Ứng dụng machine learning trong việc tăng hiệu suất phổ hệ thống NOMA massive MIMO (tt)

- Đề xuất các phương pháp ứng dụng machine learning trong việc phân loại người dùng để nâng cao hiệu năng của hệ thống.. Đối tượng nghiên cứu - Các kỹ thuật tiên tiến được đề xuất cho c

Công trình được hoàn thành tại TRƯỜNG ĐẠI HỌC BÁCH KHOA

Người hướng dẫn khoa học 1 : TS.LÊ THỊ PHƯƠNG MAI

Người hướng dẫn khoa học 2 : TS TRẦN THẾ SƠN

Phản biện 1: TS NGUYỄN DUY NHẬT VIỄN

Phản biện 2: TS NGÔ VĂN SỸ

Luận văn sẽ được bảo vệ trước Hội đồng chấm Luận văn tốt nghiệp thạc sĩ

Kĩ thuật điện tử họp tại Trường Đại học Bách khoa vào ngày 15 tháng 05 năm

2022

Có thể tìm hiểu luận văn tại:

− Trung tâm Học liệu và Truyền thông, Trường Đại học Bách khoa - ĐHĐN

− Thư viện Khoa Điện tử - Viễn thông, Trường Đại học Bách khoa - ĐHĐN

MỞ ĐẦU

1 Tính cấp thiết của đề tài

Mạng thông tin di động thứ 5 (mạng 5G) đã bắt đầu được triển khai trên thế giới từ năm 2018 góp phần đáp ứng sự bùng nổ về lưu lượng data và yêu cầu cao hơn về chất lượng cho các dịch vụ mới ( VR, AR, các dịch vụ tự hành, cloud…) Ở nước ta, mạng thông tin di động thế

hệ thứ năm (5G) cũng bắt đầu được triển khai từ năm 2020 nhằm giới thiệu các dịch vụ cơ bản 5G cho người dân và tăng trải nghiệm khách hàng

Đối với các nhà cung cấp dịch vụ, để đáp ứng sự bùng nổ về lưu lượng data và số lượng kết nối cho các loại hình dịch vụ thì cần tăng băng thông hoặc tăng số lượng trạm phủ sóng (thậm chí cả hai yếu tố này) Tuy nhiên, những tài nguyên trên rất hiếm và càng khó triển khai, đồng thời làm tăng chi phí vận hành và các yếu tố phi kỹ thuật khác Một yếu tố khác có thể giúp xử lý vấn đề trên đó là nâng cao hiệu quả

sử dụng phổ tần Và Massive MIMO được giới thiệu trong mạng 5G

là một trong những giải pháp quan trọng nhất để nâng cao hiệu quả hoạt động hệ thống

Trong massive MIMO sử dụng số lượng lớn anten, giúp tập trung năng lượng vào một vùng không gian nhỏ hơn nhằm cung cấp không chỉ thông lượng UL/DL cao hơn cho UE mà còn tăng cường vùng phủ

Trong trường hợp này, NOMA miền mã (Code-Domain NOMA) được xem là một giải pháp triển vọng cho hệ thống massive MIMO bằng cách phân các chuỗi mã cho những nhóm người dùng có cùng đặc tính kênh truyền [1] Và vì vậy, hệ thống NOMA-massive MIMO, ngoài những ưu điểm về hiệu quả phổ còn hỗ trợ số lượng kết nối lớn,

là một giải pháp giúp nâng cao hiệu quả hoạt động hệ thống trong các trường hợp trên

2 Mục đích nghiên cứu

- Nghiên cứu đặc điểm, đặc trưng các loại hình dịch vụ trong mạng 5G và sau 5G qua đó đánh giá khả năng áp dụng NOMA trong

hệ thống massive MIMO để nâng cao hiệu năng của hệ thống

- Đề xuất mô hình hệ thống, các phương pháp xử lý tín hiệu số của NOMA-massive MIMO cho các loại hình trạm trong 5G và sau 5G dựa trên mô hình tính toán cụ thể

- Đề xuất các phương pháp ứng dụng machine learning trong việc phân loại người dùng để nâng cao hiệu năng của hệ thống

3 Đối tượng và phạm vi nghiên cứu

3.1 Đối tượng nghiên cứu

- Các kỹ thuật tiên tiến được đề xuất cho các mạng vô tuyến 5G

và sau 5G như: NOMA (Non-Orthogonal Multiple Access) và Massive MIMO

- Hiệu suất phổ của hệ thống NOMA-massive MIMO

- Ứng dụng machine learning cho việc phân loại người dùng của

hệ thống NOMA-masive MIMO

3.2 Phạm vi nghiên cứu

- Mạng 5G và các công nghệ lớp vật lý cho mạng 5G

- Mô hình toán học hệ thống NOMA-masive MIMO

- Các kỹ thuật machine learning với phân loại unsupervised learning

4 Phương pháp nghiên cứu

Phương pháp luận của luận văn là kết hợp nghiên cứu lý thuyết với thực tiễn để làm rõ nội dung đề tài Cụ thể như sau:

- Nghiên cứu các yếu tố kỹ thuật liên quan đến mạng 5G

- Xem xét các đề tài nghiên cứu liên quan, các phương án kỹ thuật đang triển khai, so sánh và đánh giá các ưu điểm, khuyết điểm của các phương pháp

- Nghiên cứu mô hình hệ thống và kênh truyền

- Đề xuất kỹ thuật machine learning trong việc phân loại người dùng

- Đánh giá kết quả thực hiện thông qua mô phỏng

5 Ý nghĩa khoa học và thực tiễn của đề tài

Ý nghĩa khoa học: Từ việc nghiên cứu thực tế mạng 5G, kết

quả triển khai 5G của các nhà mạng và nghiên cứu hệ thống massive MIMO, NOMA massive MIMO; trên cơ sở các tính toán, mô phỏng các trường hợp, đề tài đưa ra hướng đề xuất áp dụng NOMA cho hệ thống massive MIMO ở mạng 5G và sau 5G

Ý nghĩa thực tiễn: Kết quả của đề tài nêu ra một số cơ sở lý

thuyết để cung cấp khả năng, hướng áp dụng nhằm giải quyết các vấn

đề gặp phải khi triển khai massive MIMO ở các mạng di dộng (nhất là với các trường hợp khi các UE tập trung lớn, môi trường truyền sóng không có nhiều khác biệt Ví dụ: khu đô thị có nhiều tòa nhà cao tầng, các sự kiện lễ hội tập trung đông người, sân vận động… hoặc môi trường yêu cầu số lượng kết nối mật độ lớn có nhiều thuê bao và thiết

bị IoT…)

6 Cấu trúc của luận văn

Ngoài phần mở đầu, kết luận và tài liệu tham khảo, luận văn gồm 4 chương:

Chương 1: Tổng quan về mạng 5G và các công nghệ tiên tiến cho mạng 5G

Chương 2: Hệ thống NOMA-massive MIMO

Chương 3: Machine learning và ứng dụng machine learning trong phân loại người dùng

Chương 4: Kết quả thực hiện và đánh giá hiệu quả

+ Ultra-reliable and low-latency communications (URLLC): các dịch vụ hỗ trợ kết nối có độ trễ thấp và độ ổn định cao

+ Massive machine type communications (mMTC): các dịch

vụ cho phép kết nối số lượng lớn

Hình 1.24: Phân loại NOMA miền mã

a) Đa truy cập phân chia theo mã (CDMA)

b) Trải mật độ thấp (LDS)

c) Đa truy cập mã thưa (SCMA-Spare Coding Multiple Access)

1.4.2 Truy cập NOMA miền công suất

Hình 1.26 Phân bổ công suất trong PD-NOMA

Kỹ thuật đa truy cập phi trực giao

• Mã hóa xếp chồng

• Triệt giao thoa liên tiếp

1.5 Kỹ thuật Massive MIMO

1.5.1 Massive MIMO là gì?

1.5.2 Các kỹ thuật Massive MIMO

Hình 1.31: Beamforming tập trung tín hiệu không dây theo một

CHƯƠNG 2: HỆ THỐNG NOMA-MASSIVE MIMO 2.1 Giới thiệu chương

2.2 Mô hình hệ thống đề xuất

Xét hệ thống mMIMO gồm L ô (cell) [6] Trong mỗi ô có một trạm gốc có M anten và phục vụ đồng thời K người dùng (UE) đơn anten Hướng UL và DL có thể được phân chia theo thời gian hoặc tần số Nếu UL và DL được phân chia theo thời gian, ta sử dụng giao thức TDD, khi đó UL và DL ở cùng tần số

Ta giả định rằng các trạm và UE hoạt động theo giao thức TDD để ước tính kênh truyền dữ liệu và kênh pilot

2.2.1 Mô hình kênh truyền

A) Mô hình kênh 2D:

Hình 2.5: Các dạng hình học của anten a) Loại anten tuyến tính dọc, b) Loại anten tuyến tính ngang, c) Loại anten mảng phẳng

Hình 2.6: Mô hình kênh 2D B) Mô hình kênh 3D

Hình 2.7: Minh họa anten mảng phẳng kích thước 𝑀𝑉×𝑀𝐻

Hình 2.8: Mô hình kênh 3D MIMO

2.2.2 Ước lượng kênh truyền

2.2.3 Mô hình truyền dữ liệu

2.3 Hiệu suất phổ của hệ thống

CHƯƠNG 3: MACHINE LEARNING VÀ ỨNG DỤNG MACHINE LEARNING TRONG PHÂN LOẠI NGƯỜI DÙNG 3.1 Giới thiệu chương

3.2 Cơ sở lý thuyết cho việc phân loại người dùng

3.3 Các thuật toán unsupervised learning

3.3.1 Thuật toán K-means

a) Phân tích toán học:

b) Tóm tắt thuật toán:

K-means phân cụm D thành K cụm dữ liệu:

• Mỗi cụm dữ liệu có một điểm trung tâm gọi là centroid

Bước 4: Nếu tâm cụm ở bước 3 không thay đổi so với vòng lặp trước đó thì dừng thuật toán

Bước 5: Quay lại bước 2

Điều kiện hội tụ (điều kiện dừng thuật toán)

Xác định điểm trung tâm của cluster

c) Đánh giá thuật toán K-means:

3.3.2 Thuật toán K-means ++

3.3.3 Thuật toán K medoids

Bước 2: Liên kết từng điểm dữ liệu với medoid gần nhất

Bước 3: Cập nhật: đối với mỗi medoid m và điểm dữ liệu o liên kết

với m, hoán đổi m và o rồi tính tổng chi phí của cấu hình (nghĩa là,

mức độ khác biệt trung bình của o với tất cả các điểm dữ liệu liên quan đến m) Chọn o medoid với chi phí cấu hình thấp nhất

Lặp lại các bước xen kẽ 2 và 3 cho đến khi không có thay đổi trong các tổng chi phí

3.4 Đề xuất thuật toán phân loại người dùng cho hệ thống NOMA-mMIMO:

3.4.1 Sử dụng thuật toán K-means trong phân loại người dùng:

Thuật toán 1:

Dữ liệu đầu vào: số lượng group (G), số lượng UE (K), số lượng cell (L), ma trận tương quan của các UEs (𝐑𝑖 là ma trận tương quan của UE i)

Bước 1: Chọn ngẫu nhiên G UE (G < K) bất kì trong tập để làm

các tâm cụm ban đầu Tính toán tính toán ma trận không gian riêng của cụm (group eigenspaces)

Bước 2: Phân UE vào group có tâm gần nhất (theo ma trận tương

quan giữa các UE)

Bước 3: Cập nhập tâm group bằng cách lấy trung bình cộng của

các UE

Bước 4: Nếu tâm cụm ở bước 3 không thay đổi so với vòng lặp

trước đó thì dừng thuật toán

Bước 5: Quay lại bước 2

3.4.2 Sử dụng thuật toán K-medoids trong phân loại người dùng

Bước 3: Với mỗi nhóm chọn cập nhật lại tâm cluster từ các UE

bị ảnh hưởng bởi nhiễu và các yếu tố ngoại lai Trong khi đó, medoids sử dụng các đối tượng medoid đặt tại vị trí trung tâm nhất bên trong mỗi cụm để biểu diễn cho các cụm dữ liệu Vì vậy K-medoids giúp giảm ảnh hưởng bởi các yếu tố ngoại lai K-medoids cũng có nhược điểm là tăng độ phức tạp và không hiệu quả về mặt thời gian tính toán, nhất là đối với các tập dữ liệu lớn Vì vậy, tùy tình huống và kích thước dữ liệu mà ta chọn thuật toán cho phù hợp với yêu cầu

K-CHƯƠNG 4: KẾT QUẢ THỰC HIỆN VÀ ĐÁNH GIÁ HIỆU

QUẢ 4.1 Giới thiệu chương

4.2 Thiết lập mô phỏng

Tham số cấu hình mô phỏng:

Bảng 4.1: Thông số cơ bản của mạng giả lập:

Số symbol trong một coherence block 𝜏𝑐 𝜏𝑐 = 200

Kịch bản mô phỏng cho trường hợp sử dụng thuật toán phân loại người dùng K-means/K-medoids được xây dựng trên các bước sau:

Bước 1: Xây dựng cấu hình mạng

- Đặt các UE vào các vị trí ngẫu nhiên trong cell

- Tính khoảng cách 𝑑𝑙𝑖𝑗

- Xây dựng mô hình kênh thông qua ma trận tương quan không gian 𝑹𝑙𝑘𝑗

Bước 2: Tạo tham số kênh truyền

- Tạo ngẫu nhiên các hệ số fading bóng râm 𝐹𝑙𝑖𝑗

- Tính toán hệ số suy hao kênh 𝛽𝑙𝑖𝑗

Bước 3: Ước lượng kênh truyền

- Ước lượng kênh truyền ℎ𝑙𝑘𝑗 được ước lượng thông qua việc sử dụng chuỗi pilot

Bước 4: Áp dụng thuật toán phân loại người dùng medoids để phân nhóm người dùng

K-means/K Dựa trên ma trận tương quan giữa các người dùng mà thực hiện phân nhóm người dùng sử dụng theo 2 thuật toán K-means và K-

medoids

Bước 5: Tính toán hiệu suất phổ sử dụng máy thu MR/MMSE

- Tính 𝑆𝐼𝑁𝑅𝑗𝑘𝑈𝐿 tức thời theo công thức trình bày ở chương 3

- Tính hiệu suất phổ 𝑆𝐸𝑗𝑘𝑈𝐿 của các UE trong tất cả các lần mô phỏng

4.3 Kết quả thực hiện mô phỏng với mạng có 1 cell

a) Mạng gồm 1 cell sử dụng loại anten 64T64R, số lượng người dùng (UE) mỗi cell thay đổi trong khoảng [16,32,48,64] được phân thành các trường hợp:

• UE phân bố ngẫu nhiên xung quanh trạm thu phát

Với 2 group:

Hình 4.1: Hiệu suất phổ trung bình UL của hệ thống NOMA với L=1, M=64, G=2 khi thay đổi số UE (K) phân bố

mMIMO-ngẫu nhiên

• UE phân bố tập trung vào 1 góc phần tư trong vùng phủ

của cell (4ClusterAngleConstrainst)

Với 2 group:

Hình 4.4: Hiệu suất phổ trung bình UL của hệ thống NOMA với L=1, M=64, G=2 khi thay đổi số UE (K) phân bố ở

Hình 4.6: Hiệu suất phổ trung bình UL của hệ thống NOMA với L=1, M=64, G=8 khi thay đổi số UE (K) phân bố ở

mMIMO-góc phần tư cell

b) Mạng gồm 1 cell có số lượng người dùng là 64 UE, ta thay đổi loại anten của cell với số lượng TxRx trong khoảng [16,64,100] được phân thành 8 nhóm UE cho 2 trường hợp phân bố người dung Kết quả thu được như sau:

• Với trường hợp UE phân bố ngẫu nhiên xung quanh trạm thu phát (randomAngleCluster)

Hình 4.7: Kết quả tổng hiệu suất phổ trung bình UL của hệ thống phân theo 8 group ngẫu nhiên trong mạng 1 cell có số anten thay

• Với trường hợp UE phân bố tập trung vào 1 góc phần tư trong vùng phủ của cell (4ClusterAngleConstrainst)

Hình 4.8: Kết quả tổng hiệu suất phổ trung bình UL của hệ thống phân theo 8 group ở góc phần tư cell trong mạng 1 cell có số

anten thay đổi

4.4 Kết quả thực hiện mô phỏng với mạng có 4 cell

Mạng gồm 4 cell sử dụng loại anten 64T64R, số lượng người dùng (UE) mỗi cell thay đổi trong khoảng [16,32,48,64] được phân thành các trường hợp:

o UE phân bố ngẫu nhiên xung quanh trạm thu phát

Với 2 group cho mỗi cell:

Hình 4.9: Hiệu suất phổ trung bình UL của hệ thống NOMA với L=4, M=64, G=2 khi thay đổi số UE (K) phân bố

mMIMO-ngẫu nhiên

Với 4 group mỗi cell:

Hình 4.10: Hiệu suất phổ trung bình UL của hệ thống NOMA với L=4, M=64, G=4 khi thay đổi số UE (K) phân bố

mMIMO-ngẫu nhiên

Với 8 group mỗi cell:

Hình 4.11: Hiệu suất phổ trung bình UL của hệ thống mMIMO-NOMA với L=4, M=64, G=8 khi thay đổi số UE (K)

phân bố ngẫu nhiên

o UE phân bố tập trung vào 1 góc phần tư trong vùng phủ của

cell

Với 2 group mỗi cell:

Hình 4.12: Hiệu suất phổ trung bình UL của hệ thống NOMA với L=4, M=64, G=2 khi thay đổi số UE (K) phân bố tập

mMIMO-trung ở góc phần tư cell

Với 4 group mỗi cell:

Hình 4.13: Hiệu suất phổ trung bình UL của hệ thống NOMA với L=4, M=64, G=4 khi thay đổi số UE (K) phân bố tập

mMIMO-trung ở góc phần tư cell

Với 8 group mỗi cell:

Hình 4.14: Hiệu suất phổ trung bình UL của hệ thống NOMA với L=4, M=64, G=8 khi thay đổi số UE (K) phân bố tập

mMIMO-trung ở góc phần tư cell

4.5 Đánh giá hiệu quả của các thuật toán đề xuất

Phần này so sánh hiệu suất của việc phân nhóm người dùng bằng các phương pháp machine learning trong NOMA mMIMO so với mMIMO thuần túy không có NOMA và kiểm chứng độ lợi khi sử dụng các nhóm thuật toán

Qua kết quả mô phỏng ta thấy, khi số lượng người dùng tăng lên ở mỗi cell thì hiệu suất phổ hệ thống suy giảm Điều này ghi nhận ở cả mạng gồm 1 cell và 4 cell với bất kỳ hình thức phân bố UE Tuy nhiên, đối với hệ thống NOMA mMIMO mức suy giảm thấp hơn so với mMIMO thuần túy và nhìn chung hệ thống NOMA mMIMO có hiệu suất phổ cao hơn

Trong kết quả mô phỏng ở mục 4.3, 4.4 ta cũng thấy được khi số lượng cell tăng lên không ảnh hưởng nhiều đến sự khác biệt hiệu suất phổ của hệ thống mMIMO thuần túy so với NOMA mMIMO Tuy nhiên, khi số lượng group người dùng tăng lên thì tương quan hiệu suất phổ giữa hệ thống mMIMO thuần túy so với NOMA mMIMO thay đổi rõ rệt Điều này có thể lý giải do khi hệ thống nhận rõ sự phân biệt giữa các người dùng thì hiệu suất phổ càng cao

Ngoài ra, so sánh giữa 2 phương pháp phân nhóm người dùng sử dụng machine learning là K-means và K-medoids thì phương pháp K-means đem lại hiệu suất phổ tốt hơn trong tất cả các trường hợp mô phỏng Và việc sử dụng phân nhóm người dùng trong NOMA mMIMO cũng đem lại hiệu suất phổ cao hơn so với dùng NOMA mMIMO mà không phân loại người dùng

4.6 Kết luận chương

Trong chương này, ta đã thực hiện mô phỏng và đánh giá hiệu suất phổ của hệ thống mMIMO thuần túy và NOMA mMIMO ở các trường hợp mạng 1 cell và mạng có 4 cell Qua kết quả mô phỏng, ta thấy được NOMA miền mã có thể cải thiện được hiệu suất phổ của hệ thống mMIMO

Ngoài ra, việc ứng dụng các phương pháp machine learning để phân loại người dùng giúp cải thiện hơn nữa hiệu suất phổ trong hệ thống NOMA mMIMO miền mã so với phân loại thông thường

KẾT LUẬN VÀ ĐỀ XUẤT HƯỚNG PHÁT TRIỂN CỦA ĐỀ

TÀI KẾT LUẬN:

Luận văn với tên đề tài: “Ứng dụng machine learning trong việc

tăng hiệu suất phổ hệ thống NOMA MASSIVE MIMO” đã thực

hiện được những mục tiêu:

- Nghiên cứu mô hình hệ thống và kênh truyền hệ thống massive MIMO, tính toán hiệu suất phổ của hệ thống NOMA-massive MIMO

NOMA Ứng dụng và phát triển thuật toán unsupervised learning trong phân loại người dùng qua đó giúp nâng cao hiệu suất phổ hệ thống NOMA massive MIMO

- Xây dựng chương trình mô phỏng giúp đánh giá hiệu quả của

mô hình và thuật toán trong việc tăng hiệu suất phổ hệ thống NOMA massive MIMO

Luận văn đã thu được những kết quả chính như sau:

- Nghiên cứu đặc điểm, đặc trưng các loại hình dịch vụ trong mạng 5G và sau 5G qua đó đánh giá khả năng áp dụng NOMA trong

hệ thống massive MIMO để nâng cao hiệu năng của hệ thống

- Đề xuất mô hình hệ thống, các phương pháp xử lý tín hiệu số của NOMA-massive MIMO cho các loại hình trạm trong 5G và sau 5G dựa trên mô hình tính toán cụ thể

- Đề xuất các phương pháp máy học (machine learning) trong việc phân loại người dùng để nâng cao hiệu năng của hệ thống

- Kết quả của đề tài nêu ra một số cơ sở lý thuyết để cung cấp khả năng, hướng áp dụng nhằm giải quyết các vấn đề phát sinh khi triển khai các mạng di dộng sử dụng Massive MIMO

Từ các kết quả đạt được ở trên, chúng tôi có thể kết luận được rằng

luận văn với đề tài: “Ứng dụng machine learning trong việc tăng

hiệu suất phổ hệ thống NOMA MASSIVE MIMO” đã hoàn thành

đầy đủ và đạt được những yêu cầu về nội dung như đã đặt ra