带你读《5G 系统技术原理与实现》——1.3.3 CU/DU 组网部署

简介: 带你读《5G 系统技术原理与实现》——1.3.3 CU/DU 组网部署

1.3.3 CU/DU 组网部署


基于CU 与DU 分离的5G 接入网架构是5G 网络部署的主要方式。根据业务需求和部署场景的差异性,C-RAN 架构的部署总体可以分为CU 和DU 两级配置,CU、DU 和RRU分离的三级配置,RRU 与BBU(CU 与DU 合设)直连3 种配置方式。本节将介绍在不同业务场景下的CU 与DU 的部署。


1.eMBB 业务CU/DU 部署

为了支持eMBB 业务的覆盖和容量需求,CU 和DU 需要进行分离部署,分为两种形式:Macro(宏)方式和Micro(微)方式。CU/DU 分离Macro 和Micro 组网部署如图1-27所示。

image.png

图1-27 CU/DU 分离Macro 和Micro 组网部署


图1-27 中,一个宏站覆盖一个宏小区,一个微站覆盖一个微小区。宏微小区可以同频或者异频。对于宏基站,DU 和RRU 通常分离;对于微站,DU 和RRU 可以分离,也可以集成在一起。实际网络建设时,宏站和微站均支持CU 和DU 部署在一起。


当业务容量需求变高时,在密集部署情况下,基于理想前传条件,多个DU 可以联合部署,形成基带池,提高基站资源池的利用率,并且可以利用多小区协作传输和协作处理以提高网络的覆盖和容量。CU/DU 分离DU 资源池组网方式如图1-28 所示。

image.png

图1-28 CU/DU 分离DU 资源池组网部署


图1-28 中,所有RRU 接入DU 资源池。CU 与DU 资源池之间的连接方式一般分为两种,分别是光纤直连和WDM,对时延要求较高。DU资源池支持的小区数目可以达到数十至数百。CU 和DU 资源池之间的连接方式是传输网络,对时延要求较低。


2.URLLC 业务CU/DU 部署

语音业务对带宽和时延要求不高,此时DU 可以部署在站点侧;对于大带宽低时延业务

(如视频或者虚拟现实),一般需要高速传输网络或者光纤直接连接中心机房,并在中心机房部署缓存服务器,以降低时延并提升用户体验。CU/DU 分离针对高时延和低时延部署方式如图1-29 所示。在图1-29 中,对于高实时大带宽的业务,为了保证高效的时延控制,需要高速传输网络或光纤直连RRU,将数据统一传输到中心机房进行处理,减少中间的流程,同时DU 和CU 则可以部署在同一位置,二者合二为一。对于低实时语音等一般业务,带宽和实时性要求不高,DU 可以部署在站点侧,多个DU 连接到一个CU,非实时功能CU 可以部署在中心机房。

image.png

3.mMTC 业务CU/DU 部署

对于面向垂直行业的机器通信业务,在建设5G 网络时,需要考虑机器通信的特点。大规模机器类通信普遍对时延要求较低,其特点有2 个:数据量少而且站点稀疏;站点数量多,且分布密集。CU/DU 分离针对mMTC 的部署方式如图1-30 所示。

image.png

图1-30 CU/DU 分离针对mMTC 的部署方式


图1-30 中,DU 与RRU 合设,然后接入CU。在实际应用时,多个DU 与RRU 合设的设备会接入同一个CU 中。DU 与RRU 也可以分设,一个DU 可以连接多个RRU,DU 与

RRU 由CU 进行集中管控。不同区域的物联网业务具备不同的特点,为了更好地支持业务,将CU 和核心网共平台部署,以减少无线网和核心网的信令交互,降低海量终端接入引起的信令风暴,减少机房的数量。一个CU 可以控制数量巨大的DU 和RRU。

相关文章
|
2月前
|
边缘计算 运维 监控
5G落地没那么简单!细扒部署挑战与硬核解决方案
5G落地没那么简单!细扒部署挑战与硬核解决方案
94 30
|
6月前
|
机器学习/深度学习 人工智能 算法
猫狗宠物识别系统Python+TensorFlow+人工智能+深度学习+卷积网络算法
宠物识别系统使用Python和TensorFlow搭建卷积神经网络,基于37种常见猫狗数据集训练高精度模型,并保存为h5格式。通过Django框架搭建Web平台,用户上传宠物图片即可识别其名称,提供便捷的宠物识别服务。
658 55
|
5月前
|
机器学习/深度学习 人工智能 算法
基于Python深度学习的眼疾识别系统实现~人工智能+卷积网络算法
眼疾识别系统,本系统使用Python作为主要开发语言,基于TensorFlow搭建卷积神经网络算法,并收集了4种常见的眼疾图像数据集(白内障、糖尿病性视网膜病变、青光眼和正常眼睛) 再使用通过搭建的算法模型对数据集进行训练得到一个识别精度较高的模型,然后保存为为本地h5格式文件。最后使用Django框架搭建了一个Web网页平台可视化操作界面,实现用户上传一张眼疾图片识别其名称。
382 5
基于Python深度学习的眼疾识别系统实现~人工智能+卷积网络算法
|
1月前
|
传感器 算法 数据安全/隐私保护
基于GA遗传优化的三维空间WSN网络最优节点部署算法matlab仿真
本程序基于遗传算法(GA)优化三维空间无线传感网络(WSN)的节点部署,通过MATLAB2022A实现仿真。算法旨在以最少的节点实现最大覆盖度,综合考虑空间覆盖、连通性、能耗管理及成本控制等关键问题。核心思想包括染色体编码节点位置、适应度函数评估性能,并采用网格填充法近似计算覆盖率。该方法可显著提升WSN在三维空间中的部署效率与经济性,为实际应用提供有力支持。
|
4月前
|
机器学习/深度学习 数据可视化 算法
PyTorch生态系统中的连续深度学习:使用Torchdyn实现连续时间神经网络
神经常微分方程(Neural ODEs)是深度学习领域的创新模型,将神经网络的离散变换扩展为连续时间动力系统。本文基于Torchdyn库介绍Neural ODE的实现与训练方法,涵盖数据集构建、模型构建、基于PyTorch Lightning的训练及实验结果可视化等内容。Torchdyn支持多种数值求解算法和高级特性,适用于生成模型、时间序列分析等领域。
279 77
PyTorch生态系统中的连续深度学习:使用Torchdyn实现连续时间神经网络
|
2月前
|
小程序 UED
拓展校友网络的创新解决方案:校园论坛圈子小程序+跑腿+二手市场系统
这是一款基于小程序的校园跑腿服务平台,支持多种注册登录方式、下单支付、跑腿接单配送、订单跟踪评价及物流查询功能,并配备客服模块提升用户体验。系统包含用户、客服、物流、跑腿员和订单五大核心模块,功能完善。此外,平台还拓展了校友网络功能,如信息咨询发布、校园社区建设和活动组织等,旨在增强校友互动与联系,形成紧密的校友生态。
86 4
|
3月前
|
机器学习/深度学习 人工智能 算法
基于Python深度学习的【害虫识别】系统~卷积神经网络+TensorFlow+图像识别+人工智能
害虫识别系统,本系统使用Python作为主要开发语言,基于TensorFlow搭建卷积神经网络算法,并收集了12种常见的害虫种类数据集【"蚂蚁(ants)", "蜜蜂(bees)", "甲虫(beetle)", "毛虫(catterpillar)", "蚯蚓(earthworms)", "蜚蠊(earwig)", "蚱蜢(grasshopper)", "飞蛾(moth)", "鼻涕虫(slug)", "蜗牛(snail)", "黄蜂(wasp)", "象鼻虫(weevil)"】 再使用通过搭建的算法模型对数据集进行训练得到一个识别精度较高的模型,然后保存为为本地h5格式文件。最后使用Djan
234 1
基于Python深度学习的【害虫识别】系统~卷积神经网络+TensorFlow+图像识别+人工智能
|
2月前
|
存储 运维 监控
2025年4月深度评测:10款最值得部署的网络监控软件
真正卓越的运维不仅仅是对当前问题的解决,更在于对未来的预测和防范。 OpManager 的预测报表功能可以为用户提供有关未来存储需求增长方式的直观展示,帮助用户进行基于需求的容量规划,从而避免成本浪费。
79 0
|
3月前
|
前端开发 Java 关系型数据库
基于ssm的网络直播带货管理系统,附源码+数据库+论文
该项目为网络直播带货网站,包含管理员和用户两个角色。管理员可进行主页、个人中心、用户管理、商品分类与信息管理、系统及订单管理;用户可浏览主页、管理个人中心、收藏和订单。系统基于Java开发,采用B/S架构,前端使用Vue、JSP等技术,后端为SSM框架,数据库为MySQL。项目运行环境为Windows,支持JDK8、Tomcat8.5。提供演示视频和详细文档截图。
111 10
|
4月前
|
机器学习/深度学习 人工智能 算法
基于Python深度学习的【蘑菇识别】系统~卷积神经网络+TensorFlow+图像识别+人工智能
蘑菇识别系统,本系统使用Python作为主要开发语言,基于TensorFlow搭建卷积神经网络算法,并收集了9种常见的蘑菇种类数据集【"香菇(Agaricus)", "毒鹅膏菌(Amanita)", "牛肝菌(Boletus)", "网状菌(Cortinarius)", "毒镰孢(Entoloma)", "湿孢菌(Hygrocybe)", "乳菇(Lactarius)", "红菇(Russula)", "松茸(Suillus)"】 再使用通过搭建的算法模型对数据集进行训练得到一个识别精度较高的模型,然后保存为为本地h5格式文件。最后使用Django框架搭建了一个Web网页平台可视化操作界面,
277 11
基于Python深度学习的【蘑菇识别】系统~卷积神经网络+TensorFlow+图像识别+人工智能