2017年蜂窝网络发展趋势预测

简介:

总体而言,崭新的2017年仍将延续去年无线网络行业的主要趋势,并进一步深入发展。作为5G到来前的序曲,现在正是移动网络运营商(MNO)为未来奠定基础,并对过往的投资加以管理的时候。而致密化、虚拟化和优化则是移动网络运营商达成目标的主要途径。同时,网络融汇也将作为新兴趋势,在未来5G网络中发挥关键作用。

致密化

无线网络行业的总体转变趋势是从蜂窝基站塔转向街道电线杆,从大型设施转向小型化设备。致密化即在用户集中的城市街道和大型建筑物中增加更多站点。因此,都市蜂窝基站部署仍会受到高度关注。我认为,2017年这类部署将会有显著增长。
此外,室内无线网络市场将继续从运营商出资模式向企业出资模式转型。尽管已经不是第一次提及,但市场确实还处在转型的过程中。目前来看,转型的主要挑战在于如何让移动网络运营商和企业们,在角色和责任、部署质量和其它相关方面达成共识。康普将继续深化合作伙伴网络,以更好地服务企业客户的无线网络需求。

此外,致密化还包括在现有站点增加更多频谱。对于宏网络基站天线,我们将继续在天线上布置更多的端口(最多可达8个、10个或 12个端口),以向现有站点推送更多容量。为此,向4.3-10尺寸连接器的进化非常重要。康普认为业界目前正在探索的毫米波频谱将在可固定无线接入网络中发挥作用。

虚拟化

无线网络的一切都在走向虚拟化。容量虚拟化的第一步是部署集中式无线接入网络(C-RAN),它将基带处理纳入可服务多个蜂窝站点的集中位置。某美国移动网络运营商已经在重要城市中心区域部署C-RAN,通过光纤连接三个宏站点和30个都市蜂窝站点。未来,这种部署将实现真正的C-RAN,即Cloud-RAN,使网络容量可以在一天的任何时候移动到热点位置。

由于网络边缘所需设备的减少,C-RAN架构可使运营商在蜂窝塔站底部使用更小的机柜和平台。为满足市场的这一需求,康普可提供安装有机柜和发电机的预装配钢制平台。移动网络运营商将很有可能通过C-RAN模式下较低的功率要求和租赁成本,而降低部分成本。

优化

运营商依然高度关注改善用户体验,而如何最优地使用开放频谱,是2017年亟待解决的一个问题。最基本的第一步是向Wi-Fi卸载流量,但这并不能让移动网络运营商获得所希望的质量控制。而LTE的在开放频谱上的接入和在专有频谱上的协助接入,使运营商对开放频谱的控制性使用成为可能。移动网络运营商不但可以获得卸载流量的好处,而且能控制体验。在我看来,最终将会出现Wi-Fi、其它开放频谱上的技术和专有频谱上的技术三者共存的局面,特别是在建筑物内部。可以说,为最大程度地减少网络性能问题,管理频谱仍将是行业关注的重点。

  网络融汇

从长远来看,网络融汇既是一个新兴趋势,也是过去10年里的热门话题。尽管已是老生常谈,但网络融汇将在未来的5G网络中真正发挥作用。网络融汇意味着有线和无线网络融为一体,为用户提供最佳服务。光纤网络将承载更多无线网络流量,并从核心网向网络边缘扩展。而最后的一英里应用将会是无线回路或者光纤回路,毫米波将会与光纤竞争RAN中的较短的分配回路。相较于光纤网络而言,用户更偏好无线网络,但将客户从网络边缘连回核心的将会是微波、毫米波的无线网络和光纤的组合。

虽然致密化、虚拟化、优化和网络融汇都不是全新的趋势,但在2017年里,这四大趋势将进一步深化,包括部署更多蜂窝站点、容量、频谱和光纤在内的资源。一直以来,无线网络行业不变的关键词就是“更多”:用户想要更多的带宽,移动网络运营商需要更多的容量,而康普正处在行业一线研发更多的解决方案。尽管表面上看2017年总体趋势与去年类似,但我预计今年将会在奠定5G基础方面有显著进展。

本文转自d1net(转载)

相关文章
【Matlab代码实现】电动过滤器:LPF和HPF、模拟调制:调幅和调频、WiFi、蓝牙和蜂窝网络的容量分析.....
【Matlab代码实现】电动过滤器:LPF和HPF、模拟调制:调幅和调频、WiFi、蓝牙和蜂窝网络的容量分析.....
125 0
|
机器学习/深度学习 传感器 安全
基于matlab模拟蜂窝网络
基于matlab模拟蜂窝网络
|
机器学习/深度学习 传感器 算法
【蜂窝网络】基于matlab模拟D2D蜂窝网络功率控制仿真
【蜂窝网络】基于matlab模拟D2D蜂窝网络功率控制仿真
|
光互联 5G
带你读《智慧光网络:关键技术、应用实践和未来演进》——2.4.4 光放大领域的新技术及发展趋势
带你读《智慧光网络:关键技术、应用实践和未来演进》——2.4.4 光放大领域的新技术及发展趋势
|
算法
m异构蜂窝网络的K-Tier下行链路的matlab性能仿真,对比网络Voronoi图,覆盖率等
m异构蜂窝网络的K-Tier下行链路的matlab性能仿真,对比网络Voronoi图,覆盖率等
141 0
|
机器学习/深度学习 算法框架/工具 Python
高级神经网络Keras+CNN-GRU-Attention负荷预测(Python代码实现)
高级神经网络Keras+CNN-GRU-Attention负荷预测(Python代码实现)
高级神经网络Keras+CNN-GRU-Attention负荷预测(Python代码实现)
|
机器学习/深度学习 传感器 算法
【LSTM时序预测】基于灰狼算法优化长短时记忆网络GWO-LSTM实现风电功率预测附Matlab代码
【LSTM时序预测】基于灰狼算法优化长短时记忆网络GWO-LSTM实现风电功率预测附Matlab代码
|
机器学习/深度学习 传感器 算法
【LSTM时序预测】基于EMD结合长短时记忆网络LSTM实现风速数据预测Matlab源码
【LSTM时序预测】基于EMD结合长短时记忆网络LSTM实现风速数据预测Matlab源码
|
机器学习/深度学习 传感器 算法
【DBN回归预测】基于麻雀算法优化深度置信网络SSA-DBN实现数据回归多输出预测附matlab代码
【DBN回归预测】基于麻雀算法优化深度置信网络SSA-DBN实现数据回归多输出预测附matlab代码
|
机器学习/深度学习 编解码 算法
简答:如何设计一个深度学习网络来实现帧内预测?
简答:如何设计一个深度学习网络来实现帧内预测?
233 0
简答:如何设计一个深度学习网络来实现帧内预测?