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

TRƯỜNG ĐẠI HỌC DUY TÂN oo0oo

TRƯƠNG VĂN TRƯƠNG

LUẬN ÁN TIẾN SĨ KHOA HỌC MÁY TÍNH

CHUYÊN NGÀNH: KHOA HỌC MÁY TÍNH MÃ SỐ CHUYÊN NGÀNH: 94 80.101

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

ĐÀ NẴNG, NĂM 2024

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC DUY TÂN

oo0oo

TRƯƠNG VĂN TRƯƠNG

LUẬN ÁN TIẾN SĨ KHOA HỌC MÁY TÍNH

CHUYÊN NGÀNH: KHOA HỌC MÁY TÍNH MÃ SỐ CHUYÊN NGÀNH: 94 80.101

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

NGƯỜI HƯỚNG DẪN KHOA HỌC: 1 PGS TS HÀ ĐẮC BÌNH 2 GS.TS ANAND NAYYAR

ĐÀ NẴNG, NĂM 2024

LỜI CAM ĐOAN

Nghiên cứu sinh xin cam đoan các kết quả trình bày trong Luận án là công trình nghiên cứu của bản thân dưới sự hướng dẫn của các cán bộ nghiên cứu, và có sự đồng ý, cho phép của các cộng sự Các số liệu, kết quả được trình bày trong Luận án là hoàn toàn trung thực Các tài liệu tham khảo đều được trích dẫn đầy đủ và đúng quy định

Đà Nẵng, ngày 05 tháng 06 năm 2024

Nghiên cứu sinh

Trương Văn Trương

Cảm ơn GS.TS Anand Nayyar và TS Võ Nhân Văn, những người luôn cung cấp hướng dẫn và gợi ý hữu ích về công trình và hướng nghiên cứu của tôi

Cảm ơn trường Khoa học Máy tính vì đã cung cấp các kiến thức cần thiết và hỗ trợ tôi vô điều kiện trong mọi công tác học tập

Bên cạnh đó, tôi xin gửi lời cảm ơn chân thành đến toàn thể cán bộ trong Khoa Điện và Điện tử, trường Công nghệ, trường đại học Duy Tân, đã hỗ trợ những góp ý chuyên môn và các đề xuất có giá trị Được làm việc với tất cả các thầy cô trong khoa là niềm vui to lớn của tôi

Tôi xin gửi lời biết ơn sâu sắc nhất đến cha mẹ của tôi, những người đã sinh thành ra tôi và luôn ủng hộ vô điều kiện mọi quyết định của tôi Tôi cũng muốn cảm ơn vợ của mình, là cô Nguyễn Thị Đoan Hương, hai con gái nhỏ, các anh chị của tôi và tất cả bạn bè đã ủng hộ và động viên tôi trong suốt thời gian qua

Trương Văn Trương được tài trợ bởi Tập đoàn Vingroup – Công ty CP và hỗ trợ bởi Chương trình học bổng thạc sĩ, tiến sĩ trong nước của Quỹ Đổi mới sáng tạo Vingroup (VINIF), Viện Nghiên cứu Dữ liệu lớn, mã số VINIF.2021.TS.049

Đà Nẵng, ngày 05 tháng 06 năm 2024

Nghiên cứu sinh

Trương Văn Trương

2 Mục tiêu nghiên cứu 5

3 Nội dung nghiên cứu 5

4 Đối tượng và phạm vi nghiên cứu 6

5 Phương pháp nghiên cứu: 6

1.1 Điện toán biên di động 10

1.2 Tổng quan tình hình nghiên cứu trong và ngoài nước 19

1.3 Các vấn đề về tối ưu hóa mạng MEC 23

2.2 Mô hình hệ thống RF EH NOMA MEC đường lên 33

2.3 Mô hình hệ thống RF EH NOMA MEC đường xuống 52

2.4 Kết luận chương 2 62

CHƯƠNG 3 63

GIẢI PHÁP TỐI ƯU MẠNG ĐIỆN TOÁN BIÊN DI ĐỘNG SỬ DỤNG CƠ CHẾ LỰA CHỌN ANTEN VÀ CÁC THUẬT TOÁN META-HEURISTIC 63

3.1 Giới thiệu 63

3.2 Mô hình hệ thống RF EH NOMA MEC cho người dùng đa anten 65

3.3 Phân tích và tối ưu hiệu năng mạng RF EH NOMA MEC đường

xuống cho người dùng đa anten 74

3.4 Kết quả số và thảo luận 87

3.5 Kết luận chương 3 92

CHƯƠNG 4 94

GIẢI PHÁP TỐI ƯU MẠNG ĐIỆN TOÁN BIÊN DI ĐỘNG SỬ DỤNG CƠ CHẾ LỰA CHỌN ANTEN-NGƯỜI DÙNG VÀ THUẬT TOÁN TÌM KIẾM MỘT CHIỀU 94

4.1 Giới thiệu 94

4.2 Mô hình hệ thống NOMA MEC WSN đa anten đa người dùng 96

4.3 Phân tích và tối ưu hiệu năng mạng cảm biến không dây NOMA MEC cho đường lên 107

4.4 Kết quả số và thảo luận 115

4.5 Kết luận chương 4 122

KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 124

Kết luận 124

Hướng phát triển đề tài 125

Các công bố liên quan đến Luận án của nghiên cứu sinh 126

DANH MỤC CÁC TỪ VIẾT TẮT

5G Fifth generation Mạng không dây thế hệ thứ 5

APS Access point selection Kỹ thuật lựa chọn điểm truy cập AR Augmented Reality Thực tế ảo tăng cường

AWGN Additive white Gaussian noise Nhiễu trắng cộng tính

BSS Best sensor selection Kỹ thuật lựa chọn nút cảm biến tốt nhất

CDF Cumulative distribution function Hàm phân phối tích lũy

Đa truy cập phân chia theo tần số

GA Gentic Algorithm Thuật toán di truyền HAP Hybrid access point Điểm truy cập lai i.i.d independent and identically

distributed

Phân bố đồng nhất, độc lập

IIoT Industrial Internet of Things Mạng Internet vạn vật trong công nghiệp

IoT Internet of Things Mạng Internet vạn vật ISI inter-symbol interference Nhiễu liên kí tự

MCC Mobile Cloud computing Điện toán đám mây di dộng

MEC Mobile edge computing Điện toán biên di động MIMO Multi-input multi-output Đa đầu vào đa đầu ra MISO Multi-input single-output Đa đầu vào đơn đầu ra MSCP Maximal the successful

computation probability problem

Bài toán tối ưu hóa xác suất tính toán thành công

MRC Maximal ratio combining Kỹ thuật kết hợp theo tỷ lệ tối đa MRT Maximal ratio transmission Kỹ thuật phát theo tỉ lệ tối đa NAPS Non-Access point selection Kỹ thuật không lựa chọn điểm

truy cập tối ưu

NOMA Non-orthogonal multiple access Đa truy cập phi trực giao OMA Orthogonal multiple access Đa truy cập trực giao PDF Probability density function Hàm mật độ xác suất PSO Particle Swarm Optimization Thuật toán bầy đàn RAN Radio access network Mạng truy cập vô tuyến RF EH Radio frequency energy

harvesting

Kỹ thuật thu năng lượng vô tuyến

RSS Random sensor selection

Kỹ thuật lựa chọn nút cảm biến ngẫu nhiên

RSU Roadside Unit

Trạm thu phát di động đặt cố định bên đường

RWS Roulette wheel selection Chọn lọc bánh xe Roulette V2X Vehicle-to-Everything

Mạng giao tiếp giữa các phương tiện giao thông

VM Virtual machine Máy ảo

SC Selection Combining Kỹ thuật lựa chọn anten thu SCd Superposition Coding Kỹ thuật mã hóa xếp chồng SCP Successful computation

probability

Xác suất tính toán thành công SDV Self-driving vehicle Xe tự hành

SIC Successive interference cancellation

Kỹ thuật triệt can nhiễu liên tiếp SINR Signal to interference plus noise

ratio

Tỉ số tín hiệu trên can nhiễu SISO Single input single output Đơn đầu vào đơn đầu ra

SNR Signal to noise ratio Tỉ số tín hiệu trên nhiễu TAS Transmit antenna selection Kỹ thuật lựa chọn anten phát TDMA Time division multiple access

Đa truy cập phân chia theo thời gian

TS Truncated selection Lựa chọn cắt gọt

WSN Wireless sensor network Mạng cảm biến không dây

DANH MỤC HÌNH VẼ

Hình 0.1: Mô hình các lớp chức năng trong điện toán đám mây 1

Hình 0.2: Nhược điểm của điện toán đám mây trong ứng dụng IoT 2

Hình 1.1: Mô hình các lớp chức năng trong điện toán biên di động 11

Hình 1.2: Các quyết định giảm tải của MD trong mô hình MEC 14

Hình 1.3: Ví dụ về việc triển khai ứng dụng VR với cơ chế MEC 15

Hình 2.1: Mô hình hệ thống NOMA MEC có yếu tố thu năng lượng vô tuyến cho đường lên 34

Hình 2.2: Giao thức hoạt động của mạng NOMA MEC có yếu tố thu năng lượng vô tuyến cho đường lên 34

Hình 2.3: SU1,SU2theo hệ số chuyển mạch thời gian với các giá trị SNR phát trung bình khác nhau 48

Hình 2.4: SU1,SU2theo SNR phát trung bình với các giá trị hệ số chuyển mạch thời gian khác nhau 48

Hình 2.5: S theo hệ số chuyển mạch thời gian với các giá trị SNR phát trung bình khác nhau cho mô hình đường lên 49

Hình 2.6: Stheo các giá trị chiều dài chuỗi tác vụ của người dùng U1 với băng thông khác nhau 49

Hình 2.7: Thuật toán MSCP-GA hội tụ với các mức SNR phát trung bình khác nhau trong hệ thống RF EH NOMA MEC đường lên 50

Hình 2.8: 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 lên 51

Hình 2.9: Mô hình hệ thống NOMA MEC có yếu tố thu năng lượng vô tuyến cho đường xuống 52Hình 2.10: Giản đồ thời gian cho mạng NOMA MEC có yếu tố thu năng lượng vô tuyến cho đường xuống 53Hình 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 58Hình 2.12: S theo hệ số chuyển mạch thời gian với các SNR phát trung bình khác nhau cho mô hình đường xuống 59Hình 2.13: S theo SNR phát trung bình với các hệ số phân bổ công suất 60Hình 2.14: S theo hệ số phân bổ công suất với các SNR phát trung bình 60Hình 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 61Hình 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 61

Hình 3.1: Mô hình hệ thống RF EH NOMA MEC đường xuống cho người dùng đa anten 66Hình 3.2: Giản đồ thời gian giao thức hoạt động hệ thống RF EH NOMA MEC cho người dùng đa anten 67Hình 3.3: Tác động của hệ số chuyển mạch thời gian lên hiệu năng hệ thống dưới các kịch bản hoạt động khác nhau 88Hình 3.4: Tác động của hệ số phân bổ năng lượng đến hiệu năng hệ thống dưới các kịch bản hoạt động khác nhau 89Hình 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 90

Hình 3.6: Sự hội tụ của các thuật toán tối ưu 91Hình 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 91

Hình 4.1: Mô hình hệ thống NOMA MEC WSN cho AP đa anten phục vụ đa người dùng cho đường lên 97Hình 4.2: Giản đồ thời gian giao thức hoạt động cho hệ thống NOMA MEC WSN 101Hình 4.3: So sánh  với các cơ chế hoạt động khác nhau 116Hình 4.4: So sánh thông lượng hệ thống khi hoạt động dưới cơ chế NOMA và OMA với băng thông 1 Hz 117Hình 4.5: FCP theo hệ số phân bổ công suất 118Hình 4.6:  theo độ dài chuỗi tác vụ với các tần số hoạt động CPU của SN khác nhau 119Hình 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 119Hình 4.8:  theo SNR truyền với các giá trị G khác nhau: (a.) Cơ chế BSS, (b.) Cơ chế S1, (c.) Cơ chế S2 121Hình 4.9: So sánh hiệu năng hệ thống giữa các thuật toán tối ưu, a Cơ chế SC, b Cơ chế MRC 122

DANH MỤC BẢNG

Bảng 2.1: Các thông số mô phỏng cho mô hình mạng RF EH NOMA MEC đường lên 47Bảng 2.2: Các thông số mô phỏng cho mô hình mạng RF EH NOMA MEC đường xuống 57

Bảng 3.1: Các cơ chế hoạt động của mô hình hệ thống RF EH NOMA MEC cho người dùng đa anten 68Bảng 3.2: Các thông số mô phỏng hệ thống RF EH NOMA MEC cho người dùng đa anten 87

Bảng 4.1: Các cơ chế hoạt động của mô hình hệ thống NOMA-MEC-WSN được đề xuất 98Bảng 4.2: Các thông số mô phỏng hệ thống NOMA MEC WSN đa anten đa người dùng 115

DANH MỤC CÁC KÍ HIỆU TOÁN HỌC

cν Số chu kì CPU cần thiết của thiết bị v để xử lý 1 bit dữ liệu đầu

vào

dXYKhoảng cách từ X đến Y

fvTần số hoạt động CPU của thiết bị v

mXYHệ số Nakagami-m của đường truyền từ X đến Y

N Số vòng lặp để các thuật toán dựa trên thuật toán tìm kiếm hội

tụ

gXY Độ lợi kênh truyền của đường truyền từ X đến Y

G Mức độ khác biệt về khả năng tính toán của SN và AP

hXYHệ số kênh truyền của đường truyền từ X đến Y x

t Thời gian trễ trong pha x của thiết bị v

Α Hệ số chuyển mạch thời gian 

 Hệ số giảm tải của thiết bị v

 Xác suất tính toán thành công

 Giá trị chính xác mong muốn của biến X

E Năng lượng tiêu tốn trong pha x của thiết bị v

G Mức độ chênh lệch về khả năng tính toán của MEC AP so với

SN

L Độ dài chuỗi tác vụ

N Số lượng nút cảm biến trong cụm cảm biến A

M Số lượng nút cảm biến trong cụm cảm biến B

K Số lượng anten của AP

Q Hệ số cân bằng của độ phức tạp và độ chính xác của phương

pháp Chebyshev-Gauss quadrature

PvCông suất phát của thiết bị v C

P Công suất yêu cầu để xử lý 1 bit của thiết bị v

T Thời gian trễ cho phép tối đa của hệ thống

nPop Kích thước quần thể

MaxIt Số vòng tiến hóa tối đa của các thuật toán tối ưu |.| Giá trị tuyệt đối

||.|| Giá trị chuẩn Euclidean

CN(0, 2) Phân phối Gaussian với trung bình 0 và phương sai 2argmax Miền điểm nơi các giá trị hàm được lưu trữ tối đa hóa round Hàm làm tròn

TỔNG QUAN VỀ LUẬN ÁN

1 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”

2 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

3 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

4 Đối tượng và phạm vi nghiên cứu

4.1 Đối tượng nghiên cứu của luận án

 Các hệ thống NOMA MEC với các kênh truyền vô tuyến được mô hình hóa

theo phân bố Rayleigh, Nakagami-m

 Các tiêu chí đánh giá hiệu năng hệ thống bao gồm xác suất tính toán thành công, xác suất tính toán thất bại

 Các thuật toán tối ưu, bao gồm thuật toán di truyền, thuật toán bầy đàn, thuật toán tìm kiếm một chiều

4.2 Phạm vi nghiên cứu của luận án

 Điện toán biên di động, mô hình hóa dựa trên đặc tính thống kê

5 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

6 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

7 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

Chương 1: Tổng quan về điện toán biên di động và các vấn đề tối ưu

Trong chương này, NCS trình bày các kiến thức tổng quan về mạng điện toán biên di động, các kỹ thuật được tích hợp và các vấn đề tối ưu trong mạng

Chương 2: Giải pháp tối ưu về thời gian sử dụng cơ chế NOMA và thuật toán di truyền

Trong chương này, NCS đề xuất giải pháp tối ưu về thời gian cho mạng MEC dựa trên cơ chế NOMA và thuật toán di truyền Cụ thể, bài toán tối ưu hiệu năng mạng NOMA MEC cho đường xuống và đường lên được phát biểu và giải quyết dựa trên thuật toán di truyền (Genetic algorithm - GA), đặt tên là MSCP-GA Kết quả mô phỏng Monte Carlo được sử dụng để so sánh với thuật toán tìm kiếm vét cạn cho thấy hiệu năng tương đương của MSCP-GA Bên cạnh đó, giải pháp áp dụng NOMA và kỹ thuật lựa chọn điểm truy cập không dây trong mô hình MEC cũng được khảo sát và chứng tỏ được hiệu quả so với các hướng tiếp cận truyền thống

Chương 3: Giải pháp tối ưu về thời gian sử dụng cơ chế lựa chọn anten và các thuật toán meta-heuristic

Trong chương này, NCS đề xuất các giải pháp tối ưu về thời gian sử dụng cơ chế lựa chọn anten và các thuật toán heuristic, là GA và thuật toán bầy đàn (particle swarm optimization - PSO) Cụ thể, giải pháp lựa chọn anten và điểm truy cập không dây cho hệ thống NOMA MEC đường xuống với một người dùng

đa anten thu năng lượng không dây dưới kênh truyền Nakagami-m được áp dụng

nhằm tối ưu hiệu năng mạng Theo đó, hệ thống đề xuất có thể hoạt động dưới bốn kịch bản lần lượt là: SC-TAS A, SC-TAS B, SC-MRT và MRC-MRT Kết quả mô phỏng đã dẫn đến các đề xuất về cơ chế tối ưu cho mô hình đề xuất là MRC-MRT Hơn nữa, hiệu năng của hệ thống cũng được cải thiện khi sử dụng các thuật toán tối ưu so với hướng tiếp cận lựa chọn thông số ngẫu nhiên

Chương 4: Giải pháp tối ưu thời gian và năng lượng sử dụng cơ chế lựa chọn anten-người dùng và thuật toán tìm kiếm một chiều

Trong chương này, NCS đề xuất giải pháp tối ưu thời gian và năng lượng dựa trên cơ chế lựa chọn anten-người dùng và thuật toán tìm kiếm một chiều Với mô hình NOMA MEC-WSN đa anten đa người dùng dưới kênh truyền Nakagami-

m, NCS đề xuất các giao thức hoạt động bốn pha, đặt tên là BSS-SC, BSS-MRC,

S1-SC, S1-MRC, S2-SC, S2-MRC, theo cơ chế lựa chọn anten-người dùng Tiếp đến, NCS đề xuất hai thuật toán dựa trên tìm kiếm một chiều, đặt tên là MSCPS và MSCPC, với ràng buộc năng lượng tiêu tán thấp nhất để tối ưu hóa hiệu năng hệ thống Mô phỏng Monte Carlo cho thấy kết quả của hệ thống đề xuất tốt hơn so với các giải pháp truyền thống

1.1 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]

 Giảm tải một phần: Trong mô hình này, tác vụ được phân thành các phần,

một phần được xử lý cục bộ tại MD, trong khi phần còn lại được giảm tải đến máy chủ MEC Đây là mô hình giảm tải gần với thực tế nhất, khi mạng MEC được định nghĩa có các nguồn tài nguyên tính toán phân bố phi tập trung trong mạng Hay nói cách khác, mỗi MD được trang bị tài nguyên tính toán, dù khá hạn chế, nhưng vẫn có thể đảm nhận tính toán một phần

Trong khi các phần dữ liệu lớn và phức tạp được giảm tải đến máy chủ MEC [21]

Một ví dụ điển hình về ứng dụng giảm tải của MEC được thể hiện như sau Ứng dụng VR sử dụng có chế MEC có năm nhiệm vụ tính toán cụ thể như hình 1.3:

 Task 1: Thu thập dữ liệu video từ thế giới thực  Task 2: Theo dấu đối tượng

 Task 3: Liên kết mô hình ảo với thông tin thực từ video  Task 4: Nhận dạng các đối tượng trong video

 Task 5: Kết xuất mô hình, tổng hợp thông tin thực và ảo, và hiển thị kết quả

lên giao diện người dùng

Hình 1.3: Ví dụ về việc triển khai ứng dụng VR với cơ chế MEC

Ứng dụng VR sẽ tương đối khó để triển khai giảm tải nhị phân, vì tài nguyên của MD là rất hạn chế, nên không thể xử lý video cũng như xử lý các đối tượng ảo Hơn nữa, việc giảm tải hoàn toàn toàn bộ nội dung video sẽ tiêu tốn nhiều tài nguyên Do đó, những tác vụ yêu cầu tính toán nặng là Task 2, Task 3, và Task 4 được giảm tải đến máy chủ MEC theo cơ chế giảm tải một phần Trong khi Task 1 và Task 5 có liên kết trực tiếp đến phần cứng hiển thị trên giao diện người dùng nên phải được xử lý cục bộ tại thiết bị

Khác với các bài toán trong CC, máy chủ MEC thường có quy mô nhỏ và nhắm vào các ứng dụng nhạy cảm về độ trễ Do vậy, trọng tâm phải hướng đến là giảm độ trễ truyền thông bằng cách thiết kế mô hình giao tiếp không dây kết hợp với giảm tải tính toán hiệu quả Lúc này, mô hình truyền thông với các tính chất cơ bản của lan truyền không dây như pha-đinh, hệ số kênh truyền, băng tần, tần số hoạt động, dung lượng kênh cần phải được quan tâm Chính vì vậy, đã có nhiều nghiên cứu chỉ ra việc thiết kế một mô hình truyền thông trong mạng MEC hiệu quả cần phải tích hợp các đặc tính giữa tính toán và truyền thông [13] Trong phần tiếp theo, luận án trình bày một số đặc tính của kênh truyền không dây để làm rõ nhận xét này

1.1.3 Đặc tính kênh truyền không dây

Nghiên cứu [22] chỉ ra những đặc tính của kênh truyền không dây khác với các kênh truyền có dây ở các khía cạnh chính sau:

 Khi lan truyền trong khí quyển, sự phản xạ và khúc xạ từ các vật thể tồn tại trong môi trường, như các tòa nhà, hay cây cối, gây ra các kênh pha-đinh đa đường, làm cho các kênh biến đổi theo thời gian và có thể gây ra nhiễu liên kí tự (inter-symbol interference - ISI) Do đó, các kỹ thuật triệt tiêu ISI hiệu quả, như cân bằng và trải phổ là cần thiết để truyền thông tin cậy  Bản chất phát sóng không dây là tín hiệu hữu ích sẽ bị nhiễu bởi các tín

hiệu khác chiếm cùng phổ tần, làm giảm tỉ số tín hiệu trên can nhiễu (signal to interference plus noise ratio - SINR) tương ứng của chúng Do đó, can nhiễu càng nhiều, xác suất lỗi càng cao Để đối phó với sự suy giảm hiệu năng trong các hệ thống mạng không dây, các cơ chế giải mã trở thành một trong những vấn đề thiết kế quan trọng nhất đối với các hệ thống truyền thông không dây và đã thu hút các nỗ lực nghiên cứu [23]

 Truyền thông không dây còn gặp phải tình trạng thiếu phổ tần, vốn luôn là tài nguyên quý giá và hữu hạn Chính điều này đã thúc đẩy những nghiên cứu sâu rộng về các phương pháp đa truy cập mới, thiết kế kiến trúc thu phát mới và đề xuất các mô hình mạng để cải thiện hiệu quả phổ [24]

 Sự thay đổi ngẫu nhiên của các kênh truyền không dây theo thời gian, tần số và không gian là rất quan trọng đối với việc thiết kế các hệ thống MEC khi muốn tích hợp liền mạch việc kiểm soát giảm tải tính toán và quản lý tài nguyên vô tuyến [5] Ví dụ, khi kênh không dây bị nhiễu lớn, việc giảm độ trễ bằng giảm tải có thể không đủ để bù cho sự tăng độ trễ truyền thông do tốc độ truyền dữ liệu giảm mạnh Đối với những trường hợp như vậy, nên trì hoãn giảm tải cho đến khi kênh truyền thuận lợi hơn hoặc chuyển sang kênh truyền thay thế với chất lượng tốt hơn để giảm tải Hoặc khi kênh truyền không đảm bảo tính bảo mật, việc xử lý cục bộ hoặc giảm tải đến một máy chủ MEC khác nên được ưu tiên hơn Như vậy, cần phải cân nhắc khi đưa ra các thiết kế về giảm tải trong MEC, dựa trên thông tin trạng thái kênh truyền (channel state information - CSI) [25]

Hiện tại, đang có nhiều loại công nghệ khác nhau cho thông tin di động, như NFC (near-field communications), RFID (radio frequency identification), Bluetooth, WiFi, Zigbee, LoRa, 4G LTE và 5G Đối với NFC, phạm vi phủ sóng và tốc độ dữ liệu rất thấp nên nó chỉ phù hợp cho các ứng dụng yêu cầu trao đổi thông tin ít, ví dụ: thanh toán điện tử và xác thực truy cập vật lý RFID tương tự như NFC, nhưng chỉ cho phép liên lạc một chiều Bluetooth là một kỹ thuật mạnh mẽ hơn để cho phép truyền thông D2D tầm ngắn trong các hệ thống MEC Đối với liên lạc tầm xa, WiFi, LTE hoặc 5G là các công nghệ chính Tùy vào đặc tính kênh truyền không dây, cũng như công nghệ được sử dụng trong các hệ thống MEC, các giao thức mạng cần được thiết kế lại sao cho tích hợp được cả cơ sở hạ tầng điện toán và truyền thông, nhằm cải thiện hiệu quả tính toán

1.1.4 Các thông số đánh giá hiệu năng mạng MEC

1.1.4.1 Xác suất dừng hệ thống

Đối với các hệ thống mạng không dây nói chung, xác suất dừng hệ thống (Outage probability - OP) thường được định nghĩa là xác suất tỉ số tín hiệu trên nhiễu (signal to noise ratio - SNR) thu thấp hơn một ngưỡng  cho trước, tức là: th

OPPr(SNRth) (1.1) Tuy nhiên, trong mạng MEC, thời gian trễ tối đa và năng lượng tiêu thụ là hai thước đo quan trọng nhất để đánh giá hiệu năng Vì vậy, OP các hệ thống mạng MEC thường được định nghĩa là xác suất hệ thống không đáp ứng thời gian trễ, và/hoặc không đáp ứng yêu cầu về công suất tiêu tán [26]

1.1.4.2 Xác suất tính toán thành công

Xác suất tính toán thành công (successful computation probability - SCP) là thông số đo hiệu năng rất thường được sử dụng để đánh giá mạng MEC [27]

Đây là xác suất hệ thống hoàn thành tất cả các tác vụ trong thời gian trễ tối đa T

cho phép [5]:

trong đó, τ là thời gian thực tế thực thi tác vụ Thông thường, thời gian trễ tối đa

của mạng MEC thường được quy định thấp hơn 10 ms [6], bao gồm các khoảng

thời gian thiết lập hệ thống (tsetting), thời gian giảm tải tác vụ (toffloading), thời gian

tính toán tác vụ (tcomputation) và thời gian phản hồi kết quả (tfeedback) Trong đó,

toffloading phụ thuộc vào kênh truyền không dây giữa nguồn phát và đích đến, vốn

thường được mô hình hóa là các biến ngẫu nhiên Do đó, các giá trị tức thời τ

không mang lại những đặc tính thống kê cần thiết, mà phải sử dụng tính chất thống kê từ SCP để phục vụ cho thiết kế các hệ thống MEC trong thực tế Theo đó, SCP có thể dùng để đánh giá và trả lời các câu hỏi: người dùng nên giảm tải và tính toán cục bộ bao nhiêu phần tác vụ, phân bổ công suất cho các người dùng trong mạng như thế nào cho phù hợp, hoặc thiết lập thời gian trễ tối đa ra sao

1.1.4.3 Thông lượng trung bình

Thông lượng trung bình kênh truyền thường được dùng như là hàm mục tiêu để tối ưu hóa hiệu năng mạng MEC [28] Đây là thông số hữu ích cho biết tốc độ truyền tin trong điều kiện bình thường của một kết nối không dây Thông lượng mạng MEC được tính bằng kích thước của tác vụ giảm tải chia cho thời

gian cần để quá trình truyền thông này hoàn tất Đơn vị đo của thông lượng thường gặp là bps, và có thể được so sánh với băng thông hiệu dụng và băng thông tối đa lý thuyết như một cách để xác định kết nối đang hoạt động tốt như thế nào

Trong giới hạn của Luận án này, NCS sử dụng thông số SCP để đánh giá hiệu năng hệ thống

1.2 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

1.3 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

1.3.1.1 Bài toán tổng quát

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

  max

0, 1, ,subject to :

0, 1, ,

hiểu, (1.3) sẽ tìm x thỏa mãn gi x 0,i1, ,p và hk 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

Input: f(x)Output: x*

1: Khởi tạo x , độ chính xác ε a

2: while x < b do

3: Đánh giá f(x)

4: Cập nhật x* 5: x x 6: end while

7: Return α∗

- 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