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
|
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
|
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
|
14天前
|
机器学习/深度学习 缓存 自然语言处理
DeepSeek背后的技术基石:DeepSeekMoE基于专家混合系统的大规模语言模型架构
DeepSeekMoE是一种创新的大规模语言模型架构,融合了专家混合系统(MoE)、多头潜在注意力机制(MLA)和RMSNorm归一化。通过专家共享、动态路由和潜在变量缓存技术,DeepSeekMoE在保持性能的同时,将计算开销降低了40%,显著提升了训练和推理效率。该模型在语言建模、机器翻译和长文本处理等任务中表现出色,具备广泛的应用前景,特别是在计算资源受限的场景下。
298 29
DeepSeek背后的技术基石:DeepSeekMoE基于专家混合系统的大规模语言模型架构
|
5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,
41 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
|
11天前
|
人工智能 JavaScript 安全
【01】Java+若依+vue.js技术栈实现钱包积分管理系统项目-商业级电玩城积分系统商业项目实战-需求改为思维导图-设计数据库-确定基础架构和设计-优雅草卓伊凡商业项目实战
【01】Java+若依+vue.js技术栈实现钱包积分管理系统项目-商业级电玩城积分系统商业项目实战-需求改为思维导图-设计数据库-确定基础架构和设计-优雅草卓伊凡商业项目实战
55 13
【01】Java+若依+vue.js技术栈实现钱包积分管理系统项目-商业级电玩城积分系统商业项目实战-需求改为思维导图-设计数据库-确定基础架构和设计-优雅草卓伊凡商业项目实战
|
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
|
1天前
|
安全 NoSQL MongoDB
XJ-Survey:这个让滴滴日均处理1.2亿次问卷请求的开源系统,今天终于公开了它的架构密码!
嗨,大家好,我是小华同学。今天为大家介绍一款由滴滴开源的高效调研系统——XJ-Survey。它功能强大,支持多类型数据采集、智能逻辑编排、精细权限管理和数据在线分析,适用于问卷、考试、测评等场景。采用 Vue3、NestJS 等先进技术栈,确保高性能与安全性。无论是企业还是个人,XJ-Survey 都是你不可错过的神器!项目地址:[https://github.com/didi/xiaoju-survey](https://github.com/didi/xiaoju-survey)
32 15
|
23天前
|
存储 缓存 关系型数据库
社交软件红包技术解密(六):微信红包系统的存储层架构演进实践
微信红包本质是小额资金在用户帐户流转,有发、抢、拆三大步骤。在这个过程中对事务有高要求,所以订单最终要基于传统的RDBMS,这方面是它的强项,最终订单的存储使用互联网行业最通用的MySQL数据库。支持事务、成熟稳定,我们的团队在MySQL上有长期技术积累。但是传统数据库的扩展性有局限,需要通过架构解决。
63 18
|
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

热门文章

最新文章