Open5GS项目中GUTI与P-TMSI映射问题的技术分析
2025-07-05 09:15:39作者:伍霜盼Ellen
在移动通信网络中,当用户设备(UE)在不同类型的核心网节点间移动时,需要正确处理用户标识的映射关系。本文针对Open5GS项目中发现的GUTI与P-TMSI映射问题进行分析。
问题背景
在4G/5G网络中,全球唯一临时标识(GUTI)用于标识用户设备。而在2G/3G网络中,则使用分组临时移动用户标识(P-TMSI)。当用户设备在4G和2G网络间切换时,核心网需要在这两种标识间进行正确转换。
问题现象
通过抓包分析发现,当用户设备从4G网络(MME)向2G网络(SGSN)切换时,SGSN Context Request消息中的P-TMSI值出现异常。具体表现为:
- 原始TMSI值为0xe99fc497
- 转换后的P-TMSI变为0x97c49fe9
- 这种转换看起来像是字节序问题,但实际原因更为复杂
技术规范要求
根据3GPP TS 23.003规范,GUTI与P-TMSI之间的映射关系分为两种情况:
-
从MME到SGSN的映射(4G→2G):
- 规范章节2.8.2.1.1定义了这种场景下的映射规则
- 用于UE从MME移动到SGSN的场景
-
从SGSN到MME的映射(2G→4G):
- 规范章节2.8.2.2.3定义了反向映射规则
- 用于UE从SGSN移动到MME的场景
Open5GS实现分析
Open5GS当前实现中,在mme_gn_build_sgsn_context_request()函数中调用了guti_to_rai_ptmsi()函数。这个函数实现了4G→2G方向的映射,但实际场景需要的是2G→4G方向的映射。
解决方案建议
正确的实现应该区分两种方向的映射:
-
从GUTI生成RAI和P-TMSI(4G→2G):
void guti_to_rai_ptmsi(ogs_nas_rai_t *rai, mme_p_tmsi_t *ptmsi, const ogs_nas_eps_guti_t *nas_guti) { rai->lai.nas_plmn_id = nas_guti->nas_plmn_id; rai->lai.lac = nas_guti->mme_gid; rai->rac = nas_guti->mme_code; *ptmsi = (nas_guti->m_tmsi & 0x00ffffff); } -
从RAI和P-TMSI生成GUTI(2G→4G):
void rai_ptmsi_to_guti(ogs_nas_eps_guti_t *nas_guti, const ogs_nas_rai_t *rai, mme_p_tmsi_t ptmsi) { nas_guti->nas_plmn_id = rai->lai.nas_plmn_id; nas_guti->mme_gid = rai->lai.lac; nas_guti->mme_code = rai->rac; nas_guti->m_tmsi = ptmsi & 0x00ffffff; }
总结
正确处理GUTI与P-TMSI之间的映射关系对于保证用户设备在不同网络间无缝切换至关重要。Open5GS需要根据实际切换方向选择正确的映射函数,确保标识转换符合3GPP规范要求。开发者在实现相关功能时,应仔细区分4G→2G和2G→4G两种不同场景下的映射规则。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
最新内容推荐
JDK 8u381 Windows x64 安装包:企业级Java开发环境的完美选择 全球36个生物多样性热点地区KML矢量图资源详解与应用指南 PANTONE潘通AI色板库:设计师必备的色彩管理利器 深入解析Windows内核模式驱动管理器:系统驱动管理的终极利器 STM32到GD32项目移植完全指南:从兼容性到实战技巧 Jetson TX2开发板官方资源完全指南:从入门到精通 OMNeT++中文使用手册:网络仿真的终极指南与实用教程 WebVideoDownloader:高效网页视频抓取工具全面使用指南 TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
191
210
暂无简介
Dart
631
143
React Native鸿蒙化仓库
JavaScript
243
316
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
481
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
649
270
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
297
110
仓颉编译器源码及 cjdb 调试工具。
C++
128
858
openGauss kernel ~ openGauss is an open source relational database management system
C++
158
211