả nghiên cứu trong lĩnh vực này, đánh giá kết quả đã đạt được để đề xuất hướng giải quyết tốt hơn.

Những đóng góp chính của Luận án

Những đóng góp chính của Luận án được tóm tắt như sau:

 Đề xuất các mô hình mạng NOMA MEC và các cơ chế hoạt động như lựa chọn anten, lựa chọn người dùng, kỹ thuật thu năng lượng vô tuyến, kỹ thuật phân tập không gian Cụ thể, 4 mô hình NOMA MEC đã được phân tích và tối ưu dưới các kênh truyền Rayleigh và Nakagami-m

 Xây dựng được các biểu thức toán học thông số đánh giá hiệu năng hệ thống là xác suất tính toán thành công với ràng buộc là thời gian trễ tối đa cho phép của hệ thống, từ đó khảo sát hành vi của các hệ thống đề xuất

 Xây dựng bài toán tối ưu và đề xuất các giải pháp dựa trên thuật toán, cụ thể là thuật toán tối ưu tìm kiếm một chiều, thuật toán di truyền và thuật toán bầy đàn nhằm xác định bộ tham số tối ưu cho hệ thống

 So sánh các kết quả tối ưu thu được với các nghiên cứu tương tự và với các thuật toán tham chiếu để chứng minh tính hiệu quả của các giải pháp đề xuất.

Bố cục Luận án

Chương mở đầu: Tổng quan về Luận án

Trong chương này, NCS trình bày tính cấp thiết của đề tài, các hướng nghiên cứu liên quan, mục tiêu nghiên cứu, nội dung nghiên cứu, đối tượng nghiên cứu, phạm vi nghiên cứu, các đóng góp của Luận án, và bố cục trình bày Luận án.

Điện toán biên di động

1.1.1 Khái niệm và kiến trúc mô hình điện toán biên di động

Trong những năm gần đây, cộng đồng học thuật và công nghiệp đã rất nỗ lực trong việc hiện thực hóa và thương mại hóa mạng 5G Mạng 5G không chỉ hỗ trợ chức năng truyền thông, mà còn thực hiện thêm ba chức năng khác, bao gồm điện toán, điều khiển, và phân phối nội dung với tốc độ và thông lượng cực lớn [12] Theo đó, rất nhiều ứng dụng mới với các yêu cầu như độ trễ rất thấp, băng thông lớn, độ tin cậy cao và số lượng người dùng dày đặc như thực tế ảo/thực tế ảo tăng cường (Augmented Reality/Virtual Reality - AR/VR), xe tự hành, mạng truyền thông công nghiệp đáp ứng nhanh, và nhiều ứng dụng IoT được ra đời [13] Tuy nhiên, rất nhiều những thiết bị đầu cuối không dây (mobile device - MD) được kết nối vào những hệ thống như trên không đáp ứng được những yêu cầu về việc tính toán và lưu trữ Hơn nữa, các MD ngày càng gia tăng về số lượng, tạo ra một dữ liệu khổng lồ và không ngừng tăng trưởng khiến cho các mô hình điện toán trước đây không thể đáp ứng Bên cạnh đó, sự giới thiệu các công nghệ truyền thông không dây mới đã cho phép triển khai thế hệ điện toán tiếp theo Đó là những nguyên nhân chính dẫn đến sự ra đời và phát triển của MEC

Với MEC, dịch vụ đám mây viễn thông và công nghệ thông tin được kết hợp với nhau để cung cấp khả năng điện toán trong các mạng truy cập vô tuyến ở vùng lân cận của MD [13] Như vậy, các MD với ràng buộc về tài nguyên năng lượng và tính toán sẽ giảm tải các tác vụ đến máy chủ MEC được thiết lập tại các trạm gốc, điểm truy cập không dây (Access point - AP) hay thậm chí là những thiết bị đầu cuối khác đặt ở gần đó MEC có thể được xem là thế hệ tiến hóa tiếp theo trong lĩnh vực điện toán, giúp bổ khuyết cho những tồn tại của CC

Mô hình các lớp chức năng trong mạng MEC được trình bày trong hình 1.1, trong đó một hoặc nhiều lớp biên được thêm vào giữa hai lớp đám mây và người dùng cuối, giúp người dùng giảm tải các tác vụ Như vậy, các chức năng của đám mây sẽ dần dần di chuyển về biên mạng Tuy nhiên, khác với CC, MEC sử dụng các máy chủ MEC có tài nguyên lưu trữ và tính toán chỉ ở mức trung bình, và được bố trí rất gần các MD Với cấu trúc như vậy, MEC cho phép độ trễ thấp vì dữ liệu chỉ cần truyền thông đến những trạm gốc có khoảng cách vật lý nhỏ hơn nhiều so với các trạm gốc CC Đặc tính này khiến MEC trở thành một công cụ đầy hứa hẹn cho các ứng dụng thời gian thực quan trọng về độ trễ [14]

Hình 1.1: Mô hình các lớp chức năng trong điện toán biên di động

Hơn nữa, bằng cách lưu trữ và xử lý một cách thích hợp những thông tin quan trọng cục bộ (mỗi thiết bị MEC có khả năng tính toán và lưu trữ riêng) trước khi chuyển đến những đám mây dữ liệu lớn hơn, MEC đã giảm đáng kể lượng dữ liệu phải di chuyển trong hệ thống nên chỉ yêu cầu băng thông nhỏ Cách thức làm việc này cũng tăng tính bảo mật cho toàn hệ thống, khi các thiết bị MEC sẽ cân nhắc xử lý các dữ liệu nhạy cảm cục bộ [15] MEC loại bỏ hiện tượng “nút thắt cổ chai” trong CC, vì tài nguyên được phân bổ rải rác khắp biên mạng thay vì chỉ tập trung tại đám mây trung tâm Khả năng mở rộng của mạng MEC cũng rất linh hoạt khi chúng ta không cần tham khảo đến khả năng của các bộ lưu trữ sẵn có Cuối cùng, đặc tính phân lớp mạng giúp một số ứng dụng MEC có thể hoạt động trong các môi trường độc lập với phần còn lại của mạng [16]

Trong các hệ thống MEC, thông tin liên lạc thường là giữa các AP không dây hoặc BS quy mô nhỏ với các MD với khả năng liên lạc trực tiếp (device to device - D2D) [17] Tại lớp biên, các AP không chỉ cung cấp giao tiếp không dây cho các máy chủ MEC mà còn cho phép truy cập vào trung tâm dữ liệu đám mây thông qua các liên kết backhaul Điều này có thể giúp máy chủ MEC tiếp tục giảm tải một số tác vụ tính toán cho các máy chủ MEC khác hoặc đến các trung tâm dữ liệu đám mây quy mô lớn Đối với các MD không thể giao tiếp trực tiếp với máy chủ MEC do kênh truyền gặp sự cố, giao tiếp D2D với các thiết bị lân cận có thể cung cấp chức năng chuyển tiếp các tác vụ tính toán đến máy chủ MEC

Với những ưu điểm và kiến trúc linh hoạt, chúng ta dễ dàng nhận thấy MEC là kỹ thuật phù hợp cho các ứng dụng IoT có yêu cầu khắt khe về thời gian trễ như xe tự hành, IoT công nghiệp (Industrial Internet of Things - IIoT), VR/AR hay giao thông thông minh [18] … Xét một ví dụ về ứng dụng MEC trong xe tự hành (self-driving vehicle - SDV) Trong tương lai, tại các giao lộ lớn có đến hàng ngàn SDV cùng tham gia lưu thông Nếu thông tin từ tất cả các cảm biến trên những SDV này truyền toàn bộ lên máy chủ đám mây để xử lý thì có thể gây ra hiện tượng nghẽn mạng, và những phản hồi từ máy chủ đám mây về SDV để đưa ra các phản ứng có độ trễ cao Trong khi yêu cầu bức thiết nhất từ những SDV là phản ứng theo thời gian thực để có thể đảm bảo an toàn cho người dùng và các phương tiện khác Vì vậy, việc triển khai MEC sẽ là chìa khóa để hiện thực hóa ứng dụng này Với khả năng xử lý tại chỗ và sự hỗ trợ của các máy chủ MEC tích hợp tại trạm thu phát di động đặt cố định bên đường (Roadside Unit - RSU), SDV có thể đưa ra các quyết định di chuyển tức thì Hơn nữa, MEC được triển khai dựa trên nền tảng phần mềm ảo hóa, cho phép một máy chủ MEC cung cấp dịch vụ điện toán cho nhiều SDV bằng cách tạo nhiều máy ảo (virtual machine - VM) để thực hiện đồng thời các tác vụ khác nhau hoặc vận hành các chức năng mạng khác nhau [5, 10]

Như vậy, có thể tổng hợp những ưu điểm của MEC như sau:

 Độ trễ thấp: MEC cho phép MD xử lý cục bộ hoặc giảm tải đến máy chủ biên lân cận một cách phù hợp, do vậy dễ dàng xử lý những tác vụ yêu cầu thời gian phản hồi nhanh với khối lượng tính toán lớn

 Cho phép xử lý dữ liệu gần nguồn: trước khi đưa lên đám mây tập trung, MEC có thể xử lý dữ liệu gần nguồn và chỉ gửi đi những dữ liệu phù hợp, có liên quan

 Tối ưu chi phí, thời gian và chất lượng: Các dịch vụ ứng dụng MEC cho phép khoanh vùng những tác vụ cần xử lý, làm giảm đáng kể lượng dữ liệu cần được lưu trữ, xử lý, tiết kiệm băng thông, và nâng cao chất lượng dịch vụ

 Khả năng mở rộng linh hoạt: mô hình MEC cho phép dễ dàng thêm vào các nút mạng/thiết bị biên để mở rộng phạm vi quy mô và năng lực mạng mà không làm ảnh hưởng đến toàn bộ phần còn lại

 Tăng cường tính bảo mật: các cơ chế phân chia dữ liệu để tính toán cục bộ hoặc giảm tải dựa trên yêu cầu về độ bảo mật giúp MEC đảm bảo sự an toàn thông tin hơn các mô hình điện toán cũ

1.1.2 Phương thức hoạt động trong mạng MEC Đứng ở góc độ người dùng, hoạt động quan trọng nhất khi triển khai MEC là vấn đề giảm tải Bởi rõ ràng, các MD không đủ tài nguyên năng lượng và tính toán để tự mình hoàn thành tác vụ yêu cầu tính toán lớn theo thời gian thực [19] Hơn nữa, việc ứng dụng giảm tải tính toán trong mô hình MEC có thể tăng tốc quá trình tính toán và/hoặc tiết kiệm năng lượng tiêu tốn Một ứng dụng MEC có sử dụng giảm tải tính toán sẽ thực hiện đánh giá hệ thống để quyết định xem có giảm tải hay không và nếu có thì nên giảm tải bao nhiêu và giảm tải những gì

Như vậy, về cơ bản, một quyết định về giảm tải tính toán có thể dẫn đến ba trường hợp giảm tải như hình 1.2

Hình 1.2: Các quyết định giảm tải của MD trong mô hình MEC

 Tính toán cục bộ: Toàn bộ tác vụ của MD được thực thi cục bộ và quá trình offloading không diễn ra Một số lí do có thể là tài nguyên máy chủ MEC không sẵn sàng, đường truyền dữ liệu không dây bị can nhiễu quá lớn, độ bảo mật của máy chủ MEC không đảm bảo, hoặc đơn giản là các MD có thể tự hoàn thành tác vụ của mình mà không cần trợ giúp từ máy chủ MEC [5, 13]

 Giảm tải hoàn toàn: Ngược lại, mô hình này biểu diễn toàn bộ tác vụ được chuyển đến cho máy chủ MEC xử lý Máy chủ MEC đảm nhận nhiệm vụ tính toán toàn bộ dữ liệu giảm tải, sau đó phản hồi các kết quả về cho các

MD Người ta gọi chung chiến lược lựa chọn một trong hai cơ chế giảm tải, hoặc tính toán cục bộ, hoặc giảm tải toàn bộ, là “giảm tải nhị phân” [20]

Tổng quan tình hình nghiên cứu trong và ngoài nước

Trong phần này, NCS trình bày các nghiên cứu trong và ngoài nước liên quan đến mạng MEC và các kỹ thuật kết hợp trong mạng này Ở Việt Nam, nghiên cứu về MEC đang được triển khai ở một số nhóm nghiên cứu, tập trung vào việc đề xuất các kiến trúc MEC, các giao thức truyền thông và quản lý tài nguyên [29-31] Các thông tin và diễn giải chi tiết về điện toán biên được trình bày trong [29] Cụ thể, các tác giả đã phân tích ưu nhược điểm của điện toán biên, những lợi ích khi triển khai tính toán biên, các giai đoạn phát triển và các dịch vụ, ứng dụng cụ thể có thể triển khai kỹ thuật này Bài báo [30] giới thiệu một cơ chế giảm tải để cân bằng giữa năng lượng tiêu thụ và yêu cầu trễ của người dùng biên với các lưu lượng đầu vào khác nhau Trong khi đó, các tác giả trong [31] đã đề xuất giao thức giảm tải luân phiên cho thiết bị biên nhằm tối ưu năng lượng tổng thể và thỏa mãn các điều kiện ràng buộc về độ trễ và khả năng tính toán

Trong khi đó, trên thế giới, các nghiên cứu về MEC chú trọng ở những ứng dụng trong lĩnh vực IoT, trí tuệ nhân tạo và xe tự hành [32-35] Nghiên cứu [32] cung cấp khảo sát toàn diện về MEC trong IoT, bao gồm kiến trúc mạng, ưu điểm, mục tiêu, công nghệ truy cập, mẫu triển khai, đặc điểm, phương pháp tiếp cận AI, thách thức bảo mật, tấn công, giải pháp, ứng dụng và nhiều vấn đề mở khác Nghiên cứu [33] đề xuất sơ đồ giảm tải tác vụ hiệu quả cho nhiều thiết bị trong mạng MEC IoT dày đặc Bài toán tối ưu quyết định giảm tải được giải quyết dựa trên lý thuyết trò chơi Các thí nghiệm mô phỏng sử dụng dữ liệu thực tế từ khu vực trung tâm thành phố Melbourne của Úc đã xác nhận tính hiệu quả của thuật toán đề xuất

Trong nghiên cứu [34], các tác giả trình bày các đặc điểm cụ thể của MEC khi áp dụng cho mạng lưới xe tự hành thời gian thực với các tiêu chí về tính khả dụng, phạm vi phủ sóng của mạng, độ tin cậy và mất kết nối mạng, xử lý dữ liệu lớn và giảm tải tác vụ Nghiên cứu về mạng tương tự được trình bày trong [35], với một hệ thống nhiều phương tiện tự hành được hỗ trợ bởi MEC Các ứng dụng được mô hình hóa dưới dạng các nhiệm vụ con phụ thuộc lẫn nhau với các biểu đồ nhiệm vụ ngẫu nhiên, rất khác với hầu hết các giả thuyết về tác vụ độc lập Thuật toán tối ưu hóa đa tác nhân dựa trên Lyapunov thời gian thực được đề xuất để giải quyết bài toán tối ưu tài nguyên tính toán khác nhau trong máy chủ MEC

Bên cạnh đó, các thế hệ mạng mới ra đời đều có mối liên hệ mật thiết với sự phát triển của các kỹ thuật đa truy cập Thật vậy, các kỹ thuật đa truy cập trực giao (orthogonal multiple access – OMA) ra đời đã hiện thực hóa các thế hệ mạng 1G đến 4G Gần đây, kỹ thuật đa truy cập phi trực giao (Non-orthogonal Multiple Access - NOMA) nổi lên như là ứng viên sáng giá cho mạng 5G với khả năng hỗ trợ số lượng người dùng lớn, tốc độ siêu cao và hiệu quả sử dụng phổ vượt trội so với OMA Các kỹ thuật được sử dụng trong hệ thống NOMA là:

 Kỹ thuật mã hóa xếp chồng (Superposition coding - SCd): là kỹ thuật triển khai ở máy phát, thực hiện truyền thông tin đến nhiều người dùng đồng thời từ một nguồn phát bằng cách chồng chập các tín hiệu phát với các mức công suất phát khác nhau

 Kỹ thuật triệt can nhiễu liên tiếp (Successive interference cancellation - SIC): là kỹ thuật được triển khai ở máy thu Khi tín hiệu của một người dùng đã được giải mã xong thì sẽ được trừ đi trong tín hiệu tổng hợp trước khi được giải mã cho người dùng tiếp theo Trong SIC, khi giải mã cho một người dùng thì những tín hiệu của các người dùng khác được xem là can nhiễu Một khi đã giải mã xong cho một người dùng thì tín hiệu can nhiễu đó được loại bỏ Người dùng có cường độ tín hiệu mạnh nhất sẽ được giải mã đầu tiên, sau đó đến người dùng có cường độ tín hiệu yếu hơn và tiếp tục triển khai như vậy

Nhiều nghiên cứu đã chứng minh việc áp dụng kỹ thuật NOMA có thể cải thiện hiệu năng hệ thống của mạng MEC [36] Nghiên cứu [36] khảo sát mạng NOMA-MEC cho đường lên và đường xuống Các kết quả nghiên cứu đã chứng minh rằng việc sử dụng NOMA có thể làm giảm độ trễ và năng lượng tiêu tán của hệ thống MEC so với các phương pháp OMA thông thường

Yang và các cộng sự đã đề xuất một cách quản lý tài nguyên thực tế hơn trong hệ thống MEC [37] Các MD được phân chia theo nhóm và thực hiện việc giảm tải nhị phân hoặc một phần cho BS sử dụng NOMA đường lên Các tác giả giải quyết bài toán tối ưu thời gian trễ tối đa cho phép và tổng mức tiêu thụ năng lượng của tất cả MD và đưa ra những ưu điểm vượt trội so với kỹ thuật đa truy cập phân chia theo thời gian (Time division multiple access - TDMA) và đa truy cập phân chia theo tần số (Frequency division multiple access - FDMA) Một mô hình tương tự đã được Wang và cộng sự đề xuất để giải quyết việc tiêu thụ năng lượng và giảm thiểu độ trễ thực thi ứng dụng của các MD [21] Các ràng buộc của bài toán tối ưu bao gồm công suất phát, tốc độ tính toán của người dùng, số chu kỳ cần thiết cho ứng dụng và tỷ lệ giảm tải Điểm chung của các mô hình được đề xuất này là được xây dựng theo kiến trúc đơn đầu vào, đơn đầu ra (single input single output - SISO) và hoạt động trên mô hình kênh Rayleigh đơn giản

Một số mô hình phức tạp hơn đã được đề xuất trong [38, 39] Wu và cộng sự đã đề xuất một mô hình NOMA nhiều người dùng cho cả đường lên và đường xuống, trong đó máy chủ biên giao tiếp với một nhóm MD [38] Trong hệ thống này, MD sử dụng đường lên để giảm tải khối lượng công việc tính toán đến BS và ngược lại, BS sử dụng đường xuống để phản hồi kết quả Các tác giả đề xuất thuật toán tối ưu hóa khối lượng công việc tính toán giảm tải để giảm thiểu độ trễ tổng thể của MT Kết quả được so sánh với LINGO, một phần mềm tối ưu hóa thương mại, cho thấy những ưu điểm của cơ chế giảm tải tính toán hỗ trợ NOMA Tuy nhiên, theo nghiên cứu [27], đường xuống chỉ truyền tín hiệu điều khiển kích thước nhỏ và đơn giản, do đó, không cần thiết để đưa vào tính toán

Ngoài ra, Wang và cộng sự [39] đã đề xuất một mô hình trong đó nhiều người dùng đồng thời giảm tải khối lượng công việc của họ cho một BS đa anten Các tác giả sử dụng phương pháp Lagrange để giải quyết vấn đề tối ưu hóa mức tiêu thụ năng lượng của MD, trong đó các biến là hệ số phân bổ tác vụ, tần số CPU tính toán cục bộ và tỷ lệ giảm tải của MD Tuy nhiên, nghiên cứu đã bỏ qua sự đóng góp của thời gian thực hiện tác vụ vào thời gian trễ tối đa của hệ thống Giả định này là không hợp lý vì máy chủ MEC thường được thiết kế có tài nguyên trung bình, do đó, cần phải xem xét đến thời gian này Hơn nữa, tác giả không mô tả cách thức lựa chọn người dùng trong giao tiếp NOMA cũng như cách thức thu được tín hiệu tốt nhất trong hệ thống đa anten

Một trong những thách thức lớn trong việc triển khai các ứng dụng MEC trong thực tế là các MD thường có nguồn năng lượng rất hạn chế Do vậy, chúng không đủ tài nguyên năng lượng để thực thi các ứng dụng đòi hỏi khối lượng tính toán lớn và thời gian trễ khắt khe Để giải quyết vấn đề này, kỹ thuật thu năng lượng vô tuyến vô tuyến (Radio frequency energy harvesting - RF EH) được đề xuất và có nhiều tiềm năng khi được tích hợp vào mạng MEC [40] Kỹ thuật này cải thiện hiệu quả năng lượng của người dùng, tăng thời lượng hoạt động cũng như đảm bảo vùng phủ sóng của mạng Trong nghiên cứu [41], Chen và các cộng sự đã đề xuất mô hình giảm tải tính toán đa tác vụ cho nhiều người dùng hỗ trợ

RF EH Các tác giả sử dụng phương pháp tối ưu hóa Lyapunov để đưa ra chính sách thu năng lượng tối ưu và lịch trình giảm tải của nhiệm vụ Một ví dụ khác, Zhang và các cộng sự trong [42] sử dụng lý thuyết trò chơi để đánh giá ảnh hưởng của kỹ thuật RF EH đối với mô hình giảm tải tác vụ trong mạng MEC Vấn đề tương tự trong [43], Wu và các cộng sự đã giải quyết bài toán phân bổ tài nguyên trong máy chủ MEC hỗ trợ EH và đã xem xét điều kiện cân bằng tải

Zeng và các cộng sự trong [44] đã đề xuất mô hình mạng MEC nhiều người dùng, trong đó mỗi người dùng có thể thu thập năng lượng từ AP không dây và giảm tải tác vụ của họ xuống máy chủ MEC đặt tại đó Các tác giả đề xuất một thuật toán nhằm tìm ra phân bổ thời gian truyền công suất tối ưu cho bài toán giảm tải nhị phân Hiệu suất của hệ thống được đánh giá vượt trội so với khi áp dụng công nghệ TDMA

Hiển nhiên là sự kết hợp của các kỹ thuật NOMA và RF EH trong mạng MEC hứa hẹn sẽ giải quyết nhiều vấn đề hơn nữa, như giảm thiểu tiêu thụ năng lượng [43, 44], giảm thiểu độ trễ thực thi [45] và tối đa hóa thông lượng [43-45, 46] Ví dụ Zhou và các cộng sự trong [45] đã đề xuất mô hình NOMA-MEC đường xuống cho nhiều người dùng Hệ thống sử dụng mô hình EH phi tuyến và có thể giảm tải nhị phân hoặc giảm tải một phần Các tác giả đề xuất thuật toán lặp và thuật toán tối ưu hóa thay thế dựa trên SCA, để tối ưu hóa hiệu suất hệ thống Tương tự, trong [46], các tác giả đã đề xuất thuật toán tối đa hóa hiệu quả tính toán cho mạng MEC không dây dựa trên NOMA đường lên với các cơ chế giảm tải tính toán một phần và nhị phân Các thuật toán tìm kiếm dựa trên vòng lặp và thay thế đã được đề xuất để giải quyết bài toán tối ưu

Trong phần tiếp theo, các nghiên cứu về tối ưu hóa mạng MEC sẽ được trình bày cụ thể.

Các vấn đề về tối ưu hóa mạng MEC

Tối ưu hóa mạng MEC đang trở thành hướng nghiên cứu thu hút nhiều sự quan tâm của giới học thuật Từ những thách thức đã liệt kê, không khó để nhận thấy việc tối ưu hóa mạng MEC tập trung vào việc thiết kế phân bổ tài nguyên, đảm bảo hai yếu tố nền tảng là thời gian trễ tối đa cho phép của hệ thống và năng lượng tiêu hao trong quá trình tính toán và truyền thông Tài nguyên chính trong hệ thống MEC là khả năng hỗ trợ tính toán, công suất và thời gian Bằng cách phân bổ tối ưu các tài nguyên đó, ngoài việc cải thiện hiệu suất hệ thống đáng kể, hệ thống cũng có thể được điều chỉnh linh hoạt hơn để đáp ứng các yêu cầu QoS cũng như sự tác động của kênh truyền vô tuyến Do đó, hai hướng thường được dùng trong thiết kế tối ưu mạng MEC là:

(i) Giải pháp tối ưu dựa trên phần mềm, trong đó các thiết bị MEC sử dụng các thuật toán tối ưu nhằm xác định các tham số hoạt động sao cho hiệu năng hệ thống là tốt nhất

(ii) Thiết kế các cơ chế hoặc giao thức hoạt động cho hệ thống MEC trong đó tích hợp các kỹ thuật tiên tiến như NOMA, RF EH, kỹ thuật lựa chọn anten, lựa chọn người dùng

1.3.1 Giải pháp tối ưu mạng MEC dựa trên phần mềm

Như đã trình bày, giải pháp này thực chất là các thuật toán, thuật toán hoặc phần mềm được cài đặt trong các thiết bị MEC, nhằm xác định thông số tối ưu cho hệ thống Vì vậy, thông thường thì các hàm mục tiêu được sử dụng để tối ưu cũng là các hàm mô tả hiệu năng hệ thống như đã trình bày trong (1.1.4), và các ràng buộc của bài toán tối ưu là các thông số chính của hệ thống

Bài toán tổng quát tối ưu SCP được phát biểu như sau:

, (1.3) trong đó, xR n biểu diễn các biến thực đại diện cho các tài nguyên được phân bổ trong hệ thống; SCP x : R n R là hàm mục tiêu dùng để đánh giá hiệu năng và cần được tối ưu; g x i ( ) : R n R và h x k ( ) : R n Rlần lượt là các bất đẳng thức và đẳng thức mô tả các ràng buộc của các biến tài nguyên Nói một cách dễ hiểu, (1.3) sẽ tìm x thỏa mãn g i  x 0,i1, ,p và h k  x 0,k 1, ,q sao cho

SCP(x) là cực đại Trong trường hợp đặc biệt, p = q = 0, bài toán trở thành tối ưu

SCP liên tục không ràng buộc

1.3.1.2 Các phương pháp giải bài toán tối ưu

- Phương pháp tìm kiếm toàn diện: còn được gọi là phương pháp vét cạn, có thể giải bài toán tối ưu chính xác [47] Đây là phương pháp chắc chắn tìm ra được lời giải tối ưu bởi nó xét duyệt toàn bộ không gian nghiệm Thông thường, thuật toán bắt đầu dò tìm và đánh giá hàm mục tiêu ở tổ hợp cận dưới tại các biến Sau đó, lần lượt các biến được tăng lên một giá trị, được gọi là độ chính xác, và tiếp tục đánh giá Tất cả các giá trị tính toán được từ hàm mục tiêu sẽ được so sánh và cập nhật để tìm ra giá trị tối ưu Tuy nhiên, phương pháp này chỉ phù hợp để giải các bài toán có không gian nghiệm tương đối nhỏ và tổ hợp nghiệm đơn giản Trong trường hợp bài toán tối ưu phức tạp, phương pháp này tiêu tốn nhiều tài nguyên tính toán và cần rất nhiều thời gian để hoàn thành, vì vậy chỉ phù hợp để làm thuật toán tham chiếu cho các thuật toán khác Giả sử hàm mục tiêu f(x) cần được xác định điểm cực tiểu, và có không gian tìm kiếm của biến x là (a, b) Thuật toán tìm kiếm toàn diện được mô tả ở Thuật toán 1.1

Thuật toán 1.1: Thuật toán tìm kiếm toàn diện

1: Khởi tạo xa, độ chính xác ε

- Phương pháp tìm kiếm một chiều: là được phát triển dựa trên kỹ thuật giới hạn vùng, được phân loại thành phương pháp chia nửa khoảng thời gian (Interval Halving method), phương pháp tìm kiếm Fibonacci (Fibonacci Search method) là phương pháp mặt cắt vàng (Golden Section Search method), như trình bày trong Thuật toán 1.2 [48] Để sử dụng phương pháp này, cần chứng minh được hàm mục tiêu phải là dạng hàm có đơn cực trị trong không gian tìm kiếm Cụ thể, kỹ thuật giới hạn vùng cho bài toán tối ưu hàm một biến được mô tả như sau Gọi x 1 và x 2 là hai điểm nằm trong (a, b), thỏa mãn x 1 < x 2 Như vậy:

 Nếu f(x 1 ) > f(x 2 ) thì nghiệm làm cho f(x) tối thiểu không nằm trong (a, x 1 )

 Nếu f(x 1 ) < f(x 2 ) thì nghiệm làm cho f(x) tối thiểu không nằm trong (x 2 , b)

 Nếu f(x 1 ) = f(x 2 ) thì nghiệm làm cho f(x) tối thiểu không nằm trong (a, x 1 ) và (x 2 , b)

Thuật toán 1.2: Thuật toán tìm kiếm một chiều

1: Khởi tạo: cận trên a, cận dưới b, Δ = b – a, độ chính xác ε

4: Áp dụng kỹ thuật giới hạn vùng cho f(x 1 ) và f(x 2 )

- Phương pháp tối ưu dựa trên đạo hàm: đây là cách tiếp cận kinh điển để giải các bài toán tối ưu Các phương pháp dựa trên đạo hàm thường sử dụng kết quả đạo hàm bậc 1, đạo hàm bậc 2 hoặc cả hai để tính toán các giá trị tối ưu, như thuật toán Newton-Raphson, phương pháp Dinkelbach, phương pháp Secant, nhưng thường dùng nhất là thuật toán bisection [49] Mặc dù vậy, trên thực tế, rất nhiều hàm mục tiêu có cấu trúc phức tạp nên việc tính toán giá trị đạo hàm là một thách thức lớn Vì vậy, phương pháp này chỉ nên được sử dụng khi giá trị đạo hàm của hàm mục tiêu là tồn tại và có thể dễ dàng tính toán Thuật toán 1.3 mô tả các bước tính toán của thuật toán tối ưu bisection

Thuật toán 1.3: Thuật toán bisection

1: Khởi tạo: Hai điểm a, b, sao cho f’(a) < 0 và f’(b) > 0, độ chính xác ε

- Phương pháp tối ưu dựa trên thuật toán tiến hóa: là phương pháp sử dụng những kỹ thuật bắt nguồn từ cơ chế tiến hóa trong tự nhiên như lai tạo, đột biến, chọn lọc tự nhiên để tìm ra quần thể tối ưu hội tụ về cá thể có khả năng thích ứng tốt nhất [50] Phương pháp này cực kì hiệu quả để giải bài toán tối ưu phức tạp với không gian nghiệm lớn Tuy nhiên, các thuật toán này đôi khi có thể hội tụ về giá trị tối ưu cục bộ, hoặc các giá trị gần với giá trị tối ưu Hơn nữa, hiệu suất của thuật toán phụ thuộc lớn vào thông số khởi tạo ban đầu, vì vậy cần xây dựng quá trình kiểm thử để chọn ra bộ tham số khởi tạo tốt nhất Thuật toán bắt đầu với các cá thể được khởi tạo ngẫu nhiên và được ước lượng tính thích nghi thông qua hàm mục tiêu Các cá thể đó sẽ được chọn lọc có định hướng từ tập hợp hiện tại, hoặc chỉnh sửa ngẫu nhiên để tạo ra cá thể mới, hình thành nên quần thể mới có tính thích nghi cao hơn Một số điều kiện dừng của thuật toán tiến hóa như giá trị tối ưu đầu ra không cải thiện qua nhiều thế hệ, hoặc tìm ra lời giải chấp nhận được, hoặc đạt đến số vòng tiến hóa tối đa Các thuật toán tiêu biểu có thể kể đến như

GA, thuật toán mô phỏng tôi luyện (Simulated Annealing - SA) và những biến thể của chúng Thuật toán 1.4 mô tả các bước của GA kinh điển

Thuật toán 1.4: Thuật toán di truyền

1: Khởi tạo: quần thể ban đầu ngẫu nhiên, chu kì tiến hóa t = 0

2: while chưa thỏa điều kiện dừng do

3: Đánh giá từng cá thể dùng hàm mục tiêu

4: Thực hiện các toán tử tiến hóa

8: return x * là cá thể có độ thích nghi cao nhất

- Phương pháp tối ưu dựa trên trí tuệ bầy đàn: Các thuật toán tối ưu dựa trên trí tuệ bầy đàn tiêu biểu có thể kể đến PSO, thuật toán đàn kiến (Ant colony optimization - ACO), bầy ong nhân tạo (Artificial bee colony algorithm - ABC) [51] Các thuật toán này dựa trên trí tuệ, kiến thức và kinh nghiệm của cả đàn để nhanh chóng tìm ra vị trí tối ưu Như vậy, các cá thể trong đàn cùng nhau chia sẻ thông tin và khám phá không gian tìm kiếm Thuật toán 1.5 mô tả các bước cơ bản của thuật toán PSO

Thuật toán 1.5: Thuật toán bầy đàn

1: Khởi tạo: quần thể ban đầu với vị trí và vận tốc ngẫu nhiên, chu kì tiến hóa t

2: while chưa thỏa điều kiện dừng do

3: Đánh giá từng cá thể dùng hàm mục tiêu

4: Di chuyển cá thể thông qua hàm vị trí và hàm vận tốc

5: Cập nhật quần thể mới

8: return x * là cá thể có độ thích nghi cao nhất

1.3.2 Giải pháp tối ưu mạng MEC dựa trên thiết kế cơ chế hệ thống

1.3.2.1 Thiết kế tối ưu mạng MEC dựa trên cơ chế NOMA và RF EH

Trong [26], Li và các cộng sự nghiên cứu hệ thống NOMA MEC với thông tin trạng thái kênh không hoàn hảo Trong mô hình hệ thống này, một cặp người dùng giảm tải nhiệm vụ của họ xuống máy chủ MEC Hiệu năng của hệ thống được đánh giá thông qua thông số thông lượng và hiệu quả năng lượng dưới ràng buộc về thời gian trễ tối đa Kết quả mô phỏng cho thấy hiệu năng của mô hình NOMA-MEC vượt trội hơn so với các hệ thống MEC hỗ trợ đa truy cập trực giao Tương tự, nghiên cứu [46] của Rauniyar và các cộng sự đề xuất mạng hợp tác RF

EH NOMA MEC Một ví dụ khác, Fang và các cộng sự trong [52] đã đề xuất và tối ưu cho mạng NOMA MEC nhiều người dùng dưới kênh Rayleigh và thông tin trạng thái kênh truyền hoàn hảo Đặc điểm chung của các mạng đơn anten qua kênh truyền Rayleigh là có ưu điểm về độ đơn giản và chi phí triển khai thấp Tuy nhiên, mô hình này cũng có một số vấn đề như tốc độ dữ liệu thấp, độ tin cậy thấp và hiệu quả sử dụng phổ tần thấp Để nâng cao hiệu năng hệ thống, việc kết hợp hai giải pháp tối ưu mạng MEC dựa trên thuật toán meta-heurictic và thiết kế giao thức đã được đề xuất Giải pháp này phù hợp với các mô hình hệ thống phức tạp cũng như không gian tìm kiếm quá lớn [51, 53-54] Ví dụ, Qian và các cộng sự trong [51] sử dụng thuật toán tương tự nhằm tối ưu hóa chiến lược giảm tải với các ràng buộc về thời gian trễ và khối lượng tính toán Hay Diao và các cộng sự trong [53] đề xuất thuật toán dựa trên PSO nhằm xác định hệ số phân bổ công suất cho mạng NOMA-MEC đa người dùng Khác với các nghiên cứu trước đó, He và các cộng sự trong [54] sử dụng thuật toán di truyền để tối ưu thời gian trễ cho hệ thống NOMA MEC V2X dưới các ràng buộc về hệ số phân bổ công suất, công suất phát và hệ số phân bổ tác vụ

1.3.2.2 Thiết kế tối ưu mạng MEC dựa trên cơ chế lựa chọn anten – lựa chọn người dùng

Vấn đề các thiết bị như BS hay AP MEC có thể được trang bị nhiều anten và phục vụ trong mạng đa người dùng cũng rất được quan tâm [55, 56] Lý do là trong mạng nhiều đầu vào và nhiều đầu ra (Multiple-Input Multiple-Output - MIMO), sự phối hợp và lựa chọn thiết bị hoạt động của các thiết bị làm nảy sinh nhiều cơ chế hoạt động khác nhau cho hệ thống Mặt khác, khi áp dụng NOMA vào hệ thống MIMO MEC, hiệu năng của các người dùng trong mạng có sự ảnh hưởng lẫn nhau [57, 58] Vì vậy, khảo sát hiệu năng theo các cơ chế lựa chọn anten/lựa chọn người dùng giúp chúng ta tìm ra được giải pháp tối ưu về mô hình hoạt động cho các hệ thống đó

Trong [59], Xia và các cộng sự đề xuất mô hình NOMA MEC với hai AP đa anten dưới kênh truyền Nakagami-m Trong đó, các tác giả sử dụng kỹ thuật lựa chọn anten hoặc kỹ thuật kết hợp tỷ lệ tối đa tại máy thu và áp dụng kỹ thuật kết hợp lựa chọn hoặc kết hợp chuyển đổi để chọn ra điểm truy cập nhằm thực hiện tính toán các tác vụ được giảm tải từ nguồn Các kết quả mô phỏng đã xác minh tính hiệu quả của phương pháp được đề xuất, đó là số lượng anten phát và tham số Nakagami có thể giúp giảm độ trễ và tiêu thụ năng lượng một cách hiệu quả, và giao thức kết hợp chuyển đổi có thể đạt được hiệu suất tương tự như giao thức lựa chọn anten với ngưỡng chuyển mạch phù hợp về độ trễ và tiêu thụ năng lượng

Trong [27], Ye và các cộng sự đề xuất mô hình NOMA-MEC đa người dùng hoạt động dưới ba cơ chế lựa chọn người dùng dựa trên khoảng cách đến

Giới thiệu

Trong chương này, NCS nghiên cứu giải pháp tối ưu về thời gian cho mạng MEC dựa trên cơ chế NOMA và thuật toán di truyền, được công bố trong các công trình [1], [2], [3] và [4]

[1] Van-Truong Truong and Dac-Binh Ha, "Secured Scheme for RF Energy

Harvesting Mobile Edge Computing Networks based on NOMA and Access Point Selection," 2020 7th NAFOSTED Conference on Information and Computer

Science (NICS), 2020, pp 7-12, doi: 10.1109/NICS51282.2020.9335833 (Hội nghị quốc tế)

[2] Van-Truong Truong, Minh-Thong Vo, Dac-Binh-Ha, “Performance

Analysis of Mobile Edge Computing Network Applied Uplink NOMA with RF Energy Harvesting” In: Vo NS., Hoang VP., Vien QT (eds) Industrial Networks and Intelligent Systems, (INISCOM), 2021 Lecture Notes of the Institute for

Computer Sciences, Social Informatics and Telecommunications Engineering, vol 379, pp 57-72, Springer, Cham https://doi.org/10.1007/978-3-030-77424- 0_6 (Hội nghị quốc tế)

[3] Truong, V T., Ha, D B., Truong, T V., & Nayyar, A (2022) Performance Analysis of RF Energy Harvesting NOMA Mobile Edge Computing in Multiple Devices IIoT Networks In International Conference on Industrial Networks and

Intelligent Systems (pp 62-76) Springer, Cham (Hội nghị quốc tế)

[4 ]Van-Truong Truong, Dac-Binh Ha, Anand Nayyar, Muhammad Bilal, Daehan Kwak, “Performance analysis and optimization of multiple IIoT devices radio frequency energy harvesting NOMA mobile edge computing networks”,

Alexandria Engineering Journal, 2023, Vol 79, pp 1-20, ISSN 1110-0168, https://doi.org/10.1016/j.aej.2023.07.025 (Tạp chí ISI – Q1) Đóng góp chính của chương 2 được liệt kê như sau:

 Đề xuất mô hình hệ thống mạng MEC với các giao thức tích hợp kỹ thuật NOMA và RF EH Cụ thể, giao thức hoạt động bốn pha cho hệ thống đường lên được thiết kế để đảm bảo ràng buộc khắc khe về thời gian trễ tối đa của hệ thống MEC (thấp hơn 10 ms) Tương tự, NCS đề xuất hai giao thức bốn pha cho hệ thống NOMA MEC đường xuống dựa trên cơ chế lựa chọn AP, đặt tên là NOMA-NAPS và NOMA-APS

 Tìm ra biểu thức dạng đóng của SCP cho hai hệ thống được đề xuất Hơn nữa, NCS cung cấp kết quả số để nghiên cứu tác động của các thông số chính trong mạng, như công suất phát, tỷ lệ chuyển mạch thời gian, độ dài tác vụ, băng thông, để xác minh khả năng triển khai RF EH NOMA hiệu quả trong mạng MEC

 Hình thành bài toán tối ưu và đề xuất giải pháp dựa trên phần mềm với thuật toán tối ưu hóa, đặt tên là MSCP-GA để xác định hệ số chuyển mạch thời gian tối ưu, sao cho SCP được tối đa hóa Kết quả mô phỏng cho thấy giao thức hoạt động và thuật toán đề xuất có thể cải thiện SCP so với cách tiếp cận truyền thống.

Mô hình hệ thống RF EH NOMA MEC đường lên

Mô hình hệ thống điện toán biên di động sử dụng NOMA đường lên có thu năng lượng vô tuyến, được trình bày trong hình 2.1 Cụ thể, trong mạng điện toán biên di động có hai người dùng có nguồn tài nguyên năng lượng và tính toán hạn chế, kí hiệu lần lượt là U 1 và U 2 Giả sử U 1 và U 2 lần lượt cần tính toán các tác vụ có độ dài L 1 bit và L 2 bit, tuy nhiên, với nguồn tài nguyên hạn chế của mình, những người dùng này không thể tự hoàn thành các tác vụ đó trong khoảng thời gian yêu cầu Giả sử trong mạng tồn tại một điểm truy cập hỗn hợp (HAP) với khả năng hỗ trợ phát năng lượng vô tuyến cho U 1 và U 2 Giả sử người dùng sử dụng toàn bộ năng lượng thu thập được để giảm tải tác vụ đến máy chủ MEC đặt tại HAP thông qua NOMA đường lên Hệ thống hoạt động dưới kênh truyền Rayleigh và tất cả các thiết bị trong mạng được trang bị đơn anten và ở chế độ bán song công Mô hình này đảm bảo ảnh hưởng lên độ trễ tổng thể gây ra bởi quá trình SIC được giảm đáng kể Hơn nữa, với những khảo sát về thiết kế hệ thống từ giải pháp hai người dùng, chúng ta cũng dễ dàng có thể thu được một giải pháp chung với nhiều người dùng hơn bằng các kỹ thuật chia cặp trong mạng NOMA

Hình 2.1: Mô hình hệ thống NOMA MEC có yếu tố thu năng lượng vô tuyến cho đường lên

Giao thức hoạt động của hệ thống NOMA MEC có yếu tố thu năng lượng vô tuyến cho đường lên được đề xuất bao gồm bốn pha Giản đồ thời gian của giao thức được trình bày trong hình 2.2, được trình bày cụ thể như sau:

Hình 2.2: Giao thức hoạt động của mạng NOMA MEC có yếu tố thu năng lượng vô tuyến cho đường lên

 Pha thu năng lượng vô tuyến: hai người dùng U 1 và U 2 thu năng lượng vô tuyến từ HAP trong khoảng thời gian  0 T , trong đó α là hệ số chuyển mạch thời gian; 01 và T là thời gian trễ tối đa cho phép của hệ thống Như vậy, năng lượng thu được trong pha này của hai người dùng được cho bởi công thức sau

E P gT (2.1) với i{1,2}, 0  1 là hệ số chuyển đổi năng lượng, P 0 là công suất phát của AP, g i là độ lợi kênh truyền U i đến HAP

 Pha giảm tải: U i áp dụng NOMA đường lên để giảm tải tác vụ đến HAP trong khoảng thời gian  1 Như vậy, dựa theo nguyên lý kỹ thuật NOMA, tín hiệu nhận được tại HAP là chồng chập của tín hiệu người dùng và có dạng như sau

MEC MEC y h P x h P x n (2.2) trong đó, h i là hệ số kênh truyền U i đến HAP, x i là tín hiệu giảm tải của người dùng U i , n MEC là nhiễu trắng cộng tính (Additive White Gaussian noise – AWGN) có trung bình bằng 0 và phương sai  2 , P i là công suất phát của người dùng U i và có công thức như sau

 , g i  h i 2 , τ là thời gian tính toán các tác vụ tại máy chủ MEC và được định nghĩa như sau:

  f  (2.4) trong đó, c là số chu kì CPU cần thiết để xử lý 1 bit đầu vào và f là tần số hoạt động của máy chủ MEC

 Pha tính toán: dựa theo nguyên tắc hoạt động của NOMA, HAP sẽ áp dụng SIC để giải mã tín hiệu thu Đầu tiên, HAP giải mã tín hiệu x i có mức công suất cao hơn và xem phần tín hiệu có công suất thấp là nhiễu; sau đó, tín hiệu x i được trừ khỏi tín hiệu thu ban đầu để giải mã tín hiệu còn lại Quá trình này được thực hiện trong thời gian  2 

 Pha thu kết quả: U i tải các kết quả tính toán từ máy chủ MEC trong khoảng thời gian  3 Vì các thông tin sau quá trình tính toán của HAP thường khá nhỏ, nên  3 rất nhỏ so với các khoảng thời gian khác và xem như được bỏ qua [27] Như vậy, SINR tại máy chủ MEC để giải mã tín hiệu x i được biểu diễn như sau:

  Độ lợi kênh truyền g i tuân theo phân phối hàm mũ với tham số  i , với

    Vì vậy, hàm phân phối tích lũy (Cumulative distribution function - CDF) và hàm mật độ xác suất (Probability density function hay - PDF) của g i được cho bởi các công thức (2.9) và (2.10)

2.2.2 Phân tích hiệu năng hệ thống MEC sử dụng NOMA thu năng lượng Để đánh giá hiệu năng của hệ thống đề xuất, NCS sử dụng thông số SCP [27, 61], kí hiệu là  S Định nghĩa 2.1 Xác suất tính toán thành công là xác suất mà tất cả các tác vụ của người dùng được xử lý thành công trong thời gian trễ cho phép T > 0

Như vậy, công thức cho  S có thể được biểu diễn như sau:

     (2.11) trong đó, t 1 và t 2 lần lượt là thời gian truyền thông của U 1 và U 2 Thời gian truyền thông này được tính dựa trên công thức Shannon:

(2.12) trong đó, W là băng thông hệ thống

Trong phần tiếp theo, NCS trình bày ba mệnh đề để đánh giá hiệu năng hệ thống

Mệnh đề 2.1 Qua kênh truyền pha-đinh Rayleigh, biểu thức dạng tường minh mô tả xác xuất tính toán thành công của người dùng U 1 ; được kí hiệu là  S U 1 trong hệ thống RF EH NOMA MEC đường lên được cho bởi công thức (2.13)

  và Q là hệ số cân bằng giữa độ phức tạp và độ chính xác tính toán

Chứng minh: Xem phụ lục A 

Mệnh đề 2.2 Qua kênh truyền pha-đinh Rayleigh, biểu thức dạng tường minh mô tả xác xuất tính toán thành công của người dùng U 2 ; được kí hiệu là  S U 2 trong hệ thống RF EH NOMA MEC đường lên được cho bởi công thức (2.14)

  và Q là hệ số cân bằng giữa độ phức tạp và độ chính xác tính toán

Chứng minh: Việc chứng minh Mệnh đề 2.2 hoàn toàn tương tự như chứng minh

Mệnh đề 2.3 Qua kênh truyền pha-đinh Rayleigh, biểu thức mô tả xác xuất tính toán thành công trong hệ thống RF EH NOMA MEC đường lên, kí hiệu là  S được cho bởi công thức (2.15)

, và Q là hệ số cân bằng giữa độ phức tạp và độ chính xác tính toán

Chứng minh: Xem phụ lục B 

2.2.3 Tối ưu hệ thống MEC sử dụng NOMA thu năng lượng đường lên

Trong phần này, NCS trình bày bài toán cực đại hóa xác suất tính toán thành công của hệ thống (maximal the successful computation probability problem - MSCP) và hướng tiếp cận để giải bài toán này

Phát biểu bài toán: Cho một mạng điện toán biên di động thu năng lượng vô tuyến sử dụng kỹ thuật NOMA cho đường lên Trong đó hai người dùng thu năng lượng từ một điểm truy cập hỗn hợp và giảm tải các tác vụ cần tính toán đến các máy chủ MEC đặt tại đó Bài toán đặt ra là xác định thông số tối ưu cho hệ thống là hệ số chuyển mạch thời gian nhằm đảm bảo hiệu năng của hệ thống, ở đây là xác suất tính toán thành công, là tối ưu

Mô hình toán học của bài toán MSCP cho hệ thống RF EH NOMA MEC đường lên hai người dùng được phát biểu như sau:

  trong đó ràng buộc (2.16b) đảm bảo tất cả các tác vụ được tính toán thành công trong thời gian trễ tối đa cho phép Ràng buộc (2.16c) mô tả điều kiện của hệ số chuyển mạch thời gian (α), vốn đóng vai trò quan trọng trong việc xác định  S

Mô hình hệ thống RF EH NOMA MEC đường xuống

Hình 2.9 mô tả mạng điện toán biên di động thu năng lượng RF, trong đó người dùng (U) có năng lượng hạn chế sẽ thực hiện thu năng lượng RF từ một trạm phát (P) và giảm tải các tác vụ của nó đến hai AP, đặt tên là AP 1 và AP 2 Do khả năng tính toán hạn chế, U không thể thực hiện cục bộ các tác vụ của nó trong thời gian trễ tối đa cho phép Do đó, U giảm tải các tác vụ của mình đến các máy chủ MEC có khả năng tính toán mạnh mẽ hơn đặt tại các AP Cụ thể, U phải tải các nhiệm vụ có tính bảo mật cao của mình xuống AP tin cậy (AP 1 ), trong khi các tác vụ không bảo mật có thể được tải xuống cả hai điểm truy cập tin cậy và không tin cậy

Hình 2.9: Mô hình hệ thống NOMA MEC có yếu tố thu năng lượng vô tuyến cho đường xuống

Hình 2.10: Giản đồ thời gian cho mạng NOMA MEC có yếu tố thu năng lượng vô tuyến cho đường xuống

Giả sử rằng U luôn thực hiện các tác vụ có độ dài L bit, mỗi tác vụ bao gồm tác vụ bảo mật L 1 -bit và tác vụ không bảo mật L 2 -bit (L 1 + L 2 = L) [27, 71] Do đó, L 1 -bit được thiết kế để giảm tải cho AP 1 để đảm bảo yêu cầu bảo mật của hệ thống Hơn nữa, do vấn đề hạn chế về nguồn năng lượng, U giảm tải các tác vụ của nó bằng cách sử dụng tất cả năng lượng thu được từ P áp dụng sơ đồ NOMA đường xuống Cuối cùng, các AP gửi kết quả tính toán cho U bằng NOMA đường lên Toàn bộ giao thức có thể chia thành bốn pha như giản đồ thời gian được mô tả trong hình 2.10

Giả sử P, U và các APs là các thiết bị đơn antenna, hoạt động ở chế độ bán song công và giao tiếp qua kênh pha-đinh Rayleigh Gọi g i , i   0,1,2 lần lượt là độ lợi kênh truyền từ P-U, U-AP 1 , U-AP 2 Tất cả các kênh truyền được mô hình hóa là các kênh Rayleigh, dó đó, CDF và PDF của g i tuân theo phân phối hàm mũ, tức là công thức (2.9) và (2.10) tương tự như ở trường hợp đường lên Trong nghiên cứu này, NCS đề xuất và phân tích hai giao thức hoạt động cho hệ thống NOMA-MEC là NOMA-NAPS và NOMA-APS Cụ thể, các giao thức được trình bày trong phần tiếp theo

Giao thức NOMA-NAPS sử dụng NOMA cho quá trình truyền thông, không xem xét đến chất lượng kênh truyền từ U đến các AP Cụ thể, trong pha thu năng lượng, U thực hiện thu năng lượng từ P trong khoảng thời gian τ 0 = αT, trong đó α là hệ số chuyển mạch thời gian, và T là thời gian trễ tối đa cho phép khi thực hiện tác vụ Trong pha giảm tải, U giảm tải tác vụ L 1 -bit (Task 1) cho AP 1 và tác vụ L 2 -bit (Task 2) cho AP 2 bằng cách áp dụng NOMA đường xuống trong khoảng thời gian τ 1 Tiếp theo, trong pha tính toán, tất cả các tác vụ giảm tải được tính toán tại các AP MEC tương ứng trong khoảng thời gian τ 2 Cuối cùng, pha phản hồi kết quả được thực hiện trong thời gian τ 3 , tức là là sau khi tính toán thành công, các AP phản hồi kết quả đã tính cho U Ở đây, rõ ràng kết quả sau quá trình tính toán là ở các AP thông thường là các thông tin điều khiển, nên có độ dài bit rất thấp, vì vậy, thời gian phản hồi thông tin τ 3 sẽ rất nhỏ so với τ 0 , τ 1 , cũng như τ 2 nên có thể được bỏ qua [54, 75]

Trong phần tiếp theo, NCS trình bày giao thức NOMA-APS dựa trên kỹ thuật NOMA và kỹ thuật lựa chọn điểm truy cập tốt nhất Các pha thu năng lượng, pha tính toán và pha phản hồi kết quả hoàn toàn giống NOMA-NAPS Điểm khác biệt là trong pha giảm tải, hệ thống xem xét đến chất lượng đường truyền từ U đến các AP để đưa ra quyết định giảm tải Nếu độ lợi kênh truyền của liên kết U-

AP 1 tốt hơn độ lợi kênh truyền của liên kết U-AP 2 thì U sẽ giảm tải toàn bộ nhiệm vụ cho AP 1 Trong trường hợp ngược lại, U thực hiện phân chia tác vụ L thành hai tác vụ con; tức là Task 1 và Task 2; và đồng thời giảm tải chúng đến AP 1 và AP 2 tương ứng bằng cách áp dụng NOMA đường xuống Mô tả toán học cho các pha được trình bày như sau Trong pha thu năng lượng, năng lượng U thu được là:

E h P gT, (2.27) trong đó, 01 là hệ số chuyển đổi năng lượng [92] P 0 là công suất phát của

P Công suất phát P T của người dùng được tính như sau:

 với τ 2i là thời gian tính toán cho L i bit tại AP i , i    1, 2 τ 2i được định nghĩa là

  f , (2.29) trong đó, c i là số chu kì CPU cần thiết để xử lý dữ liệu tại AP i , và f i là tần số hoạt động của AP i , i    1, 2

Trong giai đoạn giảm tải, khi áp dụng NOMA, U sẽ truyền tín hiệu chồng chập như sau:

1 1 2 x x   x , (2.30) trong đó, x 1 và x 2 là chuỗi dữ liệu L 1 -bits, L 2 -bits; là hệ số phân bổ công suất

AP 1 có đặc tính yêu cầu về bảo mật cao, do đó được ưu tiên phân bổ công suất lớn hơn AP 2 , vì vậy  được lựa chọn thỏa mãn điều kiện 0.5 1

Như vậy, SINR để giải mã x 1 tại AP 1 là:

SNR để giải mã x 2 tại AP 2 là:

2.3.2 Phân tích hiệu năng hệ thống

NCS tiếp tục sử dụng SCP để đánh giá hiệu năng hệ thống RF EH NOMA MEC cho đường xuống, với định nghĩa như sau:

      , (2.33) trong đó  1i là thời gian giảm tải tác vụ đến AP i

NCS trình bày 2 mệnh đề sau đây để đánh giá hiệu năng hệ thống tương ứng với hai giao thức đề xuất

Mệnh đề 2.4 Qua tác động của kênh pha-đinh Rayleigh, biểu thức chính xác dạng tường minh của xác suất tính toán thành công, kí hiệu là  S NAPS , cho hệ thống

RF EH NOMA MEC đường xuống theo giao thức NOMA-NAPS được cho bởi công thức (2.35)

Bessel sửa đổi dạng thứ 2 và bậc v th

Chứng minh: Xem Phụ lục C 

Mệnh đề 2.5 Qua tác động của kênh pha-đinh Rayleigh, biểu thức chính xác dạng tường minh của xác suất tính toán thành công, kí hiệu là  S APS , cho hệ thống

RF EH NOMA MEC đường xuống theo giao thức NOMA-APS được cho bởi công thức (2.36)

    ,  v   là hàm Bessel sửa đổi dạng thứ 2 và bậc v th

Chứng minh: Xem phụ lục D

2.3.3 Tối ưu hệ thống MEC sử dụng NOMA thu năng lượng đường lên

Dựa vào hệ thống đề xuất, bài toán MSCP với giao thức NOMA-APS được phát biểu như sau:

Dễ dàng thấy rằng vấn đề tối ưu hóa cho trường hợp đường xuống hoàn toàn tương tự như trường hợp đường lên đã trình bày trong phần 2.2.3 Trong đó ràng buộc (2.37b) đảm bảo rằng tất cả các tác vụ được xử lý trong độ trễ tối đa cho phép Ràng buộc (2.37c) mô tả điều kiện tỷ lệ chuyển đổi thời gian Do đó,

MSCP-GA được đề xuất để giải quyết vấn đề này, trong đó FF là hàm  S APS

2.3.4 Kết quả số và thảo luận

Phần này trình bày các kết quả số và thảo luận về hiệu năng hệ thống RF

EH NOMA MEC đường xuống Phương pháp Monte-Carlo được dùng để thực hiện mô phỏng, với các thông số được cho ở bảng 2.2

Bảng 2.2: Các thông số mô phỏng cho mô hình mạng RF EH NOMA MEC đường xuống

Thông số Kí hiệu Giá trị mặc định

SNR phát trung bình  0 0-30dB

Hiệu suất chuyển đổi năng lượng  0.75

Tần số hoạt động của máy chủ MEC AP 1 f 1 1 GHz

Tần số hoạt động của máy chủ MEC AP 2 f 2 1.2 GHz

Số chu kì CPU cần thiết để xử lý 1 bit đầu vào của AP 1 c 1 10

Số chu kì CPU cần thiết để xử lý 1 bit đầu vào của AP 2 c 2 5

Thời gian trễ tối đa cho phép của hệ thống T 10 ms Độ dài chuỗi tác vụ yêu cầu độ bảo mật L 1 32 Kb Độ dài chuỗi tác vụ không yêu cầu độ bảo mật cao L 2 48 Kb

Kích thước quần thể n Pop 100

Số vòng tiến hóa tối đa MaxIt 50

Trong hình 2.11 và 2.12, tác động của SNR phát trung bình ( 0 ) và hệ số chuyển mạch thời gian ( ) lên hiệu năng hệ thống được xem xét Kết luận đầu tiên có thể rút ra là việc tăng SNR phát trung bình sẽ giúp SCP tăng lên trong cả hai giao thức NOMA-APS và NOMA-NAPS Điều này có nghĩa là việc tăng công suất phát sẽ giúp cải thiện hiệu năng hệ thống Tuy nhiên, xu hướng tiếp theo của các đường cong mô tả  S khi tiếp tục gia tăng  0 sẽ là bão hòa Hình 2.11 còn chỉ rõ hiệu quả trong việc cải thiện hiệu năng hệ thống của giao thức NOMA-APS cao hơn hẳn so với NOMA-NAPS

Hình 2.11:  S theo SNR phát trung bình với các giá trị hệ số chuyển mạch thời gian khác nhau cho mô hình đường xuống

Hình 2.12 cung cấp hình ảnh trực quan về tác động của hệ số chuyển mạch thời gian Rõ ràng khi tăng hệ số α từ 0 đến 1,  S tăng dần đến mức cực đại và sau đó giảm dần về 0 Điều này có thể giải thích khi α tăng dần, người dùng U càng có nhiều thời gian để thu năng lượng và sử dụng nguồn năng lượng dồi dào đó trong quá trình truyền thông Tuy nhiên, việc tăng α quá mức sẽ dẫn đến U không còn đủ thời gian cho phép để thực hiện các giai đoạn giảm tải và tính toán, dẫn đến SCP giảm dần, và giảm về 0 khi U không thể hoàn thành tác vụ trong thời gian cho phép Một nhận xét nữa là dựa vào đồ thị, ta xác định tồn tại một hệ số chuyển mạch thời gian tối ưu α* sao cho hiệu năng hệ thống là tốt nhất Hình 2.12 cũng một lần nữa xác nhận giao thức NOMA-APS mang lại hiệu quả cao hơn trong việc cải thiện SCP

Hình 2.12:  S theo hệ số chuyển mạch thời gian với các SNR phát trung bình khác nhau cho mô hình đường xuống

Hình 2.13 và 2.14 đưa ra các khảo sát về ảnh hưởng của tỉ số tín hiệu trên nhiễu trung bình ( 0 ) và hệ số phân bổ công suất () lên hiệu năng hệ thống Nhận thấy khi tăng hệ số phân bổ công suất từ 0.5 đến 1, thì SCP có xu hướng tăng dần đến cực đại rồi giảm dần Điều này có thể được giải thích là việc tăng  quá lớn thì công suất sẽ tập trung nhiều cho tín hiệu x 1 , trong khi tín hiệu x 2 không đủ công suất, dẫn đến làm giảm hiệu năng hệ thống Một nhận xét nữa là dựa vào đồ thị, chắc chắn có tồn tại một hệ số phân bổ công suất tối ưu ρ * giúp cho hệ thống đạt được giá trị SCP lớn nhất Cả 4 trường hợp khảo sát đều xác nhận việc sử dụng giao thức NOMA-APS đem lại hiệu năng hệ thống cao hơn so với giao thức NOMA-NAPS

Hình 2.13:  S theo SNR phát trung bình với các hệ số phân bổ công suất

Hình 2.14:  S theo hệ số phân bổ công suất với các SNR phát trung bình

Hình 2.15: Thuật toán MSCP-GA hội tụ với các mức SNR phát trung bình khác nhau trong hệ thống RF EH NOMA MEC đường xuống

Hình 2.16: So sánh hiệu năng trong trường hợp sử dụng và không sử dụng thuật toán tối ưu cho hệ thống RF EH NOMA MEC đường xuống

Hình 2.15 và 2.16 cho thấy MSCP-GA hội tụ và trả về hệ số chuyển mạch thời gian tối ưu để giúp hệ thống đạt được hiệu suất vượt trội so với những trường hợp không sử dụng thuật toán tối ưu Đặc biệt, trong hình 2.16 khi khảo sát SCP của hệ thống khi sử dụng giao thức NOMA-APS với α = 0.8, việc lựa chọn ngẫu nhiên thông số này có thể làm hệ thống dừng Hay nói cách khác, việc thiết kế các thuật toán tối ưu là luôn cần thiết trong các thiết kế mạng RF EH NOMA MEC.

Giới thiệu

Trong chương này, NCS đề xuất các giải pháp tối ưu về thời gian cho mạng MEC sử dụng cơ chế lựa chọn anten và hai thuật toán meta-heuristic là GA và PSO, được công bố trong các công trình [5], [6], [7], và [8]

[5] Dac-Binh Ha, Van-Truong Truong, Tan-Loc Vo, Duy-Hung Ha, “On

Performance of Mobile Edge Computing Network with Nonorthogonal Multiple Access and Radio Frequency Energy Harvesting,” 2020, 02(39), pp 37-45, DTU

Journal of Science and Technology (Tạp chí trong nước)

[6] Ha, D B., Truong, V T., & Ha, D H., “A Novel Secure Protocol for Mobile Edge Computing Network Applied Downlink NOMA,” In International

Conference on Industrial Networks and Intelligent Systems, 2020, pp 324-336, Springer, Cham https://doi.org/10.1007/978-3-030-63083-6_25 (Hội nghị quốc tế)

[7] Van-Truong Truong, Anand Nayyar and Dac-Binh Ha, “Secured Schemes for RF Energy Harvesting Mobile Computing Networks with Multiple Antennas based on NOMA and Access Points Selection,” In Wearable and Neuronic Antennas for Medical and Wireless Applications, 2021, pp 105-133, Scrivener

Publisher (WlLEY) (Chương sách quốc tế)

[8] Ha, D B., Truong, V T., & Lee, Y., “Performance Analysis for RF Energy Harvesting Mobile Edge Computing Networks with SIMO/MISO-NOMA Schemes,” EAI Endorsed Transactions on Industrial Networks and Intelligent

Systems, 2021, 8(27), e2 DOI: 10.4108/eai.28-4-2021.169425 (Tạp chí Scopus)

Cụ thể, giải pháp thiết kế mô hình mạng NOMA MEC thu năng lượng RF, với cơ chế lựa chọn anten và điểm truy cập cho người dùng đa anten được đề xuất Trong đó, một trạm phát cung cấp năng lượng RF cho người dùng đa anten để thực hiện các nhiệm vụ giảm tải cho hai điểm truy cập không đồng bộ (AP) dựa trên NOMA qua kênh truyền Nakagami-m Người dùng triển khai một trong hai kỹ thuật phân tập thu, là kỹ thuật lựa chọn anten thu (Selection combining - SC) hoặc kỹ thuật kết hợp theo tỷ lệ tối đa (Maximal ratio combining - MRC) để thu năng lượng RF Tiếp đến, người dùng triển khai một trong hai kỹ thuật phân tập phát, là kỹ thuật lựa chọn anten phát (Transmit antenna selection - TAS) hoặc kỹ thuật phát theo tỉ lệ tối đa (Maximal ratio transmission - MRT) để giảm tải tác vụ

Lưu ý là các kỹ thuật phân tập không gian khai thác các ưu điểm của hệ thống đa anten nhằm chống lại pha-đinh kênh vô tuyến Để đạt được điều đó, khoảng cách giữa các anten trên thiết bị phải đủ lớn để đảm bảo kênh khác nhau trên các anten khác nhau sẽ có độ tương quan thấp Kỹ thuật đa anten cho phép định hình búp sóng anten tổng, làm tối đa hóa độ lợi anten theo một hướng nhất định nhằm giảm nhiễu Hơn nữa, kỹ thuật này tạo ra nhiều kênh song song làm tăng khả năng sử dụng băng thông trong mạng vô tuyến Các kỹ thuật SC/TAS chỉ đơn giản ước tính cường độ tín hiệu tức thời trong các anten thu/phát, sau đó chọn lựa anten có tín hiệu mạnh nhất Rõ ràng đây không phải là hướng tiếp cận tối tối ưu, tuy nhiên do tính đơn giản nên có thể được sử dụng trong nhiều trường hợp khi cần giảm bớt các yêu cầu phần cứng Ngược lại, kỹ thuật MRC/MRT huy động khả năng làm việc của tất cả anten trong thiết bị nhằm gia tăng SNR Hơn nữa, bằng cách lựa chọn các trọng số phù hợp tại các anten khác nhau, MRC/MRT còn có thể điều chỉnh pha tín hiệu và triệt nhiễu rất tốt

Tiếp đến, NCS trình bày các biểu thức dạng tường minh về SCP của hệ thống NCS phát biểu bài toán tối đa hóa SCP hệ thống dưới ràng buộc về thời gian trễ tối đa cho phép và các điều kiện về hệ số chuyển mạch thời gian, hệ số phân bổ năng lượng và hệ số giảm tải tác vụ Theo đó, NCS đề xuất sử dụng hai thuật toán, đặt tên là MSCP-GA và MSCP-PSO để giải quyết bài toán tối ưu Đây là các thuật toán thuộc lớp tối ưu meta-heuristic, có thể cung cấp các giải pháp chấp nhận được trong thời gian hợp lý và cho phép tìm kiếm trong không gian lớn, và phức tạp Mô phỏng Monte-Carlo được sử dụng để xác minh tính đúng đắn của nghiên cứu này

Những đóng góp chính của chương 3 được liệt kê như sau:

 Đề xuất giải pháp tối ưu hóa mạng MEC với giao thức tích hợp kỹ thuật NOMA, RF EH, lựa chọn anten và lựa chọn AP cho người dùng đa anten

Cụ thể, giao thức hoạt động bốn pha của hệ thống được đề xuất bằng cách kết hợp kỹ thuật phân tập thu, tức là SC/MRC, để thu năng lượng và kỹ thuật phân tập phát, tức là TAS/MRT, để giảm tải tác vụ Theo đó, NCS suy ra các biểu thức dạng đóng của SCP tương ứng với các cơ chế này bằng cách sử dụng phương pháp Gaussian-Chebyshev

 Đề xuất hai giải pháp dựa trên phần mềm với các thuật toán tối ưu hóa meta-heuristic, đặt tên là MSCP-GA, và MSCP-PSO, để xác định bộ tham số tối ưu (bao gồm hệ số phân bổ công suất, hệ số phân bổ dữ liệu và thời gian tỷ lệ chuyển đổi) để tối ưu hóa SCP cho hệ thống Tiếp đến, chương này so sánh giải pháp được đề xuất với một cách tiếp cận không sử dụng thuật toán tối ưu để làm rõ tính hiệu quả của các thuật toán đề xuất.

Mô hình hệ thống RF EH NOMA MEC cho người dùng đa anten

Phần này trình bày và phân tích mô hình hệ thống MEC người dùng đa anten thu năng lượng vô tuyến sử dụng NOMA dưới tác động của kênh truyền Nakagami-m, như biểu diễn trong hình 3.1 Cụ thể, một người dùng đa anten (U) thu năng lượng không dây từ trạm phát năng lượng (P) và giảm tải tác vụ đến hai điểm truy cập không dây (AP) không đồng nhất Giả sử các thiết bị trong mạng hoạt động ở chế độ bán song công, P và các MEC AP là thiết bị đơn anten, AP 1 có độ tin cậy cao trong khi AP 2 có độ tin cậy thấp hơn Mô hình đề xuất phù hợp với các ứng dụng thiết bị IoT cầm tay, hay xe tự hành [58, 72] Ví dụ trong nghiên cứu [58], Tao và các cộng sự xây dựng hệ thống Outlet trong đó các thiết bị nhận sự trợ giúp về tính toán của nhiều thiết bị lân cận khác như điện thoại thông minh, máy tính bảng, laptop, và Wi-Fi APs theo cơ chế MEC Hay trong nghiên cứu [72], hệ thống mạng giao tiếp trong giao thông (Vehicle-to-Everything - V2X) được triển khai, trong đó các phương tiện di chuyển trong mạng có thể nhận sự hỗ trợ tính toán từ nhiều điểm truy cập trên đường (Road side unit - RSU) để phân tích tình trạng giao thông theo thời gian thực sử dụng cơ chế MEC Những ví dụ điển hình ở trên cho thấy các thiết bị biên thường bị giới hạn về năng lượng và tài nguyên tính toán, nhưng phải đảm nhận xử lý các tác vụ nặng trong thời gian rất hạn chế

Hình 3.1: Mô hình hệ thống RF EH NOMA MEC đường xuống cho người dùng đa anten

NCS tiếp tục mô tả mô hình hệ thống như sau Giả sử U cần xử lý tác vụ có chiều dài L bit, tuy nhiên, do giới hạn về mặt năng lượng nên U không thể tính toán cục bộ Vì vậy, U sử dụng một trong hai kỹ thuật phân tập thu SC hoặc MRC để thu năng lượng từ P, và dùng toàn bộ năng lượng này để giảm tải tác vụ đến các MEC AP sử dụng kỹ thuật phân tập phát TAS hoặc MRT Giả sử chuỗi bit tác vụ cần thực thi là độc lập theo từng bit và có thể chia thành các nhóm nhỏ hơn không phụ thuộc nhau [53, 54, 61] Do đặc tính bảo mật của hệ thống, AP 1 sẽ được ưu tiên lựa chọn để giảm tải, và AP 2 được sử dụng để đảm bảo hiệu năng của hệ thống nếu cần thiết [61] Như vậy, L bit sẽ được phân chia thành Task 1 với L 1 bit cần độ bảo mật cao và sẽ giảm tải đến AP 1 , trong khi L 2 = L - L 1 bit còn lại, được gọi là Task 2, sẽ được giảm tải đến AP 2

Gọi h 0n , h n1 , và h n2 (1 ≤ n ≤ N) lần lượt là hệ số kênh truyền từ P đến anten n của U, từ anten n của U đến AP 1 , và từ anten n của U đến AP 2 Trong đó, h V (V

∈ {0n, n1, n2}) là các biến ngẫu nhiên tuân theo phân bố Nakagami-m với tham số m Q (Q ∈ {PU, UAP 1 , UAP 2 }) Giản đồ thời gian hoạt động của hệ thống đề xuất được cho trong hình 3.2

Hình 3.2: Giản đồ thời gian giao thức hoạt động hệ thống RF EH NOMA MEC cho người dùng đa anten

NCS đề xuất giao thức sử dụng kỹ thuật APS cho mạng RF EH NOMA MEC người dùng đa anten gồm bốn pha được như sau:

 Pha thu năng lượng: U sẽ sử dụng SC hoặc MRC để thu năng lượng từ P trong khoảng thời gian  0 T, trong đó là hệ số chuyển mạch thời gian và T là thời gian trễ cho phép tối đa của hệ thống Nếu hệ thống được tích hợp hoạt động dưới thuật toán tối ưu, U sẽ sử dụng thông số hệ số chuyển mạch thời gian tối ưu α * cho pha này

 Pha giảm tải: dựa vào thông tin trạng thái kênh truyền và kỹ thuật TAS hay MRT được lựa chọn, U sẽ lựa chọn MEC AP phù hợp để giảm tải tác vụ trong khoảng thời gian  1 sử dụng NOMA đường xuống theo Giao thức

 Pha tính toán: Sau khi quá trình truyền thông diễn ra thành công, AP 1 and

AP 2 sẽ sử dụng kỹ thuật SIC để giải mã tín hiệu nhận được, sau đó tính toán các tác vụ tương ứng trong khoảng thời gian  2

 Pha tải dữ liệu: Sau khi tính toán thành công, các MEC AP sẽ phản hồi kết quả tính toán về U trong khoảng thời gian  3 Các kết quả tính toán này thường rất đơn giản và ngắn gọn, vì vậy có thể được truyền tải trong thời gian rất ngắn, do đó xem như  3 rất nhỏ hơn so với  0 ,  1 và  2 và có thể bỏ qua [73]

Giao thức 3.1: Giao thức APS cho hệ thống RF EH NOMA MEC đường xuống cho người dùng đa anten

1: switch (Kỹ thuật phân tập phát)

2: case (TASA scheme) then 1max n 1 2 , n 2 2

3: case (TASB scheme) then Y  h n 1 2 , Z  1 max   n N  h n 2 2 

7: AP 1 được lựa chọn để giảm tải

8: U giảm tải L-bit đến AP 1

10: U phân chia L-bit thành L 1 -bit (Task 1) và L 2 -bit (Task 2)

11: Áp dụng NOMA, U giảm tải Task 1 đến AP 1 và Task 2 đến AP 2

Trước khi quá trình truyền thông diễn ra, U chọn một trong bốn cơ chế được mô tả trong bảng 3.1 cho hệ thống hoạt động Trong trường hợp sử dụng phương pháp tối ưu, U sử dụng một trong hai thuật toán tối ưu, tức là Thuật toán 3.1 hoặc

Thuật toán 3.2, để xác định tập tham số tối ưu của hệ thống

Bảng 3.1: Các cơ chế hoạt động của mô hình hệ thống RF EH NOMA MEC cho người dùng đa anten

STT Cơ chế thu năng lượng và giảm tải Tên cơ chế

Phần tiếp theo mô tả các công thức toán học cụ thể cho từng pha hoạt động của hệ thống

Trong pha này, U thu năng lượng từ P sử dụng SC hoặc MRC Khi sử dụng kỹ thuật SC, U lựa chọn một anten sao cho đường truyền từ anten đó đến P có độ lợi kênh truyền lớn nhất Như vậy, anten n được lựa chọn trong trường hợp này được cho bởi công thức 3.1

(3.1) Đối với trường hợp sử dụng kỹ thuật MRC, tất cả các anten của U được sử dụng để thu năng lượng Năng lượng U thu được trong thời gian  0 T được cho bởi công thức:

E h P X T (3.2) trong đó, 01 là hệ số chuyển đổi năng lượng, P 0 là công suất phát của P, và

X là độ lợi kênh truyền của đường truyền P – U, và được cho bởi các công thức:

Công suất phát P T được cho bởi công thức:

  f là thời gian tính toán L i bit tại AP i, c i là số chu kì CPU cần thiết để xử lý một bit đầu vào tại AP i , và f i là tần số hoạt động CPU của AP i

Trong quá trình giảm tải, U áp dụng kỹ thuật NOMA để giảm tải tác vụ với tín hiệu chồng chập được cho bởi công thức 3.5

1 1 2, x x   x (3.5) trong đó, x 1 và x 2 tương tứng là Task 1 có chiều dài L 1 -bits và Task 2 có chiều dài L 2 -bits;  là hệ số phân bổ năng lượng Do AP 1 được trang bị để thực hiện những tính năng bảo mật tốt hơn AP 2 , nên AP 1 được ưu tiên phân bổ nhiều công suất hơn và  được lựa chọn để thỏa mãn điều kiện 0.51

Như vậy, tín hiệu nhận được tại AP 1 và AP 2 từ anten n của U được cho bởi công thức sau đây:

 1 1 2  , ni T T ni ni y  P x   P x h  (3.6) trong đó,  ni  CN 0, 2 biểu diễn cho AWGN tại các AP, i    1, 2

Trong trường hợp U sử dụng cơ chế TAS A, một anten n A của U được lựa chọn cho quá trình truyền thông dựa vào độ lợi công suất kênh truyền U-AP 1 lớn nhất Như vậy, anten này được lựa chọn nhờ công thức sau

Trong trường hợp này, độ lợi kênh truyền của đường truyền U-AP 1 , U-AP 2 được cho như sau:

Trong trường hợp U sử dụng kịch bản TAS B, một anten n B của U được lựa chọn cho quá trình truyền thông dựa vào độ lợi công suất kênh truyền U-AP 2 lớn nhất Như vậy, anten này được lựa chọn nhờ công thức sau

Trong trường hợp này, độ lợi kênh truyền của đường truyền U-AP 1 , U-AP 2 được cho như sau:

Trong trường hợp U sử dụng kịch bản MRT, tất cả các anten của U đều được sử dụng trong quá trình truyền thông Như vậy, độ lợi kênh truyền của đường truyền U-AP 1 , U-AP 2 được cho như sau:

Trong pha tính toán, các MEC AP giải mã tín hiệu nhận được và thực hiện tính toán các tác vụ tương ứng SINR tại AP 1 cho việc giải mã x 1 được cho bởi công thức:

1 1 1, x AP aP X Y a XY aP X Y a XY

Kết quả số và thảo luận

Phần này trình bày các kết quả số liệu mô phỏng về đánh giá và tối ưu hiệu năng hệ thống đề xuất Các thông số mô phỏng Monte Carlo được sử dụng cho ở bảng 3.2

Bảng 3.2: Các thông số mô phỏng hệ thống RF EH NOMA MEC cho người dùng đa anten

Thông số Kí hiệu Giá trị mặc định

Số lượng anten của người dùng U N 2

Hệ số kênh Nakagami m PU , m UA , m UB 3,2,1

SNR phát trung bình  0 0-30dB

Hiệu suất chuyển đổi năng lượng  0.75

Hệ số phân bổ năng lượng  0.8

Hệ số phân bổ tác vụ ε 0.4

Tần số hoạt động của MEC AP 1 f 1 5 GHz

Tần số hoạt động của MEC AP 2 f 2 3 GHz

Số chu kì CPU cần thiết để xử lý 1 bit đầu vào của AP 1 c 1 , c 2 10

Thời gian trễ tối đa cho phép của hệ thống T 10 ms Độ dài chuỗi tác L 8 Mb

Kích thước quần thể n Pop 200

Số vòng tiến hóa tối đa MaxIt 500

Hệ số ràng buộc gia tốc   1 , 2 2.05

Tác động của hệ số chuyển mạch thời gian ( ) lên hiệu năng hệ thống với các kịch bản hoạt động khác nhau được trình bày ở hình 3.3, với γ 0 = 10dB, ε 0.6,  = 0.8 Khi α tăng từ 0 đến 1, SCP có xu hướng tăng dần, sau đó giảm dần khi α tăng dần đến 1 Điều này có thể giải thích là khi α tăng lên, người dùng có thời gian để thu năng lượng đủ cho việc giảm tải tính toán Tuy nhiên khi α tăng quá cao, thời gian dành cho các pha giảm tải và tính toán là không nhiều, dẫn đến SCP giảm dần Như vậy rõ ràng tồn tại một thông số α* tối ưu mà tại đó, người dùng có thể đảm bảo hiệu năng là tốt nhất Điều này dẫn đến kết luận là việc sử dụng các thuật toán tối ưu nhằm xác định thông số phù hợp cho hoạt động của hệ thống là cần thiết

Hình 3.3: Tác động của hệ số chuyển mạch thời gian lên hiệu năng hệ thống dưới các kịch bản hoạt động khác nhau

NCS tiếp tục khảo sát ảnh hưởng của hệ số phân bổ năng lượng  đến hiệu năng hệ thống, trình bày trong hình 3.4 Các thông số mô phỏng được cho như sau γ 0 = 10dB, ε = 0.6, α = 0.2 Quan sát thấy hệ số phân bổ năng lượng tăng từ 0.5 đến 1 thì SCP sẽ tăng dần, sau đó đạt cực đại và giảm dần Điều này có thể giải thích rằng khi phân bổ năng lượng quá nhiều để truyền tín hiệu đến AP 1 thì phần năng lượng còn lại cho việc gửi tín hiệu đến AP 2 là rất ít Điều này dẫn đến gia tăng khả năng tín hiệu nhận được tại AP 2 là rất yếu và không thể giải mã, kết quả sẽ làm suy giảm hiệu năng của toàn hệ thống Một quan sát nữa dễ nhận thấy là tồn tại một hệ số phân bổ năng lượng  * nằm trong khoảng từ 0.5 đến 1 có thể giúp cho hiệu năng hệ thống đạt giá trị tối ưu

Quan sát hình 3.3 và 3.4, NCS rút ra được kết luận về việc sử dụng các kịch bản khác nhau trong hệ thống đề xuất như sau: Việc sử dụng kịch bản MRC-MRT đem lại hiệu năng cao nhất cho hệ thống, trong khi việc sử dụng kịch bản SC-TAS

B cho hiệu năng thấp nhất Lý do là kịch bản MRC-MRT đã sử dụng tối đa số lượng anten tại người dùng và phát huy được những ưu điểm của các kỹ thuật phân tập phát và phân tập thu Trong khi đó, ở kịch bản SC-TAS B, người dùng chỉ sử dụng một anten và lựa chọn kênh tốt nhất để giảm tải đến AP 2 , vốn là điểm truy cập không dây không tin cậy và không được ưu tiên trong mô hình đề xuất Như vậy, hiệu năng của hệ thống đã được khảo sát cụ thể qua 4 kịch bản Tùy thuộc vào nhu cầu sử dụng và đặc thù của ứng dụng, người dùng có thể lựa chọn kịch bản sao cho phù hợp nhất

Hình 3.4: Tác động của hệ số phân bổ năng lượng đến hiệu năng hệ thống dưới các kịch bản hoạt động khác nhau

Thí nghiệm kế tiếp khảo sát tác động của SNR phát trung bình và các cơ chế lựa chọn điểm truy cập không dây lên hiệu năng hệ thống, như hình 3.5 Dễ dàng nhận thấy việc tăng γ 0 có thể cải thiện đáng kể hiệu năng hệ thống Tuy nhiên, khi công suất phát quá lớn, SCP của hệ thống có xu hướng bão hòa Hình 3.5 cũng thể hiện so sánh giữa cơ chế APS đề xuất với cơ chế không sử dụng APS (NAPS) là tham chiếu Ở cơ chế NAPS, người dùng giảm tải tác vụ đến các AP thuần túy mà không cần quan tâm và xem xét đến trạng thái kênh truyền Kết quả cho thấy ở cả 4 cơ chế đề xuất, APS luôn đem lại hiệu năng vượt trội so với NAPS Điều này đã chứng minh tính hiệu quả trong mô hình đề xuất

Hình 3.5: Tác động của SNR phát trung bình đến hiệu năng hệ thống dưới các kịch bản hoạt động khác nhau theo hai cơ chế APS và NAPS

Hình 3.6 biểu diễn sự hội tụ của hai thuật toán MSCP-GA và MSCP-PSO Để dễ dàng quan sát tác động của các thuật toán, NCS sử dụng hàm xác suất tính toán không thành công (false computation probability - FCP) là FF FCP được định nghĩa là xác suất mà người dùng U không thể tính toán thành công các tác vụ trong khoảng thời gian cho phép Mô phỏng này cho thấy thuật toán MSCP-

PSO có thể hội tụ nhanh hơn so với thuật toán MSCP-GA, đồng thời thu được hiệu năng là tương đương Lưu ý là trong khảo sát này, mô phỏng đã thiết lập N

= 10 để mở rộng không gian bài toán

Hình 3.6: Sự hội tụ của các thuật toán tối ưu

Hình 3.7: Khảo sát hiệu năng hệ thống trong các trường hợp sử dụng thuật toán tối ưu và không sử dụng thuật toán tối ưu

Dựa vào các bộ tham số tối ưu thu được bằng cách sử dụng các thuật toán tối ưu MSCP-GA và MSCP-PSO, NCS tiến hành khảo sát hiệu năng hệ thống trong các trường hợp sử dụng thuật toán tối ưu (Optimal) và trong trường hợp không sử dụng thuật toán tối ưu (Non-optimal) Trong trường hợp không sử dụng thuật toán tối ưu, các tham số đầu vào được lựa chọn một cách ngẫu nhiên, và rất có thể việc lựa chọn ngẫu nhiên này sẽ khiến hệ thống dừng hoàn toàn Vì vậy, trong hình 3.7, các đường cong mô tả Non-optimal đã được lựa chọn sao cho hệ thống có thể hoạt động được Kết quả thu được cho thấy việc sử dụng thuật toán tối ưu đã cải thiện đáng kể hiệu năng hệ thống.

Giới thiệu

Trong những năm gần đây, WSNs đã được ứng dụng phổ biến trong nhiều lĩnh vực như nông nghiệp, công nghiệp, giám sát chăm sóc sức khỏe, kiểm soát giao thông và đóng vai trò quan trọng trong các ứng dụng Internet of Things (IoT) [77] Các nút cảm biến (sensor node - SN) trong hệ thống WSN không chỉ có nhiệm vụ thu thập dữ liệu, mà còn phải xử lý nhiều thông tin để điều khiển các cơ cấu chấp hành tương ứng [78] Một ví dụ cụ thể, các SN nông nghiệp thu thập thông tin môi trường xung quanh (như nhiệt độ, độ ẩm, áp suất…) và tính toán cục bộ để điều khiển hoạt động của các máy bơm nước trên khu vực canh tác [79] Hay ví dụ trong mạng V2X, mỗi phương tiện giao thông được coi là một SN di động, có khả năng thu thập thông tin giao thông và xử lý để đưa ra quyết định tự lái, đồng thời phối hợp với các thiết bị khác trong mạng nhằm tránh tắc nghẽn hay va chạm Tuy nhiên, WSN vấp phải nhiều thách thức trong triển khai thực tế vì nguyên nhân hạn chế tài nguyên ở các SN, cụ thể ở khả năng tính toán, năng lượng và thông lượng Chính vì vậy, MEC là một giải pháp tiềm năng có thể đáp ứng trong các ứng dụng yêu cầu tính toán rất nhiều với thời gian trễ khắt khe được triển khai tại các SN [80, 81]

Việc áp dụng mô hình MEC cho WSN đem lại nhiều ưu điểm như giảm lưu lượng truy cập qua cơ sở hạ tầng, giảm độ trễ cho các ứng dụng và nâng cao tốc độ xử lý tác vụ Tuy nhiên, giả sử một mạng MEC-WSN được triển khai với hàng ngàn SN sẽ tạo ra một lượng dữ liệu IoT khổng lồ, dẫn đến những yêu cầu về chất lượng dịch vụ như mật độ kết nối và thông lượng cực cao với độ trễ thấp Do đó, NOMA đã được áp dụng để giải quyết các vấn đề về thông lượng trong WSN, và kỹ thuật này đã chứng minh tính hiệu quả vượt trội so với các kỹ thuật OMA truyền thống [82-84]

Qua tìm hiểu, NCS nhận thấy nhiều công trình đã nghiên cứu các mô hình hệ thống tương đối đơn giản dưới kênh Rayleigh, đơn người dùng, đơn anten… và những thiết lập này là chưa sát với thực tế Do đó, chương này xem xét một mô hình WSN với hai cụm cảm biến và một AP sử dụng NOMA đường lên dưới kênh truyền Nakagami-m, được công bố trong công trình [9]

[9] V -T Truong, V N Vo, D -B Ha and C So-In, "On the System

Performance of Mobile Edge Computing in an Uplink NOMA WSN With a Multiantenna Access Point Over Nakagami-m fading," in IEEE/CAA Journal of

Automatica Sinica, vol 9, no 4, pp 668-685, April 2022, doi:

Việc nghiên cứu kênh truyền Nakagami-m đảm bảo tính tổng quát cho nghiên cứu, khi mà các kênh tryền Rayleigh, Rician và Hoyt là những trường hợp đặc biệt [85] NCS còn tập trung nghiên cứu giao thức truyền thông bằng cách kết hợp kỹ thuật phân tập thu SC/MRC, và kỹ thuật lựa chọn nút cảm biến tốt nhất (best sensor selection - BSS) hoặc lựa chọn nút cảm biến ngẫu nhiên (random sensor selection - RSS) để phát huy ưu thế của hệ thống đa người dùng, đa anten Đóng góp khoa học chính của chương này được trình bày như sau:

 Đề xuất giải pháp tối ưu kiến trúc WSN dựa trên mô hình MEC đảm bảo các ràng buộc về thời gian và năng lượng Cụ thể, hai cụm cảm biến giao tiếp với một AP đa anten bằng cách sử dụng NOMA đường lên dưới kênh truyền Nakagami-m Bằng cách kết hợp kỹ thuật SC/MRC và BSS/RSS, hệ thống có thể hoạt động theo sáu cơ chế, lần lượt được đặt tên là BSS-SC, BSS-MRC, S1-SC, S1-MRC, S2-SC, S2-MRC Theo đó, NCS phân tích các biểu thức chính xác dạng tường minh của SCP cho các cơ chế này

 Đề xuất giải pháp tối ưu dựa trên phần mềm với các thuật toán tối ưu dựa trên thuật toán tìm kiếm một chiều để xác định các thông số tài nguyên phân bổ tối ưu cho hệ thống, bao gồm hệ số phân bổ công suất phát, tỷ lệ giảm tải của SNs và tài nguyên tính toán của AP để tối đa hóa SCP trong điều kiện năng lượng tiêu tán trong mạch là thấp nhất Tiếp đến, luận án so sánh giải pháp được đề xuất với một cách tiếp cận sử dụng đạo hàm từ nghiên cứu tương tự để làm rõ tính hiệu quả của các thuật toán đề xuất.

Mô hình hệ thống NOMA MEC WSN đa anten đa người dùng

Trong mô hình WSN đa cụm cảm biến, nhiều SN được phân loại thành các cụm khác nhau để gia tăng hiệu quả sử dụng năng lượng, tăng độ tin cậy trong truyền thông mạng [86] Phần này đề xuất mô hình NOMA-MEC-WSN hoạt động dưới kênh truyền Nakagami-m cho một cặp cụm cảm biến như mô tả trong hình 4.1 [87] Cụ thể, mô hình bao gồm hai cụm cảm biến (A và B) và một máy chủ MEC đặt tại điểm truy cập không dây (AP) A có N nút cảm biến (SN) có mức độ ưu tiên cao, được kí hiệu là A n (1 ≤ n ≤ N), trong khi B có M SN có mức độ ưu tiên thấp, được kí hiệu là B m (1 ≤ m ≤ M) [88] Từ quá trình thiết kế mô hình NOMA hai cụm cảm biến, ta dễ dàng suy ra trường hợp tổng quát với nhiều cụm cảm biến hơn [89]

Giả sử các SN là thiết bị đơn anten, trong khi AP được trang bị K anten, và chúng hoạt động ở chế độ bán song công [90] Các SN đang thực thi cùng một tác vụ có chiều dài L (bit), trong đó các bit độc lập nhau và có thể được phân chia thành các nhóm riêng biệt không phụ thuộc nhau [27] Gọi T (giây) là thời gian trễ tối đa cho phép của hệ thống Do những giới hạn về khả năng tính toán và năng lượng, các SN không thể tự thực thi các tác vụ trong thời gian trễ cho phép Vì vậy, A n và B m đồng thời giảm tải tác vụ của chúng đến AP với hệ số giảm tải

    sử dụng NOMA đường lên Mô hình đề xuất phù hợp với các ứng dụng IoT đáp ứng nhanh, khi mà các SN được bố trí tại biên không chỉ giám sát môi trường mà còn thực thi nhiều tác vụ tính toán và xử lý tại chỗ Trong khi các AP sẽ đảm nhận nhiệm vụ hỗ trợ tính toán nhằm đảm bảo tính thời gian thực cho hệ thống

Hình 4.1: Mô hình hệ thống NOMA MEC WSN cho AP đa anten phục vụ đa người dùng cho đường lên

Gọi h AP A k n and k m h AP B (1n N, 1mM , 1kK ) lần lượt là hệ số kênh truyền từ anten k của AP đến SN A n và B m Các hệ số kênh truyền này được mô hình hóa như những biến ngẫu nhiên tuân theo phân phối Nakagami-m [91] Kênh truyền được mô hình hóa như vậy sẽ đảm bảo tính tổng quát và phù hợp với thực tế Trong các trường hợp hệ số Nakagami bằng 1, kênh truyền sẽ tuân theo phân phối Rayleigh, và khi hệ số này bằng

 , kênh truyền tuân theo phân phối Rician với tham số V Giả sử AP nắm toàn bộ thông tin kênh truyền ở tất cả kết nối trong hệ thống [92]

Trước khi thực hiện quá trình truyền dẫn, AP thu thập thông tin kênh truyền của toàn bộ hệ thống, từ đó lựa chọn một nút chủ (cluster head – CH), được đặt tên là A n ˆ và B m ˆ , cho mỗi cụm cảm biến để tham gia vào quá trình truyền thông

Trong khi đó, K anten của AP đồng thời nhận tín hiệu từ các SN; vì vậy, việc áp dụng các phương pháp phân tập thu có thể cho phép AP lựa chọn được kênh truyền có SNR tốt hơn Do đó, hệ thống được đề xuất có thể hoạt động theo một trong sáu cơ chế được mô tả trong bảng 4.1

Bảng 4.1: Các cơ chế hoạt động của mô hình hệ thống NOMA-MEC-WSN được đề xuất

STT Cơ chế hoạt động tại cụm cảm biến và AP Tên cơ chế

4.2.1 Các kỹ thuật lựa chọn SN tham gia quá trình truyền thông

Phần này trình bày cách thức lựa chọn CH của mỗi cụm cảm biến và anten của AP trong quá trình giao tiếp

4.2.1.1 Cơ chế lựa chọn nút cảm biến tốt nhất kết hợp lựa chọn anten thu (BSS- SC)

Khi sử dụng cơ chế BSS kết hợp kỹ thuật SC, AP chọn các anten ˆ k A and ˆ B k cho quá trình giao tiếp với hai CH (A n ˆ và B m ˆ ) dựa trên độ lợi kênh truyền NCS đề xuất sử dụng cơ chế này cho hệ thống dựa vào hai lý do:

 Kỹ thuật lựa chọn một trong K anten để truyền thông có độ phức tạp thấp nhất trong tất cả các kỹ thuật phân tập thu được triển khai tại máy thu

 Cụm cảm biến ν bao gồm một tập hợp các SN có thể được phân bố gần nhau và thực hiện các nhiệm vụ giám sát tương tự nhau [93] Hơn nữa, sử dụng cơ chế lựa chọn SN tốt nhất để truyền thông giúp giảm mức độ tiêu tốn năng lượng, tiết kiệm băng thông liên lạc và nâng cao khả năng mở rộng của WSN [94]

Công thức mô tả chỉ số anten của AP và hai CH được lựa chọn được cho như sau:

A AP A AP A k K k K n N n N k n arg max SNR h arg max h

B AP B AP B k K k K m M m M k m arg max SNR h arg max h

  (4.2) trong đó, SNR 0 là SNR trung bình [95]

4.2.1.2 Cơ chế lựa chọn nút cảm biến tốt nhất kết hợp kỹ thuật kết hợp theo tỷ lệ tối ưu (BSS-MRC)

Mặc dù BSS-SC là một kỹ thuật có độ phức tạp thấp, nhưng kỹ thuật đó không phải là giải pháp tối ưu nhất Lí do là khi chỉ có một anten tốt nhất được sử dụng, (K – 1) anten còn lại của AP sẽ không tham gia vào quá trình truyền thông và bị lãng phí Do đó, cơ chế BSS-MRC được đề xuất áp dụng trong mô hình này, trong đó, tất cả các anten của AP sẽ đồng thời hoạt động Kênh truyền có tổng SNR tức thời cao nhất trong tất cả các kết nối sẽ được chọn Các công thức mô tả chỉ số của các CH A n ˆ và B m ˆ được cho như sau:

AP A AP A n N k n N k n arg max SNR h arg max h

AP B AP B m M k m M k m arg max SNR h arg max h

4.2.1.3 Cơ chế kết hợp giữa lựa chọn nút cảm biến tốt nhất và lựa chọn nút cảm biến ngẫu nhiên Đối với hệ thống sử dụng NOMA, tín hiệu từ một SN sẽ gây nhiễu cho các tín hiệu khác, do đó, việc lựa chọn BSS cho cả hai cụm không đảm bảo đạt được hiệu quả cao về hiệu năng hệ thống Do đó, NCS xem xét kỹ thuật RSS để chọn các CH Các công thức mô tả chỉ số của các CH A n ˆ và B m ˆ được cho như sau:

Tiếp theo, NCS đề xuất một giải pháp kết hợp BSS và RSS để chọn các CH như sau: 1) Lựa chọn nút cảm biến tốt nhất cho A- Nút cảm biến ngẫu nhiên cho

B, ký hiệu là S1 và 2) Lựa chọn nút cảm biến ngẫu nhiên cho A - Nút cảm biến tốt nhất cho B, ký hiệu là S2 Kết hợp với hai phương pháp phân tập thu (SC và

MRC), hệ thống có thể hoạt động theo một trong bốn cơ chế:

 Cơ chế S1-SC: Các công thức mô tả chỉ số của anten của AP và các CH A n ˆ và B m ˆ tham gia truyền thông được cho bởi (4.1) và (4.6)

 Cơ chế S1-MRC: Các công thức mô tả các chỉ số của các CH A n ˆ và B m ˆ tham gia quá trình truyền thông được cho bởi (4.3) và (4.6)

 Cơ chế S2-SC: Các công thức mô tả chỉ số của anten của AP và các CH A n ˆ và B m ˆ tham gia truyền thông được cho bởi (4.2) và (4.5)

 Cơ chế S2-MRC: Các công thức mô tả các chỉ số của các CH A n ˆ và B m ˆ tham gia quá trình truyền thông được cho bởi (4.3) và (4.5)

Dựa trên một trong sáu cơ chế hoạt động được mô tả trong 4.2.1, NCS mô tả giao thức hệ thống trong Giao thức 4.1 Sau khi AP ước lượng thông tin kênh truyền và tính toán bộ tham số tối ưu, hệ thống bắt đầu thực hiện tất cả các tác vụ Gọi NT là số tác vụ mà hệ thống phải thực hiện Giản đồ thời gian hoạt động của hệ thống đề xuất như hình 4.2

Hình 4.2: Giản đồ thời gian giao thức hoạt động cho hệ thống NOMA MEC

Trong pha đầu tiên, AP đưa ra các quyết định lựa chọn các CH và anten của

AP tham gia truyền thông trong khoảng thời gian t 0 Trong pha thứ hai, các CH đồng thời giảm tải tác vụ của chúng đến AP sử dụng tỷ lệ phân bổ công suất và tỉ lệ giảm tải tối ưu trong khoảng thời gian t 1 Trong pha thứ ba, AP sử dụng kỹ thuật SIC để giải mã các tín hiệu chồng chập Sau đó, AP và các CH tính toán dữ liệu của chúng trong khoảng thời gian t 2 Cuối cùng, các CH tải xuống kết quả được tính toán từ AP trong thời gian t 3 Giả sử việc giao tiếp giữa các CH và các nút cảm biến khác trong cụm cảm biến đã sẽ được giải quyết [96-97] Do đó, quá trình phân tích hiệu năng hệ thống không xem xét thời gian này và thiết lập t 0 = 0 Tương tự nghiên cứu trong [5, 17, 27], t 3 được giả định là nhỏ hơn nhiều so với t 1 và t 2 và có thể bỏ qua Lí do là tài nguyên của máy chủ MEC tại AP đủ mạnh để thực hiện rất nhanh các phép tính lựa chọn tham số ban đầu Hơn nữa, kết quả tính toán trong giai đoạn tải xuống thường có kích thước nhỏ hơn nhiều so với chuỗi tác vụ bit ban đầu, do đó, các CH rất nhanh chóng thu được kết quả thông qua NOMA đường xuống

Phân tích và tối ưu hiệu năng mạng cảm biến không dây NOMA

4.3.1 Phân tích hiệu năng hệ thống

Trong phần này, NCS sử dụng tham SCP, được kí hiệu là   để đánh giá hiệu năng hệ thống Công thức toán học mô tả SCP được trình bày như sau:

Gọi T  T t  2 và T M T t 2 MEC Thay các giá trị t 1 A và t 1 B từ công thức (4.12) và (4.13) vào (4.27),   được viết lại như sau:

   , và thay các công thức (4.10) và (4.11) vào (4.28) Ta có:

Với cơ chế BSS-SC và BSS-MRC,   được trình bày trong hai Mệnh đề sau đây

Mệnh đề 4.1: Qua kênh truyền Nakagami-m, SCP của hệ thống đề xuất khi hoạt động dưới cơ chế BSS-SC được trình bày trong công thức (4.30)

. exp 1 1 , exp 1 1 scY scX scY scY scX scY scY

KM KN scX scY l l q q r r r scY r

. scY scX scY scX scX scY scY scY scX r r scX scY r

KM KN scX scY sc l l q q r a a a

Chứng minh: Xem phụ lục F

Mệnh đề 4.2: Qua kênh truyền Nakagami-m, SCP của hệ thống đề xuất khi hoạt động dưới cơ chế BSS-MRC được trình bày trong công thức (4.31)

0 exp 1 1 , exp 1 1 mrcY mrcX mrcY mrcY mrcX mrcY mrcY

mrcY mrcX mrcY mrcX mrcX mrcY scY scX r r mrcX mrcY r mrc

MA A MA A A B B B A qm lm lm qm

 , và Γ ,   là hàm Gamma không hoàn chỉnh trên

Chứng minh: Chứng minh Mệnh đề 4.2 hoàn toàn tương tự như Mệnh đề 4.1, xem Phụ lục F

Nhận xét 4.1 Qua kênh truyền Nakagami-m, SCP của hệ thống đề xuất khi hoạt động dưới cơ chế S1-SC được trình bày trong công thức (4.32)

Nhận xét 4.2: Qua kênh truyền Nakagami-m, SCP của hệ thống đề xuất khi hoạt động dưới cơ chế S2-SC được trình bày trong công thức (4.33)

Nhận xét 4.3: Qua kênh truyền Nakagami-m, SCP của hệ thống đề xuất khi hoạt động dưới cơ chế S1-MRC được trình bày trong công thức (4.34)

Nhận xét 4.4: Qua kênh truyền Nakagami-m, SCP của hệ thống đề xuất khi hoạt động dưới cơ chế S2-MRC được trình bày trong công thức (4.35)

      (4.35) Định nghĩa 4.1 Xác suất tính toán không thành công (false computation probability - FCP), được ký hiệu là F, của hệ thống đề xuất được định nghĩa là xác suất tại đó các CH không thể hoàn thành tác vụ L trong thời gian trễ tối đa cho phép Công thức mô tả FCP được cho bởi công thức [53, 54]

4.3.2 Tối ưu hóa hiệu năng hệ thống

Phần này trình bày bài toán cực đại hóa SCP của hệ thống và hướng tiếp cận để giải bài toán này

Phát biểu bài toán: Cho một mạng cảm biến không dây điện toán biên di động sử dụng kỹ thuật NOMA cho đường lên Trong đó các SN được phân chia thành

2 cụm cảm biến theo mức độ ưu tiên khác nhau Mỗi cụm cảm biến chọn một CH đại diện tham gia vào quá trình truyền thông Các CH giảm tải các tác vụ cần tính toán đến các máy chủ MEC đặt tại điểm truy cập không dây đa anten ở lân cận đó Bài toán đặt ra là xác định các thông số tối ưu cho hệ thống, là hệ số giảm tải, hệ số phân bổ công suất và tài nguyên tính toán tại AP, nhằm đảm bảo xác suất tính toán thành công là tối ưu

NCS phát biểu bài toán dưới dạng công thức toán học như sau:

Ràng buộc (4.37b) yêu cầu tổng thời gian giảm tải t 1 và thời gian tính toán t 2 không vượt quá thời gian trễ tối đa cho phép T Ràng buộc (4.37c) mô tả hệ số giảm tải tác vụ của các CH CH có thể lựa chọn một trong ba cách thức hoạt động, đó là thực hiện tính toán cục bộ hoàn toàn (  0), giảm tải hoàn toàn (  1) hoặc giảm tải một phần (0  1) Ràng buộc (4.37d) mô tả hệ số phân bổ tác vụ Ràng buộc (4.37e) đảm bảo rằng sự khác biệt giữa khả năng tính toán của SN và AP không quá lớn vì các máy chủ MEC thường được triển khai với tài nguyên vừa phải [5, 24, 53, 54] Ràng buộc (4.37f) đảm bảo lựa chọn bộ tham số tối ưu để tổng năng lượng tiêu thụ của hệ thống là nhỏ nhất Để giải quyết bài toán MSCP, NCS đề xuất sử dụng thuật toán MSCPC và

MSCPS, để xác định bộ tham số sao cho SCP đạt giá trị cực đại với năng lượng tiêu tốn thấp nhất [98] Hai thuật toán này được phát triển dựa trên thuật toán tìm kiếm một chiều, với ưu điểm luôn hội tụ và trả về giá trị tối ưu

Thuật toán 4.1: Tối ưu hóa SCP dựa trên thuật toán chop-up-and-update với năng lượng tiêu tốn thấp nhất (MSCP optimization with minimum total energy based on the chop-up-and-update algorithm - MSCPC)

2: STA Asta , Bsta , G sta , sta 0, 0,1, 0.5

3: STO Asto , Bsto , G sto , sto  1,1,5,1 

9: Tính     1 tại CP   1      A , , B G ,   và     2 tại

11: case BSS-SC: biểu thức (4.30)

12: case BSS-MRC: biểu thức (4.31)

19: else if     1     2 then STACP   2

20: else Tính E   1 tại CP   1 và E   2 tại CP   2

29: Optimalset    max ,  A * ,  B * , G * ,  *   Optimalset      1 ,  Asta ,  Bsta , G sta ,  sta 

30: Return Optimalset    max ,   A * , B * , G * ,  *  Ý tưởng của thuật toán MSCPC là lần lượt chia đôi dải tìm kiếm của các biến qua từng vòng lặp, trong đó sử dụng phép so sánh và loại trừ để loại bỏ các phần không chứa giá trị tối ưu Trong mỗi vòng lặp, MSCPC đánh giá SCP tại hai điểm CP   1     A , B , G ,   và CP   2    A   A min ,  B   B min ,  G   G min ,      min 

Trong trường hợp     1     2 , STO Asto , Bsto , G sto , sto  được cập nhật giá trị của CP   1 , ngược lại, STA Asta , Bsta , G sta , sta  được cập nhật giá trị của CP   2

Trường hợp đặc biệt khi SCP tại hai điểm đang xét là bằng nhau, thuật toán lựa chọn vị trí cập nhật sao cho mức năng lượng tiêu tốn là thấp nhất Như vậy, quá trình này giảm không gian tìm kiếm của mỗi nghiệm 2 lần, cho đến khi độ chính xác đạt được bé hơn ngưỡng cho trước Nói cách khác, không gian tìm kiếm sẽ có giá trị (0.5) * n  STO  STA  sau n vòng lặp Gọi độ chính xác của thuật toán là

      , ta có mối quan hệ:

(0.5) * n STOSTA  (4.38) trong đó,  A min , B min , G min , và   min mô tả độ chính xác của   A , B ,G, và 

NCS trình bày thuật toán thứ hai, đặt tên là MSCPS, để giải bài toán MSCP

Thuật toán này bao gồm hai bước chính:

Bước 1: Thuật toán tìm kiếm toàn bộ không gian nghiệm thảo mãn các điều kiện

(4.37) Trong mỗi vòng lặp, thuật toán đánh giá bộ tham số   A , B , , G  một lần, và cập nhật giá trị tiếp theo với độ chính xác là    A min ,  B min ,  G min ,   min  Thuật toán dừng khi thuật toán dò hết không gian tìm kiếm, tức là khi  A 1, B 1, 5

G ,   1 Như vậy, với độ chính xác là , số lượng vòng lặp cần thiết khi sử dụng thuật toán này được mô tả bởi công thức:

Bước 2: Ràng buộc về năng lượng tiêu tán tại AP và các người dùng đảm bảo bộ tham số tìm được là duy nhất

Thuật toán 4.2: Tối ưu hóa SCP dựa trên thuật toán tìm kiếm với năng lượng tiêu tốn thấp nhất (MSCP optimization with minimum total energy based on the search algorithm - MSCPS)

2: STA Asta , Bsta , G sta , sta 0, 0,1, 0.5

11: case BSS-SC: công thức (4.30)

12: case BSS-MRC: công thức (4.31)

19: if     max then Reset Optimalset

33: Tính công suất tiêu tán

Trong phần tiếp theo, NCS trình bày độ phức tạp thuật toán cho hai thuật toán đề xuất Dễ dàng nhận thấy trong thuật toán MSCPC, 4 vòng lặp for được lồng vào nhau để dò tìm không gian nghiệm gồm 4 biến, trong đó, mỗi bước lặp thực hiện giảm một nửa khoảng tìm kiếm, do đó, độ phức tạp của thuật toán này được cho bởi O  log 4   n  Thuật toán MSCPS sử dụng 4 vòng lặp để dò từng điểm trong không gian tìm kiếm 4 chiều, vì vậy độ phức tạp của nó là O n   4

Dựa trên Giao thức 4.1, hệ thống sẽ thực thi thuật toán tối ưu một lần khi quá trình giao tiếp bắt đầu NCS cũng không xem xét độ phức tạp thuật toán của việc tính toán SCP qua kênh Nakagami-m vì biểu thức dạng đóng chính xác đã được chứng minh trong Phần 4.3 Khi được triển khai trong thực tế, hệ thống sẽ sử dụng lại công thức hiện có này mà không gặp quá nhiều khó khăn.

Kết quả số và thảo luận

Bảng 4.2 trình bày các thông số dùng trong mô phỏng Monte-Carlo [53]

Bảng 4.2: Các thông số mô phỏng hệ thống NOMA MEC WSN đa anten đa người dùng

Thông số Kí hiệu Giá trị mặc định

Số lượng anten của AP K 2

Tần số hoạt động CPU của SN và AP f 100 MHz

Số chu kì CPU cần thiết để xử lý một bit đầu vào c 10

Thời gian trễ tối đa cho phép của hệ thống

Chiều dài chuỗi tác vụ L 100 Kb

Hệ số giảm tải của A n ˆ  A 0.4

Hệ số giảm tải của B m ˆ  B 0.8

Hệ số phân bổ công suất  0.55

Khoảng cách từ SN đến AP d 1

Hệ số suy hao đường truyền  2

Hình 4.3 so sánh SCP trong sáu sơ đồ: BSS-SC, S1-SC, S2-SC, BSS-MRC, S1-MRC và S2-MRC

Hình 4.3: So sánh   với các cơ chế hoạt động khác nhau

Rõ ràng các cơ chế MRC luôn đem lại SCP tốt hơn so với các cơ chế SC tương ứng Điều này được giải thích là khi hệ thống hoạt động theo các cơ chế MRC; SNR tổng thể bằng tổng SNR riêng lẻ của tất cả các tín hiệu nhận được từ

K anten và tạo ra độ lợi phân tập lớn nhất Tiếp tục quan sát hiệu năng hệ thống theo hai nhóm: nhóm cơ chế SC và nhóm cơ chế MRC Trong mỗi nhóm, cơ chế S1 có SCP tốt nhất, xếp tiếp theo là cơ chế BSS, và cuối cùng, cơ chế S2 mang lại SCP kém nhất Điều này được giải thích là khi hệ thống làm việc với NOMA, các tín hiệu có thể gây nhiễu lẫn nhau Khi tín hiệu x A được truyền đi bằng cách chọn kênh truyền tốt nhất của cụm cảm biến A đến AP, trong khi tín hiệu x B được truyền thông trên một kênh ngẫu nhiên (tức là không phải tín hiệu tốt nhất trong cụm cảm biến B), thì x B sẽ ít gây nhiễu hơn cho x A khi giải mã tại AP Điều này làm các cơ chế S1 luôn giúp hệ thống đạt được SCP cao nhất Bằng cách chọn CH ngược với sơ đồ S1, SCP của sơ đồ S2 hiển nhiên có giá trị thấp nhất Với sơ đồ BSS, mặc dù cả hai cụm cảm biến đều chọn SN tốt nhất của chúng để truyền thông, nhưng tín hiệu mạnh từ B m ảnh hưởng đến việc giải mã A n tại AP và làm giảm SCP Một nhận xét khác là   đạt giá trị bão hòa khi SNR phát rất thấp (dưới

10 dBm), điều này cho thấy hệ thống đề xuất phù hợp với các ứng dụng WSN khi công suất phát của các SN rất thấp nhưng vẫn đảm bảo chất lượng truyền thông

Hình 4.4 so sánh tổng thông lượng khi hệ thống hoạt động theo cơ chế NOMA và OMA, với băng thông tiêu chuẩn là 1 Hz Theo đúng với lý thuyết, tổng thông lượng đạt được khi hệ thống hoạt động dưới cơ chế NOMA tốt hơn đáng kể so với khi sử dụng OMA

Hình 4.4: So sánh thông lượng hệ thống khi hoạt động dưới cơ chế NOMA và

OMA với băng thông 1 Hz Để dễ dàng quan sát ảnh hưởng của tỷ lệ phân bổ công suất đến hiệu năng của hệ thống, NCS sử dụng thông số FCP làm thước đo Hình 4.5 cho thấy sự tồn tại FCP tối thiểu của hệ thống (tức là, SCP tối đa) cho cả sáu cơ chế hoạt động Điểm cực tiểu FCP xuất hiện khi nằm trong khoảng từ 0.5 đến 1; điều này phù hợp với (4.8) và (4.9), khi có nhiều công sức hơn được phân bổ cho A Khi  tăng gần đến 1, tất cả công suất phát được phân bổ cho A n , trong khi B m không có đủ công suất để hoạt động, dẫn đến FCP tăng cao trở lại

Hình 4.5: FCP theo hệ số phân bổ công suất

Hình 4.6 mô tả SCP theo độ dài chuỗi tác vụ dưới các tần số hoạt động CPU của SN khác nhau Nhận thấy   giảm khi L tăng Đây là một kết quả hợp lý bởi vì khi L tăng, thời gian dành cho giai đoạn giảm tải tác vụ từ SN đến AP cũng tăng lên, kéo theo thời gian cho giai đoạn tính toán giảm xuống Do đó, cả SN và AP có khả năng sẽ không đủ thời gian để xử lý tất cả các tác vụ của mình, vì vậy SCP giảm dần Một quan sát khác là khi tần số hoạt động CPU cao hơn được sử dụng, SCP sẽ tốt hơn Lý do là khi tần số tăng lên, quá trình tính toán sẽ diễn ra nhanh hơn Với hệ thống đề xuất, khi tần số hoạt động CPU của SN tăng từ 50 MHz lên

100 MHz, mức độ cải thiện SCP là khoảng 10% Một lưu ý là độ dài tác vụ của SNs ảnh hưởng đáng kể đến hiệu năng hệ thống khi tần số hoạt động CPU của SNs thấp hơn 50 MHz, trong khi sự ảnh hưởng là không đáng kể khi SNs hoạt động ở 100 MHz Hình 4.6 còn so sánh hiệu năng hệ thống được đề xuất với các cơ chế khác nhau NCS nhận thấy rằng các cơ chế MRC luôn đạt SCP cao hơn các cơ chế SC và các cơ chế S1 luôn đạt SCP cao hơn cơ chế BSS và cơ chế S2

Tuy nhiên, sự khác biệt về SCP giữa các cơ chế SC và MRC là không lớn (chỉ xấp xỉ 1%), trong khi độ phức tạp của tính toán khi giao tiếp với các sơ đồ MRC cao hơn so với các sơ đồ SC Do đó, đối với các ứng dụng có tài nguyên hệ thống hạn chế, cần cân nhắc việc sử dụng các cơ chế SC để đạt được hiệu suất mong muốn với độ phức tạp tính toán thấp hơn so với các cơ chế MRC

Hình 4.6:   theo độ dài chuỗi tác vụ với các tần số hoạt động CPU của SN khác nhau a b

Hình 4.7:   theo SNR phát với số lượng anten của AP và số lượng SN của các cụm cảm biến khác nhau: (a.) Cơ chế SC, (b.) Cơ chế MRC

Hình 4.7 mô tả ảnh hưởng của số lượng anten (K) và số lượng SN trong mỗi cụm cảm biến (N và M) đến SCP NCS thực hiện sáu kịch bản kiểm thử như sau: 1) tất cả các thiết bị trong mạng là thiết bị đơn anten và mỗi cụm cảm biến có 1 SN; 2) tất cả các thiết bị trong mạng là thiết bị đơn anten và mỗi cụm cảm biến có 2 nút SN; 3) AP là thiết bị 2 anten, mỗi cụm cảm biến có 1 SN; 4) AP là thiết bị 2 anten, mỗi cụm cảm biến có 2 SN; 5) AP là thiết bị 2 anten; A có 1 SN và B có 2 SN (cơ chế S2); và 6) AP là một thiết bị 2 anten, A có 2 SN và B có 1

SN (cơ chế S1) Trong bốn cơ chế đầu tiên (cơ chế BSS), các giá trị (K, N, M) càng lớn thì hiệu suất hệ thống càng tốt hơn Lý do là với nhiều anten và nhiều

SN hơn trong các cụm cảm biến, xác suất hệ thống xác định được một kênh truyền đủ tốt để thực hiện truyền thông Việc này dẫn đến nhiều thời gian dành cho giai đoạn tính toán, và giúp SCP tăng lên Kết quả rất thú vị khi so sánh kịch bản 4) và 6) Mặc dù B trong kịch bản 6 có ít SN hơn và các thông số khác giống nhau, nhưng SCP lại cao hơn (S1 luôn có hiệu năng cao nhất) Trong khi đó, kịch bản 5 (sơ đồ S2) đạt được SCP thấp hơn, thậm chí thấp hơn so với các kịch bản 2) và 3)

Hình 4.7 còn cho thấy sự khác biệt giữa các nhóm cơ chế SC và MRC Ở kịch bản 2) và 3) của cơ chế SC,    có kết quả bằng nhau, điều này hoàn toàn phù hợp với công thức (30) trong Mệnh đề 1 Tuy nhiên, trong sơ đồ MRC, số lượng anten quan trọng hơn vì tất cả các anten đều tham gia vào quá trình truyền thông Do đó, K càng lớn thì SCP càng cao, như quan sát được kịch bản 3) tốt hơn trong kịch bản 2) Ảnh hưởng của băng thông đến hiệu suất hệ thống cũng được thể hiện rõ trong khảo sát này W càng cao càng tốt nhưng tác động đến SCP chỉ được thấy rõ nếu W thấp

Hình 4.8 mô tả SCP theo các giá trị G và T khác nhau Kết quả cho thấy sự khác biệt rất lớn giữa hai kịch bản thử nghiệm: 1) ứng dụng có độ trễ thấp (T = 10 ms) và 2) ứng dụng có độ trễ rất thấp (T = 5 ms) Ứng dụng (2) có   thấp hơn đáng kể vì hệ thống có ít thời gian hơn để giảm tải và tính toán công việc Khi đó, việc gia tăng G sẽ có ý nghĩa lớn khi cải thiện đáng kể hiệu năng hệ thống Các kết quả phân tích (Ana.) và kết quả mô phỏng (Sim.) trong các khảo sát đều trùng khớp đã xác minh tính đúng đắn trong phân tích a b c

Hình 4.8:   theo SNR truyền với các giá trị G khác nhau: (a.) Cơ chế BSS,

Hình 4.9 so sánh FCP trong trường hợp hệ thống sử dụng thuật toán

MSCPS và thuật toán MSCPC Để làm nổi bật hiệu năng của các thuật toán tối ưu, NCS thực hiện so sánh kết quả thu được trong nghiên cứu này với các thuật toán tối ưu trong [21] và trường hợp không sử dụng thuật toán tối ưu Để đảm bảo sự công bằng khi so sánh với nghiên cứu [21], hệ thống được thiết lập như sau: mỗi cụm cảm biến có một SN anten, AP là thiết bị là đơn anten và hệ thống hoạt động dưới kênh truyền Rayleigh Hệ số cân bằng giữa độ chính xác và độ phức tạp thuật toán được lựa chọn như sau  A min 0.01,  B min 0.01,  G min 1, và min 0.01

Hình 4.9: So sánh hiệu năng hệ thống giữa các thuật toán tối ưu, a Cơ chế SC, b Cơ chế MRC

Với bộ tham số này, kết quả cho thấy hai cơ chế SC và MRC đạt hiệu năng như nhau Hơn nữa, hiệu năng hệ thống khi sử dụng hai thuật toán được đề xuất tốt hơn hẳn so với trường hợp không sử dụng thuật toán tối ưu và tương đối tốt hơn so với giải pháp trong [21] Điều này đã làm nổi bật lên hiệu quả của thuật toán đề xuất.

Kết luận chương 4

Trong chương này, NCS đã thực hiện nghiên cứu về hệ thống MEC sử dụng NOMA đường lên dưới kênh truyền Nakagami-m cho mô hình WSN Cụ thể, các

SN được phân chia thành hai cụm cảm biến với mức độ ưu tiên khác nhau đồng thời giảm tải tác vụ đến một MEC AP đa anten lân cận đó Giao thức hoạt động 4 pha cho hệ thống được đề xuất với các pha xác định thông số mạng, pha giảm tải, pha tính toán và pha phản hồi kết quả Theo đó, NCS đề xuất giao thức truyền thông với sáu cơ chế hoạt động cho hệ thống, lần lượt đặt tên là: BSS-SC, BSS- MRC, S1-SC, S1-MRC, S2-SC và S2-MRC Đối với mỗi cơ chế, NCS tính toán và trình bày các biểu thức SCP dưới dạng tường minh chính xác

Tiếp đến, NCS phát biểu bài toán tối ưu hiệu năng cho mạng NOMA MEC WSN dưới ràng buộc thời gian trễ tối đa theo các tham số hệ số giảm tải cảu các

SN, hệ số phân bổ năng lượng và tài nguyên tính toán của AP Theo đó, NCS đề xuất hai thuật toán MSCPS và MSCPC giải quyết bài toán tối ưu Với bộ tham số tối ưu thu được từ thuật toán, NCS sử dụng để đánh giá hiệu năng hệ thống trong hai trường hợp: sử dụng thuật toán tối ưu và không sử dụng thuật toán tối ưu, đồng thời so sánh với hướng tiếp cận dựa trên đạo hàm của nghiên cứu [21] Kết quả mô phỏng cho thấy hiệu năng vượt trội của thuật toán đề xuất so với các trường hợp khác

Qua quá trình mô phỏng, NCS có thể rút ra một số giải pháp tối ưu hiệu năng hệ thống như sau:

 Giải pháp dựa trên phần mềm: Sử dụng thuật toán MSCPC hoặc thuật toán

MSCPS cho phép tìm được hệ số giảm tải và hệ số phân bổ năng lượng tối ưu cho các SN, đảm bảo các SN có thể hoạt động đúng chức năng Hơn nữa, tài nguyên tối ưu tại AP được xác định giúp tổng năng lượng tiêu tán của hệ thống là thấp nhất

 Giải pháp dựa trên thiết kế giao thức hệ thống: kết hợp kỹ thuật NOMA, sử dụng tất cả các anten của AP, kỹ thuật BSS cho cụm cảm biến A và RSS cho cụm cảm biến B, tức là cơ chế S1-MRC, tạo ra giao thức đảm bảo SCP cực đại với ràng buộc về thời gian trễ tối đa và năng lượng tiêu tốn thấp nhất.