Open5GS项目中GUTI与P-TMSI映射问题的技术分析
2025-07-05 03:13:05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
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0212
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0137
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
GLM-5.2智谱开源 GLM-5.2,这是针对长文本任务的最新旗舰模型。相较于前代产品 GLM-5.1,它在长文本任务处理能力上实现了显著飞跃,并且首次在稳定的 100 万 token 上下文中提供这一能力。Jinja00
SwanLab⚡️SwanLab - an open-source, modern-design AI training tracking and visualization tool. Supports Cloud / Self-hosted use. Integrated with PyTorch / Transformers / LLaMA Factory / veRL/ Swift / Ultralytics / MMEngine / Keras etc.Python00
tiny-universe《大模型白盒子构建指南》:一个全手搓的Tiny-UniverseJupyter Notebook03
热门内容推荐
项目优选
收起
deepin linux kernel
C
32
16
暂无描述
Dockerfile
774
5.07 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
872
2.01 K
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
468
461
Ascend Extension for PyTorch
Python
757
960
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
696
1.4 K
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++
1.1 K
1.14 K
本仓库是 Flutter SDK 与 Flutter Engine 的 OpenHarmony 适配版本,由 CPF-Flutter 团队维护。开发者可使用熟悉的 Flutter 技术栈开发 OpenHarmony 应用,3.35.7 及以后的适配版本可基于本仓库源码构建支持 OpenHarmony 的 Flutter Engine。
Dart
1.03 K
271
昇腾LLM分布式训练框架
Python
183
230
CANNBot 是面向 CANN 开发的用于提升开发效率的系列智能体,本仓库为其提供可复用的 Skills 模块。
Python
1.03 K
646