活动介绍

LTE-M技术:连接恢复、调度与数据传输的全面解析

立即解锁
发布时间: 2025-08-29 10:46:43 阅读量: 11 订阅数: 38 AIGC
### LTE-M技术:连接恢复、调度与数据传输的全面解析 #### 1. 连接恢复功能 连接恢复功能允许设备恢复之前暂停的连接,涵盖PDCP状态、接入层安全和RRC配置。这一功能的优势显著,它消除了在连接建立时协商接入层安全以及配置无线接口(包括通过空中接口承载数据的数据无线承载)的需求。同时,它支持PDCP从恢复连接的第一次数据传输开始就高效利用其鲁棒头压缩(RoHC)。 该功能基于恢复标识,当连接暂停时,网络会在RRC连接释放消息中向设备发送此标识。当设备想要恢复连接时,会使用包含RRC连接恢复请求消息的消息3将恢复标识回传给网络。以下是RRC恢复过程的流程图: ```mermaid graph LR A[设备] -->|RRC连接释放消息(含恢复标识)| B[网络] B -->|消息3(含RRC连接恢复请求消息)| A ``` #### 2. 信令减少方法 - **Data over Non - access Stratum(DoNAS)**:这是一种信令减少方法,属于控制平面CIoT EPS优化的一部分。在消息5(RRC连接建立完成消息)中,使用非接入层(NAS)容器通过控制平面传输上行用户数据。此方法主要为NB - IoT用例设计,在LTE - M中也可选择支持。 - **Early Data Transmission(EDT)**:Release 15引入的EDT功能允许设备在消息3中传输上行数据,设备可在空闲模式下完成数据传输,无需转换到连接模式。不过,EDT仅限于小数据有效载荷。具体TBS范围如下: | CE模式 | 上行EDT支持的TBS范围(位) | | ---- | ---- | | A | {328, 408, 504, 600, 712, 808, 936, 1000} | | B | {328, 408, 456, 504, 600, 712, 808, 936} | 设备使用EDT的操作步骤如下: 1. 设备通过从为EDT过程配置的每个PRACH CE级别预定义的一组前导码中随机选择一个PRACH前导码来发起随机接入过程,以此表明其使用EDT的意图。 2. 基站检测到PRACH前导码后,会在消息2中包含消息3的EDT上行授权。 3. 基站可选择允许设备使用小于配置的最大TBS,设备可根据其数据缓冲区状态为消息3选择TBS。 4. 消息2会指示设备在使用最大TBS时消息3传输应使用的子帧重复次数,若设备选择较小TBS,则按比例减少重复次数。 5. 基站可指示(每个PRACH CE级别)是否允许设备选择TBS以及设备可选择的TBS值的最大数量(1、2或4)。 6. 频率域(PRB)资源分配根据消息2中指示的UL授权进行,调制方案固定为QPSK。 7. 若消息3携带用户数据比普通消息3更消耗资源,基站可在消息2中指示设备回退到普通随机接入过程。 8. EDT还支持在消息4中进行下行数据传输,可用于提供对消息3上行传输的应用层确认和额外数据。 #### 3. 接入控制 LTE - M支持接入类禁止(ACB)和扩展接入禁止(EAB)。SIB1包含携带扩展接入禁止信息的SIB14的调度信息。若SIB1中无SIB14调度信息,则禁止未激活;若有,则禁止激活。Release 15引入了PRACH CE级别特定禁止,通过在SIB14中提供RSRP阈值,若设备测量的RSRP低于该阈值,则禁止其接入网络,设备需稍后再尝试接入。 #### 4. 多播 对于一些物联网应用,多播传输很有好处,例如可高效地向大量设备分发软件/固件升级。但由于LTE - M的窄带特性,它不支持LTE的多媒体广播多播服务单频网络功能。Release 14引入了基于多媒体广播多播服务(MBMS)框架的单小区点对多点(SC - PTM)传输,支持LTE - M多播传输。SC - PTM仅在空闲模式下支持,新的SIB20可包含每个小区的一个单小区多播控制信道(SC - MCCH)的调度信息,SC - MCCH可包含每个多播服务的一个单小区多播业务信道(SC - MTCH)的调度信息。以下是SC - PTM的相关信息表: | 模式 | MPDCCH搜索空间 | RNTI | 用途 | DCI格式 | | ---- | ---- | ---- | ---- | ---- | | 空闲 | - | SI - RNTI | 系统信息广播 | Type - 1A common | | 空闲 | - | SC - RNTI | 调度SC - MC
corwn 最低0.47元/天 解锁专栏
赠100次下载
继续阅读 点击查看下一篇
profit 400次 会员资源下载次数
profit 300万+ 优质博客文章
profit 1000万+ 优质下载资源
profit 1000万+ 优质文库回答
复制全文

相关推荐

物联网_赵伟杰

物联网专家
12年毕业于人民大学计算机专业,有超过7年工作经验的物联网及硬件开发专家,曾就职于多家知名科技公司,并在其中担任重要技术职位。有丰富的物联网及硬件开发经验,擅长于嵌入式系统设计、传感器技术、无线通信以及智能硬件开发等领域。
最低0.47元/天 解锁专栏
赠100次下载
百万级 高质量VIP文章无限畅学
千万级 优质资源任意下载
千万级 优质文库回答免费看
立即解锁

专栏目录

最新推荐

Python高级特性与技巧

# Python高级特性与技巧 ## 1. defaultdict ### 1.1 基本概念 `collections` 模块提供了 `defaultdict`,它类似于字典,但当访问不存在的键时,会自动生成一个新值。创建 `defaultdict` 时,需要提供一个用于创建新值的函数,这种函数也被称为工厂函数。像创建列表、集合等类型的内置函数都可以用作工厂函数。 ### 1.2 示例代码 ```python from collections import defaultdict d = defaultdict(list) print(d) # 输出: defaultdict(list,

自然语言处理中的Transformer模型:原理、应用与挑战

# 自然语言处理中的Transformer模型:原理、应用与挑战 ## 一、Transformer基础特性 ### 1.1 核心组件判断 - **位置编码**:Transformer使用位置编码而非位置向量。原始Transformer模型没有额外的位置向量,位置编码在输入处理后添加到输入中。 - **前馈网络**:Transformer包含前馈网络。 - **掩码多头注意力**:Transformer解码器中的掩码多头注意力组件可防止算法在解析给定位置时看到正在处理序列的其余部分。 - **长距离依赖分析**:与LSTM相比,Transformer能更好地分析长距离依赖关系。 ### 1.

机器学习中的自动化特征工程

# 机器学习中的自动化特征工程 ## 1. 机器学习管道概述 在机器学习中,为了让模型发挥出最佳性能,我们需要尝试特征、模型和模型参数的各种排列组合。然而,找到合适的组合是一个耗时的过程。机器学习管道(ML pipeline)是一种自动化这个过程的技术,它能让我们省去大量的手动实验。 在实践中,我们逐步实现了机器学习工作流程的不同部分。我们创建了一个处理引擎,并在其中加入了降维和建模步骤。随后,我们使用各种模型进行了初步检查,并通过网格搜索找到了最佳参数。在这个过程中,我们深刻体会到了ML管道让这些流程变得更加简单。 ## 2. 自动化特征工程的重要性 ### 2.1 手动特征工程的痛点

电影推荐系统中的快捷边计算、数据加载与查询实践

### 电影推荐系统中的快捷边计算、数据加载与查询实践 #### 1. 快捷边计算方法的权衡 在进行快捷边计算时,有两种常见的方法可供选择:并行事务查询和批量计算。以下是对这两种方法的详细比较: ##### 1.1 批量计算更适用的场景 - **共享计算优势**:执行批量计算的 Gremlin 查询可以利用共享计算,避免多次遍历图的相同部分,从而加快整体执行速度。例如,很多电影被相同的评论者评分,使用事务查询会多次遍历这些评论者顶点,而批量计算可以将这些计算批量处理。 - **资源需求与并发问题**:批量计算通常需要更多资源(特别是内存),可能会干扰并发事务工作负载。例如,并发批量查询可能

Kaggle与职业发展:展示成果与寻找机会

### Kaggle与职业发展:展示成果与寻找机会 #### 写作展示解决方案的优势 写作记录解决方案有独特的故事性优势。在写作时,需要为代码片段配上描述和解释,表述要比在笔记本中更详细。某种程度上,对工作的描述和所写的代码同样重要。通过调整写作风格,可以吸引不同类型的读者。用通俗易懂的方式阐述概念,能扩大受众群体,与更多专业人士建立联系;而采用高度技术性的写作方式,虽会限制读者数量,但可能会给潜在的招聘公司留下深刻印象。写作是非常个人化的行为,建议事先明确写作目的和目标受众。 #### GitHub的使用 - **代码复用**:除了撰写文章和拥有代码仓库引导读者外,将代码存于GitHub

大语言模型在聊天机器人与系统集成中的应用

# 大语言模型在聊天机器人与系统集成中的应用 ## 1. 大语言模型赋能聊天机器人 大语言模型(LLMs)如 GPT - 3/4 和 Claude 正变革着对话式人工智能,让聊天机器人等对话式 AI 代理能够实现更自然、类人的数字体验。以金融聊天机器人开展个性化风险测试为例,LLMs 可使聊天机器人动态创建交互式评估。 ### 1.1 聊天机器人的能力体现 这些强大的生成式模型让聊天机器人能够真正理解自然语言,与用户进行流畅对话,并完成从商业交易到个性化评估等复杂工作流程。 ### 1.2 关键:精心的提示工程 开发者可在提示中注入关键上下文、领域知识、业务逻辑和数据源等,以塑造聊天机器

自然语言处理中的主题建模技术与实际应用

# 自然语言处理中的主题建模技术与实际应用 ## 1. LDA与BERTopic对比 ### 1.1 词嵌入 - **LDA**:使用词袋(BoW)和TF - IDF文本表示方法,不考虑单词的语义含义或其出现的上下文。 - **BERTopic**:依赖预训练的Transformer BERT词嵌入或本章列出的其他嵌入方法,能够捕捉单词之间的语义关系以及它们出现的上下文。 ### 1.2 文本预处理 - **LDA**:通常需要进行文本预处理,如去除停用词和词形还原,以获得更好的模型结果。 - **BERTopic**:一般不需要进行去除停用词或词形还原的文本预处理。 ### 1.3 语

网络安全攻击技术与优化策略

# 网络安全攻击技术与优化策略 ## 1. CAPTCHA绕过技术 ### 1.1 原理概述 利用先进的语音转文本模型,借助为视障人士提供的替代验证码谜题来绕过reCAPTCHA(版本2)。在这些替代谜题中,用户可以选择听取音频片段,然后将听到的内容输入到输入框中。原本人类在听取和解读语音音频方面具有优势,但现在先进的语音转文本模型使得这种优势不再明显。 ### 1.2 代码实现 ```python from time import sleep import win32gui import autoit import speech_recognition as sr import soun

应用PowerBI机器学习模型对新数据进行评分

# 应用 Power BI 机器学习模型对新数据进行评分 ## 1. 准备工作 在将新的 FAA 野生动物撞击数据引入 Power BI 之前,需要完成一些准备工作: - **数据接入选项**:可以通过以下方式将数据导入 Power BI 云服务: - Microsoft OneDrive(需与 Power BI 云服务建立连接) - Microsoft Access + Power BI 网关 - Azure Data Lake(需与 Power BI 云服务建立连接) - **软件要求**:使用 2023 年 4 月或更高版本的 Power BI Desktop(无需许可证)

Trino查询处理与优化全解析

# Trino 查询处理与优化全解析 ## 1. 查询处理状态 在进行查询操作时,了解不同的查询处理状态至关重要。常见的查询状态包括: - **RUNNING**:查询正在执行中。 - **FINISHED**:查询已成功完成。 - **USER CANCELLED**:用户手动终止了查询。 - **USER ERROR**:用户提交的 SQL 查询语句存在语法或语义错误。 此外,还有一些特殊状态: - **BLOCKED**:查询在等待资源或额外的数据分片处理时被阻塞。若查询长时间处于此状态,可能是系统内存使用或配置存在问题,也可能是客户端读取结果过慢。此时,可先检查系统的内存使用和配置