活动介绍

5GNR网络关键技术:移动性管理、功耗优化与用户设备能力解析

立即解锁
发布时间: 2025-08-27 01:52:08 阅读量: 5 订阅数: 15
# 5G NR网络关键技术:移动性管理、功耗优化与用户设备能力解析 ## 1. 波束级移动性 在5G新空口(NR)网络中,波束级移动性是一项重要的技术。与传统的移动性管理不同,波束级移动性无需显式的RRC(无线资源控制)信令来触发切换。具体来说,gNB(下一代基站)会通过RRC信令为UE(用户设备)提供测量配置,其中包含同步信号块(SSB)/信道状态信息参考信号(CSI - RS)资源及资源集的配置、报告内容,以及用于触发信道和干扰测量与报告的触发状态。 波束级移动性主要在较低层通过物理层和MAC(媒体接入控制)层的控制信令来执行,RRC层无需时刻知晓当前使用的是哪个波束。基于SSB的波束级移动性依赖于与初始下行带宽部分(DL BWP)相关联的SSB,并且只能针对初始DL BWP以及包含与初始DL BWP相关联的SSB的DL BWP进行配置。对于其他DL BWP,波束级移动性只能基于CSI - RS测量来实现。 ## 2. 用户设备能力 ### 2.1 数据速率能力 NR中的UE能力不依赖于UE类别。与LTE不同,NR的UE类别与固定的峰值数据速率相关联,主要用于市场目的,不会向网络发送这些类别信息。网络会根据UE支持的频段组合以及基带能力(如调制方案和多输入多输出(MIMO)层数)来确定UE支持的上行和下行数据速率。 为了限制信令开销,gNB可以要求UE提供特定频段的NR能力。当UE响应时,如果某些请求的频段组合对应的UE能力相同,UE可以跳过这些子集的报告。 NR为给定频段或频段组合中的聚合载波数量定义了近似(峰值)数据速率,计算公式如下: \[D_{NR}=10^{-6}\sum_{j = 1}^{J}\frac{v_{layer}^{(j)}Q_{m}^{(j)}f^{(j)}R_{max}}{12N_{PRB}^{(j)}(\mu)T_{s}(\mu)}(1 - \alpha^{(j)})\](Mbps) 其中各参数含义如下: |参数|含义| | ---- | ---- | | \(J\) | 频段或频段组合中聚合的分量载波数量 | | \(R_{max}=\frac{948}{1024}\) | 固定值 | | \(v_{layer}^{(j)}\) | 下行由高层参数“maxNumberMIMO - LayersPDSCH”给出的最大支持层数,上行由高层参数“maxNumberMIMO - LayersCB - PUSCH”和“maxNumberMIMO - LayersNonCB - PUSCH”给出 | | \(Q_{m}^{(j)}\) | 下行由高层参数“supportedModulationOrderDL”给出的最大支持调制阶数,上行由高层参数“supportedModulationOrderUL”给出 | | \(f^{(j)}\) | 由高层参数“scalingFactor”给出的缩放因子,取值为1、0.8、0.75和0.4 | | \(\mu\) | 编号(一种正交频分复用(OFDM)参数) | | \(T_{s}(\mu)\) | 编号为\(\mu\)时子帧内的平均OFDM符号持续时间,对于正常循环前缀,\(T_{s}(\mu)=0.014\times2^{-\mu}\) | | \(N_{PRB}^{(j)}(\mu)\) | 编号为\(\mu\)时,带宽\(BW^{(j)}\)中的最大资源块分配,其中\(BW^{(j)}\)是UE在给定频段或频段组合中支持的最大带宽 | | \(\alpha^{(j)}\) | 估计的开销,取值如下:<br> - 下行频段范围(FR)1:0.14 <br> - 下行FR2:0.18 <br> - 上行FR1:0.08 <br> - 上行FR2:0.10 | 需要注意的是,对于使用补充上行链路(SUL)的小区,只计算上行或补充上行载波中数据速率较高的那个。 近似最大数据速率可以通过计算每个支持的频段或频段组合的近似数据速率,并取其中的最大值来得到。对于LTE在双连接情况下,给定频段或频段组合中聚合载波数量的近似数据速率计算公式为: \[D_{MR - DC}=10^{-3}\sum_{j = 1}^{J}TBS_{j}\](Mbps) 其中,\(J\)是多无线双连接(MR - DC)频段组合中聚合的LTE分量载波数量,\(TBS_{j}\)是基于UE支持的第\(j\)个载波的最大MIMO层数、调制阶数以及第\(j\)个载波带宽内的物理资源块(PRB)数量,在1ms传输时间间隔(TTI)内接收到的DL - SCH传输块的总最大比特数。近似最大数据速率同样通过计算每个支持的频段或频段组合的近似数据速率,并取最大值得到。对于MR - DC,近似最大数据速率是NR和LTE的近似最大数据速率之和。 ### 2.2 第二层缓冲区大小 总第二层缓冲区大小是另一个UE能力属性,定义为UE能够在所有无线承载的无线链路控制(RLC)传输窗口、RLC接收和重排序窗口以及分组数据汇聚协议(PDCP)重排序窗口中存储的字节数之和。 在MR - DC和NR - DC场景下,总第二层缓冲区大小是基于以下两个公式计算值的最大值: \[MaxULDataRate_{MN}\times RLCRTT_{MN}+MaxULDataRate_{SN}\times RLCRTT_{SN}+MaxDLDataRate_{SN}\times RLCRTT_{SN}+MaxDLDataRate_{MN}\times RLCRTT_{SN}+X2/Xn_{delay}+Queuing_{inSN}\] \[MaxULDataRate_{MN}\times RLCRTT_{MN}+MaxULDataRate_{SN}\times RLCRTT_{SN}+MaxDLDataRate_{MN}\times RLCRTT_{MN}+MaxDLDataRate_{SN}\times RLCRTT_{MN}+X2/Xn_{delay}+Queuing_{inMN}\] 在其他场景下,总第二层缓冲区大小计算公式为: \[MaxDLDataRate\times RLCRTT + MaxULDataRate\times RLCRTT\] 需要注意的是,上述公式未考虑数据预处理所需的额外第二层缓冲区。总第二层缓冲区大小是为每个频段组合和支持的MR - DC或NR频段组合中的适用特征集组合计算得到的所有值中的最大第二层缓冲区大小。NR小区组的RLC往返时间(RTT)对应于频段组合和适用特征集组合中支持的最小子载波间隔(SCS)编号。NR规范规定: - 如果辅小区组(SCG)是NR,\(X2/Xn_{delay}+Queuing_{inSN}=0\);如果SCG是LTE,\(X2/Xn_{delay}+Queuing_{inSN}=55\)ms。 - 如果主小区组(MCG)是NR,\(X2/Xn_{delay}+Queuing_{inMN}=25\)ms;如果MCG是LTE,\(X2/Xn_{delay}+Queuing_{inMN}=55\)ms。 - LTE小区组的RLC RTT为75ms,NR小区组的RLC RTT根据子载波间隔在20 - 50ms之间变化。 ### 2.3 完整性保护数据无线承载(DRB)的最大支持数据速率 完整性保护DRB的最大支持数据速率是在非接入层(NAS)指示的UE能力,最小值为64kbps,最大值为UE支持的最高数据速率。如果完整性检查失败(例如,由于错误或缺失的消息认证码 - I(MAC - I)),接收的PDCP实体将丢弃相应的协议数据单元(PDU)。 ## 3. 不连续接收和节能方案 ### 3.1 DRX机制概述 当UE处于RRC_CONNECTED状态时,会监控物理下行控制信道(PDCCH)。这一活动由为UE配置的不连续接收(DRX)和带宽自适应方案控制。当配置了带宽自适应时,UE只需在活动BWP上监控PDCCH,而无需在整个小区的下行频率上进行监控。BWP不活动定时器(独立于DRX不活动定时器)用于将活动BWP切换回默认BWP。该定时器在成功解码PDCCH时会重新启动,当定时器到期时,会切换到默认BWP。 当配置了DRX时,UE无需持续监控PDCCH。DRX机制由以下参数表征: - **开启持续时间(On - duration)**:UE期望接收PDCCH的时间间隔。如果UE成功解码PDCCH,它将保持唤醒状态并启动不活动定时器。 - **不活动定时器(Inactivity timer)**:从最后一次成功解码PDCCH开始,UE等待成功解码PDCCH的时间间隔。如果解码失败,UE可以进入睡眠状态。UE仅在首次传输成功解码PDCCH时重新启动不活动定时器(不包括重传)。 - **重传定时器(Retransmission - timer)**:直到可以预期重传的时间间隔。 - **周期(Cycle)**:定义开启持续时间之后可能的不活动周期的周期性重复。 - **活动时间(Active - time)**:UE监控PDCCH的总持续时间,包括DRX周期的开启持续时间、不活动定时器运行时UE进行连续接收的时间,以及UE等待重传机会时进行连续接
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

郑天昊

首席网络架构师
拥有超过15年的工作经验。曾就职于某大厂,主导AWS云服务的网络架构设计和优化工作,后在一家创业公司担任首席网络架构师,负责构建公司的整体网络架构和技术规划。
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

从近似程度推导近似秩下界

# 从近似程度推导近似秩下界 ## 1. 近似秩下界与通信应用 ### 1.1 近似秩下界推导 通过一系列公式推导得出近似秩的下界。相关公式如下: - (10.34) - (10.37) 进行了不等式推导,其中 (10.35) 成立是因为对于所有 \(x,y \in \{ -1,1\}^{3n}\),有 \(R_{xy} \cdot (M_{\psi})_{x,y} > 0\);(10.36) 成立是由于 \(\psi\) 的平滑性,即对于所有 \(x,y \in \{ -1,1\}^{3n}\),\(|\psi(x, y)| > 2^d \cdot 2^{-6n}\);(10.37) 由

量子物理相关资源与概念解析

# 量子物理相关资源与概念解析 ## 1. 参考书籍 在量子物理的学习与研究中,有许多经典的参考书籍,以下是部分书籍的介绍: |序号|作者|书名|出版信息|ISBN| | ---- | ---- | ---- | ---- | ---- | |[1]| M. Abramowitz 和 I.A. Stegun| Handbook of Mathematical Functions| Dover, New York, 1972年第10次印刷| 0 - 486 - 61272 - 4| |[2]| D. Bouwmeester, A.K. Ekert, 和 A. Zeilinger| The Ph

区块链集成供应链与医疗数据管理系统的优化研究

# 区块链集成供应链与医疗数据管理系统的优化研究 ## 1. 区块链集成供应链的优化工作 在供应链管理领域,区块链技术的集成带来了诸多优化方案。以下是近期相关优化工作的总结: | 应用 | 技术 | | --- | --- | | 数据清理过程 | 基于新交叉点更新的鲸鱼算法(WNU) | | 食品供应链 | 深度学习网络(长短期记忆网络,LSTM) | | 食品供应链溯源系统 | 循环神经网络和遗传算法 | | 多级供应链生产分配(碳税政策下) | 混合整数非线性规划和分布式账本区块链方法 | | 区块链安全供应链网络的路线优化 | 遗传算法 | | 药品供应链 | 深度学习 | 这些技

使用GameKit创建多人游戏

### 利用 GameKit 创建多人游戏 #### 1. 引言 在为游戏添加了 Game Center 的一些基本功能后,现在可以将游戏功能扩展到支持通过 Game Center 进行在线多人游戏。在线多人游戏可以让玩家与真实的人对战,增加游戏的受欢迎程度,同时也带来更多乐趣。Game Center 中有两种类型的多人游戏:实时游戏和回合制游戏,本文将重点介绍自动匹配的回合制游戏。 #### 2. 请求回合制匹配 在玩家开始或加入多人游戏之前,需要先发出请求。可以使用 `GKTurnBasedMatchmakerViewController` 类及其对应的 `GKTurnBasedMat

黎曼zeta函数与高斯乘性混沌

### 黎曼zeta函数与高斯乘性混沌 在数学领域中,黎曼zeta函数和高斯乘性混沌是两个重要的研究对象,它们之间存在着紧密的联系。下面我们将深入探讨相关内容。 #### 1. 对数相关高斯场 在研究中,我们发现协方差函数具有平移不变性,并且在对角线上存在对数奇异性。这种具有对数奇异性的随机广义函数在高斯过程的研究中被广泛关注,被称为高斯对数相关场。 有几个方面的证据表明临界线上$\log(\zeta)$的平移具有对数相关的统计性质: - 理论启发:从蒙哥马利 - 基廷 - 斯奈思的观点来看,在合适的尺度上,zeta函数可以建模为大型随机矩阵的特征多项式。 - 实际研究结果:布尔加德、布

元宇宙与AR/VR在特殊教育中的应用及安全隐私问题

### 元宇宙与AR/VR在特殊教育中的应用及安全隐私问题 #### 元宇宙在特殊教育中的应用与挑战 元宇宙平台在特殊教育发展中具有独特的特性,旨在为残疾学生提供可定制、沉浸式、易获取且个性化的学习和发展体验,从而改善他们的学习成果。然而,在实际应用中,元宇宙技术面临着诸多挑战。 一方面,要确保基于元宇宙的技术在设计和实施过程中能够促进所有学生的公平和包容,避免加剧现有的不平等现象和强化学习发展中的偏见。另一方面,大规模实施基于元宇宙的特殊教育虚拟体验解决方案成本高昂且安全性较差。学校和教育机构需要采购新的基础设施、软件及VR设备,还会产生培训、维护和支持等持续成本。 解决这些关键技术挑

探索人体与科技融合的前沿:从可穿戴设备到脑机接口

# 探索人体与科技融合的前沿:从可穿戴设备到脑机接口 ## 1. 耳部交互技术:EarPut的创新与潜力 在移动交互领域,减少界面的视觉需求,实现无视觉交互是一大挑战。EarPut便是应对这一挑战的创新成果,它支持单手和无视觉的移动交互。通过触摸耳部表面、拉扯耳垂、在耳部上下滑动手指或捂住耳朵等动作,就能实现不同的交互功能,例如通过拉扯耳垂实现开关命令,上下滑动耳朵调节音量,捂住耳朵实现静音。 EarPut的应用场景广泛,可作为移动设备的遥控器(特别是在播放音乐时)、控制家用电器(如电视或光源)以及用于移动游戏。不过,目前EarPut仍处于研究和原型阶段,尚未有商业化产品推出。 除了Ea

由于提供的内容仅为“以下”,没有具体的英文内容可供翻译和缩写创作博客,请你提供第38章的英文具体内容,以便我按照要求完成博客创作。

由于提供的内容仅为“以下”,没有具体的英文内容可供翻译和缩写创作博客,请你提供第38章的英文具体内容,以便我按照要求完成博客创作。 请你提供第38章的英文具体内容,同时给出上半部分的具体内容(目前仅为告知无具体英文内容需提供的提示),这样我才能按照要求输出下半部分。

利用GeoGebra增强现实技术学习抛物面知识

### GeoGebra AR在数学学习中的应用与效果分析 #### 1. 符号学视角下的学生学习情况 在初步任务结束后的集体讨论中,学生们面临着一项挑战:在不使用任何动态几何软件,仅依靠纸和笔的情况下,将一些等高线和方程与对应的抛物面联系起来。从学生S1的发言“在第一个练习的图形表示中,我们做得非常粗略,即使现在,我们仍然不确定我们给出的答案……”可以看出,不借助GeoGebra AR或GeoGebra 3D,识别抛物面的特征对学生来说更为复杂。 而当提及GeoGebra时,学生S1表示“使用GeoGebra,你可以旋转图像,这很有帮助”。学生S3也指出“从上方看,抛物面与平面的切割已经

人工智能与混合现实技术在灾害预防中的应用与挑战

### 人工智能与混合现实在灾害预防中的应用 #### 1. 技术应用与可持续发展目标 在当今科技飞速发展的时代,人工智能(AI)和混合现实(如VR/AR)技术正逐渐展现出巨大的潜力。实施这些技术的应用,有望助力实现可持续发展目标11。该目标要求,依据2015 - 2030年仙台减少灾害风险框架(SFDRR),增加“采用并实施综合政策和计划,以实现包容、资源高效利用、缓解和适应气候变化、增强抗灾能力的城市和人类住区数量”,并在各级层面制定和实施全面的灾害风险管理。 这意味着,通过AI和VR/AR技术的应用,可以更好地规划城市和人类住区,提高资源利用效率,应对气候变化带来的挑战,增强对灾害的