datasheet

XZ鲜枣课堂

文章数:434 被阅读:2403900

账号入驻

5G能终结“手机信号差”的千年难题吗?

2018-12-27
    阅读数:

如今,我们的生活

已经100%的离不开手机了


然鹅,我们的 手机信号 

却不是每时每刻都灵光的

偶尔也会掉链子…



当出现这些状况时

有的我们可以自己想办法

比如

换手机或者换地方



靠我们自己“努力”

也就只能做到这两点了

更多的时候,我们是力不从心的

因为这些话语权,掌握在运营商手里



从运营商的专业角度看

通话/通信质量不佳

原因其实很复杂

大概分为三大类情况



覆盖、拥塞和干扰

是影响移动通信质量的“三座大山”

运营商解决这些问题的过程

通常被称为

 网规网优 


以往运营商的网规网优工作

“人肉”为主,工具为辅



运营商兄弟们披星戴月、爬塔搬砖

为了让我们手机用得爽

他们付出了辛勤的劳动


而到了 5G 时代

除了要满足吃瓜群众

更高质量的通话和上网需求

还要承载大量行业关键业务



5G三大应用场景:

eMBB②mMTC ③URLLC

对带宽、容量、延迟和可靠性提出了极大的挑战



虽然5G标准就具备先天技术优势

“天生丽质”底子好

但是要把这些优势全发挥出来

“网规网优”不可少


 5G时代的网规网优 

不光靠人肉,更多的要靠“AI”



从建网到运营,总共有5个环节

AI在这当中的角色,相当厉害!




5G站点的规划非常重要

要是没规划好

可能出现覆盖不佳:欠覆盖/过覆盖

或者容量不合理:不足/过剩

不仅影响用户体验

还会造成运营商的投资浪费



如果基于系统采集到的数据

(周边环境、话务量、站点覆盖与容量等)

通过AI 分析和预测

最后给出精确的站点规划建议

(放几个,放什么样的,放在哪儿)


  AI精准布点  

最终,达到最佳覆盖和最佳容量




在基站规划完成后

重头戏就来了

  站点的安装和部署  



这可是真正的“搬砖” 

因为整个过程太复杂


一个基站的部署过程

会复杂到什么地步呢?

①基站种类多

(宏基站丨微基站丨皮基站)

②配置复杂

(硬件多丨端口多丨连线多丨参数多)

③人工交互环节多

(人工传递信息、文件、电话,相互等待,信息不对称)


举个例子,感受一下复杂度

比如想在北京某区,组个网

要组网的区,行话叫:局点


 原来一个典型“局点” 的安装 

让人头疼

整体工作量可想而知



如果采用AI“加持”的

 5G基站部署自动化方案 

那么就是so easy

重点是➜全流程自动化配置


为什么能实现“自动化”呢?

核心在于


①极简站点规划

②硬件自检测、自配置

③能力开放


全部基于REST接口与OSS通信

以前基于Corba接口

粒度小,模块多,效率低

如今,效率提升4倍以上




未来5G技术覆盖

会大量采用MassiveMIMO技术

这是一种

 大规模的阵列天线 

也是5G时代的核心技术之一


这种技术的好处是

①既可以通过复用,来提高容量


②又可以通过波束赋形,增强覆盖效果


这种天线技术虽牛

调优却很让人崩溃


在天线调优中

有个术语叫 Pattern 

就是一系列「天线参数的组合」

这决定了小区的覆盖


3G场景,一个pattern=水平波宽+垂直波宽的参数组合

4G场景,一个Pattern = 水平波宽+垂直波宽+下倾角的参数组合

5G场景, 一个Pattern = 水平波宽+垂直波宽+下倾角+水平角的参数组合


最终要在这些组合中

挑选出最优秀的一个Pattern

才能让基站的覆盖效果最好


5G的难点在于

Pattern有成千上万种

怎么才挑出最帅的那个?




以前

怎么挑选Pattern呢?

靠人肉,就是靠专家经验

专家一伸手,便知有没有


现在

是如何挑选Pattern呢?

不靠人肉,靠AI

靠AI快速找到最优配置

AI一出手,便知优不优


那么

  怎么才能把AI训练成专家的呢?

总共分4



Step1


 训练 


通过对全球的现网数据的采集、分析、整理和标注,构建全局经验库

利用机器学习来训练模型





Step2


 推理 


本地新基站开通后,基于默认的Pattern参数,和实测数据输入到模型中,进行推理

AI会给出最优的初始Pattern





Step3


 调优 


AI根据每次调整参数后网络的容量数据,来不断的调整Pattern

直到找到网络覆盖最优的那个Pattern 





Step4


 优化 


在“调优”的参数基础上,根据话务的增长以及潮汐波动

快速的学习与推理,生成匹配话务变化的最优的Pattern



就这样,AI通过逐步学习和推理

从数千种参数组合中,找到了最好那个

实现当前站点的最优覆盖




我们知道

通信网络为了提高容量

往往都采用了“复用技术”

小白理解“复用”

就是一条网络,如何让更多用户使用

传统的复用技术有

TDM、WDM、CDM等等



5G也是一样

除了大家熟知的TDM时分复用以外

(大家都走一条道,但是错开不同时间点)

为了进一步提高容量

还使用了

 空分复用技术 

利用阵列天线,对空间进行划分

在同一时间、同一频点

构造连接不同用户的基站“波束”

让大家可以使用同一资源进行互不干扰的通讯


看起来有点懵逼,到底啥意思呢?

我们来看看空间复用的工作流程

基站需要在极短时间内计算出

可以进行空间复用的客户




然后迅速完成配对

(就是进行组队)



计算时间要低于0.1ms

否则,只能算到几个就复用几个

这种“将就”,导致系统容量无法最大化

基站的整体接入容量就会降低


配对完成之后

每一个用户互不干扰

这样一来,站点的容量就增大了



在这个“配对”计算中

采用了神经网络+聚类实现

快速算出最优解

配对的精准率到100%

总之,AI组队,不会错


说白了

能复用的用户,全部都复用了

一点不“将就”

网络容量得到最大化的提升




由于大家用手机上网越来越开心

为了让覆盖更好,上网更爽

基站密度也越来越大

然而,基站能耗也是很大的


所以, 何节能 也是很关键的

通常,运营商会采取这样的办法

在夜间话务量的低谷

关闭基站部分载波

保留少量载波完成基本覆盖


这样可以达到省电的目标

就像“关路灯”似的

但是以前关闭基站

靠“人肉经验”来确定关闭时间段

效果并不好


1、关掉基站部分载波后,由于是人肉出来的粗糙关闭时间段,如果出现突发话务量,就会造成网络质量下降,人肉方式难以找到服务质量和节能的平衡点。

2、找不到一个合适的“拉闸”周期,无法把节能最大化


 基于AI进行基站节能调度 

是这样子滴


用AI预测每个基站小区的话务量

根据预测结果确定载波关闭时间段

不关闭基础覆盖小区载波

关闭其余小区载波



精准的AI算法

可以推算出精确的“拉闸”周期

保障基站部分载波关闭时

网络质量不会受到影响

让节能效率最大化


这个方案,在南非MTN现网部署

平均单站每天省电9.5度

每年省电850万人民币



上周,看到华为官方披露了

一系列吊炸天的5G数据

 目前已经获得25个5G商用合同

与全球50余个商业伙伴签署合作协议

5G基站商用发货数超过10000个

 在业内遥遥领先 


华为5G为什么这么牛

我想,上面这5个AI黑科技

算是一个缩影吧


还有更多的技术,作为一个外行

我看不懂也说不完

只能默默在心里说一句

“世上所有的NB

闻起来都是努力的味道”

.

.

.


戳视频,了解“5G+AI”黑科技


  END  


就我知道

华为自己有一个非常小众的公众号

主要涉及

 电信领域AI信息

如感兴趣,可关注




最后,请你回答我一个问题

这篇文章,好看吗?

About Us 关于我们 客户服务 联系方式 器件索引 网站地图 最新更新 手机版

站点相关: TI培训

北京市海淀区知春路23号集成电路设计园量子银座1305 电话:(010)82350740 邮编:100191

电子工程世界版权所有 京ICP证060456号 京ICP备10001474号 电信业务审批[2006]字第258号函 京公海网安备110108001534 Copyright © 2005-2018 EEWORLD.com.cn, Inc. All rights reserved