TỔNG QUAN VỀ MACHINE LEARNING VÀ REINFORCEMENT
Machine learning
Trong những năm gần đây, Trí Tuệ Nhân Tạo (AI) và đặc biệt là Học Máy (Machine Learning) đã trở thành biểu tượng của cuộc cách mạng công nghiệp lần thứ tư, tương tự như động cơ hơi nước, năng lượng điện và công nghệ thông tin AI đang thâm nhập vào nhiều lĩnh vực trong cuộc sống hàng ngày mà chúng ta có thể không nhận ra, từ xe tự hành của Google và Tesla, hệ thống nhận diện khuôn mặt của Facebook, đến trợ lý ảo Siri của Apple và hệ thống gợi ý sản phẩm của Amazon Các ứng dụng của AI/Machine Learning không chỉ giới hạn ở đó, mà còn bao gồm hệ thống gợi ý phim của Netflix và máy chơi cờ vây AlphaGo của Google DeepMind.
1.1 Lịch sử ra đời và phát triển
Hình 1 1: lịch sử phát triển của machine learning
Năm 1950, Alan Turing, một trong những nhà toán học và khoa học máy tính vĩ đại nhất của Anh, đã phát minh ra phép thử Turing Phép thử này nhằm xác định trí thông minh của máy tính có thể giống như con người hay không Để vượt qua bài kiểm tra, máy tính phải thuyết phục con người tin rằng nó là một cá nhân khác, bên cạnh việc có một chương trình máy tính mô phỏng một cậu bé.
Một cậu bé 13 tuổi người Ukraine được cho là đã vượt qua bài kiểm tra Turing, đánh dấu một thành công nổi bật trong lĩnh vực trí tuệ nhân tạo, khi chưa có nỗ lực nào khác đạt được điều này tính đến thời điểm hiện tại.
Năm 1952, Arthur Samuels, một nhà tiên phong trong lĩnh vực trí tuệ nhân tạo và trò chơi máy tính, đã phát triển chương trình học máy tính đầu tiên, đó là trò chơi cờ caro Máy tính IBM đầu tiên sẽ phân tích các nước đi dẫn đến chiến thắng và tích hợp những chiến lược này vào chương trình của mình.
Năm 1957, Frank Rosenblatt đã thiết kế mạng nơ-ron đầu tiên cho máy tính, được gọi là perceptron, đánh dấu bước tiến quan trọng trong việc mô phỏng quá trình suy nghĩ của não người Đây chính là nền tảng cho sự phát triển của các mạng nơ-ron hiện đại ngày nay.
Năm 1967, thuật toán láng giềng gần nhất (KNN) lần đầu tiên được phát triển, cho phép máy tính thực hiện nhận dạng mẫu cơ bản Thuật toán này giúp lập bản đồ lộ trình cho nhân viên bán hàng, đảm bảo họ đi qua tất cả các thành phố cần thiết trong thời gian ngắn nhất Ngày nay, KNN chủ yếu được sử dụng để phân loại dữ liệu dựa trên các phân loại của láng giềng xung quanh Ứng dụng của KNN trong lĩnh vực bán lẻ bao gồm việc nhận diện các mẫu sử dụng thẻ tín dụng và ngăn chặn hành vi trộm cắp thông qua nhận diện hình ảnh từ CCTV trong các cửa hàng.
Năm 1981, Gerald Dejong đã giới thiệu khái niệm học tập dựa trên giải thích (EBL) Trong phương pháp này, máy tính tiến hành phân tích dữ liệu đào tạo để xây dựng một quy tắc chung, đồng thời loại bỏ những dữ liệu không quan trọng.
Năm 1985, Terry Sejnowski phát minh ra chương trình NetTalk, cho phép máy tính học phát âm từ giống như trẻ em trong quá trình tiếp thu ngôn ngữ Mạng nơ-ron nhân tạo này nhằm tái tạo một mô hình đơn giản hóa, thể hiện sự phức tạp của việc học các nhiệm vụ nhận thức ở cấp độ con người.
Trong những năm 1990, lĩnh vực học máy đã chuyển từ phương pháp tiếp cận theo hướng tri thức sang phương pháp dựa trên dữ liệu, cho phép các nhà khoa học và nghiên cứu phát triển các chương trình máy tính có khả năng phân tích lượng lớn dữ liệu và rút ra kết luận Sự tiến bộ này culminated trong việc phát triển máy tính IBM Deep Blue, máy tính đã đánh bại nhà vô địch cờ vua thế giới Garry Kasparov vào năm 1997.
Năm 2006, Geoffrey Hinton đã giới thiệu thuật ngữ "học sâu" để mô tả một loại thuật toán mới, giúp máy tính nhận diện và phân biệt các đối tượng cũng như văn bản trong hình ảnh và video.
Năm 2010, Microsoft Kinect ra mắt, có khả năng theo dõi 20 đặc điểm của con người với tốc độ 30 lần mỗi giây, cho phép người dùng tương tác với máy thông qua cử chỉ và chuyển động.
Năm 2011 đánh dấu một bước ngoặt quan trọng trong lĩnh vực học máy khi IBM’s Watson giành chiến thắng trước các đối thủ con người trong trò chơi Jeopardy Đồng thời, Google cũng phát triển Google Brain, một mạng nơ-ron sâu có khả năng học hỏi và phân loại các đối tượng, đặc biệt là mèo.
2012 - Phòng thí nghiệm Google X đã phát triển một thuật toán máy học có thể tự động duyệt các video trên YouTube và xác định những video có mèo
2014 - Facebook giới thiệu DeepFace, một thuật toán phần mềm đặc biệt có thể nhận dạng và xác minh các cá nhân trên ảnh ở cấp độ giống như con người
Năm 2015, Amazon ra mắt nền tảng máy học của riêng mình, giúp máy học trở nên dễ tiếp cận hơn và dẫn đầu trong phát triển phần mềm Cùng năm, Microsoft phát triển Bộ công cụ học máy phân tán, cho phép các nhà phát triển giải quyết hiệu quả các vấn đề về học máy trên nhiều máy Tuy nhiên, hơn 3.000 nhà nghiên cứu AI và robot, bao gồm Elon Musk và Stephen Hawking, đã ký một bức thư ngỏ cảnh báo về nguy cơ của vũ khí tự động có khả năng chọn mục tiêu mà không cần can thiệp của con người Đến năm 2016, thuật toán trí tuệ nhân tạo AlphaGo của Google đã đánh bại một kỳ thủ chuyên nghiệp trong trò chơi cờ vây, được coi là trò chơi bàn cờ phức tạp nhất thế giới, thắng 5 trong 5 ván và đưa AI lên trang nhất.
Năm 2020, Open AI đã ra mắt GPT-3, một thuật toán xử lý ngôn ngữ tự nhiên đột phá, nổi bật với khả năng tạo văn bản giống như con người khi được nhắc đến Hiện nay, GPT-3 được xem là mô hình ngôn ngữ tiên tiến và lớn nhất toàn cầu, với 175 tỷ tham số và được đào tạo trên siêu máy tính AI của Microsoft Azure.
1.2 Các phương pháp phổ biến nhất
Hình 1 2: Các phương pháp phổ biến của machine learning
Các thuật toán Học có Giám sát (Supervised Learning) sử dụng các ví dụ được gắn nhãn để áp dụng kiến thức từ quá khứ vào dữ liệu mới, nhằm dự đoán các sự kiện trong tương lai Chúng bắt đầu bằng việc phân tích tập dữ liệu đào tạo và từ đó đưa ra thông tin chi tiết để dự đoán giá trị đầu ra Sau khi được đào tạo đầy đủ, hệ thống có khả năng cung cấp mục tiêu cho bất kỳ đầu vào mới nào Đồng thời, thuật toán cũng so sánh kết quả với đầu ra chính xác để phát hiện lỗi và điều chỉnh mô hình cho phù hợp.
Reinforcement Learning
Reinforcement Learning là một phương pháp đào tạo mô hình Machine Learning nhằm đưa ra chuỗi quyết định trong các tình huống tương tự như trò chơi Trong quá trình này, trí tuệ nhân tạo (AI) sử dụng phương pháp thử và sai để tìm ra giải pháp cho vấn đề Các máy (agent) sẽ nhận phần thưởng hoặc hình phạt tùy thuộc vào hành động mà chúng thực hiện, với mục tiêu cuối cùng là tối đa hóa tổng phần thưởng nhận được.
Hình 1 6: Quy trình bài toán Reinforcement learning
• Environment (Môi trường): là không gian mà máy tương tác
• Agent (Máy): là chủ thể tương tác với môi trường qua hành động
• Policy (Chiến thuật): là chiến thuật mà máy sử dụng để đưa ra hành động
• State (Trạng thái): mô tả trạng thái hiện tại của máy
• Reward (Phần thưởng): phần thưởng từ môi trường tương ứng với hành động được thực hiện
• Action (Hành động): là những gì máy có thể thực hiện
Bắt đầu từ trạng thái S(t), agent sử dụng chính sách đã được thiết kế để thực hiện hành động A(t) trong môi trường Sau khi hành động được thực hiện, môi trường sẽ chuyển sang trạng thái tiếp theo S(t+1) và cung cấp phần thưởng R(t) tương ứng với hành động của agent Qui trình này sẽ được lặp lại cho đến khi agent tìm ra chuỗi hành động tối ưu nhằm tối đa hóa phần thưởng nhận được.
Hình 1 7: Trò chơi minh họa cách tìm đường cơ bản của RL [4]
Trong trò chơi đơn giản mô tả ở trên, mục tiêu là thu thập viên kim cương bắt đầu từ ô s9 Một giải pháp dễ dàng là di chuyển qua các ô s5, s1, s2, s3 để đến đích với quãng đường ngắn nhất Tuy nhiên, nếu agent bắt đầu từ ô s1, nó sẽ có hai hướng đi với giá trị tương đương Để đảm bảo agent thực hiện các hành động tối ưu, chúng ta cần tạo một bộ nhớ cho nó, sử dụng công thức Bellman Equation.
• 𝑎: Một action do agent thực hiện
• 𝑅(𝑠, 𝑎): Hàm số phần thưởng với biến là trạng thái 𝑠 và hành động 𝑎 và trả lại kết quả là giá trị của phần thưởng
• 𝑉(𝑠): giá trị tại một trạng thái cụ thể
Sau khi áp dụng phương trình Bellman, giá trị tại các trạng thái đã có sự thay đổi rõ rệt, như thể hiện trong hình 1.6.
Hình 1 8: Trò chơi khi được áp dụng thuật toán Bellman Equation
Hàm 𝑚𝑎𝑥 giúp 𝑎𝑔𝑒𝑛𝑡 xác định chuỗi hành động tối ưu, trong đó yếu tố giảm giá 𝛾 phản ánh khoảng cách đến đích Tuy nhiên, trong một số tình huống, việc lựa chọn giữa nhiều quyết định có thể khiến agent gặp khó khăn do tỉ lệ nhỏ từ phương trình Bellman Vấn đề nằm ở chỗ quá trình ra quyết định vừa mang tính ngẫu nhiên vừa nằm trong tầm kiểm soát; agent vẫn tuân thủ các chiến lược đã được thiết lập nhưng lại không thể dự đoán thời điểm sẽ xảy ra sự rối loạn Mặc dù vậy, chúng ta có thể tích hợp khái niệm này vào phương trình Bellman thông qua một số điều chỉnh nhỏ.
• 𝑃(𝑠, 𝑎, 𝑠′): xác suất di chuyển từ trạng thái 𝑠 sang 𝑠′ với hành động 𝑎 Quá trình này được biết đến với cái tên Markov's Decision Process (MDP)
Mô hình Q-Learning tương tự như quá trình đã đề cập trước đó, nhưng thay vì dựa vào giá trị của các trạng thái V(s) để đưa ra quyết định, Q-Learning tập trung vào việc đánh giá chất lượng của từng hành động 𝑄(𝑠, 𝑎) Để đánh giá các hành động này, chúng ta cần áp dụng công thức đã được trình bày trước đó.
Trong công thức này, chúng ta tập trung vào tất cả các trạng thái và hành động khả thi Khi loại bỏ hàm 𝑚𝑎𝑥, chúng ta nhận được công thức 𝑅(𝑠, 𝑎) +.
Giá trị của một trạng thái được xác định bởi tổng hợp các giá trị của các trạng thái kế tiếp, được tính toán dựa trên xác suất thực hiện hành động khả thi Từ đó, chúng ta có thể xây dựng phương trình đánh giá hành động Q(s, a), phản ánh giá trị của hành động trong một trạng thái cụ thể.
Để giảm thiểu công việc tính toán đồng thời và tạo sự đồng nhất, chúng ta có thể cải tiến công thức của thuật toán q-learning thêm một bước nữa.
Chúng ta thay 𝑉(𝑠) bằng 𝑚𝑎𝑥𝑄(𝑠, 𝑎) vì giá trị của một state được xác định bởi giá trị lớn nhất của 𝑄(𝑠, 𝑎) Giá trị này, được gọi là Q-values, là kết quả từ quá trình học của agent, giúp agent tự tính toán và đưa ra hành động dựa trên các giá trị này Sau khi hiểu cách agent lựa chọn dựa trên Q-values, chúng ta sẽ khám phá phương pháp để agent tự tính toán Q-values.
Môi trường không phải là một yếu tố cố định mà sẽ biến đổi theo thời gian Để theo dõi và nắm bắt sự thay đổi này, chúng ta cần tính toán lại các giá trị Q mới bằng cách áp dụng công thức đã được xây dựng trước đó, sau đó trừ đi các giá trị Q đã biết.
Phương trình này thể hiện sự biến đổi tạm thời của môi trường dựa trên các giá trị Q Do đó, nhiệm vụ của chúng ta là cập nhật các giá trị Q mới bằng cách áp dụng công thức phù hợp.
• 𝛼: là tốc độ học (learning rate) tượng trưng cho việc agent thích nghi nhanh chóng như thế nào với sự thay đổi của môi trường
Con người không bắt đầu suy nghĩ từ đầu mỗi lúc; khi đọc một bài viết, chúng ta hiểu từng từ dựa trên kiến thức đã có về các từ trước đó, thay vì quên đi và bắt đầu lại từ đầu Điều này cho thấy tư duy của chúng ta có một bộ nhớ lưu trữ những thông tin đã tiếp nhận trước đó.
Các mô hình mạng nơ-ron truyền thống không thể giải quyết các vấn đề liên quan đến việc phân loại bối cảnh trong một bộ phim, đây được coi là một khuyết điểm chính của chúng Cụ thể, việc hiểu một tình huống trong phim thường phụ thuộc vào các tình huống trước đó, điều mà mạng nơ-ron truyền thống gặp khó khăn trong việc xử lý.
Mạng nơ-ron hồi quy (Recurrent Neural Network - RNN) được phát triển để giải quyết vấn đề lưu trữ thông tin Với cấu trúc có các vòng lặp bên trong, RNN cho phép thông tin được giữ lại và sử dụng hiệu quả trong các tác vụ xử lý dữ liệu tuần tự.
Hình 1 10: Recurrent Neural Network có các vòng lặp [5]
Kết luận chương 1
Chương 1 đã đề cập đến lịch sử phát triển và quá trình hình thành của Machine Learning cũng như các khái niệm về Reinforcement Learning Đi sâu vào Machine Learning và Reinforcement Learning là cấu trúc, cách thức hoạt động các thuật toán K- mean, DBSCAN, Q-learning và mạng LSTM Các thuật toán này là các thuật toán chính để áp dụng cho hệ thống quản lý búp sóng và tài nguyên vô tuyến trong mạng di động 5G. Đỗ Minh Toàn - D17CQVT07-B 21
TỔNG QUAN VỀ MẠNG 5G
Thực trạng triển khai mạng 5G trên thế giới và tại Việt Nam
Mạng 2G chủ yếu hỗ trợ gửi tin nhắn, trong khi 3G mở ra kỷ nguyên ứng dụng điện thoại 4G mang lại kết nối Internet nhanh hơn, cho phép sử dụng các ứng dụng dữ liệu lớn như gọi xe công nghệ và dịch vụ thoại hình ảnh như FaceTime hay Video Call trên Zalo Đặc biệt, 5G vượt trội hơn 4G với tốc độ nhanh gấp nhiều lần.
Công nghệ 5G đang mang đến tốc độ kết nối nhanh gấp 10 lần so với 4G, với độ trễ thấp và khả năng phủ sóng rộng, hiện thực hóa những điều từng chỉ có trong phim khoa học viễn tưởng Nhờ vào kết nối 5G, người dùng có thể tải một bộ phim chất lượng Full HD chỉ trong vài giây.
Trong điều kiện lý tưởng, tốc độ 5G có thể đạt đến mức tối đa, nhưng thực tế cho thấy khi nhiều người cùng sử dụng, tốc độ sẽ giảm xuống khoảng 100 Megabits/giây (Mbps), vẫn cao hơn từ 3 đến 5 lần so với chuẩn 4G LTE hiện tại.
1.1 Thực trạng triển khai mạng 5G trên thế giới
Theo báo cáo về tốc độ mạng 5G trên toàn cầu trong quý III/2020 của Open Signal
Theo một công ty chuyên phân tích và đánh giá thị trường mạng di động và không dây, Anh và Mỹ là hai quốc gia có tốc độ mạng 5G thấp nhất trong số các nước được khảo sát Tốc độ trung bình của mạng 5G tại đây chỉ đạt 52 Mbps, chỉ nhỉnh hơn một chút so với tốc độ mạng 4G, với mức trung bình khoảng 28,9 Mbps.
Tốc độ mạng 4G và 5G đã được so sánh tại nhiều quốc gia và vùng lãnh thổ trên thế giới, cho thấy sự khác biệt rõ rệt giữa hai công nghệ này Mạng 5G không chỉ cung cấp tốc độ nhanh hơn mà còn cải thiện độ ổn định và khả năng kết nối cho người dùng Đồ án tốt nghiệp của Đỗ Minh Toàn thuộc Đại học D17CQVT07-B đã tập trung vào việc phân tích và tổng quan về mạng 5G, nhấn mạnh những lợi ích vượt trội mà công nghệ này mang lại cho tương lai.
Mặc dù Mỹ có tốc độ mạng 5G chậm nhất thế giới, nhưng lại sở hữu một trong những mức độ phủ sóng 5G lớn nhất toàn cầu Hầu hết các nhà mạng tại Mỹ sử dụng tần số thấp cho mạng 5G, điều này dẫn đến tốc độ mạng không cao nhưng đảm bảo phạm vi phủ sóng rộng rãi hơn.
Saudi Arabia hiện đang dẫn đầu thế giới về tốc độ mạng 5G với tốc độ trung bình đạt 377,2 Mbps, nhanh gấp 12,5 lần so với mạng 4G tại quốc gia này (30,1 Mbps) Theo báo cáo của Open Signal, Hàn Quốc đứng thứ hai với tốc độ 336,1 Mbps, tiếp theo là Australia với 215,8 Mbps.
Theo báo cáo, Thái Lan không nằm trong top 5 quốc gia có mạng 5G nhanh nhất thế giới, nhưng lại có tỷ lệ chênh lệch giữa tốc độ mạng 5G và 4G lớn nhất Cụ thể, tốc độ mạng 5G tại Thái Lan trung bình đạt 169,8 Mbps, nhanh hơn 15,7 lần so với tốc độ mạng 4G chỉ đạt 10,8 Mbps.
Hình 2 2: Thái Lan có tỷ lệ chênh lệch tốc độ mạng 5G và 4G cao nhất thế giới [4]
1.2 Thực trạng triển khai mạng 5G tại Việt Nam
Gần đây, ba nhà mạng lớn tại Việt Nam là VinaPhone, Viettel và MobiFone đã đồng loạt công bố việc thử nghiệm mạng 5G thương mại Mạng 5G mang lại tốc độ cao gấp nhiều lần so với 4G và khả năng kết nối nhiều thiết bị, thu hút sự chú ý của những người làm việc cần nhiều dữ liệu và thường xuyên di chuyển Trong quá trình thử nghiệm, mạng 5G của cả ba nhà mạng đã đạt tốc độ lên đến 600 Mbps.
Tốc độ mạng 5G hiện nay đạt tới 800 Mbps, thậm chí có thể lên đến 1 Gbps, nhanh gấp 10 lần so với tốc độ trung bình trước đây, khẳng định vị thế vượt trội trên toàn cầu.
Tốc độ phát sóng 5G hiện tại chỉ là thử nghiệm, vì vậy việc so sánh với tốc độ mạng 5G ở các quốc gia đã thương mại hóa là chưa chính xác Khi Đỗ Minh Toàn - D17CQVT07-B 23 tiến hành phát sóng thương mại với phạm vi phủ sóng lớn hơn, tốc độ trung bình có thể sẽ giảm Tuy nhiên, người dùng Việt Nam vẫn có thể hy vọng trải nghiệm những lợi ích vượt trội về tốc độ mà mạng 5G mang lại khi chính thức được thương mại hóa.
Các yêu cầu kỹ thuật và các trường hợp sử dụng mạng 5G
2.1 Các yêu cầu kỹ thuật của mạng 5G
Liên minh Viễn thông quốc tế (ITU) đã hoàn thành dự thảo các yêu cầu kỹ thuật tối thiểu cho hệ thống thông tin di động thế hệ thứ 5 (5G), với sự tham gia của các nhà công nghiệp hàng đầu, tổ chức tiêu chuẩn, cơ quan quản lý, nhà khai thác, nhà sản xuất thiết bị, cùng các học giả và viện nghiên cứu.
The IMT-2020 framework encompasses three key application groups: Enhanced Mobile Broadband (eMBB), which focuses on improving mobile internet speeds; Ultra-Reliable and Low-Latency Communications (URLLC), designed for critical applications requiring minimal delay; and Massive Machine Type Communications (mMTC), aimed at supporting a vast number of connected devices.
5G sẽ mang đến các nhóm ứng dụng đa dạng, trong đó eMBB (Enhanced Mobile Broadband) cung cấp tốc độ dữ liệu cực cao lên đến 10Gbps, gấp 100 lần tốc độ của mạng LTE Công nghệ này sử dụng các kỹ thuật tiên tiến như băng thông rộng hơn 2GHz, tần số mới ở băng tần cao (sóng milimet) và tích hợp điện toán đám mây để tối ưu hóa hiệu suất mạng.
Hình ảnh 3 chiều (3D), độ phân giải siêu cao (UHD)
Thực tế ảo tăng cường
Tự động hóa Ứng dụng độ tin cậy cao
Phương tiện giao thông tự hành
Thành phố thông minh (smart city)
Băng thông rộng di động nâng cao (eMBB)
Truyền thông máy số lượng cực lớn (mMTC)
Kết nối độ tin cậy cực kỳ cao với độ trễ thấp (URLLC)
Thoại Đồ án tốt nghiệp Đại học Chương 2: Tổng quan về mạng 5G Đỗ Minh Toàn - D17CQVT07-B 24 tần cấp phép
URLLC được áp dụng trong việc phát triển thành phố thông minh, cho phép giao tiếp hiệu quả giữa đèn giao thông, ô tô tự động và hệ thống đường cao tốc nhằm tối ưu hóa điều khiển giao thông Trong bối cảnh này, các yếu tố như mật độ nút, tiêu thụ năng lượng và chi phí trở nên vô cùng quan trọng Bên cạnh đó, mMTC yêu cầu kết nối không dây phải đảm bảo độ trễ thấp và độ tin cậy cao Ví dụ, trong trường hợp bác sĩ thực hiện phẫu thuật từ xa qua robot kết nối không dây, độ tin cậy của đường truyền sẽ quyết định sự thành công của ca phẫu thuật.
Nhóm nghiên cứu 5D của ITU-R đã tổ chức cuộc họp đầu tiên tại Bắc Kinh, Trung Quốc, nhằm phát triển tiêu chuẩn IMT-2020 (5G) Nhiệm vụ chính của nhóm là tổng hợp đóng góp từ các cơ quan quản lý, nhà mạng, nhà sản xuất thiết bị và các tổ chức tiêu chuẩn quốc gia và khu vực.
Sau cuộc họp vào ngày 23 tháng 2 năm 2017, ITU-R đã công bố văn bản về Các yêu cầu tối thiểu liên quan đến hiệu suất kỹ thuật cho giao diện vô tuyến IMT-2020 (s), tóm tắt những vấn đề cơ bản liên quan đến hiệu suất kỹ thuật và tiêu chuẩn cần thiết cho công nghệ này.
• Tốc độ dữ liệu đỉnh đường xuống là 20 Gbps và đường lên là 10 Gbps
• Hiệu suất sử dụng phổ tần đỉnh đường xuống là 30 bit/s/Hz và đường lên là
• Tốc độ dữ liệu người dùng trải nghiệm đường xuống là 100 Mbps và đường lên là 50 Mbps
• Lưu lượng đường xuống theo vùng 10Mb/s/m2 đối với Hotspot trong nhà
• Độ trễ trên giao diện người dùng là 4 mili giây (ms) cho ứng dụng eMBB và
1 ms cho ứng dụng URLLC, độ trễ trên giao diện điều khiển là 20 ms
• Mật độ kết nối: 1 triệu thiết bị/km2
• Băng thông tối thiểu là 100 MHz và cho phép hỗ trợ băng thông lên đến 1 GHz khi hoạt động ở băng tần trên 6 GHz
• Tốc độ di chuyển tối đa của thuê bao là 500 km/h
Ngoài các tiêu chuẩn chính, việc đánh giá công nghệ IMT-2020 còn cần xem xét các yếu tố như hiệu quả sử dụng năng lượng, độ tin cậy, thời gian gián đoạn khi di động và tổng lưu lượng vùng.
Các yêu cầu kỹ thuật cho hệ thống thông tin di động 5G có thể được tóm gọn trong 5 điều kiện chính Những điều kiện này bao gồm tốc độ truyền tải dữ liệu cao, độ trễ thấp, khả năng kết nối đồng thời nhiều thiết bị, tính linh hoạt trong băng tần và khả năng cung cấp dịch vụ đáng tin cậy.
❖ Quan điểm người sử dụng: "Tốc độ siêu cao và độ trễ thấp"
Tốc độ truyền dữ liệu của công nghệ mới đạt gấp 1000 lần so với LTE, với độ trễ cực thấp chỉ còn vài phần nghìn giây, đồng thời hiện thực hóa khái niệm "Kết nối Massive".
Hệ thống có khả năng chứa hơn 1000 thiết bị, cho phép lưu lượng truy cập an toàn và liền mạch Người dùng có thể kết nối mọi lúc, mọi nơi, với bất kỳ ai và bất kỳ thiết bị nào.
❖ Kiến trúc nhận thức: "Mạng linh hoạt, thông minh"
• Đáp ứng nhu cầu di chuyển nhanh, liên tục phân tích dữ liệu trong thời gian thực và cung cấp dịch vụ thông minh, cá nhân hóa
❖ Quan điểm hoạt động: "Hoạt động tin cậy, an toàn"
• Bảo vệ hơn 99% mạng sẵn có và độ tin cậy cũng như tự phục hồi, cấu hình lại
❖ Quan điểm quản lý: "Năng lượng, chi phí, hiệu quả chi phí"
• Đạt được hiệu quả năng lượng cao hơn 50-100 lần so với LTE và cơ sở hạ tầng, thiết bị có chi phí thấp
2.2 Các trường hợp sử dụng mạng 5G
2.2.1 Các trường hợp sử dụng của Internet di động
Internet di động đang cách mạng hóa mô hình kinh doanh truyền thống trong lĩnh vực truyền thông, mang đến cho người dùng những trải nghiệm chưa từng có và ảnh hưởng sâu sắc đến mọi khía cạnh trong công việc và cuộc sống Từ năm 2020 trở đi, Internet di động sẽ tiếp tục thúc đẩy sự phát triển trong cách con người tương tác với thông tin, đồng thời cung cấp những trải nghiệm tuyệt vời thông qua các dịch vụ phong phú và đa dạng.
• Các dịch vụ video, chẳng hạn như video Độ phân giải cực cao (UHD) và video xuyên thời gian (3D) phong phú
• Chia sẻ video / hình ảnh trong sân vận động / tụ tập ngoài trời
• Ứng dụng trò chơi trực tuyến
• Đám mây di động / đám mây máy tính để bàn
• Kết nối 3D: máy bay không người lái
• Các dịch vụ giống như phát sóng, như tin tức và thông tin địa phương, khu vực và quốc gia
Sự phát triển của Internet di động trong tương lai sẽ dẫn đến sự gia tăng mạnh mẽ về lưu lượng di động, kích thích một cuộc cách mạng trong công nghệ truyền thông và ngành viễn thông Dự báo đến năm 2020 và xa hơn, lưu lượng dữ liệu di động sẽ bùng nổ, với ước tính của Nhóm xúc tiến IMT-2020 cho rằng lưu lượng dữ liệu toàn cầu sẽ tăng hơn 200 lần từ năm 2010 đến 2020 và gần 20.000 lần từ năm 2010 đến 2030.
Báo cáo ITU-R M [IMT.2020BEYOND TRAFFIC] dự đoán rằng lưu lượng truy cập IMT toàn cầu sẽ tăng gấp 10–100 lần từ năm 2020 đến 2030, với các yếu tố chính như sử dụng video gia tăng, sự phổ biến của thiết bị và sự phát triển của ứng dụng Sự tăng trưởng này sẽ khác nhau giữa các quốc gia do sự khác biệt về kinh tế và xã hội ITU-R cũng chỉ ra rằng tỷ lệ bất đối xứng lưu lượng hiện tại của băng rộng di động nghiêng về hướng đường xuống và sẽ tiếp tục gia tăng do nhu cầu ngày càng cao đối với nội dung nghe nhìn.
Internet di động đang ngày càng tập trung vào giao tiếp con người và trải nghiệm người dùng Từ năm 2020 trở đi, sự gia tăng độ phân giải siêu cao (UHD), video 3D và trải nghiệm đắm chìm sẽ làm tăng tốc độ dữ liệu một cách đáng kể Chẳng hạn, việc truyền video 8K (3D) với độ nén gấp trăm lần sẽ yêu cầu tốc độ truyền gần 1 Gbps Các dịch vụ như thực tế không phân đoạn, đám mây máy tính để bàn và trò chơi trực tuyến sẽ không chỉ thách thức tốc độ truyền dữ liệu mà còn tạo ra yêu cầu khắt khe về băng thông.
Trong tương lai, việc lưu trữ một lượng lớn dữ liệu cá nhân và văn phòng trên đám mây sẽ yêu cầu tốc độ truyền dẫn tương đương với cáp quang, gây ra thách thức lớn cho mạng thông tin di động, đặc biệt ở các khu vực điểm phát sóng Các dịch vụ over-the-top (OTT) như mạng xã hội sẽ trở thành ứng dụng hàng đầu, tiêu tốn nhiều tài nguyên tín hiệu Người tiêu dùng sẽ tiếp tục đòi hỏi trải nghiệm di động tốt hơn ở mọi nơi, với sự mong đợi về dịch vụ nhất quán trong các tình huống đông đúc như sân vận động, buổi hòa nhạc, cũng như trong các tình huống di chuyển tốc độ cao như tàu cao tốc và xe cộ.
Kết luận chương 2
Việt Nam đã nhanh chóng triển khai và phát triển hệ thống mạng di động 5G, đồng hành với xu thế toàn cầu Chương 2 của bài viết nêu rõ hiện trạng mạng 5G tại Việt Nam, đồng thời cung cấp số liệu thống kê về tốc độ mạng 5G ở các quốc gia khác Ngoài ra, chương này cũng đề cập đến các vấn đề kỹ thuật và những trường hợp sử dụng mạng 5G.
Truy cập băng thông rộng mọi nơi
Truy cập băng thông rộng trong các khu vực dày đặc
Tính di động của người dùng cao hơn
Internet vạn vật cực lớn
Thông tin liên lạc huyết mạch
Thông tin liên lạc thời gian thực cực cao
Thông tin liên lạc cực kỳ đáng tin cậy
Các dịch vụ như phát sóng Đồ án tốt nghiệp Đại học Chương 3: Ứng dụng AI trong mạng 5G Đỗ Minh Toàn – D17CQVT07-B Trang 32