ĐỀ CƯƠNG NGHIÊN CỨU KHOA HỌC

Tên đề tài: Ứng dụng Trí tuệ nhân tạo biên (Edge AI) trong tối ưu hóa phân bổ tài nguyên mạng 5G/6G

Lĩnh vực nghiên cứu: Kỹ thuật Điện tử - Viễn thông, Mạng thông tin di động, Trí tuệ nhân tạo.

1. ĐẶT VẤN ĐỀ VÀ TÍNH CẤP THIẾT CỦA ĐỀ TÀI

• Bối cảnh: Sự phát triển bùng nổ của các ứng dụng thời gian thực (như xe tự hành, thực tế ảo/tăng cường AR/VR, y tế từ xa) trong kỷ nguyên mạng 5G và hướng tới 6G đòi hỏi hệ thống thông tin di động phải đạt độ trễ cực thấp (ultra-reliable low-latency communication - URLLC) và băng thông lớn.
• Thách thức: Việc phân bổ tài nguyên tĩnh hoặc tập trung truyền thống (đám mây trung tâm) tạo ra độ trễ lớn khi truyền tải lượng dữ liệu khổng lồ từ các trạm gốc (gNodeB) lên cloud để xử lý, không đáp ứng kịp thời các biến động đột ngột của lưu lượng mạng.
• Giải pháp: Ứng dụng Trí tuệ nhân tạo biên (Edge AI) cho phép tích hợp các mô hình học máy nhẹ ngay tại các thiết bị biên hoặc trạm gốc để tự động hóa việc phân bổ tài nguyên (băng thông, công suất phát, khối tài nguyên - RB) theo thời gian thực, giảm thiểu tối đa độ trễ truyền dẫn và tối ưu hóa hiệu suất sử dụng năng lượng.

2. MỤC TIÊU NGHIÊN CỨU

• Mục tiêu tổng quát: Nghiên cứu, thiết kế và đánh giá hiệu năng của một framework Edge AI nhằm tối ưu hóa việc phân bổ tài nguyên động trong mạng di động thế hệ mới (5G/6G).
• Mục tiêu cụ thể:
  1. Khảo sát và phân tích các thách thức trong phân bổ tài nguyên mạng 5G/6G và tiềm năng ứng dụng Edge AI.
  2. Xây dựng mô hình toán học cho bài toán tối ưu hóa phân bổ tài nguyên (cân bằng giữa dung lượng, độ trễ và năng lượng tiêu thụ).
  3. Thiết kế và huấn luyện mô hình học máy nhẹ (Lightweight Machine Learning / Deep Reinforcement Learning) phù hợp với năng lực tính toán hạn chế của thiết bị biên.
  4. Xây dựng môi trường mô phỏng (hoặc thử nghiệm quy mô nhỏ) để đánh giá, so sánh hiệu năng của thuật toán đề xuất với các phương pháp truyền thống.

3. ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU

• Đối tượng nghiên cứu:
  • Bài toán quản lý và phân bổ tài nguyên vô tuyến trong mạng 5G/6G (Radio Resource Management - RRM).
  • Các thuật toán học tăng cường (Reinforcement Learning) và học máy nhẹ chạy trên biên mạng (Edge AI).
• Phạm vi nghiên cứu:
  • Tập trung vào kịch bản mạng truy nhập vô tuyến (RAN) với các trạm gốc phân tán phục vụ các thiết bị người dùng (UE) có nhu cầu dịch vụ đa dạng.
  • Mô phỏng trên phần mềm chuyên dụng (Python, NS-3 hoặc các thư viện mô phỏng mạng tương đương).

4. PHƯƠNG PHÁP NGHIÊN CỨU

• Phương pháp nghiên cứu lý thuyết: Tổng quan tài liệu, nghiên cứu các chuẩn 5G/6G (3GPP), các công trình liên quan về Edge AI và các mô hình toán học tối ưu hóa (Optimization Theory, Markov Decision Process).
• Phương pháp mô phỏng và tính toán: Xây dựng mô hình hệ thống bằng ngôn ngữ lập trình Python (sử dụng các thư viện như PyTorch/TensorFlow cho AI và các framework mô phỏng mạng).
• Phương pháp đánh giá thực nghiệm (so sánh): Đánh giá các chỉ số hiệu năng (Key Performance Indicators - KPIs) như: Tỷ lệ thông lượng (Throughput), độ trễ (Latency), mức độ tiêu thụ năng lượng và độ phức tạp tính toán của thuật toán đề xuất so với các thuật toán kinh điển (như Water-Filling hoặc Heuristic).

5. DỰ KIẾN NỘI DUNG NGHIÊN CỨU (4 CHƯƠNG)

• Chương 1: Tổng quan về phân bổ tài nguyên trong mạng 5G/6G và Edge AI
  • Tổng quan kiến trúc mạng 5G/6G và các yêu cầu về QoS/QoE.
  • Bài toán quản lý tài nguyên vô tuyến (RRM) truyền thống và những hạn chế.
  • Khái niệm, kiến trúc và vai trò của Trí tuệ nhân tạo biên (Edge AI) trong viễn thông.
• Chương 2: Mô hình hóa bài toán và giải pháp Edge AI đề xuất
  • Xây dựng mô hình hệ thống mạng (mô hình kênh truyền, mô hình lưu lượng người dùng).
  • Phát biểu bài toán tối ưu hóa phân bổ tài nguyên (mục tiêu tối đa hóa dung lượng và giảm thiểu độ trễ).
  • Thiết kế giải pháp dựa trên Học tăng cường sâu (Deep Reinforcement Learning - DRL) tối ưu hóa cho thiết bị biên.
• Chương 3: Xây dựng mô phỏng và cài đặt thực nghiệm
  • Thiết lập môi trường mô phỏng (Python / Network Simulator).
  • Cài đặt thuật toán DRL và cấu hình các tham số mô hình mạng (số lượng trạm gốc, băng thông, số lượng user).
  • Quá trình huấn luyện (Training) và tinh chỉnh (Fine-tuning) mô hình học máy.
• Chương 4: Kết quả và thảo luận
  • Đánh giá sự hội tụ của thuật toán đề xuất.
  • Phân tích các biểu đồ so sánh hiệu năng (Throughput, Latency, Energy Efficiency) giữa thuật toán đề xuất và các thuật toán chuẩn.
  • Đánh giá khả năng triển khai thực tế trên phần cứng biên (Edge hardware constraints).

6. SẢN PHẨM DỰ KIẾN

1. Sản phẩm khoa học: 01 bài báo cáo tổng kết đề tài nghiên cứu khoa học; 01 bản thảo bài báo khoa học có thể nộp đăng tại các hội thảo quốc gia/quốc tế uy tín (như REV-ECIT, ATC, hoặc các tạp chí chuyên ngành).
2. Sản phẩm công nghệ/kỹ thuật: Mã nguồn (Source code) chương trình mô phỏng thuật toán phân bổ tài nguyên tích hợp Edge AI bằng Python.
3. Sản phẩm đào tạo: Làm tài liệu tham khảo phục vụ giảng dạy các học phần chuyên sâu ngành Điện tử - Viễn thông (như Mạng thông tin di động 5G, Xử lý tín hiệu tiên tiến) và định hướng đề tài tốt nghiệp cho sinh viên.