5G 系统网络架构 | 带你读《5G 无线系统设计与国际标准》之四

简介: 为了适应各种部署场景,5G 支持了两种部署方式:一种为分布式部署,这种方式与 LTE系统类似,网络由基站组成,基站支持全协议栈的功能;另一种为集中式部署,基站进一步分为集中单元(CU,Centralized Unit)和分布单元(DU,Distributed Unit)两个节点,CU 和 DU 分别支持不同的协议栈和功能,

1.3 5G 标准的制定过程

第2章 5G 系统设计架构与标准体系

本章就 5G 系统网络架构、无线接口协议栈、物理层设计和协议规范体系进行介绍。

2.1 5G 系统网络架构

3GPP 为了更好地满足 ITU 对 5G 不同的业务场景需求,如支持 eMBB(增强移动宽带)、mMTC(低功耗大连接)、URLLC(低时延高可靠通信)等场景,在进行新系统设计之前进行了进一步需求分析,并提出了更多的关键性能指标。比如下行峰值速率应达20Gbit/s,下行频谱效率达到 30bit/(s·Hz),控制面传输时延应小于 10ms,用户面传输时延对于 URLLC 场景来说应小于 0.5ms,移动中断时间为 0ms 等更高的性能要求[1]。
为了满足不同业务的需求,5G 接入网架构需要支持不同的部署方式。考虑到 LTE系统的长期存在,很长一段时间内 5G 和 LTE 系统会共同部署,3GPP 也标准化了多种网络架构,以适应不同的网络部署方案,该部分内容将在 8.2 节进行详细介绍。同时,为了适应各种部署场景,5G 支持了两种部署方式:一种为分布式部署,这种方式与 LTE系统类似,网络由基站组成,基站支持全协议栈的功能;另一种为集中式部署,基站进一步分为集中单元(CU,Centralized Unit)和分布单元(DU,Distributed Unit)两个节点,CU 和 DU 分别支持不同的协议栈和功能,该部分内容在 8.3 节进行了详细介绍。
无论未来架构如何演变,无线接入网与核心网仍然遵循各自发展的原则,空中接口终止在无线接入网。从整体上说,与 3GPP 已有系统类似,5G 系统架构仍然分为两部分,如图 2.1 所示,包括 5G 核心网(5GC)和 5G 接入网(NG-RAN)。
image.png
5GC 包括 AMF(Access and Mobility Management Function)、UPF(User Plane Function)和 SMF(Session Management Function)三种主要逻辑节点。其中 SMF 和接入网之间没有接口,未在图中表示。和 LTE 系统的核心网相比,5G 核心网的控制平面和用户平面进一步分离。为了满足低时延、高流量的网络要求,5G 核心网对用户平面的控制和转发功能进行了重构,重构后的控制平面分为 AMF 和 SMF 两个逻辑节点。AMF 主要负责移动性管理,SMF 负责会话管理功能。用户平面的 UPF 代替了 LTE 网络的 SGW 和 PGW。
重构后的核心网架构,控制平面功能进一步集中化,用户平面功能进一步分布化,运营商可以根据业务需求灵活地配置网络功能,满足差异化的场景对网络的不同需求。
NG-RAN 由 gNB 和 ng-eNB 两种节点共同组成。gNB 是提供到 UE 的 NR 控制平面与用户平面的协议终止点,ng-eNB 是提供到 UE 的 E-UTRA 控制平面与用户平面的协议终止点。gNB 之间、ng-eNB 之间,以及 gNB 和 ng-eNB 通过 Xn 接口进行连接。5G 接入网与核心网之间通过 NG 接口进行连接,gNB/ng-eNB 和 AMF 之间是 NG-C 接口,和
UPF 之间是 NG-U 接口。
NG 接口可以实现 AMF/UPF 和 NG-RAN 节点的多对多连接,即一个 AMF/UPF 可以连接多个 gNB/ng-eNB,一个 gNB/ng-eNB 也可以连接多个 AMF/UPF。对于 UE 来说,在网络侧分配的注册区域内移动,即使发生 gNB/ng-eNB 间的切换,仍然可以驻留在相同的 AMF/UPF 上, UE 不需要发起新的注册更新过程。这有助于减少接口信令交互数
量以及 5G 核心网的信令处理负荷。当 AMF/UPF 与 NG-RAN 之间的连接路径较长或进行新资源分配的情况下,可以改变与 UE 连接的 AMF/UPF。这里 AMF 的主要作用是移动性控制,而 UPF 的主要作用是数据包的路由转发。NG-RAN 与 AMF/UPF 之间的灵活连接也为 5G 网络共享提供了基础。不同的运营商核心网可以连接到同一 NG-RAN 网络,从而实现不同运营商间共享接入网设备和无线资源,并能够获得相同的服务水平。
定义 5G 网络架构及相关接口主要遵循了以下一些基本原则。
① 信令与数据传输在逻辑上是独立的。
② NG-RAN 与 5GC 核心网在功能上分离。
③ NG-RAN 与 5GC 的寻址方案以及传输功能的寻址方案不能绑定。
④ RRC 连接的移动性管理完全由 NG-RAN 进行控制。
⑤ NG-RAN 接口上的功能定义应尽量简化,尽可能减少选项。
⑥ 多个逻辑节点可以在同一个物理网元上实现。
⑦ NG-RAN 接口是开放的逻辑接口,应满足不同厂家设备之间的互联互通。
NG-RAN 与 5GC 也进行了若干的功能划分。图 2.2 描述了 gNB、ng-eNB、AMF、UPF、SMF 功能实体以及承担功能划分的关系。
image.png

2.2 无线接口

相关文章
|
10天前
|
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。
35 4
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 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。
274 55
|
1月前
|
监控 安全 API
使用PaliGemma2构建多模态目标检测系统:从架构设计到性能优化的技术实践指南
本文详细介绍了PaliGemma2模型的微调流程及其在目标检测任务中的应用。PaliGemma2通过整合SigLIP-So400m视觉编码器与Gemma 2系列语言模型,实现了多模态数据的高效处理。文章涵盖了开发环境构建、数据集预处理、模型初始化与配置、数据加载系统实现、模型微调、推理与评估系统以及性能分析与优化策略等内容。特别强调了计算资源优化、训练过程监控和自动化优化流程的重要性,为机器学习工程师和研究人员提供了系统化的技术方案。
166 77
使用PaliGemma2构建多模态目标检测系统:从架构设计到性能优化的技术实践指南
|
28天前
|
机器学习/深度学习 算法 数据可视化
基于深度混合架构的智能量化交易系统研究: 融合SSDA与LSTM自编码器的特征提取与决策优化方法
本文探讨了在量化交易中结合时序特征和静态特征的混合建模方法。通过整合堆叠稀疏降噪自编码器(SSDA)和基于LSTM的自编码器(LSTM-AE),构建了一个能够全面捕捉市场动态特性的交易系统。SSDA通过降噪技术提取股票数据的鲁棒表示,LSTM-AE则专注于捕捉市场的时序依赖关系。系统采用A2C算法进行强化学习,通过多维度的奖励计算机制,实现了在可接受的风险水平下最大化收益的目标。实验结果显示,该系统在不同波动特征的股票上表现出差异化的适应能力,特别是在存在明确市场趋势的情况下,决策准确性较高。
66 5
基于深度混合架构的智能量化交易系统研究: 融合SSDA与LSTM自编码器的特征提取与决策优化方法
|
7天前
|
消息中间件 监控 小程序
电竞陪玩系统架构优化设计,陪玩app如何提升系统稳定性,陪玩小程序平台的测试与监控
电竞陪玩系统架构涵盖前端(React/Vue)、后端(Spring Boot/php)、数据库(MySQL/MongoDB)、实时通信(WebSocket)及其他组件(Redis、RabbitMQ、Nginx)。通过模块化设计、微服务架构和云计算技术优化,提升系统性能与可靠性。同时,加强全面测试、实时监控及故障管理,确保系统稳定运行。
|
1月前
|
机器学习/深度学习 人工智能 并行计算
【AI系统】Kernel 层架构
推理引擎的Kernel层负责执行底层数学运算,如矩阵乘法、卷积等,直接影响推理速度与效率。它与Runtime层紧密配合,通过算法优化、内存布局调整、汇编优化及调度优化等手段,实现高性能计算。Kernel层针对不同硬件(如CPU、GPU)进行特定优化,支持NEON、AVX、CUDA等技术,确保在多种平台上高效运行。
93 32
|
1月前
|
存储 机器学习/深度学习 人工智能
【AI系统】计算图优化架构
本文介绍了推理引擎转换中的图优化模块,涵盖算子融合、布局转换、算子替换及内存优化等技术,旨在提升模型推理效率。计算图优化技术通过减少计算冗余、提高计算效率和减少内存占用,显著改善模型在资源受限设备上的运行表现。文中详细探讨了离线优化模块面临的挑战及解决方案,包括结构冗余、精度冗余、算法冗余和读写冗余的处理方法。此外,文章还介绍了ONNX Runtime的图优化机制及其在实际应用中的实现,展示了如何通过图优化提高模型推理性能的具体示例。
61 4
【AI系统】计算图优化架构
|
24天前
|
机器学习/深度学习 存储 人工智能
基于AI的实时监控系统:技术架构与挑战分析
AI视频监控系统利用计算机视觉和深度学习技术,实现实时分析与智能识别,显著提升高风险场所如监狱的安全性。系统架构包括数据采集、预处理、行为分析、实时决策及数据存储层,涵盖高分辨率视频传输、图像增强、目标检测、异常行为识别等关键技术。面对算法优化、实时性和系统集成等挑战,通过数据增强、边缘计算和模块化设计等方法解决。未来,AI技术的进步将进一步提高监控系统的智能化水平和应对复杂安全挑战的能力。
|
28天前
|
数据采集 监控 安全
公司网络监控软件:Zig 语言底层优化保障系统高性能运行
在数字化时代,Zig 语言凭借出色的底层控制能力和高性能特性,为公司网络监控软件的优化提供了有力支持。从数据采集、连接管理到数据分析,Zig 语言确保系统高效稳定运行,精准处理海量网络数据,保障企业信息安全与业务连续性。
43 4
|
29天前
|
机器学习/深度学习 前端开发 算法
婚恋交友系统平台 相亲交友平台系统 婚恋交友系统APP 婚恋系统源码 婚恋交友平台开发流程 婚恋交友系统架构设计 婚恋交友系统前端/后端开发 婚恋交友系统匹配推荐算法优化
婚恋交友系统平台通过线上互动帮助单身男女找到合适伴侣,提供用户注册、个人资料填写、匹配推荐、实时聊天、社区互动等功能。开发流程包括需求分析、技术选型、系统架构设计、功能实现、测试优化和上线运维。匹配推荐算法优化是核心,通过用户行为数据分析和机器学习提高匹配准确性。
90 3

热门文章

最新文章