通信世界扫盲基础二(原理部分)

上次我们刚学习了关于通信4/G的组成和一些通识,今天我们来更深层次了解一些原理以及一些新的基础~

目录

专业名词

LTE(4G系统)

EPC

s1

E-UTRAN

UE

UU

X2

eNodeB

NR(5G系统)

NGC/5GC

NG

NG-RAN

Xn

gNodeB

N26接口

手机的两种状态

空闲态

连接态

4G/5G速率

4G

5G

4G&5G关键技术

MIMO模式(4G)

发射分集

空间复用

传输模式

M-MIMO模式(5G)

低RANK的原因

信号的调制方式(4/5G)

4G SINR转换表

5G SINR转换表

CA载波聚合(4G)

SSB信道/波束赋形(5G)

信道

下行信道

上行信道

时域&频域

频域

子载波

4G系统中

5G系统中

时域/帧结构

4G系统中

5G系统中

特殊子帧(S)的意义

时域满调度&频域满调度

RB

时域满调度(1s)

4G系统中

5G系统中

时域调度不满原因

频域满调度

4G系统中

5G系统中

频域未满调度原因


专业名词

LTE(4G系统)

LTE也可以写成EPS。它的每个组成部分都有哪些接口名字呢?

EPC

指4G核心网。

s1

承载网上面的接口。

E-UTRAN

接入网部分,也就是上面绿色圆圈部分。

UE

指手机终端,入网设备。

UU

空口,也就是手机和基站之间的接口。空口/无线网/电磁波部分都叫空口。

X2

4G基站和4G基站之间的连接接口。如果两个基站较近,比如2km以内,此时两基站布署X2接口。

作用:降低时延,如果两个基站之间进行通信,路径不用再经过核心网再折回,这次直接两个基站互相通信即可。

实际上80%的X2接口都是坏掉的,如果工作中遇到这个问题,没必要通知运维人员去检修。

eNodeB

4G基站名称。

NR(5G系统)

也可以称为NGSA,它的组成部分呢?

NGC/5GC

5G核心网部分。

NG

承载网上面的NG接口

NG-RAN

接入网部分,也就是上面绿色圆圈部分。

Xn

5G基站和5G基站之间的接口。

作用和4G的X2一样~

gNodeB

5G基站名称

UE

指手机终端,入网设备。

UU

空口,也就是手机和基站之间的接口。空口/无线网/电磁波部分都叫空口。

N26接口

连接4G网和5G网的接口,这样的话4G和5G之间就可以通信了~

手机的两种状态

空闲态

1、没有数据传输

2、没有建立RRC连接

3、小区搜索与驻留

4、侦听寻呼信道

5、重选

小区搜索与驻留:手机会始终搜索信号更好的天线,但不直接连接,当有数据传输的时候再连接。

侦听寻呼信道:侦听是否有人打电话。

注意:

1、手机关机和开飞行模式不属于空闲态,这属于把手机天线关了,好比这个终端没了。

2、刚刚开机的手机处于空闲态,后来处于连接态,因为手机进入连接态是需要时间的。

连接态

1、有数据传输

2、建立了RRC连接

3、上下行数据传输

4、反馈信道质量

5、切换

反馈信道质量:反馈的是sinr信道质量(sinr计算的是下行质量!!),向天线反馈自己的sinr,天线会自动选择合适的调制方式。

切换:从一个天线换到另一个天线。

注意:实际中,手机95%以上的时间都处于连接态。

上面的RRC连接过程博主后面会详细讲解~

4G/5G速率

4G

5G

4G&5G关键技术

MIMO模式(4G)

4G的多天线技术,支持4T4R、8T8R、16T16R。(T是发送,R是接收)

5G最高可支持64T64R。

发射分集

两个通道发一样的数据

这样做有什么好处?

        抗干扰能力强,因为两个振子同时发送一样的数据,这样手机接收的时候可以把数据进行对比来验证数据是否接收完整。应用于sinr比较差的情况。

空间复用

这时候我们和原来相比,只用一半的时间就把数据全部发给用户了。速率翻倍。

以上两种方式前提条件:天线上至少有两个振子(传统室分就只有一个振子,只能进行单天线传输)。

传输模式

提升速率的有:TM3、TM4、TM8

不提升速率的有:TM1、TM2、TM7

只有一个振子的是:TM1、TM7

空间复用技术:TM2、TM3、TM4、TM8

M-MIMO模式(5G)

RANK流数可达到4,速率比单天线传输的方式提高4倍。

RANK流

         天线传输电磁波的时候是扩散式的,如果遇到墙、地面、天花板等可以反射到手机终端上面,手机的RANK流数会增加,也就是空间相对封闭的场景,5G支持手机最多可以接收4个RANK流,又比4G多出来2倍。

       至于电磁波扩散具体细节,可以参考大学的工程电磁场这门课~反正博主这门课卡着及格线过的,我的水平还不够,哈哈~

低RANK的原因

如果现实中我们遇到RANK流数很低的时候,我们可以从以下角度来分析:

1、sinr差(sinr差的原因又可以参考前面讲的RSRP、干扰等原因)

2、硬件振子数量不够

3、空间独立性不强

信号的调制方式(4/5G)

关键技术二,信号调制的关键技术,也叫AMC自适应编码

在前面我们已经介绍过调制方式了,这里不再唠叨了~

注意的是,选用高阶的调制方式前提是sinr要好。

不过这里我们要背一个SINR/CQI/MCS转换表,这里家人们还是要辛苦一下滴(博主在写这篇博客时候还不会背┭┮﹏┭┮)~

4G SINR转换表

5G SINR转换表

为什么要有CQI和MCS呢?直接用sinr不好吗?

CA载波聚合(4G)

前提条件:频段必须挨着。比如D3和D7、D7和D8...

SSB信道/波束赋形(5G)

        SSB信道每20ms一个周期进行扫描,检测附近的入网设备,然后找到合适的时机建立连接,但是这样会不会觉得有断网感?不会的,它有自己的应对方法~

        SSB信道里面会存放一些空闲态手机需要的信息,比如天线RSRP、频点、PCI等等信息,来让手机获取到所需要的信息。注意这个信道里面的信息是没有加密的,所有空闲态手机都可以接收到~

       当手机有数据传输的时候,这时候手机就会进入连接态,建立RRC连接。此时这个SSB信道(窄波束)会时刻跟着手机移动,让手机保持连接态,基站剩余的功率和电量进行扫描其余的空闲态手机。

注意:当然当手机连接过多的时候,功率用得越多,这时候SSB信道的距离会收缩。SSB信道针对的扫描对象是对连接态没有意义的,因为它一直连接着,没有断网感。

信道

下行信道

PDSCH:下行数据信道   传输下行用户面数据

PDCCH:下行控制信道   传输下行控制面数据

PBCH/SSB(不加密信道):下行广播/空闲态信道  传输MIB、SIB、天线的基本配置信息

上行信道

PUSCH:上行数据信道   传输上行用户面数据

PUCCH:上行控制信道   传输上行控制面数据

时域&频域

频域

子载波

子载波:一根可以使用的电磁波。

4G系统中

4G子载波间隔:15kHz。

4G的最大带宽是20M,20M带宽有1200个子磁波,说明4G通信系统中同一时刻最多可以容纳1200个用户(理论上)。以此类推,10M带宽有600个子磁波。

       在实际计算的时候,20M带宽两边各留1M带宽为保护带宽(总共为10%,20*0.8=18),此时18MHz/15kHz=1200

20M:1200个子磁波

15M:900个子载波

...

5G系统中

为什么5G 2.6g的电磁波间隔变大了?

因为电磁波频率越高,波长变化越小,所以需要更大的间隔来区分不同的电磁波。

时域/帧结构

4G系统中

SA1(2:2):主要应用于上行业务量大的室分站点,E频、FDD1800室分。

SA2(1:3):现实中常用的帧结构,一般人用手机获取资源比较多,很少上传数据什么的。D、F、A比较常用。

5G系统中

        5G中TDD的循环周期也是5ms,不过这时候帧结构在这里叫时隙结构;子帧(1ms)改为时隙(0.5ms)。计算下来一个周期有10个10时隙。

特殊子帧(S)的意义

作用一:基站先向下传输数据,这时候就上来让手机改为U方式,让手机传输数据。此时UE可能还没有接收完下行的数据就去传输,这是不合理的,所以D->U期间需要有一个特殊子帧S来进行缓冲,然后再D->U。但是U->D不需要,因为天线功能比较强大,不会出现数据碰撞的问题。

作用二:如果下行转上行比较快,剩下的时间可以全用来做下载D。

时域满调度&频域满调度

RB

RB:结合时域和频域的资源单位。在频域上是连续12个子载波;在时域上是一个1ms

时域满调度(1s)

手机当前用了多少个RB,也就是在1s内用了多少毫秒进行上传和下载。

4G系统中

5G系统中

时域调度不满原因

1、服务器的问题,线程数少,<30

2、测试卡限速(流量超限,限速了)

3、基站天线存在告警故障

4、手机异常

频域满调度

4G系统中

对应带宽的子载波个数除以12~

20M   100RB

15M    75RB

10M    50RB

5M      25RB

......

5G系统中

700MHz(30M带宽)   160RB  (1920/12)

2.6GHz(100M带宽)   273RB  (3276/12)

频域未满调度原因

1、服务器的问题,线程数少,<30

2、测试卡限速(流量超限,限速了)

3、基站天线存在告警故障

4、手机异常

5、天线下用户过多,高负荷。(带宽每个人分的太少了,导致下行速率慢了,理论上的调度不满了)

看到这里,给博主支持一下吧~

                  

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/189958.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Python照片压缩教程:如何轻松减小图片大小

在日常的编程工作中&#xff0c;我们经常需要处理图像&#xff0c;例如上传、下载、显示、编辑等。有时候&#xff0c;我们需要对图像进行压缩&#xff0c;以减少占用的空间和带宽&#xff0c;提高加载速度和用户体验。那么&#xff0c;如何用Python来实现图像压缩呢&#xff1…

C51--PC通过串口(中断)点亮LED

B4中的&#xff1a;REN允许 / 禁止串行接收控制位 REN 1为允许串行接收状态。 接收数据必须开启。所以SCON&#xff1a;0101 0000 &#xff1b;即0x50 如何知道数据已经接收 RI位&#xff1a;当收到数据后 RI 1&#xff08;由硬件置一&#xff09; 硬件置一后必须用软件…

解决npm报错Error: error:0308010C:digital envelope routines::unsupported

解决npm报错Error: error:0308010C:digital envelope routines::unsupported。 解决办法&#xff1b;终端执行以下命令&#xff08;windows&#xff09;&#xff1a; set NODE_OPTIONS--openssl-legacy-provider然后再执行 npm命令成功&#xff1a;

算法——图——bsf 广度优先搜索算法 (Breadth First Search)

图遍历算法——bsf 广度优先搜索算法 &#xff08;Breadth First Search&#xff09; 算法 概述算法过程步骤一&#xff1a;初始化原点到队列步骤二&#xff1a;将队列的头顶点放入到已完成集合步骤三&#xff1a;将订单的关联顶点放入到队列中步骤四&#xff1a;将u顶点设置为…

【正点原子STM32连载】 第五十章 FATFS实验 摘自【正点原子】APM32F407最小系统板使用指南

1&#xff09;实验平台&#xff1a;正点原子stm32f103战舰开发板V4 2&#xff09;平台购买地址&#xff1a;https://detail.tmall.com/item.htm?id609294757420 3&#xff09;全套实验源码手册视频下载地址&#xff1a; http://www.openedv.com/thread-340252-1-1.html## 第五…

【JAVA学习笔记】69 - 多用户通信系统

项目代码 https://github.com/yinhai1114/Java_Learning_Code/tree/main/QQClient https://github.com/yinhai1114/Java_Learning_Code/tree/main/QQServer 〇、环境设置以及前言 该项目内会弱化UI界面的设计&#xff0c;因为JAVA本质不是用来开发界面的。 项目开发流程 对于…

汽车标定技术(九)--标定常量与#pragma的趣事

目录 1. 不添加#pragma语句 2. 添加#pragma语句 3. 标定量只给flash空间&#xff0c;不给ram指定空间 4. 总结 在之前不会使用overlay机制的时候&#xff0c;我们想要做汽车标定&#xff0c;标定常量编译出来的地址一般都应该是ram的地址&#xff0c;而且在链接文件中都会指…

深度学习AI识别人脸年龄

以下链接来自 落痕的寒假 GitHub - luohenyueji/OpenCV-Practical-Exercise: OpenCV practical exercise GitHub - luohenyueji/OpenCV-Practical-Exercise: OpenCV practical exercise import cv2 as cv import time import argparsedef getFaceBox(net, frame, conf_thresh…

基于C#+WPF编写的调用讯飞星火大模型工具

工具源码&#xff1a;https://github.com/lishuangquan1987/XFYun.SparkChat 工具效果截图&#xff1a; 支持流式输出: 其中ApiKey/ApiSecret/AppId需要自己到讯飞星火大模型官网去注册账号申请&#xff0c;免费的。 申请地址&#xff1a;https://xinghuo.xfyun.cn/ 注册之…

代码随想录算法训练营第23期day49| 123.买卖股票的最佳时机III、188.买卖股票的最佳时机IV

目录 一、&#xff08;leetcode 123&#xff09;买卖股票的最佳时机III 二、&#xff08;leetcode 188&#xff09;买卖股票的最佳时机IV 一、&#xff08;leetcode 123&#xff09;买卖股票的最佳时机III 力扣题目链接 增加了两次的限制&#xff0c;相应的就是需要考虑的状…

【AI】自回归 (AR) 模型使预测和深度学习变得简单

自回归 (AR) 模型是统计和时间序列模型&#xff0c;用于根据数据点的先前值进行分析和预测。这些模型广泛应用于各个领域&#xff0c;包括经济、金融、信号处理和自然语言处理。 自回归模型假设给定时间变量的值与其过去的值线性相关&#xff0c;这使得它们可用于建模和预测时…

R语言将向量横向转换为单行数据框,随后整合数量不确定的数据框

vector1 c(1, “karthik”, “IT”) names(vector1) c(“id”, “name”, “branch”) df data.frame(as.list(vector1)) print(df) 先给向量的元素命名&#xff0c;然后转换为列表&#xff0c;最后转换为数据框。 我的需求大概是这个样子&#xff1a;数量不确定的仅有单行…

JL-29 雪深监测仪

技术参数 太阳能功率&#xff1a;10W 电池供电&#xff1a;3.7V/20AH 测量量程&#xff1a;0&#xff5e;5m&#xff08;探头处有15cm的盲区&#xff09; 分 辨 率&#xff1a;1mm 随机误差&#xff1a;1.5mm 非线性误差&#xff1a;<0.7mm 温度误差&#xff1a;<0…

PostgreSQL 入门教程

PostgreSQL 入门教程 1. 历史背景2. 概念3. 特点4. 用法4.1 数据库连接4.2 数据库创建4.3 表创建4.4 数据插入4.5 数据查询4.6 数据更新4.7 数据删除 5. 安装步骤6. 简单示例7. 扩展7.1 数据类型7.2 查询优化7.3 并发控制7.4 数据备份和恢复7.5 扩展性和高可用性7.6 安全性加固…

数据复现-企业数字化转型与中国实体经济发展分析

数据简介&#xff1a;在当今快速发展的数字化时代&#xff0c;数字技术已经成为企业数字化转型的核心驱动力之一。尤其对于中国这样一个拥有庞大实体经济的国家而言&#xff0c;结合数字技术的应用&#xff0c;可以为企业带来前所未有的巨大机遇和挑战。在中国&#xff0c;实体…

大促期间治理品牌窜货的诀窍

渠道问题中&#xff0c;最常见的是窜货&#xff0c;窜货还会伴随低价&#xff0c;会影响其他经销商的利益&#xff0c;同时窜货还可能带来假货&#xff0c;所以治理窜货是品牌的责任&#xff0c;对于出货量巨大的双十一大促&#xff0c;品牌更应重视对窜货问题的治理。 力维网络…

MySQL binlog 日志解析后的exec_time导致表示什么时间?

1. exec_time 到底表示什么时间&#xff1f; MySQL binlog日志解析后&#xff0c;我们能看到会有 exec_time &#xff0c;从字面意思理解这个记录的是执行时间&#xff0c;那这个记录的到底是单条sql的执行时间&#xff1f;还是事务的执行时间&#xff1f;下面通过测试来解读一…

Scikit-LLM:一款大模型与 scikit-learn 完美结合的工具!

Scikit-LLM 是文本分析领域的一项重大变革&#xff0c;它将像 ChatGPT 这样强大的语言模型与 scikit-learn 相结合&#xff0c;提供了一套无与伦比的工具包&#xff0c;用于理解和分析文本。 有了 scikit-LLM&#xff0c;你可以发现各种类型的文本数据中的隐藏模式、情感和上下…

c++分割路径的字符串,得到 目录 文件名 扩展名

简单的做一个c小代码片的记录 c分割了图片的 路径字符串&#xff0c;得到 目录 文件名 扩展名 #include <iostream> using namespace std;int main() {std::string path "E:\\set1_seg\\32.jpg";//index:"\\"在字符串中的位置int index path.find…

深度学习基于python+TensorFlow+Django的花朵识别系统

欢迎大家点赞、收藏、关注、评论啦 &#xff0c;由于篇幅有限&#xff0c;只展示了部分核心代码。 文章目录 一项目简介 二、功能三、系统四. 总结 一项目简介 花朵识别系统&#xff0c;基于Python实现&#xff0c;深度学习卷积神经网络&#xff0c;通过TensorFlow搭建卷积神经…