Ứng dụng DNN trong hệ thống Cell Free Massive MIMO sử dụng tiền mã hóa LMMSE

Chia sẻ: Phó Cửu Vân | Ngày: | Loại File: PDF | Số trang:6

Thêm vào BST

Báo xấu

16
lượt xem 2
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết "Ứng dụng DNN trong hệ thống Cell Free Massive MIMO sử dụng tiền mã hóa LMMSE" đề xuất thuật toán lặp (WMMSE-ADMM) để xác định hệ số phân bổ công suất tối ưu cho hệ thống cell free massive MIMO. Thuật toán này vẫn cần nhiều thời gian để tính toán. Bài báo này đề xuất sử dụng một mạng neuron sâu để huấn luyện hệ thống cell free massive MIMO sử dụng tiền mã hóa locally minimum mean square error (L-MMSE) nhằm giảm thời gian tìm ra các hệ số phân bổ công suất tối ưu. Mời các bạn cùng tham khảo!

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Ứng dụng DNN trong hệ thống Cell Free Massive MIMO sử dụng tiền mã hóa LMMSE

Hội nghị Quốc gia lần thứ 26 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2023) Ứng dụng DNN trong hệ thống Cell Free Massive MIMO sử dụng tiền mã hóa LMMSE Đoàn Bùi Công Khanh, Trịnh Ngọc Huy, Đặng Lê Khoa* Khoa Điện tử - Viễn Thông, Trường Đại học Khoa học Tự nhiên, ĐHQG-HCM Email: dbuicongkhanh@gmail.com, huytrinh872001@gmail.com, *dlkhoa@hcmus.edu.vn Abstract— Cell-free massive MIMO cho phép tăng hiệu đường xuống là tối đa hóa tổng hiệu suất phổ (Sum-SE suất phổ tổng cộng của hệ thống và đảm bảo tính công maximization). Các tác giả trong [4], [5], [6] đã đưa ra bằng của các người dùng nên được xem là một công nghệ một số thuật toán đóng để giải quyết bài toán phân bổ tiềm năng cho mạng di động thế hệ mới. Kỹ thuật này công suất. Tuy nhiên, việc tính toán của các thuật toán cho phép một người dùng được phục vụ đồng thời bởi số này sẽ trở nên phức tạp khi số lượng điểm truy cập AP lượng lớn các điểm truy cập (AP) thông qua truyền dẫn và số người dùng UE tăng, dẫn đến không thể mở rộng kết hợp. Khi đó, trạm phát cần thực hiện phân phổ công quy mô do thời gian tính toán quá lâu. Bài báo [5] đề suất cho người dùng để đạt được hiệu suất tối ưu. Để giải xuất thuật toán WMMSE-ADMM để giải quyết bài quyết vấn này các nghiên cứu trước đã đề xuất thuật phân bố công suất tại các AP. toán lặp (WMMSE-ADMM) để xác định hệ số phân bổ công suất tối ưu cho hệ thống cell free massive MIMO. Các nghiên cứu trước đã đề xuất sử dụng deep Thuật toán này vẫn cần nhiều thời gian để tính toán. Bài learning để phân bổ công suất cho hệ thống cell-free báo này đề xuất sử dụng một mạng neuron sâu để huấn Massive MIMO [6], [11] sử dụng tiền mã hóa MR và luyện hệ thống cell free massive MIMO sử dụng tiền mã RZF để giảm đáng kể thời gian tính toán. Phương pháp hóa locally minimum mean square error (L-MMSE) tiền mã hóa L-MMSE giúp tăng hiệu suất phổ của hệ nhằm giảm thời gian tìm ra các hệ số phân bổ công suất thống [15], [16] nhưng chưa được khảo sát khi ứng tối ưu. Việc huấn luyện mạng DNN dựa trên hệ số suy dụng DNN trong nghiên cứu trước đây [11]. Nghiên hao diện rộng (LSF) và công suất tối ưu bằng phương cứu này mô phỏng hệ thống trong trường hợp kênh pháp WMMSE-ADMM. Kết quả mô phỏng cho thấy việc truyền suy hao diện rộng (LSF: Large-scale fading)). sử dụng DNN cho hệ thống sẽ làm suy giảm hiệu suất phổ Những đóng góp chính trong bài báo này là: 0,5 bps/Hz nhưng giảm thời gian tính toán được 45,6 lần. - Bài báo này sẽ áp dụng DNN cho hệ thống cell free massive MIMO sử dụng tiền mã hóa LMMSE và Keywords- Cell free massive MIMO, DNN, L-MMSE. so sánh với hai hệ thống sử dụng hai phương pháp tiền mã hóa đã được phân tích trước đây là maximum ratio I. GIỚI THIỆU (MR), và regularized zero-forcing (RZF). - Bài báo sẽ xem xét mô phỏng phương pháp DNN Hệ thống Cell Free Massive MIMO cho phép một cho mô hình kênh từ do đạc thực tế ở khu vực thành người dùng (UE) có thể sử dụng nhiều điểm truy cập thị. Nghiên cứu này cũng sử dụng hệ số phân bổ công (APs) phân tán trong một khu vực địa lý cùng một lúc suất và hệ số LSF làm đầu vào để huấn luyện DNN. thông qua truyền dẫn liên kết hợp (Coherent Joint Phần còn lại của bài báo này sẽ được tổ chức như Transmission - CJT) [1]. Công nghệ Cell-free Massive sau: phần II trình bày cơ sở lý thuyết về mô hình hệ MIMO (CF-mMIMO) đã làm mất đi sự giới hạn các thống cell free massive MIMO. Phần III trình bày lý cell như trong mạng truyền thống. Kiến trúc này cũng thuyết thuật toán WMMSE-ADMM và ứng dụng mô chia thành mạng biên và mạng lõi như mạng cell, các hình DNN sẽ trình này ở phần IV. Phần V là kết quả AP tại biên sẽ được kết nối về trung tâm xử lý (CPU) mô phỏng và cuối cùng là kết luận. thông qua đường fronthaul. Trong khi đó, kết nối giữa mạng biên và mạng lõi được thực hiện thông qua II. MÔ HÌNH HỆ THỐNG đường liên kết backhaul [2]. Các CPU liên kết với mạng lõi có nhiệm vụ truyền nhận dữ liệu từ Internet Bài báo này nghiên cứu hệ thống cell-free massive và nhiều nguồn dữ liệu khác. Trong mạng cell truyền MIMO có L AP, mỗi AP có N anten, khi đó thống thì mỗi UE chỉ được phục vụ bởi một AP, còn M = N  L là tổng số anten có trong toàn khu vực. trong cell-free Massive MIMO thì mỗi UE sẽ được Các AP sẽ đặt ngẫu nhiên trong khu vực và phục vụ phục vụ bởi nhiều AP. cho K người dùng và M K . Trong cấu trúc mạng Để tối ưu tốc độ tổng cộng của hệ thống, công nghệ của CF mMIMO, các AP được kết nối với CPU qua Cell-free Massive MIMO thực hiện tối ưu hóa việc fronthault. Các CPU này sẽ chịu trách nhiệm về việc phân bổ công suất tại các AP sao cho tổng hiệu suất kết nối và liên kết giữa các APs trong khu vực. Các phổ của các UE là lớn nhất. Các bài viết [1], [3] đã chỉ đường liên kết giữa AP và CPU được sử dụng để chia ra rằng các bài toán chủ yếu trong phân bổ công suất sẻ thông tin CSI (Channel State Information) và phục ISBN 978-604-80-8932-0 404
Hội nghị Quốc gia lần thứ 26 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2023) vụ việc giải mã dữ liệu đường lên và tiền mã hóa dữ UE đầu tiên với chỉ số từ 1 đến  p được gán các pilot liệu đường xuống [2]. trực giao với nhau. k UE sử dụng k pilot với k = 1,..., p . Các UEs còn lại, có chỉ số từ  p + 1 đến K, được gán các pilot như sau k =  p + 1,...., K . Các chỉ số của APs này được tính như sau: = arg max  kl . () l1,..., L AP chính (Master AP) xác định chỉ số pilot mà nhiễu của các pilot tương ứng từ k − 1 UEs là tối thiểu được biểu diễn như sau: k −1  = arg min  il () t{1,..., p } i =1 ti = t Pilot này được gán cho UE k , và thuật toán sẽ tiếp tục với các UE tiếp theo. Đơn giản, mỗi UE được gán tuần tự vào chuỗi pilot mà nó ít bị nhiễu nhất. Thuật toán sẽ tránh những tình huống xấu nhất khi hai UE Figure 1. Hệ thống Cell Free mMIMO cùng vị trí được gán cùng một pilot. Điều này sẽ làm giảm độ chính xác của chuỗi dữ liệu huấn luyện cho Bài báo xem xét sử dụng mô hình block-fading, các các mạng neural trong tình huống UEs có hệ số LSF UE sẽ được phục vụ trong cùng một coherence block tương tự nhau, nhưng độ chính xác ước lượng kênh  c . Quá trình truyền tải dữ liệu từ các AP đến UE và từ khác nhau do việc gán pilot. UE đến AP được thực hiện thông qua giao thức TDD. B. Ước lượng kênh Do đó, các kênh downlink và uplink có thể được ước lượng chung bằng cách gửi tín hiệu pilot đã biết từ các Khi sử dụng giao thức TDD, sẽ có công thức UE đến các AP. Theo cách đó, mỗi AP có được CSI  c =  p +  u +  d . Trong giai đoạn ước lượng kênh mỗi cục bộ liên quan đến các kênh giữa các UE. Mỗi UE sẽ được gán cho một chuỗi pilot có chiều dài ngẫu coherence block được sử dụng cho việc truyền tải dữ nhiên bởi AP được chọn từ chuỗi  p . tk  1,..., p  sẽ liệu cho uplink, downlink và được chia ra làm 3 giai đoạn là:  p dùng để truyền pilot và ước lượng kênh là chuỗi pilot mà AP gán cho UE k và có S k là tập các truyền,  u dùng để truyền dữ liệu đường lên,  d dùng UE được gán cùng pilot UE k , được viết như sau để truyền dữ liệu đường xuống [1]. Hệ số kênh truyền S k = i : ti = tk , i = 1,..., K   {1,..., K } . Tín hiệu tại giữa UE k và AP l trong một coherence block được AP l với chuỗi pilot t k được ước lượng cho UE k sau biểu diễn bằng vector kênh truyền giữa UE k và AP l khi được de-spreading tại AP [9] sẽ có: là hkl  N C (0 N , Rkl ) được viết như sau: K ytpl =   p PP hil + ntk l . k () iSk 1 N 1 hkl =  kl Rkl g kl . 2 () Trong đó, ytpl  k là vector tín hiệu nhận, Pp là công suất phát của UL pilot cho mỗi UE, Trong đó Rkl  NN là ma trận tương quan giữa ntk l N (0,  2   ) là nhiễu Gaussian tại AP l với AP l và UE k , g kl là hệ số small scale fading được công suất nhiễu là  2 . Để ước lượng kênh truyền của UE k và AP l chúng tôi sử dụng MMSE để ước tính biểu diễn như sau g kl  N C (0,1). Hệ số large- ˆ hkl dựa vào ytpl được viết như sau: scale fading  kl được xác định bằng giá trị độ lợi kênh k 1 ˆ hkl =  p Pk Rkl  t−k1 ytpl trung bình  kl = tr ( Rkl ) , hệ số mô hình suy hao này l k N −1 () gồm các thành phần gồm: hệ số suy hao, độ lợi anten,  K  =  p Pk Rkl    p PP Ril +   N  ytpl .  iS 2  hệ số shadowing [8].  tk  k K A. Pilot Assignment Với  tk l = E{ ytpl ( ytpl ) H } =  p PP Ril +  2  N là Để truy cập vào mạng, các UE có thể cần được gán k k iStk vào một chuỗi pilot. Thuật toán gán pilot cơ bản gồm ma trận tương quan của tín hiệu nhận. Trong đó kênh hai bước. ˆ ước lượng hkl và lỗi kênh ước lượng hkl được tính bằng Đầu tiên, UE xác định AP có tín hiệu mạnh nhất và công thức kênh không hoàn hảo h = h − h . ˆ bổ nhiệm nó làm AP chính (Master AP) của nó.  p các kl kl kl ISBN 978-604-80-8932-0 405
Hội nghị Quốc gia lần thứ 26 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2023) M kl = E{hkl h kl }=R kl −  p Pp Rkl  t−k1 Rkl là ma trận H III. KỸ THUẬT PHÂN BỐ CÔNG SUẤT: l Phần này sẽ phân tích bài toán phân bổ công suất tương quan của hàm lỗi được dùng cho LMMSE và hkl là các biến ngẫu nhiên độc lập được phân phối dưới  pkl : k , l để tối ưu tổng SE [5]. Bài báo này sẽ xem dạng: xét sử dụng thuật toán WMMSE kết hợp ADMM được ˆ sử dụng ở [10], [11], [5]. Phương pháp tối ưu hóa phân hkl N (0 N , p Pp Rkl  t−k1 Rkl ). l () bổ công suất giữa các AP và UE đảm bảo rằng tổng lượng thông tin truyền qua mạng được tối đa hóa, cung C. Downlink data transmission cấp hiệu suất truyền thông tốt nhất cho tất cả các thiết Tín hiệu nhận đường xuống với l AP và k UE bị trong mạng. Vấn đề tối ưu hóa Sum SE có thể được được viết như sau: biểu diễn như sau: L K K yk =  hkl  il wil  i + nk , dl H () maximize  log 2 (1 + SINR k ) l =1 i =1 kl :k , l k =1 () Với pil là công suất kênh xuống được phân bố bởi K AP l cho UE i ,  i  N là tín hiệu truyền cho UE i subject to  k =1 2 kl  P , l = 1,...,L dl max với trung bình E{  i }=1 và nk 2 N (0,  2 ) là nhiễu. Trong đó Pmax là công suất tối ưu mỗi AP, dl Công thức tính hiệu suất phổ (SE) của UE k trong k =   k1 ... kL   L1 ,  kl = pkl được viết ở (9). T DL được trình bày như sau [17]: Biểu thức (11) chính là hàm mục tiêu được sử dụng d WMMSE để triển khai dựa vào kết quả bài báo SEk = log 2 (1 + SINR k ) bit / s / Hz, () c [5],[10],[11],[12] đã thực hiện trước đó. Phương pháp với WMMSE sẽ lấy thông tin kênh truyền làm đầu vào, với mỗi bước lặp thuật toán sẽ tính toán các giá trị tối ưu (a k ) 2 cho phân bổ công suất của các AP, mục tiêu là tìm ra T () k SINR = phân bổ công suất tối ưu để đạt được hiệu suất truyền  iT Bki i − ( akT k ) +  2 K 2 thông tối đa (Sum-SE) trong mạng. Triển khai hàm i =1 mục tiêu (11) được trình bày qua bảng thuật toán 1: k =  k1 ...kL   L1 ,  kl = T pkl Thuật toán 1: Giải quyết về WMMSE -ADMM: ak =  ak1 ...akL   L1 , akl =  hkl w kl  T H Đầu vào: Khởi tạo biến  kl0 )  0, k , l .Xét   0 , ( Bki  L L lm H ( , bki =  E hkl w il w im hkm  H ) t  0 ,  ADMM  0 Bắt đầu vòng lặp: a  k là độ lợi tín hiệu mong muốn cho k UE qua T k -Bước 1: Cập nhật biến vk+1 , k = 1,...K : t kênh được tiền mã hóa xác định. Biểu thức SE có thể áp dụng cho bất kỳ hệ thống tiền mã hóa nào, với vector (aT μ (kt ) ) 2 vkt +1) = ( ()   k tiền mã hóa là akl =  hkl w kl . Vector tiền mã hóa H  ( μi(t ) ) B ki ( μi(t ) ) +  2 K T {w il } là ràng buộc công suất ngắn hạn, có nghĩa là i =1 2 w il = 1 trong mỗi coherence block. Vector tiền mã -Bước 2: Cập nhật biến ekt +1) , k = 1,..., K : ( − − hóa chuẩn hóa được xác định là w il = w il / w il , sao (aT μ (kt ) ) 2 ekt +1) = 1 − ( k ()  (μ ) B ki ( μ ) + − K (t ) T (t ) 2 cho w il có thể được lựa chọn bất kỳ. Trong bài báo này i i i =1 chúng tôi xem xét sử dụng tiền mã hóa maximum ratio (MR), regularized zero-forcing (RZF), locally minimum -Bước 3: Cập nhật biến k , k = 1,..., K ( t +1) mean square error (L-MMSE). −1  K  1 ˆ ˆH 2 ˆ w kl =  ( Pi (hil hil + M il ) +  ul  N  Pk hkl LMMSE k(t +1) = ()  i =1  ekt +1) ( ˆ w kl = hkl cho MR -Bước 4: Cập nhật kl  ( t +1) , k , l −1  K ˆ ˆH  ˆ w kl =   Phil hil +  ul  N  Pk hkl cho RZF i 2  i =1  ISBN 978-604-80-8932-0 406
Hội nghị Quốc gia lần thứ 26 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2023) K  2 K  đầu ra mong muốn. Các hàm kích hoạt tanh được sử minimize  k vk ( μT B ki μ i +  2 ) − 2vk aT μ k + 1 i k dụng để cân bằng độ dốc kết quả từ hàm kích hoạt μ k =1  i =1  () linear tạo ra tính ổn định hơn cho các mô hình DNN. K subject to  k =1 2 kl  Pmax , l = 1,..., L, dl B. Huấn luyện DNN: Mô hình DNN được huấn luyện từ một tập hợp -Bước 5: Xét t  t + 1 , Quay lại vòng lặp. chứa một số lượng lớn cặp huấn luyện Điều kiện dừng:  f ( kl ), kl : k , l cần được tạo ra. Các dữ liệu tạo ra opt bằng cách giải các bài toán tối ưu bằng thuật toán μ (t ) − q(t ) WMMSE-ADMM. μlopt = μ1l ,..., μ opt , l  Vector opt T   ADMM ()  Kl  μ(t ) được định nghĩa là sự kết hợp của các công suất chuẩn hóa tối ưu từ AP đến tất cả các UE trong mạng cùng với tổng công suất được phân bổ bởi AP, và được biểu Kết quả:  kl =  klt ) , k , l opt ( diễn dạng tỷ lệ của tổng công suất tối đa sao cho   2 K k =1 kl IV. DEEP NEURAL NETWORK l = . dl P max DNN là phiên bản của mạng nơ ron thần kinh DNN cho AP l được huấn luyện có hàm mất mát (Neural Network), thường gồm ba lớp: input layer, sau: hidden layer, và output layer. Input layer và output layer là các lớp đơn, trong khi đó hidden layer có thể 2 mở rộng thành nhiều lớp tùy thuộc vào độ phức tạp Loss = μlopt − μlDNN () của thuật toán. Mô hình DNN được hình thành từ sự liên kết giữa các node – nơi diễn ra các tính toán trong T mô hình. Mỗi node trong hidden layer và output Trong đó, ηopt = μ lopt ,..., μ loptc −1 , l  là vector các  +  layer được liên kết với tất cả các node ở layer trước công suất chuẩn hóa tối ưu từ tất cả các AP và tỷ lệ đó với các trọng số w riêng. Mỗi lớp có nhiều node, công suất được phân bổ tổng cộng trong một nhóm mỗi node có một hệ số bias (độ lệch) b riêng. nhất định đến tất cả các UE. A. Chuẩn bị dữ liệu đầu vào: Hàm mất mát được mô tả trong (16) được tính trung bình trên các mẫu huấn luyện và mục tiêu của Phần này trình bày dựa trên mô hình các AP DNN DNN là giảm thiểu các hàm mất mát này cho mô hình. được triển khai phân tán để các thông tin cục bộ của Việc huấn luyện dựa trên một tập có 360.000 mẫu. các APs và UEs được tách biệt, dễ dàng cho việc lấy dữ liệu tại mỗi AP. Đối với một AP l nhất định, bài C. Phân tích độ phức tạp báo xem xét sử dụng một DNN được kết nối đầy đủ, Độ phức tạp dựa vào kết quả phân tích các bước lấy các hệ số LSF của UE {βkl :  k} làm đầu vào để cập nhật của thuật toán WMMSE-ADMM, có thể thấy thực hiện phân bổ công suất vì các tham số này thể rằng việc tính ma trận nghịch đảo kích thước L×L hiện đầy đủ các tính năng chính của các kênh truyền và trong [5] có độ phức tạp tính toán lớn nhất theo phép nhiễu trong mạng, và có thể dễ dàng đo được trong đo Big-O là O ( L3 K ) thực tế dựa trên cường độ tín hiệu nhận được. Đối với DNN có N lớp, số lượng bài toán nhân và Mô hình DNN không chỉ cố gắng dự đoán hệ số cộng tại mỗi lớp là N i N i −1 với i = 1,..., N và hàm tổng công suất tối ưu mà còn dự đoán tổng công suất của là  N i [11]. N AP:  k =1  kl . Việc thêm điều kiện này vào DNN dưới 2 K i =1 dạng đầu ra sẽ giúp cải thiện độ chính xác khi dự đoán Trong Bảng II, bài viết ghi lại thời gian chạy trung công suất. Vì thế đầu ra của DNN sẽ là K + 1 = 21 thay bình, cho 100 mẫu, của thuật toán WMMSE-ADMM vì 20 [11]. và mô hình DNN cho các mục tiêu tối ưu đã trình bày. BẢNG I: Cấu trúc của DNN Thông số cần huấn luyện: 15925 parameters BẢNG II: Thống kê thời gian tính của các thuật toán (mili giây) Size Parameters Activation Algorithm SumSE Function MR RZF L-MMSE Input (Dense) K=20 - - ADMM 101.1 263.4 268.4 Layer 1 (Dense) 32 672 linear DNN 9.64 7.69 5.88 Layer 2 (Dense) 128 4224 elu Layer 3 (Dense) 64 8256 tanh D. Mô hình từ số liệu đo thực tế Layer 4 (Dense) 32 2080 tanh Layer 5 (Dense) 21 693 relu Thông số mô phỏng được tổng hợp từ số liệu đo trong khu vực thành thị. Số liệu thực tế được đo bằng Hàm kích hoạt linear và elu được sử dụng ở lớp mở phần mềm Tems Pocket để lấy được công suất tín hiệu rộng (expansion) để làm nổi bật sự khác biệt giữa các thu tham chiếu (RSRP) và vị trí Longitude và Latitude đầu vào. Sau đó, các lớp sẽ giảm dần đến kích thước của mỗi vị trí UE, từ đó tính được khoảng cách từ mỗi ISBN 978-604-80-8932-0 407
Hội nghị Quốc gia lần thứ 26 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2023) vị trí UE đến trạm BTS. Từ dữ liệu đo, chúng ta sử Số anten của mỗi AP N =4 dụng cách tính mô hình suy hao đơn giản để tìm  kl 1 mh Hệ số Pathloss URB 1 = 2.87 qua công thức (17). Hệ số Pathloss REF  2 = 3.67 M h = K − 10 log10 (d ), () Độ lợi trung bình URB −37.55dB trong đó, K là độ lợi đường truyền trong môi trường Độ lợi trung bình channel REF −30.5dB không gian tự do tại khoảng cách tham chiếu d và  là Băng tần 1.8Ghz hệ số suy hao. K sẽ được tính như sau: Công suất phát tối đa của mỗi AP Pmax = 1W dl  c  K = 20log10  , () Công suất phát uplink pi = 100mW  4 fd  Công suất nhiễu uplink/downlink −94dBm với c là tốc độ ánh sáng, f là tần số phát, d là khoảng Chiều dài khung thời gian  c = 200 cách tham chiếu. Hệ số suy hao  sẽ được tính bằng cách áp dụng phương pháp MSE và có công thức là: Chiều dài tối đa pilot  p = 10 1 S =  (M hi − M s ), S i =1 () A. SumSE khi sử dụng WMMSE- ADMM: với S là tổng số các điểm đo, M hi là mô hình suy hao tại vị trí đo, M s là số liệu đo được. V. KẾT QUẢ MÔ PHỎNG Bài viết xem xét sử dụng một hệ thống mạng Cell- free massive MIMO gồm L = 16 điểm truy cập (AP), N = 4 là số lượng anten tại mỗi điểm truy cập, K = 20 là số lượng người dùng (UE). Các điểm truy cập và các người dùng được đặt ngẫu nhiên trong vùng phủ có bán kính 1000m  1000m. Kết quả thu nhận được tính dựa trên trung bình của một tập dữ liệu của 2000 trường hợp khác nhau của UE và các trường hợp độc lập với tập dữ liệu huấn luyện. Bên cạnh đó, mô phỏng xem xét sử dụng kênh truyền có băng thông là 1.8GHz. Kênh truyền hệ thống cần được ước lượng chính xác nên mô hình kênh cần phải loại bỏ tổng công suất Figure 2. CDF của SE so sánh 2 model nhiễu là -94dBm. Công suất phát đường xuống tối đa mỗi AP là Pmax = 1W được dùng để tính hiệu suất phổ dl Ở phần này bài viết phân tích kết quả so sánh giữa và SINR ở công thức (8) và (9). Công suất phát đường 2 model được đề cập phía trên. Để thể hiện được điều lên là 100mW và độ dãi chuỗi pilot là  p = 10 được này, hình 2 biểu diễn CDF của SE tại mỗi AP thu được bằng cách giải bài toán tối ưu SumSE với tiền mã hóa dùng để truyền tín hiệu pilot ở công thức (4). Hệ thống MR, RZF, L-MMSE. Mức chênh lệch giữa 2 mô hình sử dụng là non-orthogonal pilots, với các bước gán là không quá đáng kể. Trong khi đó kỹ thuật phân bố pilot được trình bày ở II-B. Bài báo sử dụng 2 hệ thống công suất SumSE ở tiền mã hóa L-MMSE là tốt nhất. mô hình suy hao cho việc tạo hệ số LSF được viết: Khi so sánh với RZF từ CDF 0.2 đến 0.8 tốt hơn 0.2 d  [bit/s/Hz] và 1 [bit/s/Hz] khi so với MR. Nguyên nhân  kl B = −28.7 − 37.55log10  kl  dB, () UR cho sự chênh lệch hiệu suất phổ là vì tiền mã hóa  1m  LMMSE được thiết kế để giúp các AP lân cận hợp tác  d kl  giảm nhiễu tương tác giữa các người dùng, từ đó giúp  kl = −36.7 − 30.5log10  REF  dB, ()  1m  tăng hiệu suất hệ thống [16]. Trong đó, d kl là khoảng cách của UE k đến AP l , 2 B. SumSE khi sử dụng DNN: mô hình suy hao đều có dải băng tần là 1.8Ghz. Trong Phần này sẽ đánh giá hiệu suất của giải pháp DNN mô hình REF (21) bài viết xem xét sử dụng công thức so với kỹ thuật phân bố công suất thông qua 3 phương trong bài viết [14]. Mô hình URB (20) bài viết sử dụng pháp tiên mã hóa. Kết quả hình 3 cho thấy DNN có số liệu đo thực tế được trình bày ở IV-D. Thông số mô mức hiệu suất thấp hơn nhưng mức chênh lệch có thể phỏng được tham khảo từ [5],[12] và được tóm tắt chấp nhận. Hiệu suất phổ của DNN khi so với thuật trong bảng dữ liệu III. toán ADMM từ CDF 0.2 đến 0.8 có mức chênh lệch là 0.2 [bit/s/Hz] cho cả 3 loại tiền mã hóa. Lý do dẫn đến BẢNG III: Thông số mô phỏng Cell-free Massive MIMO network sự chênh lệch hiệu suất phổ giữa 2 phương pháp là vì Diện tích 1000m x 1000m độ chính xác cho việc huấn luyện máy học không thể Số AP L = 16 đạt được tối đa. Mô hình máy học chỉ có thể cố gắng Số UE K = 20 xấp xỉ công suất đã tối ưu từ thuật toán ADMM và hệ ISBN 978-604-80-8932-0 408
Hội nghị Quốc gia lần thứ 26 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2023) số kênh. Vì thế DNN chỉ có thể cải thiện về mặt thời Indoor, and Mobile Radio Communications (PIMRC), 2017, gian tính nhưng không thể đạt được mức hiệu suất như pp. 1-6. ADMM được. [4] H. Q. Ngo, L. N. Tran, T. Q. Duong, M. Matthaiou, and E. G. Larsson, "On the Total Energy Efficiency of Cell-Free Massive MIMO," IEEE Transactions on Green Communications and Networking, vol. 2, no. 1, pp. 25-39, 2018. [5] S. Chakraborty, Ö. T. Demir, E. Björnson, and P. Giselsson, "Efficient Downlink Power Allocation Algorithms for Cell- Free Massive MIMO Systems," IEEE Open Journal of the Communications Society, vol. 2, pp. 168-186, 2021. [6] Y. Zhao, I. G. Niemegeers, and S. H. J. I. A. De Groot, "Power allocation in cell-free massive MIMO: A deep learning method," vol. 8, pp. 87185-87200, 2020. [7] H. Q. Ngo, A. Ashikhmin, H. Yang, E. G. Larsson, and T. L. Marzetta, "Cell-Free Massive MIMO Versus Small Cells," IEEE Transactions on Wireless Communications, vol. 16, no. 3, pp. 1834-1850, 2017. [8] M. Ito et al., "Impact of Antenna Distribution on Spectral and Energy Efficiency of Cell-Free Massive MIMO With Transmit Power Control Algorithms," IEEE Open Journal of the Figure 3. CDF của SE so sánh DNN và ADMM Communications Society, vol. 3, pp. 1615-1629, 2022. [9] L. Daza and S. Misra, "Fundamentals of Massive MIMO (Marzetta, T., et al; 2016) [Book Reviews]," IEEE Wireless VI. KẾT LUẬN Communications, vol. 25, no. 1, pp. 9-9, 2018. [10] Q. Shi, M. Razaviyayn, Z. Q. Luo, and C. He, "An iteratively Bài báo này đã xây dựng hệ thống DNN Cell-free weighted MMSE approach to distributed sum-utility Massive MIMO sử dụng tiền mã hóa L-MMSE để tối maximization for a MIMO interfering broadcast channel," in đa hiệu suất phổ tổng cộng. Đầu tiên, bài báo sử dụng 2011 IEEE International Conference on Acoustics, Speech and thuật toán tối đa hóa tổng SE cho toàn bộ mạng bằng Signal Processing (ICASSP), 2011, pp. 3060-3063. thuật toán WMMSE-ADMM để tạo ra một lượng lớn [11] M. Zaher, Ö. T. Demir, E. Björnson, and M. Petrova, "Learning-Based Downlink Power Allocation in Cell-Free dữ liệu huấn luyện. Sau khi được huấn luyện, mạng Massive MIMO Systems," IEEE Transactions on Wireless mạng neuron sâu sẽ tìm được hệ số phân bổ công suất Communications, vol. 22, no. 1, pp. 174-188, 2023. xấp xỉ với hệ số phân bổ tối ưu. Kết quả cho thấy [12] R. Brandt, E. Björnson, and M. Bengtsson, "Weighted sum DNN vẫn chưa đạt được giá trị tối ưu so với thuật toán rate optimization for multicell MIMO systems with hardware- ADMM nhưng bù lại DNN có tốc độ xử lý nhanh hơn impaired transceivers," in 2014 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 2014, giúp hệ thống đáp ứng được thời gian thực. Trong pp. 479-483. tương lai, bài báo này có thể tiếp cận các dạng toán [13] P. D. Diamantoulakis and G. K. Karagiannidis, "Maximizing phân bổ công suất khác như cân bằng max-min. Mở Proportional Fairness in Wireless Powered Communications," rộng đánh giá chất lượng hệ thống trong các tình IEEE Wireless Communications Letters, vol. 6, no. 2, pp. 202- 205, 2017. huống kênh khác nhau cũng như nhiều người dùng, [14] "3GPP," further advancements for e-utra physical layer nhiều điểm truy cập hơn. aspects (release 9). 3gpp tr 36.814., 2017. LỜI CẢM ƠN [15] E. Björnson and L. Sanguinetti, “Making cell-free massive MIMO competitive with MMSE processing and centralized Nghiên cứu được tài trợ bởi Trường Đại học Khoa implementation,” IEEE Trans. Wireless Commun., vol. 19, no. học Tự nhiên, ĐHQG-HCM trong khuôn khổ Đề tài 1, pp. 77–90, Jan. 2020 mã số U2022-33. [16] Z. Yuan, Y. Ma and G. Yu, "LMMSE Processing for Cell-free Massive MIMO with Radio Stripes and MRC Fronthaul," 2022 TÀI LIỆU THAM KHẢO IEEE Wireless Communications and Networking Conference (WCNC), Austin, TX, USA, 2022, pp. 1336-1340, doi: [1] D. Özlem Tugfe, B. Emil, and S. Luca, Foundations of User- 10.1109/WCNC51071.2022.9771691. Centric Cell-Free Massive MIMO. now, 2021. [17] Hendra Yoga Perdana, Ridho & Nguyen, Toan-Van & An, [2] I. C. -L, J. Huang, R. Duan, C. Cui, J. Jiang, and L. Li, "Recent Beongku. (2022). Deep neural network design with SLNR and Progress on C-RAN Centralization and Cloudification," IEEE SINR criterions for downlink power allocation in multi-cell Access, vol. 2, pp. 1030-1039, 2014. multi-user massive MIMO systems. ICT Express. 9. [3] S. Buzzi and A. Zappone, "Downlink power control in user- 10.1016/j.icte.2022.01.011. centric and cell-free massive MIMO wireless networks," in 2017 IEEE 28th Annual International Symposium on Personal, ISBN 978-604-80-8932-0 409