带你读《5G 系统技术原理与实现》——1.3.1 SA 组网和NSA 组网

简介: 带你读《5G 系统技术原理与实现》——1.3.1 SA 组网和NSA 组网

1.3 5G 网络组网部署


3GPP 针对5G 移动通信系统确定了两种组网策略,分别是SA(StandAlone,独立)组网和NSA(Non-StandAlone,非独立)组网。3GPP R15 标准确定前,各个合作伙伴或组织提出了很多解决方案,最终,8 种方案脱颖而出。后续在5G 网络建设过程中,经常会被提及的方案有5 种,世界各国可以根据业务发展需要、现有网络资源、可用频谱、配套终端等因素,选择不同的5G 网络部署方式和5G 网络建设计划。


1.3.1 SA 组网和NSA 组网


SA 组网是指使能5G 网络不需要其他移动通信系统的辅助,5G 网络可以独立进行工作。NSA 组网是指使能5G 网络需要其他移动通信系统的辅助,如果辅助缺失,那么5G 网络就无法独立进行工作。通常而言,对于我国的5G 网络建设,NSA 组网方式是指5G 网络的使用需要4G 网络的辅助。


1.SA 组网选项

5G 移动通信系统的接入网有两种:NG-eNB 和gNB。NG-eNB 和gNB 都可以独立地承担与核心网控制面和用户面的连接,不需要其他接入网网元辅助。针对5G 移动通信系统,3GPP 确定的SA 组网方案如图1-21 所示,其中左侧方案的接入网用gNB 表示,称之为Option2;右侧方案的接入网用NG-eNB 表示,称之为Option5。

image.png

图1-21 SA 组网方案


在SA 组网场景下,UE、NG-RAN、传输网以及5GC 都需要重新部署,相当于完全新建一个5G 网络,投资巨大。


2.NSA 组网选项

NSA 组网是指依托现有的4G 基础设施进行5G 网络部署。在NSA 组网场景下,5G 网络仅承载用户数据,控制信令仍通过4G 网络传输。NSA 组网的需求主要表现为行业发展的实际水平、现阶段网络建设成本以及5G 网络尽早商用。NSA 组网是一种过渡性解决方案。目的是满足运营商连续提供优质服务,充分利用现有移动通信网络资源、完成5G 网络快速部署的实际需求。


较之于SA 组网,NSA 组网架构下的5G 接入网不能独立承担与核心网用户面和控制面的连接,需要借助4G 移动通信系统完成连接。此时,与核心网之间具有控制面连接的接入网网元称为MN(Master Node,主节点);与核心网之间没有直接的控制面连接的接入网网元称为SN(Secondary Node,辅节点)。针对5G 移动通信系统,3GPP 确定的NSA 方案共包括三个系列:Option3 系列,Option7 系列和Option4 系列。


(1)Option3 系列

在NSA Option3 系列中,核心网采用4G 核心网(EPC),主节点是4G 基站(eNB),辅节点是5G 基站(en-gNB)。此时,5G 基站接入4G 核心网,这里需要对gNB 进行改造使其可以接入4G 核心网,改造后的gNB 称为en-gNB。4G 基站(eNB)和5G 基站(en-gNB)共用4G 核心网(EPC),LTE eNB 和en-gNB 用户面直接连接到EPC,控制面仅由LTE eNB连接到EPC。NSA Option 3 系列包括Option3、Option3a 和Option3x。3GPP 确定的NSAOption 3 系列如图1-22 所示。

image.png

图1-22 NSA Option 3 系列


Option3、Option3a 和Option3x 3 种架构的区别主要是业务数据分流点所处的位置不同。Option3 的业务数据分流点位于eNB;Option3a 的业务数据分流点位于EPC;Option3x 的业务数据分流点可以位于EPC,也可以位于gNB。相比较而言,Option3x 架构的灵活性更强,数据可以在核心网或接入网网元之间进行分流,gNB 的能力远远强于eNB,所以Option3x架构更加能够发挥5G 网络的性能。


在NSA Option 3 系列中,用户面数据可以单独通过4G 基站(eNB)、5G 基站(gNB)发送给UE,也可以同时通过4G/5G 基站发给UE。同时通过4G/5G 基站发给UE 的方式,我们称之为分离发送,即同一时间,部分数据通过4G 基站(eNB)发送给UE,另外一部分数据通过5G基(gNB)发送给UE。NSA Option 3 系列的优势在于不必新增5G 核心网,利用运营商现有4G 网络基础设施快速部署5G,抢占热点区域,以较低的网络建设成本快速完成5G 网络商用。


(2)Option7 系列

如果将Option3 系列中的核心网由4G 核心网(EPC)更换为5G 核心网(5GC),主节点仍然是4G 基站(eNB),变更之后的方案称之为Option7。在Option7 系列中,4G基站(eNB)需要进行改造以支撑5GC,改造后的eNB 称为NG-eNB。此时,辅节点是5G 基站(gNB)。在Option7 系列中,4G 基站(NG-eNB)和5G 基站(gNB)共用5G 核心网(5GC),NGeNB和gNB 用户面直接连接到5GC,控制面仅由NG-eNB 连接到5GC。NSA Option7 系列包括Option7、Option7a 和Option7x。3GPP 确定的NSA Option7 系列如图1-23 所示。

image.png

图1-23 NSA Option7 系列


在Option7 系列中,由于核心网由EPC 变换为5GC,所以接入网网元之间的接口变换为Xn 接口,接入网与核心网之间的接口变换为NG 接口,这一点需要格外注意Option7、

Option7a 和Option7x 这3 种架构的区别主要是业务数据分流点所处的位置不同。Option7 的业务数据分流点位于NG-eNB;Option7a 的业务数据分流点位于5GC;Option7x 的业务数据分流点可以位于5GC,也可以位于NG-eNB。相比较而言,Option7x 架构的灵活性更强,数据可以在核心网或接入网网元之间进行分流,gNB 的能力远远强于NG-eNB,所以Option7x架构更能够发挥5G 网络的性能。


在这一系列中,5G 核心网替代了4G 核心网,解决了4G 核心网信令过载的问题。这种方案的弊端在于4G 基站的能力弱于5G 基站,利用升级之后的4G 基站挂接5G 核心网,这极大地限制了5G 核心网性能的发挥。


(3)Option4 系列

Option4 系列中的核心网依旧是5G 核心网5GC,但是主节点变更为5G 基站gNB,变更之后的方案称之为Option4。由于核心网依旧是5GC,所以需要对4G 基站(eNB)进行改造以支撑5GC,改造后的eNB 称为NG-eNB。此时,辅节点是4G 基站(NG-eNB)。在Option4系列中,4G 基站(NG-eNB)和5G 基站(gNB)共用5G 核心网(5GC),NG-eNB 和gNB用户面直接连接到5GC,控制面仅由gNB 连接到5GC。NSA Option4 系列包括:Option4 和Option4a。3GPP 确定的NSA Option4 系列如图1-24 所示。

image.png

图1-24 NSA Option4 系列


在Option4 系列中,接入网网元之间的接口为Xn 接口,接入网与核心网之间的接口为NG 接口。Option4 和Option4a 两种架构的区别主要是业务数据分流点所处的位置不同。Option4 的业务数据分流点位于gNB;Option4a 的业务数据分流点位于5GC。Option4 系列已是5G 网络的成熟期形态。如果5G 网络具备了实施Option4 系列的能力,那么表示5G 网络已基本具备了实施Option2 的能力,所以Option4 系列出现在5G 网络建设中的概率较低。


3.SA 组网与NSA 组网对比

为了避免学习过程中对各种基站名称的理解出现问题,3GPP 协议标准中,4G 与5G 无线接入网的实现方式定义如下。


eNB:面向终端提供E-UTRA 用户面和控制面协议,并且通过S1 接口连接到EPC网络节点。

NG-eNB:面向终端提供E-UTRA 用户面和控制面协议,并且通过NG 接口连接到5GC 网络节点。

gNB:面向终端提供NR 用户面和控制面协议,并且通过NG 接口连接到5GC 网络节点。

en-gNB:面向终端提供NR 用户面和控制面协议,并且通过S1 接口连接到EPC 网络节点。


5G 网络成熟阶段的目标是Option 2,其能够支持5G 所有场景和业务,摒弃之前系统固有的一些技术问题,使得移动通信系统在功能和性能上更加容易提升。但是在实际网络建设过程中,除了技术层面,还需要考虑成本、收益以及行业的发展水平。在5G 网络建设初期,选择Option 2 会面临一些问题,例如,成本投入大,覆盖连续性难以保证,需要终端支持5G 新空口协议等。SA 和NSA 组网方案对比如表1-2 所示。


表1-2 SA 和NSA 组网方案对比

image.png

NSA 组网方式存在的必然性:基于成熟的4G 网络快速完成5G 网络覆盖,与4G 网络联合组网扩大5G 单站覆盖范围;NSA 标准的确定时间早于SA 标准,因此NSA 产品更丰富、测试工作更充分、产业链更成熟;在NSA 组网下,核心网将利用现有4G 核心网,节约了5G核心网的建设时间和建设成本;NSA部署时间短、见效快,有助于运营商进行品牌推广;NSA 用户不换卡,不换号即可升级到5G 网络,有利于5G 业务的推广。

相关文章
|
1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。
130 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
|
2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。
346 55
|
13天前
|
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。
156 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
|
4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,
40 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
|
7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
37 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
|
11天前
|
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
39 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
|
2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。
|
1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。
54 18
|
2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
220 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
|
9天前
|
监控 关系型数据库 MySQL
【01】客户端服务端C语言-go语言-web端PHP语言整合内容发布-优雅草网络设备监控系统-硬件设备实时监控系统运营版发布-本产品基于企业级开源项目Zabbix深度二开-分步骤实现预计10篇合集-自营版
【01】客户端服务端C语言-go语言-web端PHP语言整合内容发布-优雅草网络设备监控系统-硬件设备实时监控系统运营版发布-本产品基于企业级开源项目Zabbix深度二开-分步骤实现预计10篇合集-自营版
18 0

热门文章

最新文章