See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/277957928

Đánh giá hiệu năng của giao thức truyền đa chặng cộng tác trong vô tuyến
nhận thức dạng nền

Thesis · November 2014

DOI: 10.13140/RG.2.1.2138.3848

CITATIONS READS

0 1,101

1 author:

Luan Van Ptit

Vina phone, Ha Noi, Viet Nam.
18 PUBLICATIONS   2 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

PTIT Project View project

All content following this page was uploaded by Luan Van Ptit on 10 June 2015.

The user has requested enhancement of the downloaded file.

 HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG
---------------------------------------
TRẦN VĂN HIẾU

TRẦN VĂN HIẾU

KỸ THUẬT VIỄN THÔNG

ĐÁNH GIÁ HIỆU NĂNG CỦA GIAO THỨC

TRUYỀN ĐA CHẶNG CỘNG TÁC TRONG VÔ
TUYẾN NHẬN THỨC DẠNG NỀN

LUẬN VĂN THẠC SĨ KỸ THUẬT

2012 - 2014

TP.
HCM
2014 TP. HỒ CHÍ MINH - 2014
 HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG
---------------------------------------

TRẦN VĂN HIẾU

ĐÁNH GIÁ HIỆU NĂNG CỦA GIAO THỨC TRUYỀN ĐA

CHẶNG CỘNG TÁC TRONG VÔ TUYẾN NHẬN THỨC
DẠNG NỀN

Chuyên ngành: Kỹ thuật Viễn thông

Mã số: 60.52.02.08

LUẬN VĂN THẠC SĨ KỸ THUẬT

NGƯỜI HƯỚNG DẪN KHOA HỌC : TS. TRẦN TRUNG DUY

TP. HỒ CHÍ MINH – NĂM 2014

 i

LỜI CAM ĐOAN

Tôi cam đoan đây là công trình nghiên cứu của riêng tôi.

Các số liệu, kết quả nêu trong luận văn là trung thực và chưa từng được ai
công bố trong bất kỳ công trình nào khác.

Tác giả luận văn ký và ghi rõ họ tên

Trần Văn Hiếu

 ii

LỜI CẢM ƠN

Lời đầu tiên em xin chân thành gửi lời cảm ơn sâu sắc đến Thầy TS. Trần
Trung Duy đã hướng dẫn tận tình, chỉ bảo em trong suốt quá trình thực hiện luận
văn. Thầy đã trang bị cho em những kiến thức vô cùng quý báu để em có thể vững
tin bước tiếp trên con đường của mình.

Thứ hai, em xin chân thành gửi lời cảm ơn đến Thầy cô của Học viện đã
giảng dạy và truyền đạt cho em những kiến thức quan trọng trong quá trình học tập
tại Học viện. Và một lần nữa em xin gửi lời cảm ơn chân thành đến Thầy TS. Võ
Nguyễn Quốc Bảo, TS. Trần Trung Duy, ThS. Từ Lâm Thanh và các anh chị trong
phòng thí nghiệm thông tin vô tuyến của Học viện Công nghệ Bưu chính Viễn
Thông đã tạo điều kiện cho em có thể hoàn thành luận văn.

Và cuối cùng em xin chân thành cảm ơn gia đình, các quý anh chị đồng
nghiệp, các bạn khóa cao học 2012 đã động viên, tạo điều kiện cho em hoàn thành
khóa học.

Thành phố Hồ Chí Minh, ngày 18 tháng 6 năm 2014.

Học viên

Trần Văn Hiếu

 iii

MỤC LỤC
LỜI CAM ĐOAN ........................................................................................... i

LỜI CẢM ƠN ................................................................................................ ii

MỤC LỤC .................................................................................................... iii

DANH MỤC HÌNH ....................................................................................... v

MỞ ĐẦU ....................................................................................................... 1

CHƯƠNG 1 - LÝ THUYẾT TỔNG QUAN .................................................. 2

1.1. Giới thiệu ........................................................................................ 2

1.2. Các nghiên cứu liên quan ................................................................ 5

1.3. Lý do chọn đề tài ............................................................................ 6

1.4. Đóng góp chính của luận văn .......................................................... 7

1.5. Cấu trúc của luận văn ...................................................................... 8

CHƯƠNG 2 - MIÊU TẢ VÀ ĐÁNH GIÁ HIỆU NĂNG CỦA CÁC MÔ

HÌNH TRUYỀN ĐA CHẶNG TRONG VÔ TUYẾN NHẬN THỨC DẠNG
NỀN ............................................................................................................. 10

2.1. Giới thiệu mô hình kênh truyền ..................................................... 10

2.1.1. Mô hình truyền dữ liệu thông thường ...................................... 10

2.1.2. Mô hình truyền dữ liệu trong vô tuyến nhận thức dạng nền .... 11

2.1.3. Xác suất dừng ......................................................................... 12

2.2. Miêu tả các giao thức truyền đa chặng trong vô tuyến nhận thức
dạng nền ............................................................................................... 12
 iv

2.2.1. Mô hình đề xuất: Mô hình truyền đa chặng sử dụng truyền

thông cộng tác tăng cường tại mỗi chặng (MH-DX) ......................... 12

2.2.2. Mô hình truyền thông đa chặng cộng tác sử dụng MRC tại nút
nhận (MH-MRC) .............................................................................. 16

2.2.3. Mô hình truyền đa chặng cộng tác sử dụng truyền thông trực
tiếp tại mỗi chặng (MH-TT) .............................................................. 17

2.3. Đánh giá hiệu năng của các giao thức truyền đa chặng trong vô
tuyến nhận thức dạng nền ..................................................................... 17

2.3.1. Đánh giá chính xác xác suất dừng .......................................... 17

2.3.2. Đánh giá xấp xỉ xác suất dừng ................................................ 24

2.3.3. Đánh giá độ lợi phân tập ........................................................ 31

2.3.4. Đánh giá số lượng khe thời gian trung bình được sử dụng để
truyền thành công dữ liệu từ nguồn đến đích. ................................... 32

2.3.5. Đánh giá xấp xỉ tốc độ lỗi gói (Packet Error Rate) ................. 34

CHƯƠNG 3 – MÔ PHỎNG VÀ ĐÁNH GIÁ KẾT QUẢ ............................ 37

3.1. Mô phỏng Monte-Carlo................................................................. 37

3.2. Xác suất dừng ............................................................................... 38

3.3. Số lượng khe thời gian trung bình được sử dụng ........................... 47

3.4. Tỷ lệ lỗi gói................................................................................... 49

CHƯƠNG 4 - KẾT LUẬN ........................................................................... 51

DANH MỤC TÀI LIỆU THAM KHẢO ...................................................... 53

 v

DANH MỤC HÌNH

Hình 1.1: Mô hình mạng vô tuyến nhận thức. .......................................................... 2

Hình 1.2: Mô hình cơ bản của truyền thông hợp tác................................................. 3

Hình 1.3: Mô hình truyền đa chặng trong vô tuyến nhận thức dạng nền. .................. 5

Hình 2.1: Mô hình truyền dữ liệu thông thường. .................................................... 10

Hình 2.2: Mô hình truyền dữ liệu trong vô tuyến nhận thức dạng nền. ................... 11

Hình 2.3: Mô hình truyền đa chặng sử dụng truyền thông cộng tác tăng cường tại
mỗi chặng. .............................................................................................. 13

Hình 2.4: Mô hình chọn nút chuyển tiếp tốt nhất tại chặng thứ i. ........................... 14

Hình 3.1: Hệ trục tọa độ OXY ............................................................................... 37

Hình 3.2: Xác suất dừng được vẽ là một hàm của Pmax / N 0 (dB) khi M  2 , L  0.5,

K1 , K 2   1, 2 ,   1 ,  th  1 , xPR  0 , y PR  1 . ....................................... 38

Hình 3.3: Xác suất dừng được vẽ là một hàm của Pmax / N 0 (dB) khi M  3 , L  0.5,

K1 , K 2 , K3   1,1, 0 ;{1,1,1} ,   0.75 ,  th  1.5 , xPR  0 , y PR  0.75 .......... 40

Hình 3.4: Xác suất dừng được vẽ là một hàm của Pmax / N 0 (dB) khi M  4 , L  1,

K1 , K 2 , K3 , K 4   1,1,1,1 ,   1 ,  th  1, xPR  0, yPR  0.75 ..................... 40

Hình 3.5: Xác suất dừng được vẽ là một hàm của Pmax / N 0 (dB) khi M  3 , L  0.75,

K1 , K 2 , K3  2,5,5 ,   1 ,  th  1 , xPR  0 , y PR  0.8 . .......................... 41

Hình 3.6: Xác suất dừng được vẽ là một hàm K (với K là số nút chuyển tiếp) khi
M  3 , L  1,   0.5 ,  th  1 , xPR  0.5 , y PR  0.5 ................................... 42

Hình 3.7: Xác suất dừng được vẽ là một hàm L khi M  2 , K1 , K 2   3,3 ,   0.5 ,

 th  1 , xPR  0.4 , y PR  0.7 ...................................................................... 43

 vi

Hình 3.8: Xác suất dừng được vẽ là một hàm của  th khi M  4 , L  0.75 , K  2 ,
  0.25 , xPR  1 , y PR  0.75 . ................................................................... 44

Hình 3.9: Xác suất dừng được vẽ là một hàm của số chặng từ nút nguồn đến nút
đích khi L  0.75 , K  2 ,   0.75 ,  th  1 , xPR  0 , y PR  1 . .................... 45

Hình 3.10: Xác suất dừng được vẽ là một hàm của xPR khi M  3 , L  0.5 , K  1 ,
  0.5 ,  th  0.5 , xPR  yPR . .................................................................... 46

Hình 3.11: Số khe thời gian được sử dụng được vẽ là một hàm Pmax / N 0 (dB) khi

M  3 , L  1 , K1 , K 2 , K3   1,1,1 ,   0.5 ,  th  1 , xPR  0 , y PR  1 ......... 47

Hình 3.12: Số khe thời gian được sử dụng được vẽ là một hàm của số chặng số từ
nút nguồn đến nút đích M khi L  0.75 , K  2 ,   0.75 ,  th  1 , xPR  0.5 ,
y PR  1 . ................................................................................................... 48

Hình 3.13: Số lượng khe thời gian được sử dụng được vẽ là một hàm xPR khi
M  4 , L  0.75 , K  2 ,   1 ,  th  1 , xPR  yPR . ............................... 49

Hình 3.14: Tỷ lệ lỗi gói được vẽ là một hàm Pmax / N 0 (dB) khi M  2 , L  0.5 ,

 K1 , K 2   1,2 ,   1 ,  th  1, xPR  0 , y PR  1 . ..................................... 50

 1

MỞ ĐẦU
Hơn hai thập kỷ trước, khái niệm vô tuyến nhận thức dường như ít được các
nhà khoa học biết đến. Trong những năm đầu thập kỷ 1990, Joseph Mitola là người
đầu tiên giới thiệu ý tưởng vô tuyến định nghĩa bằng phần mềm. Đến năm 1998,
một cuộc hội thảo tại Viện Công nghệ Hoàng gia ở Stockholm cũng chính ông đã
đưa khái niệm vô tuyến thông minh và được công bố năm 1999 [1]. Với định nghĩa
ban đầu là một hệ thống vô tuyến thông minh, có khả năng nhận biết môi trường
xung quanh và từ đó điều chỉnh các tham số truyền và phát của nó để tối ưu hệ
thống.

Khi khoa học ngày càng phát triển thì từ đó nhu cầu của con người cũng
ngày càng nâng cao. Trong khi đó tài nguyên thì hữu hạn, đến một thời điểm nào đó
thì nó cũng sẽ bị cạn kiệt. Với ưu điểm giải quyết được nhu cầu của con người mà
chính xác hơn là giải quyết được bài toán cạn kiệt phổ tần thì vô tuyến nhận thức
được các nhà khoa học quan tâm hơn mười năm trở lại đây. Từ các đặc điểm của vô
tuyến nhận thức như: cảm biến phổ, điều khiển công suất truyền phát, quản lý
phổ…thì đã có nhiều mô hình nghiên cứu cho mạng sơ cấp cũng như mạng thứ cấp
để nâng cao chất lượng của hệ thống.

Trong luận này, chúng tôi sẽ nghiên cứu vấn đề sử dụng truyền thông hợp tác
trong vô tuyến nhận thức dạng nền (Underlay) để đạt được hiệu năng tốt hơn cho
mạng thứ cấp. Thêm vào đó, chúng tôi cũng khảo sát mô hình truyền đa chặng sử
dụng truyền thông hợp tác tại mỗi chặng để tăng cường sự ổn định của sự truyền dữ
liệu tại mỗi chặng đó. Luận văn được chia làm bốn chương, cụ thể như sau:

Chương 1 - Lý thuyết tổng quan.

Chương 2 - Miêu tả và đánh giá hiệu năng của các mô hình truyền đa chặng trong
vô tuyến nhận thức dạng nền.

Chương 3 - Mô phỏng và đánh giá kết quả.

Chương 4 - Kết luận.

 2

Chương 1 - LÝ THUYẾT TỔNG QUAN

1.1. Giới thiệu

Hệ thống vô tuyến nhận thức cơ bản được chia thành hai loại mạng: mạng sơ
cấp và mạng thứ cấp [1-3] (xem hình 1.1). Ở mạng sơ cấp, người dùng sơ cấp PU
(Primary User) có quyền sử dụng tần số bất kỳ lúc nào. Ngược lại, những người
dùng thứ cấp SU (Secondary User) không có quyền sử dụng những tần số này. Vì
vậy, những người dùng này chỉ có thể sử dụng nếu những tần số này không bị người
dùng sơ cấp PU chiếm dụng.

Tần số
PU SU

Thời gian

Mạng Sơ cấp
Mạng Thứ cấp

Hình 1.1: Mô hình mạng vô tuyến nhận thức.

Một trong những mô hình đầu tiên của vô tuyến nhận thức là mô hình xen kẽ
(Interweave) [4]. Trong mô hình này, người dùng thứ cấp thăm dò sự hiện diện của
những người dùng sơ cấp để sử dụng những tần số trống một cách hiệu quả và
không can nhiễu đến người dùng sơ cấp. Gần đây, người ta đề nghị hai mô hình
mạng vô tuyến nhận thức khác mà trong đó người dùng sơ cấp chia sẻ tần số với
người dùng thứ cấp. Trong mô hình chia sẻ tần số Overlay [5-9], nút phát thứ cấp
đóng vai trò như những bộ chuyển tiếp tín hiệu sơ cấp cho những nút sơ cấp. Nhờ
 3

sự cộng tác này nên hiệu năng của mạng sơ cấp tăng lên, trong khi đó những nút
phát thứ cấp tìm thấy những cơ hội để truyền những tín hiệu của chúng đến những
bộ thu thứ cấp mong muốn. Để thực hiện điều này, bộ phát thứ cấp kết hợp tuyến
tính tín hiệu của chúng với tín hiệu sơ cấp nhận được từ bộ phát sơ cấp [6], [9]. Tuy
nhiên, hiệu năng của mạng thứ cấp trong các phương pháp này thấp bởi vì can nhiễu
từ bộ phát sơ cấp lên bộ nhận thứ cấp và sự chia sẻ công suất phát thứ cấp cho tín
hiệu sơ cấp tại máy phát thứ cấp [6]-[7], [9]. Một mô hình khác được sử dụng nhiều
trong vô tuyến nhận thức có tên gọi là Underlay hay tạm dịch là mô hình dạng nền
[10]. Trong mô hình này, người dùng thứ cấp có thể sử dụng tần số cùng lúc với
người dùng sơ cấp, miễn là can nhiễu tạo ra từ những hoạt động của người dùng thứ
cấp đến người dùng sơ cấp phải nhỏ hơn một mức giới hạn cho phép. Vì thế, công
suất truyền của những bộ phát thứ cấp trong mô hình này bị giới hạn, hiệu năng của
mạng thứ cấp cũng giảm theo. Để tăng cường hoạt động của mô hình này, người ta
sử dụng giao thức truyền thông cộng tác (Cooperative Communication) để chống lại
vấn đề giới hạn công suất truyền cũng như vấn đề fading của kênh truyền.
Relay

hs,r hr,d

S D
hs,d
Source Destination

Hình 1.2: Mô hình cơ bản của truyền thông hợp tác.

Mô hình cơ bản của hệ thống truyền thông cộng tác [11-14] (xem hình 1.2)
bao gồm: một nút nguồn S (Source), một nút chuyển tiếp R (Relay) và một nút đích
D (Destination). Việc truyền dữ liệu từ nút nguồn đến nút đích trong hệ thống
truyền thông hợp tác diễn ra trong 2 khe thời gian trực giao. Trong khe thời gian thứ
 4

nhất, nút nguồn phát tín hiệu của nó về nút đích. Tuy nhiên, do bản chất của kênh
vô tuyến, nút chuyển tiếp (ở gần nút nguồn) cũng có thể nhận được tín hiệu. Trong
khung thời gian thứ hai, nút chuyển tiếp sẽ truyền tín hiệu mà nó nhận được từ nút
nguồn về nút đích. Trong mô hình khuếch đại và chuyển tiếp (Amplify and
Forward) [11], nút R khuếch đại tín hiệu nhận được và truyền tín hiệu đó đến nút
đích. Trong mô hình giải mã và chuyển tiếp (Decode and Forward) [11], nút chuyển
tiếp chỉ truyền tín hiệu tới đích khi nó giải mã tín hiệu nhận được từ nút nguồn
thành công. Cuối cùng, nút đích sẽ kết hợp hai tín hiệu mà nó nhận được bằng kỹ
thuật phân tập kết hợp như Selection Combining (SC), Equal Gain Combining
(EGC) và Maximal Ratio Combining (MRC). Mặc dù truyền thông cộng tác tăng
cường hiệu năng của hệ thống, nhưng như ta đã thấy hệ thống luôn sử dụng hai khe
thời gian để truyền dữ liệu. Điều này gây nên sự giảm hiệu quả phổ khi so sánh với
mô hình truyền trực tiếp giữa nút nguồn và nút đích. Để tăng hiệu quả phổ, mô hình
truyền thông cộng tác tăng cường đã được đề xuất [11]. Trong mô hình này, nút
đích sẽ giải mã tín hiệu nhận được từ nút nguồn ở khe thời gian thứ nhất. Nếu nút
đích giải mã được, nó sẽ gửi thông điệp đến nút nguồn và nút chuyển tiếp. Trong
trường hợp này nút chuyển tiếp không cần chuyển tiếp dữ liệu. Trong trường hợp
nút đích không thể giải mã được, nó sẽ yêu cầu nút chuyển tiếp gửi lại tín hiệu
nguồn. Như vậy, phương pháp truyền thông cộng tác tăng cường có thể giảm số
lượng khe thời gian được sử dụng nếu chất lượng kênh truyền giữa nút nguồn và nút
đích tốt.

Trong các ứng dụng mà nút nguồn ở xa nút đích, việc truyền dữ liệu thông
qua những chặng ngắn hơn và sử dụng công suất truyền thấp hơn có thể đạt được
hiệu quả cao hơn việc sử dụng công suất lớn để truyền trực tiếp dữ liệu từ nguồn
đến đích. Đây cũng là những mô hình thường gặp trong những mạng cảm biến vô
tuyến (Wireless Sensor Network) hay mạng Ad-hoc. Trong mạng chuyển tiếp đa
chặng thông thường [15], dữ liệu nguồn được chuyển tiếp theo từng chặng từ nguồn
đến đích. Nút đích sẽ không nhận được tín hiệu nếu sự chuyển tiếp tại một chặng
nào đó không thành công. Do đó, hiệu năng của mô hình này thấp bởi vì độ lợi phân
 5

tập đạt được chỉ bằng một. Để tăng cường độ lợi phân tập, trong [16] các tác giả đã
đề xuất sử dụng kỹ thuật truyền thông cộng tác cho các nút chuyển tiếp nằm trên
tuyến từ nguồn đến đích. Theo phương pháp này, các nút chuyển tiếp sẽ kết hợp dữ
liệu nhận được từ nguồn và các nút chuyển tiếp phía trước nó. Sau đó, các nút này
sẽ xử lý những dữ liệu nhận được và thực hiện việc truyền dữ liệu sau khi xử lý đến
những nút kế tiếp. Trong [17], các tác giả đề xuất sử dụng những nút bên ngoài
tuyến và sử dụng truyền thông cộng tác để tăng cường hiệu quả truyền dữ liệu tại
mỗi chặng.

1.2. Các nghiên cứu liên quan

Cho đến nay, việc sử dụng truyền thông cộng tác trong vô truyến nhận thức
đã được nhiều tác giả nghiên cứu. Trong các tham khảo [18]-[20], các mô hình chọn
lựa nút chuyển tiếp thứ cấp tốt nhất trong vô tuyến nhận thức dạng nền đã được đề
xuất. Trong [21]-[23], các tác giả đánh giá hiệu năng của những giao thức vô tuyến
nhận thức sử dụng truyền thông cộng tác dưới sự tác động của cả ngưỡng của giao
thoa định mức và công suất tối đa định mức. Trong tham khảo [24]-[25], các mô
hình vô tuyến nhận thức dạng nền đã được đề xuất và đánh giá khi liên kết giữa
nguồn thứ cấp và đích thứ cấp xuất hiện. Tuy nhiên các mô hình trong [18]-[25] chỉ
xét sự truyền dữ liệu thông qua hai chặng. Trên thực tế, trong những mạng như
mạng Ad-hoc, mạng cảm biến vô tuyến, nút nguồn có thể rất xa nút đích, và sự
truyền dữ liệu phải được thực hiện thông qua nhiều chặng và nhiều nút trung gian.

N0 N1 N2 N3 NM-1 NM
Secondary User

PR
Primary User

Hình 1.3: Mô hình truyền đa chặng trong vô tuyến nhận thức dạng nền.
 6

Cho đến nay, chỉ một vài tác giả quan tâm đến mô hình chuyển tiếp đa chặng
trong vô tuyến nhận thức dạng nền [26]-[29]. Mô hình mà các tác giả khảo sát trong
[26]-[29] bao gồm có hai mạng (xem hình 1.3). Trong mạng sơ cấp có một người
dùng sơ cấp (PR), trong khi ở mạng thứ cấp một nút nguồn N 0 muốn truyền dữ liệu
đến một nút đích N M thông qua các nút trung gian N 2 , N 3 , … N M 1 . Trong mô hình
này, dữ liệu được truyền tuần tự theo mỗi chặng và các nút chuyển tiếp sử dụng
giao thức giải mã và chuyển tiếp (Decode and Forward). Nghĩa là một nút chuyển
tiếp phải giải mã được toàn bộ tín hiệu mà nó nhận được từ nút trước đó và đồng
thời thực hiện điều chế lại trước khi chuyển tiếp đến nút tiếp theo. Do đó, nếu ở một
chặng nào đó, gói dữ liệu bị mất thì trong trường hợp này nút đích N M sẽ không
nhận được gói dữ liệu. Nói cách khác, nút đích N M chỉ có thể nhận được gói dữ liệu
nếu sự truyền của gói dữ liệu trên tất cả các chặng đều thành công. Tuy nhiên,
nhược điểm của mô hình này là hệ thống chỉ đạt được độ lợi phân tập bằng 1 và vì
thế hiệu năng của chúng thấp nhất là trong môi trường Rayleigh fading.

Để tăng cường độ lợi phân tập, mới đây các tác giả trong [30]-[31] đã đề
nghị sử dụng truyền thông cộng tác cho các nút trên tuyến từ nguồn đến đích. Trong
tài liệu [30], các nút chuyển tiếp sử dụng kỹ thuật giải mã và chuyển tiếp để truyền
dữ liệu. Trong [31], các nút chuyển tiếp sử dụng các kỹ thuật kết hợp để tăng cường
hiệu quả giải mã tại các nút này. Tuy nhiên, để thực thi các mô hình trong [30]-[31]
là một công việc khó khăn, bởi vì chúng ta cần sự đồng bộ giữa tất cả các nút gồm
nguồn, đích và các nút chuyển tiếp.

1.3. Lý do chọn đề tài

Cùng với sự phát triển ngày càng nhanh của khoa học và công nghệ, bài toán
về phân bổ phổ tần số một cách hiệu quả đã và đang trở thành một vấn đề thiết yếu.
Bởi băng tần là tài nguyên có giới hạn, vì vậy đòi hỏi cần phải có những giải pháp
hiệu quả để tái thiết sử dụng lại phổ tần hoặc chia sẻ băng tần giữa các mạng vô
tuyến. Vô tuyến nhận thức với khả năng nhận biết được môi trường xung quanh, từ
đó điều chỉnh các tham số truyền và phát của nó để tối ưu hệ thống, đồng thời vô
 7

tuyến nhận thức còn có khả năng cảm nhận phổ và chia sẽ phổ tần từ đó có thể giải
quyết được bài toán phân bổ phổ tần. Đây là lý do thứ nhất tôi chọn hướng nghiên
cứu là vô tuyến nhận thức.

Trong ba mô hình cơ bản của vô tuyến nhận thức: mô hình xen kẽ

(Interweave), mô hình chia sẻ tần số (Overlay) và mô hình dạng nền (Underlay).
Trong mô hình Interweave có nhược điểm là hoạt động của mạng thứ cấp còn phụ
thuộc vào mạng sơ cấp, do đó chất lượng dịch vụ của mạng thứ cấp không được
đảm bảo. Trong mô hình Overlay, do mạng sơ cấp và mạng thứ cấp hoạt động trên
cùng một băng tần nên nhược điểm của hệ thống này là máy thu sơ cấp phải được
trang bị các kỹ thuật loại trừ can nhiễu từ các máy phát thứ cấp rất phức tạp. Trong
mô hình Underlay thì mạng sơ cấp và mạng thứ cấp cũng hoạt động trên cùng băng
tần, tuy nhiên công suất phát của máy phát thứ cấp bị giới hạn để không gây can
nhiễu cho máy thu sơ cấp. Với ưu điểm là không đòi hỏi kỹ thuật loại trừ can nhiễu
phức tạp tại máy thu sơ cấp, mạng Underlay đang được các nhà nghiên cứu quan
tâm nhiều hơn. Đây là lý do thứ hai tôi chọn mạng Underlay trong mô hình vô tuyến
nhận thức.

Và lý do cuối cùng, trong các nghiên cứu trước đây thì các tác giả đã đề xuất
và đánh giá hiệu năng của mô hình truyền đa chặng trong vô tuyến nhận thức dạng
nền [26-29]. Tuy nhiên như đã đề cập ở trên, các mô hình này chỉ sử dụng sự truyền
trực tiếp để chuyển tiếp dữ liệu tại mỗi chặng. Vì vậy, hiệu năng của các mô hình
này sẽ không cao. Trong luận văn này, truyền thông cộng tác được sử dụng tại mỗi
chặng để nâng cao độ tin cậy chuyển tiếp tại các chặng đó. Hơn thế nữa, truyền
thông tăng cường cũng được sử dụng để nâng cao hiệu quả phổ trong sự truyền dữ
liệu tại các chặng.

1.4. Đóng góp chính của luận văn

Thứ nhất, luận văn nghiên cứu các mô hình truyền đa chặng cộng tác trong
mạng vô tuyến nhận thức dạng nền. Mô hình chuyển tiếp đa chặng là mô hình phổ
biến trong các ứng dụng như mạng Ad-hoc, mạng cảm biến vô tuyến, … Trong khi
 8

hầu hết các công trình đã được công bố trước đây, các tác giả chỉ nghiên cứu mô
hình chuyển tiếp một chặng giữa nút nguồn tới nút đích.

Thứ hai, truyền thông cộng tác tăng cường được sử tại mỗi chặng để tăng
cường hiệu năng cũng như độ lợi phân tập tại mỗi chặng. Hơn thế nữa, mô hình đề
xuất giảm số lượng khe thời gian trung bình được sử dụng để truyền dữ liệu, do đó
có thể tăng cường hiệu quả phổ khi so sánh với các giao thức truyền sử dụng truyền
thông cộng tác thông thường. Cuối cùng, mô hình đề xuất không yêu cầu nút nhận
sử dụng các kỹ thuật kết hợp, điều này làm giảm bớt độ phức tạp phần cứng cũng
như độ phức tạp trong việc giải mã tại các nút nhận.

Thứ ba, luận văn này đưa ra các biểu thức chính xác và tiệm cận dưới của
xác suất dừng, số khe thời gian được sử dụng và tốc độ lỗi gói. Các biểu thức này
được biểu diễn dưới dạng tường minh, giúp cho các nhà thiết kế dễ dàng tính toán,
tối ưu và quy hoạch mạng lưới.

Cuối cùng, các mô phỏng Monte-Carlo được thực hiện để kiểm chứng tính
đúng đắn của các phân tích lý thuyết. Để từ đó các phân tích, bình luận và đánh giá
được đưa ra để thể hiện ưu điểm của mô hình đề xuất.

1.5. Cấu trúc của luận văn

Cấu trúc của luận văn gồm có bốn Chương.

Trong Chương 1 là phần Lý thuyết tổng quan, ở chương này chúng tôi tìm
hiểu về cấu trúc cơ bản, các mô hình và các mặt hạn chế của từng mô hình trong
mạng vô tuyến nhận thức như: mô hình dạng xen kẽ (Interweave), mô hình dạng
chia sẽ tần số (Overlay) và mô hình dạng nền (Underlay), từ những nhược điểm của
các mô hình trong mạng vô tuyến nhận thức và đặc biệt là mạng vô tuyến nhận thức
dạng nền, các tác giả cũng đã đưa ra những phương pháp, mô hình để khắc phục
hạn chế đó. Một trong những mô hình đề xuất là mô hình mạng truyền thông cộng
tác. Ở mô hình này, các tác giả đã xem xét các vấn đề liên quan tại nút chuyển tiếp
(khuếch đại và chuyển tiếp hay giải mã và chuyển tiếp) và các phương pháp kết hợp
 9

tín hiệu nhận tại nút đích theo kỹ thuật phân tập (Selection Combining (SC), Equal
Gain Combining (EGC) và Maximal Ratio Combining (MRC)). Và phương pháp
thứ hai được các nhà nghiên cứu đưa ra để khắc phục hạn chế của mạng thứ cấp
trong mô hình vô tuyến nhận thức dạng nền đó là mô hình truyền thông đa chặng
(mô hình truyền thông đa chặng thông thường và mô hình truyền thông đa chặng
tăng cường). Từ những mặt hạn chế đó, chúng tôi đưa ra các lý do chọn đề tài này.

Trong Chương 2 chúng tôi sẽ miêu tả và đánh giá hiệu năng của các mô hình
truyền đa chặng trong vô tuyến nhận thức dạng nền. Với các định nghĩa như mô
hình truyền trong mạng vô tuyến thông thường, mô hình truyền trong mạng vô
tuyến nhận thức dạng nền, mô hình truyền đa chặng sử dụng giao thức cộng tác tại
mỗi chặng để nâng cao sự ổn định của sự truyền dữ liệu tại mỗi chặng đó. Bằng
cách tìm biểu thức toán học của xác suất dừng, độ lợi phân tập, số khe thời gian sử
dụng của mô hình đề xuất, chúng tôi từ đó so sánh với mô hình truyền thông cộng
tác đa chặng sử dụng kỹ thuật MRC (MH-MRC) và mô hình truyền đa chặng sử
dụng truyền thông trực tiếp tại mỗi chặng (MH-TT). Thông qua đó, chúng tôi thể
hiện được ưu điểm của phương pháp đề xuất khi so sánh với các phương pháp khác.

Trong Chương 3, chúng tôi sử dụng phương pháp mô phỏng Monte Carlo để
kiểm tra và đánh giá hoạt động của các mô hình truyền đa chặng trong vô tuyến
nhận thức dạng nền, đồng thời để kiểm chứng các biểu thức được đưa ra.

Và cuối cùng là Chương 4, ở chương này chúng tôi kết luận và đề xuất
hướng phát triển tiếp theo của đề tài.
 10

Chương 2 - MIÊU TẢ VÀ ĐÁNH GIÁ HIỆU NĂNG CỦA

CÁC MÔ HÌNH TRUYỀN ĐA CHẶNG TRONG VÔ TUYẾN
NHẬN THỨC DẠNG NỀN
2.1. Giới thiệu mô hình kênh truyền
2.1.1. Mô hình truyền dữ liệu thông thường

Pmax
hT,R
T R

Hình 2.1: Mô hình truyền dữ liệu thông thường.

Đầu tiên, chúng ta xét sự truyền dữ liệu giữa một nút phát T và một nút nhận
R. Bằng cách sử dụng mô hình suy hao đơn giản, chúng ta có thể mô hình hóa tín
hiệu nhận được tại nút R như sau:

y R  Pmax hT ,R x  n R . (2.1)

Trong công thức (2.1), Pmax là công suất truyền tối đa của nút phát T, x là dữ
liệu mà nút phát T muốn truyền đến nút nhận R, hT ,R là hệ số kênh truyền giữa nút

phát T và nút nhận R, n R là nhiễu cộng tại bộ thu.

Từ (2.1), tỷ lệ công suất tín hiệu trên nhiễu nhận được tại nút nhận R có thể
được đưa ra như sau:

PT | hT , R |2
 T ,R  . (2.2)
N0

với N 0 là phương sai của n R (giả sử rằng phương sai của nhiễu cộng tại tất cả các
máy thu đều bằng N 0 ).

Xuyên suốt luận văn, chúng ta giả sử rằng kênh truyền giữa hai nút đều là
kênh Rayleigh fading. Như đã được chứng minh trong [11], khi hT ,R là kênh truyền
 11

Rayleigh fading, | hT , R |2 sẽ có phân bố mũ. Hàm phân phối và hàm mật độ xác suất

của | hT , R |2 được đưa ra như trong [11]:

F|h
T ,R |
2  x   1  exp  dT,R x   1  exp  T ,R x  . (2.3)

f|h
T ,R |
2  x   dT,R exp  dT,R x   T ,R exp  T ,R x  . (2.4)

với TR  d T,R , d T ,R là khoảng cách giữa T và R , và  là hệ số suy hao kênh truyền

có giá trị từ 2 đến 6.

2.1.2. Mô hình truyền dữ liệu trong vô tuyến nhận thức dạng nền

Pmax
hT,R
T R

hT,PR

Imax
PR

Hình 2.2: Mô hình truyền dữ liệu trong vô tuyến nhận thức dạng nền.

Trong vô tuyến nhận thức dạng nền, công suất truyền của nút phát T bị giới
hạn bởi công thức sau [13]:

 I    
PT  min  Pmax , max 2   Pmax min  1, 2 
. (2.5)
 | hT ,PR |   | hT , PR | 

Trong công thức trên, với I max là mức giao thoa lớn nhất được quy định bởi
nút PR, hT ,PR là kênh truyền Rayleigh fading giữa nút phát T của mạng thứ cấp và

nút PR của mạng sơ cấp và   I max / Pmax . Thay (2.5) vào trong (2.2), ta có thể đạt
 12

được biểu thức của tỷ lệ công suất tín hiệu trên nhiễu trong môi trường vô tuyến
nhận thức dạng nền như sau:

  
Pmax min 1, 2 
| hT , R |2
 |h 
 T , PR | 
 T ,R  . (2.6)
N0

2.1.3. Xác suất dừng

Trong luận văn này, hiệu năng của các mô hình được đánh giá thông qua đại
lượng xác suất dừng.

Xác suất dừng: được định nghĩa là xác suất mà giá trị tỷ lệ công suất tín
hiệu trên nhiễu nhận được tại nút nhận R nhỏ hơn một giá trị ngưỡng cho trước, ví
dụ  th . Nói cách khác, nút nhận R sẽ không thể giải mã thành công dữ liệu x nếu
 T ,R   th . Ngược lại, nếu  T ,R   th , nút nhận R được giả sử sẽ giải mã được dữ liệu
x.

2.2. Miêu tả các giao thức truyền đa chặng trong vô tuyến nhận thức
dạng nền

2.2.1. Mô hình đề xuất: Mô hình truyền đa chặng sử dụng truyền

thông cộng tác tăng cường tại mỗi chặng (MH-DX)

Như được miêu tả trong hình 2.3, chúng ta xét một tuyến có M  M  1

chặng giữa nguồn và đích, trong đó N 0 là nút nguồn, N M là nút đích và

N1 , N 2 ,..., N M 1 là các nút trung gian.
 13

R0,1 RM-1,1

R0,2 RM-1,2

N0 N1 NM-1 NM

PR

Hình 2.3: Mô hình truyền đa chặng sử dụng truyền thông cộng tác tăng cường tại mỗi
chặng.

Sau khi tuyến giữa N 0 đến N M được thiết lập (tuyến này được xây dựng bởi
lớp các lớp trên như lớp mạng), nút nguồn N 0 bắt đầu truyền dữ liệu của nó. Dữ
liệu của nút nguồn sẽ được chuyển tiếp qua từng chặng một. Để tăng cường chất
lượng truyền dữ liệu tại mỗi chặng, truyền thông cộng tác có thể được sử dụng. Xét
chặng thứ i  1 giữa nút N i và nút N i 1 , i  0,1,2,..., M  1 (xem hình 2.4), giả sử

rằng có K i nút, Ri ,1 , Ri ,2 ,..., Ri ,K i nằm trong tầm truyền của nút N i và N i 1 . Các nút

này sẵn sàng giúp đỡ nút N i truyền dữ liệu đến nút N i 1 . Chú ý rằng: các nút

Ri ,1 , Ri ,2 ,..., Ri ,K i cũng là các nút trong mạng lưới nhưng không nằm trên tuyến từ N 0

đến N M . Nếu K i  0 , có nghĩa là không có nút nào nằm trong tầm truyền của N i
và N i 1 , hoặc là các nút nằm trong tầm truyền không muốn giúp đỡ nút N i .
 14

Ni Ni+1

PR

Hình 2.4: Mô hình chọn nút chuyển tiếp tốt nhất tại chặng thứ i.

Bây giờ, chúng tôi miêu tả hoạt động truyền dữ liệu tại chặng thứ i  1 :

- Đầu tiên, nút phát N i quảng bá dữ liệu của nút nguồn đến nút N i 1 và tất cả

các nút chuyển tiếp Ri ,1 , Ri ,2 ,..., Ri ,K i .

- Tất cả các nút nhận dữ liệu và giải mã dữ liệu nhận được.

- Nếu nút N i 1 giải mã thành công, nút này gửi thông điệp ACK đến nút N i và
các nút chuyển tiếp để thông báo. Trong trường hợp này, các nút chuyển tiếp
Ri ,1 , Ri ,2 ,..., Ri ,K i sẽ xóa dữ liệu vừa nhận được ra khỏi bộ nhớ vì chúng không

cần chuyển tiếp dữ liệu nhận được đến nút N i 1 .

- Nếu nút N i 1 giải mã dữ liệu không thành công, nút này gửi thông điệp
NACK đến các nút chuyển tiếp để yêu cầu các nút này truyền lại dữ liệu.
Bây giờ ta xét đến các nút chuyển tiếp Ri ,1 , Ri ,2 ,..., Ri ,K i . Ta chia các nút này

thành hai tập: tập giải mã thành công dữ liệu và tập giải mã không thành
 15

 
công. Không mất tính tổng quát, ta kí hiệu Wi  Ri ,1 , Ri ,2 ,..., Ri ,li là tập các


nút giải mã thành công và Z i  Ri ,li 1 , Ri ,li  2 ,..., Ri ,Ki  là tập còn lại, với

0  li  Ki . Nếu li  0 , có nghĩa là không có nút nào giải mã được dữ liệu

 
nhận được và vì thế Wi   và Z i  Ri ,1 , Ri ,2 ,..., Ri , Ki . Trong trường hợp

này, sẽ không có nút chuyển tiếp nào có thể truyền dữ liệu lại cho nút N i 1 .
Nếu li  K i nghĩa là tất cả các nút chuyển tiếp đã có được dữ liệu của nút
nguồn và sẵn sàng truyền đến nút N i 1 , trong trường hợp này ta có

 
Wi  Ri ,1 , Ri ,2 ,..., Ri ,Ki và Z i   .

- Giả sử li  0 , ta sẽ chọn nút chuyển tiếp tốt nhất (thuộc tập Wi ) để truyền dữ
liệu lại cho nút N i 1 theo chiến thuật sau:

 
Ri ,b  arg max  Ri , j , Ni 1 .
Ri , j Wi
(2.7)

- Trong công thức (2.7),  Ri , j , N i 1 được tính bởi công thức số (2.6). Ý nghĩa của

công thức số (2.7) là nút chuyển tiếp nào thuộc tập Wi và có tỷ lệ công suất
tín hiệu trên nhiễu đến nút N i 1 lớn nhất sẽ được chọn để chuyển tiếp dữ liệu.
Việc chọn lựa nút chuyển tiếp tốt nhất có thể được thực hiện như phương
pháp được đề nghị trong [33]. Theo phương pháp này các nút chuyển tiếp
thiết lập một đồng hồ bấm thời gian: ti , j  A /  Ri , j ,D , với A là một hằng số

cho trước. Nút nào có thời gian hết hạn trước (đồng nghĩa với ti , j nhỏ nhất

hay  Ri , j ,D lớn nhất), sẽ là nút tốt nhất và được chọn để chuyển tiếp dữ liệu.

- Nút N i 1 sau khi nhận dữ liệu từ nút chuyển tiếp tốt nhất Ri ,b sẽ giải mã dữ

liệu. Nếu nút N i 1 một lần nữa không thể giải mã thành công, dữ liệu xem
như bị mất ở chặng này.
 16

Để nêu bật được những ưu điểm của mô hình đề xuất, chúng tôi sẽ so sánh
mô hình của chúng tôi với mô hình truyền thông cộng tác đa chặng sử dụng kỹ thuật
MRC (MH-MRC) và mô hình truyền đa chặng sử dụng truyền thông trực tiếp tại
mỗi chặng (MH-TT).

2.2.2. Mô hình truyền thông đa chặng cộng tác sử dụng MRC tại nút
nhận (MH-MRC)

Quá trình truyền dữ liệu của mô hình MH-MRC tương tự như của mô hình
MH-DX. Điểm khác biệt chính là trong mô hình MH-MRC, nút N i 1 sẽ sử dụng kỹ
thuật MRC (Maximal Ratio Combining) để kết hợp các tín hiệu nhận được từ nút
N i và nút Ri ,b . Bây giờ, chúng tôi miêu tả hoạt động truyền dữ liệu tại chặng thứ

i  1:

- Nút phát N i quảng bá dữ liệu của nút nguồn đến nút N i 1 và tất cả các nút
chuyển tiếp Ri ,1 , Ri ,2 ,..., Ri ,K i .

- Tất cả các nút nhận dữ liệu và giải mã dữ liệu nhận được.

- Các nút chuyển tiếp giải mã dữ liệu nhận được. Ta cũng chia các nút này
thành hai tập: tập giải mã thành công dữ liệu và tập giải mã không thành

 
công. Ta cũng ký hiệu Wi  Ri ,1 , Ri ,2 ,..., Ri ,li là tập các nút giải mã thành

 
công và Z i  Ri ,li 1 , Ri ,li  2 ,..., Ri ,Ki là tập còn lại, với 0  li  Ki .

- Nếu li  0 , có nghĩa là không có nút nào giải mã được dữ liệu nhận được.
Trong trường hợp này, nút N i 1 sẽ giải mã dữ liệu nhận được từ nút N i . Nếu
nút N i 1 không thể giải mã thành công, dữ liệu xem như bị mất ở chặng này.

- Nếu li  0 , nút chuyển tiếp tốt nhất (thuộc tập Wi ) sẽ được chọn như trong
(2.7) để truyền dữ liệu đến nút N i 1 .
 17

- Nút N i 1 sau khi nhận dữ liệu từ nút chuyển tiếp tốt nhất Ri ,b , sẽ sử dụng kỹ

thuật MRC để kết hợp các dữ liệu nhận được. Sau đó nút này sẽ giải mã dữ
liệu. Nếu nút N i 1 không thể giải mã thành công, dữ liệu bị mất ở chặng này.

2.2.3. Mô hình truyền đa chặng cộng tác sử dụng truyền thông trực
tiếp tại mỗi chặng (MH-TT)

Trong mô hình MH-TT, dữ liệu được chuyển tiếp theo từng chặng từ nút
nguồn N 0 đến nút đích N M . Xét chặng thứ i  1 , nút N i truyền trực tiếp dữ liệu
nguồn đến nút N i 1 . Nếu nút N i 1 không thể giải mã, dữ liệu xem như bị mất ở
chặng này.

2.3. Đánh giá hiệu năng của các giao thức truyền đa chặng trong vô
tuyến nhận thức dạng nền

2.3.1. Đánh giá chính xác xác suất dừng

Đầu tiên, chúng ta xét chặng thứ i  1 trong mô hình MH-DX. Xác suất dừng
tại chặng này được đưa ra bằng công thức sau:

i 1
 Ni , N i1   th ,  N i , Ri ,1   th ,  Ni , Ri ,2   th ,...,  Ni , Ri ,li   th , 
PMH  DX    Pr 
Wi , Z i  Ni , Ri ,li1   th ,  Ni , Ri ,li2   th ,...,  N i , Ri ,Ki   th ,  Ri ,b , N i1   th 
 N i , N i1   th ,  N i , Ri ,1   th ,  N i , Ri ,2   th ,...,  N i , Ri ,li   th ,
  Pr   Pr  Ri ,b , N i1   th  .
Wi , Z i 
 N i , Ri ,li 1
  ,    ,...,    

th N i , Ri ,li 2 th N i , Ri , Ki th
 
P1

(2.8)

Công thức (2.8) ngụ ý rằng xác suất dừng tại chặng thứ i  1 bằng xác suất
dừng tổng cộng trong tất cả các trường hợp của các tập Wi và Z i . Sử dụng công
thức (2.6), ta viết lại P1 trong (2.8) như sau:
 18

    2
   2

 min  1, 2 
| hN i , N i1 |   , min  1, 2 
| h N i , Ri ,1 |   , 
 | h |  | h |  
 N i , PR   N i , PR 
 
    2
   2 
P1  Pr ..., min  1,  | hNi , Ri ,l |   , min  1,  | hN i , Ri ,l |   , ,
 | hN , PR |  2 i  | hN , PR |  2 i 1

  i   i   (2.9)
   
..., min  1,  2 
|h | 
  | hN , PR |2  Ni , Ri ,Ki 
  i  

với   N 0 th / Pmax . Đặt y | hNi , PR |2 , xác suất P1 có thể biểu diễn bởi một

hàm của y như sau:

 
 
| hN , N |2   2  
,| hN i , Ri ,1 |  ,
 i i 1     
 min  1,  min  1,  
  y  y 
   
P1  y   Pr ...,| hN i , Ri ,li |2  ,| hN i , Ri ,li1 |2  , ,
     (2.10)
min  1,  min  1,  
  y  y 
 
...,| hN , R |  2  
 i i , Ki
  
 min  1,  
  y 

Để thuận tiện cho việc tính toán, ta có thể giả sử rằng các nút chuyển tiếp
Ri ,1 , Ri ,2 ,..., Ri , Ki ở gần nhau, và như vậy d Ni , Ri ,1  d Ni , Ri , 2  ...  d Ni ,Ri , K 1 và

d Ni 1 , Ri ,1  d Ni 1 , Ri ,2  ...  d Ni 1 , Ri , K 1 , tương đương với

Ni , Ri ,1  Ni , Ri ,2  ...  Ni , Ri , K 1  Ni , Ri và Ni 1 , Ri ,1  Ni 1 , Ri ,2  ...  Ni 1 , Ri , K 1  Ni1 , Ri .

Sử dụng hàm phân phối xác suất trong (2.3), ta có thể tính được (2.10) như
sau:
 19
li
  Ni , Ni 1      N i , Ri   
P1  y    1  exp      exp    
 
  min 1,  / y      min 1,  / y   
K i li
  N i , Ri    (2.11)
  1  exp     .
 min 1,  / y 
  

Sử dụng khai triển nhị phân, chúng ta đạt được:

  N i , N i1    Ki li K i  li   m  li  N i , Ri  
P1  y    1  exp       1 C Kmi  li exp   
 
  min 1,  / y    m 1  min 1,  / y  
Ki  li
K l   m  li  Ni , Ri  
   1 i i CKmi  li exp   
m 1  min 1,  / y   (2.12)
 Ni , Ni 1   Ki  li Ki  l i   m  li  Ni , Ri  
 exp      1 CKmi  li exp   .
 min 1,  / y   m 1  min 1,  / y  

Bây giờ ta xét hai trường hợp:

Trường hợp 1: y  

Trong trường hợp này, công thức (2.12) được viết lại như sau:
Ki  li
Ki  li
P1  y     1 
CKmi li exp   m  li  Ni , Ri  
m 1
Ki  li
Ki  li

 exp N i , N i1     1  
C Kmi  li exp   m  li  Ni , Ri  . (2.13)
m 1

Trường hợp 2: y  

Khi y   , P1  y  được viết lại như:

K i  li
K i  li   m  li  N i , Ri  
P1  y     1 CKmi  li exp   y
m 1   
Ki  li
K i  li m 
 N , N   m  li  N ,R    (2.14)
   1
m 1
C K i  li exp  

i i 1


i i
y .

 

Hơn nữa, từ (2.8), chúng ta có thể tìm được P1 bằng phương pháp sau:
 20

P1   P1  y  f |h 2  y
0 N i , PR |

 
  P1  y  N i , PR exp N i , PR y dy  
0
  
 
P1  y  N i , PR exp N i , PR y dy. (2.15)

Thay (2.13) và (2.14) vào trong (2.15), sau một số tính toán tích phân đơn

giản, ta có:

 Ki  li 
   1
K i  li
CKmi li exp   m  li  Ni ,Ri    
P1   m 1
 Ki  l i
K i li 
 
 1  exp N , PR 
i


  exp N i , N i1    1 
C Kmi  li exp   m  li  N i , Ri    
 m 1 
K i li
Ki  li
 1 C Kmi  li N i , PR 
     m  li  Ni , Ri 

exp N i , PR    m  li  Ni ,Ri  
m 1 N i , PR
Ki  li
K i  li
 1 CKmi li Ni , PR 
     
exp N i , PR   N i , Ni 1   m  li  Ni , Ri  .
m 1 N i , PR     N i , N i 1   m  li  N i , Ri  

(2.16)

Kế tiếp, xét xác suất Pr  Ri ,b , Ni1   th  trong (2.8), chúng ta có:

li
Pr  Ri ,b , Ni 1   th   Pr  max  Ri , j , N i1   th   Pr  Ri , j , N i1   th  .
 Ri , j Wi       (2.17)

Từ (2.17), ta thấy rằng để tính Pr  Ri ,b , Ni1   th  , ta cần tính

Pr  Ri , j , Ni 1   th  . Đầu tiên, ta cần viết lại Pr  Ri , j , Ni 1   th  dưới dạng sau:

   

    
2
Pr  Ri , j , Ni 1   th   Pr  min  1, 2
| h
 Ri , j , Ni 1 |   . (2.18)
  | h |  
 Ri , j , PR 

Sử dụng phương pháp tương tự như trên, ta có được:

 21


  0   
Pr  Ri , j , Ni 1   th    Ri , j , PR exp Ri , j , PR y Pr | hRi , j , N i1 |2    dy

   

 

  Ri , j , PR exp Ri , j ,PR y Pr | hRi , j , Ni1 |2  y dy
 

  
  Ri , j ,PR exp Ri , j , PR y 1  exp Ri , j , Ni 1  dy
0

   R , N  

  
  Ri , j , PR exp Ri , j ,PR y 1  exp   i , j i 1

y  dy

  
 
 1  exp Ni1 , Ri    1  exp   Ri , j , PR  
Ri , j , PR 

 exp Ri , j , PR    Ri , j ,PR   Ni 1 , Ri 

exp Ri , j , PR   Ni1 , Ri  . 
(2.19)

Bởi vì các nút chuyển tiếp Ri ,1 , Ri ,2 ,..., Ri ,K i có vai trò tương đương nhau, nên

từ (2.8), (2.16), (2.17) và (2.19), xác suất dừng tại chặng thứ i  1 trong mô hình
MH-DX được đưa ra bởi công thức số (2.20) như sau:
Ki
i 1
PMH  DX   CKli i
li  0

  Ki  li K i  li  
    1 
CKmi li exp   m  li  N i , Ri    
  m 1  
 K i  li
K i  li  

   exp Ni , Ni 1    1  
C Kmi  li exp   m  li  Ni , Ri    
 m 1  
 1  exp  

  
N i , PR   

 Ki li  1 Ki  li C m  
Ki  li N i , PR 
 
 m 1 N i , PR    m  li  Ni , Ri 

exp Ni , PR    m  li  Ni , Ri  


 
 
K l
 
 Ki  li  1 i i CKmi  li N i , PR  exp Ni ,PR   Ni , Ni 1   m  li  Ni , Ri  

 
 m 1 
Ni , PR   Ni , Ni 1   m  li  N i , Ri   
li



 1  exp  
N i 1 , Ri   
1  exp Ri , j , PR    
 (2.20)
 Ri , j ,PR   .


  exp R , PR  
i, j

Ri , j , PR   Ni 1 , Ri 

exp Ri , j , PR   N i1 , Ri   

 22

Như đã được giả sử ở trên, bởi vì Ni ,Ri ,1  N i ,Ri ,2  ...  N i ,Ri ,K 1  N i ,Ri và

Ni 1 ,Ri ,1  N i1 , Ri ,2  ...  N i1 ,Ri ,K 1  N i1 ,Ri , các nút chuyển tiếp sẽ có vai trò như nhau.

Cho nên với mỗi tập Wi có số lượng thành phần li , ta có thể có tất cả CKli i cách lựa

chọn cho tập Wi .

Từ (2.19), ta dễ dàng đạt được xác suất mà sự truyền dữ liệu tại chặng i  1
thành công:
i 1 i 1
S MH  D X  1  PMH  DX . (2.21)

Để dữ liệu truyền đến nút đích N M thành công, sự truyền dữ liệu tại tất cả
các chặng phải thành công. Do đó, xác suất mà nút đích N M nhận được dữ liệu của
nút nguồn được biểu thị như sau:
M 1 M 1

 DX   S MH  DX   1  PMH  DX .
N0  N M i 1 i 1
S MH (2.22)
i0 i 0

Cuối cùng, chúng ta tìm ra biểu thức chính xác của xác suất dừng cho mô
hình MH-DX như sau:
M 1

 DX  1  S MH  DX  1   1  PMH  DX .
N0  N M N0  NM i 1
PMH (2.23)
i 0

i 1
Chúng ta có chú ý quan trọng rằng, bởi vì biểu thức của PMH  D X là một biểu

thức dạng tường minh (xem công thức số (2.20)) nên biểu thức trong (2.23) cũng là
dạng tường minh. Những biểu thức dạng tường minh rất dễ dàng trong việc tính
toán, vì thế nó sẽ giúp các nhà thiết kế mạng có thể đánh giá và tối ưu hóa những
mạng lưới một cách dễ dàng.

Kế tiếp, chúng ta xét xác suất dừng của mô hình MH-TT. Để cho việc so
sánh được công bằng, ta giả sử rằng công suất truyền tối đa của nút nguồn và các
nút chuyển tiếp trong mô hình này là 2 Pmax , và mức giao thoa đối đa được quy định
 23

bởi nút PR trong mô hình này là 2 I max . Thật vậy, xác suất dừng tại chặng thứ i  1
trong mô hình này được tính như sau:

i 1
    2

PMH TT  Pr 
 Ni , Ni 1   
th   Pr  2 Pmax min  1,  | h |   th 
  | hN , PR |2  N i , Ni 1 
 i 
(2.24)
    2 
 Pr  min  1,  | h |  .
  | hN , PR |2  Ni , Ni 1 2 
 i 

Với cùng phương pháp như đã tính cho (2.19), chúng ta chỉ cần thay  trong
(2.19) bằng  / 2 để đạt được:

   
i 1
PMH TT   1  exp   N i , N i1
 

 1  exp N i , PR 
2  
 
(2.25)
2N i , PR   

 exp N i , PR   
2N i , PR   N i , N i1 
exp  Ni , PR   N i , N i1  .
 2

Cũng vậy, xác suất dừng của mô hình MH-TT được tính chính xác như sau:
M 1
PN0  N M
MH TT  1   1  PMH
i 1
TT .
i 0

    

M 1 

1  exp 

  N i , N i 1
2




1  
exp   Ni , PR    (2.26)
1   .
 2     
i 0

  exp Ni , PR    N i , PR

2N i , PR   N i , N i1 
exp  N i , PR   Ni , Ni 1  
 2  


Đối với mô hình MH-MRC, tương tự như công thức số (2.8) và (2.20),
chúng ta cũng có thể đưa ra công thức xác suất dừng tại chặng i  1 như sau:
i 1
PMH  MRC 

Ki
li
 Ni , Ri ,1   th ,  Ni ,Ri ,2   th ,...,  Ni , Ri ,li   th , 
 C Pr 
Ki  Pr  Ni , Ni1   Ri ,b , Ni 1   th  .
li  0 
 Ni , Ri ,li1   th ,  N i , Ri ,li2   th ,...,  N i , Ri ,Ki   th 


P2

(2.27)
 24

Tương tự như trên, xác suất dừng của mô hình MH-MRC được đưa ra bởi
M 1
P N0  N M
MH  MRC  1   1  PMH
i 1
 MRC . (2.28)
i 0

Bởi vì sự tính toán xác suất Pr  Ni , Ni 1   Ri ,b , Ni 1   th  trong (2.27) là phức

tạp nên sự tính toán biểu thức này sẽ không được trình bày trong luận văn này. Thay

vào đó, một biểu thức tiệm cận của Pr  Ni , Ni 1   Ri ,b , Ni 1   th  sẽ được đưa ra trong
 
phần tiếp theo.

2.3.2. Đánh giá xấp xỉ xác suất dừng

Như chúng ta có thể thấy, biểu thức tính xác suất dừng trong (2.23) là phức
tạp. Hơn thế nữa, chúng ta không thể tìm ra những bản chất vật lý của hệ thống
trong những biểu thức như vậy. Đó là lý do tại sao luận văn này đưa ra những biểu
thức đánh giá xác suất dừng đơn giản hơn. Cụ thể, chúng tôi đầu tiên tìm biểu thức
xác suất dừng tiệm cận cho (2.23) khi giá trị Pmax / N 0 lớn. Chú ý rằng, khi Pmax / N 0
đạt những giá trị lớn thì   N 0 th / Pmax sẽ tiến tới 0.

Hơn thế nữa, có hai công thức xấp xỉ mà chúng ta cần quan tâm đó là
y 0 y 0
1  exp   y   y , và exp   y   1. (2.29)

Chúng ta có thể dễ dàng chứng minh (2.29) bằng cách sử dụng khai triển
Maclorin cho exp   y  . Áp dụng (2.29) cho (2.11), ta có:

K i li
 0 N i , Ni 1 
 N i , Ri  
P1  y    
min 1,  / y   min 1,  / y  
K i  li
    Ki  li 1 ; (2.30)
N i , N i1  N i , Ri if y  
 0 

  K i  li
 
 Ni , Ni 1 Ni , Ri
  Ki li 1 y Ki  li 1 ;if y  
  Ki  li 1

Thay (2.30) vào trong (2.15), ta có thể đạt được:

 25
 0 Ki  li
P1  Ni , Ni 1 N i , Ri   1  exp   N i , PR 
   Ki  li 1
Ki  li
Ni , Ni 1    
N i , Ri 

 K i  li 1
K i  li 1
N i , PR  

y Ki li 1 exp Ni ,PR y dy.  (2.31)

Với sự giúp đỡ của [34, 2.321.2], ta có thể tính được tích phân trong (2.31):


Ki  li 1
CKt i li 1t ! Ki  li 1 t
 y K i  li 1
N i , PR exp  Ni , PR y  dy   t
 
exp N i , PR  . (2.32) 

t 0 Ni , PR 
Thay (2.32) vào trong (2.31), chúng ta có biểu thức xấp xỉ cho P1 như sau:
 0 Ki  li
P1  Ni , Ni 1 N i , Ri   1  exp       N i , PR
Ki  li 1

Ki  li
Ni , Ni 1     C t !
N i , Ri
Ki li 1 t 

  
K i  li 1
K i  li 1
t
K i li 1 t
 

exp Ni , PR    Ki  li 1. (2.33)

  t 0
N i , PR 

Một lần nữa, sử dụng (2.29) cho (2.19) (biểu thức sau dấu bằng thứ hai),

chúng ta có:
 0 
Pr  Ri , j , Ni1   th   Ri , j , Ni 1   Ri , j ,PR exp Ri , j , PR y dy
0
 
Ri , j , Ni 1  

 

Ri , j , PR y exp Ri , j ,PR y dy.  (2.34)

 0 

 1  exp  
Ri , j , PR  Ri , j , N i1  

      .
  Ri , j , Ni 1  1  Ri , j ,PR   exp 
   Ri , j ,PR 
Ri , j , PR    

 

Từ (2.17) và (2.34), ta suy ra:

li

 0 

 1  exp  
Ri , j , PR  Ri , j , Ni1  

Pr  Ri ,b , N i1   th      1  Ri , j , PR     li . (2.35)
  Ri , j , Ni1 
   Ri , j , PR 
 exp Ri , j , PR    

 
 26

Từ (2.33) và (2.35), chúng tôi có thể đưa ra được một biểu thức xấp xỉ của
xác suất dừng ở chặng thứ i+1 trong mô hình MH-DX như sau:
 0
i 1 i 1 K i 1
PMH  DX  AMH  DX  , (2.36)

i 1
Ở đây, hệ số AMH  D X được xác định bởi

K i  li


  
N i , N i 1 N i , Ri 1  exp Ni , PR    

Ki
i 1
AMH   C Kli i    
K i  li
 Ki  li 1 C t t! 
 DX  N i , Ni 1 N i , Ri 
li  0
 
 Ki  li 1
  Ki  li 1  Ki  li 1 t exp N , PR 
 t 0  t   
  N i , 
PR  i

 
li

 
 1  exp   Ri , j , PR  
Ri , j , Ni 1 

     .
  Ri , j , N i1  1  Ri , j , PR   exp 
   Ri , j , PR 

Ri , j , PR   

 

Thay (2.36) vào trong (2.23), xác suất dừng của mô hình MH-DX có thể
được xấp xỉ bởi:
M 1
P N0  N M
MH  DX  1   1  PMH
i 1
 DX 
i 0
 0 M 1
 1   1  AMH
i 1
 DX 
K i 1
 (2.37)
i 0
  0 M 1
i 1
 A MH  DX  Ki 1 .
i 0

Kế tiếp, ta xét mô hình MH-TT, áp dụng xấp xỉ trong (2.34) cho (2.24),
chúng ta có:


 1  exp
 0 
  N i , PR 
  N i , Ni1

i 1
PMH TT     1  Ni ,PR    . (2.38)
  Ni , N i1

  exp Ni , PR   2 
  Ni , PR  
 27

Do đó, chúng ta cũng có thể xấp xỉ xác suất dừng của mô hình MH-TT như
sau:

 0 M 1
N0  N M i 1
P MH TT  P
i0
MH TT

(2.39)

 0 M 1 N , N  1  Ni , PR   
i 0 
 
   1  exp Ni , PR  Ni , Ni 1  i i 1

 
 N , PR 
 exp   Ni , PR  .
 2

  i 

Cuối cùng, mô hình MH-MRC sẽ được xem xét. Áp dụng phương pháp xấp
xỉ cho P1 trong (2.33), ta có thể xấp xỉ P2 trong (2.27) một cách tương tự như sau:

 0 K i  li
  1  exp      
P2  Ni , Ri N i , PR
K i  li

K i  li
    C t! K i li t 
N i , Ri
 exp   
  Ki  li .
Ki  li K i  li t
 
K i  li t N i , PR  (2.40)
   
 t 0 
 N i , PR 

Bây giờ , chúng ta sẽ xấp xỉ cho xác suất Pr  Ni , Ni 1   Ri ,b , Ni 1   th  trong

(2.27). Để làm được điều này, chúng ta cần tìm ra những biểu thức xấp xỉ của
những hàm phân phối xác suất F N ,N  y  và F R ,N  y  . Tương tự như trong
i i 1 i ,b i 1

(2.34), ta có thể dễ dàng đạt được:

 1  exp
 0 
   N i , PR 
  Ni , Ni1 
N y
F N ,N  y   Pr  N , N  y      1  N i ,PR    0 . (2.41)
i i 1 i i 1
  Ni , Ni 1

 
 exp Ni , PR   Pmax 
  N i ,PR  

Từ (2.34), hàm mật độ xác suất của  N i , N i 1 có thể được xấp xỉ bởi:

 1  exp
F Ni ,Ni1  y   0 
   N i , PR 
  Ni , Ni1 
 N
f N , N  y       1  Ni , PR    0 . (2.42)
i i 1
y   N i , Ni 1
 



 exp Ni , PR   Pmax


 N i , PR 

Sử dụng (2.35), ta được:

 28

F R
i ,b , Ni1
 y   Pr  R i ,b , N i 1
 y 
li

 0 R , N  1  Ri , j ,PR     N li
 
  1  exp Ri , j , PR  Ri , j , N i1  i , j i1
 
 
 R , PR  
 exp Ri , j , PR     0  y li ,
  Pmax 
 i,j 
(2.43)

và

 Pr  Ri ,b , Ni1  y 
f  R ,N  y  
i ,b i 1
y
li

 0 

 1  exp  
Ri , j , PR  
Ri , j , N i1 
  li
(2.44)
N 
    1  Ri , j , PR     0 li 1
 li y .
  Ri , j , N i1 
   Ri , j , PR 
 exp Ri , j , PR      Pmax 

 

Hơn thế nữa, từ (2.42) và (2.44), ta có thể xấp xỉ hàm sinh moment (Moment
Generation Function [35]) cho  Ni , Ni 1 và  Ri ,b , Ni 1 như:


MGF N ,N
i i 1
 s   0 f  N ,N
i i 1
 y  exp   sy  dy
 0 N , N  1  Ni , PR    N 1 (2.45)
 
  1  exp Ni , PR  Ni , Ni 1  i i 1
 
 


 exp Ni , PR    0 ,
 Pmax s
 N i , PR 


MGF R
i ,b , Ni 1
 s   0 f R
i ,b ,N i 1
 y  exp   sy  dy
li

 0 

 1  exp  
Ri , j , PR  
Ri , j , N i1 
  li (2.46)
N  li !
    1  Ri , j , PR     0
 li .
  Ri , j , Ni 1 
   Ri , j , PR 
 exp Ri , j , PR     Pmax  s

 

Bởi vì hai biến ngẫu nhiên  N i , N i 1 và  Ri ,b , Ni 1 độc lập, hàm MGF của hàm

tổng  N i , N i1   Ri ,b , N i 1 sẽ bằng tích của hai hàm MGF thành phần. Do đó, chúng ta có

thể đạt được hàm MGF cho biến tổng  N i , N i1   Ri ,b , N i 1 như sau:
 29

MGF Ni ,Ni 1  Ri ,b ,Ni1  s   MGF Ni ,Ni 1  s  MGF Ri ,b ,Ni 1  s 


 1  exp
 0 
  N i , PR 
  N i , Ni 1

    1  N i ,PR    (2.47)
  Ni , Ni 1

  exp Ni , PR    
  N i ,PR  
li

 
 1  exp   Ri , j , PR  
Ri , j , Ni 1 
  li 1
N  li !
      0
 .
  Ri , j , Ni1  1  Ri , j , PR   exp    Pmax  s li 1
   Ri , j , PR 

Ri , j , PR   
 

Sử dụng biến đổi Laplace ngược cho (2.47), ta đạt được một biểu thức xấp xỉ
cho hàm phân phối xác suất của biến tổng  N i , N i1   Ri ,b , N i 1 như sau:


f N , N
i i 1
 Ri ,b , Ni 1  y   0 MGF N ,N
i i 1
 Ri ,b ,N i1  s  exp  sy dy

 1  exp
 0 
  N i , PR 
  Ni , Ni1 

    1  Ni ,PR    (2.48)
  N i , Ni 1

  exp Ni , PR    
  Ni ,PR  
li

 
 1  exp   Ri , j , PR  
Ri , j , Ni 1 
  
li 1
N
   1  Ri , j , PR     0
 y .
li

  Ri , j , Ni1 
   Ri , j , PR 
 exp Ri , j , PR      Pmax 

 

Cuối cùng, bằng việc lấy tích phân cho công thức (2.48) theo biến y, ta sẽ ra
được hàm phân phối xác suất:
 30

F N ,N
i i 1
 Ri ,b , Ni1  y   0 MGF N ,N
i i 1
 Ri ,b , Ni 1  s  exp  sy dy

 1  exp
 0 
  N i , PR 
  Ni , Ni1


    1  Ni , PR    (2.49)
  Ni , Ni1
 


 exp   N i , PR  

 
 N i , PR 
li

 
 1  exp   Ri , j , PR  
Ri , j , Ni 1 
  
li 1 li 1
   1  Ri , j ,PR     0  y .
N
  Ri , j , N i1 
   Ri , j , PR 
 exp Ri , j ,PR      Pmax  li  1

 

Sử dụng (2.49), ta dễ dàng tính được Pr  Ni , Ni 1   Ri ,b , Ni 1   th  như sau:

Pr  N i , Ni 1   Ri ,b , Ni1   th   F N ,N
i i 1
 Ri ,b ,Ni1  th 

 1  exp
 0 
  N i , PR 
  Ni , Ni1 

    1  Ni , PR    (2.50)
  Ni , N i1
 


 exp   
N i , PR  


 N i , PR 
li

 
 1  exp  
Ri , j , PR  Ri , j , Ni 1  
 li 1
   1  Ri , j , PR     .
  Ri , j , Ni 1 
   Ri , j , PR 
 exp Ri , j , PR     li  1

 

Thay (2.40) và (2.50) vào trong (2.27), ta có

 0
i 1 i 1 Ki 1
PMH  MRC  BMH  MRC  , (2.51)

i 1
ở đây, hệ số BMH  MRC được xác định bởi:
 31

Ki li
 


N i , Ri   
1  exp N i , PR   Ki li  

Ki
CKli i 
i 1
BMH    
K i  li
 Ki  li C t t ! 
 MRC
l  1  N i , Ri

li  0 i
   Ki  li  
 K i  li
t
 Ki li t exp Ni ,PR    
 
t 0  
N i , PR   
 N , N  1  Ni , PR   

  
  1  exp Ni , PR  Ni , Ni1  i i 1




 exp Ni , PR  

 N i , PR 
li
 R , N  1  Ri , j , PR   

  
  1  exp Ri , j , PR  Ri , j , N i1  i , j i1


 R ,PR  
 exp Ri , j , PR    .

 i , j 

Tương tự như (2.37), ta cũng có:

M 1
P N0  N M
MH  MRC  1   1  PMH
i 1
 MRC 
i 0
M 1
(2.52)
 0
i 1 K i 1
 1   BMH  MRC  .
i0

2.3.3. Đánh giá độ lợi phân tập

Như đã được định nghĩa trong [33], độ lợi phân tập có thể được xác định như

sau:

log  PXN 0  N M  log  PXN 0  N M .

DX  lim   lim (2.53)
Pmax / N 0  log  Pmax / N 0   0 log   

Trong công thức (2.53), X là ký hiệu của mô hình được xem xét, cụ thể là
X  MH  DX, MH  TT , MH  MRC 

Sử dụng (2.37), ta có được

 M 1 i 1 K i 1 
log   AMH  DX 
log  P N0  N M
MH  DX   i 0


DMH  DX  lim  lim (2.54)
 0 log     0 log   
 min
i  0,1,2,..., M 1
1  Ki  .
 32

Kế tiếp, với (2.39) và (2.53), ta có

log  PTTN 0  N M 
DMH TT  lim
 0 log   
 M 1  N , N  1  N i , PR   
 i 0 
  
log    1  exp N i , PR  Ni , N i1  i i 1




 exp N i , PR    
 2 
   N i , PR 
 lim
 0 log   
 1.
(2.55)

Cuối cùng, kết hợp (2.52) và (2.53), ta suy ra:

 M 1 i 1 
log  BMH  MRC  Ki 1 
log  PMH  MRC 
N0  N M 
 i 0 
DMH  MRC  lim  lim (2.56)
 0 log     0 log   
 min
i 0,1,2,..., M 1
1  Ki  .

Sau đây, chúng ta rút ra một số kết luận quan trọng.

Kết luận: Đầu tiên, ta thấy rằng độ lợi phân tập của mô hình MH-TT luôn
bằng 1. Nguyên nhân là vì mô hình này không sử dụng truyền thông cộng tác tại
mỗi chặng. Thứ hai, ta nhận xét rằng, độ lợi phân tập của hai mô hình MH-DX và
MH-MRC là bằng nhau và bằng số lượng nút chuyển tiếp nhỏ nhất cộng với 1. Như
vậy ta có thể suy ra rằng, để tăng độ lợi phân tập cho hai mô hình này ta phải tăng
số lượng nút chuyển tiếp tại mỗi chặng.

2.3.4. Đánh giá số lượng khe thời gian trung bình được sử dụng để
truyền thành công dữ liệu từ nguồn đến đích.

Trong phần 2.3.3, ta đã chứng minh được rằng, mô hình đề xuất MH-DX đạt
được độ lợi phân tập cao hơn mô hình MH-TT. Tuy nhiên, ta có thể thấy rằng, mô
hình MH-DX (và cả mô hình MH-MRC) sử dụng nhiều khe thời gian hơn so với mô
hình MH-TT. Như vậy, các mô hình MH-DX và MH-MRC sẽ đạt hiệu quả phổ thấp
hơn so với mô hình MH-TT. Chúng tôi xin đưa ra một ví dụ, xét sự truyền dữ liệu ở
 33

chặng thứ i+1, trong khi mô hình MH-TT luôn sử dụng 1 khe thời gian để truyền,
thì mô hình MH-MRC luôn sử dụng 2 khe thời gian, trong khi mô hình của chúng ta
hoặc là sử dụng 1 khe thời gian, hoặc là sử dụng hai khe thời gian, tùy thuộc vào
chất lượng kênh truyền giữa nút N i và N i 1 . Một cách định tính, ta có thể thấy rằng
mô hình MH-TT đạt được hiệu quả phổ tốt nhất, kế đến là mô hình MH-DX và cuối
cùng là mô hình MH-MRC.

Để chứng minh nhận xét trên là đúng, chúng tôi sẽ định lượng bằng cách tính
số khe thời gian trung bình được sử dụng để truyền dữ liệu thành công từ nút nguồn
N 0 đến nút đích N M . Chú ý rằng, chúng ta chỉ xét sự truyền dữ liệu thành công từ
nguồn tới đích, số khe thời gian lãng phí (như số khe thời gian được dùng nhưng
không thể đưa dữ liệu nguồn đến đích) sẽ không được đánh giá trong phần này.

Đầu tiên, ta xét mô hình MH-TT, ta dễ dàng thấy được xác suất mà sự truyền
i 1
dữ liệu ở chặng thứ i+1 là 1  PMH  TT . Bởi vì số khe thời gian sử dụng cho sự truyền

này là 1, nên số khe thời gian trung bình để chuyển tiếp thành công dữ liệu trên
chặng này là 1  1  PMH
i 1
TT  . Vì vậy, số khe thời gian trung bình được sử dụng trên

toàn tuyến được đưa ra như sau:

M 1 M 1
TGMH TT   1  1  PMHi 1TT   M   PMHi 1TT .
i 0 i 0
(2.57)

i 1
Trong (2.57), PMH  TT đã được tính chính xác trong phương trình (2.25).

Với mô hình MH-DX, số lượng khe thời gian trung bình được sử dụng ở
chặng thứ i+1 có thể đưa ra bằng công thức sau:

 DX  1 Pr  Ni , Ni 1   th   2  1  PMH  DX  .
i 1 i 1
TGMH   (2.58)

Công thức (2.58) ngụ ý rằng nếu nút N i 1 có thể giải mã dữ liệu nhận được

từ nút N i thành công (  N i , N i 1   th ), hệ thống chỉ sử dụng 1 khe thời gian, ngược lại

ta cần phải dùng 2 khe thời gian để truyền dữ liệu và xác suất truyền dữ liệu thành
 34
i 1 i 1
công trong trường hợp này là 1  PMH  DX . Hơn thế nữa, PMH  DX đã được tính chính

xác trong (2.20), trong khi Pr  Ni , Ni 1   th  có thể được tính tương tự như trong

(2.25) như sau:

Pr  N i , N i1   th   1  Pr  N i , Ni 1   th 

 
 1  1  exp Ni , N i1    1  exp   N i , PR  
Ni , PR 

 exp N i , PR    Ni , PR   Ni , Ni1 
 
exp Ni , PR   N i , Ni 1  .

(2.59)

Bởi vậy, thay (2.20) và (2.59) vào trong (2.58) ta có thể tính chính xác
i 1
TGMH  DX . Rồi thì, tổng số khe thời gian trung bình được sử dụng để vận chuyển dữ

liệu từ nguồn đến đích tính chính xác bởi:

M 1
i 1
TGMH  DX   TG
i 0
MH  DX . (2.60)

2.3.5. Đánh giá xấp xỉ tốc độ lỗi gói (Packet Error Rate)

Trong phần này, chúng tôi đưa ra những biểu thức xấp xỉ dạng tường minh
của tốc độ lỗi gói. Một lần nữa, các công thức xấp xỉ trong phần 2.3.3 sẽ được sử
dụng để tính toán. Trước hết, công thức tính lỗi gói trong môi trường nhiễu Gauss
đã được đưa ra trong [36].

1; if 0     p
PERAWGN     (2.61)
 exp   g  ; if    p

Trong đó,  là tỷ lệ công suất tín hiệu trên nhiễu nhận được, và  , g ,  p là

các hằng số phụ thuộc phương pháp điều chế được sử dụng [36] và chúng có mối

liên hệ:  exp   g p   1.

 35

Đầu tiên, chúng ta đánh giá tốc độ lỗi gói tại chặng thứ i+1 trong giao thức
MH-TT. Thật vậy, tốc độ lỗi gói này có thể được trung bình trên kênh truyền
Rayleigh theo biểu thức sau:
i 1
PMH TT   

i 1
PERMH TT   PER AWGN   d . (2.62)
0 

i 1
Trong (2.62), PMH TT    là xác suất dừng tại chặng này và có thể được đưa

ra từ (2.25) bằng cách thay  th trong (2.25) bằng  . Tuy nhiên, nếu ta sử dụng công
thức số (2.25) thì tích phân trong (2.62) sẽ rất phức tạp. Do đó, chúng ta nên sử
dụng công thức số (2.38) để thuận tiện cho việc tính toán. Thật vậy, ta có

 0 

 1  exp   N i , PR 
  Ni , Ni 1 
 N
i 1
PMH TT        1  Ni , PR    0 . (2.63)
  Ni , Ni 1

 
 exp Ni , PR   2 Pmax 
  Ni , PR  

Thay (2.61) và (2.63) vào trong (2.62), và sau một số tính toán đơn giản, ta
rút ra:


 1  exp
 0 
  N i , PR 
  N i , Ni 1 

i 1 1 N
PERMH TT     1  N i , PR     p   0 . (2.64)
  Ni , N i1

 
 exp Ni , PR    g  2 Pmax 
  Ni , PR  

Từ (2.64), ta tìm được tốc độ lỗi gói của mô hình MH-TT trên toàn tuyến
như sau:
  0 M 1
N0  N M i 1
PERMH TT   PER
i 0
MH TT


  0 M 1

 1  exp   N i , PR 
  Ni , Ni 1 
 (2.65)
1 N
    1  Ni , PR     p   0 .
i 0  
N i , N i1


 
 exp N i , PR    g  2 Pmax 
  N i , PR  
 36

Kế tiếp, ta xét đến mô hình đề xuất MH-DX, một cách tương tự, tỷ lệ lỗi gói
tại chặng thứ i+1 trong mô hình này được miêu tả bằng công thức sau:
i 1
PMH  DX   

i 1
PER MH  DX  PERAWGN   d . (2.66)
0 

Áp dụng công thức (2.36), ta có:

Ki 1
 0  N0 
P i 1
MH  DX    A i 1
MH  DX    Ki 1. (2.67)
 Pmax 

Thay (2.61) và (2.67) vào trong (2.66), ta đạt được:

K i 1
i 1
 0
i 1  N0 
PER MH  DX   K i  1 A MH  DX  
 Pmax  (2.68)
p 
    Ki d      Ki exp   g  d  
 0 p 

Áp dụng [34, 2.321.2] cho tích phân thứ hai trong (2.68), ta có:
K i 1
i 1
 0
i 1  N0 
PER MH  DX   K i  1 A MH  DX  
 Pmax 
   Ki 1 Ki
CKt i t ! Ki  t

p
     t 1  p  exp   g p   (2.69)
 Ki  1 t 0 g 
 
 0  N0 
K i 1    Ki 1 Ki C t t ! Ki  t

  K i  1 A i 1
MH  DX    p 
Ki
 p  
 Pmax   Ki  1 t  0 g t 1
 

Cuối cùng, chúng tôi đưa ra tốc độ lỗi gói của mô hình MH-DX trên toàn
tuyến như sau:
  0 M 1
N0  N M i 1
PER MH  DX   PER
i 0
MH  DX

K i 1    Ki 1 Ki C t t !  (2.70)
  0 M 1  N0  K i t
i 1
   K i  1 AMH  DX    p   t i 1  p  .
K

i 0  Pmax   Ki  1 t 0 g



 37

Chương 3 – MÔ PHỎNG VÀ ĐÁNH GIÁ KẾT QUẢ

3.1. Mô phỏng Monte-Carlo

Trong phần này, chúng tôi thực hiện các mô phỏng Monte-Carlo để kiểm
chứng các công thức đã được trình bày ở Chương 2. Môi trường mô phỏng của
chúng tôi là một hệ trục tọa độ hai chiều Oxy. Giả sử các nút N 0 , N 1 , …, N M nằm
trên trục Ox, sao cho hai nút kề nhau cách nhau một khoảng L. Một cách cụ thể, tọa
độ của nút N i  i  0,1,2,..., M  trong hệ trục tọa độ này là  iL,0  . Tiếp đến, các nút

 
chuyển tiếp tại chặng thứ i  1 Ri ,1 , Ri ,2 ,..., Ri ,Ki sẽ được đặt ở chính giữa hai nút

N i và N i 1 (tọa độ của các nút này sẽ là   i  1 / 2  L,0  ). Cuối cùng, nút PR sẽ có

tọa độ  xPR , y PR  (Xem hình 3.1). Trong tất cả các mô phỏng, ta giả sử rằng hệ số

suy hao bằng 3,   3 .

PR (xPR, yPR)

L/2

O
N0 R0,i N1 R1,i N2 NM-1 RM-1,i NM X

Hình 3.1: Hệ trục tọa độ OXY

Trong các hình vẽ sẽ được thể hiện bên dưới, chúng ta sẽ ký hiệu MP cho
các kết quả được vẽ bằng mô phỏng Monte-Carlo, ký hiệu LT cho các kết quả lý
thuyết được tính trong Chương 2.
 38

3.2. Xác suất dừng

0
10

-1
10
XAC SUAT DUNG

-2
10

-3
10
MH-TT (MP)
MH-DX (MP)
MH-MRC (MP)
-4
10 MH-TT (LT-(2.26))
MH-TT (LT-(2.39))
MH-DX (LT-(2.23))
MH-DX (LT-(2.37))
-5 MH-MRC (LT-(2.52))
10
0 2 4 6 8 10 12
P /N (dB)
max 0

Hình 3.2: Xác suất dừng được vẽ là một hàm của Pmax / N 0 (dB) khi M  2 , L  0.5,
K1 , K 2   1, 2 ,   1 ,  th  1 , xPR  0 , yPR  1 .
Trong hình vẽ 3.2, chúng tôi vẽ xác suất dừng của những mô hình MH-DX,
MH-TT và MH-MRC theo giá trị của Pmax / N 0 đơn vị dB. Trong mô phỏng này,
chúng ta giả sử có 2 chặng (M=2), khoảng cách giữa hai nút gần nhau là L  0.5 , và
số nút chuyển tiếp tại mỗi chặng lần lượt là 1 và 2 ( K1  1, K 2  2 ). Ta cũng giả sử

vị trí của nút PR trong mạng lưới là  0,1  xPR  0, y PR  1 . Các tham số còn lại

được cố định như sau:   1 và  th  1 . Nhìn vào hình vẽ, ta thấy rằng xác suất
dừng của tất cả các mô hình giảm khi ta tăng giá trị của Pmax / N 0 . Điều này có
nghĩa là các mô hình sẽ đạt được hiệu năng cao hơn khi sử dụng công suất phát lớn
hơn. Chúng ta cũng thấy rằng, xác suất dừng của mô hình MH-TT lớn hơn xác suất
dừng của các mô hình MH-DX và MH-MRC. Như đã được giải thích ở trên, bởi vì
 39

mô hình MH-TT không sử dụng truyền thông cộng tác tại mỗi chặng, vì thế mô
hình này chỉ đạt được độ lợi phân tập bằng 1 và hiệu năng kém nhất. Chúng ta cũng
quan sát được rằng, mặt dù mô hình MH-MRC có xác suất dừng thấp hơn mô hình
MH-DX nhưng ta có thể thấy rằng độ chênh lệch hiệu năng giữa hai mô hình là
không lớn. Hơn thế nữa, độ lợi hiệu năng của mô hình MH-DX so với mô hình MH-
TT tăng khi ta tăng giá trị của Pmax / N 0 . Cuối cùng, ta quan sát rằng những kết quả
mô phỏng trùng với những giá trị lý thuyết, và những giá trị lý thuyết xấp xỉ hội tụ
về những giá trị lý thuyết chính xác. Điều này khẳng định rằng các công thức được
đưa ra trong Chương 2 là chính xác.

Trong hình vẽ 3.3, chúng ta giả sử có 3 chặng (M=3), vị trí của nút PR trong
mạng lưới là  0,0.75   xPR  0, yPR  0.75  , khoảng cách giữa hai nút gần nhau là

L  0.5 , các tham số còn lại được cố định:   0.75 và  th  1.5 . Hình 3.3 biểu diễn
xác suất dừng của hai mô hình MH-DX và MH-TT theo giá trị của Pmax / N 0 đơn vị
dB. Trong mô phỏng này, chúng tôi mô phỏng số nút chuyển tiếp tại mỗi chặng
theo hai trường hợp:

- Trường hợp 1: Ở chặng thứ nhất có 1 nút chuyển tiếp, chặng thứ hai có 1 nút
chuyển tiếp và chặng thứ ba không có nút chuyển tiếp nào (
K1  1, K 2  1, K 3  0 ).

- Trường hợp 2: Ở chặng thứ nhất, chặng thứ hai và chặng thứ ba đều có 1 nút
chuyển tiếp ( K1  1, K 2  1, K 3  1 ).

Nhìn vào hình vẽ, ta thấy rằng mô hình MH-DX vẫn đạt được hiệu năng tốt
hơn mô hình MH-TT trong cả hai trường hợp. Tuy nhiên, độ lợi hiệu năng của mô
hình MH-DX so với mô hình MH-TT chỉ tăng theo giá trị của Pmax / N 0 trong trường
hợp 2. Trong trường hợp 1, giá trị xác suất dừng của hai mô hình MH-DX và MH-
TT song song với nhau khi Pmax / N 0 lớn. Để giải thích điều này, chúng ta phải xét
đến độ lợi phân tập. Bởi vì độ lợi phân tập của hai mô hình MH-DX và MH-TT là
 40

bằng nhau trong trường hợp 1 (bằng 1), và trong trường hợp số 2, độ lợi phân tập
của mô hình MH-DX thì lớn hơn (bằng 2) so với mô hình MH-TT.
0
10

-1
10
XAC SUAT DUNG

-2
10 MH-TT (MP)
MH-DX (MP) [1 1 0]
MH-TT (LT-(2.26))
MH-TT (LT-(2.39))
MH-DX (LT-(2.23))
-3
10 MH-DX (LT-(2.37))
MH-DX (MP) [1 1 1]
MH-TT (LT-(2.26))
MH-TT (LT-(2.39))
MH-DX (LT-(2.23))
-4 MH-DX (LT-(2.37))
10
0 5 10 15
P /N (dB)
max 0

Hình 3.3: Xác suất dừng được vẽ là một hàm của Pmax / N 0 (dB) khi M  3 , L  0.5,
K1 , K 2 , K3   1,1, 0 ;{1,1,1} ,   0.75 ,  th  1.5 , xPR  0 , y PR  0.75 .

0
10

-2
10
XAC SUAT DUNG

-4
10

-6
10
MH-TT (LT-(2.39))
MH-DX (LT-(2.37))
-8 MH-MRC (LT-(2.52))
10
20 25 30 35 40
Pmax/N0 (dB)
Hình 3.4: Xác suất dừng được vẽ là một hàm của Pmax / N 0 (dB) khi M  4 , L  1,
K1 , K 2 , K3 , K 4   1,1,1,1 ,   1 ,  th  1, xPR  0, yPR  0.75
 41
-2
10

-4
10

-6
XAC SUAT DUNG

10
MH-TT (LT-(2.39))
MH-DX (LT-(2.37))
-8 MH-MRC (LT-(2.52))
10

-10
10

-12
10

-14
10
20 25 30 35 40
Pmax/N0 (dB)

Hình 3.5: Xác suất dừng được vẽ là một hàm của Pmax / N 0 (dB) khi M  3 , L  0.75,
K1 , K 2 , K3  2,5,5 ,   1 ,  th  1 , xPR  0 , y PR  0.8 .

Trong hình vẽ 3.4, chúng tôi vẽ xác suất dừng ở dạng xấp xỉ của những mô
hình MH-DX, MH-TT và MH-MRC theo giá trị của Pmax / N 0 đơn vị dB. Trong mô
phỏng này, chúng ta giả sử có 4 chặng (M=4), khoảng cách giữa hai nút gần nhau là
L  1 và số nút chuyển tiếp tại mỗi chặng là 1 ( K1  K 2  K 3  K 4  1 ). Ta cũng giả

sử vị trí của nút PR trong mạng lưới là  0,0.75   xPR  0, yPR  0.75  . Các tham số

còn lại được cố định như sau:   1 và  th  1 . Chúng ta có thể thấy rằng hai đường
thẳng biểu thị xác suất dừng của hai mô hình MH-MRC và MH-DX song song với
nhau. Điều này chứng tỏ hai mô hình này có độ lợi phân tập bằng nhau. Hơn thế
nữa, ta thấy độ dốc của chúng trong trường hợp là bằng 2, trong khi độ dốc của
đường biểu thị xác suất dừng của mô hình MH-TT bằng 1.

Tương tự như hình 3.4, trong hình vẽ 3.5 chúng tôi cũng vẽ xác suất dừng ở
dạng xấp xỉ của những mô hình MH-DX, MH-TT và MH-MRC theo giá trị của
Pmax / N 0 đơn vị dB. Tuy nhiên trong hình vẽ này chúng tôi giả sử có 3 chặng (M=3)
 42

và mỗi chặng có số lượng nút chuyển tiếp khác nhau: ở chặng thứ nhất có 2 nút
chuyển tiếp, chặng thứ hai có 5 nút chuyển tiếp và chặng cuối cùng có 5 nút chuyển
tiếp ( K1  2, K 2  5, K 3  5 ). Ta cũng giả sử khoảng cách giữa hai nút gần nhau là

L  1 , vị trí của nút PR trong mạng lưới là  0,0.8   xPR  0, yPR  0.8  ,   1 và

 th  1 . Hình 3.5 cho ta một kết quả tương tự như hình 3.4, ở đây độ lợi phân tập
của hai mô hình MH-DX và MH-MRC bằng nhau và lớn hơn độ lợi phân tập của
mô hình MH-TT. Dựa vào hình vẽ, ta có thể xác định được độ lợi phân tập của hai
mô hình MH-MRC và MH-DX bằng 3, đúng với điều đã được chứng minh trong
Chương 2.
0
10

-1
10
XAC SUAT DUNG

-2
10
MH-TT (MP) - 5dB
MH-TT (LT-(2.26)) - 5dB
MH-DX (MP) - 5dB
MH-DX (LT-(2.23)) - 5dB
-3
10 MH-MRC (MP) - 5dB
MH-TT (MP) - 10dB
MH-TT (LT-(2.26)) - 10dB
MH-DX (LT-(2.23)) - 10dB
MH-MRC (MP) - 10dB
-4 MH-DX (MP) - 10dB
10
1 2 3 4 5
K

Hình 3.6: Xác suất dừng được vẽ là một hàm K (với K là số nút chuyển tiếp) khi M  3 ,
L  1,   0.5 ,  th  1 , xPR  0.5 , y PR  0.5 .

Trong hình vẽ 3.6, chúng tôi giả sử số lượng nút chuyển tiếp tại mỗi chặng
đều bằng nhau và bằng K,  Ki  K , Ki  . Kế tiếp, chúng tôi vẽ xác suất dừng của

những mô hình MH-DX, MH-TT và MH-MRC theo giá trị của K. Trong mô phỏng
này, chúng ta giả sử có 3 chặng (M=3), khoảng cách giữa hai nút gần nhau là L  1 ,
 43

vị trí của nút PR trong mạng lưới là  0.5,0.5   xPR  0.5, yPR  0.5  . Các tham số

còn lại được cố định như sau:   0.5 và  th  1 . Nhìn vào hình vẽ, ta thấy rằng xác
suất dừng của tất cả các mô hình giảm khi ta tăng giá trị của K. Hơn thế nữa, hiệu
năng của mô hình có công suất phát 10 dB cao hơn nhiều so mô hình có công suất
phát là 5 dB. Chúng ta cũng thấy rằng, xác suất dừng của mô hình MH-TT lớn hơn
xác suất dừng của các mô hình MH-DX và MH-MRC. Như đã được giải thích ở
trên, vì mô hình MH-TT không sử dụng truyền thông cộng tác tại mỗi chặng cho
nên mô hình này chỉ đạt được độ lợi phân tập bằng 1 và hiệu năng đạt được là kém
nhất. Chúng ta cũng quan sát được rằng, mặt dù mô hình MH-MRC có xác suất
dừng thấp hơn mô hình MH-DX nhưng ta có thể thấy rằng độ chênh lệch hiệu năng
giữa hai mô hình là không nhiều.
0
10

-1
10
XAC SUAT DUNG

-2
10

-3 MH-TT (MP)
10
MH-TT (LT-(2.26))
MH-DX (MP)
MH-DX (LT-(2.23))
-4 MH-MRC (MP)
10
0.5 1 1.5
L

Hình 3.7: Xác suất dừng được vẽ là một hàm L khi M  2 , K1 , K 2   3,3 ,   0.5 ,
 th  1 , xPR  0.4 , y PR  0.7 .

Trong hình vẽ 3.7, chúng tôi vẽ xác suất dừng của những mô hình MH-DX,
MH-TT và MH-MRC theo giá trị khoảng cách giữa hai nút kế tiếp trên tuyến (L).
 44

Trong mô phỏng này, chúng ta giả sử có 2 chặng (M=2), vị trí của nút PR trong
mạng lưới là  0.4,0.7   xPR  0.4, y PR  0.7  và số nút chuyển tiếp tại mỗi chặng lần

lượt là 3 và 3 ( K1  3, K 2  3 ). Các tham số còn lại được cố định như sau:   0.5
và  th  1 . Nhìn vào hình vẽ, chúng ta thấy rằng xác suất dừng của tất cả các mô
hình tăng khi ta tăng giá trị của khoảng cách L giữa hai nút và rõ ràng hơn là khi
chúng ta tăng giá trị khoảng các L thì xác suất dừng của mô hình MH-DX và mô
hình MH-MRC sẽ tăng hơn nhiều so với xác suất dừng của mô hình MT-TT. Điều
này có nghĩa hiệu năng của mô hình MH-MRC và mô hình MH-DX sẽ giảm nhiều
hơn hiệu năng của mô hình MH-TT nếu chúng ta tăng khoảng cách hai nút.
0
10

-1
10
XAC SUAT DUNG

-2
10

-3
10 MH-TT (MP)
MH-TT (LT-(2.26))
MH-DX (MP)
MH-DX (LT-(2.23))
-4 MH-MRC (MP)
10
0.5 1 1.5 2

Hình 3.8: Xác suất dừng được vẽ là một hàm của  th khi M  4 , L  0.75 , K  2 ,
  0.25 , xPR  1 , y PR  0.75 .

Trong hình vẽ 3.8, chúng tôi vẽ xác suất dừng của những mô hình MH-DX,
MH-TT và MH-MRC theo giá trị của  th . Trong mô phỏng này, chúng ta giả sử có

4 chặng (M=4),   0.25 , vị trí của nút PR trong mạng lưới là 1,0.75 

 xPR  1, yPR  0.75 và số nút chuyển tiếp là 3 ( K  3 ). Ta thấy rằng xác suất dừng
 45

của tất cả các mô hình tăng khi ta tăng giá trị của  th . Một lần nữa, ta dễ dàng thấy
rằng xác suất dừng của mô hình MH-DX và MH-MRC là gần như tương đương
nhau và chúng thấp hơn rất nhiều so với xác suất dừng của mô hình MH-TT.
0
10

-1
10
XAC SUAT DUNG

MH-TT (MP)
-2 MH-TT (LT-(2.26))
10
MH-DX (MP)
MH-DX (LT-(2.23))
MH-MRC (MP)
-3
10

-4
10
1 2 3 4 5 6 7
M

Hình 3.9: Xác suất dừng được vẽ là một hàm của số chặng từ nút nguồn đến nút đích khi
L  0.75 , K  2 ,   0.75 ,  th  1 , xPR  0 , y PR  1 .

Trong hình vẽ 3.9, chúng tôi vẽ xác suất dừng của những mô hình MH-DX,
MH-TT và MH-MRC theo giá trị của M, với M là số chặng từ nút nguồn đến nút
đích. Trong mô phỏng này, chúng ta giả sử vị trí của nút PR trong mạng lưới là
 0,1  xPR  0, yPR  1 , số nút chuyển tiếp là 2 ( K  2 ) và khoảng cách giữa hai nút
gần nhau là L  0.75 . Các tham số còn lại được cố định như sau:   0.75 và
 th  1 . Nhìn vào hình vẽ, chúng ta thấy rằng xác suất dừng của mô hình MH-TT,
MH-DX và MH-MRC đều tăng khi ta tăng số chặng. Từ hình 3.9 ta thấy rằng độ lợi
hiệu năng MH-MRC và MH-DX cao hơn rất nhiều so với mô hình MH-TT, bởi vì
như giải thích ở mô hình MH-MRC và MH-DX sử dụng truyền thông cộng tác tại
mỗi chặng còn mô hình MH-TT thì không sử dụng truyền thông cộng tác nên hiệu
năng của mô hình này thấp.
 46
0
10

-1
10
XAC SUAT DUNG

-2
10

-3
10 MH-TT (MP)
MH-TT (LT-(2.26))
MH-DX (MP)
MH-DX (LT-(2.23))
-4 MH-MRC (MP)
10
0.2 0.4 0.6 0.8 1
XPR

Hình 3.10: Xác suất dừng được vẽ là một hàm của xPR khi M  3 , L  0.5 , K  1 ,
  0.5 ,  th  0.5 , xPR  yPR .

Trong hình vẽ 3.10, chúng tôi quan sát sự ảnh hưởng của vị trí của nút PR
lên xác suất dừng của các mô hình khảo sát. Trong mô phỏng này, các đại lượng
được cố định như sau: M  3 , L  0.5 , K  1,   0.5 ,  th  0.5 . Chúng tôi cũng
giả sử rằng xPR  yPR và thay đổi giá trị thông số này từ 0.2 đến 1. Như chúng ta có
thể thấy, xác suất dừng giảm mạnh khi ta tăng giá trị của xPR , yPR . Điều này có thể
được giải thích rằng, khi ta tăng xPR , yPR , nút PR sẽ xa mạng thứ cấp vì thế giá trị
công suất truyền của các nút nguồn và nút chuyển tiếp cũng tăng lên, nên xác suất
dừng của hệ thống cũng giảm theo, do đó hiệu năng tăng lên rất đáng kể.
 47

3.3. Số lượng khe thời gian trung bình được sử dụng

6

5.5
MH-TT (MP)
5 MH-TT (LT-(2.57))
MH-DX (MP)
SO KHE THOI GIAN

4.5 MH-DX (LT-(2.60))

MH-MRC (MP)
4

3.5

2.5

1.5
0 5 10 15 20 25
Pmax/N0 (dB)

Hình 3.11: Số khe thời gian được sử dụng được vẽ là một hàm Pmax / N 0 (dB) khi M  3 ,
L  1 , K1 , K 2 , K3   1,1,1 ,   0.5 ,  th  1 , xPR  0 , y PR  1 .

Hình 3.11 biểu thị số khe thời gian trung bình được sử dụng để chuyển tiếp
thành công dữ liệu từ nguồn đến đích. Trong mô phỏng này, chúng tôi giả sử có 3
chặng ( M  3 ), khoảng cách giữa hai nút gần nhau là L  1 và số nút chuyển tiếp
tại mỗi chặng là 1 K1 , K 2 , K 3   1,1,1 . Ta cũng giả sử vị trí của nút PR trong mạng

lưới là (0,1) ( xPR  0 , yPR  1 ). Các tham số còn lại được cố định là   0.5 ,  th  1 .
Ta có thể quan sát rằng, số khe thời gian của mô hình MH-DX giảm khi ta tăng giá
trị của Pmax / N 0 . Ngược lại, mô hình MH-MRC và MH-TT sử dụng nhiều khe thời
gian hơn khi giá trị của Pmax / N 0 cao. Điều này có thể được giải thích là vì ở các giá
trị Pmax / N 0 lớn, sự truyền trực tiếp trong mô hình MH-DX dễ thành công và vì thế
sự truyền trên kênh chuyển tiếp có thể được bỏ qua, do đó giảm được số khe thời
gian được sử dụng. Hơn nữa, ta cũng có thể thấy rằng khi giá trị Pmax / N 0 lớn, mô
hình MH-MRC luôn sử dụng 6 khe thời gian, trong khi đó hai mô hình còn lại chỉ
 48

sử dụng 3 khe thời gian trên một lần chuyển tiếp thành công. Một lần nữa, ta quan
sát rằng những kết quả mô phỏng trùng với những giá trị lý thuyết, và những giá trị
lý thuyết xấp xỉ hội tụ về những giá trị lý thuyết chính xác. Điều này khẳng định
rằng các công thức được đưa ra trong Chương 2 là chính xác.

10
MH-TT (MP)
MH-TT (LT-(2.57))
8 MH-DX (MP)
MH-DX (LT-(2.60))
SO KHE THOI GIAN

MH-MRC (MP)
6

0
1 2 3 4 5
M
Hình 3.12: Số khe thời gian được sử dụng được vẽ là một hàm của số chặng số từ nút
nguồn đến nút đích M khi L  0.75 , K  2 ,   0.75 ,  th  1 , xPR  0.5 , y PR  1 .

Hình 3.12 biểu thị số khe thời gian trung bình được sử dụng để chuyển tiếp
thành công dữ liệu từ nguồn đến đích theo số chặng M. Trong mô phỏng này, chúng
ta giả sử khoảng cách giữa hai nút gần nhau là L  0.75 , số nút chuyển tiếp tại mỗi
chặng là 2 ( K  2 ), vị trí của nút PR trong mạng lưới là  0.5,1  xPR  0.5, y PR  1

và các tham số:   1 và  th  1 . Như chúng ta có thể thấy, khi ta tăng số chặng, số
khe thời gian được sử dụng cũng tăng theo. Tuy nhiên, số khe thời gian được sử
dụng trong mô hình MH-MRC dường như tăng tuyến tính, trong khi đó số khe thời
gian của hai mô hình còn lại tăng nhẹ.
 49

7
MH-TT (MP)
SO KHE THOI GIAN MH-TT (LT-(2.57))
6 MH-DX (MP)
MH-DX (LT-(2.60))
MH-MRC (MP)
5

2
0.2 0.4 0.6 0.8 1
XPR
Hình 3.13: Số lượng khe thời gian được sử dụng được vẽ là một hàm xPR khi M  4 ,
L  0.75 , K  2 ,   1 ,  th  1 , xPR  yPR .

Trong hình 3.13, chúng tôi khảo sát sự ảnh hưởng của vị trí nút PR lên số
khe thời gian trung bình được sử dụng. Chúng ta giả sử có 4 chặng (M=4), khoảng
cách giữa hai nút gần nhau là L  0.75 , số nút chuyển tiếp tại mỗi chặng là 2 (
K  2 ), Ta cũng giả sử các tham số còn lại:   1 và  th  1 . Nhìn vào hình 3.13,

chúng ta có thể thấy vị trí của nút PR ảnh hưởng đáng kể lên số khe thời gian được
sử dụng. Mô hình MH-DX một lần nữa thể hiện ưu điểm so với mô hình MH-MRC
là khi nút PR cách mạng thứ cấp, số khe thời gian sử dụng trong mô hình MH-DX
giảm.

3.4. Tỷ lệ lỗi gói

Trong hình 3.14, tỷ lệ lỗi gói được thể hiện bằng một hàm của Pmax / N 0 đơn
vị dB. Trong mô phỏng tỷ lệ lỗi gói, chúng ta giả sử có 2 chặng (M=2), khoảng cách
giữa hai nút gần nhau là L  0.5 và số nút chuyển tiếp tại mỗi chặng là 2 ( K  2 ).
Ta cũng giả sử vị trí của nút PR trong mạng lưới là  0,1  xPR  0, y PR  1 , các
 50

tham số còn lại được cố định như sau:   1 và  th  1 . Hơn nữa, trong hình vẽ này,
giả sử điều chế BPSK được sử dụng và các hằng số được xác định như trong [36]:
g  0.9819 ,  p  100.63281. Từ hình 3.14, chúng ta có thể thấy mô hình MH-DX đạt

được tỷ lệ lỗi gói thấp hơn so với mô hình MH-TT. Hơn nữa, các giá trị xấp xỉ trùng
với các giá trị chính xác ở các giá trị cao. Một lần nữa chứng minh các công thức
được đưa ra trong Chương 2 là chính xác.
2
10

0
10
TY LE LOI GOI

-2
10

-4
10 MH-TT (MP)
MH-TT (LT-(2.65))
MH-DX (MP)
-6 MH-DX (LT-(2.70))
10
0 5 10 15 20 25
Pmax/N0 (dB)

Hình 3.14: Tỷ lệ lỗi gói được vẽ là một hàm Pmax / N 0 (dB) khi M  2 , L  0.5 ,
 K1 , K 2   1,2 ,   1 ,  th  1, xPR  0 , y PR  1 .
 51

Chương 4 - KẾT LUẬN

Luận văn nghiên cứu sự truyền đa chặng trong vô tuyến nhận thức dạng nền
sử dụng giao tiếp cộng tác tại mỗi chặng. Trong luận văn, chúng tôi tập trung
nghiên cứu, tìm ra các biểu thức toán học dạng chính xác và xấp xỉ cho các mô hình
MH-DX, MH-TT và MH-MRC về xác suất dừng, tốc độ lỗi gói và số khe thời gian
trung bình. Cuối cùng, chúng tôi sử dụng phương pháp Monte Carlo để kiểm chứng
các phân tích lý thuyết của các mô hình trên. Các kết quả mô phỏng và lý thuyết đã
thể hiện những điều sau:

- Mô hình đề xuất MH-DX đạt được xác suất dừng thấp hơn so với mô hình
MH-TT, trong khi xác suất dừng của mô hình này có thể so sánh được với
mô hình MH-MRC. Hơn thế nữa, mô hình của chúng tôi có độ lợi phân tập
bằng với mô hình MH-MRC, trong khi lại đạt được hiệu quả phổ cao hơn.
- Các kết quả phân tích và lý thuyết trùng với nhau, điều này minh chứng rằng
sự phân tích và mô phỏng trong luận văn là chính xác.
- Khi ta thay đổi các thông số như số chặng truyền dữ liệu từ nguồn đến đích,
khoảng cách giữa hai nút gần nhau, tỷ số tín hiệu trên nhiễu, số nút chuyển
tiếp tại mỗi chặng, giá trị  th và vị trí của nút PR, xác suất dừng của các mô
hình khảo sát cũng thay đổi đáng kể. Tương tự như vậy, các thông số này
cũng ảnh hưởng đến số khe thời gian trung bình được sử dụng, cũng như tốc
độ lỗi gói.

Kết quả của đề tài đạt được một số nội dung sau:

- Hiệu năng của mạng thứ cấp cũng như độ lợi phân tập được nâng cao khi mô
hình MH-DX sử dụng truyền thông cộng tác tại mỗi chặng.
- Mô hình MH-DX giảm được số lượng khe thời gian trung bình được sử dụng
để truyền dữ liệu, do đó hiệu quả phổ cũng được tăng cường.
- Trong mô hình đề xuất, các nút nhận không sử dụng các kỹ thuật kết hợp. Do
đó giảm được độ phức tạp trong quá trình giải mã dữ liệu tại các nút này.
 52

- Tìm ra các biểu thức tường minh, giúp cho các nhà thiết kế dễ dàng tính toán
và tối ưu mạng lưới.

Đề tài có thể mở rộng phát triển lên theo các hướng như sau:

- Mở rộng mô hình MH-DX trong trường hợp các nút sử dụng nhiều
antenna.

- Xem xét mô hình MH-DX trên những kênh truyền khác như Rician,
Nakagami, ...

- Xem xét mô hình MH-DX khi có nhiều cặp nút PR xuất hiện trong mạng.

- Đánh giá lại hiệu năng của mô hình MH-DX trong trường hợp nút phát sơ
cấp ở gần mạng thứ cấp.
 53

DANH MỤC TÀI LIỆU THAM KHẢO

[1] J. Mitola, G. Q. Maguire, “Cognitive radio: making software radios more
personal,” IEEE Pers. Commun., vol. 6, no. 4, pp. 13-18, Aug. 1999.
[2] Z. Qing, B. M. Sadler, “A Survey of Dynamic Spectrum Access” IEEE
Signal Processing Magazine, vol. 24, pp. 79-89, 2007.
[3] S. Haykin, “Cognitive Radio: Brain-empowered Wireless
Communications” IEEE Journal on Selected Areas Communications, vol.
23, pp. 201-220, 2005.
[4] A. Sahai, N. Hoven, R. Tandra, “Some fundamental limits in cognitive
radio,” in Proc. Of Allerton Conf Commun Control Comput, Sept. 2004.
[5] O. Simeone, I. Stanojev, S. Savazzi, Y. Bar-Ness, U. Spagnolini, and R.
Pickholtz, “Spectrum leasing to cooperating secondary ad hoc networks,”
IEEE Journal on Selected Areas in Communication, vol. 26, no. 1, pp. 203-
213, 2008.
[6] Y. Han and S. H. Ting, “Cooperative Decode-and-Forward Relaying for
Secondary Spectrum Access,” IEEE Trans. on Wirel. Commun., vol. 8, no.
10, pp. 4945-4950, 2009.
[7] Y. Han, S. H. Ting, A. Pandharipande, “Cooperative Spectrum Sharing
Protocol with Secondary User Selection”, IEEE Transactions on Wireless
Communications, vol. 9, no. 9, pp. 2914 – 2923, 2010.
[8] Asaduzzaman, H. Y. Kong, I. Koo, “Opportunistic relaying based spectrum
leasing for cognitive radio networks” Journal of Communications and
Networks, vol. 13, no. 1, pp. 50-55, 2011.
[9] T. T. Duy, H. Y. Kong, "Performance Analysis of Two-Way Hybrid
Decode-and-Amplify Relaying Scheme with Relay Selection for Secondary
Spectrum Access", Wireless Personal Communications (WPC), vol. 69, no.
2, pp. 857-878, 2013.
[10] Y. Guo, G. Kang, N. Zhang, W. Zhou, and P. Zhang, “Outage performance
of relay-assisted cognitive-radio system under spectrum-sharing
constraints,” Electron. Lett., vol. 46, no. 2, 2010.
[11] J.N. Laneman, D.N.C Tse, G.W. Wornell, “Cooperative Diversity in
Wireles Networks: Efficient Protocols and Outage Behavior” IEEE
Transactions on Information Theory, vol. 50, pp. 3062 – 3080, 2004.
 54

[12] J. N. Laneman, G. W. Wornell, “Distributed space-time-coded protocols for

exploiting cooperative diversity in wireless networks” IEEE Trans. Inform.
Theory, vol. 49, pp. 2415–2425, 2003.
[13] K. Tourki, H.-C. Yang, M.-S. Alouini, “Accurate Outage Analysis of
Incremental Decode-and-Forward Opportunistic Relaying” IEEE Trans.
On. Wireless Communications, vol. 10, pp.1021 – 1025, 2011.
[14] H. Chen, J. Liu, “Performance Analysis of SNR-based Hybrid Decode-
Amplify-Forward Cooperative Diversity Networks over Rayleigh Fading
Channels” In proc of IEEE Wireless Communications and Networking
Conference, pp. 1-6, 2010.
[15] M.O. Hasna and M.S. Alouini, “Outage probability of multihop transmission
over nakagami fading channels,” IEEE Communication Letters, vol. 7, no.
5, pp. 216-218, 2003.
[16] C. Coone and I1-Min Kim, “Outage Probability of Multi-hop Amplify-and-
forward Relay Systems”, IEEE Trans. on Wireless Commun., vol.9, no.3,
pp. 1139-1149, 2010.
[17] B. An, T. T. Duy, H.Y. Kong, "A Cooperative Transmission Strategy using
Entropy-based Relay Selection in Mobile Ad-hoc Wireless Sensor
Networks with Rayleigh Fading Environments", KSII Transactions on
Internet and Information Systems (TIIS), vol. 3, no. 2, pp.147-162, Feb.
2009.
[18] S. Sagong, J. Lee and D. Hong, "Capacity of Reactive DF Scheme in
Cognitive Relay Networks", IEEE Trans. on Wire. Commun., vol. 10, no.
10, pp. 3133 - 3138, Oct. 2011.
[19] J. Si, Z, Li , J. Chen, P. Qi and H. Huang, " Performance Analysis of
Adaptive Modulation in Cognitive Relay NetworksWith Interference
Constraints", In Proc. of IEEE Wireless Communications and Networking
Conference (WCNC), pp. 2631 - 2636, May 2012.
[20] J. Lee, H. Wang, J.G. Andrews, D. Hong, "Outage Probability of Cognitive
Relay Networks with Interference Constraints", IEEE Trans. on Wire.
Commun., 10, pp. 390-395, Feb. 2011.
[21] T. Q. Duong, D. B. da Costa, M. Elkashlan, and V. N. Q. Bao, “Cognitive
Amplify-and-Forward Relay Networks over Nakagami-m Fading,” IEEE
Trans. on Vehicular Technology, vol. 61, no. 5, May 2012.
 55

[22] T. Q. Duong, D. B. da Costa, T. A. Tsiftsis , C. Zhong, and A. Nallanathan,

“Outage and Diversity of Cognitive Relaying Systems under Spectrum
Sharing Environments in Nakagami-m Fading,” IEEE Communications
Letter, vol. 16, no. 12, Dec. 2012.
[23] V. N. Q. Bao, T. Q. Duong, D. B. da Costa, G. C. Alexandropoulos, and A.
Nallanathan, "Cognitive Amplify-and-Forward Relaying with Best Relay
Selection in Spectrum Sharing Systems,” IEEE Communications Letter, vol.
17, no.3, Mar. 2013.
[24] T. T. Duy and H.Y. Kong, "Performance Analysis of Incremental Amplify-
and-Forward Relaying Protocols with Nth Best Partial Relay Selection under
Interference Constraint", Wireless Personal Communications (WPC), vol.
71, no. 4, pp. 2741-2757, Aug. 2013.
[25] T. T. Duy and H.Y. Kong, "Adaptive Cooperative Decode-and-Forward
Transmission with Power Allocation under Interference Constraint",
Wireless Personal Communications (WPC), vol. 74, no. 2, pp. 401-414, Jan.
2014.
[26] Vo Nguyen Quoc Bao and T. Q. Duong, "Outage Analysis of Cognitive
Multihop Networks under Interference Constraints”, IEICE Trans
Commun., vol.E95-B, no.03, pp. 1019-1022, Mar. 2012.
[27] T. T. Thanh, Vo Nguyen Quoc Bao, V. D. Thanh and N. T. Duc,
"Performance Analysis of Spectrum Sharing-based Multi-hop Decode-and-
Forward Relay Networks under Interference Constraints", The Four
International Conference on Communications and Electronics (ICCE 2012),
Hue, Vietnam, pp. 200-205, Aug. 2012.
[28] Vo Nguyen Quoc Bao, T. T. Thanh, T. D. Nguyen., and T. D. Vu,
"Spectrum Sharing-based Multihop Decode-and-Forward Relay Networks
under Interference Constraints: Performance Analysis and Relay Position
Optimization", Journal of Communications and Networks, vol. 15, no. 3,
pp. 266-275, Jun. 2013.
[29] Khuong H.V., “Performance Evaluation of Underlay Cognitive Multi-hop
Networks Over Nakagami-m Fading Channels”, Wireless Personal
Communications, vol. 70, no. 1, pp 227-238, 2013.
 56

[30] T. T. Duy and V.N.Q. Bao, "Outage performance of cooperative multihop

transmission in cognitive underlay networks", ComManTel 2013, HCM
City, Viet Nam, Jan. 2013.
[31] T. T. Duy and V.N.Q. Bao, "Multi-hop Transmission with Diversity
Combining Techniques Under Interference Constraint", The 2013 ATC
Conference, HCM City, Viet Nam, pp. 131-135, Oct. 2013.
[32] A. Goldsmith, “Wireless Communications”, Cambridge, 2005.

[33] A. Bletsas, A Khisti, D. P. Reed, A Lippman, “A simple Cooperative

Diversity Method Based on Network Path Selection,” IEEE Journal on
Selected Areas in Communications, vol.24, no. 3, pp. 659-672, March 2006.

[34] I. Gradshteyn, I. Ryzhik, “Table of Integrals, Series, and Products”,

Academic Press, Inc, New York, London, 2007, 7th edn.

[35] A. Papoulis, S.Unnikrishna Pillai, Probability, “Random Variables and

Stochastic Processes”, 4th edition, McGraw Hill, 2002.

[36] Q. Liu, S. Zhou, G.B. Giannakis, “Cross-layer combining of adaptive

modulation and coding with truncated ARQ over wireless links,” IEEE
Trans. Wireless Commun, vol. 3, pp. 1746–1755, 2004.

View publication stats