【无线感知会议系列-22 】Vivisecting Mobility Management in 5G Cellular Networks

这篇是发表在SIGCOMM上的一篇paper

研究方向国内一些移动应用APP厂商：比如抖音,腾讯可以借鉴一下，和终端

厂商联合开发，提高其QOE。

摘要

随着5G技术对多种无线电频段和不同部署模式（例如独立组网（SA）与非独立组网（NSA））的支持，移动性管理，尤其是切换过程，变得愈发复杂。测量研究表明，频繁的切换会导致5G吞吐量剧烈波动，甚至最糟糕的情况是服务中断。

我们进行了一次跨国（6,200多公里）驾驶旅行，通过深入测量来研究美国三大运营商当前采用的5G移动性管理实践。利用这一丰富的数据集，我们进行了系统分析，以揭示5G运营商所采用的切换机制，并从（4G与5G）无线技术、无线电（低频、中频和高频）频段以及部署（SA与NSA）模式等多个维度对它们进行了比较。

我们进一步量化了移动性对应用程序性能、功耗和信令开销的影响。我们确定了当前NSA 5G部署面临的关键挑战，这些挑战导致不必要的切换和覆盖范围缩小。

最后，我们设计了一个全面的切换预测系统Prognos，并证明了其能够提高两个5G应用程序（16K全景视频点播和实时立体视频流）的用户体验质量（QoE）。我们的研究成果已发布在https://github.com/SIGCOMM22-5GMobility/artifact上。

INTRODUCTION
MOBILITY MANAGEMENT TODAY
MEASUREMENT METHODOLOGY
IMPACT OF MOBILITY ON APPLICATION PERFORMANCE
CHARACTERISTICS OF 5G HANDOVERS
IMPLICATIONS OF 5G HANDOVERS ON CARRIERS
4G/5G HANDOVER PREDICTION
RELATEDWORK
DISCUSSION
CONCLUDING REMARKS
ACKNOWLEDGMENTS

一 INTRODUCTION

由于5G支持多种无线电频段，移动性管理变得更为复杂。此外，与上一代相比，5G的基站单元（小区）通常更小、更密集，因此小区之间的5G切换（HOs）更为频繁。鉴于4G和5G预计将共存，3GPP已经引入了多种5G非独立组网（NSA）部署架构和5G独立组网（SA）模式[2]。所有这些因素进一步复杂化了5G切换流程：

除了同一技术内小区之间的水平切换（例如，5G-to-5G 低频段、5G-to-5G-中频段、5G-to-5G 高频段）外，还存在跨技术的垂直切换（例如，4G-to-5G和5G-to-4G）以往在4G/LTE领域的研究[35, 43, 63, 66] 以及最近在5G领域的研究[50, 51, 53, 54, 65]表明，频繁切换会导致5G吞吐量剧烈波动，在最坏的情况下，甚至会导致服务完全“中断”（out-of-service)。这些性能损害将导致应用程序表现不佳，特别是对于5G本应支持的低延迟应用程序，如增强现实/虚拟现实（AR/VR）、edge offloading 和车联万物（V2X）通信。而在3G/4G中观察到的不当切换配置[35, 36, 59]将进一步加剧这种影响。

1.1 学习目标、挑战与数据收集

鉴于5G切换（Handover, HO）的重要性和复杂性，彻底了解当前商业运营商所采用的5G切换机制和实践做法势在必行。基于这一目标，我们据我们所知首次对5G移动性管理进行了全面而深入的研究。

与实验室实验不同，在真实环境中测量5G切换面临着诸多挑战：

（1）如何从未越狱的智能手机上获取关键的控制平面信令事件？

（2）如何在有限的人力和预算下彻底调查各种5G架构（独立组网SA与非独立组网NSA）、无线电频段和运营商？

（3）如何协调不同层级的数据收集任务？

（4）如何准确分析切换对用户设备（User Equipment, UE）能耗的影响？

为了克服这些挑战，我们搭建了一个测量平台，该平台包括：

（1）多部可访问美国三大5G运营商的5G智能手机；

（2）一款定制软件，用于在未越狱的智能手机上捕获与移动性相关的信息；

（3）一款专业测量工具，用于收集蜂窝控制平面事件；

（4）一个带有外部充电宝的物理功耗监测器，用于准确分析用户设备的电池消耗情况。

利用这一平台，我们进行了一次跨国数据收集实地考察，沿高速公路（超过5560公里）和几个主要城市内部（超过712公里）进行了测量。我们收集了超过600GB的日志数据，在跨越多个维度的数据集中观察到了47,000多次切换，这些维度包括：

（1）运营商（标记为OpX、OpY和OpZ），

（2）无线技术（5G与4G）

（3）5G架构（非独立组网NSA与独立组网SA）

4）5G频段——低频段、中频段、毫米波（高频段）

据我们所知，这是里程数最大的一次商用5G网络跨层驾驶测试。

利用表1中总结的独特驾驶数据集，我们进行了详细分析，以获得关于5G切换的关键见解，并揭示其影响。我们的研究发现，主要5G运营商所采用的切换机制之间确实存在显著差异，且这些差异对性能有着重要影响，具体如下所述。

1.2 5G切换如何影响应用？（第4节）

为了研究5G切换对应用体验质量（QoE）的影响，我们考虑了三个案例研究：

i) 实时视频会议，

ii) 实时3D视频流，

iii) 云游戏。

我们的实验表明，5G切换对应用的体验质量产生了不利影响。

例如：

在实时视频会议应用中发生的切换事件导致平均帧率损失率增加了2.24倍，

端到端延迟增加了2.26倍（最高可达14.5倍）。

对于以60帧每秒（FPS）运行的4K云游戏，

我们观察到由于切换，丢帧率平均增加了3.64倍。

基于我们的实验结果以及对3G/4G移动性研究的先前成果[63, 66]，我们注意到5G切换对比4G切换对应用体验质量的影响更为严重——其严重程度取决于切换类型、无线电频段和无线电接入技术。

例如，当前大多数5G部署采用非独立组网（NSA），其中4G作为控制平面，5G新空口（5G-NR）作为高速数据平面，此后称为NSA-4C。

NSA-4C和5G-NR分别在4G eNodeB（eNB）和5G gNodeB（gNB）上发生单独的切换，导致切换更加频繁。特别是，由于毫米波（mmWave）无线电的方向性和较短范围，与使用中频和低频段的5G相比，使用毫米波5G的应用由于毫米波切换（波束之间）而遭受更高的性能波动。从积极的一面来看，在NSA 5G中采用双模式的应用（用户数据可以通过4G和5G同时传输）由于灵活的多无线电范式，减轻了切换的负面影响。

1.3 5G切换的关键特征是什么？

基于上述发现，我们对5G切换（HO）进行了深入的、基于测量的研究，以揭示其关键特征。我们重点关注三个方面：切换频率、持续时间和用户设备（UE）的能耗。

我们发现，5G切换确实频繁触发。在高速公路上行驶时，平均每0.4公里就会发生一次5G切换，而4G则是每0.6公里一次。切换频率取决于5G的架构和频段：与非独立组网（NSA）相比，5G低频段独立组网（SA）的切换频率较低（NSA每0.4公里一次，而5G低频段SA每0.9公里一次），这是因为NSA需要为NSA-4C和5G-NR分别执行切换程序；在毫米波（mmWave）5G中，NSA切换尤为频繁（每0.13公里一次），而中低频段5G的切换频率较低（每0.35/0.4公里一次），这是由于毫米波基站的覆盖范围较小。

在切换持续时间方面，NSA 5G的平均切换完成时间为167毫秒，比4G切换长1.19倍。为了理解5G切换时间更长的原因，我们将5G切换分解为多个阶段。研究发现，在NSA 5G中，切换准备阶段（即基站做出切换决策的阶段）占整个切换持续时间的41%。

与4G相比，NSA 5G的切换准备阶段平均增加了48%，这导致了数据面中断时间更长（比4G长1.4倍）。这表明NSA 5G切换的复杂性可能是主要原因，因为它同时涉及5G基站（gNB）和4G基站（eNB）。令人惊讶的是，我们在许多SA 5G切换中也观察到较高的准备时间，这可能归因于当前SA 5G技术尚不成熟，仍处于商业部署的早期阶段。

我们还研究了5G切换对UE能耗的影响。结果表明，这种影响不可忽视：一部智能手机以130公里/小时的速度行驶1小时（无用户数据传输或接收），平均会经历553次5G切换，消耗34.7毫安时的能量。相比之下，4G切换仅消耗3.4毫安时的能量。这表明减少与切换相关的信令消息数量非常重要，因为这些消息与5G切换期间能耗的增加呈正相关。

每分钟9次

5G切换对运营商的影响是什么？

我们的分析还揭示了运营商侧潜在的改进空间。我们总结了三个关键发现：

首先:

我们通过广泛的驾驶测试描绘了与切换密切相关的5G小区覆盖情况。我们发现，对于NSA 5G：

单个5G小区的平均覆盖范围（直径）在低频段、中频段和毫米波频段分别为1.4公里、0.73公里和0.15公里。

特别是对于低频段NSA 5G，尽管数据面（5G-NR）在低频段运行，但其耦合的控制面（NSA-4C）仍然使用中频段，这降低了低频段5G-NR的有效覆盖范围，因为NSA-4C的切换总是会触发5G-NR的切换。

其次: 切换的目的是提高用户设备（UE）的接收信号强度，从而提升吞吐量。然而，我们发现，在两个gNB之间的5G→5G切换往往会降低性能，切换后的中位带宽减少了14%。这是因为NSA 5G不支持gNB之间的直接切换；相反，UE会经历5G→4G和4G→5G的切换，每次切换都是独立进行的，而没有考虑整体（5G→5G）信号强度的提升。

第三: 我们发现，对于NSA切换，如果（源或目标）gNB和eNB位于同一物理塔上，其切换持续时间显著短于gNB和eNB不在同一位置的切换，因为跨塔通信会引入延迟。

这些发现不仅揭示了NSA 5G的新低效问题，还为运营商如何减轻5G切换的影响提供了有价值的提示，例如考虑4G/5G天线的位置，以及在做出切换决策时考虑整体切换顺序。

我们能否预测5G切换以改善应用体验质量？

最后但同样重要的是，我们探索5G切换预测，以帮助应用程序适应并减轻频繁5G切换带来的负面影响。为此，我们开发了一个稳健且有效的5G切换预测框架（称为Prognos）。该框架利用观察到的信号强度读数、用户设备（UE）端的测量报告（MRs）以及过去的切换来预测未来的切换及其类型。Prognos可以与任何符合3GPP标准的5G部署配合使用，而无需从运营商处获取专有信息。Prognos包含一个新颖的两阶段预测流程。它首先预测决定用户设备向基站发送的测量报告的未来信号强度，然后学习基站基于测量报告做出切换决策的逻辑。与单一模型相比，将用户设备测量报告推断和网络侧决策逻辑学习解耦，通过消除间接或不必要的特征，降低了模型复杂性并提高了准确性。

我们使用自己的数据集对Prognos进行了广泛评估。

在预测4G/5G切换方面，Prognos的F1分数在0.92至0.94之间，相较于为4G/5G开发的现有切换预测方法[49, 57]，性能提高了1.9倍至3.8倍。我们通过修改自适应比特率（ABR）自适应模块中使用的吞吐量预测算法，将Prognos融入了两个应用程序：

16K全景视频流和实时体视频流。与使用默认的吞吐量预测算法相比，Prognos显著提升了这两个应用程序的体验质量：

对于16K视频流，卡顿时间减少了34.6%至58.6%，且视频质量未下降；

对于实时体视频流，内容质量提高了15.1%至36.2%，且未延长卡顿时间。

我们总结如下主要贡献：

（1）创建了一个庞大的跨层、多频段、多载波的5G移动性管理数据集；
（2）首次对商用5G网络中的移动性管理进行了全面表征；
（3）提出了一种新的准确预测5G切换（HOs）的方法，并在5G实际应用中验证了其有效成果。

为了支持未来的研究，我们通过项目网站https://github.com/SIGCOMM22-5GMobility/artifact）公开提供我们的数据集、分析/所提技术的源代码以及研究结果。

伦理声明：本研究未引发任何伦理问题。

Ethics: This work does not raise any ethical issues.

二 MOBILITY MANAGEMENT TODAY

蜂窝运营商通过在某一区域周围铺设一层蜂窝基站来提供服务。蜂窝基站可以管理多个小区（天线），每个小区覆盖一定的地理区域。物理小区标识（PCI，Physical Cell ID）是用于物理层小区的标识符。对于任何移动设备而言，其主要小区被视为蜂窝连接的主干。它向用户设备（UE）提供基本控制平面信令（例如，连接建立、切换管理和安全）以及数据服务。此外，用户设备（例如智能手机）可以订阅多个次要小区以获得更高的带宽。随着数据从用户设备通过蜂窝基站流向4G/5G核心网，采用移动性管理程序（例如切换、测量报告等）来在小区间进行切换，并持续报告用户设备的信号质量。

2.1 切换（Handover，HO）过程

图1描绘了一个基本的切换过程；

所有步骤的详细描述见附录A.1。运营商使用多种无线电信号质量指标:

参考信号接收功率（Reference Signal Received Power，RSRP）、

参考信号接收质量（Reference Signal Received Quality，RSRQ）、

信号与干扰加噪声比（Signal to Interference & Noise Ratio，SINR）等[8]，

根据从主小区接收到的配置进行测量。在本文的其余部分，我们将这些无线电质量指标称为RRS（RSRP、RSRQ、SINR）。如果满足任何事件触发条件，就会触发一个测量事件，并将其报告发送给主小区。然后，主小区根据特定于运营商的切换逻辑确定一个目标小区，并通过切换命令（无线资源控制连接重配置[10]）指示用户设备（User Equipment，UE）与目标小区执行切换。最后，UE执行切换，并通过随机接入过程[14]进行链路同步。

5G中的切换（Handover,HO）：

A master-eNB (MeNB)

一种分类法。在5G中，切换的分类变得复杂；表2总结了本文所使用的每种切换类型的无线接入技术变化和4G/5G切换类别。在非独立组网（Non-Standalone，NSA）5G中，与eNB关联的所有小区构成一个主小区组（Master Cell Group，MCG）。

另一方面，与gNB关联的小区组形成一个次小区组（Secondary Cell Group，SCG）。3GPP第15版[4]为SCG切换管理引入了一类新的切换过程。图2概述了用于添加、修改和释放5G小区的SCG切换过程。SCG添加是将5G-NR小区添加到现有的LTE连接中，而SCG释放则是将其移除。SCG修改用于在同一SCG（或gNB）内切换5G小区。与LTE中的eNB间切换不同，NSA 5G没有在两个gNB之间执行直接切换的选项。因此，使用SCG更改过程（SCG释放和添加的组合）来将用户设备（User Equipment，UE）从一个gNB移动到另一个gNB。主eNB（Master eNB，MeNB）切换会更改LTE小区，但保持gNB不变。在独立组网（Standalone，SA）5G中，我们只观察到MCG切换，它将UE从一个5G-NR小区移动到另一个5G-NR小区。

三 MEASUREMENT METHODOLOGY

5G切换（Handover，HO）测量工具。我们对5G Tracker [52]进行了扩展，以捕获与商用5G中的移动管理相关的几个关键信息：

PCIs, HOs, and radio bands

上述信息是从Android 11 [16]中引入的特定于5G的应用程序编程接口（Application Programming Interface，API）中提取的。

关于最后一项信息，我们使用Android TelephonyManager的onDisplayInfoChanged() API来确定用户设备（User Equipment，UE）的无线电频段（低频段与毫米波）。我们的应用程序还记录了其他额外信息，如UE的地理位置、无线电技术（4G/LTE与5G）、ping测量值等。

5G UE and Other Measurement Tools.

5G用户设备（UE）及其他测量工具。我们使用了两种用户设备型号：Samsung Galaxy S21 Ultra 5G/SM-G998U（S21U）和Samsung Galaxy S20 Ultra 5G/SM-G988U （S20U）。在我们的研究中，总共使用了四部手机（三部S21U和一部S20U）。它们分别配备了高通骁龙888和865芯片组[25, 26]。这些芯片组的无线硬件性能代表了最先进的技术水平，并且我们的测量结果同样适用于其他5G智能手机型号，尤其是高通系列的型号。为了确保运营商之间的公平比较，我们将多部智能手机并排放置，同时进行实验，并确保外部因素（如行驶速度、位置等）保持一致。要从智能手机中获取并解析底层信息，需要访问诊断接口（Diag），这需要特殊的许可证和工具[23]。因此，我们依靠一个名为Accuver XCAL[15]的专业工具来读取高通诊断信息。该工具运行在笔记本电脑上，能够收集物理层无线关键性能指标（KPIs）（如物理小区标识PCI、参考信号接收强度RRS值等）和无线资源控制（RRC）层信令消息[10]（如切换命令、事件配置、测量报告等）。对于功耗测量，我们使用了Monsoon功耗监测仪[22]来为高端S20U智能手机供电。请注意，除功耗测量外，所有实验均使用S21U进行。

5G and 4G Networks.

（1）5G运营商：我们收集了美国三大5G运营商（OpX、OpY、OpZ）的数据。

（2）无线接入技术（RAT）：我们比较了不同的无线技术（LTE与非独立组网NSA 5G与独立组网SA 5G）。在本研究进行时，OpX和OpZ已部署了NSA模式的5G服务，而OpY则同时采用了SA和NSA两种模式。

（3）射频频段：本研究中考虑的频段取决于运营商在我们所覆盖地区推出服务的方式。在5G新空口（5G-NR）方面，我们捕获了OpX和OpZ的毫米波和低频频段数据。对于OpY，我们收集了他们中频频段和低频频段5G部署的数据。此外，4G/LTE数据集包含了所有运营商的低频频段和中频频段范围。

Drive Tests.

而城市数据主要包含密集部署和毫米波5G覆盖情况

州际数据则大致反映了郊区部署和低频段5G覆盖情况。

这有助于我们了解商用5G网络采用的关键移动配置及其在大规模场景下的影响。大部分数据是在驾驶过程中收集的。如果在分析中使用步行数据，我们会在讨论结果之前提及。

Profiling Applications under Mobility.

为了理解移动性对应用程序体验质量（QoE）的影响，我们利用了图3中展示的三种现有移动应用程序：

(i) 实时立体视频流采用了一种先进的系统（ViVo）

(ii) 云游戏采用了三种在Steam Remote Play上流行的云驱动游戏

(iii) 实时视频会议使用了一个流行的应用程序，Zoom[31]。

详细的实验设置可以在附录A.2中找到。所有应用程序在驾驶时都通过OpX（NSA低频段、NSA毫米波和LTE）进行了测试。

UDP/TCP Experiments

我们使用批量传输应用程序iPerf3 [12]来研究移动性对传输层性能的影响。我们采用了两种TCP拥塞控制方法：CUBIC [30]和BBR [29]。iPerf服务器运行在一个AWS EC2实例（g4dn.2xlarge | 8个vCPU | 32GB内存 | Ubuntu 18.04系统）上，该实例拥有3 Gbps以上的网络带宽。服务器会捕获iPerf日志、数据包跟踪（pcap）和套接字统计（ss）日志[21]。在用户设备（UE）上，我们运行iPerf客户端（在5G Tracker中交叉编译）并收集其日志。

四 IMPACT OF MOBILITY ON APPLICATION PERFORMANCE

在本节中，我们结合使用对延迟敏感和带宽需求大的应用程序，来了解移动过程中的服务质量体验（QoE）波动情况。由于独立组网（SA）5G尚未完全成熟，无法实现所研究应用程序所需的高下行链路吞吐量（与近期在[54]中的发现相似），因此我们在分析中排除了SA 5G。

4.1 实时视频会议。

我们在拥有非独立组网（NSA）5G覆盖的市中心区域驾驶环路时运行Zoom。图4展示了我们在研究期间收集的一个代表性轨迹。我们提取了用户设备（UE）切换（HO，使用绿色箭头标注）时间戳周围1秒的时间窗口。

我们发现，与无切换时段相比，平均延迟高出2.26倍（最坏情况下高达14.5倍）

。同样，平均丢包率也增加了2.24倍。先前的研究表明，在我们的案例中，Zoom一对一通话所需的最小带宽为0.6-0.95 Mbps [34, 47]。低频段NSA 5G提供的带宽远高于Zoom所需。尽管如此，我们的研究表明，在当今的5G网络上进行视频会议仍然具有挑战性，尤其是在移动过程中，因为频繁的切换会导致网络波动并增加延迟，从而影响服务质量体验（QoE）。此外，NSA 5G要求UE同时连接到eNB和gNB。这会导致两个无线电上都发生切换。在当今的5G网络中，切换的频率远高于LTE（第5.1节），因此其影响被放大了。

4.2 实时云游戏。

我们使用一个云游戏应用程序来展示切换类型对服务质量体验（QoE）的影响。我们选择了两个关键指标：

（i）网络（或传输）延迟，

（ii）丢帧率。其他延迟（编码、解码、渲染等）保持在同一水平，且在网络延迟在实验期间主导整体延迟。在我们的设置中，游戏以4K@60FPS的速度获取流，因此除了对延迟敏感外，我们的设置还需要高带宽。如图5所示，在切换期间，网络延迟平均增加了2.26倍（最高达14.5倍）。同样，对于以60FPS运行的游戏，切换使丢帧率增加了2.6倍。

考虑到非独立组网（NSA）同时处理4G和5G无线电，用户设备（UE）上可能会触发NSA-4C（在第1节中定义）和5G-NR两种切换。在NSA 5G中，例如，SCG修改（SCGM）等5G-NR切换对QoE的影响要低于NSA-4C切换，如MeNB切换（MNBH）：与SCGM相比，MNBH的平均网络延迟高出16.8ms，丢帧数增加了65%（见图5）。由于SCGM仅涉及5G上gNB小区之间的切换，而MNBH会更改LTE主小区（见表2），因此SCGM的QoE下降程度相对较小于MNBH。在体积视频流实验中也观察到了这一现象。因此，我们得出结论，QoE的波动程度取决于NSA 5G中的切换类型。

4.3 Volumetric Video Streaming

5G-NR支持广泛的无线电频率（高达100 GHz）。频段的多样性对用户移动情况下的应用性能有着连锁影响。为了定量地捕捉这种影响，我们考虑了一种大容量视频流应用（ViVo[40]），这是远程呈现[24]的关键组成部分，并比较了两个5G-NR频段（低频段和毫米波）之间的切换。我们关注两个关键性能指标：

视频比特率和网络延迟。

从我们的实验中，我们注意到高频段通常比低频段引起更多的用户体验质量（Quality of Experience，QoE）下降。

图6对比了不同无线电频段所感知到的QoE指标。尽管低频段切换导致的视频质量下降较低，但毫米波切换的下降幅度明显更高。

在中等情况下，低频段切换的视频比特率降低了31%，而毫米波切换的视频比特率降低了58%。

同样，低频段切换的网络延迟增加了41%，而毫米波切换的网络延迟激增了107%。

毫米波5G的性能在切换过程中波动极大，有时吞吐量甚至会下降约2Gbps（见第6.2节）。另一方面，在切换过程中，低频段5G的吞吐量下降幅度相对较小[65]。综上所述，上述结果表明，在移动情况下QoE波动的程度是由切换类型、无线接入技术和无线电频段共同决定的。

4.2 5G-only vs. dual traffic mode in NSA

在非独立组网（NSA）架构中，5G-NR无线资源（如无线数据承载）被添加到现有的4G/LTE连接中，以增加用户的数据平面带宽。

用户数据可以在LTE无线接口、5G接口或两者上交换。运营商的NSA部署方案通常决定了每个接口接收到的数据比例。双模式（MCG Split承载[4]）会在4G和5G无线接口之间分配流量。相比之下，仅5G模式则使用5G接口处理所有数据流量（SCG承载[4]）。

在移动过程中，NSA的流量模式可能因地区而异。为了了解切换（HO）和流量模式如何影响网络性能，我们使用了一个简单的TCP应用程序，并测量了其往返时间（RTT）。我们在具有两种不同流量模式的区域进行了驾驶实验。流量模式信息是从PDCP层消息中提取的[9]。图7的结果带来了三个关键启示。

首先，在没有切换（无HO情况）的情况下，仅5G模式的RTT相对较低，低于双模式。

其次，在双模式下进行切换时，由于4G无线不受5G-NR切换中断的影响，中位RTT没有显著变化。这使得4G无线能够在切换过程中继续传输。在中等情况下，我们仅观察到双模式的RTT变化了1-4%，这可能是由于切换延迟造成的[63, 65]。

最后，在仅5G模式下，由于没有备用接口，切换对RTT的影响相对较大。具体来说，在中等情况下，RTT可能会增加37-58%。尽管结果仅针对TCP BBR显示，但Cubic的行为也类似。值得注意的是，双模式能够吸收切换波动，而仅5G模式则不能。然而，在没有切换的情况下，双模式的性能相对较低（RTT较高）。在双模式下，核心网络首先将5G数据发送到eNB，然后再转发给gNB（在传输到用户设备UE之前）。

而在仅5G模式下，5G数据直接从核心网络发送到gNB，与双模式相比，RTT更低。我们认为，结合使用仅5G模式和双模式可以让运营商同时获得两者的最佳效果；他们可以在核心网络直接将5G数据发送到gNB的场景中使用双模式。这可以实现与仅5G模式相似的性能，同时最大限度地减少切换波动。

五 CHARACTERISTICS OF 5G HANDOVERS

5.1 Handover Frequency

我们利用驱动测试数据来量化跨无线接入技术（4G与5G）、架构（独立组网SA与非独立组网NSA）以及频段（低频段、中频段与毫米波mmWave）的切换（Handover, HO）频率。我们的研究结果表明，与4G相比，NSA 5G中的切换更为频繁。具体而言，在我们的高速公路驱动测试（表1）中，NSA 5G的切换平均每0.4公里触发一次，而4G的切换则是每0.6公里触发一次。由于NSA使用4G作为控制面、5G作为数据面，因此用户设备（UE）上会同时触发NSA-4C和5G-NR的切换。这导致与4G相比，NSA 5G中的切换更为频繁。另一方面，SA 5G每0.9公里经历一次切换。这表明SA实现了5G所承诺的性能优势，并减少了切换开销[61]。在NSA的不同频段内，毫米波5G每0.13公里发生一次切换，中频段每0.35公里一次，低频段每0.4公里一次。由于毫米波5G小区的覆盖范围较小（第6.1节），NSA毫米波中的切换频率特别高。这将导致较高的能效不佳，具体将在第5.3节中测量。

我们还比较了所有无线接入技术（LTE、NSA、SA）和频段（低频段、毫米波）下的切换相关信令开销。具体而言，我们考虑了RRC层（测量报告、RRC重配置和RRC重配置完成[10]）的三种消息类型。我们还考虑了MAC层的随机接入（RACH）过程[5]和PHY层的SSR测量（定义在第2节）。我们发现，由于切换频率较低，SA 5G与LTE相比，切换相关的信令消息减少了约3.8倍。此外，与低频段相比，NSA毫米波中的切换相关信令，尤其是PHY层过程，显著增加（超过5倍），这同样是由于毫米波小区覆盖范围小和波束管理过程[2, 53]所致。

5.2 Handover Duration

我们在第4节的应用层研究中发现，5G切换（HO）时间过长是用户移动过程中应用性能下降的主要原因。这一点也在之前对LTE的研究中得到了证实[63, 65]。现在，我们对5G切换时长进行了深入调查。

总体而言，我们发现NSA（非独立组网）5G的切换时长显著增加。NSA 5G的平均切换时长为167毫秒，相比4G/LTE的76毫秒增加了119%。

另一方面，SA（独立组网）5G的切换时长尽管波动较大，但平均时长显著更短（110毫秒）。

为了解释上述结果，我们根据涉及的无线资源控制（RRC）过程将切换分为两个阶段：

准备阶段（𝑇1）：在此阶段，运营商决定切换到一个新小区；

执行阶段（𝑇2）：在此阶段，实际切换被执行，用户设备（UE）连接到新小区。

通过这种划分，我们能够更清晰地理解5G切换时长的变化及其对性能的影响。

[𝑇1] 切换准备阶段

𝑇1 是决定和准备新小区进行切换的关键阶段，它在 NSA 5G 中占整个切换时长的 41%。一旦主小区通过测量报告（MR）收到测量事件通知，它会使用运营商特定的切换逻辑来决定是否执行切换。如果决定执行切换，源小区会请求目标小区为即将接入的用户设备（UE）分配无线资源 [11]。由于切换通常在 UE 信号强度较差时执行，较长的 𝑇1 时间会导致 UE 在较差的网络条件下停留更长时间。

图 8 展示了 OpY 在其部署中 𝑇1 阶段所消耗的时间：LTE、NSA 和 SA 的对比。我们清楚地注意到，NSA 5G 平均比 LTE 多花费 92 毫秒（几乎增加了 48%）。NSA 5G 的这种延迟很可能是由于额外的信令开销所致。例如，NSA 5G 中的切换涉及分布式实体（eNB 和 gNB）之间的通信，这些实体可能位于同一地点，也可能不位于同一地点 [4, 60]。

另一方面，SA 5G 在 𝑇1 阶段的中位时间与 LTE 相当，甚至在某种程度上略优于 LTE。但 SA 5G 在 𝑇1 阶段的时间仍然存在较大的波动。我们推测，SA 5G 仍处于初级阶段，这导致切换时长的高波动性。然而，由于对运营商网络的可见性有限，我们无法确认这一点。

在后续内容中，我们还将探讨运营商如何通过智能配置其切换决策逻辑来减少 𝑇1 时间（见第 6.3 节）。

[T2] 切换执行阶段。

与T1相比，T2对上层性能有更直接的影响，并且在非独立组网（NSA）5G中，它占整体切换时长的约59%。在这一阶段，从源小区到目标小区的切换被执行。此外，数据平面的操作完全停止1，因此T2的时长对于上层应用性能和用户体验质量（QoE）至关重要。切换以随机接入信道（RACH）程序的成功完成为结束。

由于额外的信令开销[10, 65]，NSA 5G的T2时长相较于LTE要长1.4至5.4倍。

在NSA 5G内部，毫米波（mmWave）频段的T2时长比低频段长42%至45%，尽管由于物理随机接入信道（PRACH）格式更短[7]，毫米波中的RACH程序（T2的一部分）所需时间比低频段少。我们推测，在执行复杂的波束跟踪、搜索、选择等过程中涉及的波束管理程序导致了毫米波5G中T2时长增加[2, 53]。

总体而言，上述分解突出了5G切换的复杂性。特别是在非独立组网（NSA）中，5G依赖于4G的控制平面，导致在eNB（演进型NodeB）和gNB（下一代NodeB）之间交换额外的信令消息，从而延长了切换时长。

5.3 切换能耗分析

我们量化了 NSA 5G 切换的能耗开销，并将结果与 4G 切换进行了比较。我们使用第 2 节中介绍的 5G Tracker、XCAL 和 Monsoon 功率监测器（MPM）在 OpX NSA 5G（低频段和毫米波）和 LTE 覆盖区域进行路测。在此，我们重点关注 NSA 切换，因为与 SA 切换相比，NSA 切换频率更高且小区覆盖范围通常更小。

数据收集方法
为了精确计算切换的能耗，理想情况下我们需要两部分数据：

来自 XCAL 的底层测量事件、报告和切换信息，这些数据可以精确获取；

切换期间的实际功率读数。

我们使用 MPM 对一款高端智能手机（三星 Galaxy S20 Ultra 5G）的功耗进行剖析。一个实际挑战是，XCAL 和 MPM 无法同时使用，因为智能手机会从连接的 XCAL 笔记本电脑中汲取电流，从而导致 MPM 的功率读数失去意义。为了解决这一问题，我们首先使用 XCAL 对超过 42 公里的区域进行勘测，以确定哪些地点会因单个测量事件反复触发切换。然后，我们使用 5G Tracker 和 XCAL 在这些地点周围进行 6 次循环测试，以建立切换的真实情况。具体来说，我们验证了 5G Tracker 的 Android API 报告的切换、无线技术和频段信息是否与 XCAL 数据完全一致。最后，我们使用 5G Tracker（无需连接笔记本电脑）和 MPM 进行 10 次循环测试，以收集切换期间的功率测量数据。

为了确保 UE 保持在 RRC 连接状态 [10]，我们每 5 秒发送一个 32 字节的 ping 数据包。为了排除 ping 传输的功耗，我们从 ping 数据包发送的时间点开始取一个 +1 秒的时间窗口，并移除相应的测量数据。我们将手机亮度设置为 25% 以保持一致性，并在呈现结果时从总功耗中减去基线功耗。基线功耗是在没有切换且 UE 静止时计算的。PING 数据包的传输功耗也被减去。

切换能耗结果

我们计算了使用 NSA 5G 低频段的典型智能手机的电池消耗。我们发现，以 130 公里/小时的速度行驶 1 小时的智能手机平均会经历 553 次 5G 切换，这将导致约 34.7 毫安时（mAh）的能量消耗。相比之下，4G 切换仅消耗约 3.4 毫安时的能量。同样，在相同设置下，NSA 毫米波可能会经历 998 次切换，并消耗约 81.7 毫安时的能量。

直觉上，当设备处于 RRC 连接状态 [10]（正在传输或接收数据）时，数据平面的能耗会远高于控制平面（切换）的能耗，但我们的实验表明，在商用 5G 中情况并非如此。我们将切换能耗与数据平面能耗进行了比较。Narayanan 等人 [54] 提供了与我们使用的智能手机型号（S20 Ultra）相同的每字节功耗数据。特别是，我们使用了 Narayanan 等人 [54] 工作中表 8 中提供的吞吐量-功率曲线的斜率。我们发现，使用 NSA 低频段的 S20 Ultra 可以下载约 4.3 GB 数据（或上传约 2.0 GB 数据），而消耗的电池容量为 34.7 毫安时。同样，NSA 毫米波可以使用 81.7 毫安时的能量下载约 75.4 GB 数据（或上传约 14.5 GB 数据）。这些结果表明，5G 切换的能耗不可忽视，尤其是对于嵌入式物联网设备等小型设备，它们的电力资源相对较少且有限。

图 10 提供了我们切换能耗实验的更多细节。图中展示了两项指标：(i) 单次切换的功耗（左 y 轴），以及 (ii) 每单位距离的能耗（右 y 轴）。为了计算每单位距离的能耗，我们考虑了第 5.1 节中测量的切换频率。我们分别绘制了 4G/LTE 中频段（左）、NSA 低频段（中）和 NSA 毫米波（右）的切换功耗。如图 10 所示，与 4G/LTE 相比，NSA 5G 的切换能耗高出 1.2-2.3 倍。NSA 5G 切换能耗较高的原因是切换过程中同时涉及 4G 和 5G 无线电。令人惊讶的是，NSA 5G 中的单次毫米波切换比单次低频段切换能效高出 54%。这可能是由于毫米波中改进的随机接入信道（RACH）过程 [7] 降低了切换能耗。尽管如此，由于 NSA 毫米波频段的切换频率非常高（第 5.1 节），其累积能耗仍然更高。例如，我们发现 NSA 毫米波切换的每单位距离能耗比低频段切换高出 1.9-2.4 倍。

六 IMPLICATIONS OF 5G HANDOVERS ON CARRIERS

本节从网络侧的角度探讨了5G中的切换（HOs）问题。

我们：

(1)展示了5G覆盖概况，并强调了非独立组网（NSA）5G中的一个覆盖问题，

(2)讨论了5G切换对网络吞吐量的影响

(3)揭示了非独立组网（NSA）5G切换在eNB和gNB共址方面所面临的挑战。

6.1 Coverage Landscape in 5G

在蜂窝网络中，一个小区的覆盖范围决定了何时执行切换（Handover，简称HO）。由于我们没有基站（或小区）的位置信息，我们通过计算用户设备（User Equipment，简称UE）在连接到同一小区时持续移动的距离来估算一个小区的覆盖范围（即，用户设备没有连接到新的物理小区标识（Physical Cell Identity，简称PCI））。从本质上讲，这种估算方法计算的是小区的平均直径。利用我们大量的路测数据，我们首先展示了5G的覆盖范围概况。然后，我们讨论了非独立组网（Non-Standalone Access，简称NSA）如何影响5G小区的有效覆盖范围。

我们发现，对于NSA 5G，低频频段、中频频段和毫米波频段的单个5G小区的覆盖范围分别为1.4公里、0.73公里和0.15公里。值得注意的是，从低频频段到中频频段，覆盖范围减少了48%。毫米波频段的覆盖范围分别比中频频段和低频频段低3.9倍和8.3倍。在无线网络中，信号衰减与频率有关。这意味着较高频段的信号比较低频段的信号衰减更大，从而减少了小区的覆盖范围。

覆盖范围减少（Reduction of）

6.2 Reduction of effective coverage in NSA 5G

我们的研究收集了5G在非独立组网（NSA）和独立组网（SA）部署下的数据。我们的一个关键观察结果是，与低频频段SA相比，低频频段NSA小区的覆盖范围有效减少。在我们的数据集中，这种减少幅度在1.2到2倍之间。

图11(a)显示了低频频段NSA（红色阴影区域）和SA（蓝色阴影区域）的有效覆盖范围。虚线对应的是低频频段NSA覆盖范围的假设（理想）场景，即假设只要观察到相同的5G gNB物理小区标识（PCI），用户设备（UE）就处于相同的覆盖范围内。我们发现，在使用低频频段（n71）SA 5G时，用户设备可以在不进行切换（HO）的情况下移动超过2000米。而在使用相同n71频段的NSA 5G下，用户设备平均仅在1000米内就会经历一次切换，从而将覆盖范围有效减半。这抵消了NSA低频频段在覆盖范围更广和切换频率更低方面的优势。为了解释这一点，请注意，对于低频频段NSA 5G，虽然数据平面（5G-NR）在低频频段上运行，但其耦合的控制平面（NSA-4C）仍然使用中频频段。因此，在NSA中的NSA-4C切换总是会触发5G切换（SCGR），从而减少了5G小区的有效覆盖范围。在中频频段也发现了类似的情况（图11(b)），与不考虑NSA-4C影响的理想场景相比，NSA 5G的有效覆盖范围也略有减少。上述发现表明，NSA 5G中的切换不仅会导致用户体验质量（QoE）的大幅波动（第4节）和切换持续时间的延长（第5.2节），还会对小区覆盖范围产生影响。

6.2 Impact of 5G HOs on Bandwidth

水平切换本应通过将用户设备（UE）关联到信号强度更好的新基站来提升网络性能。然而，我们发现，在NSA 5G网络中，这种情况往往并非如此。接下来，我们将描述我们的发现并解释根本原因。

为了深入了解切换对网络带宽的影响，我们在一个35分钟以上的步行循环中，在OpX的5G毫米波覆盖区域使用iPerf3（第2节）进行了批量下载测试。对于每种类型的切换，我们测量了三个阶段的吞吐量：

（i）切换前（HOpre），即切换过程开始前1秒的吞吐量；

（ii）切换中（HOexec），即执行切换过程期间的吞吐量；

以及（iii）切换后（HOpost），即切换过程完成后1秒所感知到的吞吐量。

图12比较了跨gNB（SCGC）切换在三个阶段中的吞吐量。我们观察到，平均切换后吞吐量比平均切换前吞吐量减少了14%。这有些违反直觉，因为跨gNB切换本应改善用户设备接收到的信号强度，从而提高其吞吐量。尽管先前文献已确定一个原因为信号强度阈值设置不佳[65]，但我们在5G背景下确定了一个新的原因，具体如下文所述。如第2节所述，NSA 5G不支持gNB之间的直接切换。相反，SCGC切换（5G→5G）包括5G→4G和4G→5G切换，而后两种切换是独立执行的，没有考虑到整体（5G→5G）信号强度的改善。因此，SCGC切换通常不会显示出整体信号强度的改善。为了缓解这个问题，NSA运营商可能需要通过考虑整体切换序列来改进其跨gNB切换逻辑。

除了SCGC切换外，使用上述相同的实验方法，我们还发现其他类型的切换在上述三个阶段中也表现出不同的吞吐量变化模式。具体细节可参见附录A.3。这些模式可以作为切换预测的特征，具体将在第7.4节中详细介绍。

6.3 Impact of eNB and gNB Co-location

在NSA（非独立组网）中，用户设备（UE）同时连接到eNB（4G基站）和gNB（5G基站），而这两个基站可能并不位于同一座物理基站塔上。为了识别这种共址情况，我们发现当NSA-4C eNB和5G-NR gNB共址于同一物理基站塔时，它们的4G和5G物理小区标识（PCI）是相同的；另一方面，如果它们不共址，则它们的PCI通常不同[3]。基于这一启发式方法，我们发现，在我们数据集中的三个运营商的NSA低频段样本中，NSA-4C eNB和5G-NR gNB仅共址于5%–36%的样本中。

我们发现，不共址的NSA-4C eNB和5G-NR gNB会产生一个主要的副作用。具体来说，我们发现，在NSA切换中，如果（源或目标）gNB和eNB共址，其切换持续时间明显短于gNB和eNB不共址的切换。这可以从图13中清楚地看出，该图显示，具有相同NSA-4C和5G-NR PCI的NSA切换比具有不同PCI的NSA切换平均节省了13毫秒。额外的延迟归因于NSA-4C和5G-NR基站塔之间的跨塔通信[60]。这一发现表明，NSA运营商可以通过促进NSA-4C和5G-NR基站塔的共址来减轻5G切换的影响，或者在做出切换决策时至少考虑到4G/5G天线的位置。

七 4G/5G HANDOVER PREDICTION

在本节中，我们首先介绍了蜂窝网络（LTE/5G）中的切换预测问题。接着，我们讨论了我们的系统（Prognos）的设计，并概述了其各个组件。作为评估的一部分，我们将Prognos的性能与两种现有方法进行了比较。最后，我们展示了利用切换预测为两种移动应用带来的优势：16K全景视频点播（VoD）和实时立体视频流。

7.1 挑战与目标

Prognos系统的设计灵感来源于实际的移动性管理问题。蜂窝运营商采用的“黑箱”策略性切换（HO）逻辑（例如，为切换选择目标小区）取决于运营商在某一地理区域的部署策略。此外，切换策略可能会因运营商的目标不同而在不同的地理区域发生变化。另一方面，我们观察到，在我们收集的数据中，切换策略的时间变化很小。总的来说，这些见解证实了之前对LTE的研究[37]。最后，基于策略的切换逻辑对于每种切换类型都是独一无二的，可以表示为切换前的一系列测量报告（MR）。例如，[A2, A5, LTEHint]意味着先是一个A2测量报告，随后是一个A5测量报告，最终触发了LTE的异频切换。测量报告的触发首先取决于服务小区和邻近小区的移动性配置和信号强度值。

我们力求克服这些挑战，构建一个能够学习这种特定于运营商的切换策略的系统。更具体地说，我们的目标是构建一个轻量级、可扩展、上下文感知且可解释的系统，用于切换预测。一个可解释的系统有助于理解切换策略的“黑箱”性质，并在预测过程中进行合理性检查。一个可转移的方案可以通过使我们能够转移具有相似地理特性和/或运营商部署策略的模型，从而帮助系统很好地扩展。任何涉及离线训练的解决方案都将依赖于收集的数据集来学习切换策略，并且可能无法推广到未见过的移动性场景。一个轻量级的系统可以避免在能量受限的移动设备上进行实时预测时产生不必要的开销。随着用户设备（UE）的移动，一个响应式系统必须适应不断变化的无线环境。除了预测切换外，上下文感知的方法还可以考虑诸如无线接入技术（LTE、5G）和频段等因素，以便向应用程序提供未来网络条件可能改善或恶化的信息。

我们通过采用增量学习方案来实现我们的目标及其设计原则，该方案随着更多数据的到来而扩展系统的知识。与离线训练相比，我们的方法更具适应性。Prognos适用于所有移动性场景、地理位置和蜂窝运营商。Prognos学习到的切换逻辑揭示了特定于运营商的切换决策。它还促进了预测过程中的合理性检查，并减少了动作空间。例如，当设备使用LTE时，无法进行服务连续性管理（SCGM）切换预测。最后，Prognos为应用程序输出一个有意义的值ho_score，该值指定了由于切换而导致的网络容量预期变化。我们利用蜂窝网络的领域知识来设计一个能够预测所有切换类型的系统。

7.2 Design

Prognos是一个用于切换（Handover，简称HO）预测的整体系统，它能提供有关切换引起的网络波动的有意义信息。该系统由三个关键组件组成（参见附录A.4中的图17）。报告预测模块综合考虑移动性配置和信号强度质量来预测测量报告（Measurement Reports，简称MRs）。决策学习模块利用序列模式挖掘的思想来学习特定于运营商的切换决策逻辑。最后，切换预测模块利用预测的MR序列和学习的切换逻辑来预测切换类型。

测量报告预测：

在触发测量报告后，应用程序只有几毫秒（中位数情况下为70毫秒）的时间来主动做出任何决策。因此，报告预测模块有助于更早地预测切换，同时为应用程序留下足够的时间来最小化切换过程中的服务质量体验（Quality of Experience，简称QoE）降级。

为了决定是否触发并报告一个测量事件给服务小区，我们观察以下三个因素：（i）服务小区为测量事件接收的配置（阈值、触发时间（Time-to-Trigger，简称TTT）等），（ii）预测的服务小区参考信号接收功率（Reference Signal Received Power，简称RRS），以及（iii）预测的邻小区RRS。为了预测下一个预测窗口内服务小区和邻小区的RRS，我们将上一个历史窗口内的RRS值输入到一个轻量级的线性回归模型中。采用基于三角核的方法[46]进行信号平滑处理，以消除小规模衰落和测量噪声引起的变化。基于从服务小区接收的配置和预测的RRS，我们预测事件触发条件在下一个预测窗口内是否会满足。如果触发条件在TTT时间内满足，报告预测模块会将此预测发送给切换预测模块。

基于策略的切换逻辑学习：

决策学习模块学习运营商采用的最新切换逻辑。决策学习模块的输入是在无线资源控制（Radio Resource Control，简称RRC）层上连续传输的MR和切换命令流。我们将输入流分成阶段，每个阶段由MR（一个或多个）后跟一个切换命令组成。在Prognos中，我们将学习到的决策逻辑称为模式，它是一个独特的MR序列，反复触发特定类型的切换。HO决策学习算法的目标是为每个切换类型学习最新的模式。这种基于序列的切换决策逻辑制定是从序列模式挖掘[33]中汲取灵感的。我们对prefixSpan算法[58]进行了修改，使其能够在线学习模式。在每个阶段结束时，在线学习算法可能会决定采取以下两个动作之一：（i）如果观察到旧序列，则增加模式的支持计数，或（ii）如果遇到新序列，则添加模式。该算法还会根据新鲜度阈值淘汰旧模式。在这里，新鲜度简单地意味着模式有多近。淘汰过程还确保学到的切换模式数量不会过度增长。最后，阶段计数增加，我们等待新的切换来处理下一个阶段的切换预测。

切换预测：

为了预测切换，我们考虑在当前阶段到目前为止接收到的预测MR序列。这个预测的序列会与决策学习模块发送的所有学习到的切换模式进行匹配。如果候选模式中找不到任何模式，切换预测模块将做出“无切换”预测。否则，将基于相似度最高的模式预测切换类型。模式的相似度是其支持计数、长度和新鲜度的函数。最后，基于预测的切换类型和当前无线技术，Prognos生成一个ho_score∈（0，∞）。这个值表示吞吐量的预期改善或降级（例如，ho_score=0.4表示吞吐量降级60%，而得分为1表示无切换或无降级）。它是根据图16中报告的结果经验计算得出的。具体来说，我们使用切换前后的吞吐量比率来计算网络容量的中位数变化。大多数情况下，ho_score为1，表示“无切换”，因此吞吐量没有因切换而预期发生变化。

7.3 性能评估
我们使用基于追踪的仿真来评估Prognos。我们采用之前概述的方法（第3节）从运营中的蜂窝网络中收集日志，并重新播放这些追踪记录。
数据集。我们收集了两个数据集。

D1包含7条追踪记录，代表一个旅游区35分钟的步行循环。

D2是在市中心区域步行25分钟循环10次后收集的。这两个数据集均以20 Hz的频率为OpX记录。它们之间的主要区别在于，D1仅包含5G毫米波（mmWave）和LTE中频段的覆盖，而D2还包含5G低频段的覆盖。它们还代表了两个不同的美国城市。我们观察到D1和D2中分别发生了320多次和840多次切换（HOs）。这些数据存在类别不平衡问题（即，HOs仅占数据点的0.4%）。因此，我们评估的指标是不受类别不平衡影响的，如F1分数、精确度和召回率。
比较方法。我们将Prognos与两种最新的5G HO预测技术进行了比较：

1）Mei等人[49]使用的梯度提升分类器（GBC）方法，该方法使用较低层的信息，如服务小区和相邻小区的信号强度质量来进行HO预测；

2）堆叠的长短时记忆（LSTM）模型[57]，该模型通过利用移动设备的位置信息来预测HOs。与这些方法不同，Prognos不涉及任何离线训练。除非另有说明，否则我们为这两种方法使用了60%的语料库作为训练集，将其余的40%作为所有预测方法的测试集。总的来说，我们的测试集包含超过3.5小时的蜂窝追踪记录。为了报告结果，我们为所有方法选择了1秒的预测和历史窗口。
结果。如第7.2节所述，报告预测器模块使我们能够在测量报告（MR）被触发之前预测HO。平均而言，它使我们能够提前931毫秒预测HO，而准确度仅略有下降（1.2%）（参见附录A.4中的图18）。表3比较了Prognos与其他方法在D1和D2上的性能。尽管GBC和堆叠LSTM模型有时能达到较高的准确度，但它们的F1分数较低，这表明“盲目”的机器学习技术无法产生可靠的HO预测。另一方面，我们的系统在所有指标上都表现良好，而且无需任何训练。我们的系统通过将HO预测任务分解为两个阶段来提高性能：（i）MR推断和（ii）特定于运营商的HO决策逻辑。我们发现这种分解不仅有助于增强我们构建模型的信心，更重要的是，通过降低模型复杂性来提高准确性。此外，我们的系统具有良好的可扩展性，因为它不仅能学习新的HO模式，还能删除旧的（最近未观察到的）模式。对于我们的数据集D1和D2，新的HO模式的学习速率为每小时9.1±2.3个，而旧的HO模式的删除速率为每小时8.3±3.1个。删除过程确保学习的模式数量不会过多增长，并且预测准确度保持稳定。
7.4 Prognos用例
我们通过考虑两个资源需求较高的应用（16K全景视频点播和实时体积视频流）来展示Prognos的可用性。我们对它们的速率自适应算法进行了微调，以使用HO预测。
追踪收集。我们通过在驾驶过程中使移动设备的下行链路信道饱和来收集带宽追踪记录。我们将这些追踪记录输入到Mahimahi网络仿真工具[55]中。同时，我们使用XCAL收集蜂窝日志，即参考信号接收功率（RRS）值、MR和HO命令等。我们对收集的日志进行后处理，使用滑动窗口生成40多条追踪记录（每条持续240秒）。所有追踪记录均为OpX收集，包括5G（低频段和毫米波）和LTE（中频段）覆盖。为避免选择质量等级变得微不足道的情况，我们仅考虑平均带宽小于400 Mbps（且最小带宽高于2 Mbps）的追踪记录，遵循Mao等人[48]使用的方法。
实验设置。对于16K全景视频点播，我们的评估使用了一个自定义的16K全景视频，该视频使用H.264/MPEG-4编码，具有6个质量等级（720p、1080p、2K、4K、8K、16K）。此外，该视频被分为60个块，总长度为120秒。我们扩展了Pensieve[48]概述的设置，以利用Prognos提供的HO预测信息。另一方面，实时体积视频流使用了第3节中之前描述的ViVO系统。为了进行公平比较，我们禁用了ViVo的可见度感知优化，并修改了其代码库，使其能够与我们的基于追踪的仿真一起运行。一个使用Draco[19]压缩的3分钟体积视频以5个点云密度级别（对应于{43, 77, 110, 140, 170} Mbps的比特率）进行编码。
修改后的速率自适应算法。对于这两个应用，我们修正了它们的速率自适应算法生成的吞吐量预测。具体来说，我们通过将预测吞吐量乘以Prognos提供的ho_score来进行上下调整。我们的系统仅在预期发生HO时进行干预

；在“无HO”情况下，我们不进行任何更改。为了评估，我们为每个应用修改了2-3个速率自适应算法。同样的方法可以应用于任何速率自适应方案。
接下来，我们展示了HO感知的速率自适应如何改善这两个应用的用户体验质量（QoE）。我们评估了三种类型的算法：

（i）原始速率自适应算法，如fastMPC；（

ii）使用真实HO预测的算法，如fastMPC-GT；以及（

iii）使用Prognos生成的HO预测的算法（例如，fastMPC-PR）。这里的主要目的是展示我们系统的有效性；我们不对速率自适应方案的性能进行比较。

16K 全景视频点播（VoD）。

图14a和14b比较了自适应比特率（ABR）算法与基于速率（RB）、fastMPC和robustMPC的经切换预测增强版本的性能[48, 67]。这些结果揭示了三个关键点。首先，在切换过程中，原始ABR方案的吞吐量预测准确性平均下降了37.14%-43.22%。图14b显示了fastMPC的吞吐量预测的平均误差。其次，根据ABR方案的不同，Prognos能够在切换过程中将吞吐量预测的准确性提高52.42%-61.29%（见图14b）。最后，我们发现我们的系统可以提升所有ABR方案和移动轨迹的用户体验质量（QoE）。如图14a所示，Prognos将缓冲时间减少了34.6%-58.6%，平均视频质量提高了1.72%。从绝对值来看，缓冲时间的QoE与真实值的差距在0.05%-0.10%之间，而视频质量的QoE与真实值的差距在0.60%-0.99%之间。

• 实时体视频流。

我们评估了ViVo[40]和FESTIVE[41]与采用切换预测的改进算法的性能。在图14c中，我们仅绘制了与原始速率自适应算法相比，切换感知（真实值和Prognos）速率自适应算法带来的性能提升。性能提升通过两个指标来衡量：视频比特率质量和缓冲时间。图14c显示，Prognos提高了15.1%-36.2%的视频质量，同时将缓冲时间减少了0.24%-3.67%。从绝对值来看，缓冲时间的QoE与真实值的差距在0.01%-0.25%之间，而视频质量的QoE与真实值的差距在0.39%-2.49%之间。

综上所述，评估结果显示了我们的系统在提升两种不同工作负载应用用户体验质量方面的有效性。此外，我们还采用相同的技术来改进这两种应用的吞吐量预测。

八讨论部分

Limitations of measurement scope.

我们的工作是对5G移动性中的切换（HOs）进行了严格的考察。然而，由于研究范围有限或对运营商网络了解不足，我们并未探讨某些因素。关于数据平面的能耗，现有的5G研究调查了不同智能手机模型之间的可观察差异[54, 65]。我们的切换能耗结果是对现有研究的补充，并且我们的见解在一般情况下都是适用的，不受手机模型类型的影响。我们的研究是在没有蜂窝运营商合作的情况下进行的。因此，我们并未探讨不同基站供应商或制造商之间的差异。谢等人表明，一天中的不同时间会影响用户密度[64]，从而影响每个用户可公平获得的带宽。通过在多个地点（空间多样性）、多个星期（时间多样性）以及一天中的不同时间（包括夜间：凌晨12点至4点）进行实验，我们减少了人群和拥塞对我们服务质量（QoE）测量结果可能产生的干扰。

同样，先前对LTE的研究[32, 37, 39, 63]已经很好地探讨了移动速度和基站密度对TCP性能、应用服务质量（QoE）和能耗的影响。5G的移动性管理比LTE复杂得多；切换更加频繁，导致服务质量（QoE）波动更大（第4节）。因此，在5G中，速度、基站密度等因素的影响会更加显著。

测量结果对未来5G及后续技术的适用性。

当前的5G基础设施仍在不断成熟，其中大部分现有部署为非独立组网（NSA）5G，使用LTE的控制平面。NSA 5G部署至少在未来几年内将继续存在，但最终将被独立组网（SA）5G或未来的NSA 5G部署所取代。然而，在这些过渡发生的过程中，未来的NSA 5G也将不断演进，使得控制平面成为5G，而LTE仅作为数据平面。例如，5G部署选项4使运营商能够在连接到5G核心网的同时继续使用传统的4G设备[13]。我们的发现也将对这些新的NSA 5G部署具有相关性。此外，我们的切换预测系统（Prognos）支持所有4G和5G的切换类型，因此也可以预测SA 5G部署中的切换。此外，3GPP定义了多种5G部署选项（如NSA、SA等），以实现从4G到5G的灵活（且简便）过渡。回想起来，像我们这样的研究将有助于提供宝贵见解，以理解在未来（例如从5G到6G）采用此类过渡策略的影响。

Delayed HO predictions during startup

我们的系统能够实时学习新的切换（HO）模式。为了做出可靠的预测，它首先需要收集一些初始的切换模式。在启动阶段，预测分数通常较低。根据我们的分析，达到可靠预测所需的时间取决于多个因素，包括但不限于基站密度、移动设备的无线能力以及移动速度。对于我们的数据集D1和D2，我们观察到预测F1分数在分别经过14分钟和11分钟后超过了0.9。然而，在启动阶段提高预测精度的方法有多种。例如，用每种切换类型中最常见的模式来引导（bootstrapping）系统，可以使预测更加可靠。这些最常见的模式可以从我们收集的数据集中通过经验方法找到。图15使用了数据集D1中的一个样本轨迹，来展示用最常见模式引导Prognos的好处。它表明，如果Prognos没有用常见模式进行引导，那么F1分数在开始时通常会较低。另一方面，引导可以在1.5分钟内将F1分数提高到0.8。另一个解决方案是简单地避免在启动阶段进行预测，而只是学习一段时间的切换模式。无论如何，关于如何在启动阶段协调可靠的切换预测的问题仍然悬而未决，留待未来研究。

The need for cross-layer communication for future 5G.

我们在Prognos方面的工作依赖于移动网络协议栈多个层级的信息，这些信息如果不使用特殊工具是无法完全获取的。先前的研究也使用了外部工具来解码较低层级的信息。例如，基于通用软件无线电外设（USRP）的控制信道解码器[64]、专业工具如Accuver XCAL[15]，以及设备内置解决方案如MobileInsight[44]、Mobilyzer[56]和LiveLab[62]。在未来，5G多接入边缘计算（MEC）将能够通过无线电网络信息（RNI）应用程序接口（API）[6]来收集和分发控制平面信息。我们认为，通过Android API调用公开较低层级的信息将给移动应用程序带来巨大的好处。这些信息可以被用于吞吐量预测、延迟预测、丢包恢复、能耗建模、切换预测等多种应用。

10 结论

我们首次开展了全面的测量研究，揭示了5G移动性管理。我们进行了6200多公里以上的广泛路测，覆盖了美国的城市和农村地区。我们的测量结果深入揭示了5G切换（HOs）在性能、能耗、跨技术影响、上层影响以及操作问题方面的深刻见解。我们设计了一个全面的切换预测系统，以改善移动过程中的应用体验质量（QoE）。我们的研究还指出了改善5G移动性管理的关键研究方向。我们已将数据集向研究界公开。