带你读《5G 系统技术原理与实现》——1.3.2 MR-DC 技术

简介: 带你读《5G 系统技术原理与实现》——1.3.2 MR-DC 技术

1.3.2 MR-DC 技术


MR-DC(Multi-RAT Dual Connectivity,多无线接入技术双连接)是指一部终端可以同时连接4G 网络和5G 网络,同时使用两个网络进行服务,使用MR-DC 技术时,终端需要具备至少两个MAC 实体,支持双收双发。MR-DC 与NSA 组网架构没有关系。2020 年以前,我国5G 网络建设采用Option3x,因此UE 既要与4G 网络相连,又要与5G 网络相连,在这种背景下,MR-DC 技术使用频次较高,容易造成“MR-DC 就是NSA”的错误认知。


DC(Dual Connectivity,双连接)在3GPP R12 版本中引入,主要针对LTE 技术进行演进。其特点是无线接口的聚合协议层在PDCP 层,对时延要求比较宽松。对应不同的网络架构,双连接有不同的名称,不同场景下DC 的名称如表1-3 所示。


表1-3 不同场景下DC 的名称

image.png

以Option 3x 组网场景为例,从控制面看:MN(eNB)和UE 之间会建立控制面连接,并维护这个RRC 状态。RRC 信令无线承载包括SRB0、SRB1 和SRB2。此时终端与SN(gNB)之间可以建立另外一个基于NR 的信令面连接(SRB3),但是对于终端来说,RRC 连接只存在于终端和MN 之间,RRC 的状态转换只有一个。MN(eNB)和SN(gNB)具有各自的RRC 实体,可以生成要发送到终端的RRC PDU。NSA Option3x 控制面协议栈如图1-25 所示。


当终端与SN(gNB)之间建立SRB3 时,5G 系统的RRC 消息可以有两种发送和接收方式:方式一是从MN(eNB)间接发送和接收;方式二是在SRB3 上直接发送和接收。采用方式二的前提是SRB3 已经建立且5G 的RRC 消息本身不需要MeNB 的协助,比如修改某些非终端能力限制的配置参数或者上报由SgNB单独配置给终端的测量任务的测量报告等。除此之外,其他消息都必须使用方式一进行传递。


从用户面看:在DC 场景下,UE 和网络可能建立MCG(Master Cell Group,主小区组)承载、SCG(Secondary Cell Group,辅小区组)承载和分离承载。NSA Option3x 用户面承载概念如图1-26 所示。


其中,MCG 指的是一组与MN 相关联的小区,包括主小区和可选的一个或多个辅小区;SCG 指的是一组与SN 相关联的小区,包括主小区和可选的一个或多个辅小区。从终端

的角度,根据承载所使用的RLC 实体不同,将承载分为MCG 承载、SCG 承载和分离承载。

image.png

图1-25 NSA Option3x 控制面协议栈


MCG 承载为在MR-DC 中,仅在MCG 中具有RLC 承载(或者在CA 分组复制的情况下具有两个RLC 承载)的无线承载。SCG 承载为在MR-DC 中,仅在SCG 中具有RLC 承载(或者在CA 分组复制的情况下具有两个RLC 承载)的无线承载。分离承载为在MR-DC 中,在MCG 和SCG 中具有RLC 承载的无线承载。从网络的角度来看,承载除了使用的RLC 实体不同,PDCP 实体也可能会不同,因此衍生出MN 终止的承载和SN 终止的承载两个概念。MN 终止的承载表示PDCP 位于MN 中的无线承载,SN 终止的承载表示PDCP 位于SN 中的无线承载。2 种网络角度的承载结合3 种终端角度的承载,产生了6 种承载,分别是:MN 终止的MCG 承载、MN 终止的SCG 承载、MN 终止的分离承载、SN 终止的MCG 承载、SN 终止的SCG 承载、SN 终止的分离承载。

image.png

图1-26 NSA Option3x 用户面承载概念


DC 与CA(Carrier Aggregation,载波聚合)是一对极易混淆的概念。3GPP 在R10 版本引入CA 这一概念。CA 技术中终端也会与多个接入网网元建立连接,但是控制面连接仅有一个。DC 与CA 的对比如表1-4 所示。


表1-4 DC 与CA 的对比

image.png

相关文章
|
3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。
411 55
|
2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。
185 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
|
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。
194 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
|
23天前
|
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,
84 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
|
25天前
|
机器学习/深度学习 编解码 测试技术
RT-DETR改进策略【模型轻量化】| 替换骨干网络为 2024轻量化网络MoblieNetV4:移动生态系统的通用模型
RT-DETR改进策略【模型轻量化】| 替换骨干网络为 2024轻量化网络MoblieNetV4:移动生态系统的通用模型
71 4
RT-DETR改进策略【模型轻量化】| 替换骨干网络为 2024轻量化网络MoblieNetV4:移动生态系统的通用模型
|
1月前
|
机器学习/深度学习 编解码 测试技术
YOLOv11改进策略【模型轻量化】| 替换骨干网络为 2024轻量化网络MoblieNetV4:移动生态系统的通用模型
YOLOv11改进策略【模型轻量化】| 替换骨干网络为 2024轻量化网络MoblieNetV4:移动生态系统的通用模型
79 8
YOLOv11改进策略【模型轻量化】| 替换骨干网络为 2024轻量化网络MoblieNetV4:移动生态系统的通用模型
|
21天前
|
传感器 算法 物联网
基于粒子群算法的网络最优节点部署优化matlab仿真
本项目基于粒子群优化(PSO)算法,实现WSN网络节点的最优部署,以最大化节点覆盖范围。使用MATLAB2022A进行开发与测试,展示了优化后的节点分布及其覆盖范围。核心代码通过定义目标函数和约束条件,利用PSO算法迭代搜索最佳节点位置,并绘制优化结果图。PSO算法灵感源于鸟群觅食行为,适用于连续和离散空间的优化问题,在通信网络、物联网等领域有广泛应用。该算法通过模拟粒子群体智慧,高效逼近最优解,提升网络性能。
|
8天前
|
搜索推荐 数据挖掘
优质网络舆情监测系统大盘点
一款出色的网络舆情监测系统,不仅能够助力相关主体迅速捕捉舆情信息,有效应对危机,还能够助力其更好地把握舆论动态,维护自身形象。那么,市场上有哪些比较好的网络舆情监测系统呢?这里,本文有为各位整理了一些好用的舆情检测系统,以供各位参考!
22 0
|
2月前
|
机器学习/深度学习 监控 算法
基于yolov4深度学习网络的排队人数统计系统matlab仿真,带GUI界面
本项目基于YOLOv4深度学习网络,利用MATLAB 2022a实现排队人数统计的算法仿真。通过先进的计算机视觉技术,系统能自动、准确地检测和统计监控画面中的人数,适用于银行、车站等场景,优化资源分配和服务管理。核心程序包含多个回调函数,用于处理用户输入及界面交互,确保系统的高效运行。仿真结果无水印,操作步骤详见配套视频。
65 18
|
3月前
|
机器学习/深度学习 人工智能 算法
【宠物识别系统】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+图像识别
宠物识别系统,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37种常见的猫狗宠物种类数据集【'阿比西尼亚猫(Abyssinian)', '孟加拉猫(Bengal)', '暹罗猫(Birman)', '孟买猫(Bombay)', '英国短毛猫(British Shorthair)', '埃及猫(Egyptian Mau)', '缅因猫(Maine Coon)', '波斯猫(Persian)', '布偶猫(Ragdoll)', '俄罗斯蓝猫(Russian Blue)', '暹罗猫(Siamese)', '斯芬克斯猫(Sphynx)', '美国斗牛犬
233 29
【宠物识别系统】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+图像识别

热门文章

最新文章