带你读《6G需求与愿景》第三章6G 设计思路与愿景3.2 6G 业务愿景 (四)

简介: 带你读《6G需求与愿景》第三章6G 设计思路与愿景3.2 6G 业务愿景

3.2.4  极高可靠性与极低时延类业务

 

工业精准制造、智能电网控制、智能交通等特殊垂直行业业务由于业务自身的高精准要求,对通信网的可靠性、时延和抖动有相对更高的要求,这类业务称为极高可靠性与极低时延类业务

典型业务如精密仪器自动化制造,对核心器件的协同控制不光要求超低时延,还要求高精准,也就是说协同控制信息的传递必须恰恰在指定的时隙中到达,迟一点不行,早一点也不行,这实际上对通信的确定性和智能调度提出了高精准要求。再如全自动驾驶业务,为了保障绝对的驾驶安全和人身安全,车辆装备不断升级,车载摄像头逐步从单目发展为双目甚至多目摄像,各类探测装置,如光探测和测距、雷达、GPS、声纳、里程计和惯性测量装置等进行同步测量,同时车辆在行进过程中需实时下载动态高精度地图,在这个业务场景中,除了对带宽同样提出了很高的要求外,更重要的是对传输可靠性和时延的要求。

下面分析极高可靠与极低时延类业务的特点和对网络的需求。

(1)带宽需求

通常该类业务(如工业精准制造、智能电网控制等)主要传递的信息是简洁高效的控制类信息,因此该类业务对带宽的需求相对较低,一般不高于 100Mbit/s。个别业务除外,如全自动驾驶业务,为了更准确地掌握道路及道路周边的实时全景状态,全自动驾驶业务在车辆行进过程中需要实时下载动态高精度地图,这对带宽有较高的要求,需要 110Gbit/s 级别的带宽。

(2)时延需求

极低时延要求是该类业务的重要特点,如工厂自动化和机器控制类业务通常要10 ms 到亚毫秒以内的时延,以满足关键的闭环控制要求。

(3)确定性需求

工业精准控制、智能电网控制、精密仪器自动化制造等类业务对时间确定性有着明确的要求。例如智能电网控制中的继电保护业务要求时延抖动不超过100μm

广域远程保护业务要求时延抖动不超过 10μm,同步要求低于 1μm;部分精密仪器自动化制造业务为保证产品质量,甚至要求亚微秒级的抖动。业务的精准要求网络传输信息不早也不地到达,对网络的确定性指标能力提出极高的要求。

(4)可靠性和安全性需求

极高可靠性是该类业务的重要特点。为避免任何中断或丢包可能产生的风险,该类业务的服务可用性要求通常为99.999%99.99999%

不同的业务对通信性能有不同的具体要求,以智能电网控制中的继电保护业务为例,远程继电保护的通信性能需求见表 3-4[6],其中,EHV为超高压,HV为高压,MV 为中压。

3-4远程继电保护的通信性能需求

 

需求指标

模拟比较(差动电流)

命令

远程跳闸系统

方向

双向

双向

单向

报文大小

50100 bit

少量比特(开/关)

少量比特(开/关)

报文周期性

312 /周期

零星

零星

带宽

9.664kbit/s

<10 kbit/s

<10 kbit/s

时延

<310 ms

<10 ms

<10 ms

抖动

<100 μs

不要求

不要求

非对称时延

<200 μs

非关键

非关键

时间同步精度

<100 μs

非关键

非关键

误码率

<10−810−6

<10−6

<10−6

恢复时间

<50 ms

<50 ms

<50 ms

 

不可用率

10−4 单一系统(HV

10−7S 双冗余系统EHV

<10−310−2

10−4

此外,智能电网根据传送电压等级的不同,对通信性能指标的需求也不同。广域远程继电保护业务按照电压等级对通信指标的需求见表 3-5[6]

3-5广域远程继电保护业务按照电压等级对通信指标的需求

 

需求指标

等级

等级

C等级

等级

应用场景

EHV

HV

MV

通用

时延

3 ms

10 ms

100 ms

1 000 ms

抖动

10 μs

100 μs

1 ms

10 ms

非对称时延

100 μs

1 ms

10 ms

100 ms

时间同步精度

1 μs

10 μs

100μs

10100 ms

误码率

<10−710−6

<10−510−4

10−3

/

恢复时间

0

50 ms

5 s

50 s

不可用率

<10−710−6

<10−510−4

10−3

/

如表 3-5所示,EHVHVMV的远程继电保护对通信的时延、抖动、非对称时延、时间同步精度以及误码率等都有不同的要求。总体而言,从表 3-4和表 3-5中数据可知,该类业务对数据带宽要求不高,但对时延、抖动和可靠性要求很高,抖动要求在 100μs以下,超高压业务甚至要求在10μs 以下,可靠性要求为 99.9999%甚至 99.99999%以上。

对比5G超高可靠和低时延类业务与6G极高可靠性与极低时延类业务对网络的需求指标,见表 3-6

3-65G超高可靠和低时延类业务与6G极高可靠性与极低时延类业务对网络的需求指标

 

需求指标

5G 超高可靠和低时延类业务

6G 极高可靠性与极低时延类业务

峰值速率

1 Gbit/s

10Gbit/s

端到端时延

3 ms

<1 ms

确定性

/

<100μs,特殊情况要求<10μs

同步精度

毫秒级

1100μs

可靠性

99.99%

>99.9999%

相关文章
|
4月前
|
人工智能 Java Go
2026年免费AI编程助手测评:通义灵码领衔,谁是国产开发者的最佳Copilot?
随着 Qwen 2.5-Coder 等开源模型的爆发,2026年 AI 编程工具已进入“百模大战”的深水区。本文基于代码生成准确率、中文语境理解能力及免费额度三大维度,对市场主流工具进行实测
|
存储 Kubernetes 监控
如何管理越来越多的 operator?OLM 给你答案
OLM(Operator Lifecycle Manager) 作为 Operator Framework 的一部分,可以帮助用户进行 Operator 的自动安装,升级及其生命周期的管理。同时 OLM 自身也是以 Operator 的形式进行安装部署。本文我们将来了解一下 OLM 的基本架构和安装使用。
如何管理越来越多的 operator?OLM 给你答案
|
传感器 机器学习/深度学习 编解码
Radar-LiDAR BEV融合!RaLiBEV:恶劣天气下3D检测的不二之选
论文使用最近发布的Oxford Radar RobotCar(ORR)数据集展示了所提出方法的优越性能。实验表明,RaLiBEV的精度大大优于其他最先进的方法。
Radar-LiDAR BEV融合!RaLiBEV:恶劣天气下3D检测的不二之选
|
5月前
|
自然语言处理 监控 搜索推荐
分布式搜索引擎ElasticSearch
ElasticSearch是基于Lucene的分布式开源搜索引擎,支持海量数据的快速检索、日志分析与实时监控。通过倒排索引实现高效模糊查询,结合Kibana、Logstash等组件构成ELK技术栈,广泛应用于搜索、日志统计与系统监控场景。
243 0
|
5月前
|
人工智能 自然语言处理
构建AI智能体:四十一、大模型思维链提示工程:技术原理与行业应用案例分析
本文介绍了思维链提示技术及其应用。思维链提示是一种引导大模型进行逐步推理的提示工程技术,通过结构化提示模拟人类解决问题的逻辑分析路径,使模型能够显式化中间推理步骤,从而提升推理准确性与可解释性。文章详细阐述了思维链提示的关键特征(步骤可解释性、逻辑链条完整性、问题分解能力)和工作原理,并通过数学推理、逻辑分析和多轮复杂问题三个案例展示了其具体应用流程。该技术在教育辅导、商业决策和科研分析等领域具有重要价值,能够突破传统大模型的黑箱推理瓶颈,提高AI系统的决策透明度和可靠性。
749 13
|
人工智能 IDE 开发工具
《C++人工智能开发 IDE 全解析:助力智能创新之路》
本文深入探讨了几款适合 C++ 人工智能开发的 IDE,包括 Visual Studio、CLion、Eclipse CDT 和 Qt Creator。每款 IDE 都有其独特的优势,如 Visual Studio 的强大调试工具、CLion 的代码导航和 CMake 支持、Eclipse CDT 的跨平台能力和丰富的插件生态系统,以及 Qt Creator 在界面开发方面的卓越表现。开发者应根据项目需求、团队协作和个人习惯选择最合适的 IDE,以提升开发效率和体验。
567 16
|
8月前
|
运维 监控 Linux
Linux系统设置与理解主机名(hostname)的重要性
综上所述,合理配置和维护主机名不仅是Linux系统管理的基础,而且对于网络服务的稳定运行以及
565 13
|
机器学习/深度学习 算法 安全
Federated Learning
联邦学习(Federated Learning, FL)是一种新兴的分布式机器学习范式,旨在通过“数据不动模型动”的方式,在不共享原始数据的情况下实现多方协同训练,保护数据隐私。本文综述了国内外研究现状,涵盖学术研究和产业应用进展,分析了其核心特征、技术挑战及未来发展方向,为相关领域的研究者和从业者提供参考。
|
机器学习/深度学习 边缘计算 5G
|
机器学习/深度学习 存储 算法
关于深度学习量化的操作
0. 简介 深度学习中做量化提升运行速度是最常用的方法,尤其是大模型这类非常吃GPU显存的方法。一般是高精度浮点数表示的网络权值以及激活值用低精度(例如8比特定点)来近似表示达到模型轻量化,加速深度学习模型推理,目前8比特推理已经比较成熟。比如int8量化,就是让原来32bit存储的数字映射到8bit存储。int8范围是[-128,127], uint8范围是[0,255]。 使用低精度的模型推理的优点:1. 模型存储主要是每个层的权值,量化后模型占用空间小,32比特可以缩减至8比特,并且激活值用8比特后,减小了内存的访问带宽需求。2:单位时间内处理定点运算指令比浮点数运算指令多。 1.
458 12

热门文章

最新文章