Giảm nhiễu trong mạng hỗn tạp 5G dựa trên thuật toán phân bố tốc độ

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:8

Thêm vào BST

Báo xấu

12
lượt xem 5
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết này nghiên cứu hệ thống khai thác truyền dẫn đa bước, đa anten, băng tần mmWave và PS (path selection) động. Đề xuất kỹ thuật phân chia lưu lượng để khắc phục tình trạng mất đường nghiêm trọng và giảm thiểu tác động của tắc nghẽn.

Chủ đề:

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

Lưu

Nội dung Text: Giảm nhiễu trong mạng hỗn tạp 5G dựa trên thuật toán phân bố tốc độ

LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA Giảm nhiễu trong mạng hỗn tạp 5G dựa trên thuật toán phân bố tốc độ Interference mitigation in 5G heterogeneous networks based on rate allocation algorithm Nguyễn Thị Quyên*, Vũ Bảo Tạo, Hoàng Thị An *Email: quyennt9617@gmail.com Trường Đại học Sao Đỏ Ngày nhận bài: 10/4/2021 Ngày nhận bài sửa sau phản biện: 29/6/2022 Ngày chấp nhận đăng: 30/6/2022 Tóm tắt Bài viết này nghiên cứu hệ thống khai thác truyền dẫn đa bước, đa anten, băng tần mmWave và PS (path selection) động. Đề xuất kỹ thuật phân chia lưu lượng để khắc phục tình trạng mất đường nghiêm trọng và giảm thiểu tác động của tắc nghẽn. Dựa trên việc giải quyết những vấn đề như tối ưu hóa quá trình lựa chọn đường dẫn (PS) và phân bổ tốc độ (RA- rate allocation) để lập lịch đa đường dẫn đa bước, nhờ đó các FDSC (Full duplex small cell) tự liên kết hoạt động như các nút chuyển tiếp để chuyển tiếp dữ liệu từ BS macro đến các UE (User equipment) xác định. Ngoài ra, bài viết còn áp dụng phương pháp xấp xỉ lồi liên tiếp để xác định phân bố tốc độ của mạng. Thông qua việc phân tích hiệu suất toàn diện và chứng minh sự hội tụ của phương pháp xấp xỉ lồi liên tiếp, kết quả cho thấy xác suất giao tiếp tin cậy đạt 99,99%, trễ giảm lần lượt là 50,64% và 92,9% so với các đường cơ sở có, không có quá trình học, sự cân bằng giữa độ trễ và tốc độ đến mạng. Từ khóa: Học tăng cường; lập lịch đa bước; self-backhaul; truyền thông mmWave; tối ưu hóa ngẫu nhiên. Abstract This paper studies the exploitation system of multi-hop, multi-antenna transmission, mmWave bandwidth and dynamic PS. Propose traffic division techniques to overcome severe road loss and minimize the impact of congestion. Based on solving problems such as optimizing both the process of path selection (PS) and rate allocation (RA) to schedule multipath multistep, so that SCFDs self-links act as relay nodes to forward data from the BS macro to specific UEs. In addition, the paper also applies the successive convex approximation method to determine the speed distribution of the network. Via mathematical analysis, a comprehensive performance analysis and convergence proof are provided for the proposed solution. Numerical results show that the proposed approach ensures reliable communication with a guaranteed probability of up to 99.99% and reduces latency by 50.64% and 92.9% as compared to baseline models. Furthermore, the results showcase the key trade-off between latency and network arrival rate. Từ khóa: Reinforcement learning; multi-hop scheduling; self-backhaul; mmWave communications; stochastic optimization. 1. ĐẶT VẤN ĐỀ Giải pháp triển khai hệ thống thông tin 5G ở dải tần mmWave là kết hợp công nghệ Massive MIMO Mạng di động thế hệ thứ năm (5G) ra đời với kỳ vọng (Massive Multiple-Input Multiple-Output) và small đạt được tốc độ mạng lớn hơn hoặc bằng 10 Gbps, cells-SC. Sự kết hợp này giúp mạng 5G có được tốc sử dụng dải tần mmWave (30-300 GHz) và phục vụ độ dữ liệu Gbps, độ trễ thấp và truyền thông tin cậy một số lượng lớn các thiết bị kết nối không dây [1]. cao. Các dải tần mmWave cho phép gộp một số lượng Tuy nhiên, mạng hoạt động ở dải tần mmWave nên lớn các Anten thành dạng chùm định hướng cao trên gặp một số bất lợi cho kênh truyền như: Sự suy hao một khoảng cách ngắn [2]. Nhưng khi truyền thông đường truyền lớn (Path Loss), chịu tác động hấp thụ mmWave ở khoảng cách xa yêu cầu công suất truyền khí quyển của CO2, O2, hay bị suy giảm tín hiệu do cao hơn dễ xảy ra tắc nghẽn. Do đó, kiến trúc tự liên mưa, sương mù, tuyết gây ra. Chính những yếu tố này kết đa bước được coi như là một giải pháp trong truyền làm giảm đáng kể phạm vi và khả năng cung cấp dịch dẫn trên khoảng cách xa trong mạng 5G mmWave [1]. vụ của mmWave so với các hệ thống di động băng Tuy nhiên, việc sử dụng cấu trúc đa bước sẽ làm tăng rộng hiện có. trễ truyền dẫn [3]. Hiện nay, đã có công trình nghiên cứu về mô hình phân bố tốc độ trong mạng mmWave tự liên kết [4], chế độ Người phản biện: 1. GS. TSKH. Thân Ngọc Hoàn hoạt động của mạng mmWave, giới hạn nhiễu tín hiệu 2. PGS. TS. Trần Xuân Tú hoặc can nhiễu, sự phụ thuộc vào mật độ can nhiễu và Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, Số 2 (77) 2022 11
NGHIÊN CỨU KHOA HỌC phương thức truyền dẫn. Một số nghiên cứu RA (rate allocation) liên kết, kiểm soát tắc nghẽn, định tuyến và lập lịch cho mạng không dây đa bước, hợp nhất độ trễ tỷ lệ dựa trên tổng số dư hàng đợi, áp dụng khái niệm thuật toán đối áp để khai thác lợi thế đa đầu vào. Công trình [5] đưa ra vấn đề lập lịch chung và kiểm soát tắc nghẽn trong mạng mmWave đa bước sóng bằng cách sử dụng khung NUM. Trong đó mô hình IF đưa ra giới hạn trên rất chặt chẽ để đánh giá hệ thống thực tế trong mạng di động mmWave để có thông lượng tối ưu. Tuy nhiên, Công trình [5] đã bỏ qua khía cạnh quan trọng trong mạng 5G là độ trễ thấp và độ tin cậy cao khi tối ưu hóa hiệu suất mạng [4]. Hình 1. Minh họa mạng mmWave tự liên kết đa bước Trong công trình [7] đã giải quyết vấn đề phân bổ lưu 2.2. Mô hình kênh mmWave MIMO lượng và lập lịch đa bước trong mạng mmWave để Do sự tán xạ không gian bị giới hạn trong quá trình lan giảm thiểu độ trễ đầu cuối. Độ trễ tối thiểu được tính truyền sóng mm, nên nếu có L(i, j) cụm giữa máy phát i dựa trên các phần của lưu lượng qua các kênh sao và máy thu j, thì L(i, j)
LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA 𝑍𝑍 𝑓𝑓 tức là ∑ Pr⁡(𝑍𝑍 𝑓𝑓𝑚𝑚 ) = 1 . π = {π1, · , πf, ·., πF} ∈ Π là Dựa trên mô hình phân tích chính xác [10] để phân và ổn định mạng. Cụ thể, 𝑔𝑔(𝑖𝑖,𝑗𝑗) và 𝑔𝑔(𝑖𝑖,𝑗𝑗) biểu diễn độ (𝑡𝑡) (𝑟𝑟) tích hiệu suất trễ thông lượng, kiểm soát tắc nghẽn 𝑚𝑚 𝜔𝜔(𝑖𝑖,𝑗𝑗) và 𝜔𝜔(𝑖𝑖,𝑗𝑗) biểu diễn các góc lệch phân bố xác suất toàn cục của tất cả các vectơ phân (𝑡𝑡) (𝑟𝑟) thu được. Gọi 𝑥𝑥̅ 𝑓𝑓 là tốc độ trung bình có thể đạt được lợi tạo chùm tia tương tự của máy phát i và máy thu luồng với Π là tập hợp tất cả các PMF toàn cục có thể j tương ứng, đặt 𝜃𝜃(𝑖𝑖,𝑗𝑗) và 𝜃𝜃(𝑖𝑖,𝑗𝑗) lần lượt biểu thị độ rộng chùm tia tại (𝑡𝑡) (𝑟𝑟) 1 khỏi đường đi mạnh nhất giữa máy phát i và máy thu j, của luồng f sao cho. t−1 xf ≜ lim ̅ ∑ xf (τ) n→∞ t τ=0 máy phát i và máy thu j và dùng kiểu anten bức xạ [9, (9) 2𝜋𝜋 − (2𝜋𝜋 − 𝜃𝜃(𝑖𝑖, 𝑗𝑗) )Γ 𝜃𝜃(𝑖𝑖, 𝑗𝑗) 10] để xác định độ lợi chùm tia là: , 𝑛𝑛ế𝑢𝑢 |𝜔𝜔(𝑖𝑖, 𝑗𝑗) | ≤ 𝑔𝑔(𝑖𝑖, 𝑗𝑗)(𝜔𝜔(𝑖𝑖, 𝑗𝑗) , 𝜃𝜃(𝑖𝑖, 𝑗𝑗) ) = { 𝜃𝜃(𝑖𝑖, 𝑗𝑗) 2 (4) Coi tốc độ có thể đạt được bị giới hạn theo (10). Γ, trường hợp khác 0 ≤ x f (t) ≤ amaxf (10) a f là tốc độ lớn nhất có thể đạt được của luồng f tại max U0 là hàm hữu ích mạng, khi đó 𝑈𝑈0 (𝑥𝑥̅) = ∑ 𝑈𝑈(𝑥𝑥̅ 𝑓𝑓 ) 0 < Γ 0 [11, 12]. Lúc đó (12) trở thành. 𝑖𝑖 tại SCBS i là từ SCBS khác hoặc MBS, sự thay đổi hàng đợi tại SCBS i = {1, ··, B} được chỉ ra trong (8). (15) + 𝑄𝑄 𝑓𝑓 (𝑡𝑡 + 1) = [𝑄𝑄 𝑓𝑓 (𝑡𝑡) − 𝑟𝑟𝑓𝑓 (𝑡𝑡), 0] + 𝑟𝑟𝑓𝑓 (𝑡𝑡) (𝑖𝑖,𝑖𝑖 𝑓𝑓 ) (𝑖𝑖 𝑓𝑓 ,𝑖𝑖) (0) (1) 𝑖𝑖 𝑖𝑖 Coi af(t) tuân theo một quá trình Poisson [13], độ dài (8) 𝑡𝑡 hàng đợi (7) với i = 0 là: 𝐸𝐸[𝑄𝑄 𝑓𝑓 (𝑡𝑡)] = 𝑡𝑡𝑎𝑎 𝑓𝑓 − ∑ ̅ ∑ 𝜋𝜋 𝑓𝑓𝑚𝑚 𝑟𝑟𝑓𝑓 (𝜏𝜏) (0) (𝑖𝑖,𝑖𝑖 𝑓𝑓 ) 𝑖𝑖 3. LẬP CÔNG THỨC CHO BÀI TOÁN 𝜏𝜏=0 𝑚𝑚=1,𝑖𝑖 (0) ∈𝑍𝑍 𝑚𝑚 (16) 𝑓𝑓 𝑓𝑓 Giả sử MBS xác định được đường dẫn để phân chia luồng dữ liệu f với phân phối xác suất cho trước là Và độ dài hàng đợi dự kiến (5) cho mỗi SCBS là: 𝑡𝑡 𝐸𝐸[𝑄𝑄 𝑓𝑓 (𝑡𝑡)] = ∑ ∑ 𝜋𝜋 𝑓𝑓𝑚𝑚 (𝑟𝑟𝑓𝑓 (𝜏𝜏) − 𝑟𝑟𝑓𝑓 (𝜏𝜏)) (0) (0) (𝑖𝑖 𝑓𝑓 ,𝑖𝑖) (𝑖𝑖, 𝑖𝑖 𝑓𝑓 ) 𝑖𝑖 , với thì sác xuất chọn đường 𝜏𝜏=0 𝑚𝑚=1, m của luồng f là . là tập hợp (17) (0) 𝑖𝑖 𝑓𝑓 ∈𝑍𝑍 𝑓𝑓𝑚𝑚 tập đường dẫn rời rạc m luồng f theo dõi, 𝑧𝑧𝑓𝑓 = 1 khi 𝑚𝑚 đường dẫn rời rạc luồng f theo dõi, là trạng thái/ Từ (15) và (16) ta được (18) cho các yêu cầu về tốc độ đường m được chọn để gửi dữ liệu trong luồng f, πf là tức thời để phân tích và tối ưu hóa vấn đề URLLC [11] hàm khối lượng xác suất (PMF) của vectơ phân luồng, cho MBS i = 0. Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, Số 2 (77) 2022 13
NGHIÊN CỨU KHOA HỌC 𝑡𝑡 𝐹𝐹 (0) 𝐵𝐵 ̅ 𝑓𝑓 (𝑡𝑡 − 𝜖𝜖𝜖𝜖 𝑎𝑎 𝑚𝑚𝑚𝑚𝑚𝑚 ) −∑ ∑ 𝜋𝜋 𝑓𝑓𝑚𝑚 𝑟𝑟𝑓𝑓 (𝜏𝜏) ≤ ∑ 𝜋𝜋≤ 𝑟𝑟𝑓𝑓 ∑ (𝑡𝑡) 𝐸𝐸 [∑ 𝜋𝜋 𝑓𝑓𝑚𝑚 (𝑟𝑟𝑓𝑓 (0) (𝑖𝑖,𝑖𝑖 𝑓𝑓 ) (𝑖𝑖,𝑖𝑖 ) 𝑓𝑓 ∑ 𝑄𝑄 𝑓𝑓 (𝜏𝜏) − 𝑟𝑟𝑓𝑓 (𝜏𝜏)) Ξ(𝑡𝑡)] 𝑚𝑚 (𝑖𝑖 𝑓𝑓 ,𝑖𝑖) (𝑖𝑖, 𝑖𝑖 𝑓𝑓 ) (1) (0) 𝑓𝑓 𝑖𝑖 𝜏𝜏=0 𝑚𝑚=1,𝑖𝑖 (0) ∈𝑍𝑍 𝑚𝑚 (0) 𝑚𝑚=1,𝑖𝑖 𝑓𝑓 ∈𝑍𝑍 𝑓𝑓𝑚𝑚 𝑓𝑓=1 𝑖𝑖=1 𝑚𝑚 𝑓𝑓 𝑓𝑓 𝐹𝐹 − ∑ 𝑄𝑄 𝑓𝑓 𝐸𝐸 [ ∑ 𝜋𝜋 𝑓𝑓𝑚𝑚 𝑟𝑟𝑓𝑓 | Ξ(𝑡𝑡)] (𝑖𝑖, 𝑖𝑖 𝑓𝑓 ) (0) (𝜏𝜏) ≤ (𝑡𝑡) 𝑖𝑖|𝑖𝑖=0 𝑟𝑟𝑓𝑓 ∑ 𝜋𝜋 𝑓𝑓𝑚𝑚 𝑟𝑟𝑓𝑓 (0) (0) (𝑖𝑖,𝑖𝑖 𝑓𝑓 ) (𝑖𝑖,𝑖𝑖 𝑓𝑓 ) (18) 𝑓𝑓=1 𝑚𝑚=1,𝑖𝑖 𝑓𝑓 ∈𝑍𝑍 𝑓𝑓𝑚𝑚 (0) (26) (0) 𝑚𝑚=1,𝑖𝑖 𝑓𝑓 ∈𝑍𝑍 𝑓𝑓𝑚𝑚 𝐹𝐹 + ∑ 𝐸𝐸[𝑌𝑌𝑓𝑓 𝜑𝜑 𝑓𝑓 − 𝑣𝑣𝑣𝑣(𝜑𝜑 𝑓𝑓 ) − 𝑌𝑌𝑓𝑓 𝑥𝑥 𝑓𝑓 |Ξ(𝑡𝑡)] + Ψ Từ (15) và (17) ta có (19) với SCBS i = {1,. ·, B}. 𝑡𝑡−1 −𝑎𝑎 𝑓𝑓 𝜖𝜖𝜖𝜖 𝑚𝑚𝑚𝑚𝑚𝑚 + ∑ ∑ 𝜋𝜋 𝑓𝑓𝑚𝑚 (𝑟𝑟𝑓𝑓 ̅ (𝜏𝜏) − 𝑟𝑟𝑓𝑓 (𝜏𝜏)) ≤ (1) (𝑖𝑖 𝑓𝑓 ,𝑖𝑖) (0) (𝑖𝑖,𝑖𝑖 𝑓𝑓 ) 𝑓𝑓=1 𝜏𝜏=1 𝑚𝑚 Ψ là một hằng số hữu hạn. ∑ 𝜋𝜋 𝑓𝑓𝑚𝑚 (𝑟𝑟𝑓𝑓 (𝑡𝑡) − 𝑟𝑟𝑓𝑓 (𝑡𝑡)) (0) (1) (𝑖𝑖, 𝑖𝑖 𝑓𝑓 ) (𝑖𝑖 𝑓𝑓 ,𝑖𝑖) (19) Giải pháp cho (20) có thể nhận được bằng cách tối thiểu hóa giới hạn trên trong (26). Với mọi t, X(t) cho 𝑚𝑚 ba trường hợp và các giải pháp cho từng trường hợp (18) và (19) thay (12) trong bài toán ban đầu (11). như sau. Vectơ tách dòng và phân phối xác suất được xác định 𝐹𝐹 bởi 𝑃𝑃1: min ∑ ℵ 𝑓𝑓 thỏa mãn (13) với 4. LỰA CHỌN ĐƯỜNG DẪN DỰ KIẾN VÀ THUẬT 𝜋𝜋 TOÁN PHÂN BỐ TỐC ĐỘ 𝑓𝑓=1 𝐵𝐵 Bỏ qua giới hạn về độ trễ, dùng một tập các biến phụ ℵ 𝑓𝑓 = ∑ 𝑄𝑄 𝑖𝑖𝑓𝑓 ∑ 𝜋𝜋 𝑚𝑚 (𝑟𝑟𝑓𝑓 − 𝑟𝑟𝑓𝑓 ) (1) (0) để tinh chỉnh bài toán (11), kế tiếp chuyển các ràng (𝑖𝑖 𝑓𝑓 ,𝑖𝑖) (𝑖𝑖, 𝑖𝑖 𝑓𝑓 ) 𝑓𝑓 𝑖𝑖=1 𝑚𝑚 buộc thành hàng đợi ảo và viết hàm trôi dạt có điều kiện Lyapunov. Cuối cùng, tối thiểu hóa Lyapunov trôi −𝑄𝑄 ∑ 𝜋𝜋 𝑓𝑓𝑚𝑚 𝑅𝑅 (27) 𝑖𝑖|𝑖𝑖=0 𝑓𝑓 dạt và một hình phạt từ hàm mục tiêu (11) được viết 𝑓𝑓 (0) ( 𝑖𝑖, 𝑖𝑖 𝑓𝑓 ) 𝑅𝑅𝑅𝑅: max ̅̅̅̅̅̅̅̅ 𝑈𝑈0 (𝜑𝜑) (0) 𝑚𝑚=1,𝑖𝑖 𝑓𝑓 ∈𝑍𝑍 𝑓𝑓 𝑚𝑚 lại như sau: ̅̅̅ 𝜋𝜋,𝑝𝑝 𝜑𝜑, (20) 𝐹𝐹 𝜑𝜑 𝑓𝑓 − 𝑥𝑥̅ 𝑓𝑓 ≤ 0 ̅ 𝑆𝑆𝑆𝑆2: min ∑[𝑌𝑌 𝑓𝑓 𝜑𝜑 𝑓𝑓 − 𝑣𝑣𝑣𝑣( 𝜑𝜑 𝑓𝑓 )] phụ thuộc vào . Gọi là Chọn các biến phụ tối ưu bằng cách giải Với 𝜑𝜑|𝜋𝜋 𝑓𝑓=1 (21) Ở đây: SP2. Giả sử hàm tiện ích logarit, ta có 𝜑𝜑∗ = 𝑚𝑚𝑚𝑚𝑚𝑚 { 𝑌𝑌 , 0}. nghiệm tối ưu từ đạo hàm bậc nhất của hàm mục tiêu 𝜈𝜈 𝜑𝜑 ≜ lim ∑ 𝑡𝑡 𝐸𝐸[|𝜑𝜑(𝜏𝜏)|]. Để đảm bảo điều kiện (21), ̅ (21) thay (14) khi φ = (φ1, · · ·, φF). Trong (21) 𝑓𝑓 𝜏𝜏=0 𝑓𝑓 𝑛𝑛→∞ 𝐹𝐹 𝑌𝑌𝑓𝑓 (𝑡𝑡 + 1) = [𝑌𝑌𝑓𝑓 (𝑡𝑡) + 𝜑𝜑 𝑓𝑓 (𝑡𝑡) − 𝑥𝑥 𝑓𝑓 (𝑡𝑡)] , ∀𝑓𝑓 ∈ 𝐹𝐹 dùng vectơ hàng đợi ảo Yf(t). RA được chỉ định công suất phát bằng + 𝑃𝑃3: min ∑ −𝑌𝑌 𝑓𝑓 𝑥𝑥 𝑓𝑓 dựa trên (10), (18), (19). 𝑥𝑥,𝑝𝑝|𝜋𝜋 𝑡𝑡)) − 𝑣𝑣𝑣𝑣[𝑈𝑈0 (𝜑𝜑)|Ξ(𝑡𝑡)]= (Q (t), Y(t)) là các tồn đọng của hàng đợi, độ (22) 𝑓𝑓=1 Gọi ∆(Ξ(𝑡𝑡)) = 𝐸𝐸[𝐿𝐿(Ξ(𝑡𝑡 + 1) − 𝐿𝐿(Ξ(𝑡𝑡)|Ξ(𝑡𝑡)] trôi Lyapunov có điều kiện cho vị trí t là. 4.1. Chọn đường dẫn m là 𝑢𝑢 𝑓𝑓𝑚𝑚 = 𝑢𝑢 𝑓𝑓 (𝑧𝑧𝑓𝑓𝑚𝑚 , 𝑢𝑢𝑓𝑓𝑚𝑚 =. Vectơ, 𝑧𝑧𝑓𝑓 )biểu thị vectơ phân 𝑧𝑧 −𝑚𝑚 ) 𝑢𝑢 𝑓𝑓 (𝑧𝑧𝑓𝑓𝑚𝑚 −𝑚𝑚 (23) Gọi hàm tiện ích của luồng f khi sử dụng đường dẫn 𝑓𝑓 1 𝐹𝐹 𝐵𝐵 𝐵𝐵 L(Ξ(𝑡𝑡)) ≜ [∑ ∑ 𝑄𝑄 𝑓𝑓 (𝑡𝑡)2 + ∑ 𝑌𝑌𝑓𝑓 (𝑡𝑡)2] 𝑖𝑖 2 luồng không kể đường đi m. MBS có thể chọn nhiều 𝑓𝑓=1 𝑖𝑖=0 𝑓𝑓=1 (24) hơn một đường dẫn để SP1 cấp dữ liệu, độ lợi của min ∆(Ξ(𝑡𝑡)) bậc hai (𝜑𝜑)|Ξ(𝑡𝑡)] Áp dụng kỹ ) − 𝑣𝑣𝑣𝑣[𝑈𝑈0 (𝜑𝜑)|Ξ(𝑡𝑡)] là hàm Lyapunov − 𝑣𝑣𝑣𝑣[𝑈𝑈0của 𝑢𝑢 𝑓𝑓𝑚𝑚 = ∑ 𝑢𝑢 𝑓𝑓𝑚𝑚 = −ℵ 𝑓𝑓 luồng f là: L( ) . 𝑚𝑚 (28) thuật trôi dạt-cộng-phạt Lyapunov [13], giải pháp của (20) thu được bằng cách giảm thiểu độ lệch Lyapunov Để khai thác thông tin lịch sử, MBS xác định vectơ min ∆(Ξ(𝑡𝑡)) − 𝑣𝑣𝑣𝑣[𝑈𝑈0 (𝜑𝜑)|Ξ(𝑡𝑡)] và hình phạt từ hàm mục tiêu là: phân chia luồng cho mỗi luồng f từ Zf dựa trên PMF từ Nếu Φ 𝑓𝑓 (𝑡𝑡) = (Φ 𝑓𝑓 (𝑡𝑡), … , Φ 𝑓𝑓 (𝑡𝑡), … , Φ 𝑓𝑓 (𝑡𝑡)) được định 𝑍𝑍 giai đoạn trước t - 1. 1 𝑚𝑚 𝑓𝑓 (25) Trong đó: nghĩa như là một vectơ hối tiếc xác định vectơ phân ν là một tham số điều khiển để kết hợp tính tối ưu của luồng cho dòng f. MBS chọn vectơ phân luồng có độ tiện ích và độ dài hàng đợi [13]. hối tiếc cao nhất thì xác suất chiến lược hỗn hợp được [Φ 𝑓𝑓𝑚𝑚 (𝑡𝑡)] + Hơn nữa, tính ổn định của X(t) đảm bảo các ràng buộc cho là: toán tối ưu hóa Lyapunov, chọn φ ∈ ℛ , π khả thi và 𝜋𝜋 𝑓𝑓𝑚𝑚 (𝑡𝑡) = của bài toán (13) và (21) được giữ nguyên. Theo tính ∑ 𝑚𝑚′ ∈𝑍𝑍 𝑓𝑓 [Φ 𝑓𝑓𝑚𝑚 (𝑡𝑡)] ′ + (29) X(t) khả thi với mọi t, ta thu được: 14 Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, Số 2 (77) 2022
LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA 2 𝑦𝑦 ( 𝑙𝑙)2 (1 + 𝑝𝑝 |𝑔𝑔(𝑖𝑖 (1),𝑖𝑖) | ) 𝑓𝑓 2𝑦𝑦𝑦𝑦 MBS tìm các đường tốt nhất trong số các đường kích ( 𝑙𝑙) − ≥ 𝑒𝑒 𝐷𝐷𝑖𝑖 (36) (1) hoạt trong thời gian dài. Nếu MBS dành nhiều thời gian (𝑖𝑖 𝑓𝑓 ,𝑖𝑖) 𝑓𝑓 𝑓𝑓 2 2 2 1 + 𝑝𝑝 |𝑔𝑔(𝑖𝑖 (1),𝑖𝑖) | (1 + 𝑝𝑝 |𝑔𝑔(𝑖𝑖 (1),𝑖𝑖) | ) 𝑓𝑓( 𝑙𝑙) 𝑓𝑓( 𝑙𝑙) cho việc tìm kiếm các đường dẫn (thăm dò) thì thời (1) (𝑖𝑖 𝑓𝑓 ,𝑖𝑖) 𝑓𝑓 (1) (𝑖𝑖 𝑓𝑓 ,𝑖𝑖) 𝑓𝑓 gian hội tụ lâu. Nếu MBS chỉ khai thác được một hoạt động (khai thác) mang lại lợi nhuận cao nhất lúc đầu, Chỉ số l biểu thị lần lặp thứ l. Giải bài toán lồi lặp đi lặp thì sẽ mất cơ hội nhận được thưởng cao sau đó. Để lại gần đúng của (30) theo thuật toán 1, bài toán gần cân bằng giữa thăm dò và khai thác, ta sử dụng logit 𝐹𝐹 đúng được đưa ra (37). min ∑ −𝑌𝑌 𝑓𝑓 𝑥𝑥 𝑓𝑓 hạt nhân Boltzmann-Gibbs (BG) trong huấn luyện các 𝑥𝑥,𝑝𝑝|𝜋𝜋 đường dẫn tốt nhất. 𝑓𝑓=1 (37) 𝑟𝑟𝑓𝑓 = log (1 + 𝑝𝑝(𝑖𝑖,𝑗𝑗) |𝑔𝑔(𝑖𝑖,𝑗𝑗) (ℎ)| ) 2 4.2. Phân bổ tốc độ (𝑖𝑖,𝑗𝑗) 𝑓𝑓 Thỏa mãn (10), (31), (33), (34), (37). Coi là tốc độ truyền, |𝑔𝑔(𝑖𝑖,𝑗𝑗) (ℎ)| ̃ Thuật toán 1 RA lặp đi lặp lại. 2 có thể được mô hình hóa như |𝑔𝑔(𝑖𝑖,𝑗𝑗) (ℎ)| = trong đó độ lợi kênh hiệu quả cho các kênh mmWave 2 Khởi tạo: Đặt l = 0 và tạo điểm ban đầu y(l). 1 + 𝐼𝐼 𝑚𝑚𝑚𝑚𝑚𝑚 Repeat. [14]. Ở đây 𝑔𝑔(𝑖𝑖,𝑗𝑗) (ℎ) và Imax lần lượt biểu thị độ lợi ̃ Giải (24) với y(l) để được giá trị tối ưu y (l)*. Cập nhật y(l + 1): = y (l)*; l: = l + 1. 𝐷𝐷𝑖𝑖 , các giá trị tối ưu của 𝑓𝑓 kênh chuẩn hóa và nhiễu cực đại. Để đơn giản đặt vế Until hội tụ. trái (LHS) của (18) và (19) là Dựa trên phương pháp SOCP đưa xấp xỉ bài toàn không lồi ban đầu thành bài toán lồi mạnh (37). Giả sử điều khiển luồng x và công suất phát p trong bài toán thuật toán 1 có lời giả ở lần lặp thứ l+1. Luật cập nhật 𝐹𝐹 con 3 (SP3) được tìm được bằng việc tối thiểu hóa. trong thuật toán 1 phải đảm bảo các giá trị tối ưu y(l) tại min ∑ −𝑌𝑌 𝑓𝑓 𝑥𝑥 𝑓𝑓 lần lặp thứ l thỏa mãn tất cả các điều kiện trong (30) và 𝑥𝑥,𝑝𝑝|𝜋𝜋 khả thi đối với bài toán tối ưu hóa ở lần lặp thứ l+1. Do 𝑓𝑓=1 (30) đó, mục tiêu thu được trong lần lặp l+1 nhỏ hơn hoặc bằng giá trị đó trong lần lặp thứ l vì hàm tối thiểu hóa Với điều kiện. là tuyến tính. 2 1 + 𝑝𝑝 𝑓𝑓 (0) |𝑔𝑔(𝑖𝑖, 𝑖𝑖 (0)) | ≥ 𝑒𝑒 𝑥𝑥 𝑓𝑓 , ∀𝑓𝑓 ∈ 𝐹𝐹, 𝑖𝑖 = 0 (𝑖𝑖, 𝑖𝑖 𝑓𝑓 ) 5. KẾT QUẢ 𝑓𝑓 (31) Giả định mô hình mô phỏng có hai luồng từ MBS đến 2 1 + 𝑝𝑝 𝑓𝑓 |𝑔𝑔(𝑖𝑖, 𝑖𝑖 (0)) | hai UE với 4 đường dẫn có sẵn cho mỗi luồng. MBS ≥ 𝑒𝑒 𝐷𝐷𝑖𝑖 , 𝑓𝑓 ∈ 𝐹𝐹, ∀𝑖𝑖 = 1: 𝐵𝐵 (0) (𝑖𝑖,𝑖𝑖 𝑓𝑓 ) 𝑓𝑓 𝑓𝑓 chọn hai đường dẫn từ bốn đường đã cho. Mỗi đường 2 1 + 𝑝𝑝 𝑓𝑓 (0) |𝑔𝑔(𝑖𝑖 (0),𝑖𝑖) | (32) dẫn có hai rơle, tổng số SCBS là 8 và khoảng cách (𝑖𝑖 𝑓𝑓 ,𝑖𝑖) 𝑓𝑓 một bước thay đổi từ 50÷100m. Công suất phát lớn nhất của MBS và mỗi SC tương ứng là 43 dBm và ∑ 𝑝𝑝 ≤ 𝑃𝑃𝑖𝑖 𝑚𝑚𝑚𝑚𝑚𝑚 , ∀𝑖𝑖 ∈ 𝐵𝐵, ∀𝑓𝑓 ∈ 𝐹𝐹 𝑓𝑓 30 dBm, độ lợi của anten SC là 5 dBi. Số lượng anten (0) (𝑖𝑖,𝑖𝑖 𝑓𝑓 ) 𝑓𝑓∈𝐹𝐹 (33) Nb tại mỗi BS được đặt lần lượt là 8 và 64 cho các mảng anten nhỏ và lớn. Số lượng anten Nk tại UE được (32) không lồi, làm giảm độ phức tạp của phương đặt lần lượt là 2 và 16 đối với các mảng anten nhỏ và lớn. pháp SCA. Giải (30) bằng cách thay (32) bằng xấp xỉ Số lượng chuỗi RF tại BS Rb và UE Rk được đặt thành lồi thích hợp của nó [14]. 8 và 2 tương ứng. 2 2 Giả định luồng lưu lượng được chia đều thành hai 2 2+ 𝑝𝑝 𝑓𝑓 (0) |𝑔𝑔(𝑖𝑖,𝑖𝑖 (0)) | 𝑝𝑝 |𝑔𝑔(𝑖𝑖, 𝑖𝑖 (0)) | 𝑓𝑓 luồng phụ, tốc độ đến cho mỗi luồng phụ thay đổi từ ≥ 𝑦𝑦 2 + (𝑖𝑖,𝑖𝑖 𝑓𝑓 ) (𝑖𝑖, 𝑖𝑖 𝑓𝑓 ) (0) 𝑓𝑓 2 2 𝑓𝑓 2 đến 5 Gbps đối với trường hợp mảng anten nhỏ. Yêu (34) √ ( ) cầu độ trễ tối đa β và xác suất tin cậy mục tiêu được đặt lần lượt là 10 ms và 5%. Đối với thuật toán học, 5, tốc độ học 𝑖𝑖 1 (𝑡𝑡), 𝑖𝑖 𝑓𝑓 (𝑡𝑡) và 𝑖𝑖 𝑓𝑓 (𝑡𝑡) được đặt tương 𝑦𝑦 2 2 ≥ 𝑒𝑒 𝐷𝐷𝑖𝑖 . và 3 nhiệt độ Boltzmann (hệ số cân bằng) κf được đặt là 𝑓𝑓 2 𝑓𝑓 1 + 𝑝𝑝 |𝑔𝑔(𝑖𝑖 (1),𝑖𝑖) | 1 1 1 𝑓𝑓 (35) (1) (𝑖𝑖 𝑓𝑓 ,𝑖𝑖) 𝑓𝑓 (𝑡𝑡+1)0,51 (𝑡𝑡+1)0,55 và (𝑡𝑡+1)0,6 ứng là và . Công thức (35) có dạng của bất đẳng thức hình nón 5.1. Hệ thống mảng anten nhỏ bậc hai, LHS của công thức (35) là một hàm bậc hai µ . Khi tăng µ , các đường cơ sở 3, 2 và 1 vi phạm ̅ ̅ trên affine được thay thế lặp đi lặp lại bằng thứ tự đầu Xét mảng anten nhỏ Ni = 8, Nj = 2. Hình 2, cho biết độ các ràng buộc về độ trễ tương ứng ở µ = 3,5, 4,5 và 5 ̅ tiên để thực hiện xấp xỉ lồi: trễ trung bình một bước so với tốc độ đến trung bình Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, Số 2 (77) 2022 15
NGHIÊN CỨU KHOA HỌC bố sác xuất tăng dần theo µ nhưng dưới mức β = 10 ms. ̅ Gbps. Trong khi độ trễ trung bình của thuật toán phân so sánh thông lượng, với Gbps, thông lượng mạng trung bình trên mỗi luồng phụ là 4,4874 Gbps, trong Như vậy, yêu cầu về độ trễ thỏa mãn tốc độ tức thời khi các đường cơ sở 1, 2 và 3 lần lượt là 4,4759, tương đương như thuật toán phân bố sác xuất theo 4,4682 và 4,3866 Gbps. Ở đây, lược đồ đơn bước (19) và (20), trong khi đường cơ sở 1 và 3 sử dụng chỉ cấp 3,55 Gbps do mất đường truyền cao và gây phương pháp cân bằng độ trễ thích nghi truyền thống trễ lớn. bỏ qua giới hạn độ trễ và đường cơ sở 2 chỉ xem xét cơ chế PS ngẫu nhiên. Việc áp dụng thuật toán huấn hơn. Khi µ = 4,5 Gbps, độ trễ trung bình một bước của ̅ luyện đường truyền sẽ chọn được đường dẫn có sự cộng hưởng cao và ít tắc nghẽn làm cho độ trễ nhỏ đường cơ sở 1 thấp hơn đường cơ sở 2 và 3, cụ thể độ trễ giảm lần lượt là 50,64%, 81,32% và 92,9% của các đường cơ sở 1, 2 và 3. Hình 4. Chiều dài trung bình của hàng đợi MBS so với tốc độ đến trung bình Hình 2. Trễ trung bình của một bước so với tốc độ Ở µ = 4,5 Gbps, độ trễ trung bình của tất cả các ̅ đến trung bình đường cơ sở tăng đáng kể, vi phạm yêu cầu về độ trễ Hình 5. CCDF của trễ một bước so với xác suất là 10 ms, trong khi thiết kế của bài báo vẫn đảm bảo trễ cho phép ∈ yêu cầu về độ trễ. Hình 4, là một hàm của tốc độ đến trung bình. Khi tăng tốc độ đến trung bình từ 2 lên 5 Gbps, độ dài hàng đợi MBS trung bình của thuật toán phân bố sác xuất được tăng từ 0,01 Gb lên 0,04 Gb, có nghĩa là độ trễ trung bình tại MBS tăng từ 5 ms lên 8 ms, điều này đáp ứng giới hạn độ trễ (12). Ngược lại, độ dài hàng đợi trung bình của các đường cơ sở được tăng lên đến 16 ms, điều này vi phạm giới hạn độ trễ (12). κ = 5 và µ = 4,5 Gbps. Trong khoảng từ 0,05 đến ̅ Hình 5, cho biết phân bố đuôi của độ trễ một bước (theo thang logarit) so với xác suất chắc chắn là β = 10 ms, Hình 3. CCDP của trễ một bước dùng mảng anten nhỏ 0,15, xác xuất để hệ thống đạt được độ trễ lớn hơn độ độ trễ lớn hơn mức độ trễ mục tiêu là µ = 4,5 Gbps, ̅ Hình 3, phân đuôi (hàm phân bố tích lũy bổ sung trễ mục tiêu là cao hơn. Trong Hình 5, xác suất để hệ (CCDF)) của độ trễ cho biết tần suất hệ thống đạt được thống đạt được độ trễ lớn hơn 4 ms tăng từ dưới 1% lên 8% khi tăng từ 0,05 lên 0,15. Điều này cho thấy ∈ = 5%, β = 10 ms. Ngược lại với độ trễ trung bình, sự cân bằng giữa độ tin cậy và độ trễ, bỏ qua độ tin cậy thì độ trễ sẽ cao hơn. Ví dụ: Ở µ = 4,5 Gbps, bằng cách áp đặt giới hạn độ ̅ phân bố đuôi là số liệu quan trọng phản ánh đặc tính URLLC. 5.2. Hệ thống mảng anten lớn Khi sử dụng các mảng anten lớn ở cả máy phát và trễ xác suất với xác suất là Pr (độ trễ > 10 ms) 10ms) độ rộng chùm tia của máy phát bị giảm đi 0,5 radian. = 0,08 và Pr (delay> 25 ms) 10 ms)> 0,12 và Pr (delay > 10 ms)> 0,24. Để thông LOS. 16 Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, Số 2 (77) 2022
LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA xuất phát. Trong trường hợp này, thuật toán hội tụ nhanh hơn, nhưng thiếu tính thăm dò, MBS sẽ không thử các đường dẫn khác, có thể khai thác tính đa dạng đường dẫn. Ở Hình 10, giá trị κ nhỏ dẫn đến độ trễ cao hơn trong thời gian dài. Nếu tăng κ, MBS khai thác môi trường mạng với xác suất cao hơn. Lợi ích của việc thăm dò là tận dụng sự đa dạng đường dẫn, cải thiện hiệu suất làm độ trễ thấp và giảm tắc nghẽn tại các BS. Ở Hình 10, độ trễ trung bình giảm theo κ và khi giá trị κ lớn thì lớn µ = 4,5 Gbps ̅ hội tụ chậm. Hình 6. CCDF của trễ một bước dùng mảng anten Hình 6 biểu thị biểu đồ CCDF của độ trễ một bước (theo thang logarit) cho các sơ đồ có tốc độ đến trung bình là 4,5 Gbps. Do độ lợi của anten cao hơn các sơ đồ không vi phạm giới hạn độ trễ với giới hạn trên là 10 ms và xác suất mục tiêu là 5% ở Hình 6. Tuy nhiên, đường cơ sở 3 không sử dụng hai tính năng quan trọng là học lựa chọn đường dẫn động và phân bổ tốc độ nhận biết URLLC nên đường cơ sở 3 có Hình 9. Sự hội tụ của thuật toán tương tác bình tăng đến µ = 9,5. ̅ phần phân bố độ trễ dài hơn. Hình 7 biểu thị CCDF về độ trễ một bước của các sơ đồ với tốc độ đến trung Hình 9 biểu diễn sự hội tụ của thuật toán lặp dưới dạng một hàm của số bước nhảy. Ở đây, sự phân bổ số lần lặp của thuật toán dựa trên SOCP, tiêu chuẩn hội tụ Có thể quan sát thấy rằng hiệu suất của thuật toán ngừng chạy với độ chính xác 10−2. Khi tăng số bước phân bố sác xuất bị suy giảm dưới tác động của các nhảy, số ràng buộc và biến số sẽ tăng lên dẫn đến số kênh tắc nghẽn trong đó phân bố độ trễ có đuôi dài lần lặp để thuật toán hội tụ đòi hỏi cũng cao hơn. Với hơn so với đường cơ sở 1. Khi tăng tốc độ đến trung thuật toán được đề xuất ở bài viết này chỉ cần vài lần bình, đường cơ sở 2 và 3 vi phạm giới hạn độ trễ với lặp lại đã hội tụ tại mỗi khe thời gian t như Hình 10. Ví xác suất cao. Độ trễ của tất cả các sơ đồ đều tăng khi dụ, đối với truyền ba bước, xác suất để số lần lặp lại tăng tốc độ đến của mạng, điều này nói lên sự cân có giá trị nhỏ hơn hoặc bằng 7 là 90%. bằng giữa độ trễ và tốc độ đến của mạng. 5.4. Ảnh hưởng từ nhiệt độ số cân bằng κ là ∈ = 5%, β = 10 ms và µ = 3,5 Gbps. ̅ Hình 10, cho biết độ trễ một bước trung bình so với tham Khi tăng dần κ sẽ cho phép MBS phát hiện các đường khác để đạt được độ lợi cao hơn trong thời gian dài, độ trễ trung bình một bước giảm dần khi κ tăng ít. lớn µ = 9,5 Gbps ̅ Hình 7. CCDF của trễ một bước dùng mảng anten 5.3. Đặc điểm hội tụ Hình 10. Trễ trung bình của một bước so với tham số nhiệt κ Khi κ rất lớn, bốn đường dẫn được xác định đồng nhất cho hai luồng trở thành PS ngẫu nhiên. Ví dụ, khi κ = 50, độ trễ trung bình cao hơn nhiều. Có thể thấy độ trễ trung bình là một hàm lồi của κ trong đó tồn tại một giá trị tối ưu đối với κ. Hình 8. Sự hội tụ của thuật toán khi hỗ trợ học 6. KẾT LUẬN Hình 8 biểu thị sự hội tụ học tập của sơ đồ PS dựa Bài viết kết hợp giữa giới hạn trễ xác suất và công trên thuật toán học tăng cường. Mô phỏng luồng f với nghệ phân chia lưu lượng trong mạng 5G mmWave để các giá trị của κ ∈ {2, 5, 10, 20}. Khi κ nhỏ, MBS quyết lập lịch đa đường đa bước trong truyền thông tin cậy định sử dụng các con đường có thưởng cao nhất lúc giữa các trạm. Đặc biệt, bài toán được mô hình hóa Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, Số 2 (77) 2022 17
NGHIÊN CỨU KHOA HỌC như một quá trình tối ưu hóa tiện ích mạng để giới hạn IEEE Trans, Wireless Commun., vol. 14, no. 11, pp. trễ đường truyền với sác xuất tin cậy và độ ổn định 6028-6042. mạng được đảm bảo. Bài viết đã dựa trên kỹ thuật [6]. G. Yang, M. Haenggi, and M. Xiao (2018), Traffic MIMO cỡ lớn và kỹ thuật truyền thông mmWave để cải allocation for low- latency multi-hop millimeter-wave thiện quá trình truyền dẫn của các tế bào nhỏ tự liên networks with buffers, IEEE Trans. Commun. kết đa bước nhảy. Nhờ sử dụng quá trình tối ưu hóa [7]. M. J. Neely (2010), Stochastic network optimization ngẫu nhiên, bài toán đã được tách thành PS và RA with application to communication and queueing và áp dụng phương pháp học tăng cường và phương systems, Synthesis Lectures on Commun. Netw., pháp xấp xỉ lồi liên tiếp, phân tích về mặt toán học hiệu vol. 3, no. 1, pp. 1-211. suất toàn diện của thuật toán đề xuất. Kết quả là độ trễ [8]. A. Alkhateeb, G. Leus and R. W. Heath (2015), của khung giảm lần lượt là 50,64% và 92,9% so với Limited feedback hybrid precoding for multi-user mil- các đường cơ sở có và không có quá trình học. limeter wave systems, IEEE Trans, Wireless Com- mun., vol. 14, no. 11, pp. 6481-6494. [9]. H. Shokri-Ghadikolaei, L. Gkatzikis, and C. Fischione TÀI LIỆU THAM KHẢO (2015), Beam-searching and transmission scheduling in millimeter wave commun, in Proc. IEEE Int. Conf. Commun, (ICC), IEEE, pp. 1292-1297. [1]. Qualcomm Technologies, Inc (2016), Leading the path towards 5G with LTE Advanced Pro, [10]. J. Liu and E. S. Bentley (2017), Hybrid-beamform- White Paper. ing-based millimeter-wave cellular network optimi- zation, in Proc. 15th Int. Symp, on Modeling and [2]. S. Hur et al (2013), Millimeter wave beamforming Optimization in Mobile, Ad Hoc, and Wireless Net- for wireless backhaul and access in small cell net- works (WiOpt), pp, 1-8. works, IEEE Trans. Commun., vol. 61, no. 10, pp. 4391-4403, Oct. [11]. T. K. Vu, C.-F. Liu, M. Bennis, M. Debbah, M. Lat- va-aho, and C. S. Hong (2017), Ultra-reliable and [3]. A. Zhou, M. Liu, Z. Li and E. Dutkiewicz (2012), low latency communication in mmWaveenabled Cross-layer design for proportional delay differenti- massive MIMO networks, IEEE Commun. Lett., vol. ation and network utility maximization in multi-hop 21, no. 9, pp. 2041-2044, Sep. wireless networks, IEEE Trans, Wireless Commun., vol. 11, no. 4, pp. 1446-1455. [12]. A. Mukherjee (2013), Queue-aware dynamic on/off switching of small cells in dense heterogeneous net- [4]. S. Singh, M. N. Kulkarni, A. Ghosh and J. G. An- works, in Proc. IEEE Global Commun. Conf. Work- drews (2015), Tractable model for rate in self-back- shops, Atlanta, GA, USA, Dec, pp, 182-187. hauled millimeter wave cellular networks, IEEE J. Sel, Areas Commun., vol. 33, no. 10, pp. 2196-2211. [13]. S. Boyd and L. Vandenberghe (2004), Convex opti- mization, Cambridge university press. [5]. J.García-Rois, F.Gómez-Cuba, M.R. Akdeniz, F. J. González-Castaño, J. C. Burguillo, S. Rangan and [14]. A. Ben-Tal and A. Nemirovski (2001), Lectures on B. Lorenzo (2015), On the analysis of scheduling in modern convex optimization: analysis, algorithms, dynamic duple multihop mmWave cellular systems, and engineering applications, SIAM. THÔNG TIN TÁC GIẢ Nguyễn Thị Quyên - Năm 2010: Tốt nghiệp Thạc sỹ ngành Công nghệ Điện tử, Viễn thông chuyên ngành Kỹ thuật điện tử Trường Đại học Công nghệ, Đại học Quốc gia Hà Nội. - Tóm tắt công việc hiện tại: Giảng viên khoa Điện, Trường Đại học Sao Đỏ. - Lĩnh vực quan tâm: Điều khiển, xử lý tín hiệu. - Điện thoại: 0915203904 Email: quyennt96.17@gmail.com Vũ Bảo Tạo - Năm 2013: Tốt nghiệp Thạc sỹ ngành Công nghệ thông tin chuyên ngành Công nghệ phần mềm Trường Đại học Công nghệ, Đại học Quốc gia Hà Nội. - Tóm tắt công việc hiện tại: Giảng viên khoa Công nghệ thông tin, Trường Đại học Sao Đỏ. - Lĩnh vực quan tâm: Quản trị mạng máy tính, công nghệ phần mềm. - Điện thoại: 0912519702 Email: taovb2006@gmail.com Hoàng Thị An - Năm 2012: Tốt nghiệp Thạc sỹ ngành Công nghệ thông tin chuyên ngành Khoa học Máy tính, Trường Học viện Kỹ thuật Quân sự. - Tóm tắt công việc hiện tại: Giảng viên khoa Công nghệ thông tin, Trường Đại học Sao Đỏ. - Lĩnh vực quan tâm: Xử lý ảnh, thực tại ảo, thị giác máy tính, trí tuệ nhân tạo, big data. - Điện thoại: 0984420897 Email: anhoangthi87@gmail.com 18 Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, Số 2 (77) 2022