查 Uplink Multi-User OFDMA 工作机制

查 Uplink Multi-User OFDMA 工作机制

IEEE 802.11 ax 是即将到来的标准 IEEE 802.11 无线局域网(WLAN)系列。直到其最新的标准,即 802.11 ac 出现,使用创新的机制,如多用户多输入多输出(MU-MIMO)、高阶调制和编码方案等,提高物理层的总体吞吐量才成为了802.11 工作组关注的焦点。然而,这些物理层的增益通常无法转化为介质访问控制(MAC)层的高吞吐量,特别是在密集的部署场景中。
为了解决这个限制,IEEE 802.11ax 引入了新的特性,最显著的是 OFDMA,从而支持并发的 MU 传输

早期的 WIFI 标准主要是为应用程序提供低数据率的无线连接,如网页浏览、电子邮件等等。802.11 标准已经进化到提供高数据速率和服务质量(QoS)保证,从而支持范围广泛的应用程序,如从带宽密集型视频流到延迟受限的语音通话。
即将发布的 802.11ax 标准将使 Wi-Fi 向前迈进一大步,在密集用户环境中增强高可靠吞吐量的无线连接。一个典型的 802.11ax 用例场景是机场或体育场的拥挤热点,其中如今在这些场景中超载的接入点(APs)提供了糟糕的用户体验。11ax 承诺在相同的未授权频谱上支持的用户数量增加10倍,将每个用户的平均吞吐量增加4倍,并提高户外和多路径信号的鲁棒性

High Efficiency (HE) WLAN Task Group (TGax)自2013年5月以来,一直在开发 802.11ax 标准。虽然 802.11ax 标准仍处于开发的早期阶段,但是物理层和MAC层的一些关键特性已经达成一致。
其中,在物理层传感灵敏度的动态控制(称为 Dynamic Sensitivity Control)与基于 OFDMA 的 MAC 是对当前 802.11 标准的主要补充。

OFDMA 将可用的物理资源(即频谱)划分为多个正交子信道——在802.11ax术语中称为资源单元(RU)。
20 MHz、40 MHz、80 MHz、160 MHz 的 Wi-Fi 信道可分为 9、18、37和74 RUs。这些RUs 可以根据用户的流量需求分配给不同的用户,从而支持并发的多用户 (MU) 传输。
在 MU OFDMA 传输期间,802.11ax AP 将充当协调器用于下行链路(DL)的OFDMA传输即从 AP 到 stations (STAs);以及上行(UL)即从 STAs 到 AP 方向。AP 可以通过传输一个触发帧 (TF) 来触发 MU OFDMA 模式,这是一个将在 802.11ax 中定义的帧结构。
当接收到TF时,相关的STAs进入预定访问(SA)模式,只有这些客户端可以传输或接收AP分配的 RUs 帧。这一行为与使用基于争用机制的通道访问的传统 802.11 标准形成了对比。
为了让AP在TF中分配RUs,它必须知道相关STAs的流量状况。在DL中这很简单,因为所有到达STAs的数据包都通过AP传递。但是,在UL中,STAs必须通过传输常规缓冲区状态报告(BSR)来显式地传达它们的流量需求。这些 BSRs 的传播可以由 AP 引起,也可以由 STAs 启动。
为了支持这种引出的 BSR 传输,802.11ax 提供了一种随机访问(RA)模式,即基于上行 OFDMA 的随机访问(UORA),可以与 SA 模式结合使用。本质上,在TF中,AP将所有RUs的一部分来分配给RA模式,剩余部分则分配给SA模式。


《Uplink Non-Orthogonal Multiple Access for 5G Wireless Networks》
In Orthogonal Multiple Access (OMA) techniques, the users in each cell are allocated the resources exclusively and there is no inter-user interference, hence, low-complexity detection approaches can be implemented at the receiver to retrieve the users’ signals.

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
机器学习是一种人工智能(AI)的子领域,致力于研究如何利用数据和算法让计算机系统具备学习能力,从而能够自动地完成特定任务或者改进自身性能。机器学习的核心思想是让计算机系统通过学习数据中的模式和规律来实现目标,而不需要显式地编程。 机器学习应用非常广泛,包括但不限于以下领域: 图像识别和计算机视觉: 机器学习在图像识别、目标检测、人脸识别、图像分割等方面有着广泛的应用。例如,通过深度学习技术,可以训练神经网络来识别图像中的对象、人脸或者场景,用于智能监控、自动驾驶、医学影像分析等领域。 自然语言处理: 机器学习在自然语言处理领域有着重要的应用,包括文本分类、情感分析、机器翻译、语音识别等。例如,通过深度学习模型,可以训练神经网络来理解和生成自然语言,用于智能客服、智能助手、机器翻译等场景。 推荐系统: 推荐系统利用机器学习算法分析用户的行为和偏好,为用户推荐个性化的产品或服务。例如,电商网站可以利用机器学习算法分析用户的购买历史和浏览行为,向用户推荐感兴趣的商品。 预测和预测分析: 机器学习可以用于预测未来事件的发生概率或者趋势。例如,金融领域可以利用机器学习算法进行股票价格预测、信用评分、欺诈检测等。 医疗诊断和生物信息学: 机器学习在医疗诊断、药物研发、基因组学等领域有着重要的应用。例如,可以利用机器学习算法分析医学影像数据进行疾病诊断,或者利用机器学习算法分析基因数据进行疾病风险预测。 智能交通和物联网: 机器学习可以应用于智能交通系统、智能城市管理和物联网等领域。例如,可以利用机器学习算法分析交通数据优化交通流量,或者利用机器学习算法分析传感器数据监测设备状态。 以上仅是机器学习应用的一部分,随着机器学习技术的不断发展和应用场景的不断拓展,机器学习在各个领域都有着重要的应用价值,并且正在改变我们的生活和工作方式。
Uplink-downlink timing relation指的是上行和下行信道之间的时序关系。根据引用中的信息,UE在TAC中解析出来的测量量N_TA以及N_TA, offset是根据不同的频段、子载波间隔而变化的定值。具体的数值可以参考3GPP TS38.133 Chapter 7.1。 根据引用中的图示,TRP侧的上行子帧和下行子帧的timing是相同的,而UE侧的上行子帧和下行子帧的timing之间存在偏移。不同的UE具有各自不同的TA值,即定时提前量。需要注意的是,定时提前量是两倍的传输时间量,有时也被称为RTT(round trip time)。 根据引用的信息,根据载波的TA值,UE可以获悉通过该载波发送上行信道需要的时间提前量,以使通过该载波发送的上行信道到达TRP的时间与其设定时间一致,从而完成UE的上行传输时间同步。根据载波的TA值的不同,可以将载波分成不同的定时提前组,每个组内的载波的TA值相同。 因此,Uplink-downlink timing relation涉及到各个UE的定时提前量以及上行和下行信道之间的时序关系。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* *3* [LTE-5G学习笔记32--5G NR 定时提前:从协议信令到算法实现](https://blog.csdn.net/u011292087/article/details/101756966)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT3_1"}}] [.reference_item style="max-width: 100%"] [ .reference_list ]

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值