当前位置: 首页 > news >正文

O-RAN前传Spilt Option 7-2x

Spilt Option 7-2x

  • 下行比特处理
  • 上行比特处理
  • 相关文章:

Open Fronthaul wrt ORAN 联盟被称为下层拆分(LLS),其目标是提高电信市场的灵活性和竞争力。下层拆分是指无线电单元(RU) 和分布式单元(DU) 之间的拆分。

O-RAN前传接口可以在 eCPRI 上传输。eCPRI 规范旨在支持 5G 前传要求,并提供多项优势,例如,eCPRI 能够高效使用基于数据包的传输技术,并允许 RAN 有效载荷通过以太网传输。O-RU 接口的较高层在 eCPRI 之上实现,具有多个不同的 LLS 选项(1 至 8)以在 O-RU 和 O-DU 之间划分功能。

拆分选项 7-2x是 O-RAN 前传规范采用的著名 LLS 拆分选项之一。分布式单元 (O-DU) 和无线电单元 (O-RU) 之间的这种功能拆分将物理层 (第 1 层) 的功能划分为高级 Phy 位于 DU 中,低级 Phy 位于 RU 中。下图显示了拆分选项 7-2x 的概览。

在这里插入图片描述

下行比特处理

在 DL 数据流中,从较高层(即 MAC 层)接收到的用户比特序列经过编码和加扰、调制和层映射以及预编码和资源元素 (RE) 映射,从而产生频域中 OFDM 信号的 IQ 采样序列。然后对该序列执行 IFFT 处理以在时域中转换 OFDM 信号,最后转换为模拟信号。在此流程中,波束成形在 IFFT 之前执行。数字 BF​​ 的情况是这样的,而模拟 BF 的情况是在模拟信号转换之后。

在这里插入图片描述
在 DL 中,Split Option 7-2x 实现了 O-DU 中 RE 映射等功能,并支持实现数字 BF​​ 及后续功能的 O-RU(A 类 O-RU)和结合预编码实现上述功能的 O-RU(B 类 O-RU)。在前传中,将传输每个 MIMO 空间流或每个 MIMO 层的频域 OFDM 信号的 IQ 采样序列。对于 DL 中前传中不传输信号的频率资源,无需传输 IQ 采样序列。

上行比特处理

上行流程中,时域OFDM信号在O-RU处接收,转换为数字信号后送入FFT处理,得到频域OFDM信号的IQ样本,然后经过RE解映射后,继续进行均衡处理、逆离散傅里叶变换(IDFT)处理、信道估计,经过解调、解扰、解码后,将用户比特序列发送到MAC层。

在这里插入图片描述
在此流程中,数字波束成形在 FFT 处理之后进行波束成形 (BF),模拟波束成形在数字信号转换之前进行。在 UL 中,Split Option 7-2x 在 O-DU 中实现资源元素映射和高级功能,在 O-RU 中实现数字 BF​​ 和低级功能。前传在频域中为每个 MIMO 空间流传输 OFDM 信号的 IQ 采样序列。对于前传上不传输信号的频率资源,无需传输 IQ 采样序列。

相关文章:

5G NR gNB 逻辑架构及其功能划分
5G NR gNB 高层拆分
开放式 RAN (O-RAN) 参考架构
什么是 eCPRI,它对 5G 和 Open RAN 有何贡献?

http://www.lryc.cn/news/479995.html

相关文章:

  • 【GeoJSON在线编辑平台】(2)吸附+删除+挖孔+扩展
  • 确定图像的熵和各向异性 Halcon entropy_gray 解析
  • 大数据-214 数据挖掘 机器学习理论 - KMeans Python 实现 算法验证 sklearn n_clusters labels
  • 算法通关(3) -- kmp算法
  • 5G网卡network connection: disconnected
  • 微积分复习笔记 Calculus Volume 1 - 4.9 Newton’s Method
  • Flutter自定义矩形进度条实现详解
  • 如何设置 TORCH_CUDA_ARCH_LIST 环境变量以优化 PyTorch 性能
  • CSS的三个重点
  • 【笔记】前后端互通中前端登录无响应
  • AI引领PPT创作:迈向“免费”时代的新篇章?
  • HTB:Perfection[WriteUP]
  • 鸿蒙next打包流程
  • uni-app 实现自定义底部导航
  • Vue前端开发:animate.css第三方动画库
  • Java中的I/O模型——BIO、NIO、AIO
  • 【软考知识】敏捷开发与统一建模过程(RUP)
  • Redis常见面试题(二)
  • 业务模块部署
  • 【LeetCode】【算法】48. 旋转图像
  • 【STM32F1】——9轴姿态模块JY901与串口通信(上)
  • Docker网络概述
  • Vite与Vue Cli的区别与详解
  • 深究JS底层原理
  • 数据分析-41-时间序列预测之机器学习方法XGBoost
  • json转java对象 1.文件读取为String 2.String转为JSONObject 3.JSONObject转为Class
  • 基于卷积神经网络的农作物病虫害识别系统(pytorch框架,python源码)
  • ETLCloud异常问题分析ai功能
  • 【1】 Kafka快速入门-从原理到实践
  • go语言中的map类型详解