4G LTE/LTE-A系统的主要性能特点 | 带你读《5G UDN(超密集网络)技术详解》之四

简介: 宏基站 eNB 和微基站 eNB 配置提供的服务小区之间的主要区别是:系统 容量和无线覆盖的区域大小不同,只有当它们以不同方式、不同类型搭配,混 合地部署组网在一起时,才能形成上述所谓的“同构宏蜂窝”与“异构微蜂 窝”网络之间的诸多差别。

第一章 5G 前蜂窝移动历史

1.2 4G LTE同构宏蜂窝和异构微蜂窝概述

| 1.3 4G LTE/LTE-A系统的主要性能特点|

宏基站 eNB 和微基站 eNB 配置提供的服务小区之间的主要区别是:系统 容量和无线覆盖的区域大小不同,只有当它们以不同方式、不同类型搭配,混 合地部署组网在一起时,才能形成上述所谓的“同构宏蜂窝”与“异构微蜂 窝”网络之间的诸多差别。无论是宏基站 eNB 还是微基站 eNB,它们提供的 空口 RAT 技术制式都是相同的 E-UTRA,对于授权载波,要么是 Type1:频 分双工模式(FDD);或者是 Type2:时分双工模式(TDD);再者是两种双 工模式的组合。E-UTRA 不能支持在同一时频资源块上同时发射、接收数据, E-UTRA 早期也不能支持灵活的双工模式。E-UTRA 服务小区可提供如下基 本工作带宽:1.4 MHz、3 MHz、5 MHz、10 MHz、15 MHz、20 MHz,单 载波上最大工作带宽受限于运营商在低频段实际拥有的载波资源。宏小区和小 小区有着相同的帧 / 子帧 / 时隙结构、数据调度传输机制、编解码、调制解调 机制和波形,其中,E-UTRA 的上行波形 SC-FDM 不同于下行的 CP-OFDM 波形,主要是由于终端的上行处理能力。在 LTE-A Rel-13 版本,随着聚合非 授权载波 LAA 技术的引入,宏基站 eNB 或微基站 eNB 在非授权载波上,还可 额外支持所谓 Type3 的灵活双工模式和一些更增强的时频资源利用机制。
LTE 初始版本的 Rel-8 奠定了 eNB 和 UE 之间在空口 Uu 上的基本物理层 PHY 和高层 RRC/PDCP/RLC/MAC 机制,LTE 和 3G UMTS/HSPA 的网络 性能相比,在上下行峰值谱效、小区平均谱效、上下行工作带宽 / 用户峰值速率、 系统传输时延等方面,都有较大的提升、改善。具体地讲,Rel-8 LTE UE 的 峰值速率下行可支持 300 Mbit/s,上行则为 75 Mbit/s;下行可支持最大 4×4 MIMO,下行峰值谱效可达 15 bit/(s·Hz)(4 layer MIMO+64QAM),上行 暂不能支持 MIMO(受限于终端的处理能力),因此上行峰值谱效可达 3.75 bit/ (s·Hz)(64QAM)。实际上,LTE 后续演进的同一版本中,下行的数据传输 能力和性能通常都要强于上行的能力性能。下行相关的能力和性能增强,通常 也要优于或早于上行能力和性能,这不仅因为基站和终端本地处理能力的差异, 还因为运营商的下行数据业务量要普遍大于上行的业务量(注:这一不对称现 象造成频分双工模式下,上行载波资源常常不能得到充分的利用,而时分双工 模式能更好地适配上下行业务的不对称,提升载波资源的利用效率)。
LTE Rel-10 开始,演进更名为 LTE-Advanced(LTE-A),它可支持载波聚合技术(CA,Carrier Aggregation)、增强的上下行更高阶 MIMO 操作、上下行协作多点传输(CoMP,Coordinated Multiple Point)、中继 传输(RN,Relay Node)、增强的异构节点干扰协调(eICIC,Enhanced Inter Cell Interference Coordination)等先进功能。性能指标层面更为具 体的:Rel-10 LTE-A UE 的峰值速率下行可支持 1 Gbit/s,上行则为 500 Mbit/s;下行可支持最大 8×8 MIMO,下行峰值谱效达 30 bit/(s·Hz)(8 layer MIMO+64QAM);上行则能最大支持 4×4 MIMO,从而上行峰值谱效 达 15 bit/(s·Hz)(4 layer MIMO+64QAM)。从严格意义上来说,LTE-A Rel-10 满足了 ITU 对 4G 系统的性能指标要求。Rel-10 和它之后版本的很多 高级功能主要是为了解决小区边缘的干扰覆盖问题和服务小区间的无线资源聚 合问题,而这些问题对后续的 5G UDN 仍然是很关键的问题。
LTE-A Rel-10 往 后, 物 理 层 高 阶 调 制 解 调、CA、MIMO、CoMP、 eICIC 这些技术继续增强,上下行谱效继续提升,系统容量和无线覆盖继续优 化。它们主要是针对“异构微蜂窝”中的小小区,这些高级功能为后来的 LTE UDN 技术奠定了支撑基础。简要地说,过去的 LTE UDN 技术是今日和未来 5G UDN 技术的原型,而 5G UDN 技术则需要基于 LTE UDN 技术,再进一步 地扩展升级和优化增强,这里面有技术质变的方面,也有技术量变的方面,都 是为了无限逼近和利用 UDN 部署方式所带来的网络性能极限。
由于 LTE UDN 和 5G UDN 之间技术的紧密关系,在下面的章节,笔者将 先从 LTE UDN 部署下的一些关键特征和先进功能说起,在后面的 5G UDN 相 关章节中,也会有相对应的技术映射和增强(注:4G LTE 系统设计之初,主 要是面向“大数据流量宽带类数据业务”,而不是面向“QoS 大跨度范围的全业 务类型”)。因此,到了 LTE-A 的后期版本,才逐渐引入对“窄带类业务”“低 时延类业务”的功能支持。因此,LTE UDN主要是面向“宽带类数据业务”考虑, 以蜂窝系统增容为主要目的。相比而言,5G UDN 从设计之初,就需要面向“全 业务类型”,需要同时考虑在“全业务类型”数据冲击下的系统容量、无线覆盖、 用户峰值、传输时延、链路健壮性、能耗、终端省电等因素,因此相比 LTE UDN,设计的起点和要求就更高。
由于 LTE 和 LTE-A 基站,主要面向在低频载波上部署,因此并没有引入 专门针对中高频段的先进技术,如波束赋形技术(约束无线信号在空间的传播 特性,使得小小区超密集的部署更为容易)、基于波束粒度的新 RRM 测量模型 和移动管理、中高频段载波上的干扰协调和抑制技术、小基站密集化和功能云 化的新系统架构等。而 5G NR 从 Rel-15 初始版本开始,即包含面向中高频段 载波上的部署应用场景,5G 假设:NR 小小区密集化、异构化部署就是常态,因此早早确立了上述一系列面向 5G UDN 中高频的专有技术设计,在下面的章 节将会详细介绍。当前 5G UDN 高频部署和应用,主要在 100GHz 频段下,因此还没有进入到所谓的“太赫兹”(THz)频段。

1.4 3GPP标准化九大原则(上)

相关文章
|
边缘计算 人工智能 自动驾驶
云计算的加速引擎——5G技术如何改变未来
云计算的加速引擎——5G技术如何改变未来
430 7
云计算的加速引擎——5G技术如何改变未来
|
10月前
|
人工智能 运维 安全
从被动防御到主动免疫进化!迈格网络 “天机” AI 安全防护平台,助推全端防护性能提升
迈格网络推出“天机”新版本,以AI自学习、全端防护、主动安全三大核心能力,重构网络安全防线。融合AI引擎与DeepSeek-R1模型,实现威胁预测、零日防御、自动化响应,覆盖Web、APP、小程序全场景,助力企业从被动防御迈向主动免疫,护航数字化转型。
从被动防御到主动免疫进化!迈格网络 “天机” AI 安全防护平台,助推全端防护性能提升
|
9月前
|
存储 机器学习/深度学习 监控
网络管理监控软件的 C# 区间树性能阈值查询算法
针对网络管理监控软件的高效区间查询需求,本文提出基于区间树的优化方案。传统线性遍历效率低,10万条数据查询超800ms,难以满足实时性要求。区间树以平衡二叉搜索树结构,结合节点最大值剪枝策略,将查询复杂度从O(N)降至O(logN+K),显著提升性能。通过C#实现,支持按指标类型分组建树、增量插入与多维度联合查询,在10万记录下查询耗时仅约2.8ms,内存占用降低35%。测试表明,该方案有效解决高负载场景下的响应延迟问题,助力管理员快速定位异常设备,提升运维效率与系统稳定性。
366 4
|
存储 消息中间件 弹性计算
阿里云服务器ECS计算型c7和通用算力型u1在适用场景、计算性能、网络与存储性能等方面的对比
阿里云ECS服务器u1和c7实例在适用场景、性能、处理器特性等方面存在显著差异。u1为通用算力型,性价比高,适合中小企业及对性能要求不高的场景;c7为企业级计算型,采用最新Intel处理器,性能稳定且强大,适用于高性能计算需求。u1支持多种CPU内存配比,但性能一致性可能受底层平台影响;c7固定调度模式,确保高性能与稳定性。选择时可根据预算与性能需求决定。
621 23
|
自动驾驶 5G 网络性能优化
5G标准化背后的江湖:技术规范如何塑造未来通信
5G标准化背后的江湖:技术规范如何塑造未来通信
1018 19
|
传感器 人工智能 边缘计算
“种田也能上5G?”——带你看懂5G+智慧农业的真相与技术细节
“种田也能上5G?”——带你看懂5G+智慧农业的真相与技术细节
527 19
|
人工智能 监控 安全
5G技术在安全监控中的应用:从“慢半拍”到“秒响应”
5G技术在安全监控中的应用:从“慢半拍”到“秒响应”
535 13
|
自动驾驶 物联网 5G
5G赛道,谁主沉浮?——技术、市场与背后的博弈
5G赛道,谁主沉浮?——技术、市场与背后的博弈
334 12
|
机器学习/深度学习 数据采集 监控
基于CNN卷积神经网络和GEI步态能量提取的步态识别算法matlab仿真,对比不同角度下的步态识别性能
本项目基于CNN卷积神经网络与GEI步态能量提取技术,实现高效步态识别。算法使用不同角度(0°、45°、90°)的步态数据库进行训练与测试,评估模型在多角度下的识别性能。核心流程包括步态图像采集、GEI特征提取、数据预处理及CNN模型训练与评估。通过ReLU等激活函数引入非线性,提升模型表达能力。项目代码兼容Matlab2022a/2024b,提供完整中文注释与操作视频,助力研究与应用开发。
|
传感器 存储 算法
基于ECC簇内分组密钥管理算法的无线传感器网络matlab性能仿真
本程序基于ECC(椭圆曲线密码学)簇内分组密钥管理算法,对无线传感器网络(WSN)进行MATLAB性能仿真。通过对比网络通信开销、存活节点数量、网络能耗及数据通信量四个关键指标,验证算法的高效性和安全性。程序在MATLAB 2022A版本下运行,结果无水印展示。算法通过将WSN划分为多个簇,利用ECC生成和分发密钥,降低计算与通信成本,适用于资源受限的传感器网络场景,确保数据保密性和完整性。